Научная статья

Original article

УДК 332.6

doi: 10.55186/2413046X_2022_7_1_20

ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ SEO-ОПТИМИЗАЦИИ САЙТОВ СТРОИТЕЛЬНЫХ КОМПАНИЙ В УЛУЧШЕНИЯ ИХ ПОЗИЦИЙ В ПОИСКОВОЙ ВЫДАЧЕ GOOGLE

THEORETICAL ASPECTS OF SEO-OPTIMIZATION OF THE SITES OF CONSTRUCTION COMPANIES IN IMPROVING THEIR POSITIONS IN GOOGLE SERP 

Назаров Дмитрий Михайлович, д.э.н., доцент, заведующий кафедрой бизнес-информатики, Уральский государственный экономический университет, e-mail: slup2005@mail.ru

Джураева Адолат, доктор экономических наук, профессор, Таджикский государственный национальный университет, Таджикистан

Nazarov Dmitry, Doctor of Economics, Head of the Department of Business Informatics, Ural State University of Economics, e-mail: slup2005@mail.ru

Juraeva Adolat, Doctor of Economics, Professor, Tajik State National University, Tajikistan

Аннотация. Одним из инструментов улучшения бизнеса строительных компаний в современных условиях является наличие и эффективное использование сайта, который содержит не только качественный контент, но и позволяет привлекать посетителей (потенциальных клиентов) по определенным запросам. В статье рассмотрены теоретические аспекты, связанные с историей обновления алгоритмов ранжирования сайтов в поисковой выдаче Google и сформулированы основные положения по продвижению и seo-оптимизации сайтов строительных компаний. 

Abstract. One of the tools to improve the business of construction companies in modern conditions is the availability and effective use of a site that contains not only high-quality content, but also allows you to attract visitors (potential customers) for certain requests. The article discusses the theoretical aspects related to the history of updating site ranking algorithms in Google search results and formulates the main provisions for the promotion and seo-optimization of construction company sites. 

Ключевые слова: ранжирование, алгоритмы, Google, seo-оптимизация, анализ сайтов

Keywords: ranking, algorithms, Google, seo-optimization, site analysis 

Введение

Строительный бизнес несет в себе огромный потенциал, способный приносить устойчивый доход даже во время кризиса, вызванного пандемией COVID-19. В условиях цифровизации экономики количество сайтов компаний, работающих на рынке строительства жилья растет с каждым годом, как в нашей стране, так и за рубежом. На данный момент сайт является не только один из самых эффективных источников информации для потенциальных потребителей, но и также наиболее популярный способ предоставления сервисного обслуживания. Современная строительная индустрия в условиях цифровой экономики не может существовать без интернет-технологий, обеспечивающих привлечение и удержание клиентов.

Но для того, чтобы сайт строительной компании начал приносить прибыль, необходимо использовать средства поисковой оптимизации для улучшения позиций сайта в результатах выдачи поисковых систем, увеличения сетевого трафика и, в конечном итоге, привлечения потенциальных клиентов. В практике продвижения в сети интернет существует такая закономерность: чем выше позиция сайта в результатах поисковой выдачи, тем больше потенциальных клиентов привлекает Интернет-ресурс. Поисковые серверы, используя уникальные алгоритмы рассчитывают рейтинг Интернет-ресурсов и в соответствии с этим формируют последовательность поисковой выдачи. Проблема определения рейтинга сайта в поисковой выдаче является основной проблемой, связанной с успешным продвижением сайта в сети интернет. Целью этого исследования является анализ алгоритмов ранжирования поисковой системы Google и разработка рекомендаций по продвижению сайтов строительных компаний.

Процесс ранжирования информации в выдаче поисковой системы

Рассмотрим общие принципы и алгоритм работы поисковых систем. Условно этот алгоритм можно разбить на несколько шагов:

Шаг 1.   Сбор данных со страниц сайтов в сети Интернет. На этом шаге работу осуществляет поисковый робот или crowler, который производит перебор страниц во всемирной паутине и считывает с них данные, упорядочивая их специальным образом и сохраняя в базе данных. Работа этой программы реализуется по специальному расписанию. Чем «лучше» контент сайта с точки зрения поисковой системы, тем чаще робот посещает страницы этого сайта и обновляет информацию в базе данных. Владелец сайта может управлять действиями робота и задавать правила доступа к информации на сайте с помощью команд, которые записываются в файле robots.txt.

Шаг 2. Индексация сайтов. После проверки сайта поисковым роботом, начинается процесс индексации, который включает в себя создание инвертированного индекса для каждой страницы. Под индексом понимают все страницы, которые прошли процесс индексации. Процесс индексации является системообразующим, именно после него сайт появляется в основной выдаче поисковой системы, и пользователь может на него попасть, используя ключевые слова в запросах к поисковой системе.

Шаг 3. Поиск по запросу. Этот шаг реализуется пользователем поисковой системы, который желает найти какую-либо информацию. Поисковый сервис анализирует запрос, введенный пользователем, разбивает его на ключевые слова, далее определяется значимость и каждого ключевого слова, вычисляются веса и степень схожести контента из индекса ключевым словам запроса. В итоге, сайты в поисковой выдаче получают определенный рейтинг.

Шаг 4.   Ранжирование результатов. После того, как сайтам была присвоена определенная степень значимости по объективным критериям, связанным с контентом начинается процесс ранжирования с целью отображения наиболее полезных для пользователя ресурсов в порядке уменьшения значимости. Ранжирование сайта в поисковой выдаче важнейший процесс, который реализуется с помощью определенной математической модели и алгоритма. Эта модель и алгоритм основаны на учете взаимосвязи нескольких сотен различных факторов, которые можно разделить внешние и внутренние факторы. К внешним факторам относят возраст сайта, степень доверия поисковой системы сайту, количество входящих ссылок и их качество, поведенческие факторы, такие как процент возвращений на сайт после первого визита; количество просматриваемых страниц; длительность визитов; активные действия посетителя на сайте.  Под внутренними факторами ранжирования понимается соответствие внутреннего содержимого сайта к требованиям поисковых систем. В частности, к внутренним факторам, влияющим на ранжирование сайта в поисковой выдаче относят текстовое содержание страницы, графическое содержание страницы, структуру сайта, удобство навигации, мета-теги, ключевые слова и их последовательность.

Алгоритмы, который учитывают все внутренние и внешние факторы ранжирования являются интеллектуальной собственностью компании, которая владеет поисковой системой и поэтому информация об особенностях их работы строго конфиденциальна [7].

Анализ алгоритмов ранжирования информации в поисковой системе Google

Система Google является основным средством поиска необходимых пользователю ресурсов. Именно эта поисковая система позволяет оперативно найти требуемый сайт с необходимой информацией и, очевидно, очень тщательно следит за совершенствованием алгоритмов ранжирования сайтов в поисковой выдаче. Эти алгоритмы периодически меняются, и система Google так или иначе информирует веб-мастеров о изменениях основных критериев ранжирования сайтов.  

Рассмотрим основные обновления Google, которые были осуществлены, начиная с 2002 года.

Первое обновление было реализовано 01.09.2002 года. Оно было связано с обновлениями баз данных – индекса Google и после этого обновления стали довольно частыми. Они получают прозвище от профессионалов «Танец Гугла» («Google Dance»). В 2003 году обновления Бостон, Фриц, Кассандра, Флорида и др. Все эти обновления были направлены на борьбу с некачественным контентом сайтов. В частности, обновление Флорида серьезно повлияло на качество выдачи и сформировало новую индустрию — SEO-продвижение.

Обновление Бренди от 01.02.2004 связано с появлением латентно-семантического индексирования (LSI). Благодаря этому алгоритму Google начал понимать синонимы и околотематические слова.  

2005-й год был связан с обновлениями Jagger и Google local , которые были направлены против использования спамных ссылок (nofollow-ссылки) и локализации поиска на основе представления информации о местном бизнесе, а также на формирование выдачи на основе интересов и предпочтений пользователя поискового сервиса.

В 2007-й год был реализован универсальный поиск на основе объединения новостей, видео, карт, изображений и т. п., котрые стали интегрироваться в поисковую выдачу.

В августе 2008 года были реализованы поисковые подсказки Google Suggest для упрощения поиска и расширения семантического ядра сайта

В 2009 году была реализована поддержка атрибута rel=»canonical», который решает проблему дублирования страниц на сайте и получения актуальной информации из различных типов источников, вкючая социальные сети в режиме real-time.

Обновление Кофеин от 01.06.2010 содержало принципиально новую система индексации, которая подразумевала одновременную реализацию действий робота по обходу страниц и размещение этих страниц в базе данных. Практика показала, что это обновление увеличило «свежесть» индекса на 50 %.

Алгоритм «Панда» был анонсирован 23.02.2011 и обновлялся ежемесячно до 2013 года. Действия этого алгоритма были направлены на борьбу с некачественными страницами с низкопробным «информационным» контентом, бесполезным по своей сути и зачастую неуникальным, который оказывался в топе выдачи Google. Этот алгоритм совершенствовался до 17.07.2015 года. Именно в это время вышло обновление «Панда 4.2», 28-е по счету.

19 января 2012 года был представлен алгоритм «Top Heavy», который понижает в выдаче сайты с избытком рекламы в верхней части страницы. Таким образом, Google начал борьбу за повышение юзабилити сайтов. В этом же году выходит алгоритм «Пингвин», который был создан для борьбы с манипуляцией выдачей с помощью спамных техник (ссылки с неестественными анкорами, «ссылочный взрыв», переспам текстов ключевыми запросами и т. п.). Для борьбы с пиратством Google 10 августа 2012 года запустил алгоритм «DMCA Penalty», или «Pirate». Так как стало поступать много жалоб на его неэффективную работу, 21 октября 2014 года вышло обновление — «Pirate 2.0».

 В 2013 году разрабатывается и алгоритм Колибри, который предназначен учет пользовательского интента (намерения). Он позволяет пользователю сразу получить ответ на некоторые вопросы, а не переходить по ссылкам.

В 2014 году появляется алгоритм Голубь (Pigeon), направленный на обновление локального поиска, который резко улучшает выдачу по критерию, связанному с местоположением (геопозицией) пользователя.

С апреля 2015 года выходит обновление «Mobile-friendly» («Mobilegeddon»), которое улучшает выдачу Google на мобильных устройствах, оптимизируя контент  для просмотра на мобильных устройствах.  

Алгоритм RankBrain от 26.10.2015, работающий на принципах машинного обучения резко улучшает поиск релевантных страниц по поисковым запросам.

В 2017 году Google начал понижать позиции сайтов, которые показывают назойливые объявления, перекрывающие основной контент с помощью обновления Intrusive Interstitial Penalty.

26 марта 2018 г. в поисковую систему Google был внедренен алгоритм Mobile-First Index, который учитывал наличие и работоспособность мобильной версии сайта при ранжировании поисковой выдачи. С сентября 2020 года Google планировал применить Mobile-First ко всем сайтам. В связи с пандемией COVID-19 внедрение перенесено на март 2021 года.

С 2018 года Google регулярно обновляет свой основной алгоритм и первым таким обновлением стал Медицинский апдейт (Флорида), который затронул сайты с контентом на медицинскую тематику и YMYL-сайты (Your Money Your Life): ecommerce, финансы, кредиты и т.д. Это обновление привело к тому, что сайты, которые влияют на здоровье, жизнь и финансовое состояние человека стали оцениваться по строгим критериям качества и достоверности контента. Все остальные обновления алгоритма были связаны с  аббревиатурой ЕАТ:

E (expertise) означает экспертный уровень автора контента. Все темы, которые касаются здоровья и благополучия пользователей, должны освещать специалисты в соответствующих областях.

A (authoritativeness) означает авторитетность автора или сайта в целом. Измеряется в цитируемости материалов конкретного эксперта или ресурса.

T (trustworthiness) означает надежность сайта. Ресурс должен вызывать доверие посетителей за счет качественного контента, указания полной контактной информации, а также информации об оплате, доставке и гарантиях, если это необходимо.

22 октября 2019 Google анонсировал обновление алгоритма BERT (Bidirectional Encoder Representations from Transformers — двунаправленная нейронная сеть кодировщик). Суть обновления в том, что алгоритм на основе нейронной сети лучше понимает фразы на естественном языке. Этим поисковик заявляет о новом подходе к формированию выдачи на основе смысла запроса, а не значения конкретных ключевых слов. Учитываются: порядок слов, предлоги, контекст, интент запроса.

В 2020 обновление Core Update также повлияло на сайты YMYL-тематики

В 2021 году обновление Core Web Vitals затрагивает комплекс факторов, которые определяют качество ресурса. Ядро Core Web Vitals (CWV) составляют три фактора:

Largest Contentful Paint (LCP) — время отрисовки браузером основного контента на странице в видимой области просмотра.

First Input Delay (FID) — время ответа сервера после первого взаимодействия со страницей.

Cumulative Layout Shift (CLS) — показатель смещения элементов на странице в процессе ее загрузки.

Таким образом, подводя итог анализу обновлений алгоритмов Google можно отметить, что компания непрерывно движется в сторону обеспечения самого высокого качества и надежности ответов на пользовательские запросы. Для SEO это означает бесповоротный уход от спамных техник в сторону создания качественных площадок и контента, который интересен целевой аудитории.

SEO-оптимизация сайтов строительных компаний в поисковой системе Google

С учетом проведенного анализа обновлений алгоритмов Google, связанных с индексацией, поисковой выдачей становится очевидным факт создания сайта для компаний строительной отрасли с качественным и достоверным контентом, удобным интерфейсом. Но для бизнеса, в том числе и строительного этого недостаточно, поскольку, как правило сайт создается с целью увеличения продаж, а значит главная задача, связанная с применением комплекса мер по продвижению – это привлечение потенциальных потребителей строительных услуг и товаров. Поэтому при разработке методики продвижения сайта немаловажным является вопрос изучения алгоритмов работы поисковых систем. SEO-оптимизация – это комплекс взаимосвязанных мер направленных на приведение сайта и его составляющих к требованиям поисковых систем, которые как мы уже изучили постоянно обновляются и ужесточаются. Именно соблюдение этих условий позволяет поднять позиции сайта в поисковой выдаче, а это означает, что увеличивается вероятность того, что посетитель зайдет именно на ваш сайт. Известна следующая статистика примерно около 100% посетителей заходит по первым трем ссылкам поисковой выдачи, до десятой ссылки первой страницы выдачи добираются обычно 20-50% пользователей, на вторую страницу выдачи поисковой системы заходят около 10-20%.

Для реализации SEO-продвижения в настоящий момент существует множество сервисов, позволяющих провести комплексный анализ сайтов по различным критериям, например, CY-PR.com, SeoLik.ru и многие другие. Все они выделяют несколько основных критериев анализа сайта:

• возраст домена;
• PR и тИЦ сайта;
• скорость загрузки сайта;
• позиции сайта в поисковых системах Яндекс и Google;
• количество проиндексированных страниц в Яндекс и Google;
• плотность слов на странице;
• «тошнота» страницы;
• наличие сайта в каталогах (Яндекс, DMOZ, Mail, Yahoo);
• Alexa рейтинг сайта и многие другие.

Как показывает практика для сайтов строительных компаний ключевыми являются параметры: время загрузки сайта, MozRank и «тошнота» страницы.

Параметр MozRank от компании Moz определяет значение стоимости (важности) страницы для поисковых систем. Параметр измеряется от 0.00 (нет значения) и до 9,99 (высокое значение)  в зависимости от обратных ссылок на страницы сайта и их качества. Хорошие сайты с большим количеством обратных ссылок, которые ссылаются на сайт, дают высокий MozRank [8].

«Тошнота» страницы – немаловажный и мощный показатель SEO-оптимизации. К «тошноте» относятся такие характеристики: плотность ключей, показатель спамности страницы, а также частота употребления идентичных слов. Необходимо контролировать этот показатель, поскольку «тошнота» напрямую оказывает влияние на текстовую релевантность. Кроме того, при превышении значения «тошноты» определенного порога, поисковые системы-роботы могут посчитать страницу попросту переспамленной [9].

Изначально, тошнота страницы равнялась квадратному корню от числа употреблений самого частотного слова контента страницы. Со временем под «тошнотой» стали понимать плотность употребления на странице конкретного ключевого слова или фразы.

Если число ключевых слов разделить на общее число всех слов текста получится процентный показатель тошноты. Низкий уровень тошноты, по ключевым словам, не сыграет роли в продвижении сайта. Высокий уровень обнаружит заспамленность, то есть слишком частое употребление определенных слов. Это означает низкое качество текста, часто – его нечитабельность или даже потерю смысла. Считается, что показатель тошноты больше 8 – недопустимый.

Также, очень важно, чтобы другие слова, не являющиеся ключевыми в этом документе, не употреблялись с большим преобладанием. Иначе они “заглушат” эффект от ключевых слов. Например, ключевым словом было задумано словосочетание “продажа бетона”, но в тексте оптимальная тошнота получилась у сочетания “ранние заморозки”. Есть вероятность, что текст выйдет в топы именно по второму запросу, но вряд ли это будет целевая аудитория, интересующаяся продажей бетона. Если в тексте несколько ключей, то важно, чтобы тошнота по ним была распределена равномерно.

Очевидно, что время загрузки сайта является не маловажным показателем для посетителей сайта. При длительной загрузке сайта, клиент, вероятнее всего, перейдёт на другой сайт со схожим контентом, а следовательно – к вашим конкурентам.

Рассмотрев основные теоретические вопросы ранжирования сайтов в поисковой системе, а также проанализировав основные методы реализации, мы пришли к следующим выводам:

Во-первых, процесс ранжирования сайтов в поисковой системе – сложный процесс. Для того чтобы ваш сайт занимал первые позиции в выдаче поисковой системы, необходимо проводить грамотную SEO-оптимизацию и непрерывно следить за изменениями в факторах ранжирования сайтов, а также своевременно обновлять контент сайта.

Во-вторых, для определения рейтинга сайта строительной компании необходимо использовать определенные сервисы, сосредотачивая свое внимание на трех важнейших параметрах MozRank, время загрузки сайта и «тошнота».

Список источников

1. Arunachalam, N., & Amuthan, A. (2021). Integrated probability multi-search and solution acceptance rule-based artificial bee colony optimization scheme for web service composition. Natural Computing, 20(1), 23-38. doi:10.1007/s11047-019-09753-7
2. Behravan, I., & Razavi, S. M. (2021). A novel machine learning method for estimating football players’ value in the transfer market. Soft Computing, 25(3), 2499-2511. doi:10.1007/s00500-020-05319-3
3. Butcher, P. W. S., John, N. W., & Ritsos, P. D. (2021). VRIA: A web-based framework for creating immersive analytics experiences. IEEE Transactions on Visualization and Computer Graphics, 27(7), 3213-3225. doi:10.1109/TVCG.2020.2965109
4. Dahan, F., Hindi, K. E., Ghoneim, A., & Alsalman, H. (2021). An enhanced ant colony optimization based algorithm to solve QoS-aware web service composition. IEEE Access, 9, 34098-34111. doi:10.1109/ACCESS.2021.3061738
5. Dani, D., & Agrawal, G. (2021). Evaluating the quality of indian school education boards’ websites using multi criteria decision making models. International Journal of Information Technology (Singapore), 13(6) doi:10.1007/s41870-018-0119-y
6. Erdmann, A., & Ponzoa, J. M. (2021). Digital inbound marketing: Measuring the economic performance of grocery e-commerce in europe and the USA. Technological Forecasting and Social Change, 162 doi:10.1016/j.techfore.2020.120373
7. Ferreira, F. G. D. C., Gandomi, A. H., & Cardoso, R. T. N. (2021). Artificial intelligence applied to stock market trading: A review. IEEE Access, 9, 30898-30917. doi:10.1109/ACCESS.2021.3058133
8. Hosseini Shirvani, M. (2021). Bi-objective web service composition problem in multi-cloud environment: A bi-objective time-varying particle swarm optimisation algorithm. Journal of Experimental and Theoretical Artificial Intelligence, 33(2), 179-202. doi:10.1080/0952813X.2020.1725652
9. Jamie, C., Rahman, S. M., Rahman, M. M., Wyllie, J., & Voola, R. (2021). Engaging gen Y customers in online brand communities: A cross-national assessment. International Journal of Information Management, 56 doi:10.1016/j.ijinfomgt.2020.102252
10. Nagpal, M., & Petersen, J. A. (2021). Keyword selection strategies in search engine optimization: How relevant is relevance? Journal of Retailing, 97(4), 746-763. doi:10.1016/j.jretai.2020.12.002
11. Sakas, D. P., & Reklitis, D. P. (2021). The impact of organic traffic of crowdsourcing platforms on airlines’ website traffic and user engagement. Sustainability (Switzerland), 13(16) doi:10.3390/su13168850
12. Seghir, F. (2021). FDMOABC: Fuzzy discrete multi-objective artificial bee colony approach for solving the non-deterministic QoS-driven web service composition problem. Expert Systems with Applications, 167 doi:10.1016/j.eswa.2020.114413
13. Seghir, F., & Khababa, G. (2021). Fuzzy teaching learning based optimization approach for solving the QoS-aware web service selection problem in uncertain environments. Journal of Ambient Intelligence and Humanized Computing, 12(12), 10667-10697. doi:10.1007/s12652-020-02879-y
14. Ullah, F., Al-Turjman, F., Qayyum, S., Inam, H., & Imran, M. (2021). Advertising through UAVs: Optimized path system for delivering smart real-estate advertisement materials. International Journal of Intelligent Systems, 36(7), 3429-3463. doi:10.1002/int.22422
15. Zavadskas, E. K., Bausys, R., Lescauskiene, I., & Usovaite, A. (2021). Multimoora under interval-valued neutrosophic sets as the basis for the quantitative heuristic evaluation methodology hebin. Mathematics, 9(1), 1-19. doi:10.3390/math9010066
16. Ашманов И., Иванов А. Оптимизация и продвижение сайтов в поисковых системах. 3-е издание [Текст] —2011. — С. 57.
17. Информационный портал «SEO диплом»: [Электронный ресурс]. – Режим доступа: http://www.seodiplom.ru
18. Назаров Д. М. Возможности instagram как инструмента цифрового маркетинга / Д. М. Назаров, Е. К. Фитина // Известия Санкт-Петербургского государственного экономического университета. — 2019. — № 6. — С. 116-122. 

References

1. Arunachalam, N., & Amuthan, A. (2021). Integrated probability multi-search and decision acceptance rule-based artificial bee colony optimization scheme for web service composition. Natural Computing, 20(1), 23-38. doi:10.1007/s11047-019-09753-7
2. Behravan, I., & Razavi, S. M. (2021). A novel machine learning method for estimating football players’ value in the transfer market. Soft Computing, 25(3), 2499-2511. doi:10.1007/s00500-020-05319-3
3. Butcher, P. W. S., John, N. W., & Ritsos, P. D. (2021). VRIA: A web-based framework for creating immersive analytics experiences. IEEE Transactions on Visualization and Computer Graphics, 27(7), 3213-3225. doi:10.1109/TVCG.2020.2965109
4. Dahan, F., Hindi, K. E., Ghoneim, A., & Alsalman, H. (2021). An enhanced ant colony optimization based algorithm to solve QoS-aware web service composition. IEEE Access, 9, 34098-34111. doi:10.1109/ACCESS.2021.3061738
5. Dani, D., & Agrawal, G. (2021). Evaluating the quality of indian school education boards’ websites using multi criteria decision making models. International Journal of Information Technology (Singapore), 13(6) doi:10.1007/s41870-018-0119-y
6. Erdmann, A., & Ponzoa, J. M. (2021). Digital inbound marketing: Measuring the economic performance of grocery e-commerce in europe and the USA. Technological Forecasting and Social Change, 162 doi:10.1016/j.techfore.2020.120373
7. Ferreira, F. G. D. C., Gandomi, A. H., & Cardoso, R. T. N. (2021). Artificial intelligence applied to stock market trading: A review. IEEE Access, 9, 30898-30917. doi:10.1109/ACCESS.2021.3058133
8. Hosseini Shirvani, M. (2021). Bi-objective web service composition problem in multi-cloud environment: A bi-objective time-varying particle swarm optimization algorithm. Journal of Experimental and Theoretical Artificial Intelligence, 33(2), 179-202. doi:10.1080/0952813X.2020.1725652
9. Jamie, C., Rahman, S. M., Rahman, M. M., Wyllie, J., & Voola, R. (2021). Engaging gen Y customers in online brand communities: A cross-national assessment. International Journal of Information Management, 56 doi:10.1016/j.ijinfomgt.2020.102252
10. Nagpal, M., & Petersen, J. A. (2021). Keyword selection strategies in search engine optimization: How relevant is relevance? Journal of Retailing, 97(4), 746-763. doi:10.1016/j.jretai.2020.12.002
11. Sakas, D. P., & Reklitis, D. P. (2021). The impact of organic traffic of crowdsourcing platforms on airlines’ website traffic and user engagement. Sustainability (Switzerland), 13(16) doi:10.3390/su13168850
12. Seghir, F. (2021). FDMOABC: Fuzzy discrete multi-objective artificial bee colony approach for solving the non-deterministic QoS-driven web service composition problem. Expert Systems with Applications, 167 doi:10.1016/j.eswa.2020.114413
13. Seghir, F., & Khababa, G. (2021). Fuzzy teaching learning based optimization approach for solving the QoS-aware web service selection problem in uncertain environments. Journal of Ambient Intelligence and Humanized Computing, 12(12), 10667-10697. doi:10.1007/s12652-020-02879-y
14. Ullah, F., Al-Turjman, F., Qayyum, S., Inam, H., & Imran, M. (2021). Advertising through UAVs: Optimized path system for delivering smart real-estate advertisement materials. International Journal of Intelligent Systems, 36(7), 3429-3463. doi:10.1002/int.22422
15. Zavadskas, E. K., Bausys, R., Lescauskiene, I., & Usovaite, A. (2021). Multimoora under interval-valued neutrosophic sets as the basis for the quantitative heuristic evaluation methodology hebin. Mathematics, 9(1), 1-19. doi:10.3390/math9010066
16. Ashmanov I., Ivanov A. Optimization and promotion of sites in search engines. 3rd edition [Text] -2011. — S. 57.
17. Information portal «SEO Diploma»: [Electronic resource]. – Access mode: http://www.seodiplom.ru
18. Nazarov D. M. Opportunities of instagram as a digital marketing tool / D. M. Nazarov, E. K. Fitina // Bulletin of the St. Petersburg State University of Economics. — 2019. — No. 6. — S. 116-122. 

Для цитирования: Назаров Д.М., Джураева А. Теоретические аспекты SEO-оптимизации сайтов строительных компаний в улучшения их позиций в поисковой выдаче Google // Московский экономический журнал. 2022. № 1. URL: https://qje.su/ekonomicheskaya-teoriya/moskovskij-ekonomicheskij-zhurnal-1-2022-20/

© Назаров Д.М., Джураева А., 2022. Московский экономический журнал, 2022, № 1.