Andrew Antokhin
Текстовая релевантность документа на максимум: в 3 раза быстрее за счет автоматизации
В начале своей карьеры я вел проект для сайта производителя с достаточно объемной семантикой, где основным драйвером роста было доработать страницы на основе анализа ТОП-10 и под спрос.
Обычный процесс работы по настройке текстовой релевантности документа выглядел так:
1️⃣Брал кластер запросов под конкретную страницу — 5 минут.
2️⃣Максимально расширял этот кластер через WordStat, Key Collector 4, Keys.so, Megaindex и другие сервисы. Очищал его от мусора и дублирующихся ключевых фраз — 30-40 минут.
3️⃣Проводил срез позиций и анализ выдачи по ТОП-10 в Яндексе и Google на основе собранной семантики — 5 минут.
4️⃣Выбирал сильных конкурентов и детально разбирал их страницы, вплоть до отдельных контентных блоков. Если у одного из конкурентов был блок с видео, мы добавляли его на свою страницу, если у кого-то была таблица, мы создавали такую же. Думаю, логика ясна — 1 час.
5️⃣Делал лемматизацию по всей собранной семантике — разбивал фразы на отдельные слова и подсчитывал частотность. Все это вручную — 20 минут.
6️⃣Вписывал эти слова по тексту страницы равномерно, где нужно — дописывали текст — 30 минут.
7️⃣В конце оптимизировали метатеги, добавляли перелинковку на другие страницы — 20 минут.
8️⃣Отправляли на переобход в Яндекс и Google — 5 минут.
Итого: примерно 3 часа на страницу, не считая копирайтинга и технических доработок. Это уже когда отточили подход. В начале такое занимало весь рабочий день, а то и два.
Практически всегда через 7-14 дней мы выходили в ТОП-10 по обоим поисковым системам с этим кластером запросов, иногда даже в ТОП-3. Иногда возвращались к уже доработанным страницам, чтобы подняться еще выше.
В месяц таких страниц было 3-4. Через год сайт стал абсолютным лидером в SEO по своей нише. Но мог ли он стать им раньше? Теперь я понимаю, что мог.
Если бы на тот момент я знал о таких инструментах, как "Анализ текста от Miratext", ГАР, то как минимум часть работы с
37 · 1.1K ·