Мы не устаем повторять, насколько важно прорабатывать семантическое ядро. Количество запросов в ядре, их частотность и группировка на страницах сайта напрямую влияют на объем поискового трафика.
В этой статье мы покажем, как с помощью семантики можно изменить структуру действующего интернет-магазина, чтобы повысить его видимость в Яндексе и Google. Только планируете создавать сайт? Рекомендации будут как раз кстати — начнете с правильного SEO-фундамента. Метод легко масштабируется — можно применять для площадок любой тематики и любого объема.
Что не так с традиционной структурой интернет-магазинов
Что не так с традиционной структурой интернет-магазинов
Расширение базовых запросов и кластеризация
Лемматизация и присвоение признаков
Проектирование новой структуры сайта
Сортировка кластеров по новым категориям
Стыковка новой и старой структур сайта, оптимизация страниц
Качественный рост за счет семантики
Как правило при создании интернет-магазина за основу его структуры берут товарные категории. Ассортимент дробится на группы, группы на подгруппы и так далее (Рис. 1).
В отдельные категории могут выноситься обобщающие тематики (Рис. 2)
Такая система каталогизирования логична, но неэффективна с точки зрения SEO.
Что делать? Расширять базовое ядро (товарные категории и подкатегории), формировать кластеры запросов, систематизировать эти кластеры по схожим признакам и адаптировать структуру сайта под новые группы запросов.
Разберемся с методикой на примерах.
В нашем случае оптимизируемый интернет-магазин имеет следующую исходную структуру (Рис. 3):
В качестве базового списка запросов берем названия рубрик и перечень товарных позиций.
Исходный список расширяем за счет парсинга фраз-ассоциаций — погружения в тематику и сбора уточняющих запросов. В Wordstat это слова из правой колонки. В результатах поисковой выдачи — блок в нижней части страницы «Вместе с запросом ищут».
Далее по расширенному списку запросов собираем вариации слов с «хвостами» — низкочастотники для быстрого выхода в ТОП. Метод подбора — парсинг поисковых подсказок.
Полученное ядро проходит чистку от запросов с нулевой частотностью по Вордстат.
В результате имеем рабочий список из 1000 поисковых фраз (Рис. 4).
Данный список запросов кластеризуем. Группируем фразы в кластеры согласно условию: результаты выдачи по ним должны быть схожи. Каждый кластер будет включать запросы с идентичным интентом — намерением пользователя.
Сравните два запроса: «картина для спальни купить» и «картины для спальни». При очевидной схожести они попадают в разные кластеры, так как отражают разное намерение пользователей. Первая фраза указывает на поиск товара. Вторая говорит об изучении темы. Соответственно, состав выдачи по ним будет отличаться (Рис. 5).
Вручную разнести запросы в нужные кластеры затруднительно — эта задача решается за счет автоматического парсинга и анализа выдачи. В Promopult можно использовать онлайн-сервис кластеризации с преднастроенным решением или тонкими профессиональными настройками.
Прогоняем наш список из 1000 фраз через кластеризатор и получаем группы запросов, которые будем внедрять на релевантных страницах (Рис. 6).
На данном этапе мы имеем порядка 200 кластеров. И тут возникает проблема: они плохо стыкуются с существующими разделами сайта, а многие вообще не вписываются в текущую структуру.
Проиллюстрируем. Мы получили несколько кластеров с общим словом «подсвечник»:
Для каждого такого кластера требуется своя посадочная страница, но сейчас они объединены в один раздел с другими товарными категориями (Рис. 7).
Очевидно, что предстоит реорганизировать каталог, однако пока не ясно, каким образом уместить в нем все 200 кластеров. Так мы подходим к этапу классификации кластеров на основе схожих признаков.
Многие кластеры в нашей таблице имеют схожие признаки — общую товарную позицию, стиль, место применения, повод дарения и так далее. Все их можно классифицировать в отдельные группы. Но чтобы выделить эти признаки, нужно разбить названия кластеров на составные слова — леммы.
Прогоняем названия всех кластеров (первый столбец таблицы) через лемматизатор Арсенкина (Рис. 8).
Полученный список лемм переносим в таблицу Excel для удобства дальнейшей работы. Напротив каждой леммы указываем признак, который характеризует данное слово (Рис. 9).
В данном примере мы выделили девять признаков. Их названия условны — можно использовать другие слова, отражающие значение леммы.
Список лемм в таблице сортируем согласно признаку и группируем (Рис. 10).
Далее проводим анализ таблицы лемм и их признаков, думаем, как разложить ее в плоскость новой структуры. В текущем виде мы имеем слишком много вложенных лемм — списки нужно почистить, ряд слов вынести на страницы фильтров, чтобы разгрузить навигационное меню.
Движемся слева направо (Рис. 11).
Получаем новую структуру меню (Рис. 12).
Для сравнения приведем старую структуру меню (Рис. 13).
Переносим данные из новой структуры меню в отдельную таблицу. Ориентируем ее вертикально и сортируем кластеры поисковых запросов по разделам и подразделам (Рис. 14):
В нашем случае не удалось разнести все 200 кластеров по категориям и подкатегориям — под оставшиеся группы запросов создаем страницы с результатами фильтров.
С подробной картой категорий, подкатегорий и фильтров можно приступать к стыковке новой структуры и существующих релевантных страниц. Ряд страниц удастся модифицировать и оптимизировать под соответствующий кластер запросов. Но в целом работа будет заключаться в создании новых страниц по всем канонам SEO: написание текстов, заголовков Title и H1, URL с вхождением ключевых слов из кластера.