de
English Español Deutsch Français Italiano Português (Brasil) Русский 中文 日本語
Zum Blog
Demir Jasarevic

Vega: Such-Update bei Yandex mit über 1.500 Verbesserungen

...
Wow-Score
wird jetzt gesammelt
Der Wow-Score zeigt, wie interessant ein Blog-Beitrag ist. Berechnet wird er anhand der Korrelation zwischen der aktiven Lesezeit von Benutzern, der Geschwindigkeit, mit der sie scrollen, und der Länge des Artikels.
Demir Jasarevic
Vega: Such-Update bei Yandex mit über 1.500 Verbesserungen

Am 17. Dezember hat Yandex auf den unternehmenseigenen Blog das Vega-Update offiziell verkündet. Laut Yandex werden mit Vega über 1.500 Verbesserungen in den Such-Algorithmus eingeführt, um täglich 50 Millionen Yandex-Nutzern bessere Suchergebnisse zu liefern.

Im Beitrag "Yandex SEO: Von TIC zu SQI und was das für SEO bedeutet" hier auf dem SEMrush-Blog habe ich das Vega-Update kurz angeschnitten:

Während Google mit BERT die Suchintention komplexer Suchanfragen besser deuten möchte, legt Yandex mit dem Vega-Update Anfang Dezember 2019 einen nach in Richtung "höhere Nutzer-Zufriedenheit". Auf Basis des Mashine-Learning-Algorithmus „MatrixNet“ wird Vega mit weiteren Informationen gefüttert, um die SERPs zu verbessern. Sogenannte "Assessors" (bei Google sind das die "Quality Rater") bewerten Websites über die Crowdsourcing-Plattform Yandex.Toloka. Die Ergebnisse sollen dann in den neuen Mashine-Learning-Algorithmus fließen.

— Demir Jasarevic

In diesem Beitrag möchte ich tiefer in Vega eintauchen und aufzeigen, welche Neuerungen Yandex in den Such-Algorithmus eingeführt hat.

Ein kurzer Blick in die Vergangenheit

Bevor wir uns intensiver mit Vega auseinandersetzen, müssen wir kurz ein paar Schritte zurückgehen und ein paar Yandex-Updates aus der Vergangenheit beleuchten. Vega baut nämlich auf diesen Updates auf. 

  • 2009 - MatrixNet: Damit die Suchmaschine auf Basis der großen Menge an Suchanfragen qualitative Ergebnisse liefern kann, muss sie in der Lage sein selbst zu lernen. Zentral dabei ist die Bewertung welche Inhalte und Ergebnisse gut sind und welche weniger gut. Hier kommt maschinelles Lernen (Machine Learning) zum Einsatz. Damit soll eine Maschine Aufgaben ausführen, die dem menschlichen Verhalten ähnlich sind, aber sehr schwer in algorithmische Strukturen zu transformieren sind. Mit Machine Learning kann die Suchmaschine auf Basis von Daten und Erfahrungen selbst die besten Ergebnisse ausliefern. 2009 führte Yandex mit MatrixNet eine Methode des maschinellen Lernens in den Such-Algorithmus ein. Später wurde MatrixNet noch mit Daten aus Yandex.Toloka, der Crowdsourcing-Plattform von Yandex, gefüttert.
  • 2016 - Palekh: Eine Methode des maschinellen Lernens sind künstliche neuronale Netze. Mit der Bereitstellung von positiven und negativen Beispielen kann das Netz ständig trainiert und weiterentwickelt werden. Legt man nun das Benutzerverhalten zu Grunde, findet langsam eine semantische Verknüpfung statt. Da immer mehr komplexere Suchanfragen gestellt werden (Longtail-Keywords) führte Yandex im Jahr 2016 den Palekh-Algorithmus ein. Ziel ist es, komplexe Suchanfragen besser zu versehen und relevante Ergebnisse auszuspielen. Palekh ist mehr oder weniger das Pendant zu Googles RankBrain.
  • 2017 - Korolyov: Die Basis des Korolyov-Updates ist Palekh. Korolyov versteht die Such-Absicht des Nutzers besser, da weitere Faktoren zur Identifikation herangezogen werden. Die Korolyov-Ergebnisse fließen wiederum in MatrixNet ein. Wie oben beschrieben ist MatrixNet der zentrale Machine-Learning-Algorithmus.
  • 2018 - Andromeda: In 2018 wurde Andromeda vorgestellt. Dieses Update basiert auf Palekh und Korolyov. Mit Andromeda werden weitere Funktionen in der Suche eingeführt, die mit Hilfe der Ergebnisse von Korolyov möglich sind. Dazu gehören "Quick Answers", um Suchanfragen der Nutzer direkt auf der SERP zu beantworten, die Einführung von Yandex.Experts, um Antworten von echten Experten zu liefern und Yandex.Collections, eine Möglichkeit Suchanfragen zu speichern.

Seit der Einführung von MatrixNet war es Ziel von Yandex, komplexe Suchanfragen besser zu verstehen und Nutzern die besten Suchergebnisse zu liefern. Auf den genannten Updates der Vergangenheit baut nun Vega auf. Dabei spricht Yandex von einen der wichtigsten Updates der letzten Jahre.

Übersicht der wichtigsten Änderungen

Um welche Änderungen handelt es sich konkret?

  • Zusammenführung Machine Learning mit Yandex.Toloka-Ergebnissen
  • Verbesserte Suchergebnisse
  • Schnellere Auslieferung der Suchergebnisse
  • Local SEO: Hyperlokalität

Was die Verbesserungen im Detail bedeuten, schauen wir nachfolgend an.

Zusammenführung Machine Learning mit Yandex.Toloka-Ergebnissen

Yandex setzt nun seit mehr als 10 Jahren Machine Learning im Algorithmus ein. Dabei kommen mittlerweile nicht nur statistische Daten zum Einsatz. Sogenannte "Assessors" bewerten Suchergebnisse auf Basis von Bewertungsleitfäden. Dies geschieht über die Crowdsourcing-Plattform Yandex.Toloka. Mit Vega wurden die Ergebnisse der Assessors von Fachleuten auf Basis von über 100 Faktoren bewertet. Der Algorithmus wird nun mit diesen Ergebnissen gefüttert, um relevantere Suchergebnisse zu liefern.

Zusätzlich werden aber auch Antworten von Experten auf Anfragen der Nutzer direkt in den SERPs integriert. Yandex.Q heißt der Dienst. Stellt der Nutzer eine Frage, wird das Keyword von der Suchmaschine mit Informationen auf Yandex.Q abgeglichen. Findet sich eine relevante Experten-Antwort, wird diese ausgespielt. Hier als Beispiel die Suchanfrage "wer ist alexander pushkin" auf Russisch:

Yandex.Q Yandex.Q innerhalb der Suchergebnisse

Im Screenshot sieht man rot umrandet die Antwort von Yandex.Q in Kurzform. Klickt man auf das Suchergebnis, gelangt man direkt auf Yandex.Q mit der ausführlichen Antwort. Dort ist auch der Experte prominent mit Bild platziert:

Yandex.Q Yandex.Q-Seite mit ausführlicher Antwort auf die Suchanfrage

Verbesserte Suchergebnisse

Auf Basis der oben genannten Updates MatrixNet, Palekh, Korolyov und Andromeda werden mit Vega "Cluster" eingeführt, die mittels neuronaler Netze gebildet werden. Dabei werden ähnliche Seite gruppiert. Sucht nun der Nutzer nach Informationen, wird nicht mehr der gesamte Index durchsucht, sondern nur der am nächsten passende Cluster. Dies führt wiederum dazu, dass weniger Rechenleistung notwendig ist. Die eingesparte Energie nutzt Yandex, um das Web noch breiter und tiefer zu crawlen. Resultat: Die Indexgröße wurde verdoppelt ohne Auswirkungen auf die Verarbeitungsgeschwindigkeit. Ein größerer Index bedeutet wiederum, dass Yandex auf mehr Informationen zugreifen kann, die als Endergebnis den Nutzern zu Gute kommen.

Schnellere Auslieferung der Suchergebnisse

Mit Vega werden dem Nutzer auch die Suchergebnisse schneller ausgeliefert. Schon während dem Tippen einer Suchanfrage werden mobilen Nutzern relevante Ergebnisse ausgespielt. Dies passiert auf Grundlage einer Pre-Rendering-Technologie schon seit Anfang 2019. Auch die Turbo-Pages-Technologie wird allen Webmastern zugänglich gemacht. Turbo Pages sind das Pendant zu Googles AMP. Laut Yandex laden Websites mit "Turbo" 15-mal schneller als herkömmliche Websites.

Local SEO: Hyperlokalität

Grundsätzlich berücksichtigt Yandex bei einer Suchanfrage auch die Stadt, von wo aus die Anfrage gestellt wird. Mit Vega wird es noch genauer.

Beispiel: Ist der Abfluss verstopft möchte der Nutzer jemanden in unmittelbarer Nähe - z.B. gegenüber oder sogar im gleichen Haus - finden und braucht keinen Betrieb, der am anderen Ende der Stadt liegt. Mit Vega werden die Suchergebnisse hyperlokal. Heißt: Hat der Nutzer ein lokales Problem, werden ihn lokale Lösungen in unmittelbarer Nähe ausgespielt. Ermöglicht wird das unter anderem durch den Dienst Yandex.Raion - ein soziales Netzwerk für die Nachbarschaft. Sucht man also nach Klempnerarbeiten, werden dem Nutzer womöglich Kontaktinformationen des Nachbars direkt unter ihm angezeigt, sofern dieser solche Leistungen anbietet. Auch wird Yandex.Uslugi - ein Dienst mit dem nach professionellen Experten für ein lokales Problem suchen kann - stärker in den SERPs integriert. Dies kann man als Fazit für den Local SEO-Bereich sagen: Mit Vega werden Yandex-Dienste stärker in den Suchergebnissen berücksichtigt.

 

Wie kann man auf Vega optimieren?

Die Frage sollte lauten, ob man auf Vega überhaupt optimieren kann? Direkt nicht. Wie man an den Verbesserungen sehen kann, wirken sich diese hauptsächlich auf die ausgelieferten Suchergebnisse und der Qualität aus. Natürlich sind Schwankungen in den SERPs zu erwarten. Yandex könnte durch ein besseres Verständnis der Suchanfrage einzelne Seiten ab- oder hochstufen.

Auf Basis der Informationen gibt es aber dennoch einige Key-Takeaways, die man für SEO mitnehmen kann:

  • Eine saubere SEO-Technik inkl. Pagespeed ist die Basis, damit Yandex die Inhalte sauber und schnell crawlen und indexieren kann.
  • Der Content sollte einen Mehrwert bieten und für Nutzer geschrieben sein. Es sollte nicht starr auf Keywords hin optimiert werden. Den User-Intent sollte man stark im Fokus behalten.
  • Die Website sollte insgesamt eine optimale User Experience (UX) bieten.
  • Ist man Spezialist und Experte auf einem Gebiet, sollte man sich überlegen auf Yandex.Q mitzuwirken.
  • Die Funktion "Turbo Pages" in den Yandex Webmaster Tools aktivieren.
  • Lokale Unternehmen und Geschäfte sollten sich auf Yandex.Uslugi registrieren.
Demir Jasarevic
Helfer

Ein erfahrenes Mitglied, das immer bereitwillig hilft.

SEO- and Webanalytics-Expert at a Munich-based Digital Agency. In this position, I am responsible for the Implementation of international SEO Strategies and Webanalytics Concepts.

SEO- und Webanalytics-Experte bei einer Münchner Digitalagentur. In dieser Tätigkeit berate ich Unternehmen bei der Umsetzung von internationalen SEO-Strategien und Webanalytics-Konzepten.
Feedback senden
Ihr Feedback muss mindesten drei Wörter (10 Zeichen) enthalten.

Wir verwenden diese E-Mail-Adresse ausschließlich, um auf Ihr Feedback zu antworten. Datenschutzbestimmungen

Vielen Dank für Ihr Feedback!