Кластеризация СЯ — это разделение поисковых запросов на группы. Каждая группа запросов объединяется по схожей тематической категории, где все слова группы могли бы продвигаться по одной и той же странице сайта.
- Шаги кластеризации СЯ
- 1. Сбор и фильтрация семантического ядра, частот запросов
- 2) Определение основных категорий
- 3) Группировка запросов по кластерам и подбор целевых страниц
- 4. Проверка корректности кластеризации
Шаги кластеризации СЯ
1. Сбор и фильтрация семантического ядра, частот запросов
Соберите все возможные ключевые слова, которые могут быть связаны с вашим сайтом или продуктом. Опирайтесь на релевантность сайту.
Если использовали парсинг выдачи, конкурентов, после сбора очистите то, что очевидно: дубликаты запросов; нулевой спрос (в типовой ситуации); явно видимые нерелевантные вашему сайту запросы.
Частотность запросов (спрос)
Желательно собирать хотя бы 2 типа частот запросов. Например, общую и точную, или общую и чистую. Эта информация важна и для процесса кластеризации (некоторые НЧ запросы нет смысла выносить в отдельную группу и на отдельную страницу, логичнее объединить с более крупным смежным кластером), и для определения приоритетов в дальнейшей работе.
2) Определение основных категорий
Разделите ключевые слова на основные категории. Например, если вы работаете с интернет-магазином одежды, основными категориями могут быть “мужская одежда”, “женская одежда”, “детская одежда”. Для более крупного магазина: “одежда”, “обувь”, “аксессуары” и т.д.
3) Группировка запросов по кластерам и подбор целевых страниц
В среднем кластеры (или группы) делят на широкие и уточненные (нередко используются термины “кластер и “подкластер”).
Уточненных кластеров (подкластеров) в рамках одного широкого может быть много. Нужно или нет группировать широкие кластеры — каждый seo-специалист решает для себя сам. Иногда, для оптимизации отдельных страниц, удобно делать просто отдельные кластеры, без оглядки на подкластеры.
Некоторые сайты могут иметь очень глубокий каталог подкатегорий. Например, ИМ одежды, мебели, техники и многие другие не узкие магазины.
В свою очередь, эти подкластеры будут еще более “умельчаться” (по цветам, по размерам, по фурнитуре, бренду и т.д.): все это мы видим в фильтрах крупных сайтов, например, на WB или Ozon.
Т.о. использовать такую глубокую градацию в кластеризации нам не нужно, если только целью подбора и кластеризации СЯ не является разработка SEO-грамотной структуры сайта.
Если seo-специалист не работает в каком-то специализированном интерфейсе или системе, скорее всего, его основным инструментом при работе с СЯ будет MS Excel, Google Sheets или аналоги (для разных ОС).
Соответственно, после кластеризации SEO-специалисты используют таблицы такого типа:
Или такого:
Набор параметров, который будет присутствовать в финальном файле может быть разным. Например, кроме всех типов частотности, нередко собирают с помощью сервисов (или вычисляют) конкурентность, количество Главных в выдаче, коэффициенты сезонности, вхождения слов запроса в title и другое.
Если же требуется подготовка структуры сайта, или наборы параметров фильтров и сортировки, используется визуализация структуры прямо в Excel. В примере ниже ссылки на маске подкластера ведут на отдельную вкладку файла, со всеми параметрами запроса одного подкластера, а также подбором соответствия «запрос-страница» (ЗС).
В этом случае на вкладку со структурой нет смысла выносить все поисковые запросы со всеми «хвостами». Достаточно основных масок, или запросов по которым нужна отдельная страница / параметр фильтра.
Автоматизированная группировка запросов — как работают инструменты для кластеризации
Есть огромное количество SEO-инструментов, веб и ПО, платных и бесплатных, которые очень помогают оптимизатору в сборе и кластеризации СЯ.
Одни из самых распространенных: KeyAssort (клиент), Serpstat (на данный момент только по VPN), Rush Analytics (Веб), Topvisor, MOAB и многие другие.
У каждого инструмента есть свои интересные фичи, но они касаются в основном удобства: работы в интерфейсе, выгрузок и их представления, возможностей корректировать данные, и т.п. Работают они примерно по одной схеме.
Инструменты используют данные из заданной вами поисковой системы. Часто вы можете регулировать, какой ТОП (5, 10, 20…) нужно парсить, использовать ли главные страницы для анализа и другое.
Методы кластеризации семантического ядра
Основные методы кластеризации, которые вы можете встретить в настройках инструментов: Soft, Hard, Moderate (первые два – почти у всех).
Soft-кластеризация
Предполагает объединение запросов в кластеры на основе частичного совпадения URL в топ-выдаче поисковых систем. Это более гибкий метод, который позволяет создавать большие кластеры с меньшей точностью.
Принцип работы:
- Собираются топ-10 URL для каждого запроса.
- Запросы объединяются в кластер, если у них есть пересекающиеся URL (например, 2-3 совпадения).
Преимущества:
- Более крупные кластеры.
- Подходит для проектов с большим количеством трафика.
Недостатки:
- Меньшая точность, чем у Hard.
- Возможные ошибки в объединении запросов с разными интентами.
Hard-кластеризация
Объединяет запросы только при значительном количестве совпадающих URL, что обеспечивает высокую точность, но приводит к меньшим кластерам.
Принцип работы:
- Запросы объединяются в кластер, если имеют высокий порог совпадений URL в топ-10 (например, 5-7 совпадений).
Преимущества:
- Высокая точность.
- Подходит для коммерческих проектов, где важно четкое распределение запросов и планируется много посадочных страниц.
Недостатки:
- Меньшие кластеры.
- Возможность упустить некоторые релевантные запросы.
Пример: Запросы “купить велосипед”, “велосипед в Москве”, “велосипед недорого” объединятся в кластер только при большом количестве одинаковых URL в топ-10.
Moderate-кластеризация
Является компромиссом между Soft и Hard методами. Она сравнивает запросы попарно и объединяет их, если есть достаточное количество совпадений, но менее строгое, чем в Hard-кластеризации.
Принцип работы:
- Сравниваются топ-10 URL каждого запроса попарно.
- Запросы объединяются в кластер при умеренном количестве совпадений.
Преимущества:
- Сбалансированный подход между размером и точностью кластеров.
- Универсальность использования для различных типов сайтов.
Недостатки:
- Средняя точность и размер кластеров.
Пример: Запросы “велосипед магазин”, “купить велосипед”, “велосипед цена” могут объединиться при умеренном количестве общих URL в топ-10.
Степень кластеризации
Степень кластеризации (порог кластеризации) – это параметр, который определяет, насколько строго ключевые запросы должны совпадать в топ-выдаче поисковых систем для объединения их в один кластер. Он играет важную роль в настройке точности и размера кластеров при работе с семантическим ядром.
Определение степени кластеризации
Степень кластеризации характеризуется количеством одинаковых URL, которые должны быть найдены в топ-выдаче для объединения запросов в один кластер. Чем выше этот порог, тем точнее, но меньше по размеру будут кластеры.
Примеры степени кластеризации:
- Низкий порог (2-3 совпадения): Объединяет запросы при минимальном количестве совпадений URL.
- Средний порог (4-5 совпадений): Объединяет запросы при умеренном количестве совпадений URL.
- Высокий порог (6-7 и более совпадений): Объединяет запросы только при значительном количестве совпадений URL.
Влияние степени кластеризации на методы кластеризации
Степень при Soft-кластеризации
- Низкий порог: Запросы объединяются в большие кластеры даже при небольшом количестве совпадений URL.
- Средний порог: Запросы объединяются в кластеры при умеренном количестве совпадений, что увеличивает точность.
- Высокий порог: Используется редко, так как этот метод предполагает большую гибкость.
Степень при Hard-кластеризации
- Низкий порог: Практически не используется, так как этот метод ориентирован на высокую точность.
- Средний порог: Умеренное количество совпадений обеспечивает баланс между точностью и размером кластеров.
- Высокий порог: Обеспечивает высокую точность, кластеры небольшие по размеру.
Степень Moderate-кластеризация
- Низкий порог: Объединяет запросы в умеренные кластеры, сохраняя определенную точность.
- Средний порог: Запросы объединяются при умеренном количестве совпадений, что подходит для большинства задач.
- Высокий порог: Обеспечивает высокую точность, но кластеры будут небольшими.
Пример использования
Допустим, у нас есть следующие запросы:
- “купить смартфон”
- “смартфон цена”
- “магазин смартфонов”
- “лучшие смартфоны”
- “обзор смартфонов”
Если мы задаем низкий порог (2-3 совпадения URL):
- Запросы “купить смартфон”, “смартфон цена” и “магазин смартфонов” могут объединиться в один кластер даже при малом количестве совпадений.
Если мы задаем высокий порог (6-7 совпадений URL):
- Эти же запросы объединятся в кластер только при значительном количестве совпадений, что обеспечит высокую точность, но уменьшит размер кластера.
Выбор степени кластеризации
Выбор степени кластеризации зависит от цели проекта и типа сайта:
- Трафиковые проекты: Низкий или средний порог для создания больших кластеров.
- Коммерческие проекты: Средний или высокий порог для высокой точности и релевантности запросов.
Свои обучающие ролики или FAQ есть у каждого серьезного инструмента. Для примера приведем один (Rush Analytics).
4. Проверка корректности кластеризации
Проверьте, чтобы ключевые слова в каждом кластере были логически связаны. Используйте поисковые системы для проверки релевантности. Введите ключевые слова из одного кластера и посмотрите, если страницы с этими словами пересекаются в результатах поиска.