Как быстрее собрать семантическое ядро для поисковых запросов B2B

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: 

  1. Сбор маркеров. 
  2. Парсинг запросов. 
  3. Чистка запросов.
  4. 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.

(Голосов: 30, Рейтинг: 4.6)