AI SEO In Detail

AI SEO In Detail › Module C · Demande et recherche de mots-clés › Épisode 24

Épisode 24 · 6:48 · bientôt disponible

Clustering de mots-clés : regroupez par recoupement de SERP

Apprenez le clustering de mots-clés par recoupement de SERP : comparez les 10 premières URL avec DataForSEO et Python, regroupez par intention de recherche et obtenez un tableau de clusters.

Épisode 24: Clusteriser les mots-clés par recoupement de SERP Vidéo bientôt disponible

Cet épisode est scénarisé et en cours de production. La transcription ci-dessous correspond au script initial ; il peut évoluer avant la publication de la vidéo.

Transcription complète (traduite)

1,138 mots · brouillon du script, en cours de relecture.

Introduction

Vous avez trois cents mots-clés. Vous devez décider combien de pages créer. Une page par mot-clé, c'est beaucoup trop. Une page pour tout, c'est trop peu.

Vous commencez à regrouper manuellement. "Moulin à espresso" et "meilleur moulin" vont clairement ensemble. "Moulin à meules" et "moulin conique" aussi. Vous obtenez trente groupes qui semblent corrects.

Puis vous créez les pages. Certaines se font concurrence dans Google. D'autres ne classent jamais pour la moitié des termes prévus.

Le problème : vous avez groupé selon l'apparence des mots. Google les groupe selon ce que cherchent les internautes. Dans cet épisode je vais vous montrer comment clusteriser avec les résultats de recherche eux-mêmes : si deux mots-clés partagent assez d'URLs top dix, même page.

Pourquoi la similarité des mots ne suffit pas

Il y a deux façons courantes de grouper sans regarder les résultats. La première est la similarité textuelle : mots partagés, racines communes. L'autre est le sens : embeddings texte, ou demander à un LLM quels termes vont ensemble.

Les deux sont correctes en première passe. Et les deux échouent au même endroit.

Deux phrases peuvent partager presque tous les mots et vouloir des pages différentes. "Moulin à espresso" et "pièces de moulin" partagent deux mots sur trois. La première veut un guide d'achat. La seconde veut une liste de pièces détachées.

Et deux phrases peuvent ne partager aucun mot et vouloir exactement la même page. "Moulin à café" et "broyeur à café" sont la même chose pour la plupart.

La page de résultats tranche. Si Google montre surtout les mêmes URLs pour deux requêtes, il les traite comme un même besoin, et une page peut classer pour les deux. Si les résultats diffèrent, une page aura du mal à couvrir les deux, peu importe la proximité des mots.

Ça stoppe aussi la cannibalisation avant qu'elle ne commence. Dans l'épisode douze on trouvait les pages en concurrence après coup. Le clustering SERP l'évite dès la planification.

La méthode en quatre étapes

La méthode a quatre étapes.

Étape un. Obtenir les dix premiers résultats organiques pour chaque mot-clé. Seulement les URLs organiques. Ignorez annonces, cartes et autres pour cet usage. Dans cet épisode j'utilise des résultats déjà extraits et mis en cache. Comment les extraire de l'API, avec localisation, appareil, profondeur et coût, c'est l'épisode vingt-sept.

Étape deux. Pour chaque paire de mots-clés, comptez combien d'URLs ils partagent dans leur top dix. Ce nombre est le chevauchement. Zéro signifie rien en commun. Dix signifie résultats identiques.

Étape trois. Choisissez un seuil. Un bon point de départ est trois URLs partagées. Trois ou plus, et les deux mots-clés sont liés. Moins, et ils ne le sont pas.

Étape quatre. Groupez les mots-clés liés en clusters. Chaque cluster devient une page. Le mot-clé avec le plus grand volume devient la cible principale. Les autres sont des phrases support que la même page doit aussi couvrir.

Un détail avant de comparer : normalisez les URLs. Hôte en minuscules, supprimez paramètres de tracking, le slash final et tout après un dièse. Sinon la même page compte comme deux URLs différentes, et chaque chevauchement sort trop bas.

Exemple concret

Voici un exemple, avec des chiffres fictifs pour illustration. Huit mots-clés pour une boutique café fictive, example-shop.test.

La matrice montre le chevauchement pour chaque paire. "Moulin à espresso" et "meilleur moulin" partagent sept URLs. "Moulin à café" et "broyeur à café" en partagent six. Facile. Même besoin, même page.

"Moulin à espresso" et "pièces de moulin" partagent une URL. Page différente, comme on le suspectait.

"Moulin à meules" et "moulin à espresso" partagent trois URLs. Exactement au seuil. C'est le cas intéressant.

Avec un seuil de trois, les huit mots-clés donnent trois clusters : un guide d'achat moulin, une page pièces, et une page moulin manuel. Avec un seuil de quatre, "moulin à meules" devient son propre cluster, et vous planifieriez quatre pages au lieu de trois.

Alors lequel est juste ? Regardez les URLs partagées elles-mêmes. Si les trois URLs partagées sont tous des guides d'achat larges, une page couvrant les deux est réaliste. Si ce sont trois pages catégorie d'un même gros détaillant, le chevauchement parle plus du détaillant que du chercheur. Dans ce cas je penche vers une page séparée.

Le seuil est un point de départ, pas un verdict. Les paires limites méritent un regard humain.

Quatre pièges à éviter

Quatre choses tournent mal encore et encore.

D'abord, le chaînage. Si A lie à B, et B lie à C, un groupage simple met A et C dans le même cluster même s'ils ne partagent rien. Avec de longues chaînes vous obtenez un cluster géant qui avale la moitié. La solution : exiger que chaque mot-clé lie au mot-clé principal du cluster, pas juste à un membre. Je construis les clusters autour du mot-clé à plus gros volume d'abord, puis le suivant non assigné, et ainsi de suite dans la liste.

Deuxième, les réglages. Une page de résultats est un instantané pour un lieu, une langue, un appareil, à un jour donné. Ne comparez que des mots-clés extraits avec les mêmes réglages, idéalement la même semaine.

Troisième, les groupes de synonymes. Rappelez-vous l'épisode vingt : quand deux variantes montrent des volumes identiques, les données Google les traitent déjà comme un seul groupe. Ils atterrissent presque toujours dans le même cluster, et vous ne devez pas additionner leurs volumes quand vous calculez la demande du cluster. Comptez le groupe une fois.

Quatrième, comparez les URLs, pas les domaines. Si quelques gros sites classent pour tout dans votre niche, le chevauchement de domaine sera élevé pour chaque paire, un seul cluster. Le chevauchement de domaine dit qui domine. Le chevauchement d'URL dit quelle page satisfait la requête.

Le résultat : un tableau de clusters

Le résultat est une table de clusters. Une ligne par cluster : le mot-clé principal, les mots-clés support, le volume total du cluster avec groupes de synonymes comptés une fois, et les URLs qui lient le cluster.

Cette dernière colonne compte. Quand on demande pourquoi deux mots-clés partagent une page, vous montrez la preuve. Et quand on arrive à l'analyse SERP dans le prochain module, vous savez déjà quelles pages étudier pour chaque cluster.

En pratique je laisse Claude Code écrire le script de chevauchement. Il lit les résultats en cache depuis SQLite, normalise les URLs, compte les URLs partagées pour chaque paire, et écrit les clusters dans une table. C'est un script court. Les décisions qui comptent sont le seuil et la règle de chaînage, et c'est à vous. Notez-les à côté du résultat, pour relancer le même clustering dans trois mois et comparer.

Pour conclure

Donc : groupez selon ce que Google montre, pas selon l'orthographe. Commencez avec trois URLs partagées, et vérifiez les paires limites à la main. Le script de clustering et le modèle de table sont liés dans la description. Prochain épisode : comment décomposer un gros terme principal en phrases que les gens tapent vraiment quand ils sont prêts à acheter. À bientôt.