Data Driven SEO - Кластеризация по топам - от теории к практике

Кластеризация по ТОПам – от теории к практике
Олег ШестаковData Driven SEO Москва 2016
Рекламно-консалтинговое агентство RushRush Analytics – сервис поисковой аналитики

Рекламно-консалтинговое агентство Rush
- В SEO с 2008 года
- Участвовал более чем в 100 SEO-проектах
- Автор стратегий для 20 крупных интернет-магазинов, 3 из
ТОП20 в России
- Специализация: E-commerce, проекты с большой
семантикой, автоматизация в SEO
- Основатель и CTO в Rush Analytics & Founder Rush Agency
Rush Analytics – сервис поисковой аналитики

1. Теория и практика кластеризации по ТОПам
2. Источники сбора семантики для качественной семантики
3. Маркеры: как готовить, «раскрытие» маркеров, кластеризация маркеров
4. Кластеризация облака запросов для построения структуры
5. Финализация структуры сайта
О чем сегодня поговорим?

Кластеризация по ТОПам – как это работает?
Таким образом строим матрицы по всему ядру.
Точность кластеризации - количество общих URL (!) в ТОПе по двум запросам,
необходимое для создания кластера.

Кластеризация по ТОПам – как это работает?

1. Ускорение группировки ключевых слов (в 10-30 раз)
2. Выделение мусорных слов в «сложной семантике»
3. Разбивка ядра на коммерцию и некоммерцию
4. Увеличение релевантности и % вывода ключевых
слов в сложных тематиках
Какие задачи решает кластеризация по
ТОПам?

1. Лингвистическая группировка не охватывает
синонимы и переформулировки  доп. время на
обработку ядра
2. Временные затраты на разборы ядра более 10к
растут нелинейно
3. Ошибки семантиков могут «похоронить» до 15%
запросов
Ускорение группировки ключевых слов

1. Фактически используем готовые данные Яндекса
о коммерческости 
2. При удовлетворительном качестве выдачи и
правильном подборе точности кластеризации –
кластера отлично разделяются под листинги и
статьи
Разбивка ядра на коммерцию/некоммерцию

1. Во многих конкурентных тематиках даже запросы
«цена» и «стоимость» могут не продвигаться на
одну страницу 
2. Hard – кластеризация отлично показывает как
устроено ранжирование в тематике, указывает на
нужные типы страниц.
Работа над ВЧ запросами

1. Soft-кластеризация 2. Hard-кластеризация
Какие виды кластеризации по ТОПам
существуют?

Назначение: трафиковые проекты
Работаем с большим пулом СЧ – НЧ нет возможности
следить за 100% совместимостью запросов
Soft-кластеризация

Назначение: конкурентная позиционка
Крайне важна совместимость запросов
Hard-кластеризация

Алгоритм построения семантики для трафиковых проектов
Создание списка маркерных запросов – «скелет спроса»
(Ручные гипотезы + Wordstat)
+
Сбор расширений базового спроса – «облака запросов»
(Поисковые подсказки)
Создание финальной структуры сайта
(Кластеризация)

Какие источники необходимы и достаточны для
построения качественной трафиковой семантики?
Источники сбора семантики

Что важно:
1. Используем в большинстве своем для маркеров
2. Правильно парсим маркеры
3. Верифицируем словоформы по частотке
(вернемся к этому в разделе про маркеры)
Yandex Worstat (старый добрый  )

Почему?
1. Только реальные запросы пользователей
2. Только правильные словоформы (при
правильном парсинге)
3. Всегда свежие и трендовые запросы
Поисковые подсказки

А что еще можно использовать?
1. Метрика – ДА, можно – но нужно чистить мусор
2. Базы данных типа Букварикса и MOAB –
предлагают откровенный треш с 30-87%
поддельных (генерированных запросов)
Все? – Да!

Наше исследование качества баз данных
ключевых слов

Wordstat и подсказки дают 70-80% того, что нужно
для качественной семантики.
Итого:

Маркерные запросы - это запросы, которые четко
отвечают продвигаемой странице. Такие запросы
обычно имеют значимую частотность по Wordstat и
являются средне-частотными (СЧ), или "жирными"
низкочастотниками (НЧ), и могут породить "хвост"
запросов, например при добавлении слов "купить",
"цена", "отзывы".
Маркерые запросы

Одежда - плохой маркерный запрос т.к. слишком
широкий
Купить коричневые ботинки – хороший маркерный
запрос – четко отвечает продвигаемой странице
Купить коричневые броги недорого в спб -
слишком узкий запрос и не может породить
дочерние
Примеры маркерных запросов

Чтобы собрать максимум подсказок - нам нужно
«раскрыть» маркеры:
1. Просклонять
2. Переставить слова
3. Добавить транзакционные добавки
«Раскрытие» маркеров (подготовка к парсингу)

Базовое слово – бетон М300. Раскрывая маркер
получаем:
1. Бетон М300, Бетон М300
2. Купить бетон М300, купить бетон м 300, бетон
М300 купить…..
3. Бетон М300 цена, цена бетон М300
Для чего?
Пример раскрытия маркера

Подсказки по запросу «купить бетон М300»

Подсказки по запросу «бетон М300 купить»

Если учесть только главную словоформу – мы
потеряем до 50% семантики. Факт 
Подсказочная выдача совершенно разная

Запрос: стиральные
(машины|машинки)
(samsung|самсунг) -ремонт
-ошибки -отзыв -коды -
видео -запчасти –
неисправности
Лайфхак по сбору маркеров №1

Запрос: получаем самый
частотный порядок слов,
«закавычивая запрос» –
смотрим на первое слово в
левой колонке
Лайфхак по сбору маркеров №2

1. Подсказки гео-зависимы – совершенно разная
выдача в МСК и СПБ
2. Подсказки КРАЙНЕ чувствительны к лингвистике
(достаточно смены окончания или пробела для
получения на 80% другого списка)
3. В Яндексе до 30% фантомных подсказок при
«тупом переборе»
Нюансы парсинга поисковых подсказок

Что есть оптимальная семантика:
По аналогии с информационным поиском:
Полнота vs/* точность
1. Если спарсим мало – потеряем трафик
2. Если спарсим слишком много – «закопаемся» в
разборе облака нерелевантных НЧ ключей
Как парсить подсказки для получения оптимальной
семантики

Есть несколько вариантов перебора лингвистики:
1. Базовое слово, базовое слово + пробел
2. Пробел + перебор алфавита [а-я], [a-z], [0-9]
3. Комбинации методов
Как парсить подсказки для получения
оптимальной семантики

Хардкорный парсинг подсказок для
получения всех ключей
Усложним перебор лингвистики:
1. ключевое слово +[а-я]_ +[a-z]_ +[0-9]_
2. ключевое слово +[аа-ая, ба-бя] +[aa-az,
ba-bz] +[00-09, 10-19]

Какие фишки еще есть при парсинге подсказок?
1. Важно фильтровать подсказки на лету по стоп
словам
2. Если зацепить «вк», «вконтакте»,
«одноклассники» - разобрать это будет
невозможно
3. Для оптимизации нагрузки на парсер – нужно
фильтровать дубликаты «на лету»

«Боевая» методология сбора подсказок
1. Берем базовые или «раскрытые» маркеры
2. Собираем подсказки Яндекс по словам, словам
+ пробел
3. Смотрим на результат и формируем список стоп-
слов
4. «На лету» вырезаем стоп-слова, «убивая»
паразитые ветки подсказок

«Боевая» методология сбора подсказок.
Часть 2
1. Запускаем парсинг подсказок с переборами
алфавита [а-я], [a-z], [0-9] в зависимости от
тематики
2. Обязательно метчим стоп-слова и дубликаты
3. Получаем конечный список целевых подсказок
4. NB: Без предварительного составления списка
стоп-слов не получится чистой семантики

Реализация списков стоп-слов в Rush Analytics

Пост-обработка подсказок и треш-холды
1. Все зависит от тематики. В тематиках «кредиты»
и «казино» около 50% спроса – это 6 и боле
словные запросы – нужно парсить глубже
2. В тематиках «окна» и «мебель» можно спарсить
базовые переборы на 2 уроверь и получить все
расширения
3. Зная частотность в тематике можно резать по
количеству слов.

1. Кластеризация по частотности Wordstat
2. Кластеризация с фиксированными маркерами
3. Комбинированный метод 1 + 2
Какие типы кластеризации мы используем?

На самом деле метод не использует Wordstat для связей
внутри кластеров 
1. На вход подается ключевое слово | Частотность
2. Ключевые слова сортируются по убыванию
частотности
3. Первое слово признается маркером,
привязываем к нему все что возможно.
Итерация повторяется
Кластеризация по Wordstat

Когда используется этот метод?
1. Когда структура сайта еще не ясна/проектируется
2. Статейные проекты
3. Для оценки интентов в тематике
Кластеризация по Wordstat

Кластеризация по Wordstat - Результат

Используем когда уже есть скелет структуры. Точно знаем
что хотим куда вести
1. На вход подается ключевое слово | 1/0 –
маркер/не маркер
2. Берется первый маркер, к нему привязается все
что возможно из облака. Итерация повторяется
Кластеризация с фиксированными
маркерами

Кластеризация с фиксированными
маркерами – входной файл

Как решить проблему, что «купить» и «цена»
в Ecommerce кластеризуются на разные
страницы из-за плохой выдачи?

Кластеризация маркеров
1. Сначала кластеризуем маркеры по WS между
собой
2. Получаем группы маркеров, которые могут
продвигаться на 1 страницу
3. Привязанное к кластеризованным маркерам
облако ведем на 1 страницу

Кластеризация маркеров

Комбинированная кластеризация
1. Сначала запросы из облака привязываются к
маркерам
2. Оставшиеся запросы кластеризуются между
собой
На выходе получаем:
- Семантику для структуры, которую уже знаем
- Гипотеза для расширения структуры

Построение структуры на основе кластеризации
Подробнее на: http://www.rush-analytics.ru/faq/kak-sozdat-strukturu-sayta-na-osnove-semanticheskogo-yadra

Какие фишки есть в Rush Analytics?
1. 3 метода кластеризации, описанные выше (Soft)
2. Автоматическое определение релевантных URL для
кластера + определение кластеров в ТОПе
3. Подсветки выдачи для каждого кластера автоматом
4. Показываем самый мощный URL конкурента по
кластеру – идем и забираем оптимизацию 
5. Скорость – 100к ключевых слов 1-2 часа.
Сами используем в работе каждый день

oleg@rush-agency.ru
www.facebook.com/shestakov.oleg
www.rush-analytics.ru
Ваши вопросы
Data Driven SEO Москва 2016

Data Driven SEO - Кластеризация по топам - от теории к практике

More Related Content

What's hot (16)

Viewers also liked (18)

Similar to Data Driven SEO - Кластеризация по топам - от теории к практике (20)

Data Driven SEO - Кластеризация по топам - от теории к практике