Code Interpreter в chatGPT: как его использовать для SEO-задач
Автор: Александр Рахманин, Head of SEO в компании «Вебпрактик» и автор Telegram-канала @seohive
В последних обновлениях ChatGPT для модели GPT-4, был добавлен новый плагин Code Interpreter. Теперь нейронная сеть сама пишет и выполняет код Python непосредственно в интерфейсе чат-бота. Это открывает широкие перспективы для анализа данных, обработки изображений, редактирования кода и множества других задач.
Более того, интерпретатор предоставляет доступ к функции загрузки файлов, размер которых не превышает 100 МБ. Среди возможностей плагина – создание графиков, карт, визуализация данных, анализ музыкальных плейлистов, формирование интерактивных HTML-файлов, очистка наборов данных и извлечение цветовых палитр из изображений.
Как воспользоваться Code Interpreter в chatGPT
Для того, чтобы использовать Code Interpreter вам нужен аккаунт chatGPT с подпиской Plus. ChatGPT Plus предлагает ряд мощных функций, включая доступ к модели GPT-4 и использование плагинов. Стоимость этой подписки составляет 20 долларов ежемесячно.
Плагин Code Interpreter в настоящее время находится в стадии альфа-тестирования. Для активации его функциональности необходимо перейти в настройки аккаунта и включить эту опцию.
Я немного протестировал данный инструмент для SEO-задач и хочу поделиться несколькими полезными кейсами его применения в продвижении сайтов.
Анализируем влияния метрик CWV на позицию в Google
Для начала, я покажу, как можно проанализировать зависимость метрик CWV и позиций сайта в выдаче. Нужно собрать датасет, например, вот такой. Я спарсил топ-10 в Google по небольшой семантике и собрал метрики сайтов через PageSpeed Insights API (как это сделать можно почитать тут). Все, что получилось собрать, я сохранил в файл и отправил в чат:
Сначала просто просим ИИ посмотреть на данные. Далее просим показать корреляции показателей с позициями:
Получаем результат в виде коэффициентов корреляций с комментариями, что они означают:
Но в моей таблице есть данные и по фактическим показателям сайта и по оценкам этих показателей. Например, First Contentful Paint Time в ms и First Contentful Paint в виде оценки от 0 до 100. Так анализировать данные и искать корреляции не совсем корректно, так как оценка напрямую зависит от фактического значения. По-хорошему, нужно сделать 2 таблицы: одну с фактическими значениями, а другую с оценками, и анализировать их отдельно.
Но давайте попросим это сделать cahtGPT:
ChatGPT сам понял, как нужно разделить показатели и провел анализ корреляции.
Также данные можно сразу визуализировать:
В этом примере нет корреляций показателей с позицией сайта. Возможно, CWV – это доменный фактор, или на позицию сайта в топ-10 он сильно не влияет. Тут нужно смотреть на других примерах и сравнить CWV с другими метриками, например, с трафиком страницы.
Анализируем метрики конкурентов
Таким же способом можно проанализировать метрики конкурентов. Я нашел таблицу, которую делал с командой для анализа конкурентов в нише онлайн конвертеров файлов. Там много разных метрик сайтов, по которым мы пытались понять, что не хватает нашему сайту:
Источник
Очень полезно периодически делать такие таблицы, чтобы искать новые точки роста.
А с анализом может помочь Code Interpreter. Сначала просим привести данные к единому виду для дальнейшего анализа. Например, данные из колонки Средняя продолжительность по SimilarWeb chatGPT перевел из формата минуты и секунды в количество секунд, чтобы проще было их анализировать:
Далее смотрим на корреляции с Трафиком и ключами по Ahrefs:
Видим, что есть довольно сильные корреляции с ссылочными метриками. Ahrefs показывает трафик из Google, поэтому такие зависимости нас не удивляют 😊. Но есть зависимость с наличием у конкурентов настроек для конвертаций. Можно задуматься об этом функционале, как о точке роста сайта.
Анализируем ссылочное сайта и трафик
Еще небольшой кейс, как можно применить Code Interpreter для SEO – это сравнение динамики трафика и его ссылочных показателей. Собираем в таблицу динамику по кликам из GSC и данные по ссылочному сайта. Я взял DR и Total referring domains из Ahrefs, но можно использовать любой другой сервис:
Отправляем в чат и просим посчитать корреляции:
Получаем очень слабые корреляции. Но, скорее всего, Google нужно время, чтобы учесть новые ссылки при ранжировании. Поэтому нужно сдвинуть по времени ссылочные показатели относительно трафика:
Теперь корреляции значительно выросли:
Можно попросить просчитать оптимальный период для сдвига данных:
Но корреляция тут становится уж очень большая, поэтому не думаю, что можно доверять этим данным.
Интересно, какой сдвиг и корреляция получатся у вас, а я продолжу изучать этот момент на других своих проектах 😊
Вывод
Code Interpreter в chatGPT – это не какое-то волшебство. Все тоже самое многие делают сами в Python. Но теперь эти задачи можно делать гораздо быстрее, и порог входа по скилам стал намного ниже.
Всем советую прочитать книгу Статистика и котики. В ней простым языком объясняются основы статистики, которые могут пригодиться в работе на проектах.
Спасибо за внимание! Буду благодарен за подписку на мой ТГ-канал. В нем я делюсь кейсами использования chatGPT, SEO-кейсами и аналитикой, которые меня заинтересовали.