Зростання органічного трафіку після зміни сторінки ще не доводить, що саме зміна принесла результат. На пошукові показники одночасно впливають сезонність, оновлення алгоритмів, конкуренти та нові елементи видачі. SEO-спліт-тест допомагає відповісти на точніше запитання: що сталося б із трафіком, якби зміну не впровадили?
Для цього потрібні зіставна контрольна група, заздалегідь обрана метрика та правило ухвалення рішення. Нижче — посібник із вибору методу, підготовки експерименту та представлення результатів бізнесу.
Чому порівняння трафіку до і після недостатньо
Зміна показників після запуску може збігтися зі зростанням сезонного попиту, оновленням алгоритму Google, діями конкурентів або рекламною кампанією бренду. На дані також здатні вплинути помилки аналітики, наприклад непрацюючий тег GA4 або новий банер згоди.
Крім того, AI Overviews і AI Mode можуть змінювати частоту переходів без зміни позицій. За даними оригінальної публікації, Google включає дані цих функцій до загального звіту про ефективність Search Console.
Тому ефект оцінюють відносно контрфактичного сценарію — прогнозу того, як сторінки працювали б без зміни. Контрольна група та модель допомагають побудувати такий прогноз, хоча й не усувають невизначеність повністю.
Що підготувати до запуску тесту
Переконливий експеримент передбачає порівняння схожих сторінок за один період, інтервал оцінки ефекту, зв’язок із бізнес-результатом і правило ухвалення рішення, встановлене заздалегідь. Якщо обрати метрику та критерій перемоги після перегляду даних, результат легко інтерпретувати на користь зміни.
Мета має відповідати самій зміні. Наприклад, для нового шаблону title логічно вимірювати пошукові кліки. Зміна макета, яка допомагає покупцям порівнювати товари, насамперед потребує оцінки конверсії; пошукові метрики при цьому можуть слугувати обмежувачами ризику.
Перед запуском варто скласти короткий план тесту та узгодити в ньому такі пункти:
Гіпотеза. Що саме змінюється і чому це має допомогти.
Основна метрика. Для багатьох змін на сторінках підійдуть органічні кліки за небрендовими запитами. Під час фільтрації запитів Search Console виключає анонімізовані запити, тому паралельно слід відстежувати загальну кількість кліків на тестовані сторінки.
Обмежувачі ризику. Наприклад, конверсія не повинна впасти більше за узгоджену межу. Аналітику варто врахувати відмінності між групами до запуску та перевірити, чи дають дані змогу виключити сильніше падіння.
Мінімальний практично значущий ефект. На історичних даних потрібно перевірити, чи здатен тест із достатньою ймовірністю виявити такий приріст за доступний час. Якщо ні, запуск краще відкласти.
Дата аналізу та правило ухвалення рішення. Тривалість краще задавати повними тижнями, щоб дні тижня були представлені рівномірно. Заздалегідь визначте, який результат означає масштабування, відкат або відсутність висновку.
Як влаштований SEO-спліт-тест
У CRO-тестуванні між версіями сторінки зазвичай розподіляють користувачів. Для оцінки SEO-ефекту такий підхід не підходить: Google ранжує одну версію кожного URL у конкретний момент. Показувати Googlebot сторінки, відмінні від тих, які бачать користувачі, також не можна: Google відносить клоакінг до порушень правил щодо спаму, зокрема під час тестів.
У SEO замість користувачів розділяють сторінки одного типу — наприклад, картки товарів, категорії або сторінки філій. На тестовій групі впроваджують зміну, а контрольну залишають без неї.
До розділення групи мають поводитися схоже. Сторінки, що конкурують за одними запитами, слід об’єднувати в одну одиницю: інакше тестова сторінка може просто відібрати кліки у контрольної. Потім одиниці зіставляють за трафіком і категорією та випадковим чином розподіляють між групами. Деякі платформи автоматизують балансування, зокрема за допомогою smart bucketing від SearchPilot.
За групами спостерігають одночасно. Так сезонні сплески й оновлення припадають на один період, хоча різні категорії все одно можуть реагувати на них неоднаково. На основі контролю модель прогнозує, що сталося б із тестовими сторінками без зміни; різниця між прогнозом і фактичним результатом стає оцінкою ефекту.
До запуску корисно перевірити модель на кількох умовних датах у минулому. Для кожної дати її навчають на попередніх даних і перевіряють прогноз на наступному періоді тієї самої тривалості, що й майбутній тест. Якщо модель регулярно виявляє ефект там, де змін не було, їй не можна впевнено довіряти і в реальному експерименті.
Для такого моделювання відомий пакет Google CausalImpact із відкритим вихідним кодом. SearchPilot спочатку використовував його, а у 2019 році перейшов на модель нейромережі, щоб виявляти менші прирости.
Як обрати метод для свого сайту
Повноцінне розділення сторінок потребує масштабу та можливості змінювати лише частину сторінок шаблону. SearchPilot як орієнтир рекомендує близько 1000 органічних відвідувань на день для тестованого розділу. За меншого трафіку тести можуть затягуватися або не давати чіткої відповіді, але це не означає, що невеликим сайтам слід відмовитися від експериментів.
Розділення сторінок. Контролем слугують незмінені сторінки того самого шаблону за ті самі дати. Метод підходить великим інтернет-магазинам, маркетплейсам, видавцям і компаніям із багатьма філіями, якщо вони можуть впроваджувати зміни вибірково.
Географічне розділення. Порівняння будується на ринках або локаціях, де зміну не впроваджували. Це варіант для міжнародних сайтів, франшиз і локального SEO. Ринки рідко поводяться однаково, тому їх потрібно зіставляти за історичними тенденціями.
Модельна базова лінія. Для загальносайтових змін без чистої контрольної групи, наприклад оновлення навігації, можна використовувати зіставні ринки або зовнішні дані про попит. Такий підхід слабший, якщо сама зміна зачепила й дані для порівняння.
Порівняння до і після. Для невеликих сайтів та окремих сторінок іноді залишається лише власна історія показників. Її обмеження суттєве: вона не дає змоги відокремити вплив зміни від сезонності чи оновлень.
Навіть таке порівняння можна посилити: залишити схожі сторінки без змін, окремо оцінювати брендовий попит і позначити дату запуску в Search Console. Якщо ресурс має доступ до фільтра брендових запитів Search Console, його можна використовувати, пам’ятаючи, що Google припускається помилок класифікації. Фільтр за регулярним виразом із назвами бренду допоможе виконати додаткову перевірку.
Вибір інструментів залежить від завдання. SearchPilot і SEO & AEO Split Tester від seoClarity пропонують впровадження змін і моделювання; SEOTesting.com проводить тести на даних Search Console для невеликих сайтів; CausalImpact доступний безкоштовно за наявності фахівців із даних. Якщо CMS уже дає змогу змінювати частину сторінок шаблону, для перших тестів окрема платформа може не знадобитися.
Які показники показувати керівництву
Приріст відносно прогнозу. Це різниця між фактичним результатом тестових сторінок та очікуваним результатом без зміни. Самого по собі такого показника недостатньо.
Інтервал оцінки. Він показує діапазон ефектів, які допускає модель. У баєсівських інструментах ідеться про достовірний інтервал, в інших — про довірчий. Якщо інтервал включає нуль, результат не показує позитивного ефекту.
Ймовірність позитивного ефекту. Показник зрозумілий нетехнічній аудиторії, але важливо перевірити його визначення в конкретному інструменті. Наприклад, показник CausalImpact «probability of a causal effect» не вказує напрямку: високий результат може відповідати й упевненому зниженню. Навіть ймовірність позитивного ефекту в 90% залишає шанс один до десяти, що зміна не допомогла або погіршила результат.
Виручка або конверсії. Вони пов’язують експеримент із бізнесом. Виручка зазвичай більш шумна метрика, ніж кліки, тому за невеликих обсягів її краще представляти як орієнтовний сигнал. Позиції можуть допомогти пояснити зміну кліків, але їх теж слід порівнювати з контролем: окремо вони не доводять ефекту.
Як враховувати видимість в AI-функціях
Згідно з оригінальною публікацією, Google повідомив, що 31 серпня 2026 року звіти Search Generative AI у Search Console стали доступні всім сайтам, хоча ресурси із замалою кількістю показів в AI-функціях їх не побачать. У звітах показано, як часто сторінки з’являлися в AI Overviews і AI Mode, з розбивкою за сторінками.
Покази тестової та контрольної груп можна порівнювати як додатковий сигнал. Якщо кліки зростають, а видимість в AI-функціях падає, або навпаки, причину варто вивчити до масштабування. В оригінальній публікації зазначається, що даних про кліки в цих звітах поки немає. Також, за словами Джона Мюллера з Google, кожному посиланню в AI Overview присвоюється позиція самого блоку AI Overview.
Приклад тесту від плану до рішення
Припустімо, команда перевіряє новий шаблон title і meta description для карток товарів: замість назви бренду на початок виносять те, що шукає покупець. Цифри в прикладі ілюстративні.
Основна метрика — органічні кліки за небрендовими запитами. Конверсія не повинна знизитися більш ніж на 2% відносно контролю. Мінімальний приріст, що виправдовує дію, становить 5%, а аналіз призначено через шість тижнів. Шаблон впровадять на решту сторінок, тільки якщо 95%-й інтервал цілком вищий за нуль, центральна оцінка перевищує 5% і обмеження за конверсією дотримано.
Для тесту беруть 400 карток. Сторінки, що конкурують за одними запитами, об’єднують, потім групи зіставляють за трафіком і категорією та випадково розподіляють: приблизно 200 сторінок отримують зміну, ще 200 залишаються контролем. Модель проходить перевірку на минулих періодах.
Через шість тижнів кліки за небрендовими запитами на тестових сторінках виявляються на 14,2% вищими за прогноз, побудований за контрольною групою. 95%-й достовірний інтервал становить від 8% до 19%, а ймовірність позитивного ефекту за моделлю перевищує 99%. Дані про конверсію дають змогу виключити падіння за межу встановленого обмеження у 2%.
Інтервал уперше повністю перевищує нуль на 27-й день, але тест триває до заздалегідь установленого шеститижневого терміну. Ефект зберігається. Органічна виручка із сеансів, що почалися на тестових сторінках, на 9,6% вища за власний прогноз; оскільки її інтервал набагато ширший, результат представляють як орієнтовний. Середня позиція за цільовими запитами змінюється з 6,4 до 4,8 за стабільного контролю, що допомагає пояснити додаткові кліки.
За умовами прикладу шаблон впроваджують на решту карток. Після повного впровадження збереження приросту продовжують відстежувати, але контрольної групи для доведення ефекту вже немає.
На практиці результати часто менш однозначні. У 2024 році SearchPilot повторно обробив названу ним репрезентативною вибірку минулих тестів новою моделлю: 29% показали позитивний результат за рівня впевненості 95% проти 13% із попередньою найкращою моделлю. Більшість тестів при цьому не показали статистично значущої перемоги. Це не доводить відсутності ефекту, але слугує нагадуванням не вважати кожну зміну успішною заздалегідь.
Як представити висновки і не зіпсувати тест
Звіт для керівництва краще починати з рішення: масштабувати зміну, відкотити її або визнати результат невизначеним. Далі достатньо коротко вказати діапазон ефекту, виручку або ліди, устрій і дати тесту, важливі події під час експерименту та наступний крок.
Прогноз для повного впровадження варто будувати від консервативної межі діапазону, пояснюючи припущення та відмінності решти сторінок від тестових. Його слід називати сценарієм, а не отриманим результатом. Негативні й невизначені тести теж мають потрапляти до журналу: публікація самих перемог створює вибіркову картину.
Не завершуйте експеримент у перший день, коли показник виглядає добре. Щоденний моніторинг корисний для виявлення проблем впровадження, але рішення зазвичай ухвалюють у заплановану дату — якщо тільки метод платформи спеціально не розрахований на безперервний моніторинг. Передчасна зупинка підвищує ризик хибнопозитивного висновку.
Нарешті, переконайтеся, що Google побачив зміну. Якщо її впроваджено через JavaScript, перевірте її наявність у відрендереному HTML за допомогою інструмента перевірки URL і переконайтеся, що тестові сторінки повторно проскановано після запуску. Під час тестування title перевірте й фактичні заголовки у видачі: Google може переписати title, тому користувач не обов’язково побачить тестований варіант.
SEO-спліт-тест не гарантує перемоги кожної зміни. Його цінність в іншому: заздалегідь узгоджений критерій, зіставний контроль і чесний діапазон оцінки дають змогу обговорювати рішення на основі результату, який можна перевірити, а не лише графіка зростання трафіку.
Коментарів поки немає. Почніть обговорення.