Tko osvaja SERP u Hrvatskom e-commerceu i zašto? Analiza 10 000 shopova i 660 000 proizvoda

Jedan od najvećih krimena industrije digitalnog marketinga je objeručke prihvaćanje i prenaglašavanje ideje growth hackinga, odnosno nerijetko svođenje čitave industrije na samo hrpu linearnih algoritama gdje nas od uspjeha dijeli tek šačica samo stručnjacima znanih trikova, optimizacija te “hackova”. Ovakvu simplifikaciju i banalizaciju nisam nikada uočio u “klasičnim” domenama marketinga gdje se kompleksnost i neuhvatljivost tržišnih mehanizama podrazumijevaju, ali industrija je dugo godina jahala na valu obećanja da (gotovo) sve možemo mjeriti, optimizirati i min-maxati te da su prakse poput mijenjanja buttona iz boje X u zelenu neki od faktora koji odvajaju uspješne od neuspješnih.

Interes za growth hackingom

Srećom, s vremenom se, kao na svakom tržištu koje raste i sazrijeva, situacija malo poboljšala, algoritmi i sama tržišta su postali kudikamo kompleksniji, interes za “growth hackingom” je u padu, ali ideja da je za proboj na digitalnom tržištu dovoljno samo dobro poznavati tržišne algoritme je i dalje perfidno među nama, a po mom iskustvu, nigdje izraženija nego u e-commerce segmentu.

Premda bi netko mogao (s pravom) povući da sva tržišta možemo svesti na jako sofisticirane algoritme, upravo se u tome i očitava najveći problem na tržištu, a to je umanjenje značaja i intenziteta riječi “sofisticirano”. Ono što u e-comm/retail segmentu često zaboravljamo, ako smo si ikada i osvijestili, jeste činjenica da je to digitalno tržište gotovo jednako onom našem svakodnevnom, fizičkom i opipljivom i da je zadovoljavanje osnovnih tehničkih postavki samo kap u moru aktivnosti potrebnih da kupac, novi ili stari, odluči kupiti kod nas, a ne kod konkurenta.

S obzirom na to da sam se u dosadašnjoj karijeri susreo sa gomilom slučajeva u kojima sam potukao konkurenciju uz pola truda i bivao potučen uz duplo više truda, s vremenom je postalo razvidno da algoritmi više ne nagrađuju samo zadovoljavanje tehnikalija već postaju sve više personalizirani i rafinirani kroz korisničke interakcije. Svi veliki provideri digitalnih usluga kao, na primjer, Google, nisu nikakve karitativne organizacije koje nagrađuju predanost i nude prolazak na lijepe oči, već beskrupulozne profitne gigakorporacije čiji je cilj maksimizacija prihoda, a ti prihodi se ne maksimiziraju kroz nagrađivanje growth hackinga već zadovoljavanje agregiranih potreba milijardi krajnjih korisnika, kupaca, čija očekivanja i sprženi dopaminski receptori koji ne toleriraju višesatnu navigaciju bespućima web shopova preprodavača žele i očekuju

  • brzo
  • jeftino
  • dostupno
  • sigurno
  • poznato

Pojednostavljeno – ako korisnici više gravitiraju vama i vašem brandu, tamo se dulje zadržavaju, češće s vama završavaju user journey i tako dalje, ogromna je šansa da će vas algoritam (s pravom) nagraditi, makar vi bili osjetno slabije optimizirani od konkurencije po ovim “konvencionalnim growth parametrima” (premda, ruku na srce, te dvije stvari uglavnom dolaze u paketu i sajtovi koji vode brigu o jednom, vode brigu i o drugom). Samim time, nerijetko je dovoljno, barem prema mom iskustvu, imati više proizvoda po boljim cijenama od konkurenta i to je dovoljno da budemo bolji od konkurenta. Vidi čuda, tko bi rekao…

Analiza

Što sam se više susretao s ovom temom to sam više razmišljao o potrebi da to, koliko je već moguće, potkrijepim i nečim malo konkretnijim od “trust me bro”. Kada me prije par mjeseci Marcel pitao hoću li predavati na CRO Commerce 2025 konferenciji, znao sam da je to dobar trenutak za uhvatiti se u koštac s problematikom.

Ne želim previše zapilavati metodologijom pa ću samo istaknuti ono najvažnije – analiza je zamišljena tako da uzmem korpus od X ključnih riječi visoke komercijalne/transakcijske namjere (dakle, ključne riječi koje su poprilično jasno vezane za pretragu određenog proizvoda i/ili kategorije proizvoda), izvući top 10 rezultata, analizirati svaki od njih, izvući proizvode, cijene i druge parametre te onda odraditi niz analiza koje imaju za cilj pokazati stanje hrvatskog e-commerce tržišta i barem dati naslutiti (bojim se uopće upotrijebiti riječ “dokazati”) postoji li poveznica između nekog faktora i uspjeha pojedinih shopova što bi dalo neku naznaku odgovora na pitanja poput

  • Postoji li veza između uspjeha i cijene proizvoda?
  • Postoji li veza između uspjeha i popusta?
  • Postoji li veza između uspjeha i broja dostupnih proizvoda
  • i tako dalje…

Sa strane metodologije, da bi se ovo postiglo, korišten je Ahrefs za inicijalno profiliranje ključnih riječi, DataForSEO API za povlačenje top 10 rezultata, multimodalni scraping/Tarsier framework za izvlačenje informacija i analizu shopova, kombinacija Claudea/ChatGPT-a i Geminija (sve preko API-ja) za interpretaciju i izvlačenje informacija te Python za obradu podataka i vizualizaciju.

Nažalost, ova analiza, koliko god meni bila zanimljiva, dolazi sa ogromnim ograničenjima i treba je uzeti sa velikom dozom rezerve (kako bi sve analize i trebalo uzimati, uostalom) jer je primarno usmjerena na organic zbog parametara koji su dostupni i otvoreni za analizu. U idealnom slučaju, imao bih podatke sa samih sajtova (revenue, engagement rate, abandonmet rate i slično), ali tim podacima, naravno, nemam pristup. Dodatno, analiza je rađena na top 10 rezultata, analiza top 20 bi dala možda malo bolji pregled, a volumeni s kojima sam radio su samo aproksimacija specijaliziranih SEO alata, a CTR-ovi koji su korišteni za računanje vidljivosti su korišteni na temelju industrijskih benchmarkova, ne stvarnog stanja jer mi ono nije dostupno.

Sve su ovo ograničenja koja su normalna za ovakav tip analize, ali vrijedi ih istaknuti zbog onoga što sam pričao u uvodu, a to je moja averzija prema univerzalnosti i “hacking” pristupu. Rezultate ove analize treba shvatiti kao jedan od signala, a ne kao ultimativni vodič za X jer ona to jednostavno nije i ne može biti.

Nakon kojih 100-ak sati rada (puno više od očekivanoga), analiza je obuhvatila sljedeće

  • 30 000 analiziranih ključnih riječi
  • 95280 analiziranih stranica
  • 10 003 jedinstvenih domena
  • 659824 analiziranih proizvoda

Odabran je tematski relativno šarolik uzorak ključnih riječi od kojeg, kako je moguće vidjeti na grafu, većina njih ima mjesečni volumen pretraga od 101 do 500 pretraga u što, općenito, većina pretraga na hrvatskom tržištu i spada.

Raspodjela analiziranih ključnih riječi prema rasponima volumena

Pregled tržišta – slobodnije od očekivanoga?

Za početak, da pogledamo tko su lideri i kakva je raspodjela njihove zastupljenosti na tržištu. Napominjem da je u pitanju ograničen dataset i da bih tek pregledom milijuna querija imao kompletan pregled tržišta, a i onda će agregirani podaci biti pod utjecajem kategorija s malom stopom varijabilnosti i komparativno niskih volumena. Međutim, algoritam se ne ponaša pretjerano drugačije, ovisno o različitim industrijama, a 30 000 ključnih riječi nosi solidnu razinu reprezentativnosti. U svakom slučaju, kada promatramo pojavljivanje jedinstvenih domena unutar analiziranog dataseta, stanje je sljedeće:

Učestalost pojavljivanja domena u analizi

S obzirom na to da imam iskustva u ovim nišama, rezultati nisu bili iznenađujući. Primjetna je zastupljenost istaknutih brendova, ali i poprilično visoka stopa zastupljenosti shopova koji nude veliki raspon proizvoda iz različitih kategorija (Pevex, Bauhaus, Ikea, Bazzar, Emmezeta, Mall itd.) ili agregatora/oglasnika (Njuškalo, Jeftinije) dok je dio klikova (primarno za proizvode) otišao ili na Wikipediju ili na Facebook marketplace. Agregirano, ovo ne daje previše informacija, bilo bi dobro raditi segmentaciju po industriji ili barem široj kategoriji keyworda, ali donekle prati moju pretpostavku iz iskustva da u kompetitivnim nišama, posjetitelji gravitiraju poznatome i jednostavnome i da u pravilu širok raspon asortimana ima direktnu korelaciju sa performanceom, a prostora za nišne shopove je sve manje.

Za nešto detaljniji uvid u ovo stanje, broj prikaza, targetirane ključne riječi te prosječnu poziciju, stanje je

  1. pevex.hr | Appearances: 3573 | Avg Rank: 3.36 | Keywords: 3403
  2. njuskalo.hr | Appearances: 2251 | Avg Rank: 4.78 | Keywords: 2011
  3. bauhaus.hr | Appearances: 2244 | Avg Rank: 3.61 | Keywords: 2170
  4. jeftinije.hr | Appearances: 1944 | Avg Rank: 4.97 | Keywords: 1897
  5. ikea.com | Appearances: 1748 | Avg Rank: 3.24 | Keywords: 1569
  6. bazzar.hr | Appearances: 1623 | Avg Rank: 5.55 | Keywords: 1594
  7. emmezeta.hr | Appearances: 1307 | Avg Rank: 4.45 | Keywords: 1291
  8. mall.hr | Appearances: 1260 | Avg Rank: 5.61 | Keywords: 1183
  9. xxxlesnina.hr | Appearances: 1154 | Avg Rank: 4.26 | Keywords: 1140
  10. zalando.hr | Appearances: 1089 | Avg Rank: 4.04 | Keywords: 1039
  11. jysk.hr | Appearances: 966 | Avg Rank: 4.45 | Keywords: 922
  12. dm.hr | Appearances: 964 | Avg Rank: 3.47 | Keywords: 808
  13. decathlon.hr | Appearances: 891 | Avg Rank: 3.71 | Keywords: 814
  14. elipso.hr | Appearances: 785 | Avg Rank: 3.61 | Keywords: 768
  15. favi.hr | Appearances: 730 | Avg Rank: 5.87 | Keywords: 709
  16. merkury.hr | Appearances: 625 | Avg Rank: 5.46 | Keywords: 615
  17. notino.hr | Appearances: 595 | Avg Rank: 3.72 | Keywords: 542
  18. hr.wikipedia.org | Appearances: 582 | Avg Rank: 4.21 | Keywords: 558
  19. facebook.com | Appearances: 574 | Avg Rank: 5.97 | Keywords: 504
  20. bonami.hr | Appearances: 561 | Avg Rank: 5.69 | Keywords: 542

Ovo može izgledati kao poprilično impresivan podatak za navedene i signalizirati da postoji visoka razina uzurpacije tržišta od strane najjačih igrača, ali detaljniji uvid nam pokazuje drugačije stanje. Bez obzira na zastupljenost gorenavedenih, kada bismo uzeli u obzir ukupnost svih ključnih riječi i svih 10 000 analiziranih domena te napravili ekstrapolaciju CTR-a, a samim time i očekivanih volumena, slika pokazuje podosta optimistično stanje, barem za one manje igrače.

Zastupljenost i vidljivost top performera u odnosu na ukupni analizirani korpus ključnih riječi

Kako je moguće vidjeti na grafu, top igrači zauzimaju tek 22.3% promatranog tržišta, a uključivanje krivulje zastupljenosti na tržištu pokazuje da je u pitanju stabilan rast bez posebno izraženog skoka u vidljivosti s uključivanjem novih konkurenata. Bez obzira na visoku vidljivost ključnih igrača, njihova “dominacija” je ipak prenaglašena, ali ne i za zanemariti.

Relativno blag trend zauzimanja udjela na tržištu od strane ključnih igrača

Još jedna stvar koju sam htio provjeriti je količina preklapanja ovih top domena. Samo ova stvar bi mogla biti posebna analiza za sebe i jedna sveobuhvatna competitive gap analiza po različitim vertikalama bi bila jako zanimljiva, ali u ovom trenutku neostvariva. Pa ipak, ovaj analizirani set ključnih riječi nam također daje neke zanimljive uvide i pokazuje da postoji relativno velika razina preklapanja konkurenata unutar top 3 pozicije (a to je ono što bi nam, realno, u e-commerce segmentu jedino i trebalo biti od interesa). Ovo je na tragu onoga što sam očekivao, a daljnji uvid u podatke pokazuje da kada su ti konkurenti grupirani, jako teško, gotovo nemoguće je da će netko izvan “probranog društva” imati pristup tim pozicijama.

Matrica koja pokazuje međuodnos ključnih igrača i zajedničko pojavljivanje unutar top 3 rezultata

Išao sam malo u overkill pa sam išao računati Herfindahl-Hirschman Index (HHI) za hrvatsko tržište koji je u ovom slučaju pokazao ekstremno nisku koncentraciju na tržištu što je oznaka podosta kompetitivnog tržišta. Naravno, ovakve analize bi bilo pametnije raditi na razini pojedinih vertikala, a ne na ovako šarolikom uzorku jer šansa da imamo jednog monopolista koji dominira čitavim e-commerce segmentom je jako niska, ali svejedno, podaci upućuju na popriličnu diverzifikaciju unutar tržišta.

Hrvatsko e-commerce tržište poprilično je demokratično

Rekao bih da je ovo direktan rezultat nedostatka snažnog marketplacea u Hrvatskoj (najbliže tome što imamo je Bazzar) te će biti zanimljivo kako će stanje izgledati kada/ako Amazon ozbiljnije uđe na tržište ili se pojavi i zaživi ambiciozni lokalni projekt (ono što je Abrakadabra, recimo, trebala biti).

Dublje kopanje po faktorima

Kako sam rekao na početku, cilj je bio proći kroz sve moguće i relevantne faktore koji mi padaju na pamet i koje mogu izvući te korelirati ih sa performanceom promatranih stranica.

Prvo što mi je palo na pamet, a vjerojatno i glavni razlog i pokretač ove analize je pitanje utjecaja popusta i cijena na performance (ili barem, korelacija s njim). Krenimo s popustima.

Za početak, malo zanimljivosti s uvidom u raspodjelu popusta unutar analiziranog dataseta. Očekivano, podaci pokazuju da se popusti uglavnom kreću u rasponu od 20 do 30% s prosječnim popustom od 24.5% i medijalnim popustom od 20%.

Distribucija postotka popusta među analiziranim shopovima

Bitnije pitanje od toga kako su popusti raspoređeni je pitanje veze popusta i prosječne pozicije. Kada to razvučemo, podaci nam, nažalost, ne govore previše. Štoviše, pokazuju da prva pozicija ima u prosjeku niže popuste od ostalih popusta što i nije baš intuitivno.

Veza prosječne pozicije i prosječne stope popusta

Postoji statistički značajna pozitivna korelacija između pozicije ranka i prisutnosti popusta (r=0,028, p<0,001), što ukazuje da stranice koje rangiraju niže imaju tendenciju da nude nešto više ili veće popuste. Međutim, ova korelacija je izuzetno slaba i praktički beznačajna. Dok nam velika veličina uzorka omogućava da statistički detektiramo ovaj obrazac, veličina učinka je premala da bi sugerirala da popusti značajno utječu na pozicije rangiranja. Praktično gledano: nuđenje popusta ne pruža značajnu SEO prednost niti nedostatak.

Nažalost, očekivao sam da ću dobiti nešto jasnije i direktnije uvide, a ovdje sam žrtva metodoloških ograničenja te, prije svega, ograničenja u vidu vlastitog slobodnog vremena, ali ovoj analizi bih se volio u jednom trenutku vratiti i drugačije je posložiti. Naime, kod izračuna, nije idealno raditi korelaciju medijalnog popusta i pozicije jer shopovi mogu imati različite raspone popusta – bilo bi bolje vidjeti postoji li veza između pozicije/performancea i najvidljivijih popusta ili, još bolje, veza performancea i popusta/cijene za iste proizvode, ali takva analiza je neizvediva bez nekoliko mjeseci kontinuiranog rada. Također, popusti nisu statični, mijenjaju se konstantno, volatilni su, podložni sezonalnim promjenama, akcijama, promocijama i slično i kompletna analiza bi pratila to stanje u puno širem vremenskom rasponu.

Za sada se moramo zadovoljiti time da, agregirano, nema jasnog obrasca između iznosa popusta i rangiranja sa preko 90% ključnih riječi kod kojih nije uočen nikakav jasan obrazac.

Postojanje obrasca kod ključnih riječi sa višim i nižim popustima

Logično, uz popuste, zanimao me utjecaj cijena i ovo je metodološki nešto jednostavnije za odraditi jer su cijene konzistentnije, a i sorting proizvoda u pravilu nudi konzistentan sort manje-više ili više-manje pa je, stoga, analiza nešto jednostavnija. Kao i kod popusta, pogledajmo prvo raspon cijena – prosječna cijena je 99,46, a medijalna 35,2 Eura.

Distribucija cijena među analiziranim shopovima

Iz gorespomenutog razloga s ograničenjima koreliranja popusta i performancea, nisam se htio fokusirati na korelaciju prosječne cijene (jedino što bi imalo smisla je možda korelacija cijena za 10 najvidljivijih ili za najvidljiviji proizvod) već na varijacije samih cijena, idući s pretpostavkom da postoji direktna veza između varijabilnosti cijena (u pravilu kao rezultat širine ponude proizvoda) i pozicije. Kao i u svim analizama do sada, direktna korelacija je nemoguća u ovako kompleksnim sustavima, ali graf distribucije varijacije je poprilično indikativan i na njemu možemo vidjeti da postoji jasna veza između prosječne pozicije i varijacije cijena. Iz ovoga možemo zaključiti da shopovi koji imaju širi cjenovni raspon, vjerojatno i ponudu proizvoda (“za svakoga ponešto”) imaju tendenciju boljeg rangiranja. Ovo je nešto što bismo i očekivali od algoritma koji nagrađuje potrošača.

Veza varijabilnosti cijena i prosječne pozicije

Konačno, ono što je bilo zanimljivo i vrijedno pregleda je zastupljenost i veza brandova i pozicije. Ovdje također imamo metodološke poteškoće (prije svega zbog nekonzistentnosti navođenja brandova unutar istog shopa, a da ne spominjem među različitim shopovima) i definicije onoga što je zaista brand i kako ga definiramo, a to je posebno istaknuto kod shopova koji nude generičke ili vlastite brandove. Međutim, imamo zanimljive uvide.

Za početak, pogledajmo najzastupljenije brandove na tržištu.

Najpopularniji brendovi u analiziranom setu podataka

Ovdje možemo slobodno zanemariti prosječnu poziciju – zgodno je za pogledati, ali najjači brendovi imaju puno širu mrežu partnera i distributera te se u pravilu pojavljuju na više shopova, a samim time će i prosječna pozicija biti niža. Međutim, gledajući zastupljenost ovih brandova, ovdje je sve onako kako bismo očekivali – najviše su zastupljeni najpopularniji brendovi, sasvim očekivano i logično.

Ako gledamo distribuciju jedinstvenih brendova, možemo vidjeti da većina stranica ne nudi ili niti jedan brend (tj. nije jasno istaknut ili je generički brend) ili samo jedan brend u ponudi. Rezultat je to činjenice da ljudi u pravilu imaju pretrage koje su dosta određene (npr. Nike tenisice) i onda je za očekivati da će većina stranica sadržavati točno ono što korisnik traži – još jedan argument više u korist razrade i implementacije facetirane navigacije i kvalitetne i dobro promišljene taksonomije.

Pregled broja jedinstvenih brendova po stranicama

Pa ipak, u uvjetima kada korisnik traži nešto što nije određeno brendom ili nekim drugim atributom (dakle, generičke pretrage tipa “tenisice cijena”) podaci pokazuju da postoji solidna prednost koja ide u prilog stranicama sa više brandova u odnosu na stranice sa manje brandova u ponudi.

Stranice sa jednim brendom vs stranice sa više brendova

Tko je ikada pokušao napraviti ovako veliku analizu u kojoj je pokušao izvući različite UX/UI komponente, zna koliko je to nezahvalan posao i koliko je, zbog razlika u kodu, praktički nemoguće izolirati elemente na većem broju stranica, ali dva elementa s kojima nisam imao problema su:

a) Ima li shop transparentnu/istaknutu cijenu ili je ona sakrivena?

b) Podržava li shop slojevitu navigaciju i kontrolu nad navigacijom kroz sustav filtriranja i sužavanja pretrage

Očekivano, podaci pokazuju da u oba slučaja shopovi koji prikazuju cijene bolje kotiraju od onih koji to ne rade i shopovi koji podržavaju slojevitu navigaciju bolje kotiraju od onih koji to ne rade. Oba rezultata su bili za očekivati i nisu me niti najmanje iznenadili, pogotovo prvi – nisu bili rijetki slučajevi u kojima se klijent zalagao za sakrivanje cijena. Naravno, jasan mi je poslovni kontekst takvih odluka, pogotovo kada je u pitanju B2B segment, ali algoritmi pokušavaju zadovoljiti maksimalan broj ljudi, a maksimalan broj ljudi traži brz i jasan uvid u ono što žele kupiti.

Performance shopova sa transparentnim cijenama i shopova sa jasnim sustavom filtracije

Tipovi stranica i njihov performance.

Konačno, ono što me zanimalo je odgovor na pitanje o tome postoji li razlika u performanceu kod određenih tipova stranica. Ipak, u pitanju je e-commerce sektor, različiti ljudi zagovaraju različite pristupe (fokus na homepage, fokus na blog, fokus na proizvode, fokus na kategorije itd.). Osobno, spadam u tvrdolinijašku struju beskompromisnog fokusa na taksonomiju, facetiranje i kategorizaciju o čemu pričam već godinama pa me veseli to što mogu reći da sam bio u pravu 🙂

U svakom slučaju, grupirao sam stranice po njihovom tipu i fokusirao se na prosječnu poziciju tih tipova stranica.

Prosječna pozicija po tipu stranice

Ovi rezultati ne iznenađuju i mogao bi se napraviti čitav post o njihovom tumačenju, ali dat ću maksimalno skraćen pregled:

  • Kada je u pitanju transakcijski/komercijalni segment, velika većina pretraga je neodređena – na svaku pretragu o proizvodu X dođe valjda 20 pretraga koje nisu određene točno tim proizvodom – uz iznimke fashion/beauty segmenta i donekle informatičke/IT opreme, velika većina ljudi radije gugla “krevetić za bebu” nego točan model i naziv tog kreveta
  • Ovo ne znači da pretrage za proizvodima ne postoje jer to nije istina, ali većina napora treba biti usmjerena u kategorije
  • Dobro strukturirana kategorija (s jasnim kriterijima koji definiraju kategoriju – uloga u taksonomiji, dio glavne navigacije, opis, filteri itd.) će imati premoć nad apsolutno svakim drugim tipom stranice na koji možemo naići
  • Blog može biti iznimno potentan alat i kanal kada je u pitanju e-commerce, ali minimalno za potrebe bottom funnel optimizacije
  • Homepage je najprecijenjeniji tip stranice iz SEO perspektive koji možete zamisliti – homepage je naličje brenda i treba ga tretirati i optimizirati tako i isključivo s time na umu, a tričarije poput ubacivanja keyworda na homepage su, bogu hvala, relikt minulih vremena i u potpunosti beskorisne i deplasirane

Sljedeća tri grafikona će nam dati odličan uvid u čistu dominaciju kategorije kao tipa stranice.

Prvo, ako pogledamo čitav ovaj analizirani dataset i koliko se često različiti tipovi stranica nalaze u međusobnom “okršaju”, odnosno nadmeću se za isti keyword, vidljivost i zastupljenost kategorija je golema.

Najčešće “bitke” različitih tipova stranica

Drugo, ako pogledamo koji su najčešći pobjednici u tim okršajima, situacija je i dalje debelo na strani kategorija i nešto “manje uglednog brata listinga”.

Pobjednici u najčešćim bitkama tipova stranica

Treće, ako kažemo da nas ne zanima ništa osim prve pozicije (legitimna opcija) i fokusiramo se samo na zastupljenost određenog tipa pagea na prvoj poziciji, dobijemo sljedeće – opet, potpuna dominacija kategorija.

Tipovi stranica koji najčešće završe na prvoj poziciji

Konačno, zanimalo me koliko algoritam preferira određeni tip rezultata, tj. koliko je dosljedan u vidu toga da postavi jedan tip rezultata kao “trendsettera”, odnosno koliko će biti varijabilnosti u samom tipu rezultata, tj. koliko prva pozicija definira i koliko je reprezentativna za ono što dolazi nakon nje, tj. koliko bi algoritam mogao jasno preferirati određeni tip stranice. Ponovno, apsolutna dominacija kategorije kao tip stranice.

Koliko često SERP prati tip rezultata kada je prvi rezultat određenog tipa – varijabilnost tipa rezultata

Unutar tog “sukoba” pageova, pokušao sam postaviti nešto što nazivam ocjenom dominacije kako bih procijenio koliko dominantno neki tip stranice nadjačava drugi tip stranice, odnosno koliko uvjerljivo jedan tip stranice pobjeđuje drugi, ne samo koliko često. Ocjena dominacije se dobiva kao razlika tih tipova, odnosno razlika kada Tip1/Tip2 pobjeđuje, koliko pozicija ispred je u prosjeku. Pojednostavljeno, veća ocjena, više izražena dominacija nekog tipa rezultata u međusobnom sukobu.

U međusobnim okršajima, koliko je dominantna pobjeda nekog tipa rezultata?

Završne misli

Da sumiramo,

OPSEG PODATAKA I STATISTIČKA RAZMATRANJA:

  • Analiza se temeljila samo na prvih 10 organskih rezultata
  • Volumeni pretraživanja predstavljaju procjene i ne moraju odražavati podatke u stvarnom vremenu
  • Procjene CTR-a temelje se na prosjeku industrije, a stvarni CTR varira ovisno o vrsti upita i do njega je nemoguće doći
  • Cijene iznad 30.000 € isključene su iz analize kako bi se spriječilo izobličenje uzrokovano ekstremnim vrijednostima (a takvih proizvoda je ionako bilo iznimno malo)
  • Ovo je već sada klasik -> korelacija ne podrazumijeva i kauzalnost
  • P-vrijednosti označavaju statističku značajnost, a ne praktičnu značajnost
  • Analiza predstavlja vremenski snapshot i najrelevantnija je u tom kontekstu
  • Rangiranje i metrike mogu fluktuirati na dnevnoj razini i po individualnom uređaju svakog korisnika
  • Sezonski i vremenski čimbenici nisu uzeti u obzir

Ova sveobuhvatna SEO analiza pruža uvide u obrasce pretraživanja temeljene na podacima, konkurentsku dinamiku, strategije određivanja cijena i performanse različitog tipa contenta. Ona nije još jedan “hack” već dodatan set varijabli za razmatranje prilikom donošenja odluka o potrebnim aktivnostima i prioritizaciji, stoga najviše služi za:

  • Formiranje content strategije i razvoja tipova stranica
  • Uspoređivanje s konkurencijom
  • Optimiziranje strategija određivanja cijena i promocije
  • Prepoznavanje tržišnih prilika i nedostataka
  • Donošenje SEO odluka temeljenih na dokazima
  • Razumijevanje trendova cijena za različite ključne riječi