Claude i Semrush: powtarzalny research słów kluczowych
5 min czytaniaStandardowy research słów kluczowych ma jedną wadę: wszyscy w danej branży dostają z niego mniej więcej tę samą listę fraz. Opisywany w poradniku sposób pracy próbuje to obejść, wbudowując kontekst konkretnej firmy w sam proces szukania słów kluczowych oraz sięgając po to, co klienci realnie piszą w internecie i mówią podczas rozmów sprzedażowych.
Autorem tekstu jest Chris Hanna, a jako współautor podpisany jest Faizan Ali. Materiał jest opisany jako lektura na 13 minut.
Poradnik jest podzielony na części oznaczone jako Part 1, Part 2, Part 3 i Part 4.
Co to znaczy dla Twojej firmy
Najważniejsza jest tu nie sama sztuczna inteligencja, tylko kolejność pracy: pomysły powstają w rozmowie z modelem, a następnie są sprawdzane w Semrush pod kątem wolumenu i trudności frazy.
Drugi praktyczny zysk to łatwe wygrane. Zamiast pisać nowe teksty od zera, można najpierw poprawić strony, które już gdzieś się wyświetlają w wynikach, bo Google uznał je za powiązane z tematem.
Trzeci zysk to język klientów. Frazy wyciągnięte z opinii o produktach konkurencji czy z rozmów handlowych brzmią inaczej niż typowe hasła z narzędzi i często trafiają w realny problem odbiorcy.
Poradnik przypomina przy tym, że w części sytuacji trzeba kierować się własną oceną, a wygenerowane propozycje wymagają przejrzenia przed wykorzystaniem.
Dla praktyka
Punkt wyjścia to projekt w Claude. W lewym pasku bocznym trzeba kliknąć „Projects”, potem „New project”, nadać nazwę i opis, a następnie zatwierdzić przyciskiem „Create project”. Projekty pozwalają dodać pliki i instrukcje, do których Claude sięga w każdej rozmowie w obrębie projektu.
Kolejny krok to instrukcje projektu, dodawane przyciskiem „+” obok „Instructions”. W przykładowych instrukcjach z poradnika opisane są procesy do uruchomienia na żądanie: analiza luki słów kluczowych przez Semrush MCP, analiza łatwych wygranych z danych Google Search Console, analiza opinii o konkurencji, analiza wątków na Reddicie i analiza transkrypcji rozmów sprzedażowych.
W tych samych instrukcjach znalazło się ograniczenie zużycia danych: jeśli użytkownik prosi o dziesięć wierszy danych, model nie ma pobierać więcej niż dziesięć, a w razie problemów ma to zgłosić zamiast uruchamiać własne zapytania diagnostyczne. Poradnik osobno przypomina o limitach tokenów w Claude i jednostek API w Semrush.
Kontekst biznesowy dodaje się przyciskiem „+” w oknie „Context” i opcją „Add text content”. Treść ma odpowiadać na pięć pytań: co sprzedajesz, kto to kupuje, jakie problemy rozwiązujesz, kim są konkurenci i czy są jakieś zasady, których model ma przestrzegać.
Warto też wgrać listę adresów URL własnej strony. Poradnik zaznacza, że nie jest to metoda idealna, bo opiera się na interpretacji samych adresów, ale pozwala modelowi podpowiadać optymalizację istniejących podstron zamiast tworzenia nowych.
Semrush podłącza się jako konektor: przycisk „+” w dowolnej rozmowie, następnie „Connectors”, „Add connector”, „Browse connectors”, wyszukanie Semrush i kliknięcie „+”. Oficjalnego serwera MCP dla Google Search Console nie ma, więc dane z Search Console wgrywa się ręcznie.
Plik z danymi pobiera się w Google Search Console w sekcji „Performance”, potem „Search results” i przyciskiem „Export”. Pobrany zip zawiera plik „Queries.csv”, który trafia do rozmowy z Claude. Nowy eksport warto pobierać przy każdej kolejnej analizie, na przykład co miesiąc.
Analiza luki słów kluczowych uruchamiana jest promptem z filtrami: minimalny wolumen wyszukiwań, zakres trudności słowa kluczowego oraz intencja wyszukiwania. Prompt każe najpierw wypisać dziesięć najlepszych fraz dla każdego konkurenta osobno, a potem znaleźć do dziesięciu fraz, na które pozycjonują się wszyscy konkurenci, a własna domena nie. Frazy brandowe i nawigacyjne mają być wykluczone.
Łatwe wygrane to trzy typy okazji w danych z Search Console: zapytania na pozycjach od 8 do 20, zapytania z wysoką liczbą wyświetleń i niskim współczynnikiem klikalności oraz zapytania z wyświetleniami, dla których nie ma wyraźnej strony pokrywającej temat. Wynik ma trafić do pliku CSV z kolumnami: fraza, typ okazji, uzasadnienie priorytetu oraz informacja, czy potrzebna jest nowa strona, czy optymalizacja istniejącej.
Tych fraz nie trzeba już walidować w Semrush, bo pochodzą z własnych danych o realnym popycie. Inaczej jest z pomysłami z opinii, Reddita i rozmów sprzedażowych: instrukcje projektu każą najpierw wygenerować pomysły, a dopiero potem sprawdzić je w Semrush pod kątem wolumenu i trudności.
Przy analizie opinii poradnik podaje konkretny przykład: w opiniach o Trello na G2 powtarza się brak obsługi zależności między zadaniami, a konkurencyjny SmartSuite ma treści poświęcone zarządzaniu zależnościami, cytowane w AI Overview dla powiązanych zapytań. Miejsce poszukiwań zależy od branży - dla oprogramowania B2B wskazane są G2 i Capterra, dla produktów B2C opinie na Amazonie i na stronach sprzedawców.
Prompt do opinii grupuje je w powtarzające się motywy, wyciąga dosłowne sformułowania klientów i zamienia je na realistyczne zapytania do wyszukiwarki, a wynik zapisuje w CSV z kolumnami: fraza, motyw i streszczenie opinii źródłowej. Dzięki powiązaniu każdej frazy z konkretną opinią da się sprawdzić, skąd wziął się dany pomysł.
Czego nie robić: nie każ modelowi pobierać większej liczby wierszy „na zapas”, bo to bezpośrednio zwiększa zużycie jednostek API. Nie prowadź też każdej z analiz w osobnej rozmowie - poradnik zaleca wykonanie ich w jednym czacie, żeby pliki CSV dało się łatwo połączyć i posortować.