Анализ веерного расширения запросов (query fan-out) в режиме AI...

Анализ веерного расширения запросов (query fan-out) в режиме AI от Google с помощью Screaming Frog и Gemini AI

Кастомный JavaScript для Screaming Frog через API Gemini AI оценивает, насколько контент страницы покрывает подзапросы, генерируемые AI-режимом Google.

Анализ 2000+ страниц выявил, что большинство контента отвечает лишь на 30% прогнозируемых запросов, указывая на серьезные пробелы в оптимизации.

Выводы основаны на прогнозах моделей Gemini 1.5 Flash и 2.5 Pro.

Для больших краулов советуем использовать быструю модель Flash.

Оптимизация только на основе этого анализа может угрожать текущим позициям.

Необходимые условия:

— Screaming Frog с включенным рендерингом JavaScript.

— API-ключ Gemini.

— Кастомный скрипт доступен на GitHub.

В обновленной версии два варианта извлечения данных:

1. Только заголовки, элементы <ul>, и <ol>.

2. Необработанный контент из <body>.

Механизм веерного расширения запросов в AI-обзорах

Режим AI от Google разбивает тему на сеть подзапросов, ищет ответы в своем индексе.

Для запроса вроде "sustainable marketing strategies for e-commerce" создаются уточнения о бюджете, каналах, метриках и примерах.

Большинство контента не покрывает всю сеть подзапросов.

Функционал скрипта

Скрипт автоматизирует анализ через пять действий:

1. Извлечение семантических чанков: Сегментирует контент с учетом верстки, как Google Document AI.

2. Определение главной сущности: Выявляет основную тему страницы.

3. Прогноз веерных запросов: Создает 8–10 подзапросов, которые AI от Google мог бы сгенерировать.

4. Оценка покрытия: Проверяет ответы на запросы с оценками "Да", "Частично" или "Нет".

5. Уточняющие вопросы: Предсказывает следующие логичные вопросы пользователя.

Ключевые аналитические выводы

Есть связь между структурой контента и покрытием запросов:

— Страницы с глубокими деталями: Охватывают до 70% запросов. Например, страницы, имеющие 15 и более хорошо структурированных разделов, в среднем достигали покрытия 7 из 10.

— Тонкие страницы: Охватывают менее 20% из-за краткости. Например, страницы с менее чем 5 разделами в среднем показывали покрытие лишь 3 из 10, что указывает на серьезные пробелы.

— Частые упущения: Примеры, кейсы и узкие уточнения (метрики, бюджеты, конкретные стратегии).

Практическое применение

Настройка:

1. Настройте доступ к Gemini API с достаточным лимитом запросов.

2. В Screaming Frog выберите Configuration > Custom > Custom Javascript.

3. Добавьте скрипт и API-ключ.

4. Прокраульте ключевые страницы, выявляя те, где покрытие ниже 5/10, и повторяющиеся упущенные запросы.

Стратегия оптимизации:

— Сущностный подход: Составьте карту веток запросов от основной сущности.

— Фокус на покрытии: Оценивайте успех по охвату запросов, а не по ключевым словам.

— Семантический чанкинг: Структурируйте контент для парсинга ИИ-системами.

— Предвосхищение вопросов: Каждый раздел должен отвечать на текущий запрос и вести к следующему.