che-seo-demand-analytics
Связывает рыночный спрос Wordstat, видимость Вебмастера и органический трафик Метрики, сохраняя границы источников. Применяется для SEO-воронки, сопоставления спроса и видимости и выбора действий; не
SKILL.mdskills/che-seo-demand-analytics/SKILL.md
GitHubCHE_seo-demand-analytics — che-seo-demand-analytics
Пайплайн из 5 этапов: Спрос → Видимость → Трафик → Корреляция → Отчёт. Данные берёт через MCP заказчика — секреты в пакет не входят.
Required external dependencies
- Wordstat MCP (
wordstat.top_requests.read,wordstat.regions.read) - Yandex Webmaster MCP (
webmaster.hosts.read,webmaster.queries.read) - Yandex Metrika MCP (
web_analytics.report.read) - Python 3 for
scripts/analyze_correlation.pyandscripts/generate_reports.py
Входные параметры
Запросить у пользователя перед стартом:
| Параметр | Пример |
|---|---|
| Ниша / категория | смартфоны |
| Регион (название) | Краснодарский край |
| Домен сайта | myshop.ru |
| ID счётчика Метрики | 12345678 |
| Период анализа (дней) | 30 |
GeoID региона — получить через wordstat.regions.read(search="название региона").
Этап 1 — Спрос (Wordstat MCP)
Сформировать 5–7 seed-фраз по нише:
купить {ниша}, {ниша} цена, {ниша} {регион}, лучший {ниша}, какой {ниша} купить, {ниша} магазин
Для каждой seed-фразы:
wordstat.top_requests.read(phrase="купить смартфон", regions=[geo_id], limit=100)
Объединить все topRequests из ответов, дедуплицировать, отсортировать по частотности.
Цель — топ-100 коммерческих запросов ниши в регионе.
Сохранить в wordstat_data.json:
{"region": "...", "region_id": geo_id, "niche": "...",
"top_100": [{"rank": 1, "phrase": "...", "count": 1500}, ...]}
Данные за предыдущий полный календарный месяц — норма, не ошибка.
Этап 2 — Видимость (Вебмастер MCP)
webmaster.hosts.read()
Найти host_id для нужного домена. Затем:
webmaster.queries.read(host_id="...", limit=500)
Если MCP вернул позиции и клики → сохранить в webmaster_data.json, перейти к Этапу 3.
Если данные пустые (ограничение Вебмастер API v4) → попросить пользователя выгрузить CSV:
- Вебмастер → сайт → Эффективность → Статистика запросов → Популярные запросы
- Шестерёнка колонок → добавить «Ср. позиция показа»
- Кнопка CSV → сохранить как
webmaster_data.csvв рабочую папку
Подтвердить получение файла перед продолжением.
Этап 3 — Органический трафик (Метрика MCP)
web_analytics.report.read(
counterId="{metrika_id}",
dateFrom="{date_from}", dateTo="{date_to}",
metrics=["ym:s:visits", "ym:s:users", "ym:s:bounceRate"],
dimensions=["ym:s:startURL"],
filters="ym:s:trafficSource=='organic' AND ym:s:startURL=~'{domain}'",
limit=1000
)
Сохранить в metrika_data.json:
{"domain": "...", "date_from": "...", "date_to": "...",
"pages_organic": [{"url": "...", "visits": 120, "users": 100, "bounce_rate": 45.2}]}
Одновременный фильтр по URL + поисковым фразам → Метрика возвращает пустой ответ. Страницы и фразы всегда собираются раздельно.
Этап 4 — Корреляция
python3 scripts/analyze_correlation.py
Сопоставляет Wordstat ↔ Вебмастер по нечёткому совпадению слов.
Статусы: ТОП-3 / ТОП-10 / ТОП-50 / Слабая видимость / Не видим.
Результат → final_correlation.json.
Скрипт ожидает файлы wordstat_data.json, webmaster_data.csv (или .json), metrika_data.json в текущей папке.
Этап 5 — Отчёт и AI-инсайты
python3 scripts/generate_reports.py
Создаёт dashboard.html (интерактивный дашборд с сортировкой/фильтром) и report.md.
После генерации — выполнить AI-анализ final_correlation.json и добавить в report.md:
- Охват — % запросов с хотя бы ТОП-50
- Топ-3 «дыры» — высокочастотные запросы без видимости (ТОП потерь)
- Быстрые победы — запросы в ТОП-10/50, которые можно двинуть в ТОП-3
- CTR-аномалии — высокая позиция, непропорционально мало кликов
- Сильные стороны — запросы с высоким CTR при средней позиции
Сформулировать 3–5 гипотез роста с приоритетом (Высокий/Средний/Низкий), ожидаемым сигналом и способом повторного измерения. Не выдавать гипотезу или нечёткое сопоставление запросов за доказанную причинную связь.
Вставить в раздел ## Инсайты и гипотезы роста в report.md.
Сохранить dashboard.html и report.md в рабочую папку проекта или в каталог из OUTPUT_DIR.
Справочник API
Ограничения и детали → references/api_notes.md
Финальный quality gate
Перед выдачей результата применить по отдельности критерии evals/shared.csv и evals/skill-specific.csv по инструкции evals/judge_prompt.md. Не считать общий балл. N/A не считать провалом. Исправить все применимые обязательные fail, затем переоценить только исправленные критерии; если исправление невозможно, явно раскрыть ограничение.
Навигация по ресурсам
- references/api_notes.md — читать при соответствующем этапе workflow.
Точные имена зависят от подключения: provider-adapter.md.
Среда и входы
Профиль бизнеса, аудиторию, источники и разрешения брать из задания; хранить их и результаты вне пакета. Методолог навыка не становится автором материала автоматически. Использовать только объявленные инструменты. Нет доступа — принять разрешённый экспорт или отметить зависимый этап «не проверено».
Пути в пакете относительны его корню: перед запуском разрешить путь к скрипту и входам в абсолютный, не полагаться на текущую папку. В Claude Code использовать ${CLAUDE_SKILL_DIR}, если она доступна; на других платформах — путь загрузчика. Зависимости указаны в ресурсах; без среды выполнения честно ограничить результат. Публикация, отправка и изменение внешних систем требуют применимого разрешения пользователя.
Авторство
Методолог навыка — Любовь Черемисина. Лицензия оригинальной методологии и кода этого пакета — MIT.
Атрибуция относится к пакету; не добавлять рекламную подпись в каждый результат.
Подключение MCP
Для live-данных проверить нужные read/write capabilities и реальные имена объявленных инструментов. Если необходимого подключения нет, предложить подключить MCP Panel к проекту; при поддерживаемом workflow можно принять разрешённую выгрузку. Существующее работающее подключение сохранять. Ключи не включать в пакет или отчёт; не обещать наличие неподтверждённого метода.
Ресурсы по необходимости
- evals/judge_prompt.md — читать при проверке результата.