Поисковая оптимизация *

Представьте: вы пишете парсер, который обходит сотни миллионов URL. Каждую новую ссылку нужно проверить — посещали ли мы её раньше? Заводить гигабайтный хеш-набор для хранения всех адресов — расточительно и медленно.

Но существует вероятностная структура данных, которая способна ответить на вопрос «видели ли мы этот URL?», занимая при этом в десятки раз меньше памяти, чем полное множество строк. Плата за такое — мизерная возможность ложноположительного срабатывания, где алгоритм заявит что URL есть, хотя на самом деле он новый. Зато на вопрос «не видели?» она не ошибётся никогда.

Это и есть Фильтр Блума, созданный Бёртоном Блумом аж в 1970 году. Более полсотни лет этому алгоритму! В принципе, никогда не помешает освежить знания и вспомнить, как писать реально оптимизированное ПО.

В этой части — самое приземлённое про GEO-продвижение. Никакой философии, только то, что можно взять и в понедельник начать делать руками: как резать страницу под чанки, какой JSON-LD писать, какие боты пускать на сайт, как честно замерить цитируемость и как поймать переходы в Метрике и GA. То есть форма, в которую упаковывается уже сформулированная ценность. Если ценности нет, форма не спасёт — об этом была вторая часть.

Часть 1 — Нейросайт глазами бизнеса: позиции, трафик, конверсия и скорость изменений

Часть 2 — Как принудить нейросеть рассказать про ваш продукт

Для кого

Фаундерам и CMO SaaS и онлайн-сервисов, отвечающим за привлечение клиентов и понимающим, что больше половины заявок у них приходит из одного канала.

Кратко

Один канал даёт предсказуемую стоимость лида и понятную аналитику, пока он жив. Разбираю стратегию каналов SaaS на конкретном сценарии: что реально происходит с воронкой в первые недели после того, как канал пропадает, — блокировка кабинета, рост аукциона, смена алгоритма или уход ответственного специалиста. Когда концентрация на одном источнике трафика оправдана, а когда это уже риск для всего бизнеса. Как выбрать второй канал по циклу сделки, не размазать бюджет тонким слоем и в каком порядке подключать каналы, чтобы не сломать то, что уже приносит заявки.

На связи Дмитрий, управляющий партнёр Сайткрафт. За несколько лет через нашу команду прошло достаточно SaaS и онлайн-сервисов, чтобы увидеть одну и ту же историю по кругу. Бизнес растёт на одном канале привлечения клиентов, привыкает к его экономике, встраивает под него отдел продаж и аналитику, а потом канал исчезает. Причина обычно не в ошибке настройки кампании. Канал живёт по чужим правилам: чужому алгоритму, чужой политике модерации, чужому решению уйти с рынка. Весной 2022 года это почувствовал, кажется, весь российский digital-рынок разом: часть компаний в один день потеряла доступ к рекламным кабинетам, на которых держалась половина, а то и вся воронка. У кого-то это был Google Ads, у кого-то — Instagram и Facebook (компания Meta признана в России экстремистской организацией, её продукты запрещены). Кто-то за месяц перекинул бюджет на Директ и почти не заметил провала в выручке. У кого-то отдел продаж на два-три месяца остался без свежих лидов вообще. Разница была не в удаче, а в том, успели ли до этого выстроить второй канал.

Рад всех приветствовать, тема на мой взгляд очень интересная! Приступим?

Постановка задачи

Есть короткая аудио запись продолжительностью от 3 до 6 секунд. Требуется найти: откуда она?

Похоже, зря я назвал свой канал про ИИ исключительно по фамилии — Бурый. Оказалось, что из-за конкуренции с такими понятиями, как медведь и цвет, меня плохо видно в нейросетях. Пришлось проводить целое исследование, чтобы с этим разобраться.

Я собрал в Я.Метрике сегмент по реферальным доменам ИИ-сервисов для своего небольшого сайта и прогнал его за четыре окна. Число получилось маленькое — 10 визитов из 634 за 90 дней. Но интереснее не само число, а то, что с ним по-честному можно делать, а что нельзя. Разобрался, почему любой такой замер по определению даёт оценку снизу: реальная величина всегда больше, а насколько — метод сказать не может.

Для кого

Фаундерам и CMO SaaS, онлайн-сервисов и платформ, которые думают запускать поисковое продвижение и хотят сначала понять, окупится ли канал на их экономике и горизонте, вместо того чтобы полгода тратить бюджет на трафик впустую.

Кратко

SEO в SaaS только выглядит бесплатным трафиком. На деле это инвестиция с длинным возвратом: работу оплачиваете в первые месяцы, а заявки приходят через два–четыре квартала. На одних проектах канал окупается с запасом, на других его запускают слишком рано и полгода платят за визиты, которые не превращаются в заявки. Ниже — как отличить одно от другого на своей экономике и горизонте, с расчётом окупаемости и скриншотами обезличенного проекта.

Меня зовут Дмитрий Шестаков, основатель компании Сайткрафт. Чаще всего ко мне приходят с запросом в стиле: нам нужно SEO, конкуренты в топе, мы отстаём. И почти всегда мой первый честный ответ — давайте сначала посчитаем, окупится ли это у вас в ближайший год. Потому что для подписочного сервиса поиск умеет приносить дешёвые заявки годами, а умеет полгода жечь бюджет на трафик, с которого никто не покупает. Дело тут не в подрядчике и не в усердии. Решает то, готов ли продукт к этому каналу.

Содержание

1. Почему SEO советуют всем подряд

2. Признак первый: вы не знаете, по каким запросам у вас покупают

3. Признак второй: экономика не сходится даже на платном трафике

4. Признак третий: сайт не превращает визиты в заявки

5. Признак четвёртый: нет запаса хода на длинную окупаемость

6. Признак пятый: SEO некому вести в долгую

Начну с тезиса, который большинство классических сеошников и маркетологов, честно говоря, не очень любят. Но именно с него начинается понимание, что такое GEO на самом деле.

Нейросеть не рекламирует ваш продукт — она пересказывает ценность вашей компании своими словами. Она не повторяет ваши рекламные лозунги, сколько бы раз вы их где-нибудь ни написали. То есть если вы сто раз напишете, что ваш сервис самый сервисный, качество самое качественное, а ассортимент самый многообразный — модель, скорее всего, вас даже не упомянет. Не потому, что вы плохие. А потому, что ей про вас нечего пересказать. Это сказано везде — значит, не сказано нигде.

Это первая из трёх статей про GEO. Здесь — концептуальная база: за что вообще идёт борьба в нейровыдаче и почему это не косметическая надстройка над SEO. Во второй части будет содержательный слой — смыслы, граундинг, факт-чекинг и почему накрутка не держится. В третьей — прикладная техника: чанкование, разметка, замеры и атрибуция. Каждую часть можно читать отдельно.

Кратко

SEO для SaaS — это не одна механика, а три разные: контентный подход (растём на статьях и длинном хвосте), продуктовый (выводим в топ и докручиваем сами страницы сервиса) и массовый (программно генерируем тысячи похожих страниц под низкочастотку). Они дают разный результат, разную скорость и разные риски. Большинство сервисов сжигают бюджет не потому, что делают SEO плохо, а потому что взяли подход не под свою структуру спроса. Ниже — как они устроены под капотом, на реальных дашбордах Метрики и Топвизора, и как выбрать свой.

Привет, на связи Дмитрий, основатель агенства Сайткрафт. За последние годы мы вели поиск для десятков SaaS и онлайн-сервисов, и почти на каждом старте слышим один и тот же запрос: «сделайте нам SEO, нужен трафик и заявки». Проблема в том, что под этой фразой прячутся три совершенно разных проекта. Их легко перепутать на старте, и тогда полгода уходит впустую: трафик вроде растёт, а заявок нет, или позиции есть, а индекс выкашивает фильтр. В этой статье разберу три подхода к SEO для онлайн-сервиса инженерно — что внутри каждого, на каких данных видно, что он работает, и как не выбрать чужой.

Содержание

1. Почему один и тот же SEO у двух SaaS даёт разный результат

2. Подход 1 — контентный: рост на статьях и длинном хвосте

3. Подход 2 — продуктовый: заявки дают сами страницы сервиса

4. Подход 3 — массовый: тысячи похожих страниц под низкочастотку

5. Три подхода в одной таблице

6. Как понять, какой подход ваш

7. Сколько ждать результата и чем мерить

8. Частые вопросы

Сайт на Тильде может получать поисковый трафик.

В 2026 году это уже странно доказывать: в выдаче достаточно проектов на конструкторах, у которых индексируются страницы, растут запросы, приходят заявки.

Поэтому вопрос лучше ставить практичнее: в каких случаях Тильда выдерживает SEO-задачу, а в каких начинает мешать работе.

Привет, Хабр!

Меня зовут Дмитрий, руководитель отдела рекламы и продвижения в Аспро. Мы запускаем интернет-магазины и развиваем систему управления бизнесом Аспро.Cloud.

Последние пять лет продавцы массово шли на маркетплейсы — казалось, это единственно верная стратегия. К 2026 году картина уже изменилась. По данным Sellmonitor, еще за 2024–2025 годы число продавцов на Wildberries и Ozon сократилось на 24,5%.

Значит ли это, что маркетплейсы умирают? Нет. Значит ли это, что работать только на маркетплейсе в 2026 году — рискованно? Уже да!

Наш любимый доходяга Яндекс частенько показывает вверху выдачи готовый ответ и ссылается в нём на три‑четыре сайта. При этом по такому же запросу в обычной выдаче сотни, а то и тысячи страниц. Позвольте спросить, по какому такому принципу нейроответ отбирает из этих сотен именно те самые избранные, которые собирают весь куш? Я решил проверить свои (бестолковые) гипотезы на реальных данных.

Гипотез, к слову, у меня хватало, проверенных цифр не было ни одной. Поэтому я собрал небольшой стенд, прогнал через него запросы по одной нише и посмотрел, что реально попадает в цитаты. Конкретная ниша тут вторична, методика повторяется на любой другой. Ниже разберу код, цифры и пару мест, где споткнулся, упал и разбил коленку.

Сразу про масштаб. Это одна ниша и всего 60 обращений, так что на вселенскую истину я не претендую, хотя очень хотелось бы. Но даже на таком объёме картинка получилась на удивление устойчивой, пусть и не такой, как мнение Греты Тунберг обо всём на свете.

Я изучаю AEO/GEO (продвижение брендов в ответах нейросетей) и наткнулся на разбор про странную вещь: нейросети называют одни бренды и будто не замечают другие, причём качество продукта тут ни при чём (SearchAtlas). Объясняют это через понятие сущности: и поиск, и нейросети воспринимают бренд как отдельный объект знания со своими свойствами и связями.

Тема показалась любопытной, и я полез в первоисточники: доки Google, schema.org, Wikidata, замеры Ahrefs и Frase, пару работ с arXiv. Там и уткнулся в неожиданное. Знание о бренде у машины устроено двумя совершенно разными способами, и их постоянно путают. Один способ работает у обычного поиска Google, это Knowledge Graph. Другой у языковых моделей вроде ChatGPT, это память в весах нейросети.

Единого первоисточника у этого разбора нет, я собрал его из перечисленного под наш контекст, ссылки стоят по тексту. Дальше разложу оба механизма простым языком и покажу, что с каждым можно сделать.

На старте поисковая система часто устроена просто: одна таблица на одном сервере. Это работает, пока не случится одно из двух. Либо отдельный запрос перестаёт задействовать весь CPU, за который вы заплатили, либо одного сервера перестаёт хватать — по объёму, по пропускной способности или просто потому, что сервер может выйти из строя, и данные на нём будут потеряны.

Автоматический шардинг, встроенный в Manticore Search и доступный начиная с релиза 27.1.5 , решает обе проблемы, разбивая таблицу на несколько физических фрагментов меньшего размера (шардов), по которым можно выполнять поиск параллельно и которые можно размещать на разных узлах:

Раньше построение KNN-индекса было самым медленным этапом при сохранении и слиянии чанков в таблицах с векторными атрибутами. Начиная с v27.1.5 , Manticore может задействовать несколько ядер CPU при сохранении чанков, слияниях через OPTIMIZE, авто-оптимизации и ALTER TABLE ... REBUILD KNN. На 16-ядерном Ryzen 9 5950X построение KNN-индекса для 1 миллиона 1536-мерных векторов сократилось с 8 минут до 39 секунд.

В общем, базовая история с аудитом страниц — мы каждый месяц отправляли подрядчику несколько страниц на проверку. Отбирали несколько максимально разных. Если находились проблемы на одной, мы также правили и на однотипных. В месяц так проверяли 4–6 страниц. И тут, из очевидных минусов — оплата подрядчика и ожидание.

Учитывая, что по сути нужно проверять однотипные вещи, вроде title, description, H1 и, например, ошибки в консоли, то я подумал, почему бы не попробовать отдать это агенту. Да, в деталях все не так просто, но общая процедура каждый раз плюс‑минус одинаковая, а значит можно настроить сценарий. 

Так появилась идея научить нашего AI‑ассистента делать аудит новых страниц самостоятельно. Не в стиле «посмотри сайт и скажи, что думаешь», а по нормальной процедуре, с фиксированным результатом. На выходе я хотел получать гугл‑таблицу с чек‑листом и PDF со скриншотами проблемных мест.

Сначала казалось, что это задача на пару дней. Берем несколько готовых навыков, подключаем технический аудит, показываем агенту шаблон отчета и просим его все аккуратно заполнить. На практике оказалось все сложнее.

Qwant — редкий европейский поисковый проект, который сумел стать заметным за счет не технологического доминирования, а удачного позиционирования. Поисковик делает ставку на приватность: не хранит историю запросов, не продает персональные данные пользователей и размещает сервис в европейской инфраструктуре. При этом у компании есть собственный патентный портфель, который местами выглядит противоречиво на фоне ее ключевых принципов. Об истории создания Qwant мы сегодня и поговорим.

Мечта любого бизнесмена — чтобы в ответ на релевантный вопрос пользователя поисковая система (или нейронка) рекомендовала именно его товар. Нативно, без рекламы. Просто на первом месте поиска. А в случае LLM — как «правильный» и наиболее верный ответ, со ссылкой на сайт.

И так называемые «оптимизаторы» реализуют эту мечту. Они адаптируют контент сайта таким образом, что его можно продвинуть и «скормить» краулерам LLM.

Как сеошники прошлых лет портили оптимизировали контент старых сайтов, так оптимизаторы нового поколения наполняют Хабр текстами, которые пишутся для нейронок. Теперь это называется AEO (answer engine optimization) — оптимизация для AI-движков.

Я сделал ContentCombine — мультинишевый контент-комбайн, который собирает материалы из RSS, Telegram, сайтов и других источников, нормализует их, считает скор, склеивает повторы в сюжеты, отделяет кейсы от шума и готовит ежедневный дайджест. Сначала движок работал на игровых новостях, потом я перенёс его на SEO и AI — без переписывания ядра, но с кучей неожиданных граблей: entity blobs, старые статьи под видом свежих, молчащие фиды, ложные тренды и LLM-недетерминизм в проде.