Sneex SEO 🇺🇦

Universal Query Classifier — новий підхід до класифікації пошукових запитівDan Petrovic представив нову модель класифікації запитів, яка може працювати з будь-якою кастомною таксономією — без перенавчання, без обмеження на список категорій.Що це означає для SEO та PPC:➤ Zero-shot класифікація Модель не обмежена фіксованими категоріями. Додаєш свій CSV із новими лейблами — і одразу отримуєш результат.➤ Мульти-лейбл підтримка Один запит може отримати кілька релевантних тегів — особливо корисно для складних або змішаних інтенцій.➤ Використання в SEO: • Масштабне призначення інтенцій GSC-запитам • SERP gap-аналіз: де ми не відповідаємо очікуваним інтенціям • Динамічне тегування ключів під зміну воронки➤ Результати тестів: • Base модель — 86.4% точності • Large модель — 91.8% точності • Commercial Investigation та Transactional — 100% точність у великій моделі • Помилки здебільшого між Local та Commercial Investigation (запити з "top rated" або "best X in [місто]")🔬 Як це працює: • Вхідні пари: [QUERY]... [LABEL_NAME]... [LABEL_DESCRIPTION]... • Loss-функція: бінарна класифікація для кожної пари • PyTorch + hard negative sampling + FP16 • 130K пар запит-лейбл із 40+ індустрійСфери застосування:SEO • Кластеризація по інтенції • Пріоритезація контенту за цінністю • Адаптація під SERP фічі (відео, FAQ, локальність)PPC • Кампанії за стадією воронки • Смарт-ставки по типу запиту (Buy vs Compare) • Персоналізація LP та ad copyГнучкість • Ти сам визначаєш що таке "транзакційний" чи "комерційний" • Просто підставляєш свою семантику → отримуєш релевантну розміткуПідсумок Це не просто ще один класифікатор. Це гнучкий інструмент, який дозволяє SEO-спеціалістам та PPC-фахівцям працювати зі своєю інтерпретацією намірів користувачів — швидко, масштабовано, точно.Джерело: https://dejan.ai/blog/universal-query-classifier/

Що робити, коли Google знову «зламує» пошук?100+ сайтів під аналітикою – і так, ми бачимо спад трафіку. Сайти, що колись процвітали, сьогодні ледве тримаються. Але паніки немає.Це не перший раз. І не останній.Коли Google змінює правила гри — це реакція.На масовий спам, куплені лінки, масове «низькосортне» AI-контентне виробництво.І, цього разу — на екзистенційну загрозу від ChatGPT, Claude, Perplexity.Весь ринок змінюється, як колись із заводами США чи Китаю — все природно.Тож що робити?• Якщо продавав лінки — навчися створювати корисний контент. • Якщо продавав контент — створи щось справжнє для себе. • Якщо робив SEO на основі тупої генерації під ключі — це був тупик з самого початку.Порада одна: адаптуйся.Якщо тебе більше не видно в Google — знайди нові способи бути поміченим. Соцмережі. AI-платформи. Реклама. Форумна активність. Прямий трафік. Навіть якщо доведеться платити — навчися запускати рекламу або знайди того, хто зробить це якісно.Не подобається, як AI домінує у SERP?• Увімкни режим "Web" в Google — 10 класичних лінків.• Використовуй розширення (Ultimasaurus, Reader Mode, RSS).• Поділись цими знаннями зі своїми користувачами.І не потрібно казати, що «ніхто так не робить». 40–60% вже юзають адблокери. Люди вміють налаштовувати свій веб-досвід — і роблять це.І найголовніше — бренд.Якщо ти кілька років у SEO і досі не маєш природних згадок про себе — це не Google винен. Це ти не створив те, за що тебе можуть згадати.Це не смерть SEO. Це завершення одного циклу і початок іншого.Google не винен, що хтось втрачає позиції. Інтернет не винен, що хтось не адаптувався. Ринок не гарантує вічного трафіку.Або адаптуєшся — або зникаєш. Третього не дано.

Ще одна невдала спроба «вбити» SEOДнями вийшла чергова думка від інвесторів з a16z, де вони запропонували… перейменувати SEO в "GEO" — Generative Engine Optimization.Хто ці автори? Zach Cohen та Seema Amble. Ні, це не Марі Хейнс, не Баррі Шварц і не Сінді Крум. Це венчурні інвестори, які написали одну колонку і, скоріш за все, вже самі про неї забули.А тепер найцікавіше:> “This content is provided for informational purposes only, and should not be relied upon...”> “...not the views of a16z or its affiliates...”Тобто — несерйозна публікація без зобов’язань, яка не заслуговує на галас.🔍 Але це не завадило окремим людям почати панікувати. Справді, чи потрібна SEO нова назва?SEO — це оптимізація під інформаційний пошук. Ми вже давно адаптуємося під AI, впроваджуємо RAG, працюємо з LLM, інтегруємо schema.org, оптимізуємо під AI Overviews.SEO — це:- Видимість у пошуку (SERP)- Видимість у AI (AI Overviews, ChatGPT, Perplexity)- Оптимізація під клікабельність (CTR)- Робота з EEATНова назва? Можна:- AI Visibility- LLM Optimization- AI MarketingАле навіщо?Якщо хочеш ребрендитись — зроби це за власним бажанням, а не тому, що хтось «зі сторони» вирішив, що SEO пора ховати.Це не кінець SEO — це просто черговий етап трансформації. І ми до нього готові.

Модульний контент = більше шансів потрапити у відповіді ChatGPT, Perplexity чи ClaudeLLM не читають сторінки зверху донизу. Вони "витягують" окремі фрагменти — chunks.Чим точніше сформований фрагмент, тим більше шансів, що він:— потрапить у відповідь GenAI системи — замінить фрагмент конкурента — спрацює не тільки на основний запит, а й на суміжніЩо таке модульний контент? Це самодостатні блоки інформації, які: — відповідають на конкретне питання — мають чітку форму (таблиця, список, кейс) — зрозумілі окремо від основного текстуТипи модулів, які добре працюють з LLM:🔹 TL;DR-блоки Формат: Визначення: … Переваги: … Коли використовувати: … Ідеально для embedding🔹 Порівняльні таблиці (vs) Параметр RAG Fine-TuningДані в реальному часі Так НіНавчання Не потрібне ПотрібнеГнучкість Висока СередняЧасто зʼявляються у відповідях Perplexity🔹 Глосарій Embedding — векторна репрезентація тексту RAG — поєднання LLM + база знань BM25 — пошук за частотою слів _Улюблений формат для AI-платформ_🔹 Use Cases Use Case: RAG у e-commerce Проблема: актуальність цін Рішення: векторна база + LLM Результат: динамічні відповіді🔹 FAQ блоки Питання → Відповідь Найпростіший формат для chunk-видимостіЧому це працює? LLM бачить лише chunk: — чи він самодостатній — чи відповідає запиту — чи релевантний схожим питаннямЯк застосовувати: — Візьми основну статтю — Додай TL;DR, порівняння, FAQ, глосарій, кейс — Зроби якірні лінки між ними — Через 7 днів перевір у ChatGPT чи PerplexityЧекліст модульності: ✅ Чіткий формат (таблиця, список, FAQ) ✅ Самодостатній зміст ✅ Семантичний заголовок ✅ Пошуково-орієнтовані формулювання ✅ Внутрішні якірні лінки

Мова, яку читає AI: Як писати так, щоб LLM тебе зрозуміли (і витягнули) (2частина)Писати красиво — це круто. Але в епоху AI цього недостатньо. Щоб твій контент потрапив у відповіді ChatGPT, Gemini, Claude або Perplexity, потрібно писати просто, чітко й прямо. Не для людей, не для пошукових ботів, а для мовних моделей, які мислять категоріями “chunk”, “embedding” та “semantic clarity”.1. Clarity beats clevernessLLM обирає той фрагмент, який найкраще і найпростішим способом відповідає на запит.Приклад:❌ Неясно:"Захисні окуляри для очей — це більше, ніж просто стиль. Це про блокування невидимих променів, які впливають на ваш зір щодня."✅ Чітко:"Поляризовані окуляри блокують блакитне світло та зменшують відблиски від води й скла."Таке речення модель з більшою ймовірністю вставить у відповідь.2. Пиши так, як питає користувачLLM підбирає chunks, які відповідають природному формулюванню запиту.Скористайся:1️⃣AlsoAsked, AnswerThePublic, People Also Ask2️⃣Аналізом частих формулювань у Perplexity / BraveЗаголовки мають бути не креативними, а запитоподібними:❌ “Магія новітніх технологій у RAG”✅ “Чим відрізняється RAG від традиційного пошуку?”3. Спрощуй терміни, розшифровуй абревіатуриLLM не завжди “пам’ятає”, що таке конкретна абревіатура, якщо ти її не розкрив.Наприклад:"RAG (Retrieval-Augmented Generation) дозволяє системам комбінувати власне знання з зовнішніми джерелами в реальному часі."Це важливо для векторного пошуку: модель створює embedding для chunk-а — і чим зрозуміліше, тим краща відповідність.4. Не “як можливо”, а “як є”GenAI фільтрує невпевнені твердження. Якщо ти постійно пишеш “можливо”, “деякі експерти вважають” — chunk просто не потрапить у відповідь.Приклад:❌ “GPT-4 може, ймовірно, підтримувати великі вікна контексту.”✅ “GPT-4 підтримує контекст до 128К токенів.” (джерело обов’язкове — і бажано вказати)5. Уникай змішаних думок у одному абзаціДля embedding-алгоритмів важливо, щоб chunk мав чіткий, однорідний зміст.❌“Векторні бази даних потрібні для AI. Але також BM25 може працювати з ключовими словами. Embedding — це теж важливо.”✅“Embedding дозволяє AI порівнювати змістовно схожі chunks, навіть якщо ключові слова не збігаються.”(Наступний chunk — окремо про BM25.)6. Повторюй важливі думки в різних формулюванняхLLM не шукає однакові слова. Вона працює з векторами. Тому варто кілька разів переформулювати ключову ідею в різних частинах статті.Приклад:“Оптимізуйте контент для витягування (retrieval).”“Зробіть ваші тексти помітними для мовних моделей.”“Пишіть так, щоб LLM включали ваш сайт у відповідь.”Це не “вода” — це збільшення вашого семантичного охоплення в embedding-просторі.7. Подавайте твердження і одразу пояснюйте їхLLM не завжди звʼязує речення через 2–3 абзаци. Пояснення має бути поруч з твердженням.❌“Вітамін D корисний.”...“Люди з низьким імунітетом можуть отримати користь.”✅“Вітамін D підтримує роботу імунної системи — саме тому його часто рекомендують людям зі зниженим імунітетом.”

Як зробити свій сайт видимим для ChatGPT, Claude і Gemini: нова ера оптимізації контенту (Перша частина)У традиційному SEO ми оптимізували сторінки для кліків. У GenAI-системах (LLM) оптимізується вже не сторінка, а контентні шматки — так звані chunks. Це нова парадигма, яку потрібно не просто зрозуміти — її треба вбудовувати в структуру сайту вже зараз, бо інакше — вас не існує для AI-відповідей.Що таке chunk і чому це важливо?🔹 Chunk — це окремий, логічно завершений фрагмент тексту довжиною ~100–300 токенів (75–225 слів), який GenAI системи (ChatGPT, Claude, Gemini) можуть витягнути, оцінити та вставити у свою відповідь.🔹 Ці фрагменти не "збираються вручну", а автоматично визначаються за допомогою семантичної обробки: якщо блок містить чітку думку, заголовок, структурований текст — він вищий шанс бути витягнутим.🔹 Навіть із величезними контекстними вікнами (GPT-4 Turbo — 128K токенів, Gemini 1.5 — до 2M), ці системи все одно працюють з окремими семантичними частинами, а не всім текстом.Що робити? Тактика для оптимізації під GenAI1. Структуруй текст у chunk-иРозбий сторінку на логічні блоки по 2–3 абзаци з заголовками (<h2>, <h3>). Один блок — одна ідея.Кожен блок повинен мати:1️⃣Описовий, а не креативний заголовок2️⃣Просту мову, наближену до пошукових запитів3️⃣Відсутність “воду” — тільки сутність, факти, визначення, прикладиДо прикладу:Було (без структури):SEO змінюється. Сьогодні важливо думати не тільки про ключові слова, а й про те, як LLM розуміють інформацію. Контент має бути зрозумілим і логічним, але часто це ігнорується.Стало (chunked):1️⃣Чому SEO більше не працює так, як раніше2️⃣Пошукові системи нового покоління — ChatGPT, Claude, Perplexity — не сканують сторінки цілком. Вони ділять контент на фрагменти (chunks) і працюють з ними семантично.2. Пиши просто, без "вумних" вступів1️⃣LLM системи краще розуміють чіткі, прямі речення.2️⃣Замість метафор, жартів чи “художніх” вступів — одразу до суті.🔍 Приклад:❌ "Ми живемо у часи технологічної революції, де контент править світом..."✅ "LLM-системи витягують тільки ті фрагменти, які чітко відповідають на запит користувача."3. Вбудовуй семантичні сигнали1️⃣Використовуй заголовки, списки, таблички, бокси з термінами.2️⃣Познач пункти, які відповідають на конкретні запити.3️⃣Додавай “Key takeaways” в кінці кожного розділу — як summary для LLM.4. Технічна доступність для AIПеревір:1️⃣Чи не блокуєш GPTBot, Google-Extended або CCBot у robots.txt2️⃣Чи доступний контент не лише в JS або PDF3️⃣Чи є schema.org-розмітка (особливо: FAQ, Article, WebPage, Person)5. Побудуй внутрішню структуру як граф знань1️⃣Не просто лінкуй з однієї сторінки на іншу — створюй семантичні зв’язки між поняттями.2️⃣Це вже не про “структуру сайту для навігації”, це — карта змістів, яку LLM використовують для побудови відповіді.Приклад:Сторінка про “Retrieval-Augmented Generation” має посилатись на сторінки:“Що таке vector DB”“Порівняння BM25 vs Hybrid”“Чому RAG краще для enterprise задач”

LLM оптимізація контенту — нові знахідки з дослідження📄 What Evidence Do Language Models Find Convincing? — нове дослідження, де перевірили, як різні фактори впливають на сприйняття тексту LLM-моделями:– Додавання наукових посилань – Збільшення збігу ключових слів із запитом – Зміна рівня впевненості у формулюваннях – Переписування тексту в більш об’єктивному стиліОсновні висновки:✅ Додавання фрази на початку: The following text is about [ваш запит] — істотно підвищує сприйняття авторитетності тексту.✅ Keyword stuffing працює. LLM-моделі надчутливі до повторення релевантних слів із запиту.Чи варто робити keyword stuffing? 🔸 Ні. Моделі можуть "любити" це сьогодні, але LLM-системи в пошукових інтерфейсах (AI Mode, SearchGPT) залежать від традиційної оцінки контенту. А Google штрафує за keyword stuffing.Чи потрібно змінювати свою стратегію? 🔸 Так і ні. Тактики без реальної цінності для користувача можуть нашкодити бренду в довгостроковій перспективі. Але важливо адаптуватись. Подумай, яку цінність твій бренд може дати через AI-канали, і як технології можуть зробити тебе *непотрібним* — і вже зараз працюй над захистом свого бізнесу.Висновок: Це не порада, а спостереження за трендами. Дослідження — це джерело ідей. Не все корисне, але багато — показове.

Screaming Frog 22.0 — SEO через LLM, embeddings та AIУ новій версії Screaming Frog зʼявилось одразу кілька breakthrough-можливостей для SEO-аналізу на базі векторних embeddings.1. Семантичний аналіз контентуТепер можна:— Знаходити *семантично схожі сторінки* (не за збігом слів, а за змістом).— Виявляти *low relevance* сторінки — ті, що відхиляються від основної тематики сайту (за відстанню від embedding-центроїду).— Уникати канібалізації та дублювання тем.2. Content Cluster DiagramДіаграма, яка візуально групує сторінки сайту за змістом.Можна:— Побачити контентні кластери (топікальні).— Виявити віддалені вузли (аутлайєри).— Порівнювати розділи між собою.3. Семантичний пошук по сайтуНовий інтерфейс для пошуку релевантних сторінок не за ключами, а за векторною схожістю з пошуковим запитом. Ідеально для:— Мапінгу запитів на сторінки.— Оптимізації внутрішньої перелінковки.— Семантичного keyword research.4. Покращена AI-інтеграція— Промпти можна запускати по сегментах (наприклад, тільки на сторінках з відсутнім alt).— Додано підтримку Claude (Anthropic), OpenAI, Gemini, Ollama.— Можна вказати кастомний AI endpoint, обмежити токени, додати headers.— Навіть є можливість генерувати зображення та озвучку для контенту прямо під час краулінгу.5. Інші апдейти:— Advanced Column Configurator — масове керування колонками.— Multi Export — збереження всіх потрібних звітів одним кліком.— Експорт у кілька вкладок Google Sheets або Excel.— Краулінг із Google Sheets (включно з приватними файлами).— API режим без краулінгу — просто підтягує дані з GA4, GSC, etc.Це оновлення перетворює Screaming Frog на повноцінний LLM-інструмент для аналізу контенту, структури сайту, релевантності та AI-пошуку.Детальніше про semantic similarity:https://www.screamingfrog.co.uk/identify-semantic-similarity/

Повний список із 674 параметрів запитів, які приймає Google, знайдений у вихідному коді. 📃Навіщо це потрібно?Розуміння внутрішньої логіки системи часто приводить до еврика-інсайтів. Чим більше ви розумієте, як Google обробляє запити, тим краще можете пояснити незвичні результати й оптимізувати свої стратегії.Автор анотований деякі з найбільш очевидних параметрів, але якщо впізнаєте щось, що не описано — можна залишити коментар і отримати згадку у списку.Посилання на список:Google Query ParametersЯк використовувати Google Query Parameters для SEO-дослідженьТепер, коли є повний список із 674 параметрів запитів Google, ось що можна з ними робити:1. Точне керування видачею (SERP)Використовуйте параметри, щоб:обмежувати результати певною мовою (hl=uk)фільтрувати регіонально (gl=UA для України)вибирати тип пошуку: новини, картинки, відео (tbm=nws, tbm=isch, tbm=vid)Приклад:https://www.google.com/search?q=python+seo&hl=uk&gl=UA&tbm=nwsПошук новин українською по Україні.2. Парсинг і скрейпінг данихВикористовуючи правильні параметри, можна збирати видачу максимально точно під цільову локацію, мову, тип контенту. Це особливо корисно для:складання баз ключових слівмоніторингу конкурентіваналізу змін у SERPПорада: параметри start=0, num=100 дозволяють отримати більше результатів за один запит.3. Експерименти з персоналізацієюЗмінюючи такі параметри:pws=0 — вимкнення персоналізованого пошукуnfpr=1 — без виправлення орфографії Googlesafe=active або safe=off — фільтрація контентуможна тестувати, як виглядає "чистий" SERP без впливу історії користувача.4. Глибше тестування SEO-гіпотезХочете побачити, як видача змінюється в інших країнах чи мовах без VPN? Просто додайте:hl=de, gl=DE — німецька мова + Німеччинаhl=fr, gl=FR — французька мова + ФранціяЦе допоможе в міжнародному SEO, без зайвих інструментів.5. Збір і автоматизаціяПараметри можна інтегрувати у скрипти для автоматичного збору даних. У Python це можна реалізувати через requests або Selenium.

Must-Read для SEO: Витік даних Claude показав, як AI обирає контент для цитуванняВажлива стаття від Ганса Кроненберга (поширена Алейдою Соліс) розкриває, які фактори впливають на те, чи буде ваше посилання використано AI в цитатах. Дослідження базується на недавньому витоку даних Claude.Ключові висновки:1️⃣У Claude є чотири режими пошуку: never_search, do_not_search_but_offer, single_search, research.2️⃣Claude не здійснює пошук, якщо відповідь містить вічну інформацію, фундаментальні концепти чи загальні знання — модель просто знає відповідь.3️⃣Для простої фактології використовується режим single_search.4️⃣Для складних запитів Claude генерує відповідь через 2–20 викликів пошукових інструментів.5️⃣Ні авторитетність, ні сила бренду не мають значення. Головне — чи є у вас чітка, структурована відповідь, зручно розбита на речення для парсингу.Що це означає для SEO:— Створюйте контент, який користувачі шукають поза межами AI-відповідей (таблиці, інструменти, редакційна аналітика).— Переходьте від традиційного SEO до оптимізації під цитування: пишіть так, щоб ваші фрази можна було легко інтегрувати в AI-відповіді.Навіть якщо йдеться про Claude, а не ChatGPT чи Gemini, висновки легко масштабуються на інші LLM-системи.Стаття: https://www.linkedin.com/pulse/google-ai-mode-ein-neues-patent-gibt-erste-hinweise-auf-kronenberg-mbu2e/?trackingId=CSTCJHHDRLWVpS4Jh0VcIA%3D%3D