Как мы усилили текстовую релевантность страниц и улучшили позиции в Google: кейс канадского e-commerce

Что делать, если ссылочное продвижение уже не дает заметного роста, а масштабная переработка сайта слишком дорогая или пока невозможна? В этом кейсе рассказываем, как мы нашли дополнительную точку роста для англоязычного интернет-магазина: усилили текстовую релевантность страниц с помощью семантической близости, протестировали два подхода и после доработки методики получили более заметный рост позиций в Google. Разбираем, что именно изменили, почему первый вариант оказался недостаточно эффективным и какие выводы можно использовать на других SEO-проектах.

Клиент: интернет-магазин нишевой парфюмерии из Канады. Компания продает товары не только внутри страны, но также отправляет заказы в США и страны Латинской Америки. Сайт построен на Shopify: это удобная и достаточно гибкая платформа для e-commerce, но внедрение нестандартных SEO-решений на ней часто требует дополнительных ресурсов и согласований.

Изначально на проекте основной фокус был на ссылочном продвижении: мы работали с PBN, потому что для Google ссылочные факторы по-прежнему остаются одним из важных факторов. Но спустя время стало понятно, что для дальнейшего развития проекта нужно искать дополнительные точки роста внутри самого сайта. Поэтому предложили применить подход, который ранее сработал на нашем e-commerce проекте (этот кейс описали в статье на VC).

В кейсе мы использовали принцип косинусной близости для масштабной работы с внутренней перелинковкой: подбирали семантически близкие фразы, превращали их в анкоры (текст, в который вшита ссылка) и размещали ссылки в карточках товаров и листингах. Это помогло расширить количество релевантных связей между страницами и усилить их тематичность.

Но при более детальном знакомстве с канадским проектом стало понятно, что повторить механику один в один не получится. У сайта была другая поисковая система — Google вместо Яндекса, другой язык, другая CMS — Shopify, а также другая структура страниц. В том проекте подход был завязан на массовую анкорную перелинковку через карточки товаров, а на сайте канадского клиента такой формат выглядел бы неестественно и мог ухудшить пользовательский опыт.

Поэтому мы решили взять из предыдущего кейса не саму механику перелинковки, а основную идею — использовать косинусную близость для подбора слов и фраз, которые помогают точнее раскрыть тему страницы. В канадском проекте мы адаптировали эту концепцию под другой формат: не массово добавляли анкоры, а усиливали вводные тексты и FAQ-блоки на страницах коллекций. Так подход сместился с перелинковки на работу с текстовой релевантностью.

Наша задача была не скопировать механику, а проверить, можно ли использовать тот же принцип семантической близости для англоязычного e-commerce проекта в Google.

Мы подготовили два варианта доработки страниц коллекций.

1. Добавить короткие SEO-тексты и использовать часть найденных фраз в блоках с товарами или внутренних ссылках. Этот вариант был ближе к механике на предыдущем проекте, но для сайта клиента выглядел спорно: дополнительные анкоры в листинге могли перегрузить карточки товаров и смотреться неестественно.

2. Подготовить вводные SEO-тексты и добавить FAQ-блоки. Такой формат позволял органично раскрыть тему страницы, использовать дополнительные смысловые фразы и не перегружать листинг.

Клиент выбрал второй вариант. Внутренние ссылки решили добавлять только точечно — там, где они действительно уместны в тексте или FAQ и помогают перейти к смежной категории или товару.

Перед стартом мы отдельно проговорили с клиентом ограничения: рынок, поисковая система, язык и структура сайта отличались, поэтому мы не обещали повторения тех же результатов. Кроме того, бюджет позволял проработать только выбранную группу страниц, без полноценного A/B-теста и контрольной группы.

Поэтому далее показываем кейс как разбор нового подхода: что сделали, какую динамику увидели и как доработали механику после первого этапа. Основным показателем для оценки была средняя позиция по выбранным страницам и кластерам запросов. Трафик мы также смотрели, но не делали его главным KPI, потому что на него сильнее влияют сезонность, общий спрос, изменения выдачи и поведение пользователей.

Для первого подхода клиент выбрал 20 страниц коллекций парфюма. По этим страницам мы собрали запросы, замерили позиции и зафиксировали стартовую точку. Для мониторинга использовали SpySerp и внутреннюю аналитику Shopify.

На момент старта средняя позиция по собранным запросам для этих 20 страниц была в районе 40 места. Доля ключевых слов, по которым страницы уже присутствовали в выдаче, составляла 68%.

Дальше нам нужно было для каждой страницы собрать дополнительные слова и фразы, которые помогут точнее раскрыть тему коллекции. В SEO такие фразы называют LSI-словами: это не обязательно прямые ключевые запросы, а смысловые элементы, которые помогают поисковой системе и пользователю лучше понять контент страницы.

На проекте из первого кейса большую часть работы выполнял бот: он работал с русскоязычной семантикой, Яндексом и конкурентными страницами в русскоязычной выдаче. Для канадского сайта этот инструмент не подходил.

Нам нужно было собрать собственную механику для англоязычного Google-проекта. Мы изучили модели, которые можно использовать для оценки семантической близости на английском языке, и на первом этапе остановились на bert-base-nli-mean-tokens. Модель была доступна для внедрения в скрипт и подходила для базовой проверки гипотезы.

Алгоритм был простым. Для каждой страницы мы брали основные запросы и список дополнительных фраз, который собирали через SEO-сервисы. Затем скрипт сравнивал основные запросы с дополнительными словами и фразами и рассчитывал показатель семантической близости.

Источником дополнительных фраз на первом этапе были Semrush и Ahrefs. Мы загружали список запросов для страницы, получали расширенные варианты и оставляли фразы длиной до трех слов. Так получался список коротких словосочетаний, которые потенциально могли быть связаны с темой страницы.

Затем список попадал в скрипт. Модель переводила запросы и дополнительные фразы в векторы, сравнивала их между собой и показывала, какие варианты находятся ближе к основной теме страницы. Для дальнейшей работы мы оставляли фразы с показателем близости не ниже 0,5.

Этот этап помог быстрее отфильтровать большой список фраз и оставить те, которые выглядели наиболее подходящими для текстов. Но после первого подхода стало понятно, что одних SEO-сервисов недостаточно: они дают широкий список вариантов, но не всегда отражают лексику реальных конкурентов из топа и запросы, по которым конкретный URL уже имеет потенциал.

После подбора фраз мы переходили к подготовке контента. Для каждой страницы нужно было написать вводный текст и FAQ-блок, куда можно органично встроить основные запросы и дополнительные смысловые фразы.

На этом этапе мы использовали ИИ: передавали ему список запросов и выбранных фраз, просили подготовить текст и отдельно указать, какие формулировки были использованы. Но финальный контент не публиковали без редакторской обработки.

Первые версии текстов звучали слишком роботизированными. В них было заметно стремление использовать как можно больше фраз сразу, из-за чего текст терял естественность. Поэтому мы дорабатывали структуру, убирали перегруженные предложения, приводили формулировки к нормальному звучанию и проверяли, чтобы блоки были полезны пользователю, а не выглядели как набор SEO-слов.

Внутренние ссылки добавляли только там, где они выглядели логично: например, если в тексте или FAQ упоминалась смежная категория, отдельная линейка ароматов или товар, к которому действительно уместно перейти. В среднем на страницу могло приходиться 1–2 такие ссылки.

После публикации текстов мы начали чаще снимать позиции, чтобы не пропустить первые изменения. Сначала проверяли динамику каждые три дня, но заметные сдвиги появились примерно через две недели.

По проработанным страницам мы увидели умеренный рост в большинстве диапазонов позиций. В отдельных группах выдачи динамика составила около 2–3%. Диапазоны ТОП-11–20 и ТОП-51–100 остались без существенных изменений. Негативной динамики по выбранным группам мы не зафиксировали, хотя на старте клиент был готов и к такому сценарию.

При этом заметного роста трафика на первом этапе мы не увидели. Это было важное наблюдение: позиции по части запросов улучшились, но эффект оказался скромнее, чем мы ожидали после опыта с предыдущим кейсом.

Мы не стали делать вывод, что метод уже сработал идеально. Наоборот, разобрали первый подход и решили усилить механику подбора фраз. Главный вывод был таким: идея семантической доработки страниц выглядит перспективно, но нам не хватало опоры на реальные страницы конкурентов из топа и на запросы, по которым конкретные URL уже показывались в Google.

После первого этапа мы пересобрали методику. Цель была не просто повторить внедрение на новой группе страниц, а сделать подбор фраз точнее и ближе к реальной выдаче Google.

Во-первых, мы заменили модель. Вместо bert-base-nli-mean-tokens начали использовать all-mpnet-base-v2. Для нашей задачи она была удобнее: лучше работала с контекстом и давала более качественную оценку смысловой близости фраз на английском языке.

Во-вторых, изменили источник фраз. На первом этапе мы в основном опирались на SEO-сервисы. Во втором решили больше смотреть на реальные тексты конкурентов, которые уже ранжируются в топе Google по нужным запросам.

Логика была простой: если конкурентные страницы занимают высокие позиции, их тексты могут содержать полезные тематические формулировки, которые помогают раскрыть интент. Значит, стоит анализировать не только расширенные списки запросов из сервисов, но и лексику страниц, которые Google уже считает релевантными.

В-третьих, мы стали аккуратнее выбирать сами запросы для анализа. При сборе семантики для первой группы страниц мы использовали стандартную логику: Ahrefs, Semrush, релевантные ключи для страницы. Но часть запросов могла быть слишком конкурентной, а по части страница могла вообще не иметь заметных позиций. Поэтому во втором подходе мы стали дополнительно смотреть Google Search Console и брать в работу запросы, по которым конкретный URL уже показывался в поиске.

Так мы не пытались притянуть страницу к любым потенциально релевантным запросам, а работали с теми направлениями, где у нее уже был сигнал видимости и шанс на рост.

Для каждой страницы мы брали список запросов, по которым URL уже имел показы или позиции в Google Search Console. Затем по этим запросам смотрели конкурентов в выдаче нужного региона. Для проверки использовали Arsenkin и ручной анализ страниц.

Автоматический сбор текстов в этой нише оказался неидеальным: часть сайтов закрывала доступ для скриптов, а при парсинге в выгрузку часто попадали меню, футеры, технические блоки или повторяющиеся элементы. Поэтому в ряде случаев тексты конкурентов собирали вручную, чтобы не загрязнять данные лишним контентом.

После этого тексты лемматизировали: приводили слова к базовой форме и выделяли повторяющиеся смысловые элементы. Дальше эти леммы и фразы сравнивали с запросами страницы через модель семантической близости.

Так мы получали не просто похожие фразы из SEO-сервиса, а список формулировок, которые одновременно связаны с запросами страницы и встречаются в реальном контенте конкурентов из топа. Это помогало сделать тексты более точными и естественными.

Параллельно проверяли, хватает ли проработанным страницам логичных внутренних связей со смежными категориями и товарами. Если внутри текста или FAQ была уместная точка перехода, добавляли ссылку. Но главным фокусом второго подхода оставалась доработка содержания страниц.

Во втором подходе мы протестировали новую механику на 10 страницах. После публикации доработанных текстов и FAQ увидели более заметную динамику, чем на первой группе.

Средняя позиция по этим 10 страницам выросла примерно на 10 пунктов. Также увеличилось количество запросов в выдаче. Особенно заметной была динамика в диапазоне ТОП-11–30: прирост составил 22%.

Для нас это был важный сигнал, потому что именно такие запросы часто находятся в зоне ближайшего роста: страница уже видима, но ей не хватает релевантности или усиления, чтобы подойти ближе к первой странице выдачи.

В отдельных диапазонах динамика была неоднородной: позиции в ТОП-4–5 и ТОП-6–10 немного снизились, при этом ТОП-1–3 вырос на 3%, а ТОП-11–30 показал заметный прирост.

Мы не интерпретировали это как доказательство влияния одного фактора. Но в рамках выбранных страниц и периода после внедрения получили положительный сигнал: второй подход оказался сильнее первого.

На наш взгляд, результат улучшился благодаря более точной механике: мы брали запросы из GSC, анализировали тексты конкурентов из топа и использовали более подходящую модель для оценки семантической близости.

После второго подхода клиент согласовал масштабирование: до января 2026 года мы проработали 60 страниц категорий. Дальше сфокусировались на комплексном техническом улучшении: оптимизировали краулинговый бюджет, выстроили логичную внутреннюю перелинковку и работали над поиском новых брендов, которые можно дополнительно включить в ассортимент и структуру сайта.

С конца февраля 2026 года и по сей день наш главный приоритет на проекте — GEO (Generative Engine Optimization). В Северной Америке адаптация под AI-поиск (ChatGPT, Gemini и др.) перестала быть просто трендом и стала фактором, который напрямую влияет на продажи.

Мы работаем над тем, чтобы карточки товаров клиента попадали в ответы ИИ-ассистентов: максимально полно раскрываем сущности на страницах и системно работаем с внешними упоминаниями на площадках уровня Reddit. Примечательно, что если для нестандартных SEO-внедрений Shopify создавал ограничения, то для GEO эта CMS оказалась отличным инструментом — ее встроенная аналитика позволяет нам очень детально отслеживать трафик и конверсии именно из AI-источников. Благодаря этому мы продолжаем открывать для проекта новые точки роста и привлекать целевых покупателей уже в реалиях нейросетевой выдачи.

Главный вывод не в том, что косинусная близость сама по себе выводит сайт в топ. В SEO почти всегда на результат влияет несколько факторов: состояние сайта, конкуренция, ссылки, спрос, техническая часть, структура страниц, качество контента и изменения самой выдачи.

Для нас ценность кейса в другом: подход на основе семантической близости помог сделать работу с текстовой релевантностью более системной. Мы не просто добавляли в тексты ключевые слова, а искали смысловые фразы, которые помогают полнее раскрыть тему страницы и при этом выглядят естественно для пользователя.

Кейс также показал, что методику нельзя бездумно переносить с одного проекта на другой. В предыдущем кейсе семантическая близость использовалась в связке с массовой анкорной перелинковкой. В канадском проекте эта механика не подходила, поэтому мы адаптировали сам принцип под другой формат: тексты, FAQ и точечные внутренние ссылки только там, где они действительно уместны.

Первый этап дал умеренную динамику и показал ограничения подхода через SEO-сервисы. Второй этап, где мы добавили данные GSC, анализ конкурентов и более точную модель, оказался сильнее. Именно это стало основной ценностью внедрения нового подхода: мы не просто внедрили один раз и зафиксировали цифры, а доработали механику на основе первых результатов.

Если вашему e-commerce проекту не хватает точек роста в органике, а масштабная переработка сайта сейчас невозможна, работа с семантической релевантностью может стать хорошим промежуточным решением. Она не заменяет техническое SEO, аналитику, ссылочную стратегию и работу со структурой, но помогает точечно усилить страницы, которые уже имеют потенциал в поиске.

Напишите нам, если хотите получить комплексное SEO-продвижение и найти дополнительные точки роста для вашего сайта.

Автор: Дарья Замятина, SEO-специалист Ant-Team.ru.

Подписывайтесь на наш телеграм-канал, чтобы первыми узнавать о выходе новых материалов. Также смотрите наши видео на YouTube, VK и Rutube.