Fırsatları bulmak için Search Console sorgularınızı konulara göre nasıl kümelersiniz

Search Console sorgularını neden konulara göre gruplamalı

Search Console sorguları satır satır raporlar ve gerçek trafiği olan herhangi bir sitede bu satırların çoğu çok küçüktür. Çeyrekte 40 gösterimi olan bir sorgu tek başına hiçbir şey söylemez; ama aynı sorunun iki yüz farklı ifadesi toplandığında, sıralanabileceğiniz, içerik yazabileceğiniz ve takip edebileceğiniz bir konu oluşur. Gruplama ayrıca kimsenin okumadığı bir listeyi, üzerinde işlem yapabileceğiniz kısa bir tabloya çevirir: hangi konular trafik getiriyor, hangilerini kazanmaya yakınsınız ve hangileri geriliyor. Vuruş mesafesi rehberinin sorgu başına değil konu başına daha iyi çalışmasının nedeni de budur, çünkü bir sayfa genellikle bir kümenin tamamına hizmet eder.

Başlamadan önce iki tür sorguyu ayırın. Markalı sorgular diğerlerinden farklı davranır (yüksek sıralanır ve iyi tıklanır); bu yüzden onları ayrı kümeleyin ya da hiç kümelemeyin. Search Console'un markalı sorgu filtresi artık uygun sitelerde Performans raporunu Markalı ve Markasız görünümlere ayırıyor. Ayrıca sorgu listenize, yapay zeka görünürlük araçlarının Google'a zamanlanmış olarak gönderdiği uzun, istem biçimli diziler girdiyse onları da filtreleyin; yoksa hiçbir arayanın yazmadığı kendi kümelerini oluştururlar. GSC Wizard'daki Query Analysis raporu bunları LLM tracker probe olarak etiketler, böylece dışarıda bırakabilirsiniz.

GSC sorgularını kümelemenin üç yolu, karşılaştırmalı

Üç pratik yöntem var (ikincisinin iki çeşidi var: n-gram ve SERP örtüşmesi), ayrıca Google'ın Search Console Insights'ta artık kendisinin gösterdiği gruplama. Bunlar kontrol ile kapsama arasında bir takas yapar: kurallar öngörülebilirdir ama yalnızca aklınıza gelenleri bulur, embedding'ler gözünüzden kaçanı bulur ama elle kontrol etmeniz gereken gruplar verir.

Önce Google'ın kendi seçeneğine bir cümle ayırmak gerekir. Ekim 2025'te Google, Search Console Insights'a Query groups ekledi; bu kart "benzer arama sorgularını gruplar" ve grup başına toplam tıklamaları gösterir, Top, Trending up ve Trending down olarak sıralanır. Google, "grupların yapay zeka ile hesaplandığını, zaman içinde gelişip değişebileceğini" ve "yalnızca yüksek sorgu hacmine sahip mülklerde kullanılabildiğini" yazar. Yani elinizde varsa iyi bir ücretsiz genel bakıştır; ama grupları siz tanımlayamazsınız, ay be ay takip etmeye yetecek kadar kararlı değildirler ve küçük siteler kartı hiç almaz.

Yöntem 1: Search Console filtresinde regex grupları

Performans raporunda bir Sorgu filtresi ekleyin, Özel (regex) seçeneğini seçin ve her konu için bir desen yazın; örneğin cold.?brew|iced coffee concentrate. Google'ın gelişmiş filtreleme yardım sayfasına göre "RE2 söz dizimi kullanılır", eşleşme kısmidir (desen, ^ veya $ ile sabitlemediğiniz sürece sorgunun herhangi bir yerinde eşleşebilir) ve desene (?-i) ile başlamadığınız sürece büyük/küçük harf duyarlı değildir. RE2'de lookahead ve backreference yoktur, bu yüzden bir JavaScript veya PCRE kopya kâğıdından alınan desenler bazen çalışmaz; Search Console regex filtresi SSS sayfasında çalışan örnekler var.

Bu yöntemin gücü, bir konuya tam olarak neyin ait olduğuna sizin karar vermeniz ve aynı desenin gelecek ay da aynı grubu vermesidir. Zayıflığı ise Search Console'un aynı anda tek bir filtrelenmiş görünüm göstermesidir: on iki konuyu karşılaştırmak on iki filtrelenmiş görünüm demektir ve her toplamı elle bir e-tabloya kopyalamanız gerekir; ayrıca her görünümün altındaki sorgu tablosu 1.000 satırda durur (bkz. 1.000 satır sınırı). Daha ince bir tuzak da var: Google'ın performans verileri derinlemesine incelemesi yazısı, "iki-üç aylık bir dönemde birkaç düzineden fazla kullanıcı tarafından yapılmayan" anonimleştirilmiş sorguların tablolardan çıkarıldığını ve yalnızca "sorguya göre filtrelemediğiniz sürece grafik toplamlarına dahil edildiğini" açıklar. Bu nedenle bir regex grubu her zaman, kendisine hizmet eden sayfalardan daha az tıklama taşır ve fark en çok uzun kuyruk konularda büyür.

Yöntem 2: bir e-tabloda n-gram'lar veya SERP örtüşmesi

Bir n-gram haritası için sorgularınızı tıklamalar, gösterimler ve konumla üç ila on iki aylık olarak dışa aktarın (arayüz dışa aktarımı 1.000 satırda durur, bu yüzden büyük bir sitede Search Console API veya toplu veri dışa aktarımını kullanın). Her sorguyu küçük harfe çevirin, sözcüklere bölün, "how", "the" ve "for" gibi dolgu sözcüklerini atın ve basit çoğulları birleştirin; böylece "grinders" ve "grinder" tek sözcük sayılır. Ardından her tek sözcüğü (unigram) ve her komşu sözcük çiftini (bigram) kaç sorgunun içerdiğini sayın. "cold brew" veya "burr grinder" gibi birçok sorguda tekrarlanan çiftler aday konularınızdır; her sorguya içerdiği en spesifik adayı verin ve metrikleri konuya göre özetleyin. Tüm sorguların büyük bir payında geçen sözcükleri, örneğin bir kahve sitesinde "coffee" sözcüğünü, atın; çünkü sitenin yarısını içeren bir konu, konu değildir.

N-gram'lar hızlı, ücretsiz ve tekrarlanabilir olup kendi kendilerini açıklarlar: bir sorgu "cold brew" içinde durur, çünkü o sözcükleri içerir. Yapamadıkları şey anlamı görmektir. "French press" ve "cafetiere" farklı konulara düşer, "coldbrew" gibi bir yazım hatası da grubunu kaçırır. SERP örtüşmesi bunu öbür taraftan çözer: her sorgu için Google'ın ilk 10 sonucunu çekersiniz ve iki sorgu yeterince sıralanan URL paylaşıyorsa, örneğin üç veya daha fazla, onları aynı kümeye koyarsınız. Bu, Google'ın neyi aynı niyet saydığını ölçer ve bir konunun bir sayfaya mı yoksa iki sayfaya mı ihtiyaç duyduğuna karar vermek için en iyi yöntemdir; ancak sorgu başına bir SERP sorgusu maliyeti vardır, sonuçlar konuma, cihaza ve tarihe göre değişir ve birkaç bin sorgunun ötesinde kötü ölçeklenir. GSC Wizard SERP örtüşmesi kümelemesi yapmaz, çünkü yalnızca kendi Search Console verilerinizle çalışır ve Google sonuçlarını kazımaz.

Yöntem 3: embedding tabanlı anlamsal kümeleme

Bir embedding modeli her sorguyu bir sayı vektörüne çevirir; böylece hangi sözcükleri kullanırsa kullansın, benzer anlama sahip sorgular birbirine yakın düşer. Tipik bir veri hattı her sorguyu çok dilli bir modelle embed eder (böylece "cafetière" ve "french press" birlikte düşebilir), vektörleri UMAP ile birkaç boyuta indirir ve HDBSCAN veya k-means ile kümeler. Ardından her kümeyi en büyük sorgularına göre adlandırır ve metrikleri daha önceki gibi toplarsınız. Bu, varlığından haberdar olmadığınız konuları bulan yöntemdir ve yazım hatalarını, sözcük sırasını ve diğer dilleri kurallardan çok daha iyi ele alır.

Yine de maliyetleri gerçektir. Python veya ücretli bir embedding API'sine ihtiyacınız var ve sonuç ayarlara bağlıdır: asgari küme boyutunu değiştirir ya da üç aylık yeni sorgu eklerseniz gruplar kayar; bu da ay be ay takibi güvenilmez kılar. HDBSCAN ayrıca sorguların bir kısmını hiçbir kümeye ait olmayan gürültü olarak bırakır. Anlamsal yakınlık da tek bir niyet demek değildir: "cold brew maker" ve "cold brew recipe" vektör uzayında yan yana durur, ama biri ürün sayfası, diğeri bir tarif ister. Önerdiğim iş akışı, konuları embedding'lerle veya n-gram'larla bir kez keşfetmek, ardından önemsediğiniz konuları kural olarak yazıp kuralları takip etmektir.

Çalışılmış bir örnek: aynı sorgular, üç yöntem

Aşağıdaki sorgular, yöntemlerin nasıl ayrıştığını göstermek için kurgusal bir kahve dükkânı adına uydurulmuştur; açıklayıcıdırlar, gerçek bir siteden alınmış veri değildir. Regex kuralları, Cold brew için cold.?brew, French press için french press|press pot|cafeti[eè]re ve Grinders için grinder şeklindedir. Embedding sütunu, bir embedding modelinin üretmeye eğilimli olduğu gruplama türünü gösterir; gerçek bir çalıştırmanın çıktısı değildir.

Örüntü tipiktir. Kurallar kesindir ama yazmadığınız her şeye kördür ("iced coffee concentrate"), n-gram'lar konuları yazıma göre böler, embedding'ler anlama göre gruplar ama komşu niyetler arasındaki çizgiyi bulanıklaştırır ("coarse grind for press pot"). Hiçbiri yanlış değildir; farklı soruları yanıtlarlar.

Fırsatları bulmak için kümelerinizle ne yapmalı

Her sorgunun bir konusu olduktan sonra küme başına tıklamaları ve gösterimleri toplayın, ortalama konumu ve TO'yu gösterimlerle ağırlıklandırarak hesaplayın (düz bir konum ortalaması, 3 gösterimli bir sorgunun 30.000 gösterimli bir sorgu kadar sayılmasına yol açar). Her kümenin bir yönü olsun diye geçen yılın aynı dönemiyle veya önceki dönemle karşılaştırın. Ardından dört örüntüye bakın.

1. Yüksek gösterimli ama zayıf TO'lu veya zayıf konumlu kümeler. Gösterime göre sıralayın ve ortalama konumu 8 ile 25 arasında olan ya da TO'su sitenin geri kalanından belirgin biçimde düşük kümeleri arayın. Google sizi bu konuyla zaten ilişkilendiriyor, siz sadece onu kazanmıyorsunuz. Kümeyi açın, gösterimlerinin çoğunu taşıyan iki üç sorguyu bulun ve onlar için sıralanan sayfayı, başlıktan ve içeriğin ilk ekranından başlayarak iyileştirin; düzenlemeleri vuruş mesafesi ve TO kurtarma rehberleri ele alır.
2. Bir kümenin içinde yamyamlık. Her küme için, sorguları için kaç URL'nizin gösterim aldığını sayın. Üç sayfa aynı küme için 15. konum civarında sıralanıyorsa, Google hangisini göstereceğine karar veremez ve hiçbiri ilk sayfaya çıkamaz. En güçlü sayfayı seçin, diğerlerini birleştirin veya yönlendirin ve iç bağlantıları kazanana çevirin; yamyamlık rehberinde olduğu gibi.
3. İçerik boşlukları. Bir küme, konusu o olmayan bir sayfa üzerinden gösterim kazanıyorsa (ana sayfanız bir nasıl yapılır sorusunda 30. sırada çıkıyorsa ya da bir kategori sayfası bir karşılaştırma için çıkıyorsa), ona özel bir sayfa istiyor demektir. Hiçbir kümenin yakalamadığı sorgular için de aynısı geçerlidir: artakalan listeyi üç ayda bir okuyun, çünkü yeni bir konu genellikle ilk orada görünür.
4. Zaman içinde hareket eden kümeler. Her kümeyi aylık takip edin. Gösterimleri artarken tıklamaları sabit kalan bir küme, henüz dönüştüremediği görünürlük kazanıyordur; üç ay üst üste gerileyen bir küme ise çürüyordur ve içerik çürümesi rehberi bununla ilgilenir. Kümeler ayrıca bir site taşımasını okunabilir kılar: kaybedilmiş bir konuyu düzeltmek, dört yüz kayıp sorguyu düzeltmekten kolaydır (bkz. Search Console'da site taşımaları).

Aynı kurgusal kahve dükkânında bu ayıklamanın nasıl göründüğü, yine uydurma rakamlarla:

GSC Wizard Search Console sorgularını nasıl kümeler

GSC Wizard'ın kümelemesini kurallar etrafında kurdum, çünkü takip edilebilen ve açıklanabilen şey kurallardır; ayrıca her bölümün tam olarak neyi yaptığını ve neyi yapmadığını net biçimde söylemek istiyorum.

Topic Clusters (kurala dayalı, sizin tanımladığınız). Property Setup'ta bir kümeyi bir ad artı yazılarak girilen veya bir CSV dosyasından içe aktarılan en fazla 100 anahtar kelimelik bir listeyle oluşturursunuz. Düz bir anahtar kelime, büyük/küçük harfe bakmadan onu içeren her sorguyla eşleşir; eğik çizgilerle sarılmış bir anahtar kelime, örneğin /cold.?brew/, bir düzenli ifadedir. Anahtar kelimelerinden herhangi biri eşleştiğinde sorgu kümeye katılır ve bir sorgu birden fazla kümeye ait olabilir; bu durumda her birinde tam olarak sayılır, bu yüzden küme toplamlarının site toplamına eşit olması amaçlanmaz. Run Analysis'e tıkladığınızda Topic Clusters raporu, kuralları seçilen dönem için mülkün tüm sorgularıyla eşleştirir; mülk tam depolamadaysa saklanan veri ambarı verisinden, değilse Search Console API'sinden yararlanır, dolayısıyla Search Console arayüzünün gösterdiği 1.000 satırla sınırlı değildir. Her küme; tıklamalar, gösterimler, TO, gösterim ağırlıklı ortalama konum ve sorgu sayısını önceki döneme göre değişimle birlikte alır ve eşleşen sorgularına, her birini yakalayan anahtar kelimeyle birlikte açılır.

Raporda bir markalı ve markasız anahtarı (mülke kaydettiğiniz marka terimlerine göre çalışır) ve yukarıdaki örüntülere uyan üç hızlı filtre vardır: Opportunity, kümelerinizin medyan gösteriminden en az o kadar gösterimi, 11 ile 25 arasında ortalama konumu ve %1 veya daha düşük bir TO'su olan kümeleri gösterir; Rising, gösterimleri en az %20 artıp tıklamaları %5 veya daha az artan kümeleri gösterir; Declining ise gösterimleri %10 veya daha fazla düşen kümeleri gösterir. Ayrı bir Cluster Performance Over Time bölümü her kümeyi 3, 6 veya 12 ay boyunca aylık bir tabloyla grafikler. Aynı kümeler ayrıca Queries, New & Lost Rankings, Rank Changes, Cannibalization, Query Decay ve Page Poaching raporlarında filtre olarak da çalışır; bir konunun içinde yamyamlığı ya da çürümeyi böyle kontrol edersiniz. Topic Clusters belgeleri ayrıntıları içerir, İçerik Grupları ise aynı şeyi sayfalar için URL kuralıyla yapar.

Topic Clusters'ın yapmadığı şey. Sizin yerinize küme icat etmez: bu raporda otomatik veya anlamsal gruplama yoktur ve İçerik Gruplarının aksine bir öneri yardımcısı da yoktur. Kuralları yazarken yardım isterseniz, GSC Wizard MCP sunucusu Claude veya ChatGPT gibi bir yapay zeka asistanının en çok görünen sorgularınızı okumasını, küme önermesini, bunları create_topic_cluster veya update_topic_cluster ile kaydetmesini ve get_topic_cluster_performance ile ölçmesini sağlar; bu araç hiçbir kümenin eşleşmediği sorguları da raporlar. Bu durumda gruplama asistanın yargısıdır, bu yüzden kaydetmeden önce kuralları okuyun.

Migration Compare'de otomatik sözcüksel konular. GSC Wizard'ın sorguları otomatik kümelediği tek yer, öncesi-sonrası karşılaştırmasının sorgularını konulara göre gruplayan Migration Compare'in Queries sekmesidir; böylece tek bir ürün hattında başarısız olan bir taşıma tek satır olarak okunur. Bu, yukarıdaki n-gram yönteminin deterministik hâlidir: en çok tıklanandan başlayarak en fazla 5.000 sorgu alır, yedi dildeki dolgu sözcüklerini atar ve basit çoğulları birleştirir; en az üç sorguda tekrarlanan ama sorguların %40'ından fazlasında geçmeyen tek sözcükleri ve sözcük çiftlerini aday olarak kullanır, her sorguya en iyi adayını verir ve en büyük 25 konuyu tutar, geri kalanlar "Other queries" altında toplanır. Aynı satırlar her zaman aynı konuları verir ve embedding kullanmaz.

Sorgu kümelemesi değil, URL kümelemesi. Longtail Visualization sorguları değil sayfaları kümeler: URL'lerinizi tıklamaya göre sıralar, kümülatif tıklama eğrisini bir Gaussian filtresiyle yumuşatır ve eğrinin en sert büküldüğü yere iki diz noktası yerleştirir; bu da siteyi Head, Chunky Middle ve Long Tail olarak böler. En az 30 URL gerekir (altında sıralı listeyi gösterir), büyük bir site sayfayı dondurmasın diye tarayıcınızda bir Web Worker içinde çalışır ve yapay zeka asistanlarına get_longtail_clusters olarak da sunulur. Konu kümelemesinden farklı bir soruyu yanıtlar, yani birkaç sayfaya ne kadar bağımlı olduğunuzu; katmanları uzun kuyruk belgeleri açıklar.

Anlamsal kümeleme. GSC Wizard sorguları embedding'lerle gruplamaz; anlamsal kümeler istiyorsanız, bir sorgu dışa aktarımı üzerinde Yöntem 3'ü kendiniz çalıştırın ve takip etmek istediğiniz konuları, ay be ay kararlı kalacakları kurallar olarak GSC Wizard'a geri getirin. Her plan Topic Clusters, Migration Compare, Longtail Visualization ve MCP sunucusunu içerir; ayda €17'dan başlar ve 7 günlük ücretsiz deneme sunar (bkz. fiyatlandırma).

Sıkça sorulan sorular

Fırsatları bulmak için GSC sorgularımı konulara göre nasıl kümelerim?

Her Search Console sorgusunu regex veya ifade kurallarıyla, ortak sözcük n-gram'larıyla ya da anlamsal embedding'lerle bir konuya atayın; ardından tıklamaları ve gösterimleri toplayın ve konu başına gösterim ağırlıklı ortalama konumu ve TO'yu hesaplayın. Fırsatlar; gösterimi çok ama ortalama konumu ikinci sayfada olan ya da TO'su düşük konular, birkaç URL'nizin aynı sorguları paylaştığı konular ve kendisi için bir sayfa yazılmamış hâlde gösterim alan konulardır.

Google Search Console sorguları kendi kendine konulara gruplayabilir mi?

Kısmen. Search Console Insights'ta benzer sorguları yapay zekayla gruplayan ve grup başına tıklamaları gösteren bir Query groups kartı var, ama yalnızca çok sayıda sorgusu olan mülkler için ve Google grupların zaman içinde değişebileceğini söylüyor. Performans raporunda sorguları özel bir regex ile filtreleyebilirsiniz; bu, aynı anda tek bir grubu gösterir, dolayısıyla kendi konularınızı yan yana karşılaştırmak yine toplamları elle çıkarmak anlamına gelir.

Search Console sorgu filtresi hangi regex söz dizimini kullanır?

RE2. Google'ın yardım sayfası eşleşmenin varsayılan olarak kısmi olduğunu söyler; yani desen, ^ veya $ ile sabitlemediğiniz sürece sorgunun herhangi bir yerinde eşleşir ve desene (?-i) ile başlamadığınız sürece büyük/küçük harf duyarlı değildir. RE2 lookahead ve backreference'ı desteklemez.

Küme toplamlarım neden site toplamıma eşit çıkmıyor?

İki nedeni var. Google, anonimleştirilmiş sorguları (nadir sorguları) her sorgu tablosunun dışında ve sorguya göre filtrelenmiş toplamların dışında bırakır, bu yüzden kümelenen sorgular her zaman site toplamından daha az taşır. Ayrıca bir sorgu iki kümeyle eşleşirse, GSC Wizard'ın Topic Clusters'ı gibi çakışmaya izin veren bir araç onu ikisinde de sayar.

Embedding tabanlı kümeleme anahtar kelime kurallarından daha mı iyi?

Kuralların kaçırdığı eş anlamlıları ve çevirileri bulur, bu yüzden büyük ve dağınık bir sorgu setinde konuları keşfetmek için daha iyidir. Takip için kurallar daha iyidir: her ay aynı gruplamayı verirler ve bir müşteriye açıklayabilirsiniz. İyi bir iş akışı, konuları embedding'lerle veya n-gram'larla keşfedip ardından kural olarak yazmaktır.

GSC Wizard Search Console sorgularını otomatik olarak kümeliyor mu?

Konu Kümeleri raporunda hayır: her kümeyi bir ifade veya regex kalıbı listesi olarak siz tanımlarsınız ve GSC Wizard onu tüm mülk genelinde ölçer. Site Taşıma Karşılaştırması, bir taşımanın sorgularını otomatik olarak sözcük temelli konulara ayırır; Longtail Visualization ise sorguları değil URL'leri head, chunky middle ve long tail olarak gruplar. GSC Wizard sorguları embedding'lerle kümelemez; anlamsal kümeler için bir sorgu dışa aktarımı üzerinde embedding modeli çalıştırın ve konuları kural olarak geri getirin.

Bir yapay zeka asistanı kümeleri benim yerime oluşturabilir mi?

Evet, GSC Wizard MCP sunucusu üzerinden. Claude veya ChatGPT gibi bir asistan en çok aranan sorgularınızı okuyabilir, küme önerebilir, bunları create_topic_cluster ile kaydedebilir ve get_topic_cluster_performance ile ölçebilir. Gruplama asistanın kendi yargısı olduğu için, önerilen kuralları kaydetmeden önce kontrol edin.

Sonraki rehber

Birkaç sayfanın birbirine rakip olduğu bir küme mi buldunuz? Herhangi bir şeyi yeniden yazmadan önce bunu düzeltin: anahtar kelime yamyamlığını düzeltin →