Анализ сайта benjaminroth.net
Основное Готовность: 45%
Домен
benjaminroth.net
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.
Домен второго уровня идеален для продвижения.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Цепочка редиректов:
http://benjaminroth.net
301 MovedPermanently
http://www.benjaminroth.net/
200 OK
Безопасность
Сайт небезопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
На сайте не найден защищенный протокол ssl и сайт не открывается по https!
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
HTTP автоматически перенаправляется на HTTPS.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
utf-8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице utf-8.
Язык
en
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык документа указан явно: en.
Скорость загрузки
~0,58сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,58сек оптимальна.
Объем документа
33Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 33Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 2
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Кол-во файлов ресурсов 2 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | ./css/bootstrap.min.css | |
| js | ./js/bootstrap.min.js |
Серверные заголовки
Кол-во: 18
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 18шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Connection | keep-alive |
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| ETag | "6a4becbe-8552" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| X-GitHub-Request-Id | A246:1C389F:3CFF7B:41EA31:6A8A85BE |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sun, 23 Aug 2026 05:31:42 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270061-BMA |
| X-Cache | MISS |
| X-Cache-Hits | 0 |
| X-Timer | S1787463103.867283,VS0,VE126 |
| Vary | Accept-Encoding |
| X-Fastly-Request-ID | d8054f54ee0a1e3b2e39210a7428f9bcb74f5699 |
CMS
Не определена
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
CMS не определена. Вероятно, сайт самописный либо движок надёжно скрыт. Это не ошибка.
Веб-сервер
GitHub.com
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
В заголовке Server указано: GitHub.com.
Мета-теги Готовность: 32%
Title
Benjamin Roth
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо увеличить число символов в title (текущее значение мало: 13, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Установите мета-тег description!
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Рекомендуем прописать канонический Url.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
width=device-width, initial-scale=1
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport со значением-константой width=device-width задаёт ширину страницы в соответствии с размером экрана.
Meta-тег viewport со значением initial-scale=1.0 определяет масштаб 1:1, т.е. «не масштабировать».
Разметка OpenGraph
Не найдено
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 1
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 1шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.
Показать полный список мета-тегов
| Тип | Название | Значение |
|---|---|---|
| name | viewport | width=device-width, initial-scale=1 |
Оптимизация Готовность: 55%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют по одному на документ).
Контент
Есть ошибки
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Слова из title 2 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 2 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 80 достаточно.
Кол-во знаков контента 16727 на странице оптимально.
Кол-во слов 2548 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h2> 2. Это хорошо.
Тошнота
4,58
Насколько одно слово доминирует в тексте
?
Классическая тошнота = √(частота самого повторяющегося слова). Норма до 7–8: текст воспринимается естественно. Выше — поисковик может счесть страницу переспамленной.
Тошнота страницы в пределах нормы 4,58.
Академич. тошнота
7,50%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота страницы в пределах нормы.
Семантическое ядро
20
Наиболее часто встречающиеся слова на странице
?
Топ слов по частоте использования. Показывает, какие слова доминируют в тексте с точки зрения поисковика.
Контент страницы содержит осмысленный текст и слова.
Показать список слов
| Слово | Кол-во | Частота |
|---|---|---|
| language | 21 | 0,82% |
| workshop | 21 | 0,82% |
| learning | 20 | 0,78% |
| extraction | 20 | 0,78% |
| knowledge | 18 | 0,71% |
| klakow | 17 | 0,67% |
| invited | 14 | 0,55% |
| stephan | 13 | 0,51% |
| vienna | 12 | 0,47% |
| supervision | 12 | 0,47% |
| models | 12 | 0,47% |
| wiegand | 12 | 0,47% |
| araujo | 11 | 0,43% |
| university | 10 | 0,39% |
| natural | 10 | 0,39% |
| analysis | 10 | 0,39% |
| relation | 10 | 0,39% |
| research | 9 | 0,35% |
| supervised | 9 | 0,35% |
| sedova | 9 | 0,35% |
Индексация Готовность: 0%
Индексирование
Ошибок нет
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 98 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Не найден
Файл управления сканированием сайта роботами
?
Robots.txt указывает поисковым роботам, какие страницы сканировать, а какие — нет. Ошибки в файле могут случайно закрыть важные разделы от индексации.
Файл robots.txt не найден (ошибка 404). Крайне рекомендуем добавить файл robots.txt, это правило хорошего тона для поисковых роботов.
Sitemap
Кол-во: 0
XML-карта сайта для поисковиков
?
Sitemap.xml помогает поисковику быстрее находить и индексировать страницы. Особенно важен для крупных сайтов и новых страниц, на которые ещё нет входящих ссылок.
Robots.txt не содержит ссылку на карту сайта. Рекомендуется добавить карту сайта и указать ссылку на нее в robots.txt.
Внутренние ссылки
Кол-во: 5
Ссылки на другие страницы своего сайта
?
Внутренние ссылки распределяют ссылочный вес между страницами и помогают поисковику обходить сайт. Пустые анкоры и ссылки на запрещённые robots.txt страницы — типичные ошибки.
Внутренних ссылок на странице 5 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| /virtual_coffee.html |
link
|
|
Анализировать url |
| /VieWSNLP.html |
Vienna Workshop on Weak Supervision and Natural Language Processing
|
|
Анализировать url |
| /orae_slides.pdf |
slides
|
|
|
| /./files/428_counterfactual_reasoning_with_.pdf |
Counterfactual Reasoning with Knowledge Graph Embeddings
|
|
|
| /./files/476_text_guided_image_clustering.pdf |
Text-Guided Image Clustering
|
|
Внешние ссылки
Кол-во: 91
Ссылки на сторонние сайты
?
Исходящие внешние ссылки передают часть ссылочного веса на чужие сайты. Ссылки на авторитетные ресурсы безопасны; ссылки на мусорные сайты могут навредить репутации страницы.
Внешних ссылок на странице 91 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор | Анализировать |
|---|---|---|
| dm.cs.univie.ac.at |
Research Group Data Mining and Machine Learning
|
Анализировать url |
| evsl.univie.ac.at |
Department of European and Comparative Literature and Language Studies
|
Анализировать url |
| univie.ac.at |
University of Vienna
|
Анализировать url |
| careers.univie.ac.at |
E-STEEM programme
|
Анализировать url |
| careers.univie.ac.at |
PhD positions
|
Анализировать url |
| 2025.aclweb.org |
ACL 2025 in Vienna
|
Анализировать url |
| wise-supervision.github.io |
Workshop on Weak, Indirect and Self Supervision for Knowledge Extraction
|
Анализировать url |
| lr-coordination.eu |
Third European Language Resource Coordination (ELRC) workshop in Austria
|
Анализировать url |
| weasul.github.io |
WeaSuL
|
Анализировать url |
| docs.univie.ac.at |
call for applications
|
Анализировать url |
| knodle.cc |
knodle.cc
|
Анализировать url |
| github.com |
on github
|
Анализировать url |
| mediamining.univ-lyon2.fr |
Workshop on Representation Learning for Complex Data
|
Анализировать url |
| scientific-knowledge.github.io |
NAACL Workshop on extracting structured knowledge from scientific publications
|
Анализировать url |
| doi.org |
From Models to Systems: A Survey of Explainability for Tool-Augmented Language Models and AI Agents
|
Анализировать url |
| arxiv.org |
Influential Training Data Retrieval for Explaining Verbalized Confidence of LLMs
|
Анализировать url |
| arxiv.org |
Persistent Personas? Role-Playing, Instruction Following, and Safety in Extended Interactions
|
Анализировать url |
| arxiv.org |
Do language models accommodate their users? A study of linguistic convergence
|
Анализировать url |
| arxiv.org |
Explaining Generalization of AI-Generated Text Detectors Through Linguistic Analysis
|
Анализировать url |
| aclanthology.org |
Principled Personas: Defining and Measuring the Intended Effects of Persona Prompting on Task Performance
|
Анализировать url |
| aclanthology.org |
Influence-driven Curriculum Learning for Pre-training on Limited Data
|
Анализировать url |
| aclanthology.org |
RecombiText: Compositional Data Augmentation for Enhancing LLM Pre-Training Datasets in Low-Resource Scenarios
|
Анализировать url |
| arxiv.org |
Agree, Disagree, Explain: Decomposing Human Label Variation in NLI through the Lens of Explanations
|
Анализировать url |
| econtent.hogrefe.com |
One and a Half Years of ChatGPT–An Umbrella Review of Large Language Model (LLM) Perception Across Time and Research Fields
|
Анализировать url |
| journals.plos.org |
Exploring prompts to elicit memorization in masked language model-based named entity recognition
|
Анализировать url |
| dl.acm.org |
The Impact of Graph Structure, Cluster Centroid and Text Review Embeddings on Recommendation Methods
|
Анализировать url |
| aclanthology.org |
Learn to pick the winner: Black-box ensembling for textual and visual question answering
|
Анализировать url |
| aclanthology.org |
Influences on LLM Calibration: A Study of Response Agreement, Loss Functions, and Prompt Styles
|
Анализировать url |
| aclanthology.org |
From calculation to adjudication: Examining LLM judges on mathematical reasoning tasks
|
Анализировать url |
| journals.plos.org |
Helpful assistant or fruitful facilitator? Investigating how personas affect language model behavior
|
Анализировать url |
| arxiv.org |
Mdc-r: The minecraft dialogue corpus with reference
|
Анализировать url |
| link.springer.com |
Specification Overfitting in Artificial Intelligence
|
Анализировать url |
| arxiv.org |
To Know or Not To Know? Analyzing Self-Consistency of Large Language Models under Ambiguity
|
Анализировать url |
| aclanthology.org |
Functionality learning through specification instructions
|
Анализировать url |
| aclanthology.org |
Collaborative Development of Modular Open Source Educational Resources for Natural Language Processing
|
Анализировать url |
| aclanthology.org |
Analysing zero-shot temporal relation extraction on clinical notes using temporal consistency
|
Анализировать url |
| dl.acm.org |
The Impact of Cluster Centroid and Text Review Embeddings on Recommendation Methods
|
Анализировать url |
| services.phaidra.univie.ac.at |
Seeing through the mess: evolutionary dynamics of lexical polysemy
|
Анализировать url |
| arxiv.org |
ULF: Unsupervised Labeling Function Correction using Cross-Validation for Weak Supervision
|
Анализировать url |
| arxiv.org |
Cross-functional Analysis of Generalisation in Behavioural Learning
|
Анализировать url |
| arxiv.org |
ACTC: Active Threshold Calibration for Cold-Start Knowledge Graph Completion
|
Анализировать url |
| arxiv.org |
Learning with Noisy Labels by Adaptive Gradient-Based Outlier Removal
|
Анализировать url |
| arxiv.org |
MemeGraphs: Linking Memes to Knowledge Graphs
|
Анализировать url |
| arxiv.org |
XPASC: Measuring Generalization in Weak Supervision by Explainability and Association
|
Анализировать url |
| arxiv.org |
SepLL: Separating Latent Class Labels from Weak Supervision Noise
|
Анализировать url |
| aclanthology.org |
Checking HateCheck: a cross-functional analysis of behaviour-aware learning for hate speech detection
|
Анализировать url |
| arxiv.org |
WeaNF: Weak Supervision with Normalizing Flows
|
Анализировать url |
| arxiv.org |
Focused Contrastive Training for Test-based Constituency Analysis
|
Анализировать url |
| arxiv.org |
KnowMAN: Weakly Supervised Multinomial Adversarial Networks
|
Анализировать url |
| aclanthology.org |
Knodle: Modular Weakly Supervised Learning with PyTorch
|
Анализировать url |
| arxiv.org |
Data Centric Domain Adaptation for Historical Text with OCR Errors
|
Анализировать url |
| arxiv.org |
Proceedings of the First Workshop on Weakly Supervised Learning (WeaSuL)
|
Анализировать url |
| direct.mit.edu |
Python for Linguists (book review)
|
Анализировать url |
| akbc.ws |
Ranking vs. Classifying: Measuring Knowledge Base Completion Quality
|
Анализировать url |
| lrec-conf.org |
Dirichlet-Smoothed Word Embeddings for Low-Resource Settings
|
Анализировать url |
| lrec-conf.org |
UniSent: Universal Adaptable Sentiment Lexica for 1000+ Languages
|
Анализировать url |
| lrec-conf.org |
Intent Recognition in Doctor-Patient Interviews
|
Анализировать url |
| arxiv.org |
Interpretable Question Answering on Knowledge Bases and Text
|
Анализировать url |
| arxiv.org |
Domain adaptation for part-of-speech tagging of noisy user-generated text
|
Анализировать url |
| dx.doi.org |
Neural Architectures for Open-Type Relation Argument Extraction.
|
Анализировать url |
| arxiv.org |
preprint
|
Анализировать url |
| arxiv.org |
Joint Aspect and Polarity Classification for Aspect-based Sentiment Analysis with End-to-End Neural Networks.
|
Анализировать url |
| arxiv.org |
Evaluating neural network explanation methods using hybrid documents and morphological prediction.
|
Анализировать url |
| aclweb.org |
Joint Bootstrapping Machines for High Confidence Relation Extraction.
|
Анализировать url |
| aclweb.org |
Towards Bootstrapping a Polarity Shifter Lexicon using Linguistic Features.
|
Анализировать url |
| arxiv.org |
Comparing Convolutional Neural Networks to Traditional Models for Slot Filling.
|
Анализировать url |
| arxiv.org |
Multilingual Relation Extraction using Compositional Universal Schema.
|
Анализировать url |
| web.informatik.uni-mannheim.de |
Finding Relevant Relations in Relevant Documents.
|
Анализировать url |
| people.cs.umass.edu |
Building Knowledge Bases with Universal Schema: Cold Start and Slot-Filling Approaches.
|
Анализировать url |
| people.cs.umass.edu |
Compositional Vector Space Models for Knowledge Base Completion.
|
Анализировать url |
| lsv.uni-saarland.de |
Combining Pattern-based and Distributional Similarity for Graph-based Noun Categorization.
|
Анализировать url |
| akbc.ws |
Minimally Supervised Event Argument Extraction using Universal Schema.
|
Анализировать url |
| akbc.ws |
Knowledge Base Completion using Compositional Vector Space Models.
|
Анализировать url |
| aclweb.org |
Automatic Food Categorization from Large Unlabeled Corpora and Its Impact on Relation Extraction.
|
Анализировать url |
| aclweb.org |
RelationFactory: A Fast, Modular and Effective System for Knowledge Base Population.
|
Анализировать url |
| aclweb.org |
Unsupervised Parsing for Generating Surface-Based Relation Extraction Patterns.
|
Анализировать url |
| nist.gov |
Effective Slot Filling Based on Shallow Distant Supervision Methods.
|
Анализировать url |
| aclweb.org |
Combining Generative and Discriminative Model Scores for Distant Supervision.
|
Анализировать url |
| sites.google.com |
Feature-Based Models for Improving the Quality of Noisy Training Data for Relation Extraction.
|
Анализировать url |
| sites.google.com |
A Survey of Noise Reduction Methods for Distant Supervision.
|
Анализировать url |
| lsv.uni-saarland.de |
Web-based Relation Extraction for the Food Domain.
|
Анализировать url |
| lsv.uni-saarland.de |
Generalizing from Freebase and Patterns using Distant Supervision for Slot Filling.
|
Анализировать url |
| liris.cnrs.fr |
Knowledge Acquisition with Natural Language Processing in the Food Domain: Potential and Challenges.
|
Анализировать url |
| oegai.at |
Data-driven Knowledge Extraction for the Food Domain.
|
Анализировать url |
| lrec-conf.org |
A Gold Standard for Relation Extraction in the Food Domain.
|
Анализировать url |
| amta2010.amtaweb.org |
Machine Translation Using Overlapping Alignments and SampleRank.
|
Анализировать url |
| sites.google.com |
Enriched Syntax-based Meaning Representation for Answer Extraction.
|
Анализировать url |
| lsv.uni-saarland.de |
Cross-Language Retrieval Using Link-Based Language Models.
|
Анализировать url |
| aclweb.org |
Topic Models for Word Sense Disambiguation and Token-Based Idiom Detection.
|
Анализировать url |
| aclweb.org |
A Survey on the Role of Negation in Sentiment Analysis.
|
Анализировать url |
| lsv.uni-saarland.de |
Combining Wikipedia-Based Concept Models for Cross-Language Retrieval.
|
Анализировать url |
Конкуренты Готовность: 0%
Конкуренты в Яндексе
Кол-во: 0
Топ сайтов-конкурентов в Яндексе
?
Сайты, чаще всего появляющиеся в ТОПе Яндекса по запросам из семантического ядра этой страницы.
Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.
Конкурентов в ТОП-10 Яндекса не нашлось.
Конкуренты в Google
Кол-во: 0
Топ сайтов-конкурентов в Google
?
Сайты, чаще всего появляющиеся в ТОПе Google по запросам из семантического ядра этой страницы.
Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!
Конкурентов в ТОП-10 Google не нашлось.
ЗоЗПП: права потребителей Готовность: 100%
Нарушения
Не выявлены
Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.
ФЗ-149: рекомендательные технологии Готовность: 100%
Нарушения
Не выявлены
Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.
ФЗ-38: реклама Готовность: 100%
Нарушения
Не выявлены
Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.
ФЗ-436: защита детей Готовность: 100%
Нарушения
Не выявлены
Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.
Вердикт
Анализ сайта benjaminroth.net, слабо оптимизирован на 33%. Для хорошей оптимизации и выхода на первые места в поиске требуется:
Постарайтесь исправить общие ошибки.
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: