معماری چندکسب‌وکاری، تجاری و تجارت الکترونیک · فصل ۴ — IA، Configurator، Lead، Audit و Research · 246

Niche/Intent Research

workflow تجاری را به UI یا integration منفرد تقلیل می‌دهد و state، rights، approval و measurement را یکپارچه نمی‌کند. موضوع جاری: «Niche/Intent Research». می‌تواند «Niche/Intent Research» را برای یک workflow محدود با state/contract/approval و verification مناسب طراحی کند.

Niche and Intent Research — en-US

خلاصهٔ درس

workflow تجاری را به UI یا integration منفرد تقلیل می‌دهد و state، rights، approval و measurement را یکپارچه نمی‌کند. موضوع جاری: «Niche/Intent Research».

می‌تواند «Niche/Intent Research» را برای یک workflow محدود با state/contract/approval و verification مناسب طراحی کند.

خروجی این درس

می‌تواند «Niche/Intent Research» را برای یک workflow محدود با state/contract/approval و verification مناسب طراحی کند.

پیش‌نیازها

1) مسئله‌ای که این درس مالک آن است

فهرست keyword به‌تنهایی «بازار» نیست. ممکن است چند query impression بالایی داشته باشند، ولی بخشی از ترافیک branded باشد، بخشی از queryها به‌دلیل حریم خصوصی اصلاً در جدول دیده نشوند و بهترین page یک مسئلهٔ گسترده‌تر از niche پیشنهادی را حل کند. COM-005 قرار است این آشفتگی را به یک نقشهٔ شواهد قابل‌ممیزی تبدیل کند.

2) مرز دقیق COM-005

خروجی اصلی این درس Niche-Intent Evidence Map v1 است. Website Audit Engine مربوط به COM-004 و Multi-model Editorial Cell مربوط به COM-006 است. این درس TAM، سودآوری، یا «intent قطعی انسان» را اثبات نمی‌کند و هیچ کمپین یا تغییر production اجرا نمی‌کند.

3) FACT: Search Console چه چیزی را واقعاً مشاهده می‌کند

Performance report متریک‌هایی مثل clicks، impressions، CTR و average position و dimensionهایی مثل Query و Page را نشان می‌دهد. این‌ها عملکرد مشاهده‌شدهٔ property در Google Search هستند؛ نه اندازهٔ کامل بازار و نه برچسب مستقیم intent.

4) FACT: جدول Query کامل نیست

Google صریحاً می‌گوید بعضی queryها برای حفظ حریم خصوصی anonymized می‌شوند و دادهٔ جدول می‌تواند truncate شود. پس نبودن یک query در جدول مساوی با نبود تقاضا نیست، و جمع چند ردیف هم «کل بازار» را نمی‌سازد. data_limitations باید این مرز را نگه دارد.

5) FACT: branded و non-branded همان intent نیستند

Search Console می‌تواند branded/non-branded را جدا کند، اما این classification صرفاً اطلاعاتی است و ممکن است خطا داشته باشد. رشد branded traffic می‌تواند نشانهٔ آشنایی با برند باشد، ولی به‌خودی‌خود تقاضای بازار جدید یا commercial intent را ثابت نمی‌کند.

6) Observation، inference و business hypothesis را جدا کن

query_observation و page_observation مشاهده‌اند. intent_hypothesis استنتاج است. commercial_fit_signal فرضیه/شاهد کسب‌وکار است. اگر این سه در یک score ادغام شوند، learner دیگر نمی‌تواند بفهمد کدام بخش واقعاً دیده شده و کدام بخش برداشت تیم است.

7) Query string به‌تنهایی intent را ثابت نمی‌کند

عبارت «best invoice reconciliation software» جهت می‌دهد، اما intent نهایی باید با context صفحه، مسئلهٔ مخاطب و offer بررسی شود. اگر فقط از wording یک query نتیجهٔ transactional گرفته شود، state درست HOLD_INTENT_OVERCLAIM است.

8) Page dimension جلوی false fit را می‌گیرد

یک cluster ممکن است impression و click خوبی داشته باشد اما به صفحه‌ای برسد که خارج از offer پیشنهادی است. در این حالت query demand و commercial fit یک چیز نیستند. این شکاف باید به RESEARCH_PAGE_OFFER_MISMATCH یا research مشابه منجر شود، نه PURSUE خودکار.

9) Average position را oracle نکن

Average position یک context گزارش است؛ میانگین topmost position است و به aggregation وابسته است. حتی position مطلوب همراه با impression بالا، profitability یا intent را اثبات نمی‌کند. روند clicks/impressions و کیفیت match باید کنار آن دیده شود.

10) مقایسه فقط با filterهای قابل‌مقایسه

اگر دورهٔ اول روی Germany/Mobile و دورهٔ دوم روی US/Desktop باشد، افزایش impression را نمی‌توان بی‌هزینه «رشد بازار» نامید. date_range و country_device_filter بخشی از evidence هستند و mismatch باید HOLD_FILTER_MISMATCH بسازد.

11) Evidence strength بدون امتیاز جادویی

MAKNOW یک weighted score مخفی نمی‌سازد. Evidence strength باید از مرزهای شواهد بیاید: آیا limitations ثبت شده؟ intent با query+page+business context پشتیبانی شده؟ commercial fit معلوم است؟ provenance کامل است؟ یک failure بحرانی با impression بیشتر جبران نمی‌شود.

12) Evidence Contract اصلی

Artifact این درس 21 فیلد دارد که 19 مورد critical هستند. جدول زیر baseline را نشان می‌دهد؛ JSON/CSV همان artifact برای بررسی کامل fieldها استفاده می‌شود.

query_clusterbranded_statepage_observationclicksimpressionsctrcommercial_fit_signalevidence_strengthdecision_state
reconciliation-automationNON_BRANDED/solutions/reconciliation18443204.26%ALIGNEDSTRONGPURSUE
reconciliation-automationNON_BRANDED/solutions/reconciliation9124503.71%ALIGNEDMODERATEPURSUE
brand-navigationBRANDED/32076042.1%ADVISORY_ONLYPARTIALRESEARCH

13) Baseline درست

در baseline، query/page metrics با date/filter/source مشخص ثبت شده‌اند، limitations صریح‌اند، intent فقط hypothesis است و با page/business context پشتیبانی می‌شود، commercial fit هم aligned است. در این حالت PURSUE مجاز است؛ نه به‌خاطر یک keyword، بلکه به‌خاطر زنجیرهٔ شواهد کامل.

14) Shortcutهای خطرناک و repair

سه shortcut رایج: حذف limitationهای anonymization/truncation، استفاده از branded traffic به‌عنوان proof of new-market demand، و استنتاج intent فقط از query string. Repair همیشه از field خراب شروع می‌شود: limitation را برگردان، filter را همسان کن، page/offer context اضافه کن، سپس decision را از نو محاسبه کن.

15) Lab و transfer

Lab شامل 8 fixture آفلاین و 48 assertion قطعی است. در transfer، impression بالا می‌رود ولی click ثابت می‌ماند، branded share شدیداً رشد می‌کند و یک high-intent cluster به صفحه‌ای خارج از offer می‌رسد. پاسخ نباید baseline را کپی کند؛ باید evidence strength و تصمیم PURSUE/HOLD/RESEARCH/REJECT از دادهٔ جدید بازسازی شود.

ارزیابی

پاسخ‌نامه‌ی این درس در بسته‌ی آموزش وجود ندارد؛ خودت جواب بده و صادقانه علامت بزن. «نیاز به مرور» درس را به صف تکرار می‌فرستد.

COM-005-S1 retrieval

What does COM-005 own, and which market claims remain outside its boundary?

lesson ✗AI ✗notes ✗

COM-005-S2 application

Build Niche-Intent Evidence Map v1 for the baseline synthetic run.

lesson ✗AI ✗notes ✗

COM-005-S3 diagnosis

The evidence note omits anonymized-query and row-truncation limits. Which state must block pursuit and what is the minimal repair?

lesson ✗AI ✗notes ✗

COM-005-S4 transfer

Impressions rise, clicks stay flat, branded share jumps and a high-intent cluster lands outside the offer. Recompute evidence strength and the bounded decision.

lesson ✗AI ✗notes ✗
ملاک‌های ارزیابی (rubric)

Blocking dimensions: identity/contract, exact observation/inference separation, data limitations, comparable filters, intent support, commercial-fit evidence, bounded decision, and changed-context transfer. Attractive impressions or average position cannot compensate for missing limitations, provenance, page context or offer fit.

منابع و تازگی

Performance report (Search results): Overview and basic setup
·
Performance report (Search results): Dimensions and data groupings
·
Performance report (Search results): Common tasks and use cases
·

مطالعهٔ موارد (case studies)

تصاویر درس

COM-005-V1

Observed query and page metrics flow through limitation recording, intent inference and offer-fit review before a bounded pursue, hold, research or reject state.

فایل‌های آزمایشگاه

python run_checks.py را اجرا کنید. هشت fixture مصنوعی محدودیت داده، overclaim برند، استنتاج intent، مقایسه‌پذیری filter، provenance، page/offer fit و transfer را تست می‌کنند. هیچ شبکه یا credential لازم نیست.