От офлайн-ритейла к цифровой экосистеме
Привет, мы в Кинетике занимаемся проектами там, где стандартные инструменты уже не работают. Этот кейс — об одном из таких.
К нам обратился клиент с редкой для российского рынка задачей: федеральная сеть магазинов авторских товаров, винтажа и предметов коллекционирования — 48 филиалов в 34 городах. Задача: глобальная трансформация. Клиент видел следующий этап развития в масштабном выходе в онлайн. Нам предстояло превратить сайт из «визитки» сети в полноценный маркетплейс (e-commerce платформу), способную конкурировать в поисковой выдаче с гигантами ниши.
Ключевая цель: спроектировать «цифровой скелет» маркетплейса — SEO-архитектуру каталога. Структура должна была строиться на реальном поисковом спросе, иметь идеально логичную иерархию URL и систему автоматической генерации мета-данных для десятков тысяч будущих страниц.
Вызовы проекта: масштаб и дефицит эталонов
Мы столкнулись с двумя фундаментальными проблемами.
- Специфика ниши. Рынок Handmade и винтажа крайне раздроблен. Есть либо монстры вроде «Ярмарки Мастеров» или Avito, либо узконишевые лавки. Прямого шаблона, как объединить антиквариат, зоотовары, фермерские продукты и материалы для творчества в одну логичную структуру, не существовало.
- Скрытый масштаб. Изначально задача казалась объемной, но понятной рутиной. Мы еще не подозревали, что попытка охватить весь спрос приведет к коллапсу привычных инструментов, а итоговая структура разрастется до 2100+ категорий, потребовав написания собственного софта и внедрения ИИ-агентов.
Этап 1. Январский хаос: 700 000 запросов и «смерть» привычного софта
Работа над проектом началась сразу после январских праздников. План был стандартным: «Сейчас по-быстрому соберем семантику самого крупного конкурента, добьем упущенной, почистим и разложим». Но реальность маркетплейса быстро развеяла эти иллюзии.
Когда «мидловые» методы перестают работать
Мы начали с выгрузки через Keyso. Чтобы не упереться в лимиты и забрать все, использовали лайфхак: парсили конкурента «кусочками» по структуре URL (/itemlist/, /tag/, /popular/).
Итог: на руках оказался файл на 700 000 запросов.
И вот тут начались «боль и слезы». Excel превратился в калькулятор, который думал по 5 минут над каждой попыткой сортировки. Наш верный спутник на средних проектах — KeyCollector 4 — просто «вышел из чата». Попытка загрузить такое ядро и запустить хотя бы минимальную группировку приводила к намертво зависшей системе.
Стало очевидно: методы, которые отлично работают для интернет-магазина на 5000 товаров, на федеральном маркетплейсе превращаются в тыкву. Мы столкнулись с технологическим потолком.
Грубая сила: скрипты против Big Data
Мы поняли, что на этом этапе нам не нужны «умные» инструменты, нам нужна мощная «мясорубка». Прогнать 700к запросов через ИИ для первичной чистки — это значит слить бюджет на лимиты впустую и потратить недели на ожидание ответов.
Наше решение: мы вернулись к «старым добрым» кастомным скриптам на Google Apps Script и жесткой пре-фильтрации (Data Cleaning) прямо в таблицах:
- Частотность: безжалостно удаляли все, что ниже 12–20 запросов в год.
- Длина фразы: удаляли запросы длиннее 6 слов (как правило, это нецелевой информационный «шум»).
- Граница интента: если фраза у конкурента находилась ниже 30-й позиции — в корзину. Скорее всего, там смешанный или нецелевой интент.
- Ценность (CPC): если у фразы была высокая стоимость клика — это маркер коммерческого потенциала, такие фразы мы маркировали как приоритетные.
Где нам реально помог ИИ (лайфхак с минус-словами)
Чистить всё ядро нейронкой — безумие. На этапе первичной фильтрации мы использовали наше секретное оружие — внутренний архив Кинетики. Мы годами собирали списки минус-слов, которые идеально отрабатывают в разных нишах. Это в разы качественнее и быстрее, чем любой список из свободного доступа.
Однако самая большая проблема — брендовые запросы. В каждой нише свои уникальные конкуренты, и вычищать их вручную — адский труд.
- До ИИ: на ручной сбор вариаций брендов конкурентов уходили часы.
- С ИИ: мы сканируем главную страницу конкурента и просим ИИ вычислить все возможные минус-слова бренда. Нейросеть прогоняет десятки брендов за пару минут. Это позволяет на раннем этапе получить «стерильную» семантику без лишних трат на сбор данных о выдаче по каждой фразе.
Этап 2. Архитектура: как «взломать» структуру конкурента в «партизанских» условиях
Когда дошло до проектирования веток каталога, обнаружилась новая проблема: конкуренты в нише умело защищены от автоматического парсинга. Ни Screaming Frog, ни анализ карт сайта (sitemap.xml) не давали результата. Нам была жизненно необходима логика вложенности категорий, чтобы не изобретать велосипед.
Метод «Copy-Paste + скрипт» (Metadata Extraction)
Мы пошли «унизительным», но эффективным путем: вручную скопировали все категории из каталогов конкурентов и вставили их в Google Таблицы. Секрет в том, что при копировании «в лоб» таблицы автоматически подтягивают гиперссылки, зашитые в заголовки.
Чтобы не вытаскивать каждый URL вручную (а их тысячи), мы написали простой Google Apps Script, который за секунды извлек все URL из названий категорий и проставил их в соседнюю колонку.
Инсайт об автономности: скрипты vs хайп
Слияние семантики и структуры
Зачем мы так воевали за URL? Семантика из Keyso уже имела привязку «Запрос — URL конкурента». Получив структуру адресов с самого сайта, мы смогли мгновенно «сшить» ключевые фразы с конкретными разделами.
В итоге мы получили рабочий костяк порядка 1600 категорий, в каждой из которых уже были закреплены целевые фразы. Однако при глубоком анализе стало ясно: семантика конкурентов местами шире нашего набора веток. Чтобы получить максимальный охват, мы начали «подклеивать» к структуре те дополнительные категории, которые выделили ранее на основе нашего первичного гигантского ядра.
Для этого этапа мы снова задействовали автоматизацию. Сопоставлением и склейкой категорий занималась цепочка в n8n. Вручную такая задача заняла бы несколько дней и неизбежно привела бы к массе ошибок, особенно учитывая нашу логику мульти-категорийности: одна и та же подкатегория у нас может находиться сразу в нескольких родительских разделах. Мы осознанно пошли на это ради удобства пользователей — чтобы нужный товар всегда был под рукой, в какой бы ветке каталога его ни искали.
Если вам интересны технические особенности нашего автоматизированного подхода к работе с такими массивами, рекомендуем заглянуть в наш прошлый кейс: «Как мы автоматизировали сбор семантики: опыт SEO-отдела KINETICA».
Только после этой интеллектуальной склейки «костяк» превратился в полноценную, готовую к работе архитектуру маркетплейса на 2100+ узлов.
Этап 3. Промышленная автоматизация: цепочки n8n и «AI-контролер» качества
Мы создали цепочку в n8n, которая работает по принципу «доверяй, но проверяй».
- Триггер: нода забирает данные из таблицы (Категория, Семантика).
- Scraping: модуль обращается к живой странице, чтобы понять контекст (какие товары представлены).
- Generation: модель OpenAI создает варианты Title и Description на основе проработанных нами шаблонов.
- Validation (Узел «Оценщик»): это наша ключевая разработка. Вторая модель ИИ выступает в роли цензора. Она проверяет результат первой модели: нет ли ошибок в склонениях (мы использовали родительный падеж «Выбор [чего?]»), соответствуют ли теги лимитам символов и не «галлюцинирует» ли ИИ.
Такой гибрид позволил нам не просто «нагенерить» текст, а создать качественные мета-данные в промышленном масштабе, пока специалист занимался более сложными стратегическими задачами.
Этап 4. Визуализация: как «засунуть» 2200 категорий в XMind
Когда структура из 2100+ категорий была готова, возник последний технический барьер: как ее презентовать клиенту?
Показать таблицу на тысячи строк — значит запутать всех. Нужна была Mind-карта. Но выяснилось, что XMind имеет жесткое ограничение — лимит в 30 000 символов при прямом импорте через буфер обмена. Наша структура этот лимит пробивала в несколько раз. Даже новые AI-функции программы «захлебывались» на таком масштабе.
Решение: магия Markdown
Чтобы «облегчить» данные и сделать их понятными для программы, мы решили перевести всю структуру в формат Markdown.
- Мы написали еще один Google Apps Script, который преобразовал таблицу в древовидный Markdown-текст (система решеток и отступов).
- Этот формат XMind «проглотил» мгновенно.
Итог: за считанные секунды мы получили наглядную карту огромного проекта. Это стало финальной точкой в проектировании: из хаоса в 700 000 запросов мы создали четкий визуализированный «скелет» маркетплейса.
Итоги: как автоматизация меняет правила игры для бизнеса
Этот проект стал для нас проверкой на прочность. Главный инсайт: когда ты работаешь с федеральным масштабом, стандартные SEO-методы «для среднячков» перестают работать.
Подводя итоги, стоит немного «прихвастнуть». До эпохи ИИ и активного использования скриптов сбор такого ядра — 15 000 чистых фраз и 2200 категорий — был настоящим кошмаром для SEO-отдела.
- Как это выглядело раньше: сеошник вручную перебирал тысячи строк, группировал их в Excel, ошибался, исправлял и снова группировал. На проект такого масштаба могли уйти месяцы работы, а риск человеческой ошибки был запредельным.
- Как это сделали мы сегодня: использование ИИ и скриптов сократило сроки с месяцев до 5 дней.
Что это дает клиенту? В конечном счете, наша экспертиза сэкономила клиенту огромный бюджет и, что более важно, время. Мы сократили путь от идеи маркетплейса до готовой структуры в разы. Это позволит запустить каталог на сайте максимально оперативно, начав собирать трафик там, где конкуренты все еще копаются в рутине.
Главный вывод: в 2026 году крутой SEO-специалист — это не тот, кто умеет подбирать ключи, а тот, кто умеет управлять технологиями.
Оставить заявку на нашем сайте или обсудить проект с продакшн-директором KINETICA в Telegram
