В этой статье я хочу пошагово показать, как применение метода фильтрации с помощью «похожести» сайтов из топ-10 помогло мне ускорить процесс чистки и сбора семантического ядра и сэкономить время без потери качества.
Суть метода состоит в том, чтобы взять в продвижение только те запросы, по которым топ-10 «похож», то есть состоит из сайтов того же типа, как продвигаемый проект. Метод разработан Андреем Буйловым (руководитель студии интернет-маркетинга «Муравейник»).
Я расскажу о своем опыте применения метода на примере ниши «Ножи» для интернет-магазина оборудования для ресторанов и общепита.
Составление семантического ядра
Составление семантического ядра (списка ключевых слов) для интернет-магазина является трудоемким процессом и времязатратным, поскольку требуется собрать и обработать большое число запросов.
Весь процесс сбора семантики можно поделить на четыре больших этапа:
- Сбор маркеров.
- Парсинг запросов.
- Чистка запросов.
- Кластеризация запросов.
Для проектов из сферы B2B особенность сбора семантики заключается в том, чтобы до этапа кластеризации исключить поисковые фразы для B2C, тем самым значительно сократить время. Для этого и подходит метод, который использует оценку похожести для приоритизации – выбора тех групп запросов, с которых стоит начать оптимизацию сайта, а какие отложить.
Сбор маркеров
При сборе маркерных запросов я использовала три группы маркеров:
1. Первая группа маркеров с коммерческими словами – «купить нож», «цена нож», «нож интернет-магазин» и т.п.
2. Вторая группа маркеров с B2B фразами:
3. Третья группа маркеров по типу – «обвалочный нож», «филейный нож» и т.п.
Парсинг запросов
Этот этап подробно описывать не буду, перечислю только основные инструменты и сервисы, которые я использую для сбора маркеров и ключевых фраз:
- Яндекс Wordstat,
- Wordstat Assistant,
- поисковые подсказки Яндекса и Google,
- рекомендованные запросы в Яндекс Вебмастере,
- поисковые запросы в Яндекс Метрике и Google Analytics,
- Screaming Frog SEO Spider,
- Keys.so,
- Rush Analytics,
- Key Collector.
Необходимо отметить, по умолчанию Wordstat отдает всего 41 страницу результатов. Чтобы обойти ограничение, я использую метод сбора частотности для запросов заданной длины (до 7 слов).
Для этого добавляю запросы в сервис Rush Analytics следующим образом (кавычки обязательны):
«ножи ножи»
«ножи ножи ножи»
«ножи ножи ножи ножи»
и так далее до 7 слов.
Чистка семантического ядра
После парсинга подсказок и ключевых фраз нужно удалить все нерелевантные запросы, но делать это вручную очень долго.
Загружаю фразы в Key Collector 4. Через функции «Минус слова», «Анализ групп», «Неявные дубли» убираю нецелевую мусорную семантику. Снимаю частотность и убираю нулевые запросы. Вы это можете сделать через удобный для вас сервис.
Собираю данные о поисковой выдаче Яндекс и Google:
Выгружаю результаты поисковой выдачи Яндекс и Google в отдельные таблицы.
Теперь переходим к применению методики:
1. Создать копию шаблона в Google Таблицах, перейдя по ссылке.
2. Скопировать все столбцы выгруженной таблицы и вставить во вкладку «KeyCollector» Google Таблицы.
В шаблоне для наглядности имеются данные. Если ваших запросов меньше, то удалить ненужные строки. Если ваших запросов больше, то протянуть формулы в столбцах с «G» до «J» до конца ваших данных.
Кстати, если запросов много и есть трудности переноса данных в Google Таблицу в силу большого количества строк, то я делала так:
- загружала Excel-таблицу на Google Диск, открывала через Google Таблицы;
- сохраняла как Google-таблицу;
- и уже в преобразованную таблицу переносила формулы и остальные листы из шаблона.
С первого раза может показаться, что сложно. Но когда речь идет о десятках тысяч запросов, применение шаблонов стоит того, чтобы разобраться в вопросе.
3. Переходим во вкладку «Разметка похожих». Это сводная таблица. Чтобы не запутаться, рекомендую сначала всем доменам в столбце «С» убрать галочки, а в столбце «D» проставить, протянув мышкой.
Если у вас есть готовый список конкурентов, то можете, загрузив в новую вкладку, через функцию «=ВПР()» найти их и отметить галочкой в столбце «C», в столбце «D» убрать галочку.
Далее пройтись по доменам из столбца «A». Найти конкурентов. Не забыть отметить галочкой в столбце «C», в столбце «D» убрать галочку для сайтов, похожих на продвигаемый проект.
4. Переходим во вкладку «Итог». Я добавляю в ячейку «C1» функцию =SORT(A:B;B:B;ЛОЖЬ), чтобы отсортировать ключевые фразы по убыванию похожести. Далее копирую и забираю в работу запросы похожестью не менее 10.
То же самое проделываю для таблицы с данными поисковой выдачи Google.
Объединяю итоги по похожести из Яндекс и Google, удалив дубликаты.
Итоговые запросы из полученного списка загружаем для кластеризации.
Кластеризация запросов
Распределяем похожие запросы по группам.
Я группирую в кластеры через Key Collector 4. Выставляю тип кластеризации «по поисковой выдаче (v.3)», режим группировки «пересечение», сила группировки 3 или 4 в зависимости от количества ключей и частотности.
После кластеризации совмещаем группы с посадочными страницами. Готовим технические задания для написания тегов и метатегов, задания на перелинковку и при необходимости для написания, корректировки текстов.
Разумеется, инструментов для сборки и чистки семантического ядра гораздо больше. И у каждого SEO-специалиста найдутся лайфхаки по работе с семантикой.
В этой статье я рассказала о своем опыте работы с запросами для B2B. Вы можете поделиться используемыми в своей работе методиками в комментариях.