Transcription
За последние 6 месяцев я получил более 100.000 кликов, не добавляя новых постов. Это значит, что весь трафик за последние 6 месяцев - результат постоянного обновления моих статей с помощью двух автоматизаций.
Первая автоматизация используется для анализа работы моего сайта, чтобы я точно знал, потерял ли я трафик или какой-то сайт получил его больше, чем раньше. Но всё же всегда есть страницы, которые со временем явно потеряли эффективность. И обычно я их нахожу, если смотрю по производительности, по страницам. И, кстати, весь этот отчёт тоже создаётся с помощью рабочего процесса NYCN. Я также добавлю ссылку на этот workflow и на видео в описании и выделю их прямо сейчас.
Допустим, я заметил, что потерял часть трафика, так что, например, здесь примерно в это время был пик, а затем в последующие дни трафик упал более чем на 50%. Вот тогда я понял, что нужно снова оптимизировать статьи. Затем я открыл этот отчёт, проверил показатели по страницам, посмотрел на слабые места и те, что потеряли видимость. Например, здесь мы видим слабые показатели. Потерял около 47% и кликов более 30% и так далее. И тогда я точно знаю, какие URL нужно оптимизировать.
И вот здесь, в этом процессе, команда AICO берёт на себя оптимизацию за меня. Как видите, у нас есть множество и агентов, созданных для конкретных задач, таких как, например, для анализа поисковой выдачи, ключевых слов, часто задаваемых вопросов и анализа связанных запросов и так далее. И в итоге получается документ Google Docs. И чтобы показать вам два примера, ведь этот процесс может оптимизировать любую статью на любом языке. А вот один отчёт, который я сгенерировал на основе своей целевой страницы. Итак, эта страница была входными данными, а это конечный результат, который мы получаем из рабочего процесса.
Итак, как видите, всё начинается с индексации и анализа скорости загрузки страниц. Этот процесс также использует API Page Speed Insights и API проверки URL из Google Search Console. И, как видите, производительность на мобильных и десктопах вполне хорошая. Итак, самые важные ключевые показатели быстрые или хотя бы на среднем уровне. Значит, мне не нужно оптимизировать эту страницу с технической стороны.
Следующая глава включает анализ статьи. Итак, начинается с анализа заголовка, метаописания, заголовков контента, первых и последних 100 слов. И полный анализ основан на реальных данных. Так что, когда даётся рекомендация, это не просто потому, что звучит хорошо, а ещё и потому, что учитываются данные из моей Google Search Console. Или, другими словами, я активировал массовый экспорт, чтобы получить данные из Google Search Console в таблицу Big Query, что позволяет выполнять SQL-запросы для анализа базовой производительности ключевых слов и прочего.
А затем на следующем этапе у нас будет анализ выдачи, вот эта часть сверху. Итак, мы получим результаты SEP для мобильных и десктопных запросов, связанных поисков FAQ. и мы. Также будет подробный анализ каждого конкурента, который занимает топовые позиции по заданному ключевому слову. И результат выглядит так. Сначала он анализирует заголовки лучших результатов, а затем он проанализирует фрагменты и попробует определить ключевое слово для страниц, которые он он проанализирует длиннохвостые ключевые слова и проведёт нграммный анализ для каждого конкурента. Затем данные объединятся, и вы получите самые часто встречающиеся слова из всех топовых результатов.
В следующей главе у нас будет анализ ключевых слов. Здесь мы анализируем результаты с помощью Big Query. Как видите, здесь данных немного, но я покажу вам другой пример, где эта часть более подробная. А затем идут рекомендации, которые снова основаны на данных, предоставленных и агентам.
А теперь, на мой взгляд, самая важная часть - это оптимизация статей. Итак, по заголовку и метод описанию. Итак, вот несколько примеров альтернатив, которые можно использовать для обновления этой статьи. Итак, здесь вы видите пять заголовков и пять метаописаний, но это также можно настроить прямо в самом рабочем процессе. А затем у нас есть часть о том, как оптимизировать это с точки зрения обновления самого контента. Например, здесь я могу скопировать предложение, перейти на страницу и найти его. И, как видишь, этот находится прямо под моим заголовком. А рекомендация будет здесь вот текущее предложение, и ты можешь оптимизировать его или заменить на этот, потому что здесь уже есть ключевые слова, по которым мы ранжируемся.
Итак, снова опираясь на данные из Google Search Console, поскольку моя целевая страница этого сайта не получает много трафика и контента там тоже немного, этот раздел довольно короткий. Но чтобы привести ещё один пример, я использовал эту автоматизацию и для другого сайта, который в основном на немецком. И для информации я анонимизировал статью. Структура такая же, как в оригинале, но данные другие. И, как видите, он снова начинается с индекса и анализа производительности на основе статуса индекса и показателей скорости загрузки страниц. Итак, здесь мы видим, что последний обход Google был 17 июня и статус был успешным. И здесь снова показатели производительности для десктопа и мобильных, а также краткое резюме. А затем та же структура, анализ статьи, анализ выдачи, анализ ключевых слов, заголовок и метаописание. Эта статья примерно на 1.500 слов. И я добавил в задание, что агент, отвечающий за оптимизацию контента, должен переписать хотя бы по одному предложению в каждом абзаце. И как вы уже видите, здесь рекомендации более подробные по сравнению с другим отчётом, который был основан на моей целевой странице с сайта Marvel Matic.
Итак, теперь поговорим об автоматизации. Как видите, этот рабочий процесс разделён на несколько частей. Всё начинается с подготовки рабочего процесса, где мы получаем имена таблиц BQU, метаданные статей, а также создаём таблицу для анализа конкурентов и для проверки эффективности статьи. Далее идёт анализ Serp, который отвечает за изучение топовых результатов по заданному ключевому слову и стране. И здесь есть часть, которую мы видим прямо сейчас. Так что анализируем конкурентов. Этот пункт очень важен, потому что мы предполагаем, что страницы, занимающие верхние позиции в результатах, уже провели хорошее исследование ключевых слов и делают всё правильно, что для нас является сигналом, что стоит проанализировать контент, провести энграммный анализ и выявить среди всех топовых результатов самые распространённые ключевые слова, потому что эти ключевые слова помогут нам со временем улучшить наши позиции.
Итак, если кратко, мы используем serper. Мы получаем результаты для мобильных и десктопных устройств. Затем мы передаём данные, извлекаем связанные запросы и часто задаваемые вопросы. Мы также сохраняем эти данные в таблицу, а затем анализируем конкурентов. Итак, мы получаем лучшие результаты для мобильных и десктопных устройств. Затем я установил лимит, который можно найти здесь. Так что в этом случае мы получаем три лучших органических результата. То есть никаких платных или других страниц. только те, что занимают эти позиции органически. А потом делаем то же самое для декто мы объединяем страницы, потому что сайт может занимать топовые позиции по ключевому слову и в мобильной, и в десктопной выдаче, но это бывает не всегда. Затем переходим к страницам и удаляем дубликаты.
И вот ещё одно ограничение, которое я люблю использовать для теста, потому что, как видишь, на следующем шаге мы перебираем каждую страницу, а затем получаем содержимое с помощью craw AI. Извлекаем самую важную информацию и передаём её в OpenI Ey, который выполнит для нас RAM анализ. И как видишь, я использую модель GPT4 Omni Mini. Она довольно дешёвая, так что даже если я проанализирую 10 результат, это не стоит много денег. Но если ты захочешь заменить эту модель на другую, которая может быть дороже, тогда всегда разумно установить некоторые ограничения, иначе можно использовать больше токенов, чем хотелось бы. После анализа мы также сохраним эти данные в таблице. Итак, здесь мы получаем внешние данные, которые будут полезны нашим эгентам на следующем этапе. Но прежде чем передать данные команде, которая будет оптимизировать статью, мы проверим, проиндексирована ли страница, а также её скорость загрузки. Проверка индексации важна, потому что если страница не проиндексирована, она не принесёт трафик. Если страница очень медленно загружается, особенно на мобильных устройствах, это тоже сигнал, который нужно оптимизировать, потому что если ваша страница в топе, а человек кликает, но приходится ждать 5 секунд, скорее всего, он уйдёт, а это очень плохой сигнал для Google. И чаще всего вас ставят на более низкую позицию, чем раньше. И как только мы провели эти проверки, мы также получаем данные и сохраняем их в таблицу.
Ещё один очень важный момент, чтобы получить действительно полезные результаты, а не просто стандартные примеры, сгенерированные и как это улучшить. Нужно проанализировать работу данной страницы с учётом выбранного периода времени, чтобы, например, если мы посмотрим на узел базовой производительности, то здесь у нас массив с одним элементом целевой страницей. И в этом случае я установил диапазон дат. Дай-ка посмотрю. 21 день. Итак, мы сравниваем последние 3 недели с тремя неделями до них. За последние 3 недели у меня было 48 кликов, а в предыдущий период 95. Значит, за этот период я точно потерял видимость.
Затем мы анализируем распределение позиций по ключевым словам. И, как видите, здесь мало данных, потому что моя целевая страница не ориентирована на множество ключевых слов, кроме моего бренда. Но если ты применишь эту оптимизацию, как я показал в другом примере, для статьи, которая за последний период получила больше показов и кликов и также ранжируется по большему числу запросов, то в ключевых топ-запросах появится строка, разделённая запятой. И первая часть всегда - это ключевое слово, а в скобках указана позиция. Так что в этом случае мой сайт Marvel Matic занимает первое место в Google по ключевому слову Marvel Matic. Эти данные очень важны, потому что помогают понять, какие ключевые слова - это низковисящие плоды. Ведь мы уже занимаем по ним хорошие позиции. И я заметил, что если ты уже в топ-15 или топ-10 по ключевым словам в Google и добавишь это ключевое слово грамотно в статью, то, скорее всего, сможешь подняться в топ результатов по этому запросу.
Следующий шаг- проанализировать отличные возможности и эффективность целевых ключевых слов. В качестве примера этот узел проверит эффективность ключевых слов, по которым вы пытаетесь продвинуться. Рядом с основным ключевым словом есть также целевые ключевые слова, разделённые запятыми. Если вы ранжируетесь по этим ключевым словам, то найдёте их в этом разделе с данными, такими как клики, показы, позиция и дата, которая тоже важна для SEO команды. Ведь при обновлении контента нужно помнить, что наша цель - всегда занимать высокие позиции по ключевым словам, которые я здесь упомяну. Конечно, ключевое слово и наши целевые ключевые слова. И как только анализ эффективности завершён, все данные сохранятся в таблицу.
И последний шаг перед передачей всех данных команде CO - это проанализировать статью или страницу, которую мы хотим оптимизировать. Итак, здесь мы получаем содержимое URL, в данном случае моей целевой страницы. Затем мы извлекаем самые важные данные из статей, то есть такие вещи, как заголовок, содержание и описание. И именно поэтому этот рабочий процесс может показывать тебе такие примеры. И вот эта часть точно такая же, как на странице. А вот рекомендация заменить это на вот это или вот это. И как только подготовка будет завершена, мы объединим все данные здесь. И, как видите, у нас есть данные по связанным поисковым запросам и часто задаваемым вопросам. В этом случае поле пустое, потому что для моего бренда пока нет связанных поисковых запросов к фавка. Но если бы мы оптимизировали, например, по топовым инструментам для управления проектами, то точно были бы связаны поисковые запросы и фак. Далее у нас распределение позиций по базовой производительности. Статья и данные рабочего процесса, такие как целевые и ключевые слова, страна и язык. Потому что, как я уже говорил, этот процесс может оптимизировать любую статью на любом языке, а также данные индексации и скорости загрузки страниц.
Прежде чем мы перейдём к самому агенту, важно понять, что весь процесс снова разделён на несколько частей. Начинается всё с перевода. Итак, я здесь задал подсказки для каждого агента. И системный запрос, и инструкции - это пользовательский запрос. И перед тем, как начать анализ данных или оптимизацию контента, сначала нужно перевести все эти запросы на наш целевой язык. И как вы видите, здесь я настроил параметры для анализа SERP и RAM, а также для агента, который будет проводить анализ эффективности ключевых слов и так далее. И как только у нас будет перевод пользовательских и системных запросов, мы начнём анализ данных, потому что без значимой и релевантной информации. Если данные не связаны с нашей статьёй, то оптимизация контента получается плохой и практически бесполезной.
А первые агенты отвечают за анализ выдачи. Здесь я использую GPT1 Mini, потому что он чуть лучше, чем GPT Omni Mini и Tool calling. Он не идеален, но дешёвый и справляется с задачей. Например, здесь результатом будет анализ заголовков снипетов конкурентов, ключевого слова, длиннохвостых запросов и энграммного анализа. И ещё одно важное, перед тем как мы перейдём к другим агентам, - это структурированный парсер вывода. Итак, как видите, у каждого агента есть свой собственный парсер структурированного вывода, что очень важно, если мы хотим получить что-то надёжное. Потому что я заметил, что если работать с агенты или вообще большие языковые модели, и у тебя есть, например, запрос, это не значит, что этот запрос всегда возвращает одинаковые результаты или структуру, что может быть одной из причин, почему что-то ломается. Чтобы привести пример и сделать это понятнее, представь, что ты хочешь проанализировать данные, и следующий агент получит структурированные данные вот в таком виде. А ты хочешь проанализировать заголовок анализа. Итак, этот ключ, если его нет, то результат будет мусором или процесс сломается. Именно поэтому у каждого агента есть свой пар структурированного вывода, заранее заданной структурой, которую я сделал вручную. Я пробовал и без этого, но совсем не работало. Иногда это срабатывало, но большинство оптимизации проваливались, потому что вывод больших языковых моделей всегда отличался от предыдущего.
Вернёмся к агентам. Мы уже обсудили анализ Serb, а теперь есть агент, который занимается анализом часто задаваемых вопросов и связанных поисковых запросов. Этот агент отвечает за анализ эффективности и генерирует данные, такие как основные второстепенные ключевые слова, слова для включения в заголовки, а также ключевые слова для упоминания в эк. Следующий агент анализирует эффективность ключевых слов из нашего списка отслеживания. Он проверит их позиции в прошлом, а также клики, показые метрики, и даст рекомендации, стоит ли действительно пытаться продвигать те ключевые слова, по которым вы сейчас пытаетесь выйти в топ, или, если разумнее, переключиться на другое ключевое слово, потому что шансов занять по нему места больше.
Следующий агент отвечает за анализ статьи. И, как видите, он анализирует заголовок, метаописание, проверяет заголовки, содержание, резюме, а также первые и последние 100 слов, потому что первые 100 слов очень важны, чтобы заинтересовать читателя. И обычно в конце статьи или лендинга, чтобы ты не оптимизировал, размещают призыв к действию. Он проверит, можно ли также оптимизировать эти части вашей статьи. И все данные, важные для оптимизации контента, сохраняются в этом объединяющем узле. И в нём содержатся данные, такие как анализ глаголов, часто задаваемые вопросы, связанные поисковые запросы, анализ ключевых слов, краткое содержание и так далее. Итак, все данные, которые ранее проанализировали эти агенты.
И затем при оптимизации контента мы сначала проведём проверку скорости загрузки страницы, что довольно просто, так как данные берутся напрямую из вывода API Page Speed. А затем у нас есть специальный агент, который создаёт заголовки и метаописание, а за ним, на мой взгляд, самый важный агент- оптимизация контента. И здесь также можно найти информацию о том, в какой главе рекомендуется заменить текущие предложения на один из этих вариантов. И как только эти агенты соберут все данные, важные для отчёта, например, здесь у нас ключи для индекса, анализа скорости страницы, анализа статьи и так далее, нам понадобится вывод формат тера. В этом содержатся инструкции для создания HTML-отчёта. И причина, почему это так хорошо работает, в том, что входные данные структурированы, где ключ от заголовок. И, как видите, здесь у нас индекс и анализ скорости страницы. И именно поэтому здесь у нас есть заголовок индекс и анализ скорости загрузки, что в итоге делает этот отчёт более надёжным.
И последняя часть. Итак, отчёт уже готов к использованию, но он нигде не сохраняется. Именно поэтому мы сначала конвертируем данные в строку Base Cheater, затем в HTMLфайл и в конце сохраняем отчёт в Google диске. Вот и всё, что касается рабочего процесса. Просто кратко подытажу. Мы получим данные, которые заданы в Google таблице, такие как имена таблиц BQU и метаданные статей. И мы также создадим новую таблицу Google, которую будем использовать для хранения анализа данных. Затем мы анализируем лучшие результаты в Google, включая каждого конкурента. Мы проводим технические проверки, которые играют ключевую роль. Если хотите понять, сможет ли статья вообще занять место в выдаче. А затем переходим к анализу эффективности, который проверит результаты за заданный период и проанализирует статью, чтобы ИИ точно понимал, что нужно улучшить. И как только необходимые данные будут готовы для CO команды, мы их объединим. А затем у каждого агента есть своя задача сделать результат более надёжным и при этом использовать такой недорогой модель, как GPT4 Omni Mini. Потому что, если объединить несколько таких агентов, результат точно будет хуже, чем сейчас. Ведь часто бывает, что большая языковая модель забудет некоторые детали и не проведёт глубокий анализ, как если бы она выполняла одну конкретную задачу. Затем мы форматируем, чтобы можно было проверить отчёт в Google Docs или хотя бы в структурированном виде. И нам не нужно угадывать форматирование, а когда всё заработает, мы сохраним отчёт в Google диске.
А теперь переходим к важному моменту, стоимости выполнения этого процесса. Итак, как видите, у нас есть такие инструменты, как Google Sheets, BQU, API, например, Page Speed Insights, а также Endpoint для инспекции Craw AI и API для анализа результатов, а также Open AI, чтобы использовать модели GPT4. Хорошо то, что использование Google таблиц бесплатно до определённого лимита, как и проверка через инспекционный endpoint и скорость загрузки страницы. Эти попоинты тоже бесплатны, но с ограничениями по квотам. Анализ производительности зависит от данных, которые вы запрашиваете. Итак, BQU ежемесячно предоставляет бесплатно 1 ТБ для обхода статей. Для статьи, которую вы хотите оптимизировать, а также для сбора контента конкурентов, мы используем открытый Crawstore AI. Так что ты можешь использовать его бесплатно. Но, конечно, нужно помнить, что за вычислительные мощности платить придётся. Эта часть зависит от вашего хостинга. А для анализа результатов serp я использую serper. Он довольно недорогой. Итак, сначала вы получаете, как я думаю, 2.500 бесплатных запросов при регистрации, что позволяет оптимизировать 1.250 статей, потому что на каждую оптимизацию расходуется два запроса: один для мобильной версии, другой для десктопа. Если бесплатного лимита недостаточно или вы уже его использовали, можно начать с базового пакета, который даст вам 50.000 запросов. Так что за 50 долларов можно оптимизировать 25.000 статей. И ещё мне очень нравится, что использовать это можно не за оди месяц. У тебя есть около 6 месяцев, чтобы использовать эти запросы.
А теперь последняя часть- стоимость использования моделей GPT от OpenA. Здесь мы используем его для анализа контента и для всех агентов, которые здесь задействованы. И поскольку модель GP Chri Omni Mini довольно дешёвая, оптимизация одной статьи стоит около 1-2 центов. Итак, сегодня я оптимизировал четыре статьи, и на данный момент это обошлось мне всего в несколько центов.
На этом всё в этом видео. Если интересно, все мои продукты и бесплатные шаблоны можно найти на моём сайте Marvomic и в моём репозитории на GitHub. Ссылку я тоже оставлю в описании. Если вам интересны такие рабочие процессы, подписывайтесь на мою рассылку. Там я регулярно делюсь советами по улучшению органического трафика и бесплатными рабочими процессами для NYCN. На этом всё по видео. Если у вас есть вопросы, смело пишите их в комментариях, и увидимся в следующем видео. M.