Кластеризация и текстовая аналитика: как исправить статью на сайте, чтобы она давала трафик, продолжение — всё о копирайтинге

Все, что вы хотели знать о новом инструменте Serpstat «Текстовая аналитика»

14632   68   7
SEO – 12 min read – 3 August 2017

Инна Arsa

Главный редактор в Serpstat

Надеюсь, у вас было достаточно времени, чтобы прочитать наш предыдущий пост об инструменте кластеризации ключевых слов. Данная статья будет посвящена второй части этого инструмента — текстовой аналитике. Читайте внимательно, чтобы ничего не упустить.

Или можете все узнать из этого видео:

Текстовая аналитика — это инструмент, который поможет оптимизировать текст на страницах вашего сайта. Ни для кого не секрет, что одним из важнейших показателей ранжирования является текст. Именно на оптимизацию этого фактора направлен наш инструмент.

Предположим, что ваша целевая страница не находится в топе по необходимым ключевикам. В таком случае имеет смысл изменить содержание страницы, чтобы повысить ее релевантность заданным поисковым запросам. Цель нашей текстовой аналитики — создать рекомендательную базу по оптимизации контента на вашей странице.

Ее можете использовать для решения основных задач:

1) генераций заданий для копирайтеров на основе анализа текстов конкурентов, находящихся в топ-10; 2) анализа текстового фактора ранжирования вашей страницы и расширения семантического ядра; 3) анализа важных слов в тематике и получения списка LSI-слов (слов, определяющих тематику). Как вы уже наверняка догадались, инструменты «Кластеризация» и «Текстовая аналитика» связаны между собой. Кластеризация нужна для того чтобы выбрать ключи, которые можно разместить на одной странице. Текстовая аналитика — чтобы их проанализировать. Кластеризация помогает не только разбить фразы на группы, но и автоматически назначить страницу (url) вашего домена к кластеру, чтобы потом провести по ней текстовую аналитику. Это мощная связка, позволяющая автоматизировать весь процесс работы с ключевиками.Очевидный факт для всех, кто занимается SEO — если страница попала в топ по запросу, то, значит, ее содержимое воспринимается поисковым алгоритмом, как релевантное запросу, и поисковик поставил ее на высокую позицию. И как следствие мы получим то, что страницы попавшие в топ по запросу содержат в себе те признаки, которые «привели» их в этот топ.

То есть достаточно исследовать конкурентов и сравнить их с целевой страницей, чтобы получить все необходимые рекомендации по семантике? Но не все так просто.

Проблема в том, что мало кто знает, на основе каких URL-ов нужно давать рекомендацию. Ведь наша целевая страница может быть информационной, а в выдаче будут попадаться коммерческие запросы. Или же наоборот.

В выдаче могут быть видео, нужно ли учитывать их? А может наш целевой урл это видео, и нам нужна рекомендация на основе текстов и описаний именно других роликов. А что, если мы не очень хорошо разбираемся в предметной области, и неверно указали некоторые ключевики, тем самым внося шум. Мы постарались решить эти проблемы.

Мы тщательно отбираем тематику страниц, на основе которых строится рекомендательная база текстовой аналитики. Другие же сервисы собирают слова из всех тематических групп сразу, не фильтруя их при этом. Так например, для продвижения страницы по доставке продуктов на дом Serpstat предложит только слова, которые логически связаны с доставкой еды.

Другие сервисы могут предложить вам внести в текст ключевые фразы из другой ниши. В продукты они могут порекомендовать добавить и антивирус Касперского и разные SaaS-ы, которые будут в поисковой выдаче под словом «продукт».

Качественно подбираем слова для рекомендательной базы, используя собственный алгоритм, который вытаскивает только значимые слова для тематики. У нас вы не найдете в рекомендациях добавить предлоги, союзы и прочий нерелевантный мусор, как это делают другие инструменты.

Мы не советуем конкретное количество употребления слов и их словоформ, мы анализируем лексему целиком. Контролируем переспам текста и советуем сократить частоту одного и того же слова в тексте.

Мы не советуем конкретную длину текста, мы рекомендуем приемлемый диапазон длин. Анализируем текст полностью и находим отсутствующие слова в тексте, которые есть у конкурентов в топе и которые влияют на ранжирование.

Мы показываем релевантность поисковых запросов к вашему тексту не в сухих числах, а используем визуализацию, которая показывает в каком диапазоне релевантности конкурентов находится ваш текст.

Упрощенно текстовая аналитика в Serpstat работает следующим образом:

1. Разделяет топы URL-ов в выдаче по заданным поисковым запросам на группы, например: видеозаписи, информационные статьи, каталоги, коммерческие страницы и т.д и определяет к какой группе из них наиболее близок целевой URL.

Фильтрация происходит даже для учета страниц, содержащих видео. Если среди указанных поисковых запросов попадаются фразы, не совсем релевантные тематике, они никак не повлияют на результаты текстовой аналитики. Чтобы избежать рекомендаций, основанных на нерелевантных предметах, Serpstat делит страницы ваших конкурентов на семантические группы.

Такой алгоритм предоставляет более точную рекомендательную базу.

Источник: https://serpstat.com/ru/blog/vse-chto-vi-hoteli-znat-ob-instrumente-tekstovaya-analitika/

Кластеризация семантического ядра. Зачем, где, как? – На Доске – выпуск № 177 с Олег Шестаков

В сегодняшнем выпуске На Доске про семантику и структуризацию ключевых слов для сайта.

О том, что такое кластеризация семантического ядра. Зачем нужно кластеризировать и как это можно сделать.

Про это рассказывает Олег Шестаков, основатель Rush Analytics.

Видео получилось довольно таки объемным. В нем основные нюансы связанные с кластеризацией.

Переходим к просмотру видео:

Фото с доски:

Расшифровка видео

1. Что такое кластеризация?

Кластеризация по методу подобия топов — это группировка ключевых слов на основе анализа выдачи поисковых систем. Как это происходит?

  • Берем два запроса, например, «блеск для губ» и «купить блеск для губ».
  • Собираем для каждого из запросов поисковую выдачу, сохраняем 10 url из каждой выдачи и проверяем, есть ли общие url в обеих выдачах.
  • Если есть хотя бы 3-5 (в зависимости от точности кластеризации, которую мы зададим), то эти запросы группируются.

2. Зачем делать кластеризацию?

Почему тренд кластеризации на рынке уже около полутора лет? Почему это важно и как это поможет?

  • Экономия времени. Кластеризация — замечательная технология, которая поможет сократить рутину при работе с группировкой семантического ядра. Если обычный специалист по семантическому ядру разбирает 100 000 ключевых слов, отделяя их на группы, порядка 2-3 недель (а то и больше, если сложная семантика), то кластеризатор может это разделить в порядке очереди примерно за час.
  • Позволяет избежать ошибки продвигать разные запросы на одну страницу. В Яндексе есть классификаторы, которые оценивают коммерческие запросы. Например, выдача по информационным запросам и коммерческим — совершенно разная. Запросы «блеск для губ» и «купить блеск для губ» никогда не получится продвинуть на одну страницу.

1) По первому запросу («блеск для губ») стоят сайты информационной тематики (irecommend, Википедия). Под этот запрос нужна информационная страница.

Читайте также:  Биржа контента etxt.ru: полная инструкция для новичка от регистрации до заработка - всё о копирайтинге

2) По второму запросу («купить блеск для губ») — коммерческие ресурсы, известные интернет-магазины. Под этот запрос нужна коммерческая страница.

То есть под разные запросы нужны разные типы страниц. Частая ошибка отимизатора — когда он продвигает все вместе на одну страницу. Получается так, что половина семантического ядра выходит в ТОП-10, а вторая половина никак не может туда попасть. Кластеризатор позволяет избежать таких ошибок.

Для того чтобы так не происходило, нужно изначально правильно сгруппировать запросы по типам страниц по выдаче.

3. Как кластеризация помогает в продвижении?

  • скорость обработки данных,
  • классификация страниц, под которые делается продвижение.

Если структура сайта сгруппирована и внутренняя оптимизация сделана правильно, то это уже половина дела, если мы говорим о российском рынке.

Под западные рынки, естественно, потребуются ссылки. По нашему опыту, где-то 50-60% запросов при правильной кластеризации и правильной текстовой оптимизации просто выходит в ТОП без какого-либо внешнего вмешательства.

Для интернет-магазинов либо классифайдов (агрегаторов и порталов) в принципе даже не нужны и тексты.

Кластеризация — залог правильного ранжирования. На данный момент нет смысла бороться с ранжированием поисковой системы, а проще подстроиться под это ранжирование, войти в нужные типы страниц и успешно продвигаться. Сменить парадигму продвижения какой-то тематики — скорее нереально, чем реально.

4. Какие есть методы кластеризации? (Hard/Soft)

Soft — это то, что было описано ранее. Берется маркерный запрос какой-то категории интернет-магазина, к нему привязываются другие запросы, сравнивается выдача. «купить блеск для губ», «купить блеск для губ в москве», «купить блеск для губ цены» — они имеют с главным запросом 4-5 связей.

Эти запросы привязываются. На этом проверка заканчивается, получается кластер ключевых слов и его можно продвигать.

Но есть тематики более конкурентные, например, пластиковые окна. Здесь нужно проверить, чтобы все запросы, которые были привязаны к главному, могли быть продвинуты друг с другом.

Нужно сравнить, есть ли в выдаче по этим запросам

одинаковый url. Сравниваем выдачу не только с главным запросом, но и между собой. И группируем только те запросы, которые могут быть связаны между собой.

Для большинства случаев хватает Soft кластеризации. Это интернет-магазины (не очень конкурентные категории), информационные ресурсы.

Для конкурентных тематик рекомендуем делать Hard кластеризацию.

5. Кластеризация в Rush Analytics

У нас есть модуль кластеризации и 3 типа кластеризации:

  • По Wordstat. Самый простой и менее затратный по времени с точки зрения оптимизатора метод. Идеально подойдет для ситуаций, когда мы не знаем о структуре сайта практически ничего.

1) В Excel загружаете в одну колонку ключевые слова, в другую — частотность по Wordstat, и отправляете на кластеризацию.

2) Мы сортируем весь список по убыванию: наверху получаются самые частотные слова (обычно самые короткие).

3) Алгоритм работает так: мы берем первое слово, пробуем привязать к нему все остальные слова, группируем. Все, что привязалось, вырезаем, делаем сортировку заново и опять повторяем эту итерацию.

4) Из списка ключевых слов мы получаем набор кластеров.

По маркерам

Подходит для сайтов, где структура определена. Очень хорошо работает в e-commerce (например, интернет-магазины).

1) Мы знаем маркерный запрос (основной запрос страницы или несколько запросов, под которые она продвигается).

2) Мы берем список ключевых слов, в колонке справа единицами отмечаем маркерные запросы, и нулями — все остальные запросы.

3) Мы берем маркерное ключевое слово и пытаемся привязать к нему остальные ключевые слова и сгруппировать в кластеры. Здесь важно, что в этом алгоритме маркерные слова, которые мы пометили единичками, никогда не будут связаны между собой. Мы не будем пытаться их привязать.

Комбинированная кластеризация

Этот алгоритм совмещает в себе два предыдущих

1) Мы загружаем ключевые слова, отмечаем «маркер/не маркер» и частотность.

2) Привязываем к маркерным запросам все слова, которые мы можем привязать.

3) Берем ключевые слова, которые остались не привязанными, и группируем их между собой по Wordstat.

4) Все остальное откинется в «некластеризованные».

5) В итоге — структура, которую мы уже знаем. Также получится автоматическая кластеризация всех остальных ключевых слов, что поможет нам расширить структуру. Все эти типы кластеризации есть в Rush Analytics.

Какие еще есть инструменты на рынке?

Из достойных, кроме Rush Analytics, можно выделить сервис JustMagic, где есть и Hard и Soft кластеризация. Сервис разработал Алексей Чекушин.

Это все, что вам нужно знать о кластеризации, чтобы начать работу по группировке ключевых слов.

Используйте кластеризацию и экономьте свое время. К тому же, люди часто ошибаются, процент ошибок оптимизатора — порядка 15%. Доверьте рутину роботам — не нужно разбирать это руками.

Хорошие статьи в продолжение:

— Как сделать семантическое ядро сайта — пошаговое руководство

— Подбор ключевых слов для англоязычного сайта — пошаговое руководство

А что вы думаете по этому поводу? Давайте обсудим в комментариях!)

Источник: https://seoprofy.ua/blog/na-doske/nomer-177

Сравнение сервисов автоматической кластеризации ключевых слов для SEO

В небольшом SEO-отделе большого контентного проекта, где я работаю, решили увеличить штат. Набирать планировалось людей с небольшим опытом или совсем без опыта.

По этой причине было решено создать некий гайд, который бы служил исчерпывающим руководством по написанию новых статей.

Руководство получилось действительно подробным и полным, один из его важных блоков – это кластеризация запросов.

Зачем нужны сервисы кластеризации?

В один кластер должны быть объединены только такие запросы, которые имеют хорошие шансы выйти в топ-10 поисковых систем с общей релевантной страницей.

То есть, если по двум запросам в выдаче все страницы сайтов разные и нет пересечений, то следует относить их к разным кластерам.

Также и наоборот: если два запроса возможно продвинуть на одной статье, то не следует разносить их на разные кластеры, чтобы не писать лишнего – бюджет на контент не резиновый.

Общая схема составления ТЗ на написание SEO-статьи следующая:

  1. Сбор семантики – статистика поисковых систем, базы семантики, внутренняя статистика проекта;
  2. Кластеризация автоматическая – сервис или программа для кластеризации по подобию топов;
  3. «Посткластеризация» ручная – обработка того что не удалось кластеризовать автоматически;
  4. Приоритезация – определение важности полученных запросов в каждом кластере;
  5. Оформление ТЗ для копирайтера – лемматизация, LSI и различные указания для написания статей, по статье на каждый кластер.

Вот именно для второго пункта нужно было выбрать самый подходящий сервис автоматической кластеризации. Для этой цели я провел сравнительный анализ самых известных, на мой взгляд, сервисов.

Способы кластеризации

Из способов, которые автоматизированы в каких-то известных сервисах или программах, можно выделить два:

  • По подобию топов (по поисковой выдаче);
  • По похожести слов.
Читайте также:  Что такое dns сервер: просто о сложном для новичков - всё о копирайтинге

Исходя из задачи – написание SEO-статей, был выбран метод по подобию топов. Поисковая система на трафик с которой мы ориентируемся – Яндекс, поэтому для кластеризации использовался топ-10 Яндекса. У данного метода есть два вида:

  • Soft – когда все запросы кластера связаны хотя бы с одним общим (маркерным) запросом;
  • Hard – когда каждый запрос связан со всеми запросами в своем кластере;

а также такой параметр как «сила связи» – количество общих URL в поисковой выдаче по запросам.

По рекомендациям создателей сервисов кластеризации для нашего случая был выбран вариант Soft с силой связи 4. Это важный момент, потому что для интернет-магазина, например, следовало бы выбирать другие опции.

Методика сравнения

Суть сравнения сервисов в следующем: выбрать идеально кластеризованный список запросов – эталонное ядро. Сравнить результаты кластеризации каждого сервиса с эталонным.

Важно было хорошо составить такое эталонное ядро. Поскольку у нас контентный проект и большая часть контента – это вопросы и ответы пользователей, то материала для сбора статистики по проекту предостаточно.

Было взято ядро на 2500+ ключевых фраз, которое отслеживается уже много месяцев. Из него выбраны только запросы вышедшие в топ-5 Яндекса.

И из них взяты только те которые имеют релевантной страницу одного из широких разделов (категория вопроса, тема вопроса, категория документа, страница с формой «задать вопрос»), а не узкую страницу вопроса с ответами.

Запросы были сгруппированы по релевантной странице. Оставлены только группы в которых более чем 4 запроса. В итоге получилось 292 запроса разбитых на 22 кластера.

Забегая вперед скажу, что сравнивались результаты кластеризации по Московской выдаче Яндекса и без геопривязки. Региональная московская выдача показала себя лучше, поэтому далее будем говорить про нее.

Сравнение сервисов

В поиске самых популярных сервисов очень помог доклад Александра Ожгибесова на BDD-2017, к тем, что у него было добавлено еще несколько сервисов, получился такой список:

  1. Топвизор
  2. Pixelplus
  3. Serpstat
  4. Rush Analytics
  5. Just Magic
  6. Key Collector
  7. MindSerp
  8. Semparser
  9. KeyAssort
  10. coolakov.ru

Первое на что проверялись полученные в результате кластеризации эталонного ядра по этим сервисам группы – это не делает ли сервис слишком широкие группы. А именно не попали ли запросы из разных групп эталонного ядра в один кластер по версии сервиса.

Но только такого сравнения не достаточно. Сервисы делятся на два подхода к некластеризованному остатку фраз:

  • сделать для них общую группу «Некластеризованные»;
  • сделать для каждой некластеризованной фразы группу из нее одной.

По причине п.2 появилась необходимость смотреть на количество фраз, которые находятся в одной группе эталонного ядра и попали в разные по сервисам.

В сравнении я использовал оба этих параметра в виде соотношения – какой процент фраз от общего количества попал не в свою группу.

Результаты сравнения:

  • Топвизор
    • разные группы эталона в одной по сервису – 4%
    • одна группа эталона в разных по сервису – 7%
  • Pixelplus
    • разные группы эталона в одной по сервису – 0%
    • одна группа эталона в разных по сервису – 7%
  • Serpstat
    • разные группы эталона в одной по сервису – 0%
    • одна группа эталона в разных по сервису – 3%
  • Rush Analytics (132 фразы, demo)
    • разные группы эталона в одной по сервису – 11%
    • одна группа эталона в разных по сервису – 8%
  • Just Magic
    • разные группы эталона в одной по сервису – 0%
    • одна группа эталона в разных по сервису – 9%
  • Key Collector
    • разные группы эталона в одной по сервису – 12%
    • одна группа эталона в разных по сервису – 16%
  • MindSerp – не удалось получить демо, не выходят на связь
  • Semparser
    • разные группы эталона в одной по сервису – 1%
    • одна группа эталона в разных по сервису – 3%
  • KeyAssort
    • разные группы эталона в одной по сервису – 1%
    • одна группа эталона в разных по сервису – 1%
  • coolakov.ru
    • разные группы эталона в одной по сервису – 0%
    • одна группа эталона в разных по сервису – 18%

Итоги

В качестве оптимального решения для нашего проекта была выбрана программа KeyAssort – это именно программа, а не онлайн-сервис, лицензия покупается однократно, привязывается к железу.

Неплохие результаты показал популярный онлайн сервис Serpstat, но для нашего случая чуть хуже, а также значительно дороже. Если брать большие объемы запросов в месяц и использовать его только для кластеризации – он не рентабелен. Возможно, если использовать кластеризатор вместе с другими его инструментами, то он и окажется приемлемым по цене.

Самые худшие показатели у программы Key Collector, что все равно не отменяет необходимость ее иметь в своем арсенале для любого сеошника.

Очень удивил сервис MindSerp, через сайт которого я так и не смог получить никакой обратной связи по поводу демо. Если представители этого сервиса прочитают статью, может быть я добавлю в сравнение и его)

Источник: https://habr.com/post/354986/

Волшебная палочка семантика – кластеризация и текстовый анализатор от Serpstat

Есть вещи на сайте, которые можно улучшать практически бесконечно. Например, тексты на страницах. Это справедливо как для посадочных заточенных под один запрос, так и для объемных статей, охватывающих целые группы ключевых слов.

В основе работы с текстовыми факторами лежит качественно собранная семантика и ее грамотное распределение по содержимому страницы. Есть два способа работы над всем этим делом:

  • вручную, например, используя Wordstat/Planner, группируя запросы в Excel и просматривая Топ выдачи по запросу;
  • в автоматическом режиме, путем использования возможностей сервисов кластеризации и текстовой аналитики.

Преимущество первого метода понятно сразу – это бесплатно. Во втором случае придется заплатить за использования сервисов, но взамен вы получаете огромный выигрыш в плане времени.

Для любого, кто профессионально занимается SEO, этот аргумент становится решающим. За освободившееся время можно выполнить работу, которая принесет в разы больше денег, чем было потрачено. Именно автоматический вариант мы и рассмотрим.

В качестве инструмента для реализации нашей задачи будет использоваться «Кластеризация и Текстовая аналитика» от Serpstat.com. Сейчас опция находится в режиме открытого бета-тестирования, и тем более будет интересно посмотреть, как все работает на практике. Так что приступим.

Кластеризация запросов: создание проекта и немного матчасти

На первом этапе нужно провести кластеризацию, поскольку без этого воспользоваться инструментом текстовой аналитики нельзя. Суть кластеризации в разбивке фраз на группы, которые и называются «кластерами».

Это позволяет эффективно распределить ключевые слова по группам, на основе которых проектируется структура сайта и осуществляется оптимизация отдельных посадочных.

Читайте также:  Выбор ниши для информационного сайта - всё о копирайтинге

Serpstat анализирует и группирует фразы на основе их пересечения в выдаче и проверяет силу связи между ними (количество одинаковых страниц в топ-30 результатов поиска по запросу). Таким образом, формируются кластеры, в которых запросы максимально близки по тематике.

Основной плюс – расширение охвата ключей на странице и увеличение ее видимости. Исходим из гипотезы, что если n-ное количество страниц в Топе показываются по нескольким запросам, то и у нас получится адаптировать контент под эти же ключи.

Теперь можно приступить к созданию проекта. Для этого авторизуемся в Serpstat и переходим в раздел «Инструменты» с пометкой Beta:

Нажимаем кнопку «Открыть» под пунктом «Кластеризация и текстовая аналитика». Затем – «Создать проект»:

Откроется окно этапов настройки, которое состоит из нескольких шагов, в процессе выполнения которых нужно:

  • указать ключевые слова или загрузить их из файла;
  • выбрать поисковую систему и регион;
  • указать силу связи (Weak/Strong);
  • выбрать тип кластеризации (Soft/Hard).

В качестве примера я взял одну из статей своего же блога, а список ключевых слов добавил на основе видимости этой страницы в Яндексе (МСК) по данным того же Serpstat. Плюс немного почистил, убрав ненужное.

Можно поставить параметры Soft/Weak, чтобы ускорить сбор данных. А если какой-нибудь из показателей непонятен – просто наведите мышку на знак вопроса. Появится всплывающая подсказка с разъяснением.

Жмем кнопку «Готово» и начинается процесс анализа, отслеживать который можно по ползунку в графе «Статус кластеризации»:

Источник: http://seoinsoul.ru/klasterizaciya-i-tekstovyj-analizator-serpstat/

Можно ли доверять автоматической кластеризации?

Валерий, основатель Semantic-lab.pro · 10 мин
1 Мар. 2017

Споры о том, какой должна быть кластеризация поисковых запросов, при составлении семантического ядра, продолжаются уже не первый год. Одни утверждают, что автоматическая группировка фраз полностью справляется с поставленной задачей, и делает это корректно.

Другие уверяют, что без ручного вмешательства, а то и полностью ручной группировки, критичных ошибок не избежать. В данной статье не будет сравнения результатов работы этих двух методов, речь пойдет только об автоматической кластеризации — группировке на основе поисковой выдачи.

Непонятно откуда такое недоверие к сервисам и их инструментам в то время, когда они помогают в работе и позволяют делать ее быстрее.

Семантикой я занимаюсь уже более трех лет, изучив за этот период множество материалов по теме, хотел бы отметить, что большая часть «интернет-деятелей» (с которыми приходилось общаться) скептически относится к автоматической группировке.

Если кто не знает принципа такой группировки, то происходит она так: • Робот собирает в выдаче ТОП 10 url для каждой ключевой фразы. • Если в выдаче находятся общие url для двух запросов, то эти запросы отправляются в одну группу.

На основе полученных данных можно составить структуру сайта, подготовить ТЗ для копирайтеров, присвоить запросы к конкретным страницам (если мы расширяем ядро). Если вы вообще не понимаете, о чем речь, то посмотрите руководство.

Многие утверждают, что данный метод можно применять в работе, но не в таком виде, в котором нам выдают его программы и сервисы. Следует руками все равно проверить и скорректировать итоговые группы. А что если ничего не делать руками вообще? Что если мы просто загружаем фразы, жмем «кластеризовать» и работаем с тем, что получится? Чтобы понять, насколько такой подход эффективен — нужно было создать сайт. Показатель трафика — отличный параметр, который укажет на ту самую «эффективность автоматической группировки». Сказано — сделано!

Примечание: речь идет о кластеризации на основе поисковой выдачи для контентных (информационных) сайтов.

Параметры сайта на старте:

• Домен — свежерег. • Дизайн — уникальный. • Мобильная версия — нет. • HTTPS — нет. • Контент — 10 новостей (рерайт). • Конкуренция — средняя. • Ниша — узкая. • Тематика — мужская.
История основного ВЧ запроса по Wordstat. Собрав семантическое ядро получился список из 1115 ключевых фраз, после чего файл был отправлен на кластеризацию в Rush Analytics.

Настройки проекта:

Чем выше вы выберите показатель точности, тем меньше запросов будет сгруппировано, соответственно, во вкладку «некластеризовано» попадет больше ключей. Для работы я выбрал документ с точностью 4. Это значит, что среди моих ключевых фраз робот искал 4 общих url, для определения запросов в одну группу. У меня вышло 746 сгруппированных фраз (около 120 статей) и 369 некластеризованных. Вот собственно и все. Автоматическая кластеризация делается быстро, и от вас ничего не требуется во время сбора данных. Следующим этапом было написание небольшого ТЗ и изготовление контента с дальнейшей его публикацией. Первая статья была размещена зимой 2015/2016 года, а последняя в конце 2016 года. Порядка 65% материала написали за первые три месяца, остальное публиковалось ежемесячно небольшими порциями, для регулярного обновления сайта. Позиции отслеживались так же в Rush Analytics и результаты выглядят следующим образом:А вот и график посетителей из поисковых систем. Указываю данные только из ПС, так как другие источники, в данном случае, нас не интересуют, хотя присутствуют посетители из социальных сетей и переходы с ссылок на сайтах.К моменту написания статьи ежедневный трафик составлял 785 уникальных посетителей в сутки. На данный момент есть несколько вариантов работы с такими запросами, но рассмотрим один — когда их просто исключают из работы.Эти запросы были занесены на отдельную вкладку и ждали своего часа. Они никак намеренно не использовались при написании контента. В сборщике позиций был создан отдельный проект. Как видно на графике, запросы, которые не участвовали в общем написании контента получили неплохие позиции. При желании их можно дожать, что поможет продвинуть часть фраз к ТОП 10.
1. Автоматическую группировку можно применять. Работа, сделанная на полном автомате, без вычитки и ручной проверки, дает свой результат. Хороший или плохой — решать вам. 2. Однозначно на двух одинаковых сайтах одна и та же семантика может отразиться по-разному. Так что не стоит забывать о рисках.

3. Некластеризованные запросы не нужно удалять. Даже если они не попали в ТОП 10-30, вы можете через релевантные страницы найти для них место на сайте и уже вручную или через текстовый анализатор доработать статью.

Валерий, основатель Semantic-lab.pro · 10 мин
1 Мар. 2017

Все, кто собирает семантику, сталкивается с проблемой – не целевые (мусорные) слова, которые очень муторно вычищать, чтобы получить финальный список ключевых слов, пригодный для работы. Мы так же сталкиваемся с этим каждый день и надо сказать, что нам это порядком надоело. Мы..

Олег Шестаков, руководитель Rush Analytics · 10 мин

28 Фев. 2016

Источник: https://www.rush-analytics.ru/blog/mozhno-li-doveryat-avtomaticheskoy-klasterizacii

Ссылка на основную публикацию