ПРОГНОЗУВАННЯ ЕФЕКТИВНОСТІ ПОШУКОВОЇ ОПТИМІЗАЦІЇ ІЗ ВИКОРИСТАННЯМ SVM: ДАНІ, МОДЕЛЮВАННЯ ТА ВАЛІДАЦІЯ

А. О. Онищенко; Б. П. Бочаров; О. Б. Костенко

doi:10.32782/2521-6643-2026-1-71.11

А. О. Онищенко Харківський національний університет міського господарства імені О. М. Бекетова https://orcid.org/0009-0005-6721-5350
Б. П. Бочаров Харківський національний університет міського господарства імені О. М. Бекетова https://orcid.org/0000-0002-5324-6851
О. Б. Костенко Харківський національний університет міського господарства імені О. М. Бекетова https://orcid.org/0000-0001-9744-4377

DOI: https://doi.org/10.32782/2521-6643-2026-1-71.11

Ключові слова: пошукова оптимізація, машинне навчання, SVM, ключові слова, зворотні посилання, ранжування, веб-аналітика.

Анотація

Розроблено фреймворк для прогнозування ефективності втручань у пошукову оптимізацію (SEO) із використанням контрольованого машинного навчання на основі методів опорних векторів (SVM). Досліджено багатоджерельний набір даних, що охоплює внутрішні сигнали сторінки (контент, метадані, структуровані дані), зовнішні сигнали (авторитет зворотних посилань, розподіл анкорів та вагів) та технічну продуктивність (Core Web Vitals, індексація). Встановлено суворий протокол оцінювання на основі стратифікованої к-кратної крос-валідації, відкладеної вибірки та порівняння з базовими моделями (регуляризована логістична регресія), із підбором гіперпараметрів методом перебору сітки. Виявлено стабільні предиктори SEO-ефекту для різнорідних сайтів і галузей. З’ясовано, що поєднання високої якості контенту, семантично узгодженого таргетингу ключових слів, авторитетного профілю зворотних посилань і належного технічного стану вебсторінок забезпечує найвищу імовірність вимірюваних підвищення пошукових позицій, органічний трафік та високі конверсії. Установлено, що комбінація On-page оптимізації зі сталим залученням високоякісних посилань перевершує одноканальні стратегії, тоді як недостатня технічна продуктивність обмежує віддачу навіть за наявності сильних контентних або зовнішніх сигналів. Досліджено, що SVM із RBF-ядром досягає конкурентної точності та показників precision–recall порівняно з базовими підходами, демонструючи кращу стійкість за умов дисбалансу класів і зсувів розподілу. Запропоновано робочий процес підтримки прийняття рішень, що пріоритезує дії з найбільшим впливом в умовах невизначеності, кількісно оцінює очікувані виграші з довірчими інтервалами та надає пояснення на рівні ознак для підтримки зацікавлених сторін. Удосконалено напрями подальших досліджень, які охоплюють каузальну ідентифікацію (наприклад, «ступінчасті» запуски та синтетичні контролі), стандартизоване звітування про SEO-втручання та відкриті репозитарії розмірів ефекту для підвищення відтворюваності й зовнішньої валідності.

Посилання

1. Saura J. R. Using Data Sciences in Digital Marketing: Framework, methods, and performance metrics. Journal of Innovation & Knowledge, 2021. 6(2), 92–102. https://doi.org/10.1016/j.jik.2020.08.001
2. Salminen J., Marttila R., Corporan J., Salenius T., Jansen B. J. Using Machine Learning to Predict Ranking of Webpages in the Gift Industry: Factors for Search-Engine Optimization. Proceedings of the 9th International Conference on Information Systems and Technologies (ICIST 2019), 2019. 1–8. https://doi.org/10.1145/3361570.3361578
3. Matošević G., Dobša J., Mladenić D. Using Machine Learning for Web Page Classification in Search Engine Optimization. Future Internet, 2021. 13(1), 9. https://doi.org/10.3390/fi13010009
4. Roumeliotis K. I., Tselikas N. D. A Machine Learning Python-Based Search Engine Optimization Audit Software. Informatics, 2023. 10(3), 68. https://doi.org/10.3390/informatics10030068
5. Macumber R., Eswar Pagadala V. D. Google, SEO and helpful content: How artificial intelligence can be helpful for e-commerce websites. Journal of Digital & Social Media Marketing, 2024. 12(3), 206–226. https://doi.org/10.69554/RJUW9313
6. Saeed Z., Aslam F., Ghafoor A., Umair M., Razzak I. Exploring the impact of SEO-based ranking factors for voice queries through machine learning. Artificial Intelligence Review, 2024. 57, 144. https://doi.org/10.1007/ s10462-024-10780-9
7. Alotaibi S., Alotaibi B. A review of click-through rate prediction using deep learning. Electronics, 2025. 14(18), 3734. https://doi.org/10.3390/electronics14183734
8. Santiago, M., Febiansyah, H., & Dinarwati, D. (2024). Integrating Machine Learning with Web Intelligence for Predictive Search and Recommendations. International Transactions on Artificial Intelligence, 3(1), 44–53. https://doi.org/10.33050/italic.v3i1.654
9. Vinutha M. S., Padma, M. C. Insights into Search Engine Optimization using Natural Language Processing and Machine Learning. International Journal of Advanced Computer Science and Applications, 2023. 14(2). URL: https://thesai.org/Downloads/Volume14No2/Paper_11-Insights_into_Search_Engine_Optimization.pdf
10. “Feature Selection using Machine Learning Techniques Based on a Case Study” (2020). ACM Proceedings. https://doi.org/10.1145/3432291.3432308
11. Aman, S. S. (2024). Search engine Performance optimization: methods and techniques. PMC Open Access. URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC11157186/