Автоматизувати треба повторювані детерміновані операції, а не саме мислення. Сильна SEO-автоматизація збирає факти, нормалізує їх, знаходить відхилення й залишає людині рішення.
Стан даних і джерел: 14 вересня 2026 року
Більшість SEO-команд починає з таблиць. Це нормально. Проблема починається, коли таблиця стає ручним конвеєром даних: щопонеділка хтось завантажує GSC, вставляє GA4, копіює позиції, оновлює VLOOKUP, фарбує червоні клітинки й робить знімок екрана у Slack. Така «звітність» дорога, крихка й не відтворюється.
Автоматизація для мене має три критерії: операція повторюється; вхід і вихід можна формально описати; помилка автоматизації помітна й контрольована. Стратегічна пріоритизація, інтерпретація або оцінювання контенту можуть використовувати автоматичні підказки, але не мають зникати за `if/else`.
30.1. Що автоматизувати першим
Я починаю із завдань, де найбільше ручного копіювання: експорт, нормалізація URL, регулярні порівняння, перевірки шаблонів, виявлення аномалій. Потім — класифікація типів сторінок, зіставлення запитів, пропозиції внутрішніх посилань. І лише після цього — генеративні завдання.
Хороша автоматизація повинна економити час досвідчених фахівців, а не створювати нову панель, яку ніхто не читає. Перед розробкою я рахую minutes per run × runs per month × loaded cost. Якщо скрипт економить 40 хвилин раз на квартал, його підтримка може коштувати дорожче.
У цій формулі minutes per run - хвилини на один запуск, runs per month - запуски на місяць, loaded cost - повна вартість робочого часу з урахуванням супутніх витрат.
30.2. GSC: інтерфейс, API і BigQuery — різні режими
Інтерфейс Search Console зручний для ручної діагностики, API — для керованих запитів та інтеграцій, масовий експорт — для повної історичної аналітики в BigQuery. Google документує, що Search Analytics API за замовчуванням повертає 1 000 рядків, має `rowLimit` до 25 000 і пагінацію через `startRow`; верхня доступна межа даних для API описувалася як до 50 000 рядків на день на сайт і тип пошуку.[1][2]
Масовий експорт щодня вивантажує дані про результати в BigQuery без щоденного ліміту рядків, але анонімізовані запити вилучаються з міркувань приватності.[3] Це робить масовий експорт кращою базою для сховища аналітичних даних і тривалого аналізу тенденцій, якщо обсяг виправдовує BigQuery.
30.3. GA4 не є заміною GSC
GSC вимірює взаємодію з Google Search, GA4 — поведінку після завантаження вашого сайту. Через різні визначення, часові пояси, канонікалізацію, приватність і покриття відстеження цифри не повинні збігатися 1:1. Google прямо рекомендує використовувати обидва джерела разом і, для максимальної деталізації, зводити масові експорти в BigQuery.[4]
Автоматизація повинна зберігати зміст даних кожного джерела. Не можна створити «єдину істину», просто склавши кліки GSC і сеанси GA в одну колонку. Це різні події.
30.4. Схема даних важливіша за інструмент
Поганий конвеєр легко перенести з Excel у Python і отримати автоматизований хаос. Перед кодом я визначаю єдині виміри даних: `date`, `site`, `url`, `page_type`, `country`, `device`, `query_cluster`, `channel`, `event`. Потім кожне джерело зіставляється з цією схемою.
Нормалізація URL має бути детермінованою: протокол, хост, кінцева скісна риска, параметри, регістр, фрагменти. Якщо сканер і GSC називають одну сторінку по-різному, об’єднання даних даватиме хибні «відсутні URL».
30.5. Виявлення аномалій без магії
Не кожне -20% WoW — інцидент. Я порівнюю з днем тижня, сезонністю, рухомою базою порівняння й датами оновлень. На ранньому етапі прості правила часто кращі за складну ML-модель: якщо clicks падають >30% YoY у page type із >10k baseline і impressions теж падають, створити alert; якщо clicks падають, а impressions стабільні — перевірити CTR/SERP.
Сповіщення повинно вести до дії. Якщо команда отримує 200 повідомлень на день, система автоматично навчає людей їх ігнорувати.
КОД 30.1. Простий контроль аномалій між двома GSC-експортами.
# Порівняння двох CSV-експортів GSC за URL.
# Очікувані колонки: page, clicks, impressions.
import pandas as pd
old = pd.read_csv("gsc_old.csv")
new = pd.read_csv("gsc_new.csv")
# Агрегуємо на випадок кількох рядків на URL.
def prep(df):
return (df.groupby("page", as_index=False)[["clicks", "impressions"]]
.sum())
a = prep(old).rename(columns={"clicks":"clicks_old", "impressions":"imp_old"})
b = prep(new).rename(columns={"clicks":"clicks_new", "impressions":"imp_new"})
m = a.merge(b, on="page", how="outer").fillna(0)
# Відносна зміна. Для нульового baseline залишаємо NaN.
m["click_change"] = (m.clicks_new - m.clicks_old) / m.clicks_old.replace(0, pd.NA)
m["imp_change"] = (m.imp_new - m.imp_old) / m.imp_old.replace(0, pd.NA)
# Приклад порога: старий baseline >= 100 кліків і падіння >= 30%.
alerts = m[(m.clicks_old >= 100) & (m.click_change <= -0.30)]
alerts.sort_values("click_change").to_csv("gsc_alerts.csv", index=False)
print(alerts.head(30))WoW і YoY означають порівняння з попереднім тижнем і роком; у правилі clicks - кліки, impressions - покази, page type - тип сторінки, baseline - база порівняння, alert - сповіщення.
30.6. Оркестрація
Коли скриптів більше трьох, потрібен планувальник і журнал виконання. Це може бути GitHub Actions, Cloud Run/Functions, cron, Airflow, Make/n8n — інструмент залежить від масштабу. Важливі повторні спроби, часова позначка, версія вхідних даних, місце збереження результату й сповіщення про збій.
Я зберігаю сирі дані окремо від перетворених. Якщо логіка розрахунку змінилася, сирі дані дозволяють перебудувати історію. Якщо ви зберігаєте лише фінальний Excel, зміна формули робить попередні місяці непорівнюваними.
30.7. Версіонування SEO-логіки
Регулярні вирази, правила типів сторінок, редиректи, генератори розмітки, шаблони запитів до моделі — це код або конфігурація, а отже, вони мають бути в системі контролю версій. Git дає відповідь на питання «хто і коли змінив правило», а не тільки останній файл у Drive.
Для критичних змін я додаю тестові випадки. Наприклад, класифікатор сторінок має список 50 URL з очікуваними типами. Якщо нове правило регулярного виразу раптом класифікує `/casino/brand/review/` як категорію, тест впаде до застосування в робочій системі.
30.8. LLM як інтерфейс до даних
LLM може генерувати SQL, пояснювати аномалію, перетворювати питання природною мовою на запит. Але робочий конвеєр не повинен залежати від того, що модель «пам’ятає» схему. Я передаю схему, дозволені таблиці, приклади й обмеження, а SQL проходить перевірку.
Для необоротних дій — зміни редиректів, видалення URL, публікації — потрібне схвалення людини. ШІ може підготувати різницю версій, але не має автоматично «прибирати сміття», якщо визначення сміття не формальне.
30.9. Секрети і доступи
Ключі API, JSON службового облікового запису, паролі баз даних не повинні лежати в коді або історії запитів до моделі. Використовуйте сховище секретів, змінні середовища, мінімальні дозволи й ротацію. Особливо це важливо, коли LLM отримує доступ до файлів або репозиторіїв.
Автоматизація SEO швидко стає частиною робочої інфраструктури. Її потрібно захищати так само, як інші внутрішні інструменти, а не як «невинний скриптик маркетолога».
30.10. Що має автоматизувати керівник SEO
Мій пріоритет: збір даних, моніторинг, регулярні аудити, журнали змін, виявлення аномалій, реєстр контенту, реєстр посилань, сегментація індексації, перевірка якості релізів. Не автоматизую фінальне рішення про намір, позиціювання бренду, прийняття ризику й бюджет лише тому, що це можливо.
Найкращий результат автоматизації — команда витрачає менше часу на добування цифр і більше на постановку гіпотез та перевірку рішень.
Джерела до Глави 30
1. Google Search Console API. Query Search Analytics data. https://developers.google.com/webmaster-tools/v1/how-tos/search_analytics — Пагінація й rowLimit.
2. Google Search Central Blog. Performance data deep dive. https://developers.google.com/search/blog/2022/10/performance-data-deep-dive — Ліміти API і природа даних.
3. Google Search Central Blog. Bulk data export. https://developers.google.com/search/blog/2023/02/bulk-data-export — Щоденний експорт у BigQuery без щоденного ліміту рядків; анонімізовані запити вилучаються.
4. Google Search Central. Search Console + Analytics. https://developers.google.com/search/docs/monitor-debug/google-analytics-search-console — Спільний аналіз джерел.