Не пиши руками то, что можно собрать автоматически. Особенно – если проект сложный, с десятками направлений, а времени на анализ – два дня до дедлайна. Раньше я тратил по вечерам часы на таблицы: чистка, группировка, разметка. Сейчас – полчаса, и всё готово. Схема простая.
Я не говорю про «магические» сервисы, которые накидывают всё подряд – таких полно, и толку с них немного. Я про настройку своей логики, но с автоматической поддержкой. Когда ты говоришь машине: вот что мне нужно, вот критерии – а дальше она делает черновик. Быстро, грязно, но попадает. Потом правишь руками. Но уже не с нуля.
Обычно как делают? Берут выгрузку из Яндекс.Вордстат, чистят, сортируют, потом маппят на структуру сайта – вручную. Таблица на 800 строк, глаза в крест. Особенно если надо быстро. Особенно если клиент хочет «всё». В результате – либо всё плохо по смыслу, либо хорошо, но долго.
Я пошёл иначе. Взял пару бесплатных скриптов на Python, добавил немного логики – и теперь могу, например:
- группировать запросы по смыслу, а не только по вхождению;
- исключать дубли, которые обычно прячутся в хвосте (например, «купить с доставкой»/«с доставкой купить»);
- выделять запросы, где явно видно коммерческий интент – и сразу отправлять в приоритетную обработку;
Вот что получилось: у клиента в нише техники до этого было 1 500 запросов, из которых реально полезных – около 300. Мы вычистили шум, перераспределили по структуре, а через 3 недели увидели рост кликов на 12%, при том что посадочные те же.
Попробуй это: выбери 100–200 запросов из своего проекта, и прогоняй через свою простую модель: на каком этапе ты всё ещё вручную? Что можно отдать на автоматику? Даже простой кластеризатор (например, через ML‑API Яндекса или свой скрипт на embeddings) даёт экономию часов пять минимум.
Хочешь – могу скинуть свою заготовку. Или посмотреть вместе, где у тебя затык – напиши.
Как AI помогает находить низкочастотные поисковые запросы с высоким коммерческим потенциалом
Если хочешь точнее бить по деньгам – не смотри только на частотность. Гораздо полезнее найти запрос, который звучит «узко», но говорит о готовности платить. Такие штуки часто прячутся на второй-третьей странице выгрузки из Keyword Planner. Или вообще не попадают туда – потому что слишком редкие.
Я стал делать проще: беру список лидов или реальных чатов с клиентами (из CRM, WhatsApp, где угодно) – и прогоняю через нейросеть с задачей вытащить оттуда фразы, которые звучат как поисковый запрос. Не рекламный слоган, не вопрос на форуме – именно то, что человек мог бы вбить в Google, когда уже почти готов купить. Это другое ухо.
И вот что получается: нейросеть вытаскивает «сигнальные» формулировки, которые руками быстро не увидишь. Типа: «ремонт кофемашины на дому срочно» или «где купить запчасти на старый Bosch 620». Частота – 10 в месяц. Конверсия – 18% из перехода в заявку. Просто потому что попал в момент и в голову.
Большинство инструментов типа Serpstat, Ahrefs, Semrush по таким редкостям либо молчат, либо ставят прочерк. Но эти «прочерки» часто и приносят заявку дешевле. А если такие фразы ещё и в объявления поставить – снижается цена клика, потому что конкуренции почти нет.
Попробуй это:
- Выгрузи 50 реальных чатов с клиентами (можно без ФИО, просто текст).
- Сделай промпт в ChatGPT: «Найди 10 фраз, которые звучат как поисковый запрос с коммерческим намерением».
- Проверь их руками – действительно ли можно представить, что человек ищет это в Google.
- Пробей по ним посадочную – есть ли релевантная страница, и как она отвечает.
Google пишет в справке: высокое соответствие ключа намерению запроса увеличивает шанс показа. Так что даже если это редкость – она может дать выигрыш по цене и качеству.
Смысл не в том, чтобы полностью заменить анализ. А в том, чтобы быстрее находить неочевидные точки входа. А ты бы заметил «ремонт кофемашины с бесплатной диагностикой дома» в списке с 1200 строками? Я – нет, пока не подсветили.
Попробуй – и посмотри сам. А дальше – по ситуации.
Автоматическая кластеризация ключевых слов на поведенческой подложке
Лучше сразу группировать запросы не по формальным признакам, а по тому, как ведут себя реальные люди. Не по структуре, не по синонимам, а по действиям: кто куда кликает, как долго остаётся, что ищет следом. Именно это показывает реальную логику пользователя – а не нашу выдуманную.
Часто вижу, как семантику нарезают через «темы» или «интенты» по шаблону: коммерческие / информационные, каталог / блог и т.д. Но этого мало. Поведение в выдаче часто идёт вразрез с этими рамками. Пример: запрос «ламинат под бетон» – вроде очевидно товарный, но по кликам видно, что почти половина ищет картинки, сравнение оттенков и стили в интерьере. Если положить это в карточку товара – будут отказы. Если завести отдельный фильтр со стилевыми подсказками – будет глубина.
Что делаю сам – загоняю список запросов в Clickstream-инструменты (например, Semrush или Similarweb, можно и в Yandex Wordstat через API), собираю поведенческие цепочки. Смотрю, какие запросы идут до и после. Куда уводит SERP. Какие типы страниц получают максимальную долю кликов.
Кластеризацию запускаю через простой скрипт – на Python, с cosine similarity, но не по тексту, а по общему поведению: если 2 запроса ведут к похожим действиям – объединяю. Даже если формулировка разная. В итоге получаю кластеры не «по смыслу», а по реальной пользовательской траектории.
Проверка – простая. Беру один кластер, смотрю: можно ли под него логично сделать одну посадочную? Переходят ли между ними в рамках одной сессии? Если да – оставляю. Если нет – дроблю. Иногда из одного исходного «семантического ядра» получаются 3 разные страницы с разной навигацией.
Попробуй это: возьми 50 запросов из своей текущей кампании, собери по ним поведенческие соседства, проверь, совпадают ли они с текущими страницами. Если нет – где-то теряется глубина.
Google в документации по Search Quality Evaluator Guidelines прямо пишет, что учитывает intent и SAT (search after task) как сигналы релевантности. Так что чем ближе мы к реальному сценарию, тем стабильнее рост.
Хочешь посмотреть, как у тебя сейчас устроены кластеры и есть ли конфликты по интенту? Напиши – могу глянуть выборку и дать пару идей.
Нейросети помогают видеть, чего ты сам не замечаешь на странице
Сразу скажу: если на сайте уже есть контент, не начинай с нуля. Гораздо полезнее – посмотреть, какие смыслы ты в нём не раскрываешь. Я обычно запускаю нейросеть на уже существующих страницах и прошу: “Подскажи, какие подтемы логично дополнить, чтобы запросы закрывались глубже”. Это как если бы тебе кто-то объективно и без усталости пересказал твой же текст, но со стороны поисковой системы.
Пример: у клиента был лендинг про юридические услуги. Нормальный текст, структура понятная. Но если разложить его на смысловые блоки – видно, что упоминаний про “досудебное урегулирование”, “исковое заявление”, “госпошлину” почти нет. А именно по этим словам был потенциал. Мы прогнали GPT по странице, попросили накидать логические ветки смыслов, которые здесь могли бы быть – и получили довольно точный список: не просто ключи, а куски контекста, которые пользователь ожидает увидеть, но не находит.
Почему это неочевидно? Потому что глаз замыливается. И потому что большинство SEO-шников до сих пор клепают семантику отдельно от контента, как будто это две параллельные реальности. Хотя смысл в другом: дорабатывать нужно то, что уже есть. Тонкие правки – абзац сюда, формулировку туда – и страница перестаёт быть “одной из”, становится конкретной, полезной.
Как я делаю:
- Беру текст с сайта – можно прямо с URL, можно копипастой.
- Формулирую задачу: “Предложи расширение структуры: какие подзапросы логично раскрыть, чтобы текст был полезнее для человека, который ищет то-то и то-то”.
- Оцениваю, какие куски можно вставить без переделки всего текста.
- Проверяю поисковую выдачу по этим фразам: что в топе, какие формулировки люди реально ищут.
Такой подход помогает избежать шаблонных добавок и пустого «расширения ради расширения». Тут ключ – не просто добавить, а встроить логично, чтобы текст читал человек – и не спотыкался.
Попробуй это: Возьми одну страницу сайта, которая уже в топ-20, но не в топ-5. Прогони её через нейросеть по этому принципу. Не проси ключи. Спроси: “Что человек не найдёт в этом тексте, если он ищет решение по теме такой-то?”
Если хочешь точнее – вот команда, которую использую в ChatGPT: “Проанализируй этот текст и предложи 5–7 подтем, которые логично сюда добавить. Не выдумывай, а исходи из пользовательской задачи: что бы ты ещё хотел увидеть, если реально ищешь такую услугу.”
Работает особенно хорошо на лендингах и на страницах блога с длинным хвостом. Выгода прямая: текст становится точнее, глубже, начинает цеплять больше смежных фраз – без спама и без новой структуры. А время на доработку – пара часов максимум.
Хочешь посмотреть, как это может выглядеть у тебя – напиши, пришли ссылку. Посмотрим, где можно усилить.
