Enterprise eCommerce SEO, der skalerer omsætningen

Min tilgang starter med et princip: butikker vokser ikke på grund af isolerede tricks — de vokser fordi systemet sender klare, gentagne relevanssignaler i stor skala. Taxonomi, skabeloner, indexationskontroller, strukturerede data, intern linkbuilding og indhold skal alle forstærke hinanden. Jeg kører ikke bare en generisk 200-punkts tjekliste og afleverer en statisk PDF. Jeg bygger en fungerende model af sitet efter URL-klasse, identificerer hvilke sidetyper der skaber værdi frem for spild, og prioriterer ændringer efter forventet effekt på crawl-allokering, indexationskvalitet, placeringer og omsætning. Da jeg overtog SEO for et marketplace for bilreservedele med 1,8M produkter på tværs af 14 lande, var den første konstatering, at deres CMS genererede 6 forskellige URL-mønstre for det samme produkt — hvilket skabte 11M dublerede URL’er, som Google forsøgte at få til at stemme overens. Ingen mængde optimering af indhold ville have hjulpet, før den arkitektoniske grundårsag var løst. På store kataloger kræver denne diagnostiske fase næsten altid Python SEO automation, fordi manuelle exports bryder sammen, når du skal klassificere hundredtusindvis af produkter og millioner af parameteriserede URL’er.

Den tekniske arbejdsgang kombinerer Google Search Console API, serverlogfiler (50M+ linjer), Screaming Frog, brugerdefinerede Python-crawlere, BigQuery og direkte CMS-/katalogfeeds. Jeg sammenligner fire lag, som sjældent passer sammen på store shops: hvad sitet kan generere → hvad interne links eksponerer → hvad Google crawler → hvad Google indekserer og rangerer. De fleste trafikproblemer ligger i hullerne mellem disse lag. For eksempel kan en kategori eksistere i navigationen, men have en så svag tekstlig relevans, at Google i stedet rangerer en konkurrents blogindlæg; eller et produktsæt kan være indekserbart, men aldrig blive nået effektivt, fordi pagineringsdybde og filtertilstande udtynder crawl-stierne. Jeg havde et tilfælde med en dyreartikelforretning med 42.000 produkter, der havde perfekte tekniske SEO-score i standardværktøjer, men hvor 38% af deres kategorier ikke var indekseret — problemet var, at interne søgesider skabte en crawl-fælde, som forbrugte 45% af Googlebots besøg. Kun logfilanalyse afslørede problemet, fordi HTML-crawl ikke kan vise bot-adfærd. Jeg bruger SEO-rapportering & analytics til at bygge dashboards, der er segmenteret efter skabelon, mappe, marked og URL-klasse — ikke overfladiske totaler for trafik.

AI er en del af arbejdsgangen, men aldrig som en erstatning for dømmekraft. Jeg bruger Claude- og GPT-klasse-modeller til clustering af søgemodifikatorer, udarbejdelse af skalerbare metadata-varianter, klassificering af URL-mønstre i 100K+ skala, opsummering af skift i SERP-funktioner og hurtigere QA af store exports. Det afgørende punkt: AI-output er altid begrænset af regler, skabeloner, produktattributter og forretningslogik — det bliver aldrig publiceret blindt. På ét projekt brugte vi AI til at generere 14.000 unikke kategori-introtekster baseret på kombinationer af produktattributter, og derefter kørte vi automatisk QA, som markerede 11% til manuel gennemgang (primært edge cases omkring medicinske claims og regulerede kategorier). For teams, der er klar til at skalere dette yderligere, implementerer jeg AI & LLM SEO workflows, så gentagne opgaver — titel-mønster-testning, forslag til interne links, kategori-supporttekst — kan gennemgås 5× hurtigere. Menneskelig overvågning forbliver kritisk for alt, der påvirker brandets sprog, YMYL-indhold eller nuanceret købsintention. Denne kombination af AI-gennemløb + senior SEO-sikkerhedsskinner er sådan, jeg har reduceret manuelt arbejde med ~80% uden at miste kontrollen.

Skala ændrer alt. En butik med 5.000 URL’er kan overleve en rodet taksonomi og stadig rangere; en butik med 5 millioner crawlbare URL’er har ikke råd til én eneste templatespecifik fejl. Når du opererer på tværs af flere sprog, undermapper eller ccTLD’er, svingende lager, sæsonbestemt udskiftning af produkter og lagdelt navigation, får hver eneste arkitektonisk beslutning konsekvenser måneder senere. På en af mine største kunder — en multi-brand forhandler med 20M+ genererede URL’er — tilføjede en udvikler en sorteringsparameter til produktsider med listevisning uden en SEO-gennemgang. Inden for 3 uger fandt Googlebot 2,8M nye URL’er, som udvaskede crawl-prioriteten for hele produktkataloget. Vi opdagede det på 48 timer via automatiseret overvågning; uden det ville skaden have taget 3–4 måneder at blive synlig i trafikken. Det er derfor, eCommerce SEO skal koble tæt sammen med site architecture, international & multilingual SEO og planlægning af udvikling på template-niveau. I enterprise-skala handler metode ikke om optimering — det handler om at sikre, at kompleksitet ikke løber teamet over ende.