Шаг за шагом: как собрать семантику по нише?

Александр Александров, product manager SEOWORK, пошагово описал один из методов сбора семантического ядра на примере тематики «Натяжные потолки». За основу он взял инструменты, которые есть в SEOWORK, но вы можете всегда использовать аналогичные в других сервисах или сделать то же самое вручную. Не опубликовать эту статью мы просто не смогли, ведь предложенная механика подходит для любой другой тематики и так подробно описана, надеемся вам будет полезно!

Что будем делать?

Подберем сайт по нужной нам тематике, на основании которого будем собирать семантику. Это должен быть проект в выбранном регионе, релевантный нашему запросу.

Вбиваем запрос и выбираем один из первых сайтов. Возьмём https://vipceiling.ru/

А именно, похожие сайты с хорошим ранжированием в данном регионе. Для этого используем инструмент «Конкуренты» из сервиса seowork на основе Keyso, вбиваем https://vipceiling.ru/ и уточняем регион — Москва.

После того как задание выполнится, скачиваем результат.

Далее фильтруем по столбцам «Похожесть” и “Тематичность». Мы поставим фильтр по этим столбцам > 5.

● Похожесть. Процентное количество общих запросов в количестве запросов текущего сайта.

● Тематичность. Процентное количество запросов анализируемого сайта в запросах текущего сайта (как много% запросов анализируемого сайта есть в ТОП50 у текущего сайта).

На выходе получаем 95 проектов, в порядке убывания количества ключевых слов в ТОП1 у каждого сайта.

Пример выгрузки

Для этого воспользуемся инструментом “Подбор семантики” на базе keyso.

• Выбираем тип задания по списку конкурентов,
• Выбираем регион,
• Добавляем список доменов из таблицы,
• Больше можно ничего не трогать,
• Запускаем задание!

Убеждаемся, что результат нас устраивает. Для этого в предварительном отчёте мы видим выборку из 10 строк отчёта и суммарное количество найденных ключевых слов.

Запускаем задание дальше и получаем семантику.

Пример отчёта

В результате у нас есть 36 000 запросов.

Метрика «Количество сайтов в ТОП 50» = Вес запроса

1) Если полученная семантика кажется грязной, например много лишних запросов (см картинку ниже), то нет смысла их вычищать руками. Удобнее поиграться со столбцом «Количество сайтов-конкурентов в ТОП50».

В данном случае видим что вес = 2, даёт нам довольно грязные результаты (цемент, краска), так как есть не тематические запросы

Важно. Можно сразу закладывать это значение в интерфейсе при создании задания, чтобы потом не фильтровать по этой метрике.

Убираем все запросы «Количество сайтов-конкурентов в ТОП50», у которых меньше 10, например. И сужаем выборку запросов из 36000+ до 9000.

Таким образом мы фокусируемся только на тематических запросах конкретно для этой ниши, практически без мусора, но и с хорошей полнотой.

Метрика «Пустышки». Удаляем пустые запросы

2) Удалим пустышки. Запросы которые имеют низкий показатель отношения точной частотности к общей. То есть введем новую метрику, которую рассчитаем как

(! Очень! точная! частотность] / Базовая частотность) * 100

Давайте посмотрим, что это даёт:

Как видим, при фильтрации с показателем 0%, выборка запросов состоит из однословных запросов, которые слишком общие, либо из запросов, у которых есть более корректная = частотная форма написания. В общем и целом работать с такими запросами я не вижу смысла, поэтому смело убираем все запросы которые <= 1%

Итак, убрали пустышки и получили выборку в 6000+ запросов из 9000 полученных на предыдущем этапе.

Неявные дубли

Оставим только наиболее частотные запросы из похожих.

Например, в данной группе мы уберём все запросы кроме «натяжные потолки москва».

Можно сделать это через Key Collector. Для этого импортируем наш файлик, чтобы не собирать данные с соответствием столбцов (в кейколлектор есть возможность кастомных столбцов).

Затем через опцию «Анализ неявных дублей», находим все запросы.

Далее с помощью умной отметки убираем все лишние запросы в 1 клик.

Важно, чтобы за основную метрику, по которой работала "умная отметка", был выставлен параметр в виде “очень точной частотности".

Итак, сделав эту чистку, мы получили 5000 запросов из 6000 или из 36000 начальных.

Пример полноты семантики на основании запросов из 2 слов. Как видим, встречаются интересные варианты запросов, до которых не всегда додумаешься даже если глубоко разбираться в теме.

Импортируем все полученные запросы. И загрузим их в кластеризатор, например keyassort. Загрузим со всеми полученными метриками.

Соберем данные по выдаче.

Параметры:

и

Кластеризуем и получаем:

472 разобранные группы = страницы.

И 1 не разобранная, которую можно разобрать руками в дальнейшем, либо проигнорировать.

Если просуммировать частотность всех запросов в кластере и расположить кластеры в порядке убывания частотности, то мы получим приоритезированный список, по которому можно будет выстраивать процесс по созданию контента.

Пример кластера:

Примерный ассортимент конкурентов можно прикинуть из выгрузки по конкурентам. Можем рассчитать медиану по количеству страниц в выдаче и понять примерный ориентир, сколько страниц нам понадобится, чтобы охватить семантику.

И здесь мы получили ориентир, примерно, в 300 страниц. Кластеров же мы получили 443.

Но мы также наблюдаем низкочастотные кластеры, можно их охватить дешёвым генерированным (шаблонизированным) контентом.

Исходя из полученного можно прикинуть начальную структуру семантики и получится что-то типа этого:

Бренды конкурентов, пригодятся для анализа спроса на эти бренды в динамике, чтобы понимать, кто из компаний занимается развитием бренда.

У нас есть довольно хорошее по своей полноте семантическое ядро и четкое понимание по количеству и типам страниц. Такое ядро рекомендую пересматривать максимум раз в год, а лучше раз в полгода. Так как периодически меняется интент некоторых запросов и появляются новые бренды.