SEO-кластеризация через Claude API: 500 ключей за 30 минут и 15 рублей

Я заплатил 11 рублей за кластеризацию 300 ключей для магазина сантехники. Rush Analytics за тот же объём взял бы около 625 рублей — и это при тарифе 2500 рублей в месяц, в который входит куча функций мне сейчас не нужных.

Откуда вообще эта задача

Каждый раз, когда берёшь новый сайт в продвижение, первое с чем сталкиваешься — файл с ключами. Wordstat, KeyCollector, выгрузка из позиций — в сумме получается таблица на 200-800 строк, где перемешано всё: «купить» рядом с «как выбрать», «цена» рядом с «отзывы».

Задача кластеризации — разбить это на смысловые группы, каждую из которых можно продвигать отдельной страницей. Если группы перепутать, получишь каннибализацию: две страницы конкурируют между собой за один запрос, и обе не в топе.

Раньше это делалось вручную или через специализированные инструменты. Rush Analytics берёт 2500 руб/мес за базовый план, Keys.so — от 3500 руб/мес. Это подписка, а не оплата за конкретную задачу.

Проблема подписки: я занимаюсь семантикой 2-3 раза в квартал. Держать инструмент ради 6 кластеризаций в год — нецелесообразно. При этом бесплатные инструменты режут объём или дают механические группы без понимания интента.

Почему алгоритм ошибается там, где модель понимает

Алгоритмические кластеризаторы работают по частотным совпадениям: «смеситель однорычажный купить» и «смеситель однорычажный как работает» попадают в одну группу, потому что у них 2 общих слова из 3. Формально — правильно. Семантически — катастрофа.

Первый запрос — транзакционный. Человек достал карточку. Ему нужна страница каталога с фильтрами и кнопкой «В корзину». Второй — информационный. Человеку нужна статья с объяснением механизма работы. Если ты направляешь оба запроса на одну страницу — ты не отвечаешь ни на один из них по-настоящему.

Claude разбирает это не по шаблону, а по смыслу. Потому что это языковая модель — она понимает что происходит в голове у человека когда он набирает запрос.

Методология: как это работает технически

Схема простая. Берём список ключей, режем по 50 штук, каждый батч отправляем в API с промптом. Модель возвращает JSON с кластерами. Складываем всё в DataFrame, экспортируем в CSV.

Почему 50 ключей в батче, а не все сразу? Во-первых, контекстное окно не безгранично при большом списке. Во-вторых, меньший батч = более точная кластеризация: модель не пытается удержать сразу 500 строк при принятии решения. 50 — эмпирически хороший баланс.

Промпт, который я использую

Ты SEO-эксперт по русскоязычному поиску.
Проанализируй следующие поисковые запросы для ниши "{niche}".
Сгруппируй их по смыслу и поисковому интенту.

Для каждой группы укажи:
- cluster_name: короткое название кластера (2-4 слова)
- intent: тип интента (информационный / коммерческий / транзакционный / навигационный)
- keywords: список запросов из этого батча, которые в неё входят
- logic: одно предложение — почему эти запросы объединены

Верни ТОЛЬКО валидный JSON массив объектов. Никакого текста вне JSON.

Запросы:
{keywords_list}

Python-скрипт с батч-обработкой

import anthropic
import json
import csv
import time

client = anthropic.Anthropic(api_key="ВАШ_API_КЛЮЧ")

def load_keywords(filepath: str) -> list[str]:
    """Загружает ключи из CSV, по одному на строку."""
    with open(filepath, encoding="utf-8") as f:
        return [line.strip() for line in f if line.strip()]

def cluster_batch(keywords: list[str], niche: str) -> list[dict]:
    """Отправляет батч ключей в Claude и возвращает список кластеров."""
    keywords_str = "\n".join(f"- {kw}" for kw in keywords)
    prompt = f"""Ты SEO-эксперт по русскоязычному поиску.
Проанализируй следующие поисковые запросы для ниши "{niche}".
Сгруппируй их по смыслу и поисковому интенту.

Для каждой группы укажи:
- cluster_name: короткое название кластера (2-4 слова)
- intent: тип интента (информационный / коммерческий / транзакционный / навигационный)
- keywords: список запросов из этого батча, которые в неё входят
- logic: одно предложение почему эти запросы объединены

Верни ТОЛЬКО валидный JSON массив объектов. Никакого текста вне JSON.

Запросы:
{keywords_str}"""

    message = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=1500,
        messages=[{"role": "user", "content": prompt}]
    )
    return json.loads(message.content[0].text)

def clusterize(filepath: str, niche: str, batch_size: int = 50) -> list[dict]:
    """Основная функция: разбивает ключи на батчи и собирает результат."""
    keywords = load_keywords(filepath)
    all_clusters: list[dict] = []

    for i in range(0, len(keywords), batch_size):
        batch = keywords[i:i + batch_size]
        batch_num = i // batch_size + 1
        total_batches = (len(keywords) + batch_size - 1) // batch_size
        print(f"Батч {batch_num}/{total_batches}: {len(batch)} ключей...")

        clusters = cluster_batch(batch, niche)
        all_clusters.extend(clusters)

        if i + batch_size < len(keywords):
            time.sleep(0.5)  # небольшая пауза между запросами

    return all_clusters

def save_to_csv(clusters: list[dict], output_path: str) -> None:
    """Сохраняет кластеры в CSV: один ключ — одна строка."""
    rows = []
    for cluster in clusters:
        for kw in cluster.get("keywords", []):
            rows.append({
                "keyword": kw,
                "cluster": cluster.get("cluster_name", ""),
                "intent": cluster.get("intent", ""),
                "logic": cluster.get("logic", "")
            })

    with open(output_path, "w", newline="", encoding="utf-8-sig") as f:
        writer = csv.DictWriter(f, fieldnames=["keyword", "cluster", "intent", "logic"])
        writer.writeheader()
        writer.writerows(rows)

    print(f"Сохранено {len(rows)} строк в {output_path}")

if __name__ == "__main__":
    clusters = clusterize(
        filepath="keywords.csv",
        niche="магазин сантехники",
        batch_size=50
    )
    save_to_csv(clusters, "clustered.csv")

Реальный кейс: магазин сантехники, 300 ключей

Исходник: выгрузка из KeyCollector по нише «сантехника» — 300 запросов. Перемешано всё: бренды (Hansgrohe, Grohe, JACOB DELAFON), типы продуктов (смесители, ванны, душевые кабины), интент (купить / выбрать / ремонт / отзывы).

Rush Analytics при ручной кластеризации через алгоритм «по топу» собрал бы примерно 18-20 групп — и положил бы «hansgrohe смеситель купить» и «hansgrohe смеситель обзор» в один кластер, потому что слов совпадает больше.

Claude разделил на 23 кластера за один прогон (6 батчей + консолидация). Стоимость по логам API: $0.12 = 11 рублей при курсе 90 за доллар.

Несколько примеров что получилось:

Rush Analytics vs Claude: честное сравнение

Я не собираюсь говорить что Claude везде лучше. У Rush Analytics есть задачи, где он выигрывает с большим отрывом.

Мой вывод такой: если делаешь семантику регулярно на больших объёмах — Rush или Keys.so оправданы. Если занимаешься 3-4 раза в год или работаешь с нестандартными нишами где алгоритм путается — Claude дешевле и точнее.

Как Claude различает интенты: проверяй перед использованием

Хочу предупредить об одном месте, где модель иногда ошибается. Запросы с «лучший» и «топ» модель часто кладёт в коммерческий интент — и обычно это правильно. Но иногда «лучшие советы по монтажу» — это информационный запрос, а «топ производителей смесителей» — тоже информационный, не транзакционный.

Проверяй кластеры с «лучший», «топ», «рейтинг» — там процент ошибок выше. Добавь в промпт явное уточнение: «Если “лучший” относится к процессу или мастерству, а не к выбору продукта — это информационный, а не коммерческий».

Ещё один паттерн: навигационные запросы Claude иногда смешивает с транзакционными. «Grohe официальный сайт» — навигационный, человек ищет конкретный ресурс. Но «смеситель grohe официальный» — уже транзакционный, просто с указанием бренда. Разница тонкая, и модель не всегда её ловит.

Квиз: как ты сейчас работаешь с семантикой

Что делать с результатом

CSV на выходе содержит четыре колонки: сам запрос, название кластера, тип интента, объяснение логики. Дальше — стандартный процесс.

Информационные кластеры идут в контент-план: статьи, гайды, FAQ-страницы. Транзакционные — в структуру каталога и карточки товаров. Коммерческие — страницы сравнений и рейтингов. Навигационные — не трогать, там и так всё понятно алгоритму.

Один лайфхак из практики: после экспорта добавь сортировку по кластеру, а потом вручную пройдись по группам из 3-4 запросов — именно там чаще всего обнаруживается что модель объединила разный интент. Большие кластеры (10+ ключей) обычно кликаются правильно. Маленькие — нет.

Что касается опциональной выгрузки в Google Sheets: установи pip install gspread, создай сервисный аккаунт в Google Console и замени save_to_csv на вызов gspread.authorize().open(название).get_worksheet(0).update(строки). Это 10 дополнительных строк кода.

Скрипт из статьи обрабатывает 300 ключей за 2-4 минуты. 500 ключей — за 4-6 минут, 10 батчей вместо 6. Стоимость при этом вырастет до 14-18 рублей на Sonnet.

Если хочешь попробовать — сохрани скрипт, получи API-ключ на console.anthropic.com (есть бесплатные 5 долларов для новых аккаунтов), загрузи свой список ключей. На первый прогон уйдёт 30 минут максимум.

Источники

• Anthropic — модели Claude и документация API
• Rush Analytics — инструменты SEO и кластеризация
• Keys.so — SEO-аналитика и работа с семантикой
• Яндекс Вебмастер — поисковые запросы и анализ