Как сгруппировать ключевые фразы для контекстной рекламы?

Алекс Айчеу, PPC-специалист агентства Netpeak, поделился еще одним способом группировки фраз, а именно на этапе лемматизации — кластеризации фраз по морфологической близости. Пост будет полезен всем, кто работает с контекстной рекламой и имеет аккаунт в Serpstat ;)

Группировка дает PPC-специалисту:

• Более релевантные объявления.
  

По объединенным одной группой фразам можно показывать конкретное объявление, заточенное под эти фразы — со своим месседжем и/или посадочной страницей.

• А/Б-тестирование объявлений.
  

В рамках одной группы можно одновременно использовать более одного объявления. Они будут показываться поочередно (в зависимости от настроек ротации, разумеется), и вы выявите более конверсионное/кликабельное.

• Объединение статистики ключевых фраз, предполагаемо схожих по поведению.
  

Когда данных на уровне ключевых фраз мало, переход на уровень выше — на уровень группы позволяет принимать более достоверные статистически результаты.

• Контроль и удобство в управлении.
  

Всегда удобнее оперировать более крупными сущностями — группами фраз: включать/выключать/анализировать.

Чаще всего, ключевые фразы группируются по следующим параметрам:

• морфологической близости — однокоренные слова отправляются в одну группу (+заказать +такси, +заказ +такси);
  
  
• смысловой/семантической близости — в одну группу отправляются слова-синонимы (+монтаж +кондиционеров, +установка +кондиционеров);
  
  
• пользовательскому намерению — в одну группу отправляются фразы, которые маркируют одно и то же намерение/интент пользователя (+стоимость +автостраховки, +калькулятор +страхования, +полис +ОСАГО +цена);
  
  
• этапу воронки продаж/customer journey/готовности к покупке/AIDA/любой другой любимой и используемой модели :
  
  
  • группа 1: +сохранить +тепло +квартире, +теплоизоляция,
    
  • группа 2: +пластиковые +окна +выбор, +ПВХ +окна +производители;
    
  • группа 3: +Kommerling +Харьков;
    
    

Каждый способ хорош по-своему, в зависимости от желаемого результата. Ручная проработка ключевых фраз качественнее, но гораздо утомительнее. Полностью автоматическая требует исправлений.

Очевидно, что автоматизировать группировку по принципам этапа воронки, интенту или смысловой близости пока невозможно. Хотя LSI-анализ и big data методы развиваются. Так, например, инструмент Serpstat "Похожие фразы" основан на том, что ищет фразы по принципу похожести топ-20 их поисковой выдачи.

Более того, в зависимости от тематики, структуры сайта и здравого смысла нужно комбинировать критерии группировки:

• сначала сгруппировать по морфологии,
  
• затем по этапу воронки,
  
• и приоритетности товара/услуги или, например, важности фразы для брендинга.
  
  

Serpstat может помочь нам при группировке по морфологическому признаку при помощи встроенного инструмента лемматизации.

С помощью лемматизации мы сокращаем рутину на этапе выявления кластеров. А группируя вручную на основе кластеров, обеспечиваем организацию аккаунта, связанную с маркетинговой реальностью.

После лемматизации нужно перейти к следующим этапам кластеризации. Базируясь на изначально продуманной структуре аккаунта и понимании поведения пользователя, кластеризуем наши фразы.

Когда я разбиваю фразы по кластерам на основании присутствия тех или иных слов, то у меня получается примерно такая таблица:

В таблице каждой фразе соответствуют столбцы с леммами, которые эта фраза содержит. Вверху таблицы счетчик количества повторений леммы в общем списке фраз.

Чтобы не проводить кластеризацию вручную, перебирая фильтрами фразы, можно использовать функционал Serpstat по проверке релевантности страниц. Хотя лемматизация — не то, для чего предназначался этот инструмент.

Итак:

Если хотите детальнее изучить данный способ кластеризации фраз, посмотрите докс с примером этой группировки.