Vállalati eCommerce SEO a növekedésért

Q: Mi az az eCommerce SEO, és miben különbözik a hagyományos SEO-tól?

Az eCommerce SEO célja, hogy termékoldalak, kategóriaoldalak, szűrős/facettált navigáció, belső linkelés, struktúrált adatok (schema markup) és indexelési vezérlés segítségével a nagy webáruház-katalógusok minél jobban teljesítsenek a keresőkben. Ez gyakran 5 000-től akár 5 000 000+ URL-ig terjedő oldalmennyiséget jelent. A hagyományos SEO jellemzően kisebb oldalkészlettel és egyszerűbb információs struktúrával dolgozik. Vásárlói oldalaknál egyetlen sablonmódosítás is 10 000–1 000 000 URL-t érinthet egyszerre, ezért itt inkább rendszerszintű optimalizálásról van szó, nem csak oldalak „kézileg” történő javításáról. Emellett kezelni kell a készlet napi szintű ingadozását, a megszűnő termékek életciklusát, a filterek miatti URL-kitettségek (URL-explózió) problémáját, a lapozás mélységét, az ár- és országlogikát, valamint a kereskedői megbízhatósági jeleket (pl. Product schema, és a Google Merchant Center jogosultság). A fő különbség tehát: a hagyományos SEO oldat optimalizál, míg az eCommerce SEO egy olyan rendszert tervez és épít, amely biztosítja, hogy a releváns oldalak megfelelően legyenek felfedezhetők, indexelhetők és rangsorolhatók, miközben a katalógus naponta változik.

Q: Mennyibe kerül a eCommerce SEO szolgáltatás?

Az árak több tényezőtől függenek, például a katalógus méretétől, a platform összetettségétől, az érintett piacok számától, valamint attól, hogy egyszeri auditra van-e szükség vagy folyamatos megvalósítási támogatásra . Egy célzott audit közepes méretű webshopnál (10 000–50 000 termék, egyetlen piac) teljesen más költség, mint egy vállalati szintű környezet kezelése 41 domainnel, termékfeedekkel és több fejlesztői csapattal. A legnagyobb költségtényezők a szűrőkkel/facettákkal bővített navigáció bonyolultsága (hány kombinációt kell besorolni), a nemzetközi kiterjedés (minden nyelv megsokszorozza a QA terhelést), valamint az automatizáláshoz és eszközökhöz szükséges háttér. A megrendeléseket URL-osztályok, az érintett szereplők száma és a várható megvalósítás mélysége alapján határozom meg — nem önkényes csomagszintek szerint. Egy tipikus vállalati együttműködés 2 hetes feltárással (audit + architektúra-áttekintés) indul, majd ebből lesz egy pontos megvalósítási ütemterv, egyértelmű teljesítendő feladatokkal és ütemezéssel.

Q: Mennyi idő alatt látszik a webshop SEO eredménye?

A technikai fejlesztések általában már 2–4 héten belül mérhetően hatnak a feltérképezésre (crawl), főleg ha nagy a feltérképezési pazarlás, vagy a Google gyakrabban kezdi újra látogatni a fontosabb oldalakat. A rangsorolási és forgalomnövekedés viszont hosszabb folyamat, mert a kategóriaoldalakat újra kell feldolgozni, újra feltérképezni, és össze kell vetni a konkurenciával. A legtöbb jól működő webshopnál az első iránytű-jelzések 30–60 nap alatt megjelennek (hatékonyabb feltérképezés, több oldal indexálása), a kategóriás előrelépés 2–4 hónap alatt erősödik, a megbízható kereskedelmi hatás pedig 4–9 hónap alatt szokott beérni. Nagy, sablon-szintű hibáknál (100K+ URL-t érintve) a javítás széleskörű bevezetése után gyakran gyorsabb a javulás, mert a hatás „összeszorozódik”. Tömött iparágakban (divat, elektronika, barkács/otthonfejlesztés) tovább tarthat, de stabilabb lesz, mert a háttérrendszer megakadályozza a visszaesést. A legfontosabb változó az, milyen gyorsan tudja a fejlesztő csapatotok bevezetni a változtatásokat — SEO stratégia kiadás nélkül csak egy dokumentum.

Q: A Shopify, a Magento, a WooCommerce és a headless rendszerek is alkalmasak komoly eCommerce SEO-ra?

Igen, de a korlátok és feltételek jelentősen különböznek. A Shopify gyorsan indul és jól teljesít kisebb, jellemzően 50 000 SKUs alatti webshopoknál, ugyanakkor a bonyolult szűrés, az URL-struktúra szabályozása és az összetettebb nemzetközi beállítások gyakran Liquid testreszabást vagy harmadik féltől származó appokat igényelnek, amelyek később technikai adóvá válhatnak. A Magento / Adobe Commerce nagy katalógusokhoz (100K+ termék) sokkal több rugalmasságot ad, de ez a szabadság kormányzás hiányában könnyen felfújt megvalósításhoz vezethet — láttam már olyan Magento-oldalt, ahol 8M feltérképezhető URL volt, miközben csak 400K-nak volt érdemi keresési értéke. A WooCommerce kis- és közepes katalógusoknál jól működik, viszont a bővítmények kezelésére és a teljesítményfegyelemre különösen figyelni kell — 30 000+ terméknél gyakran szűk keresztmetszetté válik. A headless megoldások (Next.js, Nuxt, egyedi) maximális kontrollt kínálnak, de gyakran csak akkor tudnak jól teljesíteni, ha a SEO-t már az 1. sprinttől kezdve beépítik a framework tervezésébe. Őszintén: a platformnál többet számít a megvalósítás minősége . Tapasztalatból mondom: jól összerakott Shopify webshopok gyakran megelőznek rosszul menedzselt Magento vállalati rendszereket.

Tudj meg többet

Miért számít az eCommerce SEO 2025–2026-ban nagy online áruházak esetén?

A keresés alapjaiban megváltozott az online boltoknál. A Google ma már nem csak a relevanciát értékeli, hanem a indexelési hatékonyságot, az oldal hasznosságát, a kereskedői bizalmat és a webhely minőségét nagy volumenben. Egy 50 000 termékkel rendelkező webshop könnyedén generálhat 2–10 millió indexelhető URL-t, amint beleszámítjuk a szűrőket, a rendezést, a lapozást, a belső keresést és a követési paramétereket. Az eredmény: a katalógus papíron óriásinak tűnik, de a kereskedelmileg fontos oldalaknak csak töredéke kerül ténylegesen felfedezésre és újrafeltérképezésre a megfelelő gyakorisággal. Amikor egy német autóalkatrész-kereskedőt auditáltam 180 000 SKU-val, a Googlebot feltérképezési keretének 73%-át olyan szűrt kombinációk vitték el, amelyekre nulla keresleti igény volt – miközben 12 000 magas árrésű kategóriaoldalt kevesebb mint havonta egyszer crawl-oltak. Ez nem tartalmi probléma; hanem architektúra- és jelszintű (signal) konszolidációs probléma, ezért technikai SEO audit és webhelyarchitektúra szinte mindig a tartalommunka megkezdése előtt szükséges. A Google Shopping láthatósága, az organikus kategóriahelyezések, a képes keresésben való megjelenés és a rich result jogosultságok ma már szorosan összefüggnek: ha a canonicals nem konzisztens, a belső linkelés töredezett, vagy a termék structured data hibás, a növekedés megáll — akkor is, ha a kínálat erős.

Az eCommerce SEO figyelmen kívül hagyásának költsége ritkán jelent látványos, egyik napról a másikra bekövetkező zuhanást – inkább a indexrészarány, a kategória-láthatóság és a nem márkás bevételek lassú eróziója, miközben a versenytársak szisztematikusan javítják a rendszereiket. Rendszeresen látok olyan webshopokat, ahol a Googlebot aktivitásának 60–80%-a alacsony értékű, szűrt URL-eket céloz meg, miközben a prioritású kategóriaoldalak túl lassan reagálnak a készletváltozásokra, az árváltoztatásokra és az évszakossági eltérésekre. Ha ez megtörténik: a gyűjtőoldalak 3–6 hónap alatt veszítenek a helyezésekből, az új termékek 4–8 hét helyett csak hetek múlva kerülnek előtérbe a találatokban, a megszűnt tételek továbbra is lekötik a feltérképezési kapacitást, és a belső linkelés nem ott adja át az autoritást, ahol igazán számít. Egy divatáru-kiskereskedővel végzett munkám során 8 hónap alatt €47.000/hó organikus bevételt veszített el pusztán azért, mert a szűrős navigációjuk 3,2M duplikált URL-t generált, ami 800 pénztermelő kategória esetén felhígította a feltérképezési prioritást. A versenytársak a tisztább sablonokkal, jobb taxonómiával és erősebb landing page célzással kezdték átvenni az irányítást a nagy haszonkulcsú lekérdezéseik felett – még akkor is, ha nem volt nagyobb a linkprofiljuk. Pont ezért párosítom az eCommerce SEO-t a versenytárselemzéssel: amit elsőre technikai problémának tűnik, sokszor csak akkor válik egyértelművé, amikor egymás mellett benchmarkoljuk a kategóriaszint mélységét, a tartalmi modelleket, a szűrőlogikát és a SERP lefedettséget.

A nyereség jelentős, ha az alapok rendben vannak. Jelenleg 41 eCommerce domainen dolgozom 40+ nyelven, ahol az egyes domainek ~20M URL-t generálnak, és még így is kontrollált indexelést érnek el: 500K–10M oldalig, a működési modelltől és a piac méretétől függően. Egy barkácsáruház esetében 6 hét alatt 3×-os feltérképezési hatékonyság-növekedést értünk el úgy, hogy 4,1M holt végű szűrő URL-t eltávolítottunk a feltérképezési gráfból, és átalakítottuk a sitemap szegmentálását. A bevezetés során a Google naponta 500K+ URL-t indexelt – a korábbi alapértékhez (~80K) képest. Egy több országot kiszolgáló elektronikai platformon a láthatóság +430%-kal nőtt a prioritás-kategória klaszterekben, miután a taxonómiát, a hreflanget és a strukturált adatokat egyetlen telepítési keretrendszerbe hangoltuk össze. A kulcsfelismerés: ez nem csak több forgalomról szól, hanem arról, hogy a ténylegesen konvertáló oldalakra jobb forgalom érkezzen. Ez azt jelenti, hogy kulcsszó-kutatást, szemantikus mag fejlesztést, tartalmi mélységet, technikai vezérlőket és az árukészlet valóságát egyetlen működési modellbe kell illeszteni. Az eCommerce SEO akkor működik a legjobban, amikor már nem foltszerű javításokból áll, hanem egy mérnöki rendszer lesz.

Hogyan közelítjük meg az eCommerce SEO-t vállalati szintű webshopoknál?

Az én megközelítésem egyetlen elven alapul: az üzletek nem növekednek elszigetelt trükköktől — hanem attól, hogy a rendszer nagyléptékben, folyamatosan egyértelmű relevancia-jelzéseket küld. A taxonómia, a sablonok, az indexelési vezérlések, a strukturált adatok, a belső linkelés és a tartalom mind egymást kell, hogy erősítsék. Nem futtatom végig a „mindenre jó” 200 pontos ellenőrzőlistát, majd átadok egy statikus PDF-et. A webhelyről URL-osztályok szerint építek működő modellt, azonosítom, hogy mely oldaltípusok teremtenek értéket, illetve melyek pazarolnak, és a változtatásokat a várható hatásuk alapján rangsorolom: hogyan befolyásolják a crawl-allokációt, az indexelés minőségét, a rangsorolást és a bevételt. Amikor átvettem az SEO-t egy autóalkatrész-piactékon, ahol 1,8M termék volt 14 országban, az első megállapítás az volt, hogy a CMS 6 különböző URL-mintát generált ugyanarra a termékre — így jött létre 11M duplikált URL, amelyet a Google próbált összehangolni. Bármilyen tartalomoptimalizálás csak addig lett volna haszontalan, amíg az architekturális gyökérokot nem oldják meg. Nagy katalógusoknál ebben a diagnosztikai fázisban szinte mindig szükség van Python SEO automatizálásra, mert a manuális exportok szétesnek, amikor több százezer terméket és több millió paraméterezett URL-t kell osztályozni.

A technikai munkafolyamat a Google Search Console API-t, szervernaplófájlokat (50M+ sor), Screaming Frogot, egyéni Python crawler-eket, BigQuery-t és közvetlen CMS/katalógus feedeket kombinál. Négy olyan réteget hasonlítok össze, amelyek nagy webshopoknál ritkán vannak összhangban: amit a webhely elő tud állítani → amit a belső linkek láthatóvá tesznek → amit a Google feltérképez (crawlol) → amit a Google indexel és rangsorol. A legtöbb forgalmi probléma ezen rétegek közti hézagokban rejlik. Például egy kategória létezhet a navigációban, de annyira gyenge szöveges relevanciával bír, hogy a Google inkább egy versenytárs blogbejegyzését rangsorolja; vagy egy terméksor indexelhető ugyan, de sosem érhető el hatékonyan, mert a lapozási mélység és a szűrőállapotok felhígítják a crawl útvonalakat. Volt egy esetem, amikor egy kisállatfelszerelést áruló webshopnak 42 000 terméke volt, és standard eszközökben tökéletes technikai SEO-pontszámokat mutatott, mégis kategóriáik 38%-a nem volt indexelve — a gond az volt, hogy a belső keresési találati oldalak egy crawl csapdát hoztak létre, amely a Googlebot-látogatások 45%-át felemésztette. Ezt csak a naplófájl-elemzés derítette ki, mert a HTML-alapú crawl-ek nem tudják megmutatni a botok viselkedését. Az SEO riporting & analitika szolgáltatással olyan dashboardokat építek, amelyek sablon, könyvtár, piac és URL-osztály szerint szegmentáltak — nem csak felületi forgalmi összesítéseket mutatok.

Az AI a munkafolyamat része, de soha nem helyettesíti az ítélőképességet. A Claude-ot és a GPT-kategóriás modelleket használom keresési módosítók klaszterezésére, skálázható metaadat-variációk készítésére, URL-minták osztályozására 100K+ skálán, a SERP-funkciók elmozdulásainak összegzésére, és a nagy exportok gyors QA-jának támogatására. A kritikus pont: az AI-kimeneteket mindig korlátozzák a szabályok, sablonok, termékattribútumok és üzleti logika — soha nem kerülnek vakon publikálásra. Egy projektnél például AI-val 14 000 egyedi kategória-bevezető bekezdést generáltunk a termékattribútum-kombinációk alapján, majd futtattunk automatizált QA-t, amely 11%-ot jelölt manuális ellenőrzésre (főleg olyan szélsőséges esetekben, ahol egészségügyi állítások és szabályozott kategóriák merültek fel). Azoknak a csapatoknak, akik készen állnak ezt még tovább skálázni, bevezetem az AI & LLM SEO workflow-kat, hogy a repetitív feladatok — címminta-tesztelés, belső linkjavaslat, kategóriátámogató szövegek — 5× gyorsabban felülvizsgálhatók legyenek. Emberi felügyelet továbbra is kritikus minden olyan területen, ami befolyásolja a márkanyelvet, a YMYL-tartalmat vagy a kifinomult vásárlási szándékot. Ez a kombináció — AI-átfutás + senior SEO védőkorlátok — így tudtam a manuális munkát ~80%-kal csökkenteni anélkül, hogy elvesztettem volna az irányítást.

A skálázás mindent megváltoztat. Egy 5 000 URL-es webáruház még elboldogulhet a rendezetlen taxonómiával, és továbbra is jól rangsorolhat; de egy 5 millió indexelhető URL-lel rendelkező webáruház már nem engedheti meg magának egyetlen, sablon-szintű hibát sem. Amint több nyelven, aldomainek vagy ccTLD-k alatt, változékony készlettel, szezonális termékforgással és rétegzett navigációval dolgozol, minden egyes architekturális döntés hónapokkal később következményekkel jár. Az egyik legnagyobb ügyfelemnél – egy multi-brand kiskereskedőnél, ahol 20M+ generált URL van – egy fejlesztő SEO-véleményezés nélkül hozzáadott egy rendezési paramétert a terméklistaoldalakhoz. Mindössze 3 hét alatt a Googlebot 2,8M új URL-t fedezett fel, amelyek felhígították az egész termékkatalógus feltérképezési prioritását. Ezt 48 órán belül automatikus monitorozással kiszúrtuk; enélkül a károk 3–4 hónap alatt váltak volna láthatóvá a forgalomban. Ezért a webáruház SEO-nak szorosan össze kell kapcsolódnia a weboldal architektúrával, a nemzetközi & többnyelvű SEO-val és a sablon-szintű fejlesztési tervezéssel. Vállalati méretekben a módszertan nem az optimalizálásról szól – hanem arról, hogy a komplexitás ne fusson el a csapat mellett.

Hogyan Kezeli a Méretezett Vállalati Szintű Rétegzett Navigáció (Faceted Navigation) SEO-ját?

A standard eCommerce SEO-tanácsok leggyorsabban a szűrős (faceted) navigáció mentén esnek szét, és pontosan itt dől el, hogy a legtöbb vállalati (enterprise) webáruház nyer, vagy elfolyik a crawl budgetje. A megszokott tanács – az összes szűrő letiltása, mindent a szülőkategóriára canonicalizálni, és csak néhány kombinációt indexelni – kis katalógusoknál működhet, viszont vállalati szinten veszélyesen leegyszerűsített. A szűrők gyakran valódi keresleti igényeket tükröznek: szín, méret, anyag, kompatibilitás, márka, felületkezelés, étrendi típus, járműmodell és egyéb, magas szándékú (high-intent) módosítók közvetlenül tranzakciós lekérdezésekre fordíthatók le. Amikor egy német elektronikai kiskereskedő szűrőrendszerét elemeztem, azt találtam, hogy 2 340 szűrőkombináció létezik, összesített havi keresési volumenük 890 000 lekérdezés – amelyeket egy általános noindex szabály mind blokkolt, amit az előző ügynökségük vezetett be. Eközben kontrollálatlan navigációjuk létrehozott 4,7M olyan URL-kombinációt, amelyekre senki sem keres, és amelyeket a Googlebot 62%-ban feleslegesen meglátogatva pazarolta a crawl budgetjét. A feladat sebészeti pontosságú: a hasznos kombinációk előtérbe helyezése, a pazarlás megszüntetése.

Itt számít a egyedi Python alapú klasszifikációs rendszerek használata. Olyan szkripteket építek, amelyek minden egyes szűrőkombinációt pontoznak öt dimenzió mentén: keresleti volumen (GSC megjelenítések + külső/third-party volumen), duplikációs kockázat (mennyire van átfedés a meglévő oldalakkal), készletstabilitás (az ilyen szűrő mögötti termékek készleten maradnak?), belső linkelhetőség (elérhető-e ez a kombináció?), valamint konverziós potenciál. Egy ruházati piactéren a leggyorsabb eredmények abból jöttek, hogy 340, kereskedelmileg releváns szűrőkombinációt juttattam el kontrollált landing oldalakra — egyedi kategória-bevezetőkkel, megfelelő canonical láncokkal és sitemap-bevétellel — miközben párhuzamosan indexen kívülre tettem 1.8M zsákutcának számító szűrőállapotot. Eredmény: +89% non-brand organikus munkamenet 5 hónap alatt, miközben a feltérképezési hatékonyság 2.4×-re javult. Azoknak a webshopoknak, amelyek ezt még nagyobb volumenben szeretnék, a programmatic SEO enterprise szinten szolgáltatást használom: valós készletlogikára támaszkodó, kiváló minőségű kategória-variánsok előállítására — nem „vékony”, automatikusan generált oldalakra. A Schema & structured data szintén része a megoldásnak, különösen akkor, ha a szűrőből generált oldalak között következetlenül jelenik meg az ár, elérhetőség, értékelés és variáns-információ.

A vállalati szintű eCommerce SEO akkor is jelent valamit, ha igazodik ahhoz, ahogyan a termékcsapatok és a fejlesztők ténylegesen dolgoznak. Az ajánlásokat Jira-ticekké kell alakítani elfogadási kritériumokkal, edge case dokumentációval, QA-szabályokkal és regressziós tesztekkel. Sok időt fordítok arra, hogy a SEO-követelményeket lefordítsam implementációs nyelvre: mit kell módosítani az útvonalválasztásnál (routing), milyen logika vezérli a kanonikus tageket a template-szinten, mely filterek alapján keletkező URL-ek indexelhetők, hogyan jelenik meg a lapozás (rel=next/prev vs lazy load vs infinite scroll), és hogyan befolyásolják a készletállapot-átmenetek az indexelési viselkedést (in-stock → low-stock → out-of-stock → discontinued). Egy projekten egy látszólag egyszerű „üres filteroldalak blokkolása” szabálynak 47 edge case-e volt különböző termékkategóriákban, amelyek mind speciális kezelést igényeltek. Ezért számít a weboldalfejlesztés + SEO integrációja azokon a webshopokon is, amelyek egyedi platformokat használnak, vagy headless commerce stack-ekkel dolgoznak. Emellett a kereskedelmi (merchandising) és tartalomcsapatokkal is egyeztetek — egy technikailag rendben lévő oldal is elbukhat, ha a rossz keresőkifejezésekre (query set) optimalizál, vagy ha a termékeket olyan módon mutatja be, ami lerontja a konverziós arányt.

A hozamok idővel összeadódnak, de szakaszokban jelentkeznek. Első 30 nap: tisztább feltérképezési minták, kevesebb duplikált indexelési rendellenesség, és érezhetően gyorsabb újrafeltérképezés az frissített kategóriáknál és termékeknél — ezt a GSC lefedettségi riportokban és a logelemzésben is mérhetően látni. 60–90 nap: a kategória- és alkategóriaoldalak szélesebb lekérdezés-készleteket kezdenek lefedni, különösen ott, ahol korábban gyenge volt a taxonómia és a belső linkelés; tipikusan 15–25%-kal több indexelt kategóriaoldalt látunk a top 20 találatok között rangsorolni. 6 hónap: a jól végrehajtó webshopoknál erősebb lesz a non-brand növekedés (+40–170% a kiindulási alap függvényében), javul a termékek felfedezési aránya, és kiszámíthatóbbá válik a szezonális teljesítmény. 12 hónap: az igazi haszon az operációban jelentkezik — a katalógus úgy nő, hogy közben nem termeli újra ugyanazt a technikai adósságot. Nyomon követem az indexelt oldalak minőségét, az URL-típusok szerinti feltérképezési arányt (crawl share), a kategóriák rangsorolási mélységét, a termékek első benyomásának arányát, a rich result lefedettséget, és a non-brand organikus forgalomból származó bevétel-hozzájárulást mint északi csillag mutatót, mindezt összekötve a SEO reporting & analytics szolgáltatáson keresztül.

Szállítmányok

Mit tartalmaz

01 Vállalati katalógus audit, amely minden URL-osztályt feltérképez — kategóriák, termékek, szűrők, lapozás, belső keresés, paraméterminták — és számszerűsíti, hogy mely szettek termelnek bevételt, és melyek pazarolják a feltérképezési büdzsét. Egy közelmúltbeli 2,4M-URL-es webshopban az audit megállapította, hogy a indexált oldalak 68%-a 12 hónap alatt nulla kattintást generált.

02 Kereskedelmi kulcsszó-térképezés kategória-, márka-, terméktípus- és felhasználási céloldalakhoz igazítva a tényleges ügyfélkeresések logikáját, nem ahhoz, ahogy a katalógust belsőleg elnevezték. Jellemzően 30–50% több nagy szándékú lekérdezést tárunk fel a meglévő taxonómia célértékeihez képest.

03 Fazettált navigációs stratégia, amely meghatározza, mely szűrőkombinációk érdemelnek indexelést, melyeket kell kanonizálni, és melyeknek maradniuk kell feltérképezés-blokkoltnak — a keresleti adatok alapján, nem általános, „mindenre egyformán” szabályok szerint. Egy ruházati oldalon 340 magas keresletű szűrőkombót landing page-ként népszerűsítve +89% nem márkás (non-brand) látogatást hozott 5 hónap alatt.

04 Termékoldal-optimalizálási keretrendszer, amely a címeket, leírásokat, strukturált adatokat (Product, Offer, AggregateRating), képi jelzéseket, elérhetőségi állapotokat és belső hivatkozásokat foglal magában — a konzisztens long-tail keresleti lefedésért több ezer SKU-n keresztül.

05 Kategóriaoldal-sablon stratégia, amely egyensúlyt teremt az SEO mélység, UX, merchandizing és konverzió között — a vékony katalógusarchív oldalakat rangot adó landing page-ké alakítva egyedi bevezető szöveggel, fazetta-alapú entitáscélzással és kontextusos belső linkekkel.

06 Belső linkelési modell kategória-hubokhoz, kapcsolódó termékekhez, márkaoldalakhoz, szezonális gyűjteményekhez és szerkesztőségi támogatói oldalakhoz — úgy megtervezve, hogy a tekintély a bevételt generáló szekciók felé áramoljon. Python szkripteket használunk a PageRank-eloszlás kiszámítására és a link equity szivárgások azonosítására.

07 Nemzetközi és többnyelvű SEO vezérlések hreflang-hoz, lokalizált taxonómiához, pénznem–ország logikához és piac-specifikus keresési szándékhoz — megelőzve a piacok közti kannibalizációt 5, 25 vagy 40+ locale-on át. Közvetlenül kapcsolódik a [nemzetközi SEO](/services/international-seo/) stratégiához.

08 Naplóalapú feltérképezési büdzsé-elemzés, amely megmutatja, hogyan tölti idejét a Googlebot ténylegesen a webshopodon: mely könyvtárak kerülnek túl-feltérképezésre, mely „pénzoldalak” maradnak alultáplálva, és hol vannak a botcsapdák. Elemzésenként 50M+ naplóüzenetet dolgozunk fel egyedi Python pipeline-okkal + BigQuery-val.

09 Automatizált munkafolyamatok a [Python SEO automatizáláshoz](/services/python-seo-automation/) és AI-asszisztált QA-hoz, amelyek ~80%-kal csökkentik a manuális metaadat-munkát, néhány órán belül (nem hónapok alatt) észlelik a sablon-regressziókat, és biztonságosabbá teszik a nagyskálás telepítéseket több piacon is.

10 Mérési keretrendszer, amely egyetlen riportálási rétegbe köti össze a láthatóságot, az indexelt URL-ek minőségét, a feltérképezési hatékonyságot, a kategóriák rangsorát, a termékfelfedezési arányt és a bevételi hozzájárulást — sablontípus, piac és URL-osztály szerint szegmentálva a [SEO reporting & analytics](/services/seo-reporting-analytics/) segítségével.

Folyamat

Hogyan működik

Fázis 01

Phase 1: Audit the Revenue-Critical URL Landscape

In weeks 1–2, I map the entire store by URL type: categories, subcategories, products, brand pages, filter states, search results, pagination, content hubs, and obsolete patterns. Using GSC API data, log files, and full-site crawls, I compare indexable intent against actual search demand. The output is a prioritized diagnosis with specific numbers: how many URLs per class, which ones rank, which waste crawl budget, and where the biggest revenue opportunities are blocked by architecture, content, or deployment issues. Every finding is quantified — not 'fix canonicals' but '47,000 category URLs have conflicting canonical signals, affecting an estimated €23K/month in organic revenue'.

Fázis 02

2. fázis: Tervezd meg az üzletet a keresleti igényekhez

Megtervezem a taxonómiát, a kanonikus szabályokat, az indexelési vezérléseket, a belső linkelési logikát és az oldalszerepekhez szükséges definíciókat, amelyek a kereskedelmi lekérdezések megcélzásához kellenek. Ide tartozik: a kulcsszókeresleti igényhez térképezett kategóriabővítési lehetőségek, a szűrős/attribútumos navigáció szabályai (mely kombinációk indexelhetők vs. blokkolandók), a lapozási stratégia, a nem elérhető (out-of-stock) termékek életciklus-logikája, a termékváltozatok kezelése és a strukturált adatokkal kapcsolatos követelmények. E fázis végére a csapat rendelkezik jegy (ticket)-kész megvalósítási specifikációkkal elfogadási kritériumokkal, edge case (szélső esetek) kezelésével és QA-szabályokkal — nem olyan általános ajánlásokkal, amelyekhez még egy újabb értelmezési kör szükséges.

Fázis 03

3. fázis: Telepítés, QA és stabilizálás

A megvalósítás során közvetlenül dolgozom a fejlesztőkkel, a tartalmi csapatokkal, a merchandiser csapatokkal és a terméktulajdonosokkal, hogy a kiadásokat a launch előtt és után is érvényesítsük. Ez azt jelenti, hogy ellenőrzöm a megjelenített HTML-t, a canonicaleket, a schema-t, a robots direktívákat, a hreflanget, a belső linkeket és a sablonok öröklődését nagy URL-mintákon (jellemzően 5 000–50 000 oldal / ellenőrzés). A cél az, hogy elkerüljük a gyakori katasztrófát, amikor egy helyes stratégia azért bukik el, mert egyetlen sablonváltozó vagy CMS-szabály elront 100 000 oldalt egyszerre. Egy nemrégiben végrehajtott migrációnál a launch előtti QA felfedezett egy canonical loopot, amely 340 000 termékoldalt érintett — 12 órával a go-live előtt.

Fázis 04

4. fázis: Skálázd, ami működik, és folyamatosan kövesd

A fő bevezetés után áttérek a mérésre és az iterációra: sablonok tesztelése, kategóriabővítés, metadaták automatizálása, szezonális oldaltervezés, indexelés-figyelés és a feltérési hatékonyság követése. A teljesítményt URL-típus és piaci szegmens szerint értékeljük – nem csak a teljes forgalmi számok alapján –, így a sikerek gyorsan megismételhetők, a gyenge részek pedig hamar javíthatók. Az automatizált riasztások 24 órán belül jelzik a visszaeséseket a havi riportok megvárása helyett. Ebben a fázisban az eCommerce SEO egy egyszeri projektből fenntartható növekedést biztosító működési rendszerré válik, amely közvetlenül kapcsolódik a [SEO válogatáshoz & havi menedzsmenthez](/services/seo-monthly-management/).

Összehasonlítás

E-kereskedelmi SEO: Standard ügynökségi megközelítés vs. vállalati szintű szakértői stratégia

Méret

Szokásos megközelítés

Saját megközelítés

Katalóguselemzés

Egy 500–1 000 oldalas mintát elemez a Screaming Frog segítségével, és feltételezi, hogy a mintázatok a katalógus többi részén is érvényesek.

A teljes URL-ökoszisztémát sablonok és paraméterminták alapján modellezi Python + BigQuery segítségével, így a 100 000+ oldalt érintő problémák még bármilyen bevezetés előtt számszerűsítve kerülnek. Minden megállapítás tartalmazza a forgalomban és árbevételben jelentkező hatásbecslést is.

Kulcsszó-célzás

A 20–50 head kifejezésre fókuszál, és a katalógusban általános termékoldal-címsor képleteket alkalmaz.

A szándékot kategórián, alkategórián, márkán, kompatibilitáson, jellemzőn és long-tail módosítókon keresztül képezi le — a valós készletmélységhez és árrés-adatokhoz kötve. Tipikusan 30–50%-kal több célzott lekérdezést tár fel a meglévő taxonómiához képest.

Szelekciós (faceted) navigáció

Minden szűrőre vak (blokk-szerű) noindex/nofollow vagy canonical szabályokat alkalmaz, anélkül hogy elemezné, mely kombinációknak van keresleti igénye.

Minden szűrőkombinációt besorol keresési volumen, duplikációs kockázat, indexelési/kínálati stabilitás és üzleti érték alapján — majd a hasznos kombinációkat előtérbe helyezi, a felesleget pedig megszünteti. Eredmény: célzott indexelés, nem vak blokkolás.

Műszaki megvalósítás

PDF-et készít ajánlásokkal, majd a fejlesztőcsapatra bízza a prioritások és a speciális/edge case-ek értelmezését.

Jegy- (ticket-) szintű specifikációkat készít elfogadási kritériumokkal, QA szkriptekkel, mint URL-ekkel, edge case-ek dokumentációjával és poszt-launch validációs munkafolyamatokkal. Közvetlenül a sprintciklusokban dolgozik együtt a mérnöki csapatokkal.

Mérés

Havi alapon mérjük a munkamenetek számát és az átlagos rangsorolásokat, általában domain szinten.

A feltérképezési hatékonyságot könyvtár szinten, a beindexelt URL-ek minőségét sablon alapján, a kategória-rangsorolási mélységet, a nem márkás bevételt régiónként, valamint a termékek felfedezési arányát nyomon követjük – naponta frissítve automatizált irányítópultokon keresztül.

Skálázhatóság

Manuális táblázatelemzésre és böngészőalapú eszközökre támaszkodik, amelyek 50 ezer URL felett megszakadnak.

Python automatizálást, API-csatornákat, BigQueryt és AI-val támogatott QA-t használ több régiót felölelő, milliós nagyságrendű URL-eket kezelő webáruházakhoz. A kézi munka csökkentése ~80% a riportálási és QA munkafolyamatokban.

Ellenőrzőlista

Teljes eCommerce SEO ellenőrzőlista: amit átvizsgálunk és javítunk

✓ Taxonómia és kategóriaszerkezet felülvizsgálata — ha a kategóriák nem tükrözik, hogyan keresnek az ügyfelek, a nagy értékű kereskedelmi keresési lekérdezések soha nem kapnak erős landing oldalt. A kategóriastruktúrát a kulcsszókereslet-fürtökkel (demand clusters) vetjük össze, hogy feltárjuk a hiányokat és az eltéréseket. KRITIKUS
✓ Szűkített navigáció és paramétervezérlés — a nem szabályozott szűrő-URL-ek a feltérképezési aktivitás 40–80%-át is felemészthetik, és eltemethetik a pénzt hozó oldalak mögé. Minden szűrőkombinációt igény, duplikációs kockázat és üzleti érték alapján osztályozunk. KRITIKUS
✓ Kanóniakalizálás, lapozás és duplikált klaszterek elemzése — a vegyes kanonikus jelek több ezer, közel azonos URL között szétoszthatják a rangsorolási értéket. Minden duplikált klasztert azonosítunk, és sablonok alapján meghatározzuk a feloldási szabályokat. KRITIKUS
✓ Termékoldal sablonminősége — címek, leírások, média, séma (Product + Offer + AggregateRating), elérhetőségi állapotok és variánsok kezelése. A gyenge sablonok korlátozzák a hosszú farokban történő felfedezhetőséget és a teljes katalógusban a kattintási arányt.
✓ Belső hivatkozások az oldalsávból navigációhoz, kategóriaközpontokból, kapcsolódó termékekből és szerkesztőségi tartalomból. Az árva vagy gyengén hivatkozott oldalak ritkábban kerülnek feltérképezésre, és lassabban rangsorolnak — Python PageRank szimulációt használunk a linkérték-szivárgások azonosítására.
✓ Készlethiányos, megszüntetett és szezonális termékek életciklus-logikája. Rossz életciklus-szabályok indexbővülést okoznak (404-es oldalak indexben tartása), vékony tartalmat eredményeznek (üres kategóriák megjelenítése), valamint elpazarolt linkértéket (nagy tekintélyű URL-ek helytelen célokra átirányítása).
✓ Termék, BreadcrumbList, Offer, AggregateRating és Organization entitások strukturált adatok validálása. A hibás schema közvetlenül csökkenti a rich results, kereskedői jelvények és továbbfejlesztett SERP-funkciók jogosultságát.
✓ Nemzetköziesítés és hreflang-konzisztencia biztosítása az összes piac–nyelv páron. A nem egyező verziók rossz országrangsorokat okozhatnak (német felhasználók angol oldalakat látnak), csökkenthetik a relevanciát, és pazarlóan növelhetik a feltérképezési költséget a különböző locale-okon belül.
✓ A Core Web Vitals és a megjelenítés ellenőrzése a kategória- és terméksablonokon. A lassú vagy elrendezést elcsúsztató oldalak rontják mind a feltérképezés hatékonyságát, mind a konverziót — a sablon-típusok között is tesztelünk, nem csak az kezdőoldalon.
✓ Elemzés és Search Console szegmentálás sablon, könyvtár és piac szerint. Ennek hiányában nem tudja megállapítani, hogy az SEO-változások javították-e a kategóriák iránti kereslet lefedettségét, vagy csak az átkattintást/forgalmat helyezték át az egyes oldaltípusok között.

Eredmények

Konkrét eredmények e-kereskedelmi SEO projektekből

Divatáruház-lánc (14 piac, 180K+ SKU)

+172% nem márkás organikus megjelenés 9 hónap alatt

A több országra kiterjedő divatáruház-láncnak erős termékei voltak, azonban nem hatékony volt a kategóriarendszere: a kanonikus URL-ek inkonzisztensek voltak a 14 piac alkönyvtáraiban, illetve a szűrős (faceted) navigáció összesen 3,2M duplikált URL-t generált. Újjáépítettük a kategória-célzást a piac-specifikus keresleti kulcsszavak alapján, 2 100 szűrőkombinációt újrakategorizáltunk (ebből 340-et előtérbe helyeztünk indexelhető landing oldalakként, 1 760-at letiltva), átalakítottuk a belső linkelést a kollekciók és a termékklaszterek között, valamint szigorítottuk a sablon-szabályokat az összes piacon. A nem márkás láthatóság +172%-kal nőtt, és a webáruház a jelenleg organikusan lefedett keresőlekérdezésekre fordított PPC-költését 31 000 €/hó-val csökkentette.

Otthoni fejlesztés e-kereskedelem (2,4M URL)

3× jobb feltérképezési hatékonyság, a bevezetés során 500K+ URL/nap indexálva

A webhely milliós nagyságrendű, paraméterezett URL-t generált rétegezett termékattribútumokból, és a Googlebot látogatásainak 67%-a alacsony értékű rendezési/szűrési kombinációkra ment. A naplóelemzés (48M naplósor feldolgozása) után, a kanonikus szabályok rendbetételével, a termékkategóriák szerinti webhelytérkép-szegmentálással, valamint 890 keresésre érdemes szűrőoldal kontrollált promóciójával a Google elkezdte lényegesen gyakrabban (3×-kal) újra felkeresni a kiemelt szakaszokat. A nagy bevezetési időszak alatt az indexelt lefedettség ~80K-ról 500K+ URL/napra nőtt. A vállalat a következő negyedévben 3 új termékkategóriát indított, amelyek azonnal indexálásra kerültek.

Többországos elektronikai kiskereskedő (41 domain, 40+ nyelv)

+430% láthatóságnövekedés a kiemelt kategória klaszterekben

A fő probléma nem a termékek hiánya volt, hanem a széttöredezett nemzetközi célzás és az eltérő (inkonzisztens) sablon-öröklődés a piacok között. Az angol kategóriaoldalak 7 piacon megelőzték a helyi verziókat, a hreflangban 14 000+ hiba volt, és a strukturált adatok a termékoldalak 60%-áról hiányoztak. A teljes 41 domainen egységesítettük a taxonómiát, piacokra lebontottan (nem csupán fordítással) lokalizáltuk a kulcsszó-célzást, sablonszinten újraépítettük a hreflangot, és a Product + Offer sémát a teljes katalógusban bevezettük. A láthatóság a kiemelt terméktípusok és kompatibilitási lekérdezések esetén +430%-kal nőtt, a legerősebb eredmények DE, FR és PL piacokon jelentkeztek.

Kapcsolódó esettanulmányok

4× Growth

SaaS

Nemzetközi kiberbiztonsági SaaS

80-ról 400 látogatásra/nap 4 hónap alatt. Nemzetközi kiberbiztonsági SaaS platform több piacos SEO s...

0 → 2100/day

Marketplace

Használt autó piactér – Lengyelország

Nulláról 2100/nap organikus látogatóra 14 hónap alatt. Teljes körű SEO indulás a lengyel autó piacté...

10× Growth

eCommerce

Prémium bútor e-kereskedelem – Németország

30-ról 370 látogatásra/nap 14 hónap alatt. Prémium bútor e-kereskedelem a német piacon....

Andrii Stanetskyi

A projekt mögött álló szakértő

11 év alatt oldok meg SEO-problémákat minden területen — eCommerce, SaaS, egészségügy, marketplace-ek, szolgáltató cégek. A startupokhoz készített egyedi auditoktól a több domaines enterprise stackek menedzseléséig mindent csinálok. Megírom a Python-t, felépítem a dashboardokat, és én felelek az eredményért. Nincs közvetítő, nincs fiókmenedzser — közvetlen hozzáférés ahhoz, aki ténylegesen dolgozik.

200+

Szállított projektek

18

Iparágak

40+

Leckedelt nyelvek

11+

Év SEO-ban

Megfelelőségi felmérés

Az e-kereskedelmi SEO megfelelő megoldás az Ön webshopjához?

Online kiskereskedők 5 000 és 5 000 000+ termékkel, akik úgy érzik, megrekedtek, miközben több készletet adnak hozzá. Ha a katalógusod folyamatosan bővül, de a kategóriák láthatósága nem javul, a probléma szinte mindig az architektúra, a feltérképezés (crawl) vezérlése vagy az intent-mapping — nem pedig a tartalom hiánya. Láttam már olyan webáruházakat, amelyek egy negyedév alatt 40 000 új terméket adtak hozzá, mégis semmilyen organikus forgalomjavulást nem értek el, mert az alapul szolgáló taxonómia nem tudta őket megfelelően felszínre hozni. Az ilyen helyzetben lévő áruházaknak gyakran hasznos az enterprise eCommerce SEO, ha a bonyolultság több országra, márkára vagy platformra is kiterjed.

A kereskedők, akik jelentős átalakítást, platformváltást vagy headless megvalósítást terveznek. Ha a sablonok, az útvonalkezelés, a szűkített navigáció vagy a nemzetközi beállítások változni fognak, az SEO-t az architektúra szakaszában kell beágyazni — nem pedig 3 hónappal a launch után hozzáadni, amikor a rangsorolás már 40%-ot esett. Az egyik ügyfél kihagyta ezt a lépést: a Magento-ról headless rendszerre történő migráció során 5 hónap kellett a helyreállításhoz, és közben 180 000 € organikus bevételt veszített. Ilyen esetekben a SEO-migráció és új platformra költöztetés a kritikus kapcsolódó szolgáltatás.

Nemzetközi áruházak, amelyek 3+ nyelven működnek, vagy több országos webhelyet üzemeltetnek, ahol a piacok közötti kannibalizáció, a duplikált sablonok vagy az inkonzisztens lokalizáció rontja a teljesítményt. Ha a Google egy lekérdezésnél a rossz piac oldalát rangsorolja — vagy nem bízik a helyi kategóriák relevanciájában — a megoldás az eCommerce SEO és a nemzetközi és többnyelvű SEO metszéspontjában található. Ezt naponta kezelem 41 domainon és 40+ nyelven.

Olyan csapatoknak, amelyek értik a SEO-t, de rendszerekre van szükségük a skálázott kivitelezéshez. Ha a szűk keresztmetszet már nem a tudás, hanem a teljesítmény, a kormányzás és a QA — ha nem tudsz lépést tartani 200 000 termékoldallal táblázatok használatával — akkor az eCommerce-stratégia párosítása a tartalomstratégiával és optimalizálással és a Python automatizálással gyorsabb bevezetést tesz lehetővé kategóriák, piacok és sablontípusok között.

Nem megfelelő?

Nagyon kis webshopok, amelyek néhány száz terméknél kevesebbet kezelnek, és nincs érdemi kategóriahierarchia. Egy teljes, vállalati szintű együttműködés túlzás lenne — egy fókuszált website SEO promóciós terv vagy átfogó SEO audit a jobb kiindulópont, és jellemzően ennél a méretnél gyorsabban hoz megtérülést.

Olyan vállalkozásoknak, amelyek kizárólag gyors linkmennyiséget keresnek, vagy kiszervezett blogposztolást, miközben a fontos technikai és kategóriás problémák továbbra is rendezetlenek maradnak. Ha a webhelyarchitektúra, az indexelési vezérlések és a terméksablonok gyengék, a jogalapok rendbetétele először 10:1 arányban felül fogja múlni a linképítést. Kezeld az alapokat még mielőtt komolyan invesztálnál a link building & digital PR területén.

GYIK

Gyakran ismételt kérdések

Az eCommerce SEO célja, hogy termékoldalak, kategóriaoldalak, szűrős/facettált navigáció, belső linkelés, struktúrált adatok (schema markup) és indexelési vezérlés segítségével a nagy webáruház-katalógusok minél jobban teljesítsenek a keresőkben. Ez gyakran 5 000-től akár 5 000 000+ URL-ig terjedő oldalmennyiséget jelent. A hagyományos SEO jellemzően kisebb oldalkészlettel és egyszerűbb információs struktúrával dolgozik. Vásárlói oldalaknál egyetlen sablonmódosítás is 10 000–1 000 000 URL-t érinthet egyszerre, ezért itt inkább rendszerszintű optimalizálásról van szó, nem csak oldalak „kézileg” történő javításáról. Emellett kezelni kell a készlet napi szintű ingadozását, a megszűnő termékek életciklusát, a filterek miatti URL-kitettségek (URL-explózió) problémáját, a lapozás mélységét, az ár- és országlogikát, valamint a kereskedői megbízhatósági jeleket (pl. Product schema, és a Google Merchant Center jogosultság). A fő különbség tehát: a hagyományos SEO oldat optimalizál, míg az eCommerce SEO egy olyan rendszert tervez és épít, amely biztosítja, hogy a releváns oldalak megfelelően legyenek felfedezhetők, indexelhetők és rangsorolhatók, miközben a katalógus naponta változik.

Az árak több tényezőtől függenek, például a katalógus méretétől, a platform összetettségétől, az érintett piacok számától, valamint attól, hogy egyszeri auditra van-e szükség vagy folyamatos megvalósítási támogatásra. Egy célzott audit közepes méretű webshopnál (10 000–50 000 termék, egyetlen piac) teljesen más költség, mint egy vállalati szintű környezet kezelése 41 domainnel, termékfeedekkel és több fejlesztői csapattal. A legnagyobb költségtényezők a szűrőkkel/facettákkal bővített navigáció bonyolultsága (hány kombinációt kell besorolni), a nemzetközi kiterjedés (minden nyelv megsokszorozza a QA terhelést), valamint az automatizáláshoz és eszközökhöz szükséges háttér. A megrendeléseket URL-osztályok, az érintett szereplők száma és a várható megvalósítás mélysége alapján határozom meg — nem önkényes csomagszintek szerint. Egy tipikus vállalati együttműködés 2 hetes feltárással (audit + architektúra-áttekintés) indul, majd ebből lesz egy pontos megvalósítási ütemterv, egyértelmű teljesítendő feladatokkal és ütemezéssel.

A technikai fejlesztések általában már 2–4 héten belül mérhetően hatnak a feltérképezésre (crawl), főleg ha nagy a feltérképezési pazarlás, vagy a Google gyakrabban kezdi újra látogatni a fontosabb oldalakat. A rangsorolási és forgalomnövekedés viszont hosszabb folyamat, mert a kategóriaoldalakat újra kell feldolgozni, újra feltérképezni, és össze kell vetni a konkurenciával. A legtöbb jól működő webshopnál az első iránytű-jelzések 30–60 nap alatt megjelennek (hatékonyabb feltérképezés, több oldal indexálása), a kategóriás előrelépés 2–4 hónap alatt erősödik, a megbízható kereskedelmi hatás pedig 4–9 hónap alatt szokott beérni. Nagy, sablon-szintű hibáknál (100K+ URL-t érintve) a javítás széleskörű bevezetése után gyakran gyorsabb a javulás, mert a hatás „összeszorozódik”. Tömött iparágakban (divat, elektronika, barkács/otthonfejlesztés) tovább tarthat, de stabilabb lesz, mert a háttérrendszer megakadályozza a visszaesést. A legfontosabb változó az, milyen gyorsan tudja a fejlesztő csapatotok bevezetni a változtatásokat — SEO stratégia kiadás nélkül csak egy dokumentum.

Nem igazán, mert a két megoldás más problémákat old meg, és a legjobban teljesítő webáruházak általában mindkettőt okosan használják. A PPC gyorsaságot és teljes kontrollt ad — különösen termékbevezetésekhez, árrésérzékeny kampányokhoz, valamint új piacok teszteléséhez. Az eCommerce SEO ezzel szemben tartós láthatóságot épít kategóriás, termék- és hosszú farok (long-tail) keresésekben úgy, hogy nem fizetünk kattintásonként. Nagy katalógusoknál az SEO megtérülése fokozódik: egyetlen technikai, architekturális javítás is sok ezer oldalt érinthet egyszerre (pl. a kanonikus logika rendbetétele 50 000 kategóriaoldalon). A különbség a várakozási idő: az SEO 3–9 hónap alatt érik be, és erősen függ a technikai kivitelezés minőségétől. A folyamatosan emelkedő CPC-k mellett — ami 2025-ben a legtöbb webáruházat érinti — az organikus láthatóság idővel az egyik kevés olyan csatorna, amely érdemben javítja a kombinált (blended) ügyfélszerzési költséget. Gyakran látok 15–30% PPC-költségcsökkenést olyan kategóriákban, ahol az organikus találatok már elérik a top 3 pozíciót.

A felhasználói hasznosságot és a keresőoldali értéket szétválasztva, a adatvezérelt osztályozási (data-driven classification) megközelítés alapján döntünk, nem általános, „mindenre ugyanaz” szabályokkal. Minden lehetséges szűrőkombinációt öt dimenzió mentén pontozunk: keresleti igény (GSC-ből és külső adatokból), duplikációs kockázat (átfedés a meglévő kategóriaoldalakkal), készletstabilitás (az adott szűrő mögött lévő termékek várhatóan elérhetők maradnak-e), belső linkelhetőség (természetesen elérhető-e a kombináció), valamint konverziós potenciál. A pontszám alapján egyes kombinációk dedikált landing page-ként, egyedi tartalommal, helyes kanonikus beállításokkal és sitemap-be kerüléssel kapnak helyet, mások kanonizálást vagy feltérképezési (crawl) kontrollt kapnak. Nagyobb webshopoknál ez jellemzően több millió alacsony értékű URL-t vesz ki a feltérképezési egyenletből, miközben egy kisebb, 200–2 000, nagy szándékú szűrőoldalt emel előtérbe. Ennek eredménye általában a 2–3× jobb feltérképezési hatékonyság, illetve 60–90 nap alatt mérhetően erősebb kategóriarankings.

Igen, de a korlátok és feltételek jelentősen különböznek. A Shopify gyorsan indul és jól teljesít kisebb, jellemzően 50 000 SKUs alatti webshopoknál, ugyanakkor a bonyolult szűrés, az URL-struktúra szabályozása és az összetettebb nemzetközi beállítások gyakran Liquid testreszabást vagy harmadik féltől származó appokat igényelnek, amelyek később technikai adóvá válhatnak. A Magento / Adobe Commerce nagy katalógusokhoz (100K+ termék) sokkal több rugalmasságot ad, de ez a szabadság kormányzás hiányában könnyen felfújt megvalósításhoz vezethet — láttam már olyan Magento-oldalt, ahol 8M feltérképezhető URL volt, miközben csak 400K-nak volt érdemi keresési értéke. A WooCommerce kis- és közepes katalógusoknál jól működik, viszont a bővítmények kezelésére és a teljesítményfegyelemre különösen figyelni kell — 30 000+ terméknél gyakran szűk keresztmetszetté válik. A headless megoldások (Next.js, Nuxt, egyedi) maximális kontrollt kínálnak, de gyakran csak akkor tudnak jól teljesíteni, ha a SEO-t már az 1. sprinttől kezdve beépítik a framework tervezésébe. Őszintén: a platformnál többet számít a megvalósítás minősége. Tapasztalatból mondom: jól összerakott Shopify webshopok gyakran megelőznek rosszul menedzselt Magento vállalati rendszereket.

Vállalati webshopok esetén nem lehet egyenként, katalógusoldalról katalógusoldalra haladni — a munkát sablonok, szabálykészlet és URL-osztályok szintjén kell elvégezni. Elszegmensezem az oldaltípusaikat (kategória, termék, márka, szűrő, szerkesztőségi, hasznossági), majd szegmensenként feltérképezem a feltérképezési (crawl) és indexelési viselkedést. Így azonosítom, hogy mely minták hoznak organikus forgalmat, melyek csak felesleges számosságot generálnak, és hol van szükség új landing oldalakra. Kulcs a megfelelő automatizálás: Python szkriptek végzik az adatkinyerést, osztályozást, minőségellenőrzést (QA) és a nagyskálás monitorozást. Nagyon erősen támaszkodom a szervernaplókra (elemzésenként 50M+ sor feldolgozásával), a GSC API adataira (napi lekérések az összes piacról), valamint az inventory/katalógus feedekre, hogy jobban megérjem a viselkedést a hagyományos crawl által nem látható részletekig. A cél nem az, hogy mindent indexeljünk — hanem hogy a megfelelő 500 000 vagy 5 000 000 oldalt találják meg, értsék is, és hatékonyan frissítsük. A jelenlegi legnagyobb ügyfelemen például minőségileg kontrollált ~8M oldalas indexelést tartunk fenn egy 20M URL-es univerzumban, 40+ nyelvváltozaton keresztül.

Majdnem mindig igen, mert a webshopok nem állnak meg. Hetente jelennek meg új termékek, a szűrők a merchandising döntésekkel együtt változnak, bővülnek a kategóriák, a fejlesztők módosítják a sablonokat anélkül, hogy mindig figyelembe vennék a SEO-hatást, miközben az új nemzetközi piacok és helyi trendek is folyamatosan alakulnak. Emellett a versenytársak folyamatosan fejlesztik saját rendszerüket. A növekvő webshopoknál a SEO nem egyszeri takarítás, hanem folyamatosan monitorozott működési feladat (például az üzemidő-figyelés). A folyamatos munka védi a korábbi eredményeket (a visszaeséseket még a bevételkiesés előtt észleli), korán kiszúrja a feltérképezési és indexelési eltéréseket, és új kategória- és piaclehetőségek felé terjeszkedik. A riportolás pedig üzleti kimenetekhez igazodik: márkanév nélküli forgalom növekedése, a kategóriákban elért rangsor-mélység, valamint a termékfelfedezési arány — nem csak hiú mutatók. Ha a webshopod minden héten szállít termékmódosításokat, akkor a SEO-rendszeredhez is heti karbantartás szükséges. Ez közvetlenül kapcsolódik a [SEO curation & monthly management](/services/seo-monthly-management/) szolgáltatáshoz.

Következő lépések

Kezdd el ma növelni áruházad organikus bevételeit

Ha a te áruházadnál erős a készlet, de gyenge az organikus növekedés, a válasz szinte sosem az, hogy általánosabb tartalmat készítünk, vagy még egy kör felületes ajánlást adunk. Ez egy átláthatóbb katalógusstratégia, erősebb technikai szabályrendszer, pontosabb oldalszerep-meghatározások, valamint egy olyan skálázható rendszer, amely minden negyedévben nem termel új SEO-adósságot. Pontosan ezt építem: vállalati szintű eCommerce SEO-t, amelyet a területen szerzett 11+ év tapasztalat formált, 41 domain gyakorlati menedzsmentjével 40+ nyelven, valamint napi munkával olyan környezeteken, amelyek domainenként 20M+ URL-t generálnak. Emellett a Python automatizálást és az AI-t ott használom pragmatikusan, ahol ténylegesen lerövidíti a folyamatokat. A hatás mérhető: a legjobb esetekben +430% láthatóság, a rolloutok során napi 500K+ URL indexelése, 3×-os feltérképezési hatékonyság-javulás, és — ami a legfontosabb — több nem-márka organikus bevétel áramlik azokra az oldalakra, amelyek ténylegesen konvertálnak.

Az első lépés egy fókuszált feltérképező hívás, valamint az áruház architektúrájának, platformjának, katalógusméretének, piacainak és a jelenlegi szűk keresztmetszeteknek az első körös áttekintése. Mielőtt beszélünk, arra kérem, hogy készítse elő: a GSC-hozzáférést (ha elérhető), egy durva áttekintést a katalógusstruktúráról, a piacok listáját, a már ismert technikai korlátokat és a legfontosabb 3 kereskedelmi priorítást. Ezt követően meg tudom határozni, hogy fókuszált auditra, implementációs támogatásra vagy egy átfogó, több területet összekapcsoló stratégiára van-e szüksége, amely kapcsolódik oldalsebességhez & Core Web Vitalshez, struktúrált adatokhoz, illetve az esetleges folyamatos SEO riportoláshoz & analitikához. A cél egy hasznos első anyag elkészítése 2 héten belül – nem egy 3 hónapos értékesítési folyamat. Tallinnban, Észtországban alapítva nemzetközi csapatokkal dolgozom, és ugyanolyan magabiztosan alkalmazkodom a founder-led (alapító által vezetett) áruházakhoz, a belsős SEO csapatokhoz és a komplex vállalati érdekcsoportokhoz is.