Vállalati eCommerce SEO, ami növeli a bevételt

Az én megközelítésem egyetlen elven alapul: az üzletek nem növekednek elszigetelt trükköktől — hanem attól, hogy a rendszer nagyléptékben, folyamatosan egyértelmű relevancia-jelzéseket küld. A taxonómia, a sablonok, az indexelési vezérlések, a strukturált adatok, a belső linkelés és a tartalom mind egymást kell, hogy erősítsék. Nem futtatom végig a „mindenre jó” 200 pontos ellenőrzőlistát, majd átadok egy statikus PDF-et. A webhelyről URL-osztályok szerint építek működő modellt, azonosítom, hogy mely oldaltípusok teremtenek értéket, illetve melyek pazarolnak, és a változtatásokat a várható hatásuk alapján rangsorolom: hogyan befolyásolják a crawl-allokációt, az indexelés minőségét, a rangsorolást és a bevételt. Amikor átvettem az SEO-t egy autóalkatrész-piactékon, ahol 1,8M termék volt 14 országban, az első megállapítás az volt, hogy a CMS 6 különböző URL-mintát generált ugyanarra a termékre — így jött létre 11M duplikált URL, amelyet a Google próbált összehangolni. Bármilyen tartalomoptimalizálás csak addig lett volna haszontalan, amíg az architekturális gyökérokot nem oldják meg. Nagy katalógusoknál ebben a diagnosztikai fázisban szinte mindig szükség van Python SEO automatizálásra, mert a manuális exportok szétesnek, amikor több százezer terméket és több millió paraméterezett URL-t kell osztályozni.

A technikai munkafolyamat a Google Search Console API-t, szervernaplófájlokat (50M+ sor), Screaming Frogot, egyéni Python crawler-eket, BigQuery-t és közvetlen CMS/katalógus feedeket kombinál. Négy olyan réteget hasonlítok össze, amelyek nagy webshopoknál ritkán vannak összhangban: amit a webhely elő tud állítani → amit a belső linkek láthatóvá tesznek → amit a Google feltérképez (crawlol) → amit a Google indexel és rangsorol. A legtöbb forgalmi probléma ezen rétegek közti hézagokban rejlik. Például egy kategória létezhet a navigációban, de annyira gyenge szöveges relevanciával bír, hogy a Google inkább egy versenytárs blogbejegyzését rangsorolja; vagy egy terméksor indexelhető ugyan, de sosem érhető el hatékonyan, mert a lapozási mélység és a szűrőállapotok felhígítják a crawl útvonalakat. Volt egy esetem, amikor egy kisállatfelszerelést áruló webshopnak 42 000 terméke volt, és standard eszközökben tökéletes technikai SEO-pontszámokat mutatott, mégis kategóriáik 38%-a nem volt indexelve — a gond az volt, hogy a belső keresési találati oldalak egy crawl csapdát hoztak létre, amely a Googlebot-látogatások 45%-át felemésztette. Ezt csak a naplófájl-elemzés derítette ki, mert a HTML-alapú crawl-ek nem tudják megmutatni a botok viselkedését. Az SEO riporting & analitika szolgáltatással olyan dashboardokat építek, amelyek sablon, könyvtár, piac és URL-osztály szerint szegmentáltak — nem csak felületi forgalmi összesítéseket mutatok.

Az AI a munkafolyamat része, de soha nem helyettesíti az ítélőképességet. A Claude-ot és a GPT-kategóriás modelleket használom keresési módosítók klaszterezésére, skálázható metaadat-variációk készítésére, URL-minták osztályozására 100K+ skálán, a SERP-funkciók elmozdulásainak összegzésére, és a nagy exportok gyors QA-jának támogatására. A kritikus pont: az AI-kimeneteket mindig korlátozzák a szabályok, sablonok, termékattribútumok és üzleti logika — soha nem kerülnek vakon publikálásra. Egy projektnél például AI-val 14 000 egyedi kategória-bevezető bekezdést generáltunk a termékattribútum-kombinációk alapján, majd futtattunk automatizált QA-t, amely 11%-ot jelölt manuális ellenőrzésre (főleg olyan szélsőséges esetekben, ahol egészségügyi állítások és szabályozott kategóriák merültek fel). Azoknak a csapatoknak, akik készen állnak ezt még tovább skálázni, bevezetem az AI & LLM SEO workflow-kat, hogy a repetitív feladatok — címminta-tesztelés, belső linkjavaslat, kategóriátámogató szövegek — 5× gyorsabban felülvizsgálhatók legyenek. Emberi felügyelet továbbra is kritikus minden olyan területen, ami befolyásolja a márkanyelvet, a YMYL-tartalmat vagy a kifinomult vásárlási szándékot. Ez a kombináció — AI-átfutás + senior SEO védőkorlátok — így tudtam a manuális munkát ~80%-kal csökkenteni anélkül, hogy elvesztettem volna az irányítást.

A skálázás mindent megváltoztat. Egy 5 000 URL-es webáruház még elboldogulhet a rendezetlen taxonómiával, és továbbra is jól rangsorolhat; de egy 5 millió indexelhető URL-lel rendelkező webáruház már nem engedheti meg magának egyetlen, sablon-szintű hibát sem. Amint több nyelven, aldomainek vagy ccTLD-k alatt, változékony készlettel, szezonális termékforgással és rétegzett navigációval dolgozol, minden egyes architekturális döntés hónapokkal később következményekkel jár. Az egyik legnagyobb ügyfelemnél – egy multi-brand kiskereskedőnél, ahol 20M+ generált URL van – egy fejlesztő SEO-véleményezés nélkül hozzáadott egy rendezési paramétert a terméklistaoldalakhoz. Mindössze 3 hét alatt a Googlebot 2,8M új URL-t fedezett fel, amelyek felhígították az egész termékkatalógus feltérképezési prioritását. Ezt 48 órán belül automatikus monitorozással kiszúrtuk; enélkül a károk 3–4 hónap alatt váltak volna láthatóvá a forgalomban. Ezért a webáruház SEO-nak szorosan össze kell kapcsolódnia a weboldal architektúrával, a nemzetközi & többnyelvű SEO-val és a sablon-szintű fejlesztési tervezéssel. Vállalati méretekben a módszertan nem az optimalizálásról szól – hanem arról, hogy a komplexitás ne fusson el a csapat mellett.