Analýza kľúčových slov krok za krokom


Jedným z procesov, v ktorých Marketing Miner uľahčuje prácu a získava podkladové dáta, je analýza kľúčových slov. Tá je jedným zo základných kameňov efektívnej stratégie na mnohých úrovniach. Jej výstupy ocenia predovšetkým SEO a PPC špecialisti, ale aj mnoho ďalších oborov, ktoré bez tohto podkladu môžu pri svojich aktivitách „strieľať naslepo“.

Čo je analýza kľúčových slov?

Analýza kľúčových slov je dokument obsahujúci detailné informácie o dotazoch užívateľov, spojených s biznisom klienta, pre ktorého je analýza spracovávaná. Dotazy sú väčšinou rozšírené o metriky súvisiace s nimi a kategorizované.

Výstupy analýzy

Výstupy analýzy sú väčšinou vizualizované kvôli prehľadnosti. Hodia sa ako podklady napríklad k nasledujúcim aktivitám:

  • Obsahová stratégia
  • Návrh architektúry webu
  • Optimalizácia webových stránok

Všeobecne je ale analýza kľúčových slov dôležitým podkladom vo väčšine oblastí online marketingu.

Postup pri tvorbe „kľúčovky“

Tvorba analýzy kľúčových slov pozostáva z niekoľkých krokov:

  1. Zber dát – Kolekcia podkladových dotazov, ktoré môžu byť hľadané a sú relevantné pre biznis klienta.
  2. Data mining – Získavanie podkladových metrík o dotazoch (hľadanosť, konkurencieschopnosť,...).
  3. Čistenie dát – Tvorba jednotného výstupu a jeho dočistenie o dotazy, ktoré do analýzy nepatria.
  4. Kategorizácia/klasifikácia – Zaradenie dotazov do skupín, ktoré tak ukazujú súhrnnú štatistiku podobnej alebo rovnakej témy.
  5. Tvorba výstupu – Tvorba výstupného dokumentu a nadväzujúcich procesov

Zber dát

Prvým krokom úspešnej analýzy kľúčových slov je zber podkladových dát. Pre predstavu ho berte ako tvorbu datasetu všetkých relevantných dotazov, ktoré by mohli ľudia vo vyhľadávačoch hľadať.

Pre tento proces sa hodí, ak sa analýza vytvára pre klienta s už existujúcimi webovými stránkami a fungujúcimi kampaňami. V takom prípade je totiž možné väčšinu podkladových dát čerpať z jeho bežiacich kampaní (napr. z Adwords) a meracích nástrojov, ako je napr. Google Analytics.

Aby sme tento návod urobili čo najpraktickejší, poďme si ho ukázať na reálnom príklade. Povedzme, že robíme analýzu kľúčových slov pre web marketingminer.com v slovenčine.

Základná orientácia, využitie Profilerov

Najskôr je vždy potrebné sa detailne zoznámiť s klientovým oborom. Ak si analýzu robíte sami, máte veľkú výhodu, pretože detailne poznáte svoj obor a svojich klientov, takže viete, čo môžu hľadať a aké majú potreby. V prípade, že nie, je dobrou investíciou nechať špecialistovi nejaký čas na zoznámenie sa s oborom a pomôcť mu s orientáciou.

Ja, ako vlastník nástroja, sa zoznamovať s oborom príliš nemusím, keďže v ňom už 10 rokov pracujem, takže sa rovno pustím do práce.

Ten najvšeobecnejší pohľad a základ toho, aké weby a dotazy v oblasti môjho pôsobenia existujú, si môžem urobiť pomocou Profilerov. Tie dávajú komplexný výstup pre jeden konkrétny dotaz. Sú dostupné po prihlásení všetkým registrovaným užívateľom Marketing Mineru.

Do Profileru vložím pár všeobecných dotazov, ako je napr. „seo nástroj“, „analýza kľúčových slov“, apod. Výstup profileru môže vypadať nasledovne:
https://www.marketingminer.com/sk/profiler/keyword/seo%20n%C3%A1stroj?lang=cs

Zaujímajú ma predovšetkým podobné témy, ktoré môžu použiť na rozšírenie obzorov a návrhy, ktoré sa dajú rovno použiť ako podklad pre zber dát.

Extrakcia dát z meracích nástrojov a reklamných systémov

Dôležitým a často zabúdaným podkladom, pokiaľ už web existuje a nepripravujem analýzu pre novo vznikajúci projekt, sú dáta, ktoré už mám. Ide napríklad o dáta z nástrojov ako Google Analytics, Google Search Console či Adwords.com/">Adwords.

Marekting Miner obsahuje tzv. Extraktory, ktoré sa o získavanie podkladových dát z niektorých z týchto nástrojov postarajú. Konkrétne ide o nástroje Google Analytics a Google Search Console. Stačí prejsť do sekcie Extraktory (horné menu napravo), zvoliť službu, dáta, ktoré z nej chcete získať a stlačiť Získať dáta.

V rámci analýzy kľúčových slov odporúčam stiahnuť z týchto nástrojov nasledujúce dáta:

Nižšie uvedené video je ukážkou, ako môže vypadať proces získavania dát z Extraktorov:

O tom, ako exportovať dáta o dotazoch z Adwords sa dočítate viac tu:

Adwords/answer/2684537?hl=cs">https://support.google.com/Adwords/answer/2684537?hl=cs

Návrhy a našepkávače

Predošle získané dotazy už by mali dať dostatočný podklad pre orientáciu v hľadaných dotazoch. Tie najdôležitejšie z nich ešte môžu rozšíriť o návrhy, ktoré mi vracajú samotné reklamné systémy alebo vyhľadávače v našepkávačoch.


Poznámka: V tomto kroku neodporúčam posielať hromadne na spracovanie dáta získané z predošlého zberu dát, ale len najdôležitejšie a najcharakteristickejšie dotazy. V opačnom prípade je nakoniec potrebné stráviť viac času na čistenie výstupov, ako na získavanie podkladov.


Na toto je možné využiť buď nástroje, ktoré systémy ponúkajú (napr. Plánovač kľúčových slov alebo Návrh kľúčových slov). Tie ale ponúkajú buď obmedzené výstupy, ako napr. namiesto presnej hľadanosti jej rozsahy, alebo sa zložito využívajú pri väčšom výstupe.

Marketing Miner z obidvoch týchto systémov získava presné dáta a je teda schopný hromadne získať dáta ako z našepkávačov, tak aj z oboch týchto systémov naraz. Konkrétne ide o Keyword minery Našepkávače a Adwords Návrh.

Ukážku, ako dáta z týchto minerov získať, nájdete v tomto videu:

Inšpirácia od konkurenie

Posledným veľmi užitočným zdrojom pri zbere dát môžu byť konkurenti. Nemalo by ísť o konkurentov, ktorí nepôsobia online, ale ideálne o úspešných konkurentov, od ktorých je čomu sa priučiť a sú dobre viditeľní vo výsledkoch vyhľadávania.

Pre určenie konkurencie je možné využiť Link Prospecting miner, ktorý dovoľuje užívateľovi zistiť frekvenciu výskytu domén vo výsledkoch vyhľadávania Google. Stačí na vstup vložiť dotazy, na ktoré chcete byť vidieť, zvoliť Link Prospecting miner a na výstupe získate prehľad najsilnejších konkurentov, od ktorých sa môžete inšpirovať v danej oblasti.

Inšpiráciu od konkurencie môžete zbierať buď zo štruktúry jeho webu alebo z nástrojov, ktoré monitorujú výsledky vyhľadávania fulltextových vyhľadávačov a identifikujú, na aké dotazy sú jednotlivé weby vidieť. Nižšie nájdete ukážky výstupov pre doménu Marketingminer.com z niektorých týchto nástrojov:

Data mining

Výstupom zberu dát by mala byť tabuľka s jedným stĺpcom, kam vložíte pod sebou všetky dotazy, ktoré vám boli našepkané alebo ktoré ste si poznamenali. K týmto dotazom potrebujeme získať podkladové dáta, ale než tak urobíme, je potrebné sa najskôr zbaviť duplicít.

Zmazanie duplicít

Duplicity môžete v prípadoch, ak ide o malý dataset, zmazať pomocou nástroja Remove Duplicate Lines od Text Mechanic. Jednoducho vložíte dataset a stlačíte tlačidlo Remove duplicate lines.

V ostatných prípadoch budete väčšinou odstraňovať duplicity v nástrojoch:

Odstránenie duplicít v nástroji Excel

Excel je jedným z najpoužívanejších tabuľkových nástrojov na svete. Odstránenie duplicít podľa jediného stĺpca je v ňom otázka chvíľky.

Mazání duplicit v Excelu

Stačí označiť celý stĺpec a zvoliť funkciu Remove duplicate (v slovenčine Odstrániť duplicity). Funkcia sa už postará o vymazanie duplicít.

Viac informácií na:
https://support.office.com/en-us/article/Filter-for-unique-values-or-remove-duplicate-values-ccf664b0-81d6-449b-bbe1-8daaec1e83c2

Odstránenie duplicít v nástroji OpenRefine

OpenRefine je v Českej republike a na Slovensku hojne používaný nástroj pre analýzu kľúčových slov.

Po odstránení duplicít je potrebné najskôr dataset zoradiť podľa jeho názvu (a dostať tak rovnaké dotazy pod seba) a nasledovne použiť funkciu Blank down. Po zmazaní duplicít je ešte treba odstrániť prázdne riadky.

Podrobný návod aj s videom, ako duplicity cez OpenRefine odstrániť, nájdete tu:
http://kb.refinepro.com/2011/08/remove-duplicate.html

Získanie podkladových dát

Po zmazaní duplicít je potrebné získať podkladové dáta, z ktorých by sa dalo pri analýze vychádzať. Tu je najsilnejšia časť Marketing Mineru, ktorá pre vás hromadne väčšinu podkladových dát získa na pár kliknutí. Konkrétne budeme získavať o dotazoch nasledujúce podklady:

  • Hľadanosť kľúčových slov (miner: Hľadanosť fráz)
  • Cenu za preklik v PPC (miner: Hľadanosť fráz)
  • Mesačné štatistiky hľadanosti (miner: Hľadanosť fráz)
  • Najlepšiu vstupnú stránku podľa vyhľadávačov k danému dotazu (miner: Landing page)
  • Aktuálnu pozíciu vášho webu vo výsledkoch vyhľadávania (miner: SERP Position)
  • Konkurencieschopnosť v organických výsledkoch vyhľadávania (miner: SERP Competition)
  • Automatickú kategorizáciu dotazov (miner: Kategorizácia)

Viac informácií o mineru:  Hľadansoť fráz

Tento miner je vhodný pre:  SEOPPC


Návod na to, ako také dáta získať cez Marketing Miner, sme natočili nižšie:

Postup je nasledujúci:

  1. Užívateľ na vstup vloží svoj získaný dataset dotazov
  2. Stlačí Vybrať minery
  3. Zvolí minery: Hľadansoť fráz, Landing pare (vyplní vlastnú doménu), SERP Position, SERP Competition a Kategorizace
  4. Stlačí Získať dáta

Miner spracuje vyššie popisované podklady a výstup pošle užívateľovi. Získate tak naraz väčšinu podkladov, ktoré na analýzu potrebujete. Výstupom je report ako napr. tento:
https://www.marketingminer.com/sk/report/132ea6a645090a69446335164bb2906720b9b249c0969709790b2c3a0ba1582d/visualize

Stiahnuť si ho môžete vo formáte XLS alebo CSV.

V prípade komplexnejšej analýzy je dobré tieto údaje rozšíriť ešte o dáta z interných nástrojov, ako napr. o dáta z Google Analytics či Google Search Console, za pomoci Extraktorov aich napojenie do už existujúcej analýzy.

TIP: Vo výstupe SERP Position mineru sú vidieť aj dáta o tom, či sa vo výsledkoch vyhľadávania nevyskytuje nejaké rozšírenie. Do niektorých z týchto rozšírení (ich zoznam nájdete tu) sa je možné dostať, s inými je naopak potrebné počítať v rámci vzhľadu a CTR výsledkov vyhľadávania. Obohaťte o túto informáciu svoje analýzy.

Čistenie dát

Po získaní podkladových dát je potrebné sa v analýze zbaviť „balastu“. Teda dotazov, ktoré do analýzy nepatria a nie sú nijak využiteľné pre klienta. Tento krok sme rozdelili do dvoch sekcií podľa nástrojov, v ktorých analýzu kľúčových slov spracovávate.

1) Čistenie dát v nástroji Excel

V Exceli je čistenie dát trochu nešikovné, ale aj tak je možné v ňom analýzu pomerne efektívne spracovávať. Predovšetkým na väčších datasetoch nie je Excel najlepším riešením a odporúčal by som preskočiť na ďalšiu sekciu, kde riešime rovnaký postup v nástroji OpenRefine. Na menších datasetoch je Excel dostatočný:

Identifikácia irelevantných vzorov

Najskôr je potrebné sa zbaviť najväčších vzorov dotazov, ktoré do analýzy nepatria. Excel bohužiaľ nedisponuje kvalitnými a jednoduchými funkciami, ktoré by zobrazili frekvenciu výskytu slov a vzory, ktoré by sme mohli zmazávať. Používam preto pre vizualizáciu najfrekventovanejších slov Wordcloud generátor. V mojom prípade tento:
https://www.jasondavies.com/wordcloud/

Ukázka wordcloudu

Užívateľ jednoducho vloží na vstup všetky dotazy a wordcloud sa postará o vizualizáciu najfrekventovanejších slov. Akonáhle medzi nimi nájdem nejaké, ktoré do výstupu nepatria, tak:

  1. Prejdem do Excelu
  2. Vytvorím filter nad celou analýzou
  3. Cez textovú filtráciu nájdem všetky dotazy obsahujúce danú vylučujúcu frázu alebo vzor
  4. Zmažem riadky

A takto postupujem s vymazávaním všetkých vzorov. Potom, keď už nemôžem nič vo wordcloude na vylúčenie nájsť, skopírujem znova výstup a vytvorím znova wordcloud. V ňom sa môžu objaviť nové vzory na zmazanie. Ak nie, pokračujem ručným čistením, kde prejdem po riadku celý dataset a zmažem dotazy, ktoré nie sú relevantné.

Spracovanie Clusterov

Po zmazaní „balastu“ je potrebné vyriešiť ešte problém clusterov. Možno ste sa s ním už stretli – vložíte do Adwords výrazy „kočka“ a „kocka“ a on vám k obidvom vráti totožnú hľadanosť ( v poslednej dobe dokonca jeden z výrazov na výstupe odstráni). Táto anomália je spôsobená tým, že Adwords zlučuje štatistické dáta dotazov, pri ktorých dokáže určiť, či majú rovnaký význam.

Ak je teda hľadanosť slova „kočky“ 1000 hľadaní a hľadanosť slova „kocky“ je 150 mesačne, tak vám Adwords vráti pre obidve varianty hodnotu 1150. Sklik oproti tomu vracia informáciu o presnej hľadanosti dotazu, teda pre výraz „kočky“ vráti hľadanosť 981 a pre „kocky“ hľadanosť 336.

Marketing Miner preto vo výstupe dotazy, ktoré identifikuje Adwords ako Cluster (vracia pre ne rovnaké hodnoty) označuje pomocou stĺpca Adwords Cluster. V ňom označí daný Cluster číslom. Dobre je to vidieť napríklad na poslednom stĺpci reportu:
https://www.marketingminer.com/cs/report/c08a14964527e39a8540e37e20d65e10daa2fff6ccd1675e24b06af88fa862c9/visualize/miner.keyword.search_volume
Tu sú dotazy „kočky“ a „kocky“ označené ako Cluster 1.

Najlepším spôsobom ako sa s takými dotazmi vysporiadať je:

  • Identifikovať klastre a v nich nechať iba jedinú verziu

Kategorizácia v Exceli

V prípade kategorizácie je možné použiť rovnaký postup ako v prípade identifikácie irelevantných dotazov, a to vytvoriť wordcloud z dotazov v analýze a v ňom hľadať vzory ku kategorizácii.

Čiastočne je už kategorizácia vyriešená pomocou výstupu mineru Kategorizácia, ktorý sme použili v predošlých krokoch. Zbytok kategórií je potrebné ručne spracovať. Samotná kategorizácia potom prebieha tak, že sa identifikujú veľké vzory v analýze, tie sa označia súhrnným názvom (napr. Typ alebo Farba) a do nich sa postupne začleňujú jednotlivé vzory. Výborný návod od Mareka Prokopa, ako nad kategorizáciou a klasifikáciou premýšľať a aj ako ju robiť nájdete tu:
http://vyhledavace.info/clanky/246/klasifikacni-analyza-klicovych-slov

2) Čistenie dát a kategorizácia v nástroji OpenRefine

OpenRefine je na čistenie dát skvelý nástroj. Nerobia mu problém ani veľké vstupy a má pre vás pripravených pár naozaj užitočných funkcionalít.

Identifikácia irelevantných zdrojov

Najskôr je treba z výstupu z Marketing Mineru založiť v OpenRefine projekt s dátami analýzy. Ako na rýchlu analýzu a zmazávanie nepotrebných vzorov som ukázal vo videu nižšie (popis pod ním).

OpenRefine má na spracovanie rýchlej analýzy datasetu mnoho funkcionalít. My konkrétne využijeme tzv. Word facet, ktorý rozdeľuje frázy na jednotlivé slová a potom počíta ich frekvenciu výskytu (podobne ako wordcloud, ktorý som uvádzal vyššie). V ňom nájdem vzory, ktoré nie sú relevantné a z datasetu ich s pomocou funkcie Remove all matching rows zmažem.

Spracovanie clusterov

V prípade, že je clusterov málo, môže byť riešenie podobné ako u vyššie uvedeného postupu v Exceli. Clustery sa ale v prípade, že chcete viac verzií dotazov zlúčiť do jedného, dajú riešiť v OpenRefine automatizovane, a to tak, že sa využije najhľadanejšia verzia dotazu na Skliku. Analýza sa zoradí podľa clusterov (tak, aby sa pod seba dostali rovnaké clustery) a sekundárne podľa hľadanosti na Skliku. Metriky z Skliku sa potom zlúčia a s Adwords sa ponechá len unikátna hodnota pre daný cluster.

Popis postupu by zabral jeden celý článok, preto som radšej natočil video, ako na to. Vzorec použitý pri zlučovaní metrík je pre sumu:


forEach(value.split(','),v,v.toNumber()).sum()

A pre priemer:


with(value.split(','), a, forEach(a, v, v.toNumber()).sum() / a.length()).replace("NaN","").toNumber()

Čo vlastne vo videu robím:

  1. Založím projekt.
  2. Presuniem stĺpec s Adwords clustermi na začiatok.
  3. Označím si riadky v clusteroch a ostatným doplním hodnoty, aby sa neplietli do záznamu.
  4. Zoradím si clustery podľa názvu a sekundárne podľa najhľadanejšej varianty na Sezname.
  5. Odstránim duplicity v clustery a zlúčim metriky daných dotazov.
  6. Vytvorím stĺpec Pôvodné dotazy clusteru, ktorý obsahuje výpis dotazov, z ktorých sa cluster pôvodne skladal.
  7. Sčítam hodnoty hľadanosti v riadkoch a urobím priemer CPC clusterov.
  8. (nie je na videu) Je možné zmazať stĺpec Adwords Cluster.

Vďaka tomu mám na výstupe dataset očistený od clusterov, ktorý používa najhľadanejšiu variantu dotazu podľa Skliku.

Kategorizácia v OpenRefine

Pri kategorizácii si, podobne ako pri hľadaní nevhodných dotazov, vytvorím Word facet nad všetkými dotazmi, v ktorých hľadám vzory, podľa ktorých chcem kategorizovať. Na základe dát z neho si vytváram stĺpce s názvami kategórií, do ktorých chcem dotazy priraďovať.

Video návod:

Čo vlastne vo videu robím:

  1. Vytvorím Word facet a získam tak frekvenciu výskytu dotazov.
  2. Na základe dát z Word facetu sa rozhodnem vytvoriť kategóriu Služba, preto k nej založím prázdny stĺpec.
  3. Vyfiltrujem si dotazy obsahujúce len určitý vzor (vo videu „seo“ a „marketing“) a podľa nich priradím k daným dotazom klasifikáciu.

Tvorba výstupu

Výstup je z väčšej časti interným know-how firiem a každý si ho vytvára po svojom. Nemá cenu sa rozpisovať, ako by mal vypadať ideálne, pretože taký všeobecný výstup analýzy proste neexistuje. Výstup analýzy kľúčových slov je natoľko komplexný a dá sa používať v toľkých smeroch a oboroch, že sa nedá zovšeobecniť.

Vždy je ale dobré mať na pamäti, že by sa mal plniť cieľ, ktorý od analýzy očakávate a predovšetkým vo veľkej miere zachádzať do praktickej roviny. Teda napr. do návrhu na zmeny v hierarchii, návrh článkov alebo tvorbe obsahovej stratégie.


TIP: S výstupmi analýzy by mali byť schopní pracovať všetci členovia tímu, ktorí ho potrebujú. Pri jeho predávaní je preto dobré, aby boli prítomní všetci členovia tímu/klienta, ktorých sa analýza týka a predovšetkým aby vedeli, ako s analýzou pracovať. Je dobré preto nepodceniť predávanie a vyhradiť si dostatok času na zaučenie tímu v práci s analýzou, inak z nej dlhodobo ostane iba „zdrap elektronického papiera“, ktorý nikto nepoužije. Zo všeobecne používaných častí výstupu:


Vizualizácia výstupu analýzy kľúčových slov

K jednoduchým a vzhľadovo podareným vizualizáciám sa používajú prevažne nasledujúce typy grafov:

  • Stĺpcový graf (Bar chart) – pre zobrazenie celkovej hľadanosti klasifikácií, počtu slov v klasifikácii alebo priemernej konkurencieschopnosti.
  • Koláčový graf (Pie chart) – vizualizácia pomeru hľadanosti alebo konkurencieschopnosti kategórií, kde je menší počet segmentov. Pri väčšom počte segmentov je lepšie použiť stĺpcový graf, pretože koláčový graf je neprehľadný.

Ukážka vizualizácie celkovej hľadanosti segmentu Materiál analýzy kľúčových slov v Tableau:

Ukázka vizualizace v nástroji Tableau

Čo sa vizualizuje

Vo výstupoch analýzy sa väčšinou vizualizuje:

  • Celková hľadanosť jednotlivých klasifikácií,
  • vážený priemer konkurencie jednotlivých klasifikácií,
  • vážený priemer ceny za preklik jednotlivých klasifikácií.

Aké nástroje sa najčastejšie používajú pri vizualizácii

Čo hľadať v analýze

Aké zaujímavosti na použitie v praxi je možné nájsť vo výstupe analýzy a ako z nich vychádzať? Pozrime sa na niektoré z nich:

Nepokryté dotazy

Ide o dotazy, pri ktorých v stĺpci Landing Page nie sú žiadne dáta. To znamená, že vyhľadávače nemajú žiadnu stránku, ktorá by dotaz pokrývala.

Ide o dotazy, ku ktorým neexistuje vstupná stránka a bolo by dobré ju vytvoriť. Nepokryté dotazy môžu poukázať na obsah, na ktorý je dobré sa v najbližšej dobe zamerať, pretože jeho pokrytím si môže web ako taký dosť polepšiť z hľadiska návštevnosti.

Z pokrytých dotazov je dobré vytvárať témy na pokrytie a novo vznikajúci obsah nadväzovať k týmto témam (napr. v Exceli alebo zdieľanom Google Spreadsheet, kde bude jasne vidieť, aké témy by bolo dobré spracovať a aké dotazy pokrývajú).

Pri novo vytvorenom obsahu je dobré merať výkon, aby bolo možné vyčistiť jeho dopady. K tomu odporúčam sledovať v Google Analytics počet zobrazení danej URL a taktiež vstupnej stránky v priebehu času. Okrem toho je tiež potrebné merať pozície vo výsledkoch vyhľadávania na hľadané dotazy, na ktoré by mohla byť stránka vidieť.

Dotazy pokryté irelevantnou vstupnou stránkou

Okrem dotazov, na ktoré vôbec neexistuje zodpovedajúci obsah na vašom webe, je dobré tiež sledovať, ako relevantná je detekovaná vstupná stránka voči danému dotazu. Najlepšie je v tomto ohľade sa zmyslieť nad tým, aký bol zámer užívateľa, ktorý také vyhľadávanie vo vyhľadávači vykonával. Čo chcel nájsť? A je naozaj táto vstupná stránka odpoveďou na jeho dotaz? Ak na jednu z týchto otázok odpoviete nie, je na zamyslenie, či takú vstupnú stránku vytvárať. V prípade, že áno, je dobré merať dopady vytvoreného obsahu rovnako ako v predošlom prípade.

Dotazy s veľkým potenciálom

Ktoré dotazy majú vysokú hľadanosť a pritom nízku konkurenciu a sú tzv. „low hanging fruit“? Na identifikáciu takých dotazov si vytvorte nový stĺpec v analýze, ktorého obsahom je podiel metrík hľadanosti a konkurencie dotazu, teda:


Hľadanosť/(Konkurencia+1)

Tak vznikne nová metrika, ktorú ja osobne nazývam Opportunity score, teda skoré príležitosti. Čím vyššie, tým lepšie, pretože tým je dotaz hľadanejší a pritom s nižšou konkurenciou. Také dotazy väčšinou znamenajú, že na ne ešte vyhľadávače nemajú dostatočne kvalitnú odpoveď, preto tvorba obsahu na pokrytie takých dotazov (vytvorenie odpovede pre vyhľadávače) má relatívne rýchlu návratnosť a dá sa jednoducho dosiahnuť viditeľnosť vo vyhľadávačoch na dané dotazy.

A ako analýzu kľúčových slov robíte vy? Budem veľmi rád, keď sa s nami podelíte o svoje postrehy z analýz alebo nám pomôžete tento návod rozšíriť. Prajem veľa úspešných kľúčoviek.

Páči sa ti článok? Zdieľaj ho s priateľmi!     To sa mi páči Tweet Google +

Komentáre






Komentáre




Ešte si sa nerozhodol?

Nevadí, môžeš si nás zadarmo a jednoducho otestovať.