Справочный раздел, который продаёт

Задача

Клиент: европейский маркетплейс коммерческой техники, 80+ доменов.

Проблема. Основной инвентарь маркетплейса — техника, и вокруг неё существует большой пласт справочного спроса: характеристики, двигатель, габариты, масса. Сайт этот спрос не закрывал: у него были объявления, но не было страниц, отвечающих на вопрос «что это за модель и какая она».

Задача. Построить справочный раздел по моделям техники, который закрывает этот спрос и переводит читателя в инвентарь.

Роль. Раздела не существовало — он создан с нуля и целиком мной: исследование спроса, архитектура, обе партии данных, контент под AI-выдачу, механика сбора лидов, перелинковка, постановка и ведение разработки.

Исследование спроса

Разобрана вселенная запросов по маркам и моделям: модификаторы разложены по n-граммам с подсчётом частотности по категориям техники — фургоны, автобусы, кемперы, комбайны, экскаваторы, погрузчики.

Ресерч дал три кластера: год выпуска техники, фотографии и интерьер, справочные характеристики. Выбран третий. По фотографиям сделан пилот и свёрнут как трудоёмкий, кластер по годам выделен в отдельный проект.

Модификатор к марке / модели	Ключей	Доля объёма
specs / specifications	19 063	75,5%
weight	1 299	16,3%
год выпуска	2 275	3,1%
hp / power	364	2,1%
engine	722	1,8%
dimensions	102	1,1%
Всего по стройке и агро	21 190	1 015 090 в месяц

Ключи — модификаторы к запросам по маркам и моделям техники («марка модель specs», «марка модель weight» и т. д.). Запросы собраны на разных языках, в таблице указаны англоязычные аналоги модификаторов. Объём — Global Volume по данным Ahrefs, суммарно по всем странам.

N-граммный разбор спроса. Выгрузка n-грамм по категории: N-gram, Count, Volume, Global Volume, Example. Метод: ключи по маркам и моделям разложены на n-граммы с частотностью.

Полную семантику не собирали: задача была проверить, что шаблон страницы отвечает достаточному спросу, и что этот спрос у сайта не закрыт.

Что построено

Архитектура. Три уровня: хаб раздела → 117 брендовых хабов → модельные страницы. На каждой модельной странице — блок подходящих объявлений, который переводит читателя в инвентарь.

Хаб раздела. Страница со списком брендов, разложенных по типам техники.

Первая версия: быстрый запуск на сторонней базе

Чтобы проверить спрос на реальном трафике, а не на прогнозе, раздел запущен на сторонней базе характеристик: несколько тысяч моделей, раскатаны на 5 языков. Формат первой версии — таблица характеристик без описания: достаточно, чтобы страницы начали индексироваться и ранжироваться, и достаточно, чтобы увидеть, где формат упирается в потолок.

Первая версия страницы. Таблица характеристик по блокам, без описания модели и FAQ.

Май 2026: перестройка под извлечение ответа

Гипотеза: поисковая модель проходит два этапа — сначала находит страницу, затем извлекает из неё фрагмент для ответа. Таблица проходит только первый этап. Перестроено около трёх тысяч страниц по принципу «каждый блок цитируется отдельно»:

1. Метаданные как готовый ответ. Title и description содержат модель, годы выпуска и ключевые характеристики с единицами измерения.
2. Каноническое определение. Самодостаточный абзац о модели: двигатель, мощность, назначение, расход, экологический класс.
3. Блоки по подсистемам — отдельные таблицы: двигатель и трансмиссия, габариты и масса, топливная система, кабина. Каждая таблица самодостаточна, чтобы её можно было извлечь целиком, не разбирая всю страницу.
4. Числа только с единицами измерения, в метрической и имперской системах.
5. Сравнение с соседними моделями линейки — ответ на запросы «X или Y».
6. Блок ограничений: когда модель не подходит. Сигнал экспертного, а не рекламного источника.
7. FAQ со структурированной разметкой: каждый вопрос — потенциальная цитата.
8. Генерация в масштабе: пайплайн на LLM из базы характеристик, фактчек моделью другого вендора.

Страница после перестройки. Описание модели, блоки по подсистемам, сравнение, ограничения, FAQ.

Эффект перестройки в чистом виде замерить не удалось — по двум причинам сразу.

Отчёт Generative AI features в Search Console появился ровно в это же время и не имеет данных «до»: сравнить показы в AI-функциях до и после выкатки по нему невозможно.

До этого переходы из AI Overviews отслеживались собственной метрикой: через Google Tag Manager ловились заходы по URL с текстовым фрагментом #:~:text= — именно так AI Overviews ссылаются на цитируемый абзац, и этот фрагмент служил маркером перехода. Но Google отключил эту механику ссылок в тот же момент, когда запустил отчёт Generative AI. Своим обновлением мы попали ровно в апдейт фичи: старый измеритель умер, новый начал считать с нуля. Поэтому дальше в кейсе — рост с момента появления отчёта, а не сравнение с базой до перестройки.

Сентябрь 2026: партия на собственных данных

Вторая партия построена не на сторонней базе, а на собственном инвентаре. Источник — все объявления площадки с заполненными характеристиками: данные, которые продавцы вносят сами, по реальным машинам.

Дальше — разложение в несколько шагов:

1. Объявления → модели и модификации. Каждое объявление привязано к марке, модели и модификации; объявления группируются по ним.
2. Модификации → характеристики и значения. Внутри каждой модификации собираются все характеристики, которые встречаются в объявлениях, и все значения каждой характеристики.
3. Отрезаны выбросы. Значения, привязанные к конкретному экземпляру — пробег, состояние, нестандартная комплектация, — отсеиваются. Остаются модельные.
4. Оставлены только верифицированные значения. Значение считается подтверждённым, если встречается минимум в двух независимых объявлениях. Одиночные не используются.
5. Выбраны самые частые. Из подтверждённых значений на страницу идёт самое популярное; остальные не выбрасываются, а сохраняются про запас — для уточнения и будущих итераций.

На этом датасете и построен раздел.

Этап	Объём
Моделей и модификаций в датасете	тысячи, по сотням характеристик на каждую
Залито страниц	около 5 тысяч
— с полным контентом	около 80%
— только таблицы характеристик	около 20%

Разделение задано данными: у первой группы подтверждённых характеристик на модель в разы больше, чем у второй. Где данных мало, контент не писали.

Механики монетизации

Блок предложки на странице характеристик — подборка актуальных объявлений по этой модели.

PDF-гейт: спецификацию можно скачать за регистрацию. Внутри файла ссылки и QR-код для возврата на сайт с UTM-метками.

Перелинковка: карточка со спецификацией на странице объявления.

Блок предложки на странице характеристик. Подборка актуальных объявлений по модели.

PDF со спецификацией. Страница файла со ссылками и QR-кодом для возврата на сайт.

Результаты: трафик и инвентарь

2026, январь = 100%	Январь	Май	Июль	Сентябрь
Сессии	100%	112%	138%	184%
Пользователи	100%	110%	138%	185%

Порядок — тысячи сессий в месяц, за год десятки тысяч. Рост январь → сентябрь +84%, сентябрь — рекорд раздела.

Трафик раздела по дням, июль – октябрь 2026. Аналитика: просмотры страниц характеристик, рост примерно вдвое после сентябрьской партии. Итоговые значения и шкала скрыты.

Справочник переводит в инвентарь

Сотни тысяч просмотров страниц характеристик дали десятки тысяч переходов в объявления — 42%. Почти каждый второй просмотр заканчивается кликом в инвентарь. Основной драйвер — блок предложки: около 70% всех переходов с момента запуска в марте.

42% — это доля по событиям: клики в объявления к просмотрам страниц за весь период, один пользователь может дать несколько кликов. Воронка на скриншоте ниже считает иначе — уникальных людей за 90 дней, у которых после просмотра характеристик сработало событие просмотра объявления, — и поэтому показывает около 14%. Это два разных знаменателя, а не противоречие.

Раздел даёт десятки лидов в месяц по воронке «просмотр характеристик → отправка формы», без учёта аукционов.

Воронка за 90 дней: просмотр характеристик → переход в объявление → отправка формы. Доли оставлены, абсолютные значения скрыты.

Сентябрьская партия, замер за 14 дней

Около 40% новых URL получили трафик уже в первые две недели. На них пришлось около 40% всего трафика раздела за период, в среднем полторы сессии на URL. Выход на отдачу занял две недели.

Трафик раздела после заливки сентябрьской партии. Стрелка — момент заливки; дальше уровень по дням примерно удваивается. Значения и шкала скрыты.

PDF-гейт за два месяца работы

Шаг воронки	Событий	Конверсия
Форма попала во вьюпорт	десятки тысяч	—
Клик по скачиванию	тысячи	около 17%
Регистрация после login wall	сотни	около 6% от кликов

Воронка PDF-гейта за 30 дней: клик по скачиванию → регистрация. Доли оставлены, абсолютные значения скрыты.

Возврат по ссылкам и QR-коду внутри PDF: десятки сессий, около половины из них по QR-коду, в среднем почти три страницы за сессию и около четырёх минут на сайте. Механика замкнулась — файл уходит к пользователю и возвращает его на сайт.

Возврат из PDF по UTM и QR-коду. Сессии с метками из скачанного файла; значения скрыты.

Результаты: видимость в AI-выдаче

За четыре месяца страницы раздела получили сотни тысяч показов в AI-функциях Google. Дневные показы выросли примерно втрое с конца мая к середине сентября.

Search Console → Generative AI features. Фильтр по страницам раздела, 6 месяцев. Отчёт появился в Search Console 18 мая 2026 — данных за более ранний период не существует.

Generative AI features по разделу. Search Console, фильтр по страницам раздела, 6 месяцев: рост примерно втрое. Итог и шкала скрыты.

Для сравнения — тот же отчёт по всему домену: показов на порядок больше, но раздел из нескольких тысяч страниц даёт 15% всех показов домена в AI-функциях, на фоне миллионов страниц объявлений.

Домен за период держится примерно на одном уровне, а раздел вырос втрое — доля раздела в AI-показах домена удвоилась, примерно с 11% в конце мая до 20% в середине сентября.

По всему домену динамика без выраженного роста: раздел рос против плоской базы.

Generative AI features по домену. Search Console, 6 месяцев: без выраженного роста. Итог и шкала скрыты.

Около половины всей поисковой видимости раздела приходится на AI-поверхности: показов в AI-функциях примерно вдвое меньше, чем в обычном поиске за то же окно.

Обычная поисковая выдача по тем же страницам: сотни тысяч показов и десятки тысяч кликов за 6 месяцев, CTR около 3%, средняя позиция около 7.

Обычный поиск по разделу. Search Console, Web, 6 месяцев. Итоги и шкала скрыты.

Независимый замер Ahrefs Brand Radar подтверждает картину: цитирования раздела выросли с нуля до сотен за год, и более 80% из них дают страницы характеристик.

Ahrefs Brand Radar. Динамика цитирований раздела в AI-ответах; домен и значения скрыты.

Ahrefs Brand Radar, показы. Рост показов раздела в AI-ответах с мая 2026; домен и значения скрыты.

Результаты: раздел собирает ещё и ссылки

Раздел отдаёт по четырём линиям: переводит читателя в инвентарь, приносит лиды, собирает регистрации через PDF и держит видимость в AI-выдаче. Поверх этого работает пятая, незапланированная: на страницы раздела ссылаются сторонние сайты — без аутрича, без закупки и без единого обращения с нашей стороны.

Выгрузка по всем пяти языковым версиям даёт 15 живых ссылающихся доменов. Крупнейшие:

Тип донора	DR	Ссылка
Товарные гайды крупнейшего B2B-маркетплейса мира	92	dofollow, в контенте
Q&A-сервис поисковой системы	86	nofollow, в контенте
Энциклопедия, наполняемая ИИ	78	dofollow
AI-агент товарного поиска	76	nofollow, в контенте
Вики-энциклопедия на немецком	68	nofollow, в контенте
AI-ассистент ответов со ссылками на источники	54	nofollow, в контенте
Испаноязычный Q&A-сервис	40	nofollow, в контенте
Отраслевое издание о технике	15	dofollow, в контенте
Блог о коммерческом транспорте (Дания)	14	nofollow
Обзоры надёжности техники (Франция)	13	dofollow, в контенте

Остальные пять доноров — сайты с DR от 0 до 7.

Две трети ссылок стоят в основном контенте страницы, а не в подвале или списке ресурсов: автор ссылался по ходу текста, когда ему понадобилась характеристика.

Четыре донора из пятнадцати — машинные поверхности

Энциклопедия на ИИ, агент товарного поиска, ассистент ответов со ссылками на источники, автогенерируемые товарные гайды маркетплейса. Это не обычные площадки, а конвейеры, которые сами выбирают источник для ответа.

Почему это отдельный результат, а не приятная мелочь. Ссылочную массу обычно покупают или выпрашивают. Здесь она приходит как следствие устройства страницы: ни один донор не ссылается на маркетплейс как на маркетплейс — все ссылаются на конкретную страницу характеристик как на справочник. Свойство, которое делает страницу пригодной для цитирования языковой моделью — проверяемые данные, структура, самодостаточность каждого блока, — делает её пригодной и для живого автора, и для машинного конвейера. Раздел, построенный под AI-выдачу, побочно получил канал, который отдельно никто не строил.

Десять доноров из пятнадцати и все четыре машинные поверхности приходятся на англоязычную версию — ту, где контент раздела самый полный. Отдельно из подсчёта исключена сеть из 20 доменов-однодневок, поставивших в один день ссылки на одну страницу: нулевой авторитет, все nofollow — это чужая активность, а не цитирование.

Оговорка по масштабу: 15 доменов — сигнал, а не канал, на позиции такая ссылочная масса не влияет. Значение в том, что линия отдачи появилась без вложений и идёт с площадок, недостижимых в обычном линкбилдинге.

Органические ссылки на раздел. Ahrefs, выгрузка по пяти языковым версиям: доноры и DR; целевые URL скрыты.

Что показал проект

1. Справочный контент продаёт. 42% просмотров конвертируются в переход к товару, раздел даёт десятки лидов в месяц. Это снимает главное возражение к справочным разделам — что они приводят читателей, а не покупателей.
2. Качество важнее объёма. Треть моделей из датасета осталась без контента, потому что характеристик не хватило. Порог задан данными, а не на глаз.
3. Размещение определяет скорость отдачи. Новые страницы в обжитом разделе набрали около 40% его трафика за две недели.
4. Файл работает как канал. PDF со спецификацией собирает регистрации и возвращает пользователей на сайт по ссылкам и QR-коду.
5. Справочный контент — непропорционально сильный актив в AI-выдаче. Несколько тысяч страниц раздела дают 15% всех показов домена в AI-функциях Google, и около половины видимости самого раздела приходится на эти поверхности.
6. Справочник, сделанный правильно, цитируют без просьбы. Поверх трафика, лидов и регистраций раздел органически собрал 15 ссылающихся доменов, четыре из них — машинные поверхности: энциклопедия на ИИ, агент товарного поиска, ассистент ответов, автогенерируемые гайды. Канал, который отдельно никто не строил.

Что дальше. Весь результат получен на одной языковой версии из пяти — остальные живут на исходных покупных данных. Отдельный резерв — login wall: из нажавших «скачать» файл получают около 6%. Спрос уже создан и измерен, его гасит одна механика.