Les mots-clés qui convertissent

Le SEA est une mine d’information précieuse : des KPI comme le taux de conversion, le panier moyen ou les store visites sont disponibles contrairement au SEO et cela peut faire la différence pour la sélection des meilleurs mots-clés à travailler.

Le process complet est un peu long mais pas trop compliqué. Vous pouvez faire tourner la routine à loisir, chaque semaine ou tous les 6 mois pour détecter des nouveaux mots-clés performants à travailler.

Une fois tous les mots-clés dans GBQ (ou R), vous pouvez faire un premier tri pour ne garder que les mots-clés avec X impressions, Y clics ou Z conversions. C’est vous qui voyez.

Exemple :

Et hop, 81k mots-clés potentiels qui ont fait plus de 20 clics et au moins 1 conversion SEA.

Avant de créer une page, il faut vérifier que vous ne ciblez pas déjà l'expression sur votre site.

Si vous ne disposez pas d'un export CMS contenant tous les mots-clés que vous travaillez, la meilleure solution est de faire un crawl pour récupérer les Title et/ou H1. Selon votre nombre de pages, vous pouvez utiliser un tool (comme Screaming Frog, Oncrawl, Botify) ou faire un crawl Adhoc.

Si vous avez moins de 50 000 pages, un crawl via R est une solution gratuite et assez simple à mettre en place.

Il suffit de sélectionner les sitemaps de vos pages et de mettre un place une récupération des Titles ou H1 de toutes les URLs.

Si vos H1 ou vos Titles sont bien faits et que vos sitemaps sont complets, vous allez avoir une belle liste des mots-clés que vous travaillez déjà et vous allez pouvoir la comparer aux mots-clés du SEA.

Exemple :

Pour l’exemple, on va travailler en regroupant les mots-clés en :

• Supprimant les accents et caractères spéciaux
• Supprimant les mots-creux (de, en, le, la, avec, l’, pour, etc)
• Retirant les terminaisons (ée, es, x, e, s, etc)

C’est une technique qu’à déjà partagé Grégory Florin sur Game Of SEO

Voici un bout de script qui fonctionne bien :

A. Supprimer les accents et caractères spéciaux

Avec 2 lignes de R, vous pouvez remplacer tous les accents par leur version non accentués et supprimer tous les caractères spéciaux

listKW <- read.csv("listeExpression.csv", stringsAsFactors = FALSE)
listKW$racine <- stringi::stri_trans_general( listKW$keyword, "latin-ascii")
listKW$racine <- gsub("[^[:alnum:]]"," ",listKW$racine)

A gauche, vous avez le mot-clé intial et à droite la version transformée.

B. Charger une base de mots "creux"

C. Supprimer les mots creux et les terminaisons

Il ne reste qu'à faire une boucle pour chaque mot de chaque expression en supprimant les matching avec la liste de mots creux et en supprimant les terminaisons (ees, ee, es, e, s, x)

if (nrow(subset(motsCreux,motsCreux == as.character(mot))) > 0){mot <- ""}
mot <- data.frame(lapply(mot, gsub, pattern = '^(.*)(ee$)|(es$)|(x$)|(e$)|(s$)', replacement = '\\1', fixed = F))

Et voilà, nous avons récupéré des clusters avec un lot de mots-clés similaires à chaque fois :

On applique la même mécanique pour les mots-clés issus du SEA et les mots-clés issus des H1 déjà présents sur le site.

A cette étape, vous avez normalement 2 tables :

• La table SEA avec : Terme de Recherche, Clics, Impressions, Conversion, Racine
• La table Site avec : URL, H1, Racine

Pour l’exemple, je vais mettre des screens des mots-clés SEA qui contiennent « assiette » et « grès » et travailler en SQL sur GBQ, mais la mécanique est tout à fait réalisable aussi sur R.

Extrait de la table SEA :

Extrait de la table Site :

On commence par supprimer les mots-clés en doublon qui travaillent la même racine en conservant à chaque fois la ligne avec le plus d’impressions.

WITH Best_Racine AS (SELECT Racine, max(Impr) AS Impr from Table_SEA group by Racine)
SELECT b2.SearchTerm,b2.Clics, b2.Impr, b2.Conv, b2.Racine from Best_Racine b1
left join Table_SEA b2
ON b1.Racine = b2.Racine and b1.Impr = b2.Impr

Il nous reste maintenant uniquement le meilleur SearchTerm par Racine.

On fait une jointure avec la table des H1 du site avec la colonne "Racine" comme clé de matching :

SELECT b1.*,b2.URL FROM Table_SEA b1
LEFT JOIN Table_Site b2
ON b1.Racine = b2.Racine

Et on finit par supprimer les mots-clés qui sont déjà travaillés sur une URL active.

SELECT b1.* FROM Table_SEA b1
LEFT JOIN Table_Site b2
ON b1.Racine = b2.Racine
WHERE URL is null

Et voilà, c’est terminé, on a les mots-clés intéressants qui auront le droit à une nouvelle landing page sur le site.

Avec la liste de mots-clés, on créé les différentes pages pour les travailler en SEO. Là, je vous laisse voir avec votre CMS ou votre techno interne pour la création.

Il est possible de faire quelques vérifications supplémentaires pour valider que chaque page sera assez qualitative (exemple).

Et voilà, vous avez ajouté des nouvelles pages qui correspondent à de bons volumes de recherches avec un minimum de conversions et sur des mots-clés que vous ne travailliez pas encore directement.

Il ne reste plus qu’à mettre aussi les nouvelles URLs dans une campagne Text Ads DSA et la boucle sera bouclée.

Chaque mot clé intéressant sera à la fois ciblé via Google Shopping, en SEO et en Text Ads.

Et voilà ! C'est déjà fini, j'espère que cet article vous a intéressé, pour le partager c'est >>ici<<