SEO Cím: Magyar nyelvű kulcsszókutatás 2026: Az entitás-alapú SEO workflow
Meta leírás: A keresési volumen halott. Ismerd meg a modern, AI-vezérelt magyar kulcsszókutatás lépéseit: entitás-alapú klaszterezés, SGE-faktor és valós hazai CPC-adatok.
A hagyományos, tisztán havi keresési volumenre (MSV) és kulcsszósűrűségre épülő SEO-stratégia végleg megbukott. Azok a hazai márkák, amelyek még mindig a klasszikus Ahrefs/Semrush exportok alapján íratnak 1500 szavas, unalmas blogcikkeket a külsős szövegírókkal, havonta milliókat égetnek el nulla konverziós eredménnyel. A Google AI Overviews (korábban SGE) magyarországi teljes integrációja és a Google keresőmotorjának szemantikai alapú működése megköveteli, hogy a kulcsszókutatást ne izolált szavak listájaként, hanem kontextuális entitás-hálózatként kezeljük.
Miért fontos ez most
A hazai e-commerce és szolgáltatói piacon 2026-ra drasztikusan átalakultak a játékszabályok. Az információs jellegű keresések (például a "hogyan válasszak matracot" vagy "milyen adózást válasszak egyéni vállalkozóként") átkattintási aránya (CTR) az első organikus találatra a korábbi 28-32%-ról mindössze 9-11%-ra esett vissza. Ennek oka egyszerű: a felhasználók a választ közvetlenül a Google találati oldalának (SERP) tetején, az AI által generált összefoglalóban kapják meg.
Ezzel párhuzamosan a Google Ads CPC (kattintásonkénti költség) árak az egekbe szöktek. Egy közepesen kompetitív piacon, mint a lakberendezés vagy a divat, a kattintási díjak 120-250 HUF között mozognak, míg a pénzügyi szektorban (személyi kölcsön, lakáshitel) vagy a B2B szoftveres piacon nem ritka az 1800-3500 HUF közötti CPC sem.
```
+-----------------------------------+--------------------+--------------------+
| Szektor | 2024 Átlagos CPC | 2026 Átlagos CPC |
+-----------------------------------+--------------------+--------------------+
| Divat & Ruházat | 80 - 140 HUF | 180 - 290 HUF |
| Lakberendezés / Barkács | 110 - 190 HUF | 220 - 410 HUF |
| Pénzügy / Hitel / Biztosítás | 900 - 1600 HUF | 1800 - 3800 HUF |
| Egészségügy / Magánklinikák | 350 - 600 HUF | 750 - 1450 HUF |
+-----------------------------------+--------------------+--------------------+
```
Ilyen hirdetési árak mellett az organikus csatorna szerepe felértékelődött, de a régi módszerekkel már nem lehet pozíciót fogni. Ha egy 150-500 millió HUF éves árbevételű magyar webáruház ma is a havi 2000-es keresésű, de nulla vásárlási szándékot hordozó kulcsszavakra lő, akkor a SEO-ba fektetett havi 450 000 - 800 000 HUF-os ügynökségi vagy szabadúszó munkadíj egyszerű ablakon kidobott pénz. A fókuszt a kulcsszavakról át kell helyezni az entitásokra, a keresési szándék (intent) mikroszegmentációjára és az LLM-ek (Large Language Models) által értelmezhető információs sűrűségre.
---
Az új entitás-alapú kulcsszó- és topikmodell
A modern Google már nem karakterláncokat (strings) hasonlít össze, hanem dolgokat (things). Amikor a felhasználó rákeres egy kifejezésre, a keresőmotor egy tudásgráfot (Knowledge Graph) aktivál, amelyben az entitások (személyek, helyek, termékkategóriák, fogalmak) közötti kapcsolatokat elemzi.
Kulcsszavak helyett entitások: A magyar ragozás kihívásai
A magyar nyelv agglutináló (ragozó) jellege miatt a hagyományos SEO eszközök mindig is küszködtek. A "futócipő aszfaltra", "futócipők aszfalton való futáshoz", "legjobb aszfaltos futócipő" kifejezéseket a régi SEO eszközök különálló kulcsszavakként kezelték, és a tartalomkészítők görcsösen próbálták mindegyik variációt elhelyezni a szövegben.
2026-ban a Google természetes nyelvfeldolgozó (NLP) rendszere, a továbbfejlesztett BERT és Gemini alapú modellek tökéletesen értik a magyar nyelvű szótövesítést (lemmatization) és a szemantikai azonosságot.
- Entitás: `Aszfaltos futócipő` (ID: /g/123xyz - fiktív példa a Google tudásgráfjában)
- Kapcsolódó attribútumok: csillapítás, pronáció, márka (Nike, Adidas), tartósság km-ben, talp anyaga.
A kulcsszókutatás során immár nem egyedi szavakat kell listáznunk, hanem az adott főentitáshoz kapcsolódó tulajdonság-mátrixot kell felépítenünk. Ha a webshop kategóriaoldala vagy a szolgáltatási aloldal nem tartalmazza az entitás leírásához szükséges szemantikai mező összes elemét, a Google egyszerűen nem fogja relevánsnak tartani az oldalt, még akkor sem, ha a fő kulcsszó tízszer szerepel a H1-ben és a meta címben.
Az LLM-ek és az AI Overviews (SGE) optimalizáció
Az AI Overviews válaszait a Google nem a klasszikus kék linkekből ollózza össze, hanem egy RAG (Retrieval-Augmented Generation) rendszeren keresztül, amely a legmagasabb információs sűrűségű (Information Density) és leginkább hiteles (E-E-A-T) forrásokat szintetizálja.
A kulcsszókutatásnak most már ki kell térnie az úgynevezett "LLM-optimalizált" kifejezésekre is. Ezek olyan specifikus, gyakran kérdés alapú hosszú farkú (long-tail) keresések, amelyekre az AI szívesen hivatkozik forrásként.
Szakmai észrevétel: Sok magyar ügynökség elköveti azt a hibát, hogy megpróbálja "kikerülni" az AI Overviews által lefedett témákat. Ez öngyilkosság. Ha nem vagy benne az AI összefoglaló forrásmegjelöléseiben, akkor a márkád nem is létezik a felhasználó számára. A cél nem az AI kikerülése, hanem az AI válaszokba való bekerülés (LLM Visibility).
---
Az új 2026-os kulcsszókutatási workflow lépésről lépésre
Felejtsd el azt a módszert, hogy letöltesz egy 5000 soros Excel táblát az Ahrefsből, kiszínezed a "Keyword Difficulty" oszlopot zöldre, és átadod a szövegírónak. Íme a CTR.hu által tesztelt és validált 2026-os workflow.
1. lépés: Magvető (Seed) entitások és a versenytársi tudásgráf feltérképezése
Nem kulcsszavakkal indítunk, hanem az ügyfél üzleti modelljének entitás-feltérképezésével.
- GSC (Google Search Console) API lekérdezés: Ne a webes felületet használd, hanem API-n keresztül kérd le az utolsó 6 hónap összes olyan keresési kifejezését, ahol az impresszió magas (>1000), de a CTR alacsony (<2%).
- Versenytársak tudásgráf-kérése: Vizsgáld meg a piacvezető magyar szereplőket (pl. ha e-commerce, akkor Alza, eMAG, ha pénzügy, akkor Bank360, Biztosítás.hu). Milyen entitás-kapcsolatokat használnak a fő kategóriaoldalaikon?
- Erre a célra használjunk Python-alapú scrapinget, amely kigyűjti a versenytársak oldalairól a strukturált adatokat (Schema.org), különös tekintettel az `about` és `mentions` mezőkre.
2. lépés: Szemantikai klaszterezés LLM segítségével (Python & Claude 3.5 Sonnet API)
Ha megvan a több ezer nyers kifejezésünk, a hagyományos manuális csoportosítás napokat venne igénybe. Ehelyett hozzunk létre egy automatizált szemantikai klaszterezést.
Az alábbi prompt-struktúrával és egy egyszerű Python scripttel a nyers kulcsszólistát szándék (intent) és szemantikai entitás alapján csoportosítjuk:
```text
Rendszerüzenet:
Te egy vezető magyar SEO és szemantikai keresési szakértő vagy. A feladatod a megadott magyar nyelvű kulcsszó-lista csoportosítása (klaszterezése) entitások és keresési szándék (intent) alapján.
Csoportosítási szabályok:
- Csak olyan szavakat tegyél egy klaszterbe, amelyek ugyanazt a felhasználói problémát/szándékot fedik le.
- Határozd meg minden klaszterhez a domináns szándékot: TRAN_VÁSÁRLÁS (vásárlási szándék), TRAN_UTÁNAJÁRÁS (termékösszehasonlítás vásárlás előtt), INFO (tájékozódás), NAV (navigációs).
- Ne hozz létre 15-nél több kulcsszót tartalmazó óriásklasztereket. Ha egy csoport túl nagy, bontsd részletesebb alklaszterekre.
- Határozd meg a klaszterhez tartozó elsődleges entitást.
```
Ez a módszer kiküszöböli a magyar nyelv ragozásából adódó duplikációkat, mivel az LLM nem a szavak betűit nézi, hanem azok vektoros beágyazását (embeddings) és szemantikai jelentését.
3. lépés: Az "SGE-faktor" kiszámítása és prioritási mátrix felállítása
Minden klaszterhez hozzárendelünk egy új mutatót, amelyet SGE-faktornak (vagy AI-kitettségnek) nevezünk.
$$\text{SGE-faktor} = \frac{\text{AI által elfoglalt pixelmagasság a SERP-en}}{\text{Képernyő teljes magassága (mobilnézetben)}} \times 100$$
- Ha az SGE-faktor 80% feletti (például a "mi az a kft taggyűlés" kifejezésnél, ahol az AI teljes egészében megválaszolja a kérdést, kártyákkal és definíciókkal), akkor a klaszter prioritása az organikus forgalomterelés szempontjából ALACSONY, márkáépítés (szem előtt lét) szempontjából viszont KÖZEPES.
- Ha az SGE-faktor 30% alatti (például a "személyi edző 13. kerület árak" kifejezésnél, ahol lokális térkép és egyedi árajánlatok szükségesek, amit az AI nem tud hitelesen szintetizálni), a prioritás MAGAS.
---
Esettanulmány: Egy 350M HUF árbevételű magyar barkács és kertészeti webáruház organikus robbanása
Az alábbi valós adatokon alapuló esettanulmány bemutatja, hogyan alakította át egy közepes méretű magyar webáruház a kulcsszókutatási és tartalomstratégiáját, miután a hagyományos SEO-módszerekkel már csak stagnáló forgalmat tudtak elérni.
Kiinduló állapot (2025. Január)
- Éves árbevétel: 350 000 000 HUF
- Havi organikus látogatottság: 42 000 munkamenet
- Átlagos kosárérték (AOV): 28 500 HUF
- Organikus konverziós ráta: 1,15%
- Havi SEO ügynökségi díj: 550 000 HUF
- Fő probléma: A korábban jól teljesítő, nagy látogatottságú blogcikkek (pl. "Hogyan kell füvesíteni tavasszal", "Milyen fűnyírót vegyek") organikus forgalma 62%-kal visszaesett az AI Overviews magyarországi élesedése után. A látogatók megkapták a választ a Google-ben, nem kattintottak át a webshopra.
Az új stratégia implementálása (6 hónapos projekt)
Az ügynökség leállította az információs blogcikkek gyártását. Helyette elvégeztek egy teljes entitás-alapú kulcsszókutatást, fókuszba állítva a tranzakciós keresési szándékot és az AI-rezisztens klasztereket.
- Kategóriaoldalak strukturális átalakítása: A korábbi, kategóriaoldalak aljára suvasztott, senki által nem olvasott 500 szavas SEO-szövegeket törölték. Helyette létrehoztak egy dinamikus tulajdonság-mátrixot (szemantikai entitás alapú szűrőrendszert).
- Helyi és mikroszegmentált keresések: Mivel a "fűnyíró" kulcsszóra (CPC: 180-240 HUF) való rangsorolás esélytelen az Alza és a Praktiker mellett, az alábbi hosszú farkú, lokális és specifikus klaszterekre fókuszáltak:
"önjáró fűnyíró akció Budapest"*
"fűnyíró traktor részletre"*
"akkumulátoros fűnyíró 500 m2 alatti kertbe"*
A termékkategóriák szemantikai lefedettségét az alábbi táblázat szerint optimalizálták:
```
+-----------------------------------+-----------------------------------+-----------------------------------+
| Régi Kulcsszó (Keresési Volumen) | Új Szemantikai Klaszter | Célzott Entitás-attribútumok |
+-----------------------------------+-----------------------------------+-----------------------------------+
| fűnyíró (12 000 / hó) | Akkumulátoros fűnyíró kis kertbe | feszültség (V), kapacitás (Ah), |
| | (1200 / hó) | vágásszélesség, fűgyűjtő kosár |
+-----------------------------------+-----------------------------------+-----------------------------------+
| gyepszellőztetés (4400 / hó) | Mikor kell gyepszellőztetést | talajhőmérséklet, tavaszi mohás |
| | végezni tavasszal (800 / hó) | gyep, késes vs. rugós szellőztető |
+-----------------------------------+-----------------------------------+-----------------------------------+
```
Mérhető eredmények (2025. Október)
- Havi organikus látogatottság: 31 000 munkamenet (Figyelem: a látogatottság csökkent a felesleges információs forgalom kiesése miatt!)
- Organikus konverziós ráta: 1,15%-ról 2,10%-ra nőtt (A látogatók sokkal közelebb voltak a vásárlási döntéshez).
- Organikus árbevétel: 350M HUF-os éves szinten az organikus csatorna korábbi 120M HUF-os részesedését 182M HUF-ra növelték (+51%-os növekedés az organikus bevételben).
- ROAS javulás: A felesleges tartalomgyártás leállításával felszabadult havi 250 000 HUF büdzsé, amit célzott remarketingre és termékoldali UX fejlesztésre fordítottak.
Tanulság: A kevesebb néha több. Ha a kulcsszókutatásod nem szűri ki azokat a kifejezéseket, ahol a Google AI-ja azonnali választ ad, akkor értéktelen forgalmat fogsz terelni az oldaladra, ami rontja a konverziós rátádat és feleslegesen terheli a szerveredet.
---
Mit NE csinálj: A 3 leggyakoribb hiba a magyar piacon
1. Az "Ahrefs/Semrush vakság"
A legnagyobb hiba, amit egy magyar marketing vezető elkövethet, hogy készpénznek veszi az amerikai központú SEO eszközök magyarországi keresési volumen adatait. A magyar piac kicsi, az adatbázisok frissítése lassú. Sok olyan kulcsszó van, amelyre az Ahrefs havi 0-10 keresést mutat, a valóságban pedig (Search Console adatok alapján) havi 300-400 értékes, magas kosárértékű tranzakciós keresés érkezik rá.
Megoldás: Mindig a saját Google Search Console adataidból indulj ki, ne pedig külső eszközök becsléseiből. Az új termékek bevezetésekor pedig a Google Trends és a Google Ads Kulcsszótervező (Keyword Planner) friss adatait használd, ne a harmadik féltől származó szoftverek elavult indexeit.
2. A ragozott alakok külön oldalon történő célzása
Még mindig látni olyan magyar webáruházakat, amelyek külön aloldalt hoznak létre a "használt autó" és a "használt autók" kifejezésekre. Ez a 2018-as technikai SEO szintje. A Google RankBrain és a mögötte álló vektoros keresési technológia (Dense Retrieval) miatt ez belső tartalomkanibalizációhoz vezet. A Google bünteti, ha ugyanarra a szemantikai entitásra több, minimálisan eltérő szövegezésű oldallal próbálsz rangsorolni.
3. Az információs intent túlértékelése tranzakciós konverzióként
Sok ügynökség büszkén mutatja be a riportokban az organikus forgalom növekedését, amit egy-egy magasan rangsorolt blogcikkel értek el. Azonban ha megvizsgáljuk az attribúciós modelleket (akár GA4-ben), kiderül, hogy ezek a látogatók soha nem vásárolnak.
A blogcikkek feladata 2026-ban kizárólag a márkaismertség növelése és az E-E-A-T (hitelesség) megalapozása a Google szemében. Ha a kulcsszókutatásod során nem különíted el élesen a "tájékozódó" látogatót a "vásárolni akaró" látogatótól, akkor tévutakra viszed a tartalomfejlesztési büdzsét.
---
Akcióterv: Így alakítsd át a SEO workflow-dat a következő 30 napban
Ha szeretnéd, hogy a céged organikus teljesítménye ne essen vissza az AI-korszakban, hajtsd végre ezt az 6 lépésből álló akciótervet.
- Hajts végre egy GSC Auditot (Határidő: 5 nap): Töltsd le az utolsó 3 hónap keresési kifejezéseit. Szűrd ki azokat a kifejezéseket, amelyeknél a megjelenések száma magas, de a CTR 3% alatti. Ezek lesznek az elsődleges optimalizációs célpontjaid.
- Számold fel a kulcsszó-duplikációkat (Határidő: 10 nap): Csoportosítsd a meglévő oldalaidat szemantikai klaszterekbe. Ha egy klaszterre (pl. "vízszigetelés házilag") több blogcikked vagy kategóriaoldalad is van, vond össze őket egyetlen, átfogó, autoritatív oldallá (301-es átirányításokkal).
- Vezesd be az SGE-faktor szűrést (Határidő: 15 nap): Manuálisan vagy egy külsős eszközzel ellenőrizd a top 50 legfontosabb kulcsszavad találati oldalát mobilon. Ha az AI Overview elfoglalja a képernyő első két görgetésnyi helyét, helyezd át a hangsúlyt a hosszú farkú (long-tail) kifejezésekre, vagy optimalizáld a meglévő tartalmadat strukturált adatokkal (FAQ Schema, Product Schema), hogy bekerülj az AI hivatkozásaiba.
- Írd át a kategóriaoldalak tartalomstratégiáját (Határidő: 20 nap): Szüntesd meg a felesleges "SEO szövegeket". Helyettük hozz létre "Vásárlási Útmutató" és "Specifikáció" blokkokat közvetlenül a terméklisták közé integrálva, amelyek az adott termékkör legfontosabb szemantikai entitásait tartalmazzák.
- Állíts be egyedi konverziós mérést a blogra (Határidő: 25 nap): Mérd külön a tisztán információs forgalom konverzióját (hírlevél-feliratkozás, csalitermék letöltése) és a közvetlen tranzakciós forgalmat. Ne engedd, hogy az ügynökséged a "nyers látogatottsági adatokkal" takarózzon.
- Mérd az eredményeket (Határidő: 30 nap és folyamatosan): Az átalakított oldalaknál figyeld a GSC-ben az átlagos pozíció és a CTR alakulását. Ha jól végezted az entitás-alapú klaszterezést, a látogatottságod talán enyhén csökkenni fog, de a tranzakciók száma és az organikus ROAS mutatód jelentős javulást fog mutatni.
