Indice de visibilité de la page

Passage Visibility Index (PVI) n’est pas une métrique de Google. Il s’agit d’un score sur mesure que les SEO construisent pour estimer la probabilité qu’un passage de 40 à 250 mots remonte pour une requête, même si la page complète n’est pas le meilleur résultat. Utile dans la pratique. Facile à mal utiliser.

Ce que le PVI mesure réellement

Le PVI correspond généralement à un score de 0-1 ou de 0-100 attribué à un paragraphe, une liste ou une courte section. Le modèle tente de prédire si ce bloc possède la structure, la pertinence et le contexte permettant de tirer profit de la compréhension des passages au niveau de la page par Google. Google a introduit le classement des passages en 2020, et John Mueller de Google a maintes fois clarifié que Google n’a pas d’« index de passages » distinct contre lequel on puisse optimiser directement. Considérez donc le PVI comme une couche interne de priorisation, et non comme un facteur de classement.

Le meilleur cas d’usage concerne les pages qui se positionnent déjà entre la 8e et la 30e place dans Google Search Console. Ces pages ont souvent suffisamment d’autorité pour rivaliser, mais leurs blocs de réponse sont faibles. Resserer un seul passage peut faire passer une URL de 0 clics sur des variantes longue traîne à un trafic incrémental significatif.

Comment les équipes le construisent

La plupart des équipes extraient du HTML au niveau des paragraphes avec une extraction personnalisée de Screaming Frog, via Python, ou avec BeautifulSoup, puis associent chaque bloc à son H2 ou H3 parent. Les variables comprennent généralement la longueur du passage, le recouvrement des termes de la requête, la similarité sémantique avec les extraits les mieux classés, l’alignement des headings, le contexte des liens internes et la couverture des entités par rapport aux pages concurrentes issues d’exports Ahrefs ou Semrush.

Pour la modélisation, les méthodes simples battent souvent les approches plus sophistiquées plus souvent qu’on ne l’admet. La régression logistique suffit généralement si vous disposez d’un jeu d’entraînement propre et étiqueté provenant de la Search Console (GSC) et de captures SERP. XGBoost peut aider sur de plus gros sites avec 10 000+ passages, mais seulement si vos labels sont fiables. C’est là le point faible. Les labels au niveau des passages sont bruyants, car la GSC remonte à l’échelle page-requête, et non à l’échelle paragraphe-requête.

Un benchmark pratique : si votre modèle n’arrive pas à faire mieux que le hasard de manière significative et à maintenir une AUC au-dessus d’environ 0,75 en back-testing, il n’est probablement pas prêt pour la production.

Que chercher à optimiser quand le PVI est faible

• Forme de la réponse : mettez la réponse directe dans la première phrase. Puis étayez-la avec des détails en 40 à 80 mots.
• Adéquation avec les headings : réécrivez vos H2 et H3 pour refléter le cadrage réel de la requête tel qu’il apparaît dans la GSC et dans Semrush.
• Signaux de contexte : ajoutez des entités proches, des exemples et des liens internes pour éviter que le passage soit sémantiquement isolé.
• Formatage : les listes et les courts blocs explicatifs surpassent souvent les paragraphes trop denses pour des comparaisons et des intentions de type « comment faire ».

Surfer SEO et la notation de contenu à la manière de Clearscope peuvent aider sur les écarts d’entités, mais ce ne sont pas des modèles de passage. Travail différent.

Où le PVI montre ses limites

La réserve est simple : Google classe des pages, pas des paragraphes détachés flottant dans le vide. Un passage solide sur une page avec un DR 18 et 12 domaines référents perdra quand même face à un passage plus faible sur une page avec un DR 70 et 5 000 domaines référents pour des termes concurrentiels. Le PVI est surtout utile sur des sites qui ont déjà une autorité de base et un index stable.

Il devient aussi plus compliqué sur des pages très chargées en JavaScript, du contenu templatisé et des pages avec une hiérarchie de headings médiocre. Si Screaming Frog n’arrive pas à extraire des sections propres, votre score sera inexploitablе. Commencez par là. Pas par du théâtre du machine learning.