Оптимізація лістингу Amazon під Rufus і COSMO: що прийшло на зміну keyword-стафінгу

Змінилося запитання, а не потреба в ключах

Раніше SEO на Amazon зводилося до того, скільки разів і де трапляється ключ. Тепер воно про інше: наскільки добре система розуміє, що це за товар, кому він підходить, яку задачу розв’язує, за яких умов — і чому твердженням продавця варто вірити.

Це не означає, що ключові слова більше не потрібні. Власні рекомендації Amazon з SEO досі радять використовувати релевантні пошукові запити в лістингу. І водночас прямо називають keyword stuffing — повтор і надмірне вживання ключів — таким, що погіршує досвід покупця і може шкодити пошуковій ефективності.

Тож задача звучить не «як вставити ключі для Rufus», а так:

Зробити кожен ASIN однозначним, семантично повним, структурованим, доказовим і конверсійним — для зв’язки лексичних, семантичних, поведінкових, каталожних і графових/LLM-сигналів.

Практичний порядок пріоритетів, що з цього випливає:

семантичне покриття → точні атрибути каталогу → докази тверджень → зрозумілі title і bullets → зображення та A+ → узгодженість із відгуками й Q&A → CTR і конверсія → постійні A/B-тести.

Ключове слово й далі називає сутність. Його повтор більше не є стратегією.

Що насправді роблять Rufus і COSMO

Перш ніж говорити про тактику, ці дві речі треба розвести — більшість порад, що ходять ринком, їх змішує.

Rufus: шар відповідей, а не ранжувальник

Amazon описує Rufus як генеративного ШІ-асистента для покупок на базі спеціалізованої shopping-LLM. Його навчали передусім на даних про покупки — каталозі Amazon, відгуках покупців і Community Q&A, — доповнюючи публічною інформацією з інтернету. Відповідаючи, він використовує retrieval-augmented generation (RAG): спершу дістає найрелевантніші відомості з цих джерел, а потім модель формує відповідь.

Для того, хто пише лістинги, це принципово. Старий підхід був простий: запит — insulated water bottle, отже, пишемо insulated water bottle кілька разів. Система на кшталт Rufus має відповідати на зовсім інші запитання:

• Чи підійде пляшка для велосипедного тримача?
• Чи влізе вона в автомобільний підстаканник?
• Чи є трубочка?
• Чи можна покласти її в рюкзак і не залити речі?
• Скільки часу вода лишатиметься холодною?

Повтор water bottle не відповідає на жодне з них. Діаметр, герметична кришка, трубочка, тривалість утримання температури та сумісність із підстаканником — відповідають на всі. Інакше кажучи, інформаційна цінність одного конкретного факту потенційно вища за десятий повтор головного ключа. Це висновок з опублікованої архітектури Rufus, а не розкритий Amazon коефіцієнт ранжування.

COSMO: товар — функція — аудиторія — контекст

COSMO ще показовіший. Amazon наводить приклад запиту shoes for pregnant women. Покупець не пише «slip-resistant outsole», але міркування здорового глузду здатне пов’язати аудиторію, ситуацію використання й характеристику товару, яка тут важлива.

Будується COSMO приблизно так: з поведінки «запит — покупка» і спільних покупок відбираються кандидати у зв’язки, LLM пропонує відношення між сутностями, далі — фільтрація, ручна розмітка та ML-класифікатори. Серед типів зв’язків Amazon називає, зокрема, used_for_function, used_for_event і used_for_audience.

В експериментах Amazon додавання знань COSMO до моделі, що зіставляла запит з описом товару, дало великий приріст на бенчмарку Shopping Queries: близько +60% macro-F1 із замороженим енкодером і приблизно +28% macro-F1 та +22% micro-F1 після донавчання відносно сильного baseline. Це результат дослідження, а не обіцянка схожого зростання продажів для конкретного ASIN.

Як це складається разом

Публічні матеріали Amazon дають таку картину — це реконструкція, а не опублікована схема продакшн-ранжування:

Amazon підтверджує окремі елементи — лексичне, семантичне й поведінкове зіставлення, ансамблі мовних і графових моделей, COSMO та retrieval у Rufus, — але не публікує повного переліку сигналів і їхніх ваг. Хто каже, що знає «формулу ранжування Rufus», — вгадує.

Чому keyword-стафінг перестав окупатися

Надлишковість. Коли система вже впевнено розпізнала stainless steel water bottle, ще п’ять однакових згадок майже не додають змісту. 32 oz, double-wall insulation, straw lid, cup-holder fit, for hiking, for commuting — додають багато. Опубліковані дослідження Amazon з пошуку товарів поєднують мовні моделі з графовими нейромережами саме для того, щоб оцінювати релевантність не лише за буквальним збігом слів.

Намір багатший за одну фразу. COSMO явно моделює зв’язки товар — функція, товар — аудиторія, товар — контекст. Лістинг, що охоплює реальні сценарії, потенційно дає моделі більше корисних зв’язків, ніж текст із високою щільністю ключів.

Amazon сама проти. Актуальні рекомендації просять писати природно, вживаючи релевантні варіанти слів у контексті, і прямо називають стафінг проблемою.

Текст має працювати і на пошук, і на конверсію. Дослідницькі моделі Amazon використовують графові зв’язки, побудовані зокрема на спільних переглядах, спільних покупках і зв’язці «запит — покупка». Формули «CTR × CVR = позиція» Amazon не публікувала. Але перетворювати title на нечитабельний набір ключів, який знижує кліки й покупки, — погана ставка в системі, що подає поведінкові дані в машинне навчання.

З’явилася конкуренція за відповіді. Коли покупець питає «що з цього краще для подорожей?», асистентові потрібні факти, щоб обґрунтувати рекомендацію, — і він бере їх з каталогу, відгуків і Q&A.

Отже, одиниця SEO на Amazon — вже не лише ключ, а сутність + атрибут + зв’язок + доказ.

Робоча модель оптимізації лістингу

Починайте не зі списку ключів, а із семантичної карти товару. Для кожного ASIN опишіть шість шарів:

що це → характеристики → функція → проблема, яку розв’язує → аудиторія → ситуація використання.

Для пляшки: термопляшка → 32 oz, нержавійна сталь → тримає напої холодними → менше доливати → ті, хто їздить на роботу, і туристи → офіс, спортзал, авто, стежка. Лістинг збирається саме з цієї карти.

Перетворіть дослідження ключів на кластери намірів

Дослідження ключів нікуди не зникає. Змінюється результат: не список слів, а кластери намірів. Замість water bottle, bottle, insulated bottle, stainless steel bottle, water bottles… будуємо:

• товар — термопляшка з нержавійної сталі
• функція — тримає напої холодними
• аудиторія — ті, хто їздить на роботу, туристи, відвідувачі спортзалу
• нагода — подорожі, офіс, відпочинок на природі
• особливість — герметична, з трубочкою, широка горловина
• сумісність — підстаканник, кишеня рюкзака
• обмеження — об’єм, габарити, вага

Сировину дає Brand Analytics: Search Query Performance, Top Search Terms і Search Catalog Performance показують пошукові запити з показами, кліками, додаваннями в кошик і покупками.

E-E-A-T — як метод, а не «фактор Amazon»

E-E-A-T — термін Google, а не заявлений сигнал ранжування Amazon; навіть Google уточнює, що це не окремий фактор ранжування. Але як рамка якості контенту він корисний:

• Experience (досвід) — покажіть товар у реальному використанні.
• Expertise (експертиза) — точні розміри, матеріали, сумісність, обмеження.
• Authoritativeness (авторитетність) — однакова інформація про бренд і товар усюди.
• Trust (довіра) — жодних непідтверджених характеристик, вигаданих сертифікатів і суперечностей між bullets, фото та Q&A.

Для Rufus це цілком конкретно, бо відгуки й Q&A — частина того, що він читає. «Leakproof» у title поруч із десятками відгуків про протікання — не перевага, а конфлікт у доказах.

Атрибути каталогу важливіші за гарну прозу

На Amazon ви не керуєте розміткою Schema.org сторінки, тож «структуровані дані» тут — це атрибути каталогу та визначення product type: матеріал, габарити, об’єм, сумісність, колір, призначення та інші поля вашого типу товару. Selling Partner API надає ці визначення, зокрема обов’язкові та умовні атрибути.

Amazon не обіцяє «+X позицій» за заповнене поле. Цінність в іншому: система отримує точний машинозчитуваний факт замість того, щоб вгадувати його з маркетингового тексту. Правило:

Якщо факт існує як атрибут каталогу — спершу заповніть атрибут, а потім поясніть вигоду у видимому тексті.

Діагностуйте за етапом воронки

Оптимізувати треба всю воронку, а не позицію окремо. Search Catalog Performance показує покази, кліки, додавання в кошик, покупки й конверсію — це дозволяє знайти етап, який насправді провисає:

Це набагато корисніше, ніж реагувати на просідання позиції ще трьома однаковими ключами.

До і після: два лістинги

Обидва приклади умовні й навмисно спрощені. Кожне твердження в реальному лістингу має відповідати реальному товару.

Термопляшка

До:

Stainless Steel Water Bottle 32 oz Water Bottle Insulated Water Bottle Leakproof Bottle Sports Water Bottle Hiking Bottle Travel Bottle

Товар упізнаваний, але майже весь title витрачено на синоніми. Ні покупець, ні семантична система нічого нового не дізнаються.

Після:

Brand X Insulated Stainless-Steel Bottle, 32 oz — Leakproof Straw Lid, Cup-Holder Friendly, for Travel & Hiking

А bullets замість «HIGH QUALITY WATER BOTTLE — our quality water bottle is the best water bottle…» стають такими:

• Герметична кришка з трубочкою — розрахована на те, щоб нести пляшку вертикально в рюкзаку чи спортивній сумці.
• Об’єм 32 oz — менше доливати на роботі, в дорозі чи в поході.
• Підходить для підстаканника — вкажіть точний діаметр дна і з чим сумісно.
• Подвійні стінки з вакуумом — вкажіть перевірену тривалість, лише якщо її справді тестували.
• Догляд — перелічіть, які частини можна мити в посудомийці, лише якщо це підтверджує виробник.

Кожен рядок додає новий потенційний зв’язок товар → функція, товар → аудиторія чи товар → контекст або перевірюваний атрибут — саме такими зв’язками оперує COSMO.

USB-C хаб

До:

USB C Hub USB C Adapter Multiport USB C Dongle USB Adapter Laptop Adapter 7 in 1

Після:

Brand X 7-in-1 USB-C Hub — HDMI 4K, 100W Power Delivery, SD/microSD, 3× USB, for Compatible USB-C Laptops

У bullets тоді — не черговий USB C, а семантичне покриття: підтримувані режими дисплея, максимальна потужність Power Delivery на прохід, сумісність з операційними системами, обмеження портів і реальні сценарії — домашній офіс, подорожі, зовнішній монітор.

Обмеження часто — найцінніші рядки на сторінці. Вони зменшують кількість помилкових покупок і підвищують довіру, а асистент зможе відповісти на «чи потягне він два монітори з моїм ноутбуком?» лише тоді, коли лістинг прямо описує сумісність, а не ховає прогалину за ще одним USB-C hub.

Тестуйте гіпотези, а не порядок слів

Manage Your Experiments випадково показує покупцям різні версії title, зображень, опису, bullets і A+ Content та звітує про конверсію, продані одиниці, продажі, одиниці на унікального відвідувача, розмір вибірки та ймовірність того, що одна з версій краща. Amazon сама радить робити версії достатньо різними, щоб тест міг помітити реальний ефект, — переставлені два слова рідко на це здатні.

Метрики і план упровадження

Найпоширеніша помилка — один KPI на кшталт «органічна позиція за 20 ключами». Новій моделі потрібна картка показників за воронкою запитів:

Best Sellers Rank не замінює пошуковий KPI: Amazon визначає його як рейтинг продажів відносно товарів тієї самої категорії, окремо від пошукового ранжування.

Для портфеля ASIN ми запускаємо це циклом:

1. Baseline. Фіксуємо Search Query Performance і Search Catalog Performance, ділимо запити на кластери намірів: категорія, особливість, проблема, аудиторія, нагода, сумісність.
2. Семантична карта. Описуємо шість шарів товару.
3. Аудит атрибутів. Заповнюємо відсутні факти в каталозі й прибираємо суперечливі.
4. Переписування. Title, bullets і A+ — одна чітка основна сутність, ширше семантичне покриття.
5. Матриця доказів. Для кожного твердження: джерело підтвердження → де показано → де його можуть спростувати. Наприклад: можна мити в посудомийці → інструкція або тест → bullet і фото → моніторинг відгуків і Q&A.
6. Експеримент. На ASIN із великим трафіком спершу тестуємо title і ціннісну пропозицію, потім bullets, потім зображення та A+.
7. Аналіз і повтор. CTR, додавання в кошик і конверсія за кластерами запитів; розкочуємо переможця або повертаємося до семантичної карти.

ASIN із малим трафіком не проходять у Manage Your Experiments — Amazon обмежує інструмент лістингами, здатними дати валідний результат. Для них обережно порівнюйте послідовні періоди й вважайте ціну, залишки, рекламу, акції та сезонність змішувальними факторами.

Ризики, які варто закласти заздалегідь

Переоптимізація «під ШІ». Найнебезпечніший сценарій — замінити keyword-стафінг семантичним: штучно перелічувати десятки аудиторій і сценаріїв. COSMO створено для правдоподібних зв’язків здорового глузду, тож писати, що товар «для кемпінгу, вагітних, літніх людей, дітей, офісу, армії…» без об’єктивних підстав — та сама помилка в новій формі.

Вигадані характеристики. Текст, згенерований LLM, легко додає властивості, яких у товару немає. Потрібне єдине джерело правди: кожен розмір, матеріал, сертифікат, сумісність і показник продуктивності мають мати внутрішнє підтвердження.

Конфлікт джерел. Rufus може читати каталог, відгуки й Q&A разом. Шукайте не лише відсутні ключі, а й суперечності: у title — тихий, у відгуках систематично — гучний; bullet обіцяє сумісність, а відповідь у Q&A її заперечує.

Кліки без конверсії. Агресивний title чи фото можуть підняти CTR і привести не тих покупців. Не оптимізуйте CTR без конверсії, повернень і тональності відгуків як запобіжників.

Хибна впевненість щодо COSMO. Публічні дані показують, що COSMO використовують у пошукових застосунках Amazon і що він покращує моделі релевантності в дослідженнях. Вони не доводять, що це головний продакшн-ранжувальник, — так само як Rufus не є опублікованою заміною пошукового ранжування. «Ми оптимізували під COSMO» має означати «ми покращили семантичні зв’язки та ясність каталогу», а не «ми знаємо секретний алгоритм Amazon».

Чек-лист перед публікацією оновленого ASIN

• Сутність. З перших слів зрозуміло, що саме продається; основний ключ звучить природно.
• Атрибути. Product type, габарити, матеріал, об’єм, сумісність та інші релевантні поля заповнені й узгоджені.
• Семантичне покриття. Описано функції, проблеми, аудиторії й реалістичні сценарії — без переліку всього, що можна уявити.
• Нова інформація. Кожен bullet додає новий факт, а не переказує попередній.
• Докази. Кожне кількісне твердження, показник продуктивності чи сертифікат підкріплено.
• Готовність до асистента. На типові запитання — чи підійде, чи сумісно, чим відрізняється, які обмеження — можна відповісти фактами зі сторінки.
• Узгодженість. Title, bullets, атрибути, фото, A+, інструкція, відгуки й Q&A не суперечать одне одному.
• Читабельність. Title читається людиною; фото пояснюють розмір, використання та вигоди; важливе не заховане в «ключовій каші».
• Вимірювання. Покази → кліки → додавання в кошик → покупки зафіксовано до зміни.
• Тестування. Для кожної зміни заздалегідь визначено гіпотезу, основний KPI і запобіжник.

Уся формула одним рядком: ключі дають системі словник, атрибути — факти, семантичні зв’язки пояснюють зміст, докази створюють довіру, ясність перетворює релевантність на клік, а конверсія підтверджує, що знайдено правильний товар.

Тож перестаньте питати «скільки разів вставити ключ?» і почніть питати: на яке запитання про цей товар Amazon досі не може впевнено відповісти з нашого каталогу й лістингу?