Искусственная семантика для коммерческих проектов
Автор: Илья Исерсон, CEO moab.pro
Искусственная семантика – это семантическое ядро, сформированное искусственно, на основе изучения реальной семантики и формирования прогноза о том, как будут выглядеть поисковые запросы в реальности.
В предыдущей статье было наглядно показано, что искусственная семантика тесно связана семантикой реальной, и не может существовать в отрыве от нее. По сути, задача работы с искусственной семантикой сводится к возможности дать прогноз о структуре ключевых слов в тех тематиках, где ключевые слова строятся на основе каких-либо прогнозируемых составляющих (город, месяц, год, отель, название курорта, и так далее).
Поэтому шире всего искусственная семантика применяется в коммерческих тематиках при работе с большими товарными группами – начиная хотя бы от 1000-2000 товаров. Давайте посмотрим, как именно стоит использовать искусственную семантику как при работе с органическим трафиком, так и при работе с системами контекстной рекламы Директ/Adwords.
Искусственная семантика для контекстной рекламы
В контекстной рекламе искусственная семантика применяется двояко:
а) составление файла минус-слов
б) прогнозирование вида и структуры запросов
Рассмотрим, как это работает, на примере конкретного кейса от компании «Диджитал Дизель», разработкой сайта и маркетинговой стратегией для которой занимались специалисты нашего агентства. Сейчас маркетинговая кампания находится на стадии подготовки к запуску, тем не менее, уже сейчас я смогу продемонстрировать основные технические моменты, необходимые для понимания основ работы с искусственной семантикой.
Дано: имеется автотехцентр «Диджитал Дизель». Автотехцентр специализируется на обслуживании и ремонте дизельных двигателей, является одним из ведущих сервисных партнеров компании Bosch, основного поставщика запчастей для подавляющего большинства автомобилей, использующих дизельное топливо.
Задача: тестовый вход в ритейл - на рынок непосредственно торговли автозапчастями для дизельных двигателей,
Стратегия: контекстная реклама по «товарным» запросам, в данной теме по запросам-артикулам запчастей. Одно из удобств такого трафика – возможность передавать в utm-метке артикул товара, что позволяет на «как бы» одностраничном сайте выводить товары и их аналоги сразу после перехода на сайт, автоматически: в объявление вставляется вот такая ссылка , и, после перехода, пользователь сразу видит нужный ему товар, так как каждое объявление привязано к конкретному товару.
Реализация:
Анализ спроса
В первую очередь, необходимо было убедиться, что спрос по запросам «артикулам» действительно есть. Для этого была получена 23 млн. база артикулов автозапчастей и проверена на частотность в Wordstat. Затем, результаты были отсортированы по частотности и отфильтрованы по бренду-производителю запчасти. Для тестового запуска рекламы было отобрано около 20 000 артикулов.
Генерация кампаний и объявлений
Генерация кампаний и объявлений осуществляется на основе YML-файла при помощи сервиса SeoDroid. В данном случае формула генерации заголовка объявления достаточно проста:
%наименование/категория запчасти% + %бренд% + %артикул%
Трафик по каждому конкретному артикулу небольшой, но и средние цены держатся стабильно ниже 10 рублей за клик, а за счет количества товаров общий спрос остается достаточным.
Простота структуры запросов – одно из преимуществ работы с «артикульным» спросом. Сложные ситуации здесь возникают достаточно редко, благо сервисов автоматизации создания кампаний и объявлений на основе фида – немало.
Гораздо больший интерес представляет работа с минус-словами для подобных кампаний, так как большинство рекламодателей, воодушевленных преимуществами автоматизации, считают, что достаточно просто залить свой фид в сервис, а потом спокойно ждать заказов.
Как известно, качественная проработка минус-файла – половина успеха в деле запуска рекламной кампании. Откуда же взять минус-слова в данном случае?
Давайте посмотрим на структуру семантики по любому популярному артикулу: файл из MOAB Pro, файл из MOAB Suggest Pro
Даже беглого взгляда на файлы достаточно, чтобы убедиться в том, что «товарный» трафик заслуживает основательной очистки. В то же время возникает вопрос: как, имея 20000 товаров, отсмотреть и отминусовать семантику по каждому?
Как раз в этом нам и поможет искусственная семантика.
1) Собираем семантику по 10-15% наиболее популярных товаров. Популярность оцениваем не по собственным ощущениям, а по данным Wordstat. Эти данные, кстати, вместе с прогнозом бюджета и кол-вом прогнозных кликов есть в MOAB Suggest Pro .
2) Желательно получить хотя бы 3000-5000 слов для большей статдостоверности
3) Собираем всю собранную семантику в один проект Key Collector, и запускаем частотный анализ.
Прелесть частотного анализа в том, что наиболее популярные мусорные слова сами собой оказываются наверху списка. Таким образом ограниченная выборка на массиве в 10-15% товаров позволяет нам собрать стоп-файл: дело в том, что в 95% случаев с другими артикулами будут употреблять те же самые мусорные запросы, таким образом, ненужный трафик будет надежно «отрезан» при помощи искусственной семантики.
В случае, если нужно запустить рекламную кампанию по какому-либо бренду, по которому слишком мало статистики, можно использовать выборку по более популярным аналогичным брендам и составлять семантику при помощи выборки по ним.
Искусственная семантика для работы с органическим трафиком
При работе с органическим трафиком искусственная семантика применяется существенно шире. Напомним основные направления:
1) Работа с «будущим» трафиком:
- перебор переменных %год%, %месяц%
- анализ «прошлой семантики» без переменных под будущее (ядро под ЧМ-2018 на основе анализа ядра по ЧМ-2014)
2) Работа переменными в запросах
- туризм, текстовая оптимизация тегов и контента в широком смысле слова
- товарные направления, текстовая оптимизация тегов и контента в широком смысле слова
- агрегаторы товаров и услуг, с преобладанием «географического» спроса
В нашей статье я собираюсь рассмотреть работу с товарными направлениями, в особенности – работу с контентом страницы в широком смысле слова.
Кратко перечислю основные преимущества органического трафика с большого товарного каталога, подвергнутого правильной оптимизации в соответствии с анализом семантики:
- трафик чрезвычайно дешевый, так как корректно работать с большими товарными группами умеют немногие
- трафик обладает высоким потенциалом конверсии, так как люди уже четко знают, чего хотят
Итак, чем же может быть полезна для нас искусственная семантика при работе с большим каталогом товаров?
Как правило, большинство товарных интернет-магазинов используют одни и те же каталоги товаров и услуг, предлагаемые официальным производителем, в лучшем случае, используется парсинг с Яндекс.Маркета или иного товарного агрегатора.
Такой подход – глубоко ошибочен, так как не позволяет собрать весь органический трафик, который было бы возможно привлечь при грамотном использовании искусственной семантики. В первую очередь договоримся о терминах: под контентом страницы мы будем понимать весь контент на странице вообще, в том числе теги, картинки, видео, текст, перелинковку и пр.
Одновременно с этим, мы также откажемся от устаревшего представления о продвижении запросов, и вместо этого будем говорить о привлечении трафика.
Дело в том, что когда речь идет о товарах, то семантика особенно активно распадается на сверхнизкочастотные запросы. Не имеет смысла продвигать сверхНЧ в традиционном понимании этого слова, так как многое из того что как бы надо продвигать, будет сформулировано пользователями только в будущем, или же было задано только один раз. Поэтому в данной ситуации, если и говорить о продвижении, то о продвижении точки входа – то есть товарной страницы.
А как быть, если товарных страниц 20 или 30 тысяч?
Наша задача – дать качественный ответ на запрос пользователя, крайне желательно – лучший ответ среди всех конкурентов, что, особенно в условиях Бандита в выдаче и обеспечит вам трафик и позиции. Чтобы понять, что хотят знать пользователи, давайте обратимся к прогнозированию семантики на основе имеющихся данных для всего массива товаров.
1) Для начала необходимо сделать выборку по вашему основному «брендовому» запросу. Для примера возьмем запрос [husqvarna].
2) Спарсим семантику: файл из MOAB Pro, файл из MOAB Suggest Pro
3) Объединим файлы в единый проект Key Collector, всего получим 46 879 фраз
4) Отфильтруем фразы по принципу «запрос содержит числа» и получим именно товарную семантику – в этой ситуации «под фильтром» окажутся запросы, содержащие либо числовое название модели, либо артикул. Вот как это сделать в Key Collector:
Обратите внимание, что из 46879 запросов 33435 содержат числа – уже одно это говорит о высокой насыщенности данного трафика «товарным» спросом.
Для большей наглядности можно добавить фильтр «содержит бензопил*» - если представить, что мы продвигаем именно магазин бензопил.
В итоге получим около 4000 товарных запросов.
5) Проведем частотный анализ этого массива:
Видно, что вместе с товарными запросами часто ищут (смотрите на слова, которые люди могут употребить с названием любой бензопилы Husqwarna).
- значит, ваша задача – разместить блок с отзывами на странице, а также сами отзывы. Лучшее решение при этом – попытаться отобрать наиболее информативные отзывы с раскрученных сайтов
- значит, ваша задача – не только указать цену, но и разместить слово «цена» рядом с названием товара на странице, причем единожды и в окружении такого текста, из которого получится красивый сниппет.
- сделайте блок «Файлы для скачивания» на странице, дайте пользователям возможность скачать pdf с инструкцией. При этом ссылка на файл должна находится рядом со фразой – «скачайте инструкцию и руководство на бензопилу Husqwarna %модель% бесплатно!»
Цепи, шины, запчасти, свечи зажигания:
- сделайте отдельные страницы по запчастям к каждой бензопиле (в идеале), и приземляйте такой трафик туда, либо же укажите стоимость цепей и шин к каждой бензопиле непосредственно на странице бензопилы. Также не забывайте о текстовой оптимизации, блок на конкретной странице может выглядеть так:
Любые запчасти на бензопилу Husqwarna %модель% в наличии:
цепь - %N% рублей
шина - %N% рублей
- разместите картинки и видеообзоры данного продукта с соответствующим заголовком.
Расход топлива, масло, данные о сборке, мощности в кВт и пр.
- разместите эти данные в блоке технических характеристик, используя те слова и выражения, которыми пользуются люди, которые это ищут.
Стратегически, идея заключается в том, чтобы проектировать контент страницы, отталкиваясь от семантики, и только от нее, а не от того, как это видите вы, дизайнер или ваш SEO-специалист. Это очень и очень важно – внимательный анализ того, из чего состоит семантика, с тем чтобы потом ответить на как можно большее количество запросов, привязанных к товару, на странице товара.
Это касается следующих частей страницы:
- теги (какие наиболее часто встречаемые слова в них употребить?)
- параметры товара ( какие параметры товара часто волнуют пользователей?)
- видео\отзывы (ищут ли их в вашем случае или они никому не нужны?)
- описание ( в автозапчастях его никто не ищет, в бензопилах ищут и немало)
- и так далее
То есть, важно, чтобы любая часть страницы была оправдана некоей запросной группой, ради которой она создана. Важно предоставлять как фактический контент (файл инструкции для скачивания), так и не забывать о текстовой оптимизации (упоминание названия модели и слова «инструкция», «руководство», «скачать» рядом со ссылкой). А теперь самое время взять ваш интернет-магазин, взять статистически достоверную семантику и проверить, насколько правильно сконструированы ваши страницы.
Важно составить список так называемых «важных» или «обязательных» слов для страницы каждого бренда. В данном случае этот список мог бы выглядеть так:
- купить
- запчасти
- цены
- отзывы
- цепи
- инструкция
- ремонт (если оказывает услуги по ремонту)
- шины
- руководство по эксплуатации, скачать
- характеристики
- видео
- расход топлива
- сборка\производитель
- запасные части
- смазка
- зажигание
- устройство
- звездочки
и так далее, в зависимости от особенностей вашего бизнеса, специфики продаж и пр.
Напомню, что все эти слова собираются нами с двумя целями:
а) дать фактический ответ на вопрос по запросу - %обязательное слово% +%бренд % + %модель%
б) провести текстовую оптимизацию страницы по запросу %обязательное слово% +%бренд % + %модель%
В связи с этим, разумно разбить этот список на блоки в зависимости от их важности для бизнеса и зоны документа: в тайтл, H1, дескрипшн – наиболее важные, «продажные» слова, в остальной контент – менее важные. Здесь кто-то, возможно, упрекнет меня в привлечении трафика по как бы «некоммерческим» запросам, но этот упрек несправедлив – себестоимость такого привлечения невысока, трафика, как правило, довольно много, и даже если он будет превращаться в лиды с конверcией 0,5% - все равно это окупается.
Итак, давайте разобьем «обязательные» слова по важности:
Важные: купить, цены, цепи, шины, запчасти
Менее важные: отзывы, инструкция, ремонт, руководство по эксплуатации, скачать, видео, расход топлива, сборка, производитель, запаcные части, смазка, зажигание, устройство, звездочки, видео, фото
А теперь попробуем на основе сделанной разбивки распределить слова по зонам документа:
Тайтл: купить, цены, цепи, шины, запчасти
Дескрипшн: купить, цены, шины, запчасти
H1: -
Блок «Характеристики товара»: характеристики, расход топлива, сборка\производитель, зажигание, смазка, звездочки
Блок «Медиаконтент»: инструкция, руководство по эксплуатации, скачать
Блок «Описание»: все имеющиеся обязательные слова
Блок «Отзывы»: отзывы
Блок «Заказ и цена»: купить, цена
Все, что осталось в данной ситуации – собственно написать формулу шаблона для каждого поля. Остановимся подробней на описании, особенно когда речь идет о мультитоварных брендах, производящих широкий ассортимент разнопланового оборудования (генераторы, бензопилы, газонокосилки), или же, если в рамках одного бренда оборудования предлагается одинаковое (насосы), но от серии к серии существует серьезная разница в конструкции, назначении и пр.
В этих ситуациях рекомендуется не пытаться натянуть 1 шаблон на большое количество SKU – если физически это разное оборудование, то правильнее будет сделать разные шаблоны. Критерием для принятия решения является все тот же «лучший ответ» - будет ли 1 шаблон на 1000 разноплановых позиций «лучшим ответом»? Очевидно, что нет.