NÁVOD: Analýza klíčových slov krok za krokem (2024)

Jedním z procesů, ve kterých Marketing Miner ulehčuje práci a získává podkladová data, je analýza klíčových slov. Ta je jedním ze základních kamenů efektivní marketingové strategie na mnoha úrovních. Její výstupy ocení především SEO a PPC specialisté, ale i mnoho dalších oborů, které bez tohoto podkladu mohou při svých aktivitách „střílet naslepo”.

Co je analýza klíčových slov

Analýza klíčových slov je dokument obsahující detailní informace o dotazech uživatelů, spjatých s byznysem klienta, pro kterého je analýza zpracovávána. Dotazy jsou většinou rozšířeny o metriky, jež s nimi souvisejí a zároveň klasifikovány (nebo kategorizovány).

Výstupy analýzy klíčových slov

Výstupy analýzy klíčových slov jsou většinou pro přehlednost vizualizovány dle její klasifikace (hlavní segmenty hledaných dotazů). Hodí se jako podklad k následujícím aktivitám:

• Obsahová strategie
• Návrh architektury webu
• Podklad k tvorbě a strukturaci PPC kampaní
• Optimalizace webových stránek

Obecně je ale analýza klíčových slov důležitým podkladem ve většině oblastí online marketingu a je tak i jedním ze základních kamenů každé úspěšnější marketingové strategie.

Postup při tvorbě “klíčovky”

Proces tvorby analýzy klíčových slov sestává z několika kroků:

1. Sběr dat - Kolekce podkladových dotazů, které mohou být hledané a jsou relevantní k byznysu klienta.
2. Data mining - Získání podkladových metrik o dotazech (hledanost, konkurenčnost,...).
3. Čištění dat - Tvorba jednotného výstupu a jeho očištění o dotazy, které do analýzy nepatří.
4. Kategorizace / Klasifikace - Zařazení dotazů do skupin, které tak ukazují souhrnnou statistiku podobného či stejného téma.
5. Tvorba výstupu - Tvorba výstupního dokumentu a navazujících procesů.

1. Sběr dat

Prvním krokem úspěšné analýzy klíčových slov je sběr podkladových dat. Pro představu jej berte jako tvorbu datasetu všech relevantních dotazů, které by mohli lidé ve vyhledávačích hledat.

K tomuto procesu se hodí, když se analýza vytváří pro klienta s již existujícími webovými stránkami a fungujícími kampaněmi. V takovém případě lze totiž většinu podkladových dat čerpat z jeho běžících kampaní (například z AdWords či Skliku) a měřicích nástrojů, jako je například Google Analytics. Navíc z nich lze čerpat informace o konverzním poměru takových dotazů.

Abychom tento návod udělali co nejvíce praktický, pojďme si jej ukázat na reálném příkladu. Řekněme, že děláme analýzu klíčových slov pro web marketingminer.com v češtině.

1.1. Tvorba kořenových slov, využití Profilerů

Nejprve je vždy potřeba se detailně seznámit s oborem pro který se analýza zpracovává. Pokud analýzu děláte sami pro svůj vlastní web, máte velkou výhodu, jelikož detailně znáte svůj obor a často i své klienty, takže víte, co mohou hledat a jaké potřeby mají. V případě, že tomu tak není, je dobrou investicí nechat nějaký čas specialistovi na seznámení s oborem a pomoct mu s orientací.

Já, jakožto vlastník tohoto nástroje, se seznamovat s oborem příliš nemusím, jelikož v něm již 10 let pracuji, takže se rovnou pustím do práce.

Ten nejobecnější pohled a základ toho, jaké weby a dotazy v oblasti mého působení existují, si mohu udělat pomocí Profilerů. Ty dávají komplexní výstup k jednomu konkrétnímu dotazu. Jsou dostupné po přihlášení všem registrovaným uživatelům Marketing Mineru.

Do Profileru vložím pár obecných dotazů, jako je například „seo”, „analýza klíčových slov” apod. Výstup profileru může vypadat následovně:
https://www.marketingminer.com/cs/profiler/keyword/seo/cs/suggestions

Zajímají mě především podobná témata, která mohu použít k rozšíření obzorů a návrhy, které se dají rovnou použít jako podklad pro sběr dat.

Vyzkoušejte si Keyword profiler nyní:

1.2. Extrakce dat z měřicích nástrojů a reklamních systémů

Důležitým a často zapomínaným podkladem, pokud již web existuje a nepřipravuji analýzu pro nově vznikající projekt, jsou data, která už web má. Jedná se například o data z nástrojů jako Google Analytics, Google Search Console, AdWords či Sklik.

Marketing Miner obsahuje tzv. Extraktory, které se o získávání podkladových dat z některých těchto nástrojů postarají. Konkrétně jde o nástroje Google Analytics a Google Search Console. Stačí přejít do sekce Extraktory (horní menu vpravo), zvolit službu, data, která z ní chcete získat, a stisknout Získat data.

• Google Analytics
  • Všechna klíčová slova
  • Internal Search Terms
• Google Search Console
  • Všechna klíčová slova
• AdWords
  • Vyhledávací dotazy
• Sklik
  • Dotazy

Níže uvedené video je ukázkou, jak může probíhat proces získávání dat z Extraktorů:

O tom, jak exportovat data o vyhledávacích dotazech z AdWords, se dočtete více zde:

https://support.google.com/adwords/answer/2684537?hl=cs

A jak dostat vyhledávací dotazy z Skliku zde:

http://vetrovka.cz/nefiltrovane-vyhledavaci-dotazy-v-skliku

1.3. Návrhy a našeptávače

Předchozí získané dotazy už by mi měly poskytnout dostatečný podklad pro orientaci v hledaných dotazech. Ty nejdůležitější z nich ještě mohu rozšířit o návrhy, které mi vracejí samotné reklamní systémy nebo vyhledávače v našeptávačích.

Poznámka: V této fázi nedoporučuji posílat hromadně ke zpracování data získaná z předchozího sběru dat, ale pouze nejdůležitější a nejcharakterističtější dotazy. V opačném případě je třeba strávit více času na čištění výstupů než na získávání podkladů a zároveň takové výstupy mají i několik GB, takže je často neotevřete.

K tomu lze využít buď nástrojů, které systémy nabízejí (například Google plánovač klíčových slov nebo Sklik návrh klíčových slov). Ty ale nabízejí buď omezené výstupy (například místo přesné hledanosti její rozsahy), nebo se složitě využívají při potřebě získávání dat k více vstupům.

Marketing Miner z obou těchto systémů získává přesná data, a je tedy schopen hromadně získat data jak z našeptávačů, tak z obou těchto systémů najednou. Konkrétně jde o Keyword minery Našeptávače, AdWords Návrh (který pod sebou pro český trh zahrnuje i Sklik) a návrhy klíčových slov ze souvisejících dotazů.

Ukázku, jak data z těchto minerů získat, naleznete v tomto videu:

1.4. Inspirace od konkurence

Posledním velmi užitečným zdrojem při sběru dat mohou být konkurenti. Nemělo by jít o konkurenty, kteří nepůsobí online, ale ideálně o úspěšnou konkurenci, od níž je čemu se přiučit a je dobře viditelná ve výsledcích vyhledávání.

Pro určení konkurence lze využít Link Prospecting miner, který dovoluje uživateli zjistit frekvenci výskytu domén ve výsledcích vyhledávání Google. Stačí na vstup vložit dotazy, na něž chcete být vidět, zvolit Link Prospecting miner a na výstupu získáte přehled nejsilnějších konkurentů, od kterých se můžete inspirovat v dané oblasti.

Inspiraci od konkurence můžete sbírat ze struktury jeho webu a článků nebo i z nástrojů, které monitorují výsledky vyhledávání fulltextových vyhledávačů a identifikují, na jaké dotazy jsou jednotlivé weby vidět. Níže naleznete ukázky výstupů pro doménu Marketingminer.com z některých těchto nástrojů:

• Marketing Miner Profilery
• Ahrefs
• SEMrush

Druhou možností, jak od konkurence získat návrhy na klíčová slova a její kategorie, je scraping dat z webu. Nejčastěji se tímto způsobem nabírají kategorie a filtrace. K hromadnému získání kategorií konkurence lze použít rozšíření do prohlížeče Scraper. S ním stačí kliknout na jeden název kategorie pravým tlačítkem a stisknout Scrape similar.... Ukázka toho, jak na to a jak může takové vytažení dat z tabulky vypadat:

2. Data mining

Výstupem sběru dat by měla být tabulka o jednom sloupci, kam vložíte pod sebou všechny dotazy, které vám byly našeptány nebo které jste si poznamenali. K těmto dotazům potřebujeme získat podkladová data, ale než tak učiníme, je potřeba se nejprve zbavit duplicit.

2.1. Smazání duplicit

Duplicity můžete v případech, kdy jde o malý dataset, smazat pomocí nástroje Remove Duplicate Lines od Dedupelist. Jednoduše vložíte dataset a stisknete tlačítko Submit.

V ostatních případech budete většinou odstraňovat duplicity v nástrojích:

Odstranění duplicit v nástroji Excel

Excel je jedním z nejpoužívanějších tabulkových nástrojů na světě. Odstranění duplicit podle jediného sloupce je v něm otázka chvíle.

Stačí označit celý sloupec a zvolit funkci Remove duplicate (v češtině Odebrat duplicity). Funkce se již postará o promazání duplicit.

Více informací na:
https://support.office.com/en-us/article/Filter-for-unique-values-or-remove-duplicate-values-ccf664b0-81d6-449b-bbe1-8daaec1e83c2

Odstranění duplicit v nástroji OpenRefine

OpenRefine je v České republice a na Slovensku hojně používaný nástroj pro analýzu klíčových slov.

Pro odstranění duplicit je potřeba nejprve dataset seřadit podle jeho názvu (a dostat tak stejné dotazy pod sebe) a následně použít funkci Blank down. Po smazání duplicit je ještě potřeba odstranit prázdné řádky.

Podrobný návod i s videem, jak duplicity pomocí OpenRefine odstranit, naleznete zde:
http://kb.refinepro.com/2011/08/remove-duplicate.html

Odstranění duplicit v browseru

V případě, že se počtem řádků vejdete do desítek tisíc, lze použít i nástroje, které jsou zdarma dostupné na webu. Jedním z nich může být například Dedupelist a jeho nástroj Remove duplicate lines. Jednoduše do něj vložte všechna klíčová slova, stiskněte Submit a poté znovu zkopírujte výstup, který je již pročištěný o duplicity.

2.2. Získání podkladových dat

Po promazání duplicit je třeba získat podkladová data, ze kterých by se dalo při analýze vycházet. Zde je nejsilnější část Marketing Mineru, který pro vás hromadně většinu podkladových dat získá na pár kliknutí. Konkrétně budeme získávat následující podklady k dotazům:

• Hledanost klíčových slov (miner: Hledanost a CPC)
• Cenu za proklik v PPC (miner: Hledanost a CPC)
• Měsíční statistiky hledanosti (miner: Hledanost a CPC)
• Nejlepší vstupní stránku podle vyhledávačů k danému dotazu (miner: Landing page)
• Aktuání pozici vašeho webu ve výsledcích vyhledávání (miner: Pozice ve vyhledávačích)
• Konkurenčnost v organických výsledcích vyhledávání (miner: Konkurenčnost dotazu)
• Automatickou kategorizaci dotazů (miner: Kategorizace)

Zjisti více o mineru:
Hledanost dotazů

Tento miner je vhodný pro:
SEO a PPC

Návod, jak taková data získat skrze Marketing Miner, jsme natočili níže:

Postup je následující:

1. Uživatel na vstup vloží svůj získaný dataset dotazů.
2. Stiskne Vybrat minery.
3. Zvolí minery: Hledanost frází, Landing page (vyplní vlastní doménu), SERP Position, SERP Competition a Kategorizace.
4. Stiskne Získat data.

Miner zpracuje výše popisované podklady a výstup pošle uživateli. Získáte tak najednou většinu podkladů, které k analýze potřebuje. Výstupem je například takovýto report: https://www.marketingminer.com/cs/report/4e20b9cff963732ceae354f7f5885536665bcb7d7b814f2b6b6356dca2069acb/visualize

Stáhnout si jej můžete ve formátu XLSX nebo CSV.

V případě komplexnější analýzy je dobré tyto údaje rozšířit ještě o data z interních nástrojů, například o data z Google Analytics či Google Search Console za pomoci Extraktorů a jejich napojení do již existující analýzy).

TIP: Ve výstupu SERP Position mineru jsou vidět i data o tom, zda se ve výsledcích vyhledávání nevyskytuje nějaké rozšíření. Do některých z těchto rozšíření (jejich seznam naleznete zde) se lze dostat, s jinými je naopak třeba počítat v rámci vzhledu a CTR výsledků vyhledávání. Obohaťte o tuto informaci své analýzy.

2.3. Click-stream data a reálná hledanost klíčových slov

Výhodou Marketing Mineru je fakt, že používá tzv. click-stream data k odhadu reálné hledanosti klíčových slov. AdWords totiž zkresluje své výstupy tak, že pro podobné dotazy slučuje jejich metriky a výsledná hledanost tedy může být pro desítky variant stejného dotazu naprostá shodná. Tento problém řeší právě click-stream data, díky kterým Marketing Miner získává reálnou hledanost klíčových slov.

Díky tomu tak nemusíte po získání dat řešit declusterizaci dotazů v analýze a můžete se rovnou vrhnout do čištění a analýzy dat.

Pár ukázek jak se změní výstup Google Ads s reálnou hledaností v MM:

O tom jak tento proces funguje si můžete přečíst v článku, ve kterém je podrobně rozebráno, jaká data a jak aplikujeme. Aktuálně Marketing Miner podporuje click-stream data v zemích: Česká republika, Slovensko a Polsko.

3. Čištění dat

Po získání podkladových dat je třeba se v analýze zbavit „balastu”, tj. dotazů, které do analýzy nepatří a nejsou nijak využitelné pro klienta. Tento krok jsme rozdělili do dvou sekcí podle nástrojů, ve kterých analýzu klíčových slov zpracováváte:

3.1. Čištění dat v nástroji Excel

V Excelu je čištění dat trošku nešikovné, ale i tak v něm lze analýzu poměrně efektivně zpracovávat. Především pro větší datasety není Excel nejlepším řešením a doporučoval bych přeskočit na další sekci, kde řešíme stejný postup v nástroji OpenRefine. Pro menší datasety je Excel dostatečný:

3.1.1. Identifikace nerelevantních vzorů

Nejprve je třeba se zbavit největších vzorů dotazů, které do analýzy nepatří. Excel bohužel nedisponuje kvalitními a jednoduchými funkcemi, které by zobrazily frekvenci výskytu slov a vzory, které bychom mohli promazávat. Proto používám pro vizualizaci nejfrekventovanějších slov Wordcloud generátor. V mém případě tento:
https://www.jasondavies.com/wordcloud/

Uživatel jednoduše vloží na vstup všechny dotazy a wordcloud se postará o vizualizaci nejfrekventovanějších slov. Jakmile mezi nimi naleznu nějaké, které do výstupu nepatří, tak:

1. Přejdu do Excelu.
2. Vytvořím filtr nad celou analýzou.
3. Skrze textovou filtraci naleznu všechny dotazy obsahující danou “vylučující” frázi nebo vzor.
4. Smažu řádky.

A takto postupuji s promazáváním všech vzorů. Poté, když už nemohu nic ve wordcloudu k vyloučení najít, zkopíruji opět výstup a vytvořím znovu wordcloud. V něm se mohou objevit nové vzory k promazání. Pokud ne, pokračuji ručním čištěním, kdy projdu řádek po řádku celý dataset a odmažu dotazy, které nejsou relevantní.

3.1.2. Kategorizace v Excelu

V případě kategorizace lze použít stejný postup jako v případě identifikace nerelevantních dotazů, tj. vytvořit wordcloud z dotazů v analýze a v něm hledat vzory ke kategorizaci.

Částečně je již kategorizace vyřešena pomocí výstupu mineru Kategorizace, který jsme použili v předchozích krocích. Zbytek kategorií je třeba ručně zpracovat.

Samotná kategorizace probíhá tak, že se identifikují velké vzory v analýze, ty se označí souhrnným názvem (například Typ nebo Barva) a do nich se postupně začleňují jednotlivé vzory. Skvělý návod od Marka Prokopa, jak nad kategorizací a klasifikací přemýšlet i jak ji dělat, naleznete zde:
http://vyhledavace.info/clanky/246/klasifikacni-analyza-klicovych-slov

3.2. Čištění dat a kategorizace v nástroji OpenRefine

OpenRefine je na čištění dat skvělý nástroj. Nedělají mu problém ani velké vstupy a má pro vás připravených pár opravdu užitečných funkcionalit:

3.2.1. Identifikace nerelevantních vzorů

Nejprve je potřeba z výstupů z Marketing Mineru založit v OpenRefine projekt s daty analýzy. Jak na rychlou analýzu a odmazání nepotřebných vzorů, jsem ukázal ve videu níže (popis pod ním):

OpenRefine má na zpracování rychlé analýzy dataset mnoho funkcionalit. My konkrétně využijeme tzv. Word facet, který rozděluje fráze na jednotlivá slova a pak počítá jejich frekvenci výskytu (podobně jako wordcloud, který jsem výše uváděl).

V něm najdu vzory, které nejsou relevantní, a z datasetu je za pomoci funkce Remove all matching rows odmažu.

3.2.2. Kategorizace v OpenRefine

Při kategorizaci si, podobně jako u hledání nevhodných dotazů, vytvořím Word facet nad všemi dotazy, ve kterém hledám vzory, podle kterých chci kategorizovat. Na základě dat z něj si vytvářím sloupce s názvy kategorií, do kterých chci dotazy přiřazovat.

Videonávod:

Co vlastně ve videu dělám:

1. Vytvořím word facet a získám tak frekvenci výskytu dotazů.
2. Na základě dat z Word facetu se rozhodnu udělat kategorizaci Služba, proto k ní založím prázdný sloupec.
3. Vyfiltruji si dotazy obsahující pouze určitý vzor (ve videu „seo” a „marketing”) a podle nich přiřadím k daným dotazům klasifikaci.

4. Tvorba výstupu

Výstup je z větší části interním know-how firem a každý jej vytváří po svém. Nemá cenu zde rozepisovat, jak by měl vypadat ideálně, protože takový obecný výstup analýzy prostě neexistuje. Výstup analýzy klíčových slov je natolik komplexní a dá se používat v tolika směrech a oborech, že se nedá zobecnit.

Vždy je ale dobré mít na paměti, že by měl splňovat cíl, který od analýzy očekáváte, a především ve velké míře zacházet do praktické roviny. Tedy například do návrhu na změny v hierarchii, návrhu článků nebo tvorbě obsahové strategie.

TIP: S výstupy analýzy by měli být schopni pracovat všichni členové týmu, kteří ji potřebují. Při jejím předání je proto dobré, aby byli přítomni všichni členové týmu/klienta, jichž se analýza týká, a především aby věděli, jak s analýzou pracovat. Je dobré proto nepodcenit předání a vyhradit si nemalou část času na zaučení týmu v práci s analýzou, jinak z ní dlouhodobě zůstane pouze “cár elektronického papíru”, který nikdo nepoužije.

Z obecně používaných částí výstupů:

4.1. Vizualizace výstupu analýzy klíčových slov

K jednoduchým a vzhledově zdařilým vizualizacím se používá převážně následujících typů grafů

• Sloupcový graf (Bar chart) - pro zobrazení celkové hledanosti klasifikací, počtu slov v klasifikaci nebo průměrné konkurenčnosti.
• Koláčový graf (Pie chart) - vizualizace poměru hledanosti či konkurenčnosti kategorií, kde je méně segmentů. Při větším počtu je lepší použít sloupcový graf, jelikož koláčový graf je nepřehledný.

Ukázka vizualizace celkové hledanosti segmentu Materiál analýzy klíčových slov v Tableau:

4.1.1. Co se vizualizuje

Ve výstupech analýzy se většinou vizualizuje:

• celková hledanost jednotlivých klasifikací,
• vážený průměr konkurence jednotlivých klasifikací,
• vážený průměr ceny za proklik jednotlivých klasifikací.

4.1.2. Jaké nástroje se nejčastěji používají k vizualizaci

• Tableau (stačí verze zdarma, tedy Tableau Public)
• Excel
• Datastudio
• Google Spreadsheets
• Microsoft PowerBI

4.2. Co hledat v analýze

Jaké zajímavosti k použití v praxi lze najít ve výstupu analýzy a jak z nich vycházet? Podívejme se na některé z nich:

4.2.1. Nepokryté dotazy

Jedná se o dotazy, u nichž ve sloupci s Landing Page nejsou žádná data, to znamená, že vyhledávač/e neznají žádnou stránku, která by daný dotaz pokrývala.

Jde o dotazy, k nimž neexistuje vstupní stránka nebo vyhledávač neindexuje daný obsah webu a bylo by dobré ji vytvořit nebo zjistit, proč odpovídající stránku neindexuje. Nepokryté dotazy mohou ukázat na obsah, na který je dobré se v nejbližší době zaměřit, protože jeho pokrytím si může web jako takový hodně polepšit z hlediska návštěvnosti.

Z pokrytých dotazů je dobré vytvářet témata k pokrytí a nově vznikající obsah navazovat k těmto tématům (například v Excelu nebo sdíleném Google Spreadsheet, kde bude jasně vidět, jaká témata by bylo dobré zapracovat a jaké dotazy pokrývají).

U nově vytvořeného obsahu je dobré měřit výkon, aby bylo možné vyčíslit jeho dopady. K tomu doporučuji sledovat v Google Analytics počet zobrazení dané URL jakožto vstupní stránky v průběhu času. Kromě toho je také třeba měřit pozice ve výsledcích vyhledávání na hledané dotazy, na které by mohla být stránka vidět.

4.2.2. Dotazy pokryté nerelevantní vstupní stránkou

Kromě dotazů, na které vůbec neexistuje odpovídající obsah na vašem webu, je dobré také sledovat, jak moc relevantní je detekovaná vstupní stránka vůči danému dotazu. Nejlepší je v tomto ohledu se zamyslet nad tím, jaký byl záměr uživatele, který takové hledání ve vyhledávači prováděl. Co chtěl najít? A je opravdu tato vstupní stránka odpovědí na jeho dotaz?

Pokud na jednu z těchto otázek odpovíte ne, je pak na zamyšlení, jestli takovou vstupní stránku vytvářet. V případě, že ano, je dobré měřit dopady vytvořeného obsahu stejně jako v předchozím případě.

4.2.3. Dotazy s velkým potenciálem

Které dotazy mají vysokou hledanost a přitom nízkou konkurenci a jsou tzv. “low hanging fruit”? K identifikaci takových dotazů si vytvořte nový sloupec v analýze, jehož obsahem je podíl metrik hledanosti a konkurenčnosti dotazu, tedy:

Hledanost / (Konkurence + 1)

Tak vznikne nová metrika, kterou já osobně nazývám Opportunity score, tedy skóre příležitosti. Čím vyšší, tím lepší, jelikož tím hledanější je dotaz, a přitom má nižší konkurenci.

Takové dotazy většinou znamenají, že na ně ještě nemají vyhledávače dostatečně kvalitní odpověď, a proto tvorba obsahu k pokrytí takových dotazů (vytvoření odpovědi pro vyhledávače) má relativně rychlou návratnost a dá se jednoduše dosáhnout viditelnosti ve vyhledávačích na dané dotazy.

4.2.4. Sezónní dotazy

Hledanost některých dotazů se v různých měsících v roce mění jako na horské dráze. Je proto potřeba u jednotlivých klasifikací a důležitých dotazů tuto sezónnost sledovat.

K lepšímu přehledu o tom, v jakých měsících jsou dotazy z analýzy klíčových slov nejhledanější, můžete použít z výstup z mineru Hledanost klíčových slov, který obsahuje sloupce Strongest month a Search volatility. První z těchto sloupců určuje ve kterém měsíci v roce, je dotaz nejhledanější. Druhý (search volatility) zase jak moc kolísá hledanost dotazu v průběhu roku. Čím vyšší kolísavost hledanosti, tím sezónnější dotaz je.

Za pomoci těchto dvou sloupců můžete z analýzy klíčových slov určit, které měsíce v roce jsou pro vás nejdůležitější, kdy je vhodné na některé segmenty dotazů investovat větší objemy do PPC nebo jaké typy zboží se budou v průběhu roku nejvíce prodávat.

AI analýza klíčových slov

Pro ty, kterým přijde analýza klíčových slov náročná jsme připravili službu Keyword Monkey, která vám poskytne automatizovanou AI analýzu klíčových slov. Je to kombinace umělé inteligence (která se postará o klasifikaci klíčových slov) a dat z Marketing Mineru (které vám poskytnou hledanosti klíčových slov a SERP data).

Ukázkovou AI klíčovku si můžete prohlédnout zde: https://docs.google.com/spreadsheets/d/1LR4F74xjFUffDtZqjauyO7MW_7kV-jw-/edit#gid=1958666539

Jak celá AI analýza klíčových slov funguje a jak pracovat s výstupem se dozvíte ve videu níže:

A jak děláte analýzu klíčových slov vy?

Máte vlastní způsob? Něco vám v návodu chybí nebo není srozumitelné? Budu rád, když se s námi podělíte o své postřehy z analýz nebo nám pomůžete tento návod rozšířit. Přeji mnoho úspěšných klíčovek!

Ukázky analýz klíčových slov od českých specialistů a agentur

Co by to bylo za návod bez ukázky toho, jak může taková analýza klíčových slov vypadat. Domluvili jsme se proto s předními odborníky v ČR, kteří pro své klienty analýzy zpracovávají a výsledkem této spolupráce je níže uvedený seznam ukázek specialistů, jejich děl a kontaktů na ně. Můžete je brát buď jako inspiraci pro vlastní práci, nebo si jejich služby objednat:

Pavel Ungr - popis služby

H1.cz - popis služby

Martina Šimko - popis služby

Mediatel - popis služby

ANT studio - popis služby

Sherpas - popis služby

RobertNemec - popis služby

Včeliště - Popis služby

Taste Medio - popis služby

IT STUDIO - popis služby

Marek Cibuľa - popis služby

Lebedová.Inger - popis služby

Instinct Agency - popis služby

Poznámka: Máte svou vlastní analýzu klíčových slov a chcete se o ni podělit s ostatními v tomto článku? Pošlete nám ji spolu se svým logem a bližšími informacemi na email [email protected]!