字研究方法称为 3 Gs,它是这样的: 收集关键字 将关键字分组到集群中 生成范例 考虑这个过程的另一种方式是,我们将关键字分组为概念,然后将每个概念转换回有代表性的关键字/短语:关键字 --> 概念 --> 关键字*。结果是要定位的特定搜索词组,但该词组可能代表数十或数百个相似的关键字。 让我们通过另一个示例,但一个具有商业意图的示例。假设您在西雅图的公寓空间工作,并希望写一篇关于租金成本的文章。只是为了选择一个起点,您在选择的关键字研究工具中输入“西雅图租金价格”并收集您的关键字列表: 自然,我们会得到一个相关但有时非常相似的关键字列表。即使在这个列表中,我们也可以开始看到一些有趣的变化(“平均租金”、按年份划分的价格、映射价格等),但让我们将其带到第二步,对这些关键字 进行分组: 在现实世界的关键字研究场景中,我们希望彻底探索所有组,但我现在选择了三个引起我注意的组(绿色下划线)。
他们是: “西雅图社区平均租金” “西雅图房价暴涨” “最便宜的西雅图公寓” 我们如何从每个组中生成一个示例?有时,直觉很好。例如,我们的系统在 #2 下分组的关键字结果有点奇怪,但我真的很喜欢“暴涨”如何引起共鸣,而“房价”是一个很好的关键字变体,所以我 号码表 会选择一个短语. 对于 #3 之类的内容,我们可能会选择只查看哪些变体具有最高的流量潜力。在关键字资源管理器中,我们可以简单地展开该组,选择关键字,然后将它们全部添加到列表中,如下所示: 收集列表的统计数据后,我们可以查看一下,根据我们的指标,“西雅图最便宜的公寓”具有最高的流量和关键字潜力: 对于最后一组(“西雅图社区平均租金”),我浏览了分组关键字,其中一个引起了我的注意:“西雅图市中心的平均租金”。
我喜欢这个,因为它特定于一个实际的社区,尽管我们也可以选择围绕某种邻里邻里的主题来制作内容。我喜欢尝试将我们的关键字理解为组/集群,因为这也是生成内容创意的一个很好的过程。 因此,让我们针对我们的三个组举一些示例。我们最终可能会得到这样的结果: “西雅图市中心的平均租金” “西雅图房价暴涨” “西雅图最便宜的公寓” 这些都是我们可以用来制作内容的丰富短语,它们建立在关键字研究的逻辑框架之上。即使只使用这个单一列表,我们的系统也声称这三个组代表至少 64 个关键字词组。考虑到长尾,它们可能代表数百个。 最终,我们可能会拥有可以获取大量相关短语并帮助找到完美示例的 ML 工具。即使是现在,Keyword Explorer 的分组引擎也是建立在 ML 之上的。