Soft, Hard и Middle кластеризация: как выбрать метод по SERP

Soft, Hard и Middle кластеризация запросов по выдаче: принцип работы, пороги общих URL, когда какой метод выбрать для e-commerce, услуг и инфосайтов.

SERP-кластеризация — метод группировки запросов по тому, какие страницы поисковик реально показывает в топе. В отличие от лексических и AI-методов, которые анализируют сами фразы, SERP-подход смотрит на то, как поисковая система уже понимает близость запросов — и делит их на Soft, Hard и Middle в зависимости от строгости сравнения.

Разница между тремя методами кажется технической деталью, но на практике именно она определяет, сколько страниц или групп объявлений получится в итоговой структуре и насколько точно они будут разведены между собой. Выбор неподходящего метода — частая причина, почему структура сайта получается либо слишком фрагментированной, либо слишком общей относительно реального ассортимента или спектра услуг.

Как работает кластеризация по выдаче

Принцип простой: для каждого запроса собирается набор URL из топ-10 (иногда топ-20) выдачи Яндекса или Google. Затем запросы сравниваются между собой — если у двух фраз совпадает достаточное количество одних и тех же URL, поисковик считает их близкими по смыслу, и алгоритм объединяет их в кластер.

Ключевой параметр — порог общих URL: минимальное число совпадающих адресов, при котором два запроса считаются связанными. Именно этот порог и способ сравнения (со всеми запросами группы или только с одним маркерным) определяют разницу между Soft, Hard и Middle.

Soft-кластеризация

При Soft-методе каждый запрос сравнивается только с самым частотным (маркерным) запросом в группе. Если у фразы есть пересечение URL с маркером — она попадает в кластер, даже если у неё нет ничего общего с другими фразами этой же группы.

Пример: запрос А пересекается с маркером М, запрос Б пересекается с маркером М, но у А и Б может не быть общих URL вовсе. Soft-метод всё равно объединит А, Б и М в один кластер.

Схема связей (Soft):

        А
        │
        │ (пересечение с маркером)
        ▼
М ──────┼────── Б
        ▲
        │ (пересечение с маркером)
        │
       (у А и Б связи может не быть вовсе)

Маркер М — центр звезды, к которому «привязаны» остальные запросы кластера. Прямой связи между периферийными запросами Soft-метод не требует.

Плюсы:

• Даёт крупные, широкие кластеры — удобно для тематик с большим объёмом семантики;
• Меньше несгруппированных фраз — метод менее строгий;
• Быстрее выходит на готовую структуру сайта.

Минусы:

• Возможна внутренняя несовместимость запросов в одном кластере;
• Не подходит для узкой коммерческой семантики, где нужна точность.

Когда использовать: информационные сайты, блоги, широкие коммерческие ниши с размытым интентом, где цена ошибки низкая.

Hard-кластеризация

Hard требует, чтобы каждая пара запросов в кластере имела необходимое количество общих URL — не только с маркером, а друг с другом. Если в группе три фразы (А, Б, В), связь должна быть между А-Б, А-В и Б-В. Если хотя бы одна пара не проходит порог, кластер в таком составе не формируется.

Плюсы:

• Максимальная точность — все запросы в группе действительно взаимосвязаны;
• Исключена внутренняя несовместимость;
• Подходит для строгой товарной матрицы интернет-магазинов.

Минусы:

• Медленнее и требовательнее к качеству SERP-данных;
• На больших ядрах оставляет много несгруппированных фраз;
• Может излишне дробить явно похожие запросы на разные кластеры.

Когда использовать: высококонкурентные коммерческие тематики, крупные интернет-магазины с точной товарной матрицей, ВЧ-запросы, где нужна абсолютная совместимость (например, при текстовом анализе конкурентов).

Схема связей (Hard):

        А
       ╱ ╲
      ╱   ╲
     ▼     ▼
    Б ◄───► В

Каждая пара должна иметь пересечение: А-Б, А-В и Б-В. Если хотя бы одна из трёх связей не проходит порог — кластер из А, Б и В в таком составе не формируется, и Hard-алгоритм либо оставит запросы отдельно, либо сформирует более мелкую группу из двух связанных элементов.

Middle-кластеризация

Middle — компромисс: вместо требования «пересечение со всеми запросами группы» (как в Hard), достаточно пересечения с большинством пар в группе, а не с одним фиксированным маркером (как в Soft). Это снижает строгость Hard, но при этом не даёт таких рыхлых кластеров, как чистый Soft.

Когда использовать: большинство обычных e-commerce проектов и услуг, где чистый Hard создаёт слишком много мелких групп, а Soft — слишком неточных.

Схема связей (Middle, группа из 4 запросов, порог — большинство пар):

        А ────── Б
        │ ╲    ╱ │
        │   ╲╱   │
        │   ╱╲   │
        │ ╱    ╲ │
        В ────── Г

Из шести возможных пар (А-Б, А-В, А-Г, Б-В, Б-Г, В-Г) должно пересекаться, например, не менее пяти — то есть допускается ровно одна «слабая» связь, в отличие от Hard, где обязаны выполняться все шесть. В отличие от Soft, здесь нет единого маркера, через который обязаны проходить все связи — оценивается процент связанных пар во всей группе.

Важная оговорка про терминологию. Границы между Soft, Middle и Hard немного различаются между сервисами кластеризации. В этой статье Soft = привязка к одному маркерному запросу, Middle = пересечение с большинством пар в группе, Hard = пересечение со всеми парами. Но в ряде источников тем же словом «Soft» называют именно привязку к маркеру (то, что здесь названо Middle), а более мягкую группировку без гарантированного пересечения даже с маркером выделяют отдельно. Перед использованием конкретного инструмента стоит уточнить его собственное определение метода в документации, а не ориентироваться только на название.

Сравнительная таблица методов

Как выбрать порог общих URL

Порог — не универсальная константа, его нужно подбирать под тип проекта.

Слишком низкий порог даёт рыхлые группы с потенциальной каннибализацией. Слишком высокий порог оставляет много фраз без кластера и требует ручной доработки. На практике стартуют со стандартного значения (3 для коммерции), смотрят на результат и корректируют.

Когда AI-кластеризация заменяет SERP, а когда дополняет

AI-векторная кластеризация анализирует смысл фраз напрямую — через embeddings — и не требует сбора выдачи вообще. Это быстрее и дешевле, чем SERP-подход, и хорошо работает для большинства задач, особенно там, где важна синонимия и русская морфология.

SERP-метод остаётся более точным индикатором для конкретной ниши здесь и сейчас: он показывает, что реально видит поисковик, а не то, что теоретически близко по смыслу. Разница проявляется в специфичных нишах, где алгоритмы поисковика группируют запросы неочевидным образом — например, когда коммерческий и информационный запрос неожиданно показывают одну и ту же страницу в топе.

Рабочая комбинация:

1. Запустите AI-кластеризацию на всём ядре — это даёт быструю черновую структуру.
2. Выделите топ-20-30 самых важных коммерческих кластеров по частотности.
3. Проверьте именно их через SERP Hard или Middle — на небольшом числе групп это не займёт много времени.
4. Скорректируйте структуру там, где SERP расходится с AI.

Практика по типам проектов

E-commerce с широким каталогом. Middle с порогом 3, точечная Hard-проверка для топовых категорий с высокой конкуренцией.

Услуги (локальный бизнес). Middle или мягкий Hard с порогом 2-3 — обычно достаточно, конкуренция ниже, чем в товарном e-commerce.

Информационный блог или медиа. Soft с порогом 1-2 — цель максимальный охват тематики, а не точность до одной страницы.

B2B и узкоспециализированные ниши. Hard с порогом 3-5, но с обязательной ручной валидацией — специфичная терминология часто даёт нестабильную выдачу.

Пример: одно ядро, три метода

Ядро из 1 200 коммерческих запросов по нише «окна пластиковые» обработали тремя методами с порогом общих URL из топ-10:

На этом ядре Middle с порогом 3 дал наиболее рабочий баланс: точность выше, чем у Soft, а объём ручной доработки заметно ниже, чем при Hard. Итоговое решение для похожих коммерческих ниш с не самой высокой конкуренцией — начинать с Middle и повышать строгость только там, где видна реальная путаница между кластерами.

Подводные камни при сборе SERP-данных

• Персонализация выдачи. Даже без авторизации Яндекс может показывать разным пользователям слегка отличающийся топ-10 в зависимости от истории показов и региона IP — для стабильности сбора рекомендуется использовать чистые сессии или специализированный сервис с фиксированной геопривязкой.
• Изменение выдачи во времени. Топ-10 обновляется не мгновенно, но может заметно измениться за несколько недель. Если сбор SERP для крупного ядра занимает несколько дней, часть данных может устареть уже к моменту завершения кластеризации.
• Блоки и капчи при массовом сборе. Прямой автоматический сбор выдачи без специализированной инфраструктуры быстро наталкивается на защиту от ботов — отсюда популярность платных API типа XMLRiver или встроенных решений веб-сервисов, которые берут этот вопрос на себя.
• Разница между мобильной и десктопной выдачей. Для ниш с преимущественно мобильным трафиком стоит явно указывать тип устройства при сборе — топ-10 на мобильном и десктопе иногда заметно различается.

Частые ошибки

• Использовать один и тот же порог для всех типов запросов — коммерческие и информационные фразы требуют разной строгости, единый порог для всего ядра почти всегда даёт неоптимальный результат хотя бы для одной категории запросов.
• Слепо доверять Hard-результату — метод хорош на бумаге, но избыточная строгость иногда разбивает явно похожие запросы на разные группы просто потому, что выдача по ним временно не совпала.
• Игнорировать нестабильность выдачи — SERP Яндекса может меняться при повторных проверках, особенно в нишах с высокой персонализацией и в периоды алгоритмических обновлений.
• Собирать топ-10 без учёта региона — для локальных услуг региональная выдача принципиально отличается от общероссийской, и кластеризация на нерелевантном регионе даёт искажённый результат.
• Пропускать этап ручной доработки — даже Hard-кластеризация с правильным порогом требует финальной проверки ключевых коммерческих групп, особенно на границах между смежными категориями товаров.
• Не фиксировать дату сбора данных — при пересмотре структуры через несколько месяцев без даты сбора сложно понять, насколько устарела кластеризация и нужно ли пересобирать SERP заново.

Чек-лист выбора метода

Перед запуском SERP-кластеризации пройдите короткий чек-лист, чтобы не выбирать метод «на глаз»:

• Определена доля коммерческих и информационных запросов в ядре — для них порог и метод должны отличаться
• Оценена конкурентность ниши (по количеству крупных игроков в топ-10, а не только по частотности запросов)
• Выбран регион сбора выдачи, соответствующий реальной географии бизнеса
• Определено, нужен ли топ-10 или топ-20 — в зависимости от стабильности выдачи в нише
• Запланировано время на ручную доработку хотя бы 10-15% кластеров после автоматической обработки
• Зафиксирована дата сбора SERP-данных для последующего сравнения при пересмотре структуры

Как метод кластеризации влияет на структуру сайта

Выбор между Soft, Hard и Middle — не только вопрос точности, но и прямое влияние на итоговую архитектуру сайта или кампании:

• Soft обычно приводит к меньшему числу более широких страниц/групп — подходит, если цель — быстро закрыть тематику ограниченным количеством контента.
• Hard приводит к большему числу узких страниц/групп — подходит, если у бизнеса действительно есть ресурс поддерживать десятки специализированных страниц с уникальным контентом под каждый мелкий кластер.
• Middle обычно даёт число страниц, сопоставимое с реальной товарной или сервисной линейкой бизнеса, что и делает его самым частым выбором на практике.

Прежде чем выбирать метод, стоит явно ответить на вопрос: сколько отдельных страниц или групп объявлений команда реально готова создать и поддерживать. Технически безупречная Hard-кластеризация с 300 микрокластерами бесполезна, если контент-команда может физически написать только 40 уникальных страниц в квартал.

Что дальше

Если вы ещё не выбрали основной метод кластеризации, начните с полного руководства по кластеризации ключевых слов, где разобраны все 4 подхода, включая AI-вектор и TF-IDF. Для SEO-структуры сайта на основе кластеров пригодится гайд по семантическому ядру для SEO. В KeyCore SERP-анализ и AI-кластеризация доступны в одном интерфейсе — подробнее в разделе Кластеризация базы знаний.