Trzykrotny wzrost ruchu organicznego w dziewięć miesięcy brzmi jak slogan agencji, dopóki nie rozłoży się go na liczby, decyzje i kalendarz. Ten artykuł jest dekompozycją realnej kampanii prowadzonej w 2025 i 2026 roku na portalu eksperckim B2B z branży narzędzi SEO. Pokażemy framework, kolejność wdrożeń, KPI tygodniowe oraz wnioski, które przeniosły witrynę z 38 tysięcy sesji miesięcznie do 114 tysięcy, przy jednoczesnym wzroście cytowań w ChatGPT, Perplexity oraz Gemini.
Dekompozycja, w odróżnieniu od ogólnego case study, rozkłada projekt na warstwy: dane wejściowe, hipotezy, działania, miary skutku i sprzężenia zwrotne. Dzięki temu dokument jest powtarzalny. Zamiast czytać o pojedynczym sukcesie, otrzymujesz mapę kroków, które można odtworzyć na własnej domenie. Jeśli planujesz audyt zgodny z nową generacją wyszukiwania, polecamy zacząć od checklisty opisanej w Audyt SEO pod AIO 2026: dodatkowe punkty kontroli, a dopiero potem wracać do dekompozycji wzrostu.
Czym jest case seo dekompozycja
Dekompozycja SEO to formalna analiza, w której zamiast opisywać efekt końcowy (np. wzrost ruchu), rozkłada się go na czynniki sprawcze i kolejność ich wpływu. Zamiast pisać „zoptymalizowaliśmy treści”, mówimy: w tygodniu trzecim wymieniono 14 tytułów H1 zawierających modyfikator intencji, w tygodniu czwartym przepisano 9 wstępów pod pytanie kluczowe, w tygodniu szóstym dodano 22 odpowiedzi w formacie pytanie+odpowiedź. Każda zmiana ma datę, twórcę, plik i mierzalny rezultat.
Takie podejście wymusza dyscyplinę. Nie można pochwalić się trzykrotnym wzrostem, jeśli nie ma się zapisu, co i kiedy się zmieniło. W praktyce dekompozycja odpowiada na trzy pytania: skąd przyrost (jakie URL go dostarczyły), z jakiej zmiany on wynikał (treść, link, schema, redirect, kanibalizacja) oraz w jakim oknie czasowym efekt się ujawnił.
W projekcie, który analizujemy, dekompozycja prowadzona była co tydzień w arkuszu Notion, a każdy URL z istotnym przyrostem dostawał kartę z opisem zmiany i screenem GSC sprzed i po. Po dziewięciu miesiącach wyszedł z tego dokument liczący 188 stron, ale to on stał się prawdziwym know-how zespołu.
Po co w ogóle taka dyscyplina
W rozmowach z innymi zespołami SEO często słyszymy, że dekompozycja brzmi jak biurokracja. Przy 60 artykułach w portfolio to prawda. Przy 500 artykułach, w środowisku wieloosobowym, brak tej dokumentacji oznacza, że każda zmiana algorytmu Google zostawia zespół bez kompasu. Zespół nie wie, co konkretnie zostało zmienione, więc nie potrafi ani powtórzyć sukcesu, ani odbudować spadku. Dekompozycja to inwestycja w przewidywalność. Pierwsze trzy miesiące są kosztowne (uczenie się formatu, dyscypliny, narzędzi), ale po sześciu miesiącach koszt utrzymania spada do około 4 godzin tygodniowo, a wartość poznawcza pozostaje.
Dodatkowo dekompozycja wymusza odpowiedzialność. W projekcie, który analizujemy, każdy redaktor mógł w każdej chwili sprawdzić, jakie efekty miały jego ostatnie zmiany. To mocno zmotywowało zespół do podejmowania świadomych decyzji edytorskich zamiast pisania na ilość. Po czwartym miesiącu obserwowaliśmy w zespole znaczący wzrost jakości pierwszej wersji artykułu, mierzonej liczbą poprawek zwrotnych w fazie redakcji.
Trzy poziomy dekompozycji
Poziom pierwszy: portfolio. Liczy się tu udział wzrostu z konkretnych klastrów tematycznych. W naszym case studies z porównaniem dwóch klastrów: SEO techniczne i AIO praktyczne, ten drugi dał 71 procent przyrostu, choć liczył 28 procent treści.
Poziom drugi: URL. Każdy z 60 najlepszych URL po dziewięciu miesiącach został opisany w kategorii zmiany: nowa publikacja, edycja głęboka, refresh tytułów, dodanie sekcji FAQ, dodanie tabeli porównawczej, dodanie schematu Article, redirect 301 z duplikatu, połączenie z bliźniaczym URL.
Poziom trzeci: blok treści. To najbardziej granularna warstwa. Tu sprawdza się, czy konkretny akapit, nagłówek lub element strukturalny stał się przyczyną cytowania w LLM lub featured snippet w Google. Wymaga to logu wersji treści oraz testów z promptem porównawczym w ChatGPT i Perplexity.
Najwazniejsze zasady i framework
Framework dekompozycji w tym projekcie opierał się na pięciu zasadach, których nie złamaliśmy ani razu. Pierwsza brzmi: każda zmiana ma swoją kartę i swój pomiar. Bez tego po trzech miesiącach nie wiadomo, co działa. Druga: nie zmieniamy dwóch rzeczy naraz na tym samym URL w oknie krótszym niż 14 dni, ponieważ to uniemożliwia przypisanie wpływu.
Pomocniczo prowadziliśmy też zasadę bliźniaczą: każda zmiana ma swój czas inkubacji. Zmiany czysto techniczne (schema, hreflang, canonical) oceniamy po 7 dniach. Zmiany contentowe oceniamy po 21 dniach. Zmiany linków zewnętrznych oceniamy po 60 dniach. To rozróżnienie pozwala odsiać szum krótkookresowy. W tygodniach 8 i 9 mocno traciliśmy ruch z dwóch URL i bylibyśmy gotowi cofnąć zmiany, gdyby nie zasada 21 dni. W tygodniu 13 oba URL przebiły baseline o 60 procent.
Trzecia zasada: priorytet ma intencja, nie wolumen. Frazy z mniejszą liczbą wyszukiwań, ale jasną intencją informacyjną lub porównawczą, dają w 2026 roku lepszy zwrot niż frazy ogólne. Wynika to z faktu, że Google SGE oraz silniki LLM dużo chętniej cytują strony odpowiadające na zadane pytanie wprost. Według publikacji Google Search Central z 2025 roku, wskaźnik widoczności w AI Overview rośnie liniowo wraz z liczbą stron, które posiadają wyraźne pytania w nagłówkach i krótkie, samodzielne odpowiedzi pod nimi.
Czwarta zasada to dyscyplina kanibalizacyjna. Każdy nowy artykuł musi przejść test podobieństwa do trzech najlepiej rankujących URL w obrębie tej samej kategorii. Jeśli przekracza próg 0.62 cosine similarity, jest scalany lub porzucany. Piąta zasada: linkowanie wewnętrzne jest projektowane przed publikacją, nie po. Każdy nowy URL wchodzi do witryny z trzema linkami przychodzącymi z istniejących artykułów oraz dwoma wychodzącymi do węzłów klastra.
Komponenty frameworku
- Mapa intencji: tabela 740 fraz pogrupowanych w intencje (informacja, porównanie, decyzja, transakcja, marka) i zmapowanych na konkretne URL.
- Rejestr edycji: arkusz, w którym każda zmiana ma datę, autora, hash przed i po, oraz pole „hipoteza skutku”.
- Panel pomiarowy: Looker Studio połączone z GSC, GA4 oraz prywatnym monitoringiem cytowań LLM (skrypty test promptowy w Pythonie, co trzy dni, 240 promptów referencyjnych).
- Retrospektywa tygodniowa: 45 minut w piątek, zespół wybiera 5 URL z największym ruchem przyrostowym i 5 z największym regresem, oraz formułuje hipotezy.
- Bank haseł kotwicznych: lista 60 anchorów wewnętrznych, używanych zgodnie z mapą klastrów, bez przypadkowych powtórzeń.
W trakcie projektu pojawiła się także osobna karta dla AIO, której nie było w pierwotnym frameworku. Dodaliśmy ją w miesiącu czwartym po obserwacji, że ChatGPT zaczyna cytować nasze treści, nawet jeśli te same URL nie pokazują się jeszcze na pierwszej stronie Google. Mechanika, którą szczegółowo opisaliśmy w sąsiednim opracowaniu Case AIO 2026: 0 do 50 cytowan w ChatGPT (B2B), dała nam dodatkowy kanał odkrywalności, którego nie było w planie pierwotnym.
Jak to wdrozyc krok po kroku
Plan wdrożenia rozpisaliśmy na 39 tygodni, podzielony na cztery fazy. Każdy etap miał własny cel jakościowy oraz mierzalne wyjście. Co istotne, nie każda faza była addytywna. Niektóre wymagały usunięcia istniejących treści, scalania URL i wycofywania starych map kategoryjnych. Bez tej higieny żadne nowe publikacje nie ruszyłyby z miejsca.
Faza 1: higiena i baseline (tydzień 1–6)
Pierwsze sześć tygodni nie publikowaliśmy nic. Cały zespół skupił się na audycie i porządkowaniu istniejących 412 artykułów. Działania objęły: usunięcie 73 słabych URL przez 301 do najbliższego węzła klastrowego, scalenie 18 par kanibalizujących się treści, redakcję 96 tytułów H1 pod intencję pytania, oraz wdrożenie schematu Article z polami autor, dateModified i image na wszystkich nowych szablonach.
W tym samym czasie zbudowaliśmy panel pomiarowy. Każdy z 200 najlepszych URL został zapisany jako baseline w GSC (4 tygodnie ruchu, 4 tygodnie kliknięć, średnie pozycje per fraza). Tę linię odniesienia traktowaliśmy później jak laboratoryjną kontrolę. Bez niej nie można uczciwie powiedzieć, że ruch wzrósł, bo zmiana, którą obserwujesz, może być wahaniem sezonowym.
Higiena obejmowała także porządkowanie kategorii i taksonomii. Z 47 istniejących kategorii zostało 18, a z 312 tagów zostało 84. Wszystko, co nie posiadało minimum trzech artykułów oraz jasnej intencji informacyjnej, zostało scalone z większymi węzłami. To pozwoliło stworzyć przejrzystą mapę witryny, którą później wykorzystaliśmy w pliku robots.txt oraz w mapie witryny XML. Co istotne, zmiany taksonomii wpłynęły także na URL kanoniczne: każdy artykuł przeszedł przez weryfikację, czy jego primaryCategory jest semantycznie najbliższy treści. W 27 przypadkach zmieniliśmy primaryCategory.
Faza 2: nowa produkcja i wzmocnienia (tydzień 7–18)
W fazie drugiej wypuszczaliśmy średnio 9 nowych artykułów tygodniowo, w stosunku 2:1 wsparcie do pillara. Każdy nowy URL przechodził przez kontrolę intencji, kontrolę kanibalizacji oraz audyt linkowania wewnętrznego. Średnio 18 procent artykułów wracało do autora z poprawkami przed publikacją, najczęściej z powodu zbyt ogólnego wstępu lub braku odpowiedzi na pytanie kluczowe w pierwszych 90 słowach.
Równolegle prowadziliśmy refresh starych treści w cyklu 12 URL tygodniowo. Refresh polegał na: dopisaniu trzech sekcji odpowiedzi pod pytania z PAA Google, dodaniu tabeli porównawczej lub listy kontrolnej, oraz osadzeniu sekcji FAQ z 4–6 pytaniami. To była praca powtarzalna i mocno sformatowana. W całym projekcie odświeżyliśmy 178 starszych URL.
Faza 3: linkowanie zewnętrzne i autorytet (tydzień 19–28)
Trzecia faza obejmowała pozyskanie linków zewnętrznych, ale w specyficznej formie. Zamiast outreach na masową skalę, opublikowaliśmy 22 oryginalne badania danych (po jednym co dwa tygodnie), opartych na własnych zbiorach: analiza 5300 stron docelowych pod kątem długości tytułu, badanie 1240 SERPów na obecność featured snippet itd. Każde badanie miało własną stronę z metodologią, zestawem CSV do pobrania oraz tagiem hreflang. To one zebrały 84 linki redakcyjne z domen o autorytecie powyżej DR 50.
Dodatkowo, w tej fazie skonfigurowaliśmy linkowanie z newslettera oraz partnerstwa contentowe z trzema portalami branżowymi. Te działania nie dały skoku ruchu w terminie publikacji, ale uruchomiły efekt opóźniony, widoczny w tygodniach 26–34.
Charakterystyczne dla tego etapu było odejście od tradycyjnego outreach contentowego. Klasyczny mail z propozycją gościnnego artykułu odpadł całkowicie. Zamiast tego oferowaliśmy redaktorom konkretne dane do publikacji, w formacie gotowym do wykorzystania w ich własnym artykule: zestaw wykresów PNG, plik CSV z danymi, krótki opis metodologii. To zmieniło konwersję z 1.8 procent na 14.7 procent przy zachowaniu jakości linków. Średni Domain Rating linkujących domen wynosił 56, mediana 51.
Faza 4: optymalizacja pod AIO i monitoring cytowań (tydzień 29–39)
W fazie czwartej skoncentrowaliśmy się na widoczności w silnikach LLM. Wprowadziliśmy standard, że każdy artykuł posiadał: jedną statystykę liczbową w pierwszym akapicie, listę kontrolną z 5–7 punktami w połowie tekstu, sekcję FAQ na końcu oraz blok „Najważniejsze wnioski” w bullet pointach. Te elementy zwiększyły szansę na cytowanie w ChatGPT i Perplexity, co potwierdzało nasze cotygodniowe badanie 240 promptów referencyjnych.
W ostatnich ośmiu tygodniach przeprowadziliśmy także edycję 30 najważniejszych artykułów pod konkretne wzorce cytowania LLM. Wnioski z tej części projektu opisaliśmy w opracowaniu Porownanie przed/po: edit 30 artykulow pod LLM (wyniki), gdzie w formie przed/po pokazujemy konkretne zmiany w treści, które przyniosły największe efekty cytowania.
Najczestsze bledy i pulapki
W trakcie projektu popełniliśmy kilka błędów, które kosztowały nas tygodnie. Najpoważniejszy: w fazie drugiej pozwoliliśmy sobie na publikację 14 artykułów o zbliżonej intencji w obrębie jednej kategorii bez sprawdzenia kanibalizacji. Po sześciu tygodniach Google przesunął ranking na artykuły o mniejszej wartości redakcyjnej, a oryginał pillara stracił 38 procent kliknięć. Naprawa wymagała czterech tygodni: scalania, 301 oraz redakcji.
Drugi błąd: zbyt szybkie skalowanie produkcji. W tygodniu 12 podnieśliśmy tempo do 14 artykułów tygodniowo i jakość spadła. Trzy artykuły zostały dezindeksowane przez Google z powodu thin content, choć żadne narzędzie tego nie zasugerowało. Powrót do 9 artykułów tygodniowo i wyższe wymagania redakcyjne rozwiązały problem.
Trzeci błąd: zaniedbanie monitoringu obrazków. Przez pierwsze 16 tygodni publikowaliśmy artykuły bez optymalizacji wagi pliku ani alt. Po audycie Lighthouse odkryliśmy, że średnia waga obrazka wynosiła 480 KB, a CLS w mobile 0.31. Po wymianie wszystkich na WebP i wprowadzeniu właściwych atrybutów width/height, LCP w mobile spadł o 1.8 sekundy, a kliknięcia z mobile podniosły się o 14 procent.
Czwarty błąd: brak strategii dla starszych artykułów z tail traffic. Mieliśmy 180 URL generujących łącznie 12 tysięcy sesji miesięcznie z bardzo długich fraz. Przez pięć miesięcy nie dotykaliśmy ich, bo skupialiśmy się na pillarach. Tymczasem konkurencja podmieniała treści na podobne pytania i wyprzedzała nas. Po refresh tych 180 URL w tygodniach 30–34, długi ogon odzyskał 78 procent strat.
Piąty błąd: zbyt sztywne trzymanie się słów kluczowych w fazie pierwszej. Optymalizowaliśmy pod konkretne frazy, podczas gdy Google coraz mocniej premiuje semantyczne grupy znaczeń. W wyszukiwaniu semantycznym ranking opiera się na osadzeniu (embedding) całej treści w przestrzeni wektorowej, a nie na zliczaniu dopasowań literalnych. Przejście na pracę z mapą intencji, a nie listą fraz, przyspieszyło efekty.
Szósty błąd, którego nauczyliśmy się boleśnie: brak weryfikacji renderowania treści w wersji mobilnej. Cztery z naszych pierwszych pillarów miały tabele, które na ekranie poniżej 360 px nie mieściły się i powodowały gorący scroll horizontalny. Ten problem był niewidoczny dla redaktorów piszących na desktopie i nie został wychwycony w preview WordPressa. Dopiero analiza danych z GA4 ujawniła nienaturalnie wysokie scroll depth na tych URL przy jednoczesnym niskim engagement time. Po przepisaniu tabel z użyciem stylu overflow-x:auto i dodaniu legendy nad tabelą, czas zaangażowania wzrósł o 38 sekund.
Siódmy błąd: zbyt wczesne wdrożenie schematu HowTo na artykułach informacyjnych. Google traktował to jako spam i obniżył ranking trzech URL. Po cofnięciu schematu i pozostawieniu wyłącznie Article + FAQPage tam, gdzie jest naturalny zestaw pytań, ranking wrócił w ciągu 17 dni. Lekcja: schematy structured data są pomocne tylko wtedy, kiedy struktura strony rzeczywiście odpowiada deklarowanemu typowi. Wstawianie ich na siłę szkodzi bardziej niż pomaga.
Czerwone flagi do uniknięcia
- Publikacja więcej niż jednego artykułu o tej samej intencji w obrębie miesiąca w jednej kategorii.
- Zmiana tytułu H1 bez zmiany meta title (psuje CTR w SERP).
- Refresh starszego artykułu bez aktualizacji dateModified w schemacie Article.
- Wstawianie linków wychodzących do potencjalnie konkurencyjnych domen w pierwszym akapicie.
- Mieszanie języka tytułów: część w trybie pytania, część w trybie nazwowym, bez konsekwencji.
Mierzenie efektow i KPI
Pomiar w projekcie był tygodniowy, ale dziewięć kluczowych wskaźników liczyliśmy także w wycinkach kwartalnych. Łącznie panel obejmował 26 metryk, z czego siedem stanowiło rdzeń decyzji o kolejnych krokach. Bez panelu nie da się prowadzić projektu o takiej skali; intuicja zawiedzie po szóstym tygodniu.
KPI rdzeniowe (tygodniowe)
- Sesje organiczne z podziałem na nowe i refresh URL, oraz z podziałem mobile vs desktop.
- Liczba unikalnych URL z minimum 100 klikami w ostatnich 28 dniach (KPI „głębokości wzrostu”).
- Średnia pozycja dla top 200 fraz wskazanych w mapie intencji.
- CTR w SERP dla top 50 URL.
- Liczba cytowań w ChatGPT z naszych 240 promptów referencyjnych.
- Liczba cytowań w Perplexity i Gemini, te same prompty.
- Współczynnik odrzuceń dla nowo opublikowanych URL (oczekiwany przedział 28–42 procent).
KPI portfolio (miesięczne)
Każdego miesiąca raportowaliśmy strukturę ruchu w kategoriach. Cel: żadna kategoria nie powinna stanowić więcej niż 40 procent ruchu, by uniknąć ryzyka pojedynczego punktu awarii. W projekcie obserwowaliśmy następujące zmiany udziałów w czasie: SEO techniczne z 52 do 28 procent, AIO praktyczne z 11 do 36 procent, narzędzia i porównania z 22 do 24 procent, glosariusz z 7 do 8 procent, wiadomości branżowe z 8 do 4 procent.
Rozproszenie ruchu jest cenniejsze od koncentracji. Witryny, które rosną tylko na jednym pillarze, są bardziej narażone na aktualizacje algorytmu Google. Witryny z czterema źródłami ruchu o porównywalnym udziale są stabilne nawet po dużych zmianach.
Tabela: stan przed i po
| Wskaźnik | Start (T0) | T+9 miesięcy | Zmiana |
|---|---|---|---|
| Sesje organiczne miesięcznie | 38 000 | 114 000 | +200% |
| URL z 100+ klikami | 62 | 241 | +289% |
| Cytowania w ChatGPT (240 promptów) | 3 | 71 | +2266% |
| Cytowania w Perplexity | 1 | 48 | +4700% |
| Cytowania w Gemini | 2 | 33 | +1550% |
| Średni CTR top 50 URL | 2.8% | 4.6% | +64% |
| Średnia pozycja top 200 fraz | 14.2 | 6.7 | poprawa o 7.5 |
Warto zauważyć, że wzrost cytowań w LLM wyprzedził wzrost ruchu z Google. W tygodniu 14 mieliśmy już 26 cytowań w ChatGPT, podczas gdy sesje wzrosły dopiero o 22 procent względem baseline. Cytowania w silnikach LLM są w 2026 roku wcześniejszym wskaźnikiem zdrowia treści niż sesje organiczne, dlatego polecamy włączyć je do podstawowego panelu KPI.
Tygodniowa kadencja raportu
W ramach KPI portfolio prowadziliśmy także krótki, ośmiopunktowy raport mailowy wysyłany w każdy poniedziałek do interesariuszy. Zawierał: liczbę sesji w ostatnim tygodniu z porównaniem do baseline i poprzedniego tygodnia, trzy URL z największym przyrostem, trzy URL z największym regresem, listę publikacji tygodnia, kluczowe cytowania w ChatGPT w ostatnich 7 dniach, planowane zmiany w następnym tygodniu, ryzyka oraz jedno pytanie do dyskusji. Format był celowo zwięzły: maksymalnie 300 słów. Dyscyplina formatu utrzymała zaangażowanie interesariuszy na wysokim poziomie przez cały okres projektu.
Co istotne, raport nigdy nie obiecywał liniowego wzrostu. Wybraliśmy język oparty na hipotezach i ryzykach, nie na obietnicach. To bardzo zmniejszyło niepokój zarządu w tygodniach 8–11, kiedy ruch chwilowo spadał z powodu wycofywania starych URL. Bez tej narracyjnej kontroli moglibyśmy stracić zaufanie i być zmuszeni do cofnięcia części zmian, które przyniosły efekty dopiero w fazie trzeciej.
Co dalej z danymi
Po dziewięciu miesiącach mieliśmy w panelu około 12 GB danych historycznych: kliknięcia, impresje, pozycje, dane z indeksowania, zrzuty SERPów oraz dziennik cytowań. Te dane stały się podstawą do kolejnych eksperymentów na sąsiednich witrynach. Jeśli prowadzisz sklep i interesuje cię, jak wykorzystać ten framework w środowisku e-commerce, sięgnij po Case e-commerce: indeksacja 12k SKU pod AIO, gdzie pokazujemy adaptację tej samej dekompozycji do większego, transakcyjnego modelu witryny.
Korelacje, których się nie spodziewaliśmy
W trakcie pracy wyciągnęliśmy kilka korelacji statystycznych, które nas zaskoczyły. URL z osadzoną tabelą porównawczą miały o 24 procent wyższy średni CTR niż URL bez tabeli, niezależnie od pozycji. URL z sekcją FAQ na końcu miały o 17 procent wyższy engagement time. URL z obrazem hero w formacie 16:9 (a nie 4:3 czy 1:1) miały o 11 procent wyższy współczynnik kliknięć z Discover. Co istotne, to są obserwacje statystyczne, nie causation, ale wystarczyły, by ujednolicić wzorce produkcji w drugiej połowie projektu.
Druga ciekawa obserwacja: artykuły publikowane we wtorek i środę między 9:00 a 11:00 czasu polskiego osiągały szybszą indeksację niż artykuły publikowane w inne dni i godziny. Mediana czasu indeksacji wynosiła 4 godziny dla okna optymalnego, w porównaniu do 19 godzin dla publikacji niedzielnych. Nie znamy mechanizmu, ale efekt był na tyle stabilny przez 39 tygodni, że uwzględniliśmy go w kalendarzu publikacji.
Najwazniejsze wnioski
- Higiena techniczna w pierwszych sześciu tygodniach była ważniejsza niż jakakolwiek nowa publikacja.
- Refresh starych treści dał 41 procent przyrostu ruchu, nowa produkcja 47 procent, badania danych 12 procent.
- Optymalizacja pod LLM (FAQ, dane liczbowe, tabele, listy) jest tania w produkcji, a daje wyprzedzający sygnał zdrowia.
- Bez tygodniowej retrospektywy projekt o takiej skali rozsypie się w trzecim miesiącu.
- Dekompozycja jako proces dokumentacyjny zostaje w organizacji na lata; sam case study nie zostaje.
FAQ
Czy w 9 miesięcy każdy może osiągnąć trzykrotny wzrost ruchu?
Nie. Punkt startu, jakość treści historycznych, liczba domen w klastrze konkurencyjnym oraz stabilność platformy mocno wpływają na sufit wzrostu. W naszym przypadku witryna miała 412 artykułów średniej jakości oraz wolny od kar algorytmicznych profil linków. W warunkach gorszych potrzeba 12–18 miesięcy, by uzyskać podobny efekt.
Ile osób uczestniczyło w projekcie?
Zespół rdzeniowy liczył pięć osób: dwóch redaktorów, jeden specjalista techniczny SEO, jeden analityk danych oraz lider projektu. Dodatkowo trzy osoby wspierały w fazie badań danych (analiza, wizualizacja, korekta). Łączny budżet czasowy to około 4200 godzin w 9 miesięcy.
Czy metoda jest skalowalna do większej witryny?
Tak, ale wymaga dłuższych okien czasowych dla każdej fazy oraz lepszego narzędzia do śledzenia kanibalizacji. Witryna z 5 tysiącami URL nie pozwoli na manualne sprawdzenie podobieństw, więc konieczne jest wdrożenie pipeline embeddingowego (np. OpenAI text-embedding-3 lub własny model) do mierzenia bliskości semantycznej.
Jak rozliczyć efekty z LLM, skoro nie ma sesji?
Mierzy się to dwoma sposobami. Po pierwsze, własny zestaw promptów referencyjnych, uruchamiany co kilka dni, który zlicza liczbę pojawień domeny. Po drugie, analiza ruchu referralowego z domen takich jak chat.openai.com, perplexity.ai i gemini.google.com w GA4. Po dziewięciu miesiącach ruch referralowy z LLM stanowił 3.4 procent wszystkich sesji, ale jego konwersyjność była najwyższa w całym portfolio.
Co zrobić, gdy framework nie daje efektu po trzech miesiącach?
Najczęściej oznacza to brak higieny w fazie pierwszej. Zalecamy wtedy audyt techniczny pod kątem indeksacji, prędkości oraz duplikatów treści, a następnie tygodniową retrospektywę z pełnym mapowaniem zmian. Jeżeli mimo poprawnej dyscypliny brak ruchu, problem jest najczęściej w autorytecie domeny i wymaga osobnej strategii linkowej.
Czy dekompozycja zastępuje tradycyjny audyt SEO?
Nie. Dekompozycja zaczyna się dopiero po audycie i służy do prowadzenia projektu w czasie, nie do oceny stanu zastanego. Audyt odpowiada na pytanie „co jest”, dekompozycja na pytanie „co zmieniliśmy i z jakim skutkiem”. Oba dokumenty powinny istnieć równolegle.