Як зробити кластеризацію семантичного ядра

1. Що таке кластеризація семантичного ядра

Кластеризація семантичного ядра — це розподіл ключових слів на групи, кожна з яких закриває одну потребу користувача й відповідає одній сторінці сайту.

Принцип перевірки простий: якщо за двома запитами Google показує переважно ті самі сайти, користувач у цих двох випадках хоче одного й того самого — отже, запити належать до одного кластера й можуть жити на одній сторінці. Якщо видача різна, потрібні дві сторінки.

Що дає кластеризація на практиці:

• показує, скільки сторінок потрібно сайту й якої саме глибини має бути структура;
• запобігає канібалізації — ситуації, коли дві сторінки конкурують за один набір запитів;
• дає основу для технічних завдань копірайтеру: кожен кластер — це одна сторінка з конкретним переліком запитів;
• дозволяє розставити пріоритети за сумарною частотністю груп і відстежувати SEO-метрики не за окремими фразами, а за кластерами.

Для сайтів, де до контенту висуваються підвищені вимоги, до групування додається ще один шар — фактори E-E-A-T: частина кластерів вимагатиме не просто тексту, а матеріалу з підтвердженою експертністю.

2. Два принципи групування

Усі способи кластеризації зводяться до двох підходів, і різниця між ними принципова.

2.1. За змістом

Фрази групуються за спільними словами: усе зі словом «шампунь» — в один кластер, усе зі словом «маска» — в інший. Так працюють формули в таблицях, фільтри й більшість ручних методів.

Швидко й безкоштовно. Але цей підхід нічого не знає про те, як запити бачить Google. Дві фрази з одним і тим самим словом можуть мати різний інтент («шампунь купити» і «як вибрати шампунь»), а дві фрази без жодного спільного слова — однаковий («засіб для об’єму волосся» і «шампунь для тонкого волосся»).

2.2. За видачею

Сервіс пробиває ТОП-10 за кожним запитом і порівнює, наскільки перетинаються результати. Якщо за двома запитами в ТОПі збігається достатня кількість URL, вони об’єднуються в кластер.

Це точніше, бо спирається не на припущення, а на те, як пошукова система вже класифікувала запити.

Тип зв’язку (сила кластеризації) — головне налаштування, яке в інтерфейсах підписано незрозуміло, а насправді означає просте: скільки URL із ТОП-10 має збігтися, щоб запити потрапили в одну групу. Зазвичай доступні значення від 3 до 7. Чим вище число, тим суворіший відбір.

Тип кластеризації — друге налаштування, яке плутають із першим:

• жорсткий (hard) — запит потрапляє в групу, тільки якщо він проходить поріг збігу з кожним запитом цієї групи. Групи виходять точні, але дрібні, а невідсортованих багато;
• м’який (soft) — досить збігу з центральним запитом групи. Групи більші, невідсортованих менше, але всередині трапляється зайве.

Робоча практика: починати з жорсткого й середнього зв’язку, подивитися на розмір залишку, і вже від нього вирішувати, послаблювати чи ні.

2.3. Який підхід обирати

На проєктах ми користуємося комбінованим: чорнову роботу робить автоматика або формули, а спірні кластери перевіряються вручну за видачею. Чиста автоматика без перевірки дає помилки в найдорожчих місцях — саме там, де запити виглядають схожими, а інтент у них різний.

3. Спосіб 1: функція QUERY у Google Таблицях

QUERY — функція Google Таблиць, яка дозволяє витягувати дані мовою запитів, побудованою на логіці SQL. Для кластеризації вона зручна тим, що одразу переносить знайдені фрази в потрібне місце, а не просто позначає їх.

Загальний вигляд формули:

=QUERY(діапазон; "SELECT * WHERE A CONTAINS ‘слово'")

3.1. Порядок дій

Приклад робочої формули:

=QUERY(‘Семантика’!A2:B862; "SELECT * WHERE LOWER(A) CONTAINS ‘шампун'")

1. Вивантажте ядро на один аркуш — наприклад, Семантика. У стовпці A — фрази, у стовпці B — частотність.
2. Створіть другий аркуш Кластери і напишіть у ньому назву першої групи.
3. У комірку під назвою вставте формулу, підставивши свій аркуш, діапазон і слово кластера.
4. Усі фрази, що містять це слово, автоматично перенесуться в кластер разом із частотністю.
5. Скопіюйте формулу нижче й замініть слово — так збирається наступна група.

3.2. Розбір формули

• ‘Семантика’!A2:B862 — аркуш і діапазон, де шукати. Друга літера стовпця визначає, скільки колонок перенесеться в кластер;
• SELECT * — взяти всі стовпці діапазону;
• WHERE A CONTAINS — умова: стовпець A містить вказаний фрагмент;
• ‘шампун’ — шукане слово без закінчення, щоб потрапили всі словоформи: шампунь, шампуню, шампуні, шампунем.

3.3. Дві пастки, про які мовчать інструкції

CONTAINS регістрозалежний. Запит із великої літери («Шампунь») формула не знайде. Саме тому в прикладі вище стоїть LOWER(A) — вона приводить стовпець до нижнього регістру перед порівнянням. Без цієї обгортки частина фраз тихо загубиться, і ви про це не дізнаєтеся.

Роздільник аргументів залежить від локалі таблиці. У налаштуваннях з українською або європейською локаллю аргументи розділяються крапкою з комою (;), у США — комою (,). Якщо формула повертає помилку одразу після вставки, справа зазвичай саме в цьому.

3.4. Коли підходить

Коли ви заздалегідь знаєте перелік категорій і хочете швидко розкидати по них семантику з перенесенням даних. Мінус — формула тягне фразу в кластер, але не позначає її у вихідному списку, тому легко не помітити, що частина ядра лишилася нерозібраною.

4. Спосіб 2: REGEXMATCH замість FIND

Другий підхід — позначати фрази прямо у вихідному списку й сортувати за позначкою. У старих інструкціях для цього радять функцію FIND, але вона має два недоліки, через які роботу доводиться переробляти.

FIND регістрозалежна — «Шампунь» не знайдеться за запитом «шампун». І повертає помилку #VALUE!, коли нічого не знаходить, тому стовпець заповнюється помилками, а не порожніми комірками. Сортувати такий стовпець незручно.

Замість неї краще використовувати REGEXMATCH:

=REGEXMATCH(LOWER(A2); "шампун")

Функція повертає TRUE або FALSE — без помилок і з чистим сортуванням.

4.1. Головна перевага: кілька варіантів одразу

REGEXMATCH розуміє вертикальну риску як «або», тому в одну формулу можна закласти всі варіанти написання кластера, зокрема транслітерацію та синоніми:

=REGEXMATCH(LOWER(A2); "шампун|shampoo|мийний засіб для волосся")

Це саме те, чого не вміє жоден із методів «за одним словом»: кластер «шампуні» майже завжди містить фрази без слова «шампунь», і ловити їх окремими проходами довго.

4.2. Порядок дій

1. У стовпці C поруч із першою фразою вставте формулу.
2. Наведіть курсор на правий нижній кут комірки, дочекайтеся хрестика й двічі клацніть — формула протягнеться до кінця заповненого діапазону.
3. Відсортуйте стовпець C за спаданням: усі TRUE опиняться зверху.
4. Скопіюйте групу в аркуш із кластерами.
5. Видаліть перенесені рядки з вихідного списку й повторіть для наступного кластера.

Крок 5 — головна перевага цього способу: ядро поступово зменшується, і наприкінці ви бачите точний залишок нерозібраних фраз. Пропустити частину семантики стає неможливо.

4.3. Коли підходить

Коли завдання — розібрати ядро повністю, нічого не загубивши. Ми користуємося цим методом, коли потрібно спроєктувати максимальну кількість посадкових сторінок: кожен залишок після чергового проходу — це або новий кластер, або кандидат на видалення.

5. Спосіб 3: фільтри

Найпростіший спосіб, для якого не потрібні формули взагалі.

1. Виділіть діапазон із семантикою й створіть фільтр.
2. У меню фільтра оберіть Фільтрувати за умовою → Текст містить.
3. Введіть слово кластера й натисніть ОК.
4. У таблиці залишаться тільки потрібні фрази — скопіюйте їх в аркуш кластерів.

На відміну від формул, фільтр не змінює дані й знімається одним кліком, тому перебирати гіпотези ним найшвидше.

Два зауваження. По-перше, при створенні фільтра переконайтеся, що діапазон охоплює всі рядки: якщо частина ядра лишилася поза межами виділення, вона просто не потрапить у фільтрацію, і ви цього не побачите. По-друге, фільтр теж нічого не позначає у вихідному списку, тому для повного розбору ядра його краще поєднувати зі способом 2.

5.1. Коли підходить

Для невеликих ядер до кількох сотень фраз і для швидкої перевірки гіпотез: скільки взагалі запитів у ніші містять потрібне слово й чи варто виділяти під них сторінку.

6. Спосіб 4: сервіси кластеризації за видачею

Автоматична кластеризація доступна в Serpstat, Keyword Insights, Keyword Cupid та інших сервісах. Принцип у всіх один — порівняння ТОП-10 за кожною парою запитів, різниця в базі даних, ціні й зручності інтерфейсу.

6.1. Порядок дій

1. Створіть новий проєкт кластеризації й завантажте список фраз.
2. Оберіть регіон і мову — це критично: кластери для Києва й для України в цілому відрізняються.
3. Задайте тип зв’язку й тип кластеризації (див. розділ 2).
4. Запустіть і дочекайтеся обробки — на великих ядрах це може зайняти години.
5. Вивантажте результат і перевірте його вручну.

6.2. Що показує практика

Ми проганяли через автоматичну кластеризацію нечищене ядро на 100 фраз для косметичного бренду з жорстким типом і сильним зв’язком. Результат показовий: 56 фраз зі 100 потрапили в невідсортовані, окремої групи під шампуні сервіс не створив узагалі — частина запитів пішла в групу «бренд + ціна», частина утворила окрему групу «шампунь для об’єму».

Перемикання на м’який тип картину майже не змінило.

Висновок не в тому, що сервіс поганий. Висновок у тому, що автоматична кластеризація — це чернетка, а не результат, і закладати її в план робіт треба разом із часом на ручну перевірку, а не замість нього.

6.3. Коли підходить

На ядрах від тисячі фраз, де ручний перебір нереальний. На малих ядрах формули в таблицях дають той самий результат швидше й безкоштовно.

7. Спосіб 5: LLM як помічник

Мовні моделі непогано групують фрази за змістом, і для першого проходу це швидший інструмент, ніж формули. Робочий сценарій — віддати список і попросити розкласти його на групи з поясненням логіки кожної.

Що варто вказати в запиті, щоб результат був придатним:

• нішу й регіон — інакше модель згрупує абстрактно;
• тип сторінок, на які розкладаються групи (категорії магазину, сторінки послуг, статті);
• вимогу не вигадувати фраз, яких немає у списку;
• вимогу віддати результат таблицею з колонкою «інтент».

7.1. Обмеження, яке вирішує все

Модель групує за змістом, а не за видачею. Це той самий недолік, що й у формул: вона не знає, як Google насправді класифікував запити у вашому регіоні, і впевнено об’єднає фрази з різним інтентом, якщо вони схожі на вигляд.

Крім того, на довгих списках моделі схильні губити частину рядків і не завжди повідомляють про це. Тому після LLM-проходу обов’язкова перевірка: чи збігається кількість фраз на вході й на виході.

Реалістична роль цього способу — швидко отримати чернетку структури й перелік назв кластерів, який далі перевіряється за видачею.

8. Порівняння способів

Робоча зв’язка для більшості проєктів: LLM або формули для чернетки → сервіс за видачею для перевірки спірних груп → ручна правка залишку.

9. Що робити з невідсортованими

Залишок після автоматичної кластеризації — не брак сервісу, а нормальний етап роботи. Розбирати його варто за порядком, а не підряд.

1. Спочатку сміття. Пройдіться фільтром за типовими маркерами нецільових запитів: «безкоштовно», «своїми руками», «скачати», «вакансії», чужі бренди, чужі міста. Зазвичай так відсіюється третина залишку.
2. Потім — фрази з високою частотністю. Відсортуйте те, що лишилося, за спаданням і розберіть вручну перші два-три десятки. У них зосереджена основна цінність залишку; «хвіст» із частотністю 10 можна дорозібрати пізніше.
3. Далі — перевірка за видачею. Візьміть фразу й подивіться, до якого з уже готових кластерів вона ближча за складом ТОП-10. Найчастіше вона просто не дотягнула до порогу й належить до наявної групи.
4. Те, що не підійшло нікуди, — кандидат на новий кластер. Якщо таких фраз кілька й у них спільний інтент, це сигнал, що ви пропустили цілу категорію.
5. Одиночні фрази без групи не отримують власної сторінки. Їх додають до найближчого кластера як додаткові або залишають у резерві до наступного оновлення ядра.

10. Як перевірити, що кластер зібрано правильно

Перевірка не потребує сервісів — достатньо вручну звірити видачу.

10.1. Перевірка за перетином ТОП-10

Візьміть два запити з одного кластера, відкрийте видачу за кожним і порівняйте URL у ТОП-10. Якщо збігається менше трьох — запити в одній групі опинилися помилково, і сторінка не зможе ранжуватися за обома.

Перевіряти варто не всі пари, а крайні: найчастотнішу фразу кластера й найдовшу. Якщо збігаються вони, решта майже напевно теж.

10.2. Чек-лист

• У кластері один інтент. «Купити» і «як вибрати» — завжди різні групи, навіть якщо в них однакові слова.
• Кластеру відповідає одна сторінка, і жодна сторінка не претендує на два кластери.
• Назву кластера видно з запитів. Якщо назвати групу одним словом не виходить, усередині змішано кілька тем.
• Кластер має достатню сумарну частотність, щоб сторінка себе виправдала.
• Під кластер реально є що продавати. Група навколо товару, якого немає в асортименті, — витрачений час.
• Регіон урахований. Кластеризація за видачею по Україні та по конкретному місту дає різні групи.

Після перевірки кластери переносяться в карту релевантності, і робота переходить до наступного етапу — оптимізації сторінок. Загальний контекст, куди вбудовується кластеризація, ми розібрали в матеріалі про семантичне ядро, а інструменти для обох етапів зібрали в добірці SEO-сервісів.