Un défi pris très au sérieux par Google concerne l’acquisition d’information sans avoir à effectuer de recherche.

Cette technologie n’est pas encore prête, mais c’est une prétention qu’affiche clairement le moteur de recherche. Encore une fois, entre utilité de la fonctionnalité et protection des données, notre cœur balance.

C’est au travers d’une interview très intéressante de Amit Singhal, chef ingénieur de l’algorithme Google, que j’apprends les évolutions prochaines sur lesquelles travaillent les équipes de Mountain View. Il est toujours important de connaître d’autres sons de cloche que ceux du consensuel Matt Cutts. D’ailleurs, Amit Singhal est beaucoup plus crédible lorsqu’il s’agit de parler d’évolutions d’algorithmes puisque Matt Cutts est cantonné à la lutte contre le spam.

Les cinq premiers points évoqués par Amit Singhal ne me surprennent pas : recherche au-delà du texte, recherche au-delà du langage, recherche personnalisée, recherche en temps réelle et sémantique appliquée à la recherche d’information.

Par contre, je m’arrĂŞte un moment sur le sixième point…

La recherche sans chercher

Le but de l’opération consiste à procurer des éléments d’information sans avoir à entreprendre des recherches.

L’exemple pris par Amit explique que vous voulez acheter une batte de cricket (seul un indien pouvait prendre le cricket en exemple) car votre ancienne batte est cassée et que vous allez avoir une heure de temps libre demain. Votre mobile connaît votre besoin car il est inscrit dans votre ToDo. Le mobile est également au courant de votre agenda. Le reste des informations nécessaire est aussi maîtrisé par le téléphone : localisation et autres informations locales. Du coup, le mobile peut vous envoyer une information qui propose un créneau horaire et un magasin pour acheter la batte et revenir à temps au bureau pour le prochain rendez-vous.

Bien ou pas ?

La technologie nous assiste toujours plus. Il  n’y a qu’à voir l’App Store d’Apple ou le Android Market de Google. Désormais, il y a une app quasiment pour tous nos besoins et si ça n’existe pas encore, il est probable qu’un développeur travaille dessus.
Cependant, la vision de Google pousse la technologie vers un domaine encore plus précis en proposant des informations en amont de la demande.

Au premier abord, cela peut paraître intéressant. Puis, viennent rapidement les interrogations à propos du respect de la vie privée et du contrôle.

A mon humble avis, rien n’empêchera Google ou un autre (Apple?) de proposer ce type de fonctionnalité un jour prochain. Les soucis déontologiques seront écrasés comme ils le sont habituellement, puis nous serons toujours plus profilés et tracés.
Tiens, les participants au billet synchronisĂ© sur le futur de la recherche d’information n’avaient pas vu l’enjeu de la recherche sans chercher.  Pour ma part, j’avoue ĂŞtre totalement passĂ© Ă  cĂ´tĂ© de cette vision de l’évolution pour la recherche d’information. Pourtant, ça semble Ă©vident que Google se dirige vers ce type de technologie.

Le choix va vite devenir extrême : adopter ou repousser la technologie. L’entre-deux risque d’être de plus en plus difficile.

Les informations suivantes viennent d’une confĂ©rence de Joachim Kupke, employĂ© chez Google pour la partie indexation du moteur de recherche.

Les trésors distribués par Joachim Kupke (Google) lors de la conférence SMX

Voici 9 trouvailles sur le référencement qui ressortent de la conférence SMX East qui s’est déroulée à New York en octobre. Globalement, c’était une conférence impeccable, mis à part les soucis de Wifi et autres de Javits Center  le maudit. Danny Sullivan (l’organisateur de la conférence pour ceux qui vivent sous un rocher) a répété que « Javits est pourri », « accusez Javits, ne nous mettez pas ça sur le dos ». Danny, nous accusons Javits !

Cette année, parmi les absences remarquées de SMX East, il fallait compter Matt Cutts et Nathan Buggia, mais c’était un plaisir d’écouter des googlers moins connus (Maile Ohye) et des intervenants de Microsoft/Bing (Sasi Parthasarathy).

En tant que référenceur, je suis particulièrement intéressé par ce que les moteurs de recherche vont dire au sujet de paramètres techniques spécifiques comme l’indexation, le contenu dupliqué, le crawl et les redirections. Cette conférence proposait quelques sessions extraordinaires où un grand nombre d’informations étaient au centre des débats.

Il y avait aussi quelques surprises (voir ci-dessous) et une paire de nouveautés, mais en général l’information partagée par Joachim et les autres représentants des moteurs de recherche portait sur des éléments spécifiques qui pourraient paraître obscurs à quiconque en dehors du cercle des « initiés » du référencement. J’adore vraiment tous ces trucs d’initiés !

Allons-y pour les 9 trouvailles utiles pour le référencement qui sont extraites de la contribution de Joachim Kupke lors de SMX East

Présentation de Joachim Kupke sur le contenu dupliqué

Joachim fait partie de l’équipe qui s’occupe de l’indexation chez Google. Il a partagé des bribes d’informations assez primordiales au sujet de la gestion du contenu dupliqué par Google. Joachim a également partagé quelques vues depuis l’intérieur du moteur et sa façon de voir le Web et indexer les URLs. Voici les points essentiels que j’ai retenus.

1. Impressions et Clics

Joachim a répété les termes « impressions » et « clics » dans le contexte d’une URL incluse dans l’index de Google. Il a mentionné qu’une URL qui reçoit peu ou pas d’impressions sera plausiblement plus longue à mettre à jour dans l’index (pas de surprise jusque là). Cependant, une URL recevant un grand nombre d’impressions et clics (ou provenant de domaines importants et crawlés fréquemment) sera mise à jour rapidement. C’est logique et connu de tous, mais il était intéressant d’avoir une confirmation sortie de la bouche d’un ingénieur de chez Google. Ainsi, ces redirections 301 et tags noindex sur certaines pages qui ne sont pas crawlés à nouveau et mis à jour viennent définitivement du fait qu’elles ne figurent pas sur la liste prioritaire du moteur de recherche (encore une raison pour laquelle les grandes marques l’ont facile en référencement)

2. Infrastructure de gestion du contenu dupliqué

Google est censé avoir « une tonne d’infrastructure pour éliminer le contenu dupliqué », parmi laquelle il faut citer :

• Redirection
• DĂ©tection de structure rĂ©currente d’URLs
• Le contenu de la page
• Le tag de lien canonical (si tout le reste Ă©choue)

A noter que Google reconnaît les structures des URLS, éliminant certains paramètres comme cause de duplication (bien sûr, ils ont également parlé de l’outil d’élimination de paramètre dans les Outils Webmaster Google).

Que veux-tu dire par « le contenu de la page » ? Ceci étant la partie la plus intéressante selon moi, voici la suite…

3. Enregistrement de l’historique des URLs

Google garde une sorte de archive.org du Web avec des versions plus anciennes du contenu (pas exactement comme cela, mais vous voyez ce que je veux dire : un enregistrement de l’historique des pages Web). Cela permet de comparer la version fraichement crawlée avec une version plus ancienne. Le contenu qui change peut être soustrait des éléments qui restent invariables au sein du site. Cela peut également donner à Google la faculté de s’assurer que les éléments globaux, zones et morceaux de contenu apparaissent à l’intérieur d’un site séparément du contenu définitivement unique et mis à jour.

4 . Google + rel=canonical = Amour

Google adore le tag « canonical » des liens. Selon Joachim, c’est une grande réussite qui a vu un rythme de déploiement exponentiel sur Internet. Chez Google, on traite ce tag avec le plus grand sérieux, en suggérant son importance comme Maile Ohye nous a expliqué à l’occasion de SMX Advanced en juin.  L’intérêt de ce paramètre est donc renforcé par les propos de Maile et Joachim. Cela engendre un « énorme impact » à propos des décisions de Google sur la canonicalisation : 2 fois sur 3, rel=canonical altère la décision organique. C’est assez énorme comme chiffre !

5. Les 302 suffisent comme cibles canoniques

Les redirections font des cibles canoniques correctes. Ce paramètre a été expliqué par Joachim à deux reprises. Cela comporte deux parties :

• A cause d’une mĂ©thode interne pour gĂ©rer les slashs de fermeture des URLs, Google avait besoin (et recommande Ă  tous les dĂ©veloppeurs d’agir de la sorte) d’un slash de fermeture sur les cibles canoniques et les liens internes. Sans le slash de fermeture, Google va ajouter un slash et mettre Ă  jour l’URL dans l’index.
  Maintenant, j’ai trouvé de multiples exemples de pages où cela ne se déroule pas de la sorte, mais Joachim était assez ferme sur le fait que c’est un problème du Web en général que Google est obligé de contourner.

• La trouvaille en la matière est que vous devriez toujours ajouter un slash de fermeture Ă  l’URL absolue de la cible canonique. Sans le faire, Google va l’ajouter automatiquement, mais en anticipant cette action, vous allez certainement accĂ©lĂ©rer la vitesse de rĂ©ponse du serveur (qui aurait un impact pour les sites de taille importante).

6. Comment les cibles canoniques en 302 peuvent être détournées

Les redirections 302 sont donc des cibles canoniques adéquates. Oui je sais que je me répète ! Voici la partie intéressante pour le référencement : si les 302 sont OK à utiliser dans ce cadre, je pense à une méthode pour utiliser le tag « canonical » du lien à des fins d’optimisation du référencement sans avoir à améliorer énormément la structure de l’URL. Comment cela ? Voici un exemple théorique :

Prenons, un site qui présente une structure d’URL à améliorer (voir cet exemple ) pour le référencement et des raisons d’usabilité évidentes. Cependant, les développeurs sont dans le jus, la plateforme technique est branlante, il n’y a pas assez d’argent pour un budget référencement de qualité, ou simplement les modifications ne valent peut-être pas la peine.

Un référenceur arrive avec la proposition suivante :

1. Créer un tableau avec une version optimisée pour le référencement de chaque URL à améliorer.
2. Ajouter ces URLs amies des moteurs dans le code source avec le tag « rel=canonical »
3. Effectuer une redirection 302 depuis les URLs canoniques vers les URLs dégueulasses existantes sur le site.
4. Bingo! Des jolies URLs au sein des résultats de recherche

Le tag « canonical » agit comme une redirection 301 et met à jour les indicateurs dans les résultats de recherche (comme c’est le cas). Puis la cible canonique redirige vers une 302 qui ne force pas la mise à jour (comme c’est le cas). Alors la jolie (et pseudo) URL dans le lien cible canonique va rester comme indicateur dans les résultats de recherche, pendant que la non-pseudo URL bien dégoutante va agir en tant que page temporaire aux yeux des moteurs. Pigé ? Avouez que c’est intéressant (voir le graphique basique ci-dessous pour un visuel de ce concept).

Non, je n’ai pas planifié de mettre en œuvre ceci incessamment sous peu, mais je connais au moins un site majeur d’e-commerce qui agit de la sorte (certainement de manière involontaire) et ça fonctionne parfaitement depuis le mois de juin.

7. Ne pas interdire votre contenu dupliqué ( ?)

Google dit « s’il vous plait, n’utilisez pas la directive « Disallow : » dans le Robots.txt afin d’éradiquer le contenu dupliqué ». Le contenu qui n’est pas disponible pour Google ne peut donc pas être visité et le moteur de recherche n’aime pas du tout cela. La préférence semble aller vers « mettez tout en ligne » et laissez nous décider ce qu’il y a de mieux à faire. Chaque fois qu’un contenu n’est pas disponible au crawl, les moteurs perdent la faculté de faire ce choix décisionnaire.

Ma préférence personnelle est de garder le contrôle complet, mais je comprends également leur raisonnement et la raison qui pousse à promouvoir cette méthode.

8. L’indexation peut prendre longtemps pour des URLs « impopulaires »

Joachim a expliqué qu’indexer peut prendre du temps (comme mentionné précédemment), mais c’est encore plus vrai pour des URLs obscures et peu populaires. Il faut savoir que la phase d’indexation prend du temps, mais que le nettoyage des parties existantes de l’index prend encore plus de temps. Bien entendu, il existe des manières d’initier le crawl de Google (phase séparée de la mise à jour dans l’index), mais il est indéniable que les sites moins connus ne reçoivent pas la même attention que les bons gros sites populaires.

9. Support du lien canonique au travers de différents domaines

Google va bientôt accepter le tag « canonical » sur différents noms de domaine. C’est une grande nouvelle ! Yahoo ! et Bing ont annoncé qu’ils travaillent sur la base qui est de comprendre rel=canonical.

Les autres trucs supers Ă  SMX East

Il y avait énormément d’autres sessions extraordinaires comme David Mihm, Will Scott, Andrew Shotland, Mike Blumenthal et Mary Bowling qui ont traité des paramètres locaux liés au référencement. La régionalisation est un secteur vraiment excitant en ce moment pour les référenceurs. Cette équipe a proposé une session vraiment géniale. Tout cela m’a tellement motivé que je suis revenu avec l’intention de creuser encore plus au niveau « local ».

Article original (en anglais)

Remerciements : Taggle & Altiref

L’annonce d’une mise Ă  jour surnommĂ©e CafĂ©ine (Caffeine en anglais) provoque des remous plus ou moins justifiĂ©s, au travers de ceux qui s’intĂ©ressent Ă  Google et au rĂ©fĂ©rencement de site Internet.

Faut-il que ceux, qui possèdent des sites positionnés convenablement parmi les résultats de recherche Google,  redoutent la mise à jour Caféine?

Comme d’habitude, les pseudo analyses, suppositions et autres interprétations fleurissent au travers des blogs et forums à propos de la mise à jour Caféine. C’est comme cela que naissent les mythes du référencement, habilement alimentés par Google causé par un manque de transparence récurent.

Qu’est ce que Google CafĂ©ine?

Il était évident que certains allaient sortir des théories alimentant la pompe à mythes et secrets du référencement.
En guise d’avertissement, nous avons reçu une annonce officielle de Google, plusieurs interviews de Matt Cutts, ainsi qu’un post sur son blog se voulant rassurant. Sur le Web, la discussion est bien lancĂ©e sur blogs, forums, Twitter, etc.
Une URL mettait Ă  disposition l’accès Ă  un aperçu de l’index Google CafĂ©ine. Cet accès est fermĂ© depuis le 10 novembre 2009.

Interview de Matt Cutts Ă  propos de Google Caffeine

Propagation de la rumeur et mise en route d’un mythe

Au départ, Mashable sort une analyse que je qualifie de tout à fait superficielle. Le point subjectif concerne une soi-disant pondération supérieure des mots clés sur Google Caféine.

Un blogueur français orientĂ© rĂ©fĂ©rencement  reprend la teneur de l’analyse Mashable Ă  son propre compte (sans citer la source d’origine qui l’a inspirĂ©) et d’autres vont citer ce billet sur leurs blogs, Twitter et autres sources de partage de contenu. MĂŞme le Journal du Net met les pieds dans le plat sans savoir de quoi il s’agit vĂ©ritablement.

Le pire de tous est celui là qui part dans un délire total, voulant sciemment propager une peur parmi ses lecteurs.

Ce qu’il faut retenir Ă  propos de Google CafĂ©ine

Google CafĂ©ine est un nouvel index hĂ©bergĂ© par une nouvelle infrastructure qui repose sur le Google File System V. 2., dont la structure nous est connue depuis 2004.  La V.2 conçoit une Ă©volution majeure du Google File System, permettant d’amĂ©liorer l’indexation et la gestion des donnĂ©es.

Cela entraine principalement:

• Une amĂ©lioration de vitesse d’indexation
• Une plus grande fiabilitĂ© sur les rĂ©sultats de recherche
• Des moyens dĂ©cuplĂ©s en interne pour le travail des ingĂ©nieurs Google

Les observateurs du rĂ©fĂ©rencement ont tellement envie de croire que cette mise Ă  jour va provoquer des remous qu’ils brouillent plus ou moins volontairement la comprĂ©hension gĂ©nĂ©rale. MalgrĂ© les efforts Ă©vidents de l’inusable Matt Cutts pour signifier qu’il s’agit d’une Ă©volution d’infrastructure, certains font l’amalgame entre index et algorithme.
Bien entendu, la communication Google n’Ă©tant pas limpide, tout le monde peut croire qu’il rĂ©side un piège au tournant. Sans doute que l’annonce du recul de dĂ©ploiement global après les fĂŞtes Ă©voque les remous de Florida au sein de l’imaginaire collectif.

Encore une fois, Google Caféine permet à Google de reposer sur une infrastructure plus performante, avec l’algorithme n’étant pas la principale cible de cette mise à jour. Ainsi, le plus gros changement que nous allons observer concerne l’index qui sera rafraîchi.

Et l’algorithme dans tout ça ?

Le principe de fonctionnement de Google est un algorithme par couches. Il existe une formule de base sur laquelle sont posés des filtres qui concernent des paramètres en particulier et/ou certaines parties de l’index.

Comme expliqué précédemment, Google Caféine ne focalise pas sur l’algorithme. Un peu comme si vous changiez de voiture pour passer d’une Twingo à une Porsche, mais vous n’êtes pas devenu Sébastien Loeb par l’intermédiaire de ce changement du véhicule.

Bien sĂ»r, l’index et l’algorithme sont liĂ©s, donc j’imagine qu’il faut accorder le bouzin pour qu’il dĂ©pote Ă  merveille. Par ailleurs, il est facile de comprendre que ce n’est pas non plus le meilleur moment pour coller des filtres Ă  foison qui pourraient mettre Ă  mal cette merveilleuse nouvelle machinerie.

Les effets et conséquences de Google Caféine

Ma plus grande attente concerne l’indexation en temps rĂ©el. Jusque Ă  maintenant, Google Search est Ă  la ramasse et Google Images est un dĂ©sastre. EspĂ©rons que cette nouvelle infrastructure va permettre Ă  Google de pouvoir tacler l’indexation en temps rĂ©el convenablement.

Les Ă©ventuelles perturbations observĂ©es ressortent l’excuse passe partout qui sont les effets de bord. Quand on bidouille un index de cette taille, il est Ă©vident que certains effets inattendus apparaissent pour des cas isolĂ©s. Bien Ă©videmment, ceux qui verront leurs sites tomber vont faire un ramdam pas possible, mais ils reprĂ©senteront une portion microscopique du total de l’index.

Si l’algorithme Ă©tait concernĂ© par cette mise Ă  jour, cela amplifierait les effets de bords. Essayez de changer une virgule dans une formule mathĂ©matique pour voir un peu les consĂ©quences…

Une autre Ă©vidence du rafraichissement de l’index concerne l’affichage du nombre de rĂ©sultats qui Ă©tait notoirement farfelu. J’ose espĂ©rer qu’on pourra dĂ©sormais se fier avec plus d’exactitude aux chiffres Ă©noncĂ©s dans les rĂ©sultats de recherche.

La lutte contre le spam reste au coeur des besoins de Google. Une meilleure manipulation des donnĂ©es contenues dans l’index pourrait aider dans cette lutte pour totalement vaine (pour l’instant).

Le paramètre dont parlent ceux qui ont compris de quoi il s’agit porte sur la vitesse de chargement des sites, dont les plus lents pourraient ĂŞtre dĂ©favorisĂ©s. Ce nouvel index focalise sur la vitesse, donc il semble viable de demander aux pages affichĂ©es parmi les meilleurs rĂ©sultats de suivre cette tendance. Matt Cutts mis le doigt sur ce point dans une interview rĂ©cente, ainsi que SearchEngineLand qui abonde dans ce sens. Attention, il ne faut pas faire partir une nouvelle rumeur suggĂ©rant qu’un site qui se charge en plus de 4 secondes va perdre 30 positions. Ce paramètre est Ă  inclure parmi les +200 qui composent l’algorithme, nĂ©cessitant de jauger son importante relative par rapport aux autres.

A propos de la vitesse de chargement des pages Web, je reste perplexe car j’ai testĂ© la rapiditĂ© de mon site et le facteur le plus ralentissant est … Google Analytics – par le biais du code JavaScript installĂ© en bas de chaque page.

Comment faire une analyse convenable ?

Le reverse engineering à la petite semaine est une perte de temps. Tout d’abord, il faut bien comprendre que l’affichage des résultats de recherche n’est pas forcément une retranscription exacte de ce qui se trame dans l’index. Sans parler des chiffres farfelus affichés comme compteur des résultats, Il existe toute une série d’opérations depuis le moment où GoogleBot crawle une page Web jusqu’au moment où elle ressort sous divers opérateurs au sein des résultats de recherche. Nous disposons uniquement de la plus petite lucarne qui sont les résultats de recherche du moteur. Toute la machinerie en amont est invisible et inconnue.

Tirer des conclusions à partir d’un résultat de recherche pour déterminer ce qui se passe en amont est voué à présenter une pitoyable interprétation du fonctionnement de Google.

Parmi les mythes du rĂ©fĂ©rencement, il demeure un paramètre que j’ai toujours combattu avec force. Il s’agit de la densitĂ© des mots clĂ©s au sein d’une page. Il suffit de savoir dans les grandes lignes comment Google fonctionne pour se rendre compte que ce critères est totalement farfelu.

Pour analyser le comportement du moteur par rapport aux mots clés, il faudrait évaluer le nombre d’occurrences sur la page. Jusque là c’est facile ; il suffit de compter les mots cibles sans prendre en compte le nombre total de mots clés comme le fait le calcul de densité. Ensuite, il faut évaluer ces occurrences par rapport aux occurrences exactes sur le reste du site, puis par rapport aux co-occurrences similaires et complémentaires.

Ce n’est pas fini ! Maintenant, il faut prendre chaque partie de ces résultats pour les évaluer en fonction des pages Web concurrentes et le reste du site des pages concurrentes qui sont elles même analysées comme précédemment.
Ensuite, il faut remonter ces donnĂ©es pour tenter d’en sortir une règle de pondĂ©ration qui sera toujours Ă  prendre avec prĂ©caution car je rappelle que l’index n’est pas traitĂ© de manière identique sur sa totalitĂ©.

Et là on dispose d’un petit début de piste concernant la prise en compte des mots clés. Tout cela doit évidemment se répéter sur un nombre suffisant de mots clés pour une seule page, plusieurs pages du même site, plusieurs sites sur la même requête, un seul site sur plusieurs requêtes, plusieurs sites sur plusieurs requêtes, etc.

Ainsi, je peux sereinement réfuter les résultats de Mashable, ainsi que tous les autres qui se sont inspirés de cette analyse bidon.

Si je comprends bien, je n’ai rien à craindre pour mon site ?

Pour la vaste majorité des sites Internet, il n’y aura pas ou très peu de changement. Ceux qui seront touchés seront sûrement affectés par un effet temporaire qui sera dégagé sans rien modifier sur le site. Malheureusement, c’est frustrant et je connais personnellement le phénomène.

Dans tous les cas, il ne faudra pas regarder du côté d’une éventuelle pénalité algorithmique, mais plutôt par rapport aux paramètres liés à l’indexation.

On verra bien en janvier lorsque Google CafĂ©ine sera dĂ©ployĂ© sur tous les DataCenters du moteur de recherche, mais je peux logiquement m’avancer en rejetant en bloc tous ceux qui font l’amalgame entre index et algorithme.

Comme de nombreux autres référenceurs, j’ai fait un bond lorsque Matt Cutts a clamé que l’interdiction de crawl par archives.org remontait une alerte rouge pour forte probabilité de spam par Google. Ce détail ajoute à une perspective plus grande qui concerne la manière dont Google combat le spam et son dictat qui commence sérieusement à nous chauffer les oreilles.

L’incident Archive.org durant PubCon

Pour ceux qui ne connaissent pas Archive.org, il enregistre les versions d’un site au travers du temps. Les spammeurs ne souhaitent pas y figurer puisque ça pourrait afficher les saloperies qu’ils font bouffer aux moteurs de recherche et aux internautes.

D’un autre côté, il existe une multitude de raisons légitimes pour bloquer Archive.org :

• Protection de mes donnĂ©es car Archive.org est tout simplement un voleur de contenu.
• Ne pas montrer des versions prĂ©cĂ©dentes du site car il est parfois embarrassant de voir Ă  quoi ressemblait un site Ă  ses dĂ©buts ou tout simplement parce que le site est en dĂ©veloppement.
• Si je change la thĂ©matique d’un site rattachĂ© Ă  un nom de domaine, il est souhaitable que l’historique ne remonte pas (j’ai personnellement le cas actuellement)

En lire plus à propos de l’incident PubCon chez

• SEO Theory (bonne explication sur les mythes Google et son dictat)
• Pink SEO (focalise sur le blocage Archive.org)
• SEOMoz couverture PubCon
• Seroundtable  Organice Focus (contient l’intervention de Matt Cutts) et couverture Live de PubCon

L’impuissance de Google devant le spam

Depuis le temps que je’observe Matt Cutts, alors qu’il Ă©tait encore GoogleGuy, j’ai appris Ă  lire entre les lignes de ses propos. En effet, ce n’est pas ce qu’il dit qui importe le plus souvent car c’est d’une banalitĂ© affligeante, mais plutĂ´t comment il le dit et ce qu’il ne dit pas. En gros, il y a deux solutions :

• Matt Cutts n’y connaĂ®t pas grand chose
• Matt Cutts cache bien son jeu

Le nofollow : aveu d’impuissance

Aujourd’hui, ça devient assez lourd de subir le dictat de ce moteur de recherche. L’exemple le plus dĂ©sastreux concerne le nofollow qui a tout simplement bousillĂ© le rĂ©fĂ©rencement organique. Vous pouvez crĂ©er le meilleur contenu du monde, mais il ne sera pas plus liĂ© comme avant puisqu’il n’y a plus un transfert de popularitĂ© adĂ©quat. En d’autres termes, un internaute va citer spontanĂ©ment votre page Web au sein d’une conversation de forum, blog ou rĂ©seau social, mais ce lien ne vaudra rien au niveau de la popularitĂ©, principalement alliĂ©e au PageRank (sans parler de Twitter qui a achevĂ© d’enterrer le backlink). La capote du Web ou attribut nofollow est dĂ©sormais partout et surtout lĂ  oĂą il ne faut pas. Par exemple, Ă  la suite d’un concours de rĂ©fĂ©rencement au cours duquel les participants venaient poser leurs liens sur une poignĂ©e de pages Wikipedia, c’est l’encyclopĂ©die en ligne complète qui s’est Ă©quipĂ©e de liens sortants nofollowisĂ©s. Autre exemple qui m’agace est le fabuleux script de blogging WordPress configurant par dĂ©faut les liens dans les commentaires en nofollow. Et on pourrait citer tant d’autres exemples où  le nofollow est prĂ©sent, alors qu’il est possible de maĂ®triser le contenu d’une autre manière. Pour rappel, les sites qui utilisent le nofollow prouvent leur incapacitĂ© Ă  maĂ®triser leur propre contenu. Celui qui n’est pas capable de trier les commentaires de son blog doit fermer les commentaires ou arrĂŞter de bloguer. Ce n’est pas la peine d’imposer un nofollow quand on gère les commentaires ou alors c’est par radinerie du Link Juice et c’est encore plus dĂ©testable.

En juin 2009, Google a avouĂ© son impuissance et son erreur sur le sujet du nofollow par le biais de l’annonce par Matt Cutts Ă  propos de la pseudo fin du PageRank Sculpting. Ils ont lâchĂ© le nofollow sur le Web pour qu’un retour de bâton ne se fasse pas attendre. Maintenant, il est trop tard car cette verrue est trop rĂ©pandue.

OĂą en est le combat de Google contre le spam ?

Le problème à propos du blocage de Archive.org par le biais du robots.txt peut paraître anodin à certains, mais c’est en lisant entre les lignes qu’on remarque toute la portée de cet incident.

DĂ©sormais, tout porte Ă  croire que Google ne maĂ®trise absolument pas le sujet du combat contre le spam. La manière dont Matt Cutts a rĂ©agit Ă  propos de ce paramètre lors de PubCon ne suggère pas ou ne n’implique pas, mais plutĂ´t dĂ©montre directement que ce paramètre amène immĂ©diatement le site dans une zone peu enviable. Ce n’est pas un paramètre d’alerte parmi tant d’autres, mais bien une alerte majeure qui va Ă©veiller les plus gros soupçons. Quand Matt Cutts dit « it’s a huge Red Flag » (c’est une Ă©norme alerte rouge), il faut bien comprendre qu’il s’agit d’un paramètre majeur, nĂ©cessitant de lire entre les lignes. J’en dĂ©duis que  c’est Ă  ce niveau de dĂ©tection que Google stagne pour dĂ©clencher des alertes majeures. La console de Matt Cutts n’est finalement peut-ĂŞtre pas si impressionnante que ça?

Un peu plus tard, Matt Cutts a tentĂ© de dĂ©douaner son intervention via Twitter en expliquant que c’est dans le cadre oĂą un site est suspectĂ© qu’il va remarquer le blocage archive.org. Sauf que ce n’est pas du tout ce qui s’est passĂ© lors de PubCon. Je ne crois pas une seconde que l’analyse aussi facile d’un tel paramètre est impliquĂ©e dans un deuxième niveau de vĂ©rification. MĂŞme si c’est le cas, le problème reste identique par rapport Ă  l’opacitĂ© de Google.

Pourquoi c’est grave ?

C’est grave car (en partant du principe que je n’ai rien à me reprocher), il est évident que je n’ai pas du tout envie que Google vienne fouiner sur mon site pour trouver quelque chose qui ne va pas. C’est exactement comme le principe de la Garde à Vue où je peux être séquestré simplement parce que je suis témoin d’un crime. Voilà un sentiment malsain d’impuissance contre une suspicion injuste. Il y a aucun dialogue possible avec Google, mis à part lorsque le mal est déjà fait avec le site blacklisté c.a.d sorti de l’index. C’est alors qu’il faut passer par la fameuse Reinclusion Request et attendre vaillamment une réponse automatique, puis insister lourdement pour enfin enchaîner sur un dialogue de sourds. Pour peu que vous soyez effectivement coupables d’effraction envers les Webmaster Guidelines, le processus peut s’avérer très long.

Ainsi, il est demandĂ© de suivre des règles inconnues, sachant que des paramètres flous peuvent dĂ©clencher une suspicion, alors que l’intention première n’était pas forcĂ©ment de spammer. Nous sommes accusĂ©s par dĂ©faut d’être ignorant de règles qui nous sont inconnues. Car si vous reposez votre stratĂ©gie sur les Google Webmaster Guidelines, il apparaĂ®t que tous les paramètres Ă  respecter n’y figurent pas. En tout cas, je vois Archive.org nulle part. Étonnant de remarquer son absence pour un Ă©norme paramètre d’après Matt Cutts.

Dans le cadre d’un site pĂ©nalisĂ©; c’est Ă  dire relĂ©guĂ© au fin fond de l’index, mais pas exclu, vous pouvez toujours vous atteler Ă  contacter Google afin d’obtenir une explication. Pourtant, j’ai vu des sites pĂ©nalisĂ©s pendant plus d’un an pour qu’ils remontent miraculeusement sans avoir effectuĂ© de modifications majeures et surtout sans avoir compris d’oĂą venait la pĂ©nalitĂ©. J’ai encore une exemple personnel oĂą le site que j’ai vendu est tombĂ© trois semaines après le transfert pour remonter dix mois plus tard. Impossible de savoir pourquoi le site est tombĂ© et encore moins pourquoi le site est remontĂ©. Pendant ce temps, le chiffre d’affaire est tombĂ© Ă  zĂ©ro…

Les mythes Ă  propos du rĂ©fĂ©rencement Google sont trop nombreux et flous pour que j’en parle sur ce billet, mais la vaste majoritĂ© des webmasters ne savent absolument pas Ă  quoi s’en tenir sur de nombreux sujets. Par exemple: contenu dupliquĂ©, intĂ©rĂŞt du pagerank, notion du trustrank, regoupement d’IPs, redirections, etc.

Nous sommes des idiots pataugeant au milieu d’un moteur idiot

Maintenant, j’arrive au cĹ“ur de mon propos qui reprend cet exemple du blocage de Archive.org dans le Robots.txt. Nous apprenons par le biais d’une couverture en direct de la confĂ©rence PubCon qu’il est totalement dĂ©conseillĂ© d’opĂ©rer une interdiction de crawl d’Archive.org. Il faut vraiment le vouloir pour ĂŞtre au courant de cette information. A la limite, on s’en fout complètement de archive.org qui n’a d’intĂ©rĂŞt que parce que Matt Cutts vient d’en parler, mais ça dĂ©montre comment les règles de Google sont bien trop opaques pour qu’on puisse travailler sereinement.

Il est scandaleux de laisser les responsables de sites Web dans l’ignorance totale. Comme je disais dans mon billet précédent, nous jouons au poker sans connaître les règles qui sont modifiées sans nous avertir. Ou alors Google nous averti, mais ne dit pas exactement de quoi il en retourne (par exemple avec la mise à jour Caféine ).
Mon travail consiste Ă  auditer des sites Internet pour optimiser le rĂ©fĂ©rencement. J’observe donc tous les jours des problèmes qui pourraient s’apparenter Ă  de la triche, mais qui ne sont absolument mis en place afin de vouloir biaiser les moteurs.

Sans parler de l’opacité du programme Adsense ou Adwords dans lequel il est tout de même question de sous –de gros sous- et sur lesquels nous disposons d’une compréhension très limitée.

Tout cela m’amène à la simple conclusion que Google et Matt Cutts en particulier pataugent totalement dans la choucroute à propos du combat contre le spam.  Il suffit de s’intéresser au référencement Black Hat pour observer que les nouvelles bidouilles sont ingénieuses, mais elles reposent sur des bases anciennes. Bien sûr, les principes restent identiques : générer et cacher du contenu, acquérir des liens, faire descendre les concurrents. Par contre, les bidouilles évoluent plutôt par rapport au progrès technique que par rapport aux éventuels filtres qui pourraient entraver la route d’un site Black Hat.
Pour parler simplement et clairement: Google ne fait pas peur aux spammeurs et c’est bien là le fond du problème.

Ainsi, malgré le fait que Matt Cutts semble être une personne très sympathique, il est fort possible qu’au final, il capte beaucoup moins qu’on le pense, éludant l’option qu’il cache habilement son jeu.

Google nous prend pour des idiots, tout en avouant qu’il est idiot. Sauf qu’il impose des paramètres qui sortent de sa juridiction. Sa pseudo communication est un affront plutôt qu’un progrès.

Vaut mieux rire

Pour finir, observez dans la vidéo suivante, la manière dont Eric Schmidt, CEO de Google, répond au journaliste à la question : « comment je sais que Google enlève le contenu que je souhaite ? ». Il répond « parce qu’on vous dit qu’on le fait », puis grand éclat de rire.
En plus, montrez moi comment on enlève une information Ă  mon sujet qui me dĂ©plait. Non seulement il ment, mais en plus il se moque de nous. Ou alors, lui non plus ne sait pas de quoi il parle…

Avertissement aux incrédules

Pour ceux qui ne trouvent rien à redire sur les agissements de Google, n’oubliez pas que cette compagnie est en train de dominer la planète. Ne pas laisser faire n’importe quoi est notre devoir. C’est encore plus indispensable quand mes revenus dépendent directement de ce moteur de recherche. Nous avons trop peu de moyens pour surveiller Google car c’est une société privée, mais laisser le monde à la merci d’une telle entité est dangereux.

Note : je suis désolé si ce billet est un peu désorganisé, mais il est possible d’écrire un épais livre sur ce sujet. Ayant juste posé mes pensées en vrac, j’ai beaucoup raccourci à la relecture, mais je n’ai pas trouvé comment mieux l’organiser.

Cette nouvelle notion s’Ă©loigne encore plus du mythe vĂ©hiculĂ© sur Internet Ă  propos d’un TrustRank pour les sites de confiance. Soudain, nous sommes en face de la rĂ©alitĂ© d’un PersonRank qui Ă©value le profil d’un utilisateur et prend en compte ses annotations Ă  propos des pages Web.

C’est en lisant l’article de l’excellent Bill Slawski que je prends connaissance de ce nouveau dĂ©veloppement, mais tout d’abord un bref Ă©tat des lieux s’impose pour poser des bases saines Ă  propos du TrustRank.

Comme j’expliquais il y a peu dans mon article sur le mythe du TrustRank, la plupart des gens font rĂ©fĂ©rence Ă  cette notion par rapport Ă  une Ă©tude qui n’a rien Ă  voir avec Google puisqu’elle est associĂ©e avec Yahoo!. Par ailleurs, Matt Cutts confirmait que le TrustRank Ă©tait seulement un filtre antiphising qui n’était pas liĂ© Ă  l’étude en question. Explication par l’intĂ©ressĂ© dans la vidĂ©o suivante.

Abandon de la marque TrustRank

Le 29 fĂ©vrier 2009, Google abandonne le dĂ©pĂ´t de marque TrustRank comme dĂ©montre l’aperçu de gauche, mais un dĂ©pĂ´t de brevet au 13 octobre 2009 indique une Ă©volution intĂ©ressante pour la recherche d’information, tout en s’Ă©loignant encore plus du mythe qui reste bien profondĂ©ment marquĂ© chez les webmasters et rĂ©fĂ©renceurs.

Google met au point un système innovant de classement des pages qui prend en compte les annotations des utilisateurs en tant que vote de confiance. Bien entendu, on pense tout de suite Ă  SideWiki qui vient d’être lancĂ© et qui permet effectivement de poser des commentaires Ă  propos d’une page Web. Ce qui est intriguant est qu’il n’y a pas de rĂ©fĂ©rence Ă  Sidewiki dans le brevet dĂ©posĂ© par Google, mais par contre Slawski note une ressemblance avec l’étude Ă©laborĂ©e par l’ingĂ©nieur Google, Ramanathan Guha, alors qu’il Ă©tait chez IBM. Puisque c »est Guah qui a dĂ©posĂ© le brevet au nom de Google, il est clair que son travail actuel est une prolongation du travail effectuĂ© chez IBM dont l’Ă©tude en question peut nous indiquer des pistes pour mieux comprendre ce qui se trame chez Google.

Le brevet du Trust Rank

Search result ranking based on trust
Invented by Ramanathan Guha
Assigned to Google
US Patent 7,603,350
Granted October 13, 2009
Filed: May 9, 2006

L’extrait du brevet se traduit comme suit :

Un moteur de recherche procure des résultats qui sont classés en fonction d’une mesure de confiance associée avec des entités présentées sous forme de notes au sein des résultats de recherche. Un moteur de recherche reçoit une requête et sélectionne les documents pertinents pour cette requête.
Le moteur de recherche détermine également les notes associées avec les documents sélectionnés, ainsi que les niveaux de confiance des entités qui procurent les notes. Les niveaux de confiance sont utilisés pour déterminer le facteur de confiance des documents respectifs. Les facteurs de confiance sont également utilisés pour ajuster le score de récupération de l’information des documents. Les résultats de recherche sont ainsi classés sur la base d’information du score ajusté.

C’est donc la notion de pertinence des notes posĂ©es par des utilisateurs qualifiĂ©s qui ressort. Le challenge consiste Ă  rĂ©cupĂ©rer et analyser ces notes, mais surtout de cerner qui sont les utilisateurs dont les commentaires portent un certain poids.

Au-delà de SideWiki, il est possible d’annoter des pages lorsque nous sommes connectés à notre compte Google, ainsi que les discussions Google Wave, mais il existe également de nombreux supports possibles pour dénicher des notes d’utilisateurs. Pour cela, il faut que Google sorte de son carcan pour explorer les commentaires de blogs, discussions Wiki, etc.

Mais d’abord, il faut s’attacher Ă  savoir comment cerner le profil d’un internaute…

Évaluer l’utilisateur humain, le PersonRank

Recentrer le classement des rĂ©sultats de recherche autour de l’utilisateur a toujours Ă©tĂ© quelque chose que je dĂ©fends. Selon moi, Google n’a pas attendu ce brevet pour Ă©valuer le profil d’un utilisateur et s’en servir pour mieux classer les pages. L’élĂ©ment clef pour agir de la sorte est la Google Toolbar qui dĂ©termine facilement un profil d’internaute puisqu’elle analyse la navigation et l’utilisation des pages Web. Maintenant, grâce Ă  d’autres supports comme SideWiki et Google Wave, le moteur de recherche dispose en interne de puissants outils pour Ă©valuer encore plus prĂ©cisĂ©ment le profil d’un internaute.
Ainsi, pendant que les webmasters focalisaient sur le PageRank, vote d’une page Web vers une autre, Google travaillait pour recentrer sa manière de classement sur le vote de l’internaute. C’est d’ailleurs assez fascinant d’observer les implications du partenariat avec Twitter, notamment pour mieux cerner le Web sémantique.

La prochaine rumeur qui va parcourir le milieu du rĂ©fĂ©rencement sera le PersonRank. Vous voulez qu’on lance un buzz ?

Halte au mythe du TrustRank. Vive le nouveau mythe du PersonRank

La légende urbaine du TrustRank semble bien établie au sein de la communauté du référencement et au-delà. Pour les croyants en ce mythe, Google applique un classement en fonction du niveau d’autorité du site et conséquemment sur le vote qu’il va envoyer au travers d’un lien (backlink). Cette notion existe évidemment dans l’algo, mais ce n’est pas du tout lié au TrustRank comme expliqué précédemment et ce nouveau développement nous éloigne encore plus de ce fantasme à moitié abouti.
Il existe bien un Trust Rank ou classement de confiance, mais il est centrĂ© autour de l’internaute ( PersonRank ), plutĂ´t que sur les sites Web. C’est d’ailleurs logique puisque Google est toujours aussi incapable de combattre efficacement le spam. Se tourner vers la pertinence du vote humain est bien plus fiable que laisser l’algorithme s’embourber avec ce classement des pages Web qui reste perfectible.

Je ne crois pas que Google trafique manuellement les rĂ©sultats de recherche. Les suspicions liĂ©es Ă  un dĂ©classement des rĂ©sultats naturels après avoir arrĂŞtĂ© de payer des liens sponsorisĂ©s Adwords ne tient pas debout et n’a jamais Ă©tĂ© formellement prouvĂ©. Mis Ă  part le blacklistage d’un site qui est effectuĂ© manuellement, c’est bien sur une base d’algorithmes par couches que le moteur fonctionne. La subtilitĂ© actuelle consiste Ă  rĂ©cupĂ©rer un Ă©lĂ©ment humain (vote de confiance) pour l’intĂ©grer dans ce classement automatique.
Google souhaite rendre ses rĂ©sultats de recherche meilleurs grâce au vote de confiance par l’utilisateur qualifiĂ©. Nous entrons dans l’ère du Social Media Optimization (SMO) avec un enjeu majeur pour les sociĂ©tĂ©s qui peinent vĂ©ritablement Ă  trouver la manière de pĂ©nĂ©trer le Web communautaire. Seulement, le partenariat annoncĂ© avec Twitter marque Ă©videmment une dĂ©marche dans ce sens, mais je ne sais pas si l’outil de micro-blogging est vraiment le bon choix pour amĂ©liorer la pertinence.

Pour terminer, certains sont outrĂ©s de ma rĂ©action par rapport au rejet de Google Wave, mais il faut comprendre que je sais depuis longtemps que Google a enregistrĂ© mon profil en tant qu’utilisateur et certainement aussi en tant que rĂ©fĂ©renceur. On joue sur une tendance dangereuse car je suis jugĂ© par un moteur de recherche et toute ma vie en ligne peut ĂŞtre impactĂ©e par cette Ă©valuation. Chaque outil Google que j’utilise entre des donnĂ©es sur mon profil et il n’y a pas besoin d’être paranoĂŻaque pour comprendre que c’est un sentiment extrĂŞmement dĂ©sagrĂ©able d’avoir un PersonRank, surtout qu’il est impossible d’y Ă©chapper. Il ne faut pas oublier que le rĂŞve de Larry Page, fondateur de Google, est d’implanter une puce dans notre cerveau qui permettrait de penser Ă  une requĂŞte et d’obtenir instantanĂ©ment la rĂ©ponse sur son mobile. Depuis que Page a Ă©mis cette idĂ©e, les ingĂ©nieurs Google ont entendu le message, mais bien extrapolĂ©!