Najważniejsze wnioski w pigułce
Dlaczego zerowy wolumen się opłaca
- Frazy z wolumenem „0” w popularnych narzędziach SEO mogą przynosić realny ruch i klientów.
- Narzędzia zewnętrzne szacują ruch na podstawie zarejestrowanego wolumenu. Witryna zbudowana na takich frazach wygląda w nich na nieistotną i nie przyciąga uwagi konkurencji.
Dane z przykładu
- Tytuł pracy naukowej z zerowym wolumenem w bazie słów kluczowych wygenerował w Google Search Console 1020 wyświetleń i 37 kliknięć.
- Średnia pozycja wyniosła 4,3, a CTR 3,6%. Fraza pojawiała się też w AI Overviews i w odpowiedziach czatów.
- To tylko jeden wariant zapytania. Suma wszystkich fragmentów i odmian frazy daje znacznie większy ruch.
Skąd brać prawdziwe zapytania
- Wewnętrzna wyszukiwarka, logi chatbota i zgłoszenia do supportu.
- Formularze wycen i notatki w CRM, najlepiej powiązane z zamkniętymi transakcjami.
- Nagrania rozmów sprzedażowych, pytania zadawane tuż przed zakupem i dyskusje w społecznościach.
- Kampanie Google Ads w dopasowaniu przybliżonym z rozbudowaną listą wykluczeń.
Jak to usystematyzować
- Zbieranie surowych zapytań, klasyfikacja intencji i grupowanie wariantów w tematy kanoniczne.
- Graf encji jako szkielet treści i linkowania wewnętrznego.
- Frazy wygenerowane syntetycznie przez modele językowe trzeba potwierdzić danymi od prawdziwych użytkowników.
Dlaczego zerowy wolumen to przewaga, a nie problem
Większość strategii SEO zaczyna się od eksportu fraz z popularnego narzędzia i sortowania ich według wolumenu. Takie podejście pomija całą warstwę zapytań, których bazy danych po prostu nie rejestrują. Dan Petrovic z australijskiej agencji DEJAN zwraca uwagę na efekt uboczny, który rzadko pojawia się w dyskusjach. Jeżeli witryna zarabia na frazach z wolumenem „0”, zewnętrzne narzędzia szacują jej ruch na kilkanaście wizyt miesięcznie.
Konkurent, który analizuje rynek, widzi stronę bez znaczenia i szuka okazji gdzie indziej. Tymczasem ta strona może pozyskiwać wartościowych klientów z zapytań, których nikt inny nie targetuje. To naturalne przedłużenie strategii pozycjonowania na długi ogon , tylko doprowadzone do skrajności. Frazy są tak specyficzne, że nie istnieją w żadnym zestawieniu. Nie oznacza to jednak, że nikt ich nie wpisuje.
Przykład z życia: tytuł pracy naukowej z ponad tysiącem wyświetleń
Petrovic sprawdził w swoim narzędziu do researchu słów kluczowych tytuł pracy naukowej o tym, jak modele językowe odtwarzają ludzkie intencje zakupowe. Wynik był zerowy, bo fraza okazała się zbyt niszowa, żeby trafić do bazy. Google Search Console pokazało zupełnie inny obraz. W czerwcu temat wygenerował skok do 1020 wyświetleń i 37 kliknięć przy średniej pozycji 4,3 i CTR na poziomie 3,6%.
Strona była widoczna także w AI Overviews i w odpowiedziach czatów, co pokazuje, że niszowe tematy dobrze przenoszą się do wyszukiwania opartego na AI. Te 37 kliknięć dotyczy tylko jednego wariantu zapytania. Użytkownicy wpisywali różne fragmenty, skróty i zdania podrzędne z tytułu pracy, więc łączny ruch ze wszystkich wariantów był znacznie wyższy. Warto pamiętać, że Search Console też nie pokazuje wszystkiego, bo zanonimizowane zapytania stanowią prawie połowę ruchu . Realny potencjał takich fraz bywa więc jeszcze większy, niż wynika z raportów.
Wniosek taktyczny jest prosty: trzeba wcześnie wychwytywać nowe badania, raporty i dane, a potem szybko na nie odpowiadać treścią. W okresie szczytu zainteresowania strona staje się wtedy głównym źródłem odpowiedzi praktycznie bez konkurencji. Sam autor przyznaje, że przykład akademicki jest raczej poboczny. Buduje rozpoznawalność marki w bardzo wąskich grupach odbiorców, których konkurencja nawet nie traktuje jako potencjalnych klientów.
Skąd brać zapytania, których nie znają narzędzia
Narzędzia do szacowania wolumenu opierają się na historycznych średnich i zagregowanych próbach panelowych. Nie wychwytują więc sformułowań, których ludzie używają, gdy potrzebują rozwiązania od razu. W dyskusji na LinkedInie praktycy wskazali kilka sprawdzonych źródeł takich zapytań. Na pierwszym miejscu znalazła się wewnętrzna wyszukiwarka serwisu, a obok niej logi chatbota i transkrypcje rozmów z działem obsługi klienta. Te dane pokazują dokładne sformułowania kupujących, zanim pojawią się w jakiejkolwiek zewnętrznej bazie.
Bardzo cennym źródłem są formularze wycen i notatki w CRM. Zamiast ogólnego „naprawa pieca” klienci piszą o konkretnym problemie z ograniczeniem, na przykład że „piec wyłącza się po pięciu minutach”. Gdy połączy się takie sformułowania z zamkniętymi transakcjami, zostaje język o potwierdzonej intencji zakupowej. Ten sam mechanizm wykorzystujemy w kampaniach płatnych, gdzie dane z CRM wzmacniają konwersje w Google Ads . Uzupełnieniem są nagrania rozmów sprzedażowych, formularze leadowe i pytania zadawane tuż przed decyzją o zakupie.
Poza danymi wewnętrznymi warto sięgnąć do społeczności, czyli subredditów, grup na Telegramie, komentarzy na YouTube i sekcji z opiniami. Rozmowy z lokalnymi klientami ujawniają z kolei regionalizmy, których bazy słów kluczowych nie grupują. Część praktyków stosuje metody aktywne: tajemniczego klienta, mapowanie ścieżki zakupowej od momentu zakupu wstecz (według niemieckiej metody Karla Kratza), model „Messy Middle” od Google czy podejście „jobs-to-be-done”. Ciekawą techniką jest też uruchamianie kampanii Google Ads w dopasowaniu przybliżonym z rozbudowaną listą wykluczeń. Raport wyszukiwanych haseł ujawnia wtedy konwertujące zapytania, których nie podpowie żaden Keyword Planner .
Modele językowe i grafy - pomoc, a nie wyrocznia
Petrovic sam pracuje z przestrzenią embeddingów i generuje syntetyczne warianty zapytań, przechodząc od frazy, która konwertuje, do docelowego dokumentu. Takie podejście daje mnóstwo kandydatów, ale wektory syntetyczne mają charakter probabilistyczny. Trzeba więc potwierdzić, że prawdziwi ludzie rzeczywiście używają tych sformułowań. W praktyce model językowy dobrze sprawdza się jako generator hipotez, a dane z wyszukiwarki wewnętrznej, Search Console czy kampanii płatnych powinny być ich weryfikacją.
Inni specjaliści wykorzystują grafy i modele do wykrywania ukrytych powiązań między tematami. Wśród metod pojawiły się własne leksykony branżowe połączone z analizą luk encji, ekstrakcja zapytań konkurencji modelami BERT oraz analiza rozgałęzień „Podobne pytania” w wielu lokalizacjach jednocześnie. Wszystkie te techniki łączy myślenie kategoriami encji i relacji, a nie pojedynczych słów kluczowych. Jeśli chcesz pogłębić ten temat, opisaliśmy cztery filary entity SEO, które decydują o widoczności .
Od intuicji do systemu: pięć kroków
Autor otwarcie przyznaje, że jego dotychczasowe podejście do danych z wyszukiwarki wewnętrznej było działaniem na wyczucie. Gdy grupa podobnych zapytań pojawiała się w logach wystarczająco często, pisał na ten temat artykuł. Na małą skalę to działa, ale przy większej liczbie danych potrzebny jest powtarzalny proces. Proponowany schemat łączy surowe zapytania z uporządkowanym modelowaniem.
Pierwszym krokiem jest zebranie niefiltrowanych zapytań z logów wyszukiwarki, rozmów z chatbotem, zgłoszeń do supportu i formularzy wycen. Następnie modele językowe odsiewają szum i klasyfikują zapytania według intencji, czyli komercyjnej lub związanej z rozwiązaniem problemu. Trzeci krok to grupowanie fraz z długiego ogona i fragmentów zdań w kanoniczne tematy. Dzięki temu kilka podstron nie konkuruje o to samo zapytanie.
Czwarty krok to budowa grafu encji, który pokazuje relacje między tematami kanonicznymi, problemami użytkowników i ofertą firmy. Na końcu graf staje się szkieletem architektury treści i linkowania wewnętrznego. To podejście dobrze współgra z tym, jak wyszukiwarki i systemy AI rozumieją powiązania między pojęciami, co opisujemy w tekście o Google Knowledge Graph i jego wpływie na SEO .
Podsumowanie
Zerowy wolumen w narzędziu SEO nie oznacza zerowego popytu, a często wskazuje frazy o najwyższej intencji zakupowej i najmniejszej konkurencji. Najlepszym źródłem takich zapytań są dane, które firma już ma: wyszukiwarka wewnętrzna, CRM, rozmowy sprzedażowe i kampanie płatne. Przewagę daje dopiero połączenie tych danych w system, który zamienia surowe zapytania w przemyślaną architekturę treści.
Źródło: Dan Petrovic, „Finding High-Value Converting Queries That Mainstream Tools Miss”, DEJAN, https://dejan.ai/blog/stealthy-queries/ (otwiera się w nowej karcie)
