SEO Title: Magyar nyelvű kulcsszókutatás 2026: Az entitás-alapú SEO workflow
Meta description: Felejtsd el a hagyományos Ahrefs listákat és az Excel-alapú csoportosítást. Íme a modern magyar kulcsszókutatás folyamata LLM-ekkel, HuSpaCy-vel és szemantikai klaszterezéssel.
A hagyományos, havi keresési volumenre és pontos egyezésekre épülő kulcsszókutatás halott, mégis a magyar ügynökségek 90%-a ugyanazokat a 300 ezer forintos, ezer soros Excel-táblázatokat adja át az ügyfeleinek, mint öt évvel ezelőtt. A keresőmotorok, különösen a Google AI Overviews és a generatív keresési élmény elterjedésével már nem karakterláncokat (strings), hanem entitásokat, kontextust és valós felhasználói szándékot (things, not strings) indexelnek. Aki ma még mindig kizárólag az Ahrefs vagy a Semrush által mutatott nyers "Search Volume" alapján tervez tartalomstratégiát egy magyar webáruház számára, az vakvágányon fut, és értékes konverziókat enged át a technológiailag fejlettebb versenytársaknak. A hazai piacon ráadásul a ragozó (agglutináló) nyelv sajátosságai miatt a globális szoftverek adatai torzítanak, így egy teljesen új, lokalizált munkafolyamat kialakítása vált szükségessé.
---
Miért fontos ez most
A magyar e-commerce és digitális piac 2026-ra elért egy olyan érettségi pontot, ahol a növekvő ügyfélszerzési költségek (CAC) és a Google Ads CPC árak drasztikus emelkedése (a pénzügyi szektorban a "személyi kölcsön" szóra a kattintási díj már átlépte az 1800-2400 HUF közötti sávot, de még a lakberendezési réstermékeknél is gyakori a 180-350 HUF közötti CPC) fenntarthatatlanná teszik a kizárólag fizetett hirdetésekre épülő növekedést. Ezzel párhuzamosan az Alza, a Temu és az eMAG agresszív térnyerése miatt a generikus kulcsszavakra (pl. "sarokkanapé", "férfi karóra") szinte lehetetlen gazdaságosan organikusan rangsorolni a klasszikus módszerekkel.
A Google keresési találati oldalának (SERP) eltolódása a közvetlen válaszok irányába azt eredményezi, hogy a magyarországi mobilkeresések több mint 55%-a úgynevezett "zero-click" kereséssel végződik: a felhasználó megkapja a választ az AI-generált összefoglalóból, és el sem kattint a weboldalakra. Ebben a környezetben a kulcsszókutatás célja már nem az, hogy listát írjunk azokról a szavakról, amelyeket be kell szúrni a H2-es címekbe. A modern kutatásnak azt kell feltárnia, hogy az egyes keresési szándékok (Search Intent) hogyan kapcsolódnak össze szemantikai hálókká, és a felhasználó a vásárlási döntési folyamat (Customer Journey) melyik szakaszában milyen típusú entitásokra keres rá.
A magyar nyelv strukturális sajátosságai – a hírhedt agglutináció – ráadásul teljesen félrevezetik a nemzetközi SEO eszközöket. Mivel egyetlen tőszóhoz (pl. "cipő") több tucat ragozott, képzett alak kapcsolódhat ("cipőben", "cipővel", "cipőkről", "cipőhöz"), a külföldi adatbázisok ezeket különálló, alacsony keresési volumenű kulcsszavakként kezelik, háttérbe szorítva őket, miközben a valóságban ezek kumulált keresési volumene hatalmas. Ha nem használunk lokalizált NLP (Natural Language Processing) eljárásokat a kulcsszókutatás során, lényegében vakon lövöldözünk.
---
Az új magyar kulcsszókutatási workflow 2026-ban
A modern kutatási folyamat nem a kulcsszótervező megnyitásával kezdődik, hanem a piaci entitások és a szemantikai tér feltérképezésével. A cél egy olyan gráf-alapú adatbázis építése, amely le fedi a teljes felhasználói döntési fát.
```
[1. Entitások & Szemantikai mag meghatározása]
▼
[2. Crawler & NLP-alapú adatgyűjtés (PAA, Autosuggest)]
▼
[3. Magyar morfológiai tisztítás (HuSpaCy Lemmatizáció)]
▼
[4. LLM-alapú szándék-csoportosítás (Intent Clustering)]
▼
[5. Prioritizációs mátrix (Volumen, CPC, KD, Szervezeti prioritás)]
```
Az LLM-ek és az entitás-alapú keresés
A Google BERT, MUM és az újabb generatív modelljei nem szavakat, hanem fogalmakat keresnek. Amikor egy felhasználó beírja, hogy "melyik OTP hitel jó lakásfelújításra állami támogatás nélkül", a keresőmotor nem a pontos karaktersorozatot keresi az oldalakon. Azonosítja az entitásokat:
- Pénzintézet: OTP Bank (szülő entitás)
- Terméktípus: Lakáshitel / Személyi kölcsön (gyermek entitás)
- Felhasználási cél: Lakásfelújítás (attribútum)
- Kizáró feltétel: Állami támogatás nélkül (kontextuális szűrő)
A kulcsszókutatás során nekünk is ezt az entitás-struktúrát kell felépítenünk. Az LLM-eket (például a GPT-4o-t vagy a Claude 3.5 Sonnet-et) arra használjuk ebben a fázisban, hogy feltárjuk a célpiacunkhoz kapcsolódó entitás-kapcsolati hálót (Knowledge Graph). Egy egyedi prompt segítségével kinyerhetjük a témánkhoz kapcsolódó összes releváns entitásosztályt, azok szinonimáit és a magyar piacon használt szleng vagy köznyelvi kifejezéseket is.
A morfológiai kihívások kezelése HuSpaCy-vel és AI-alapú klaszterezéssel
A magyar nyelv ragozása miatt a hagyományos klaszterező szoftverek (amelyek karakteregyezést vagy egyszerű Levenshtein-távolságot mérnek) használhatatlanok. Ha az "autóbérlés Budapest", "autóbérléssel Budapesten", "autós bérlés Budapest" kifejezéseket külön sorokként kezeljük, széttagoljuk a relevanciát, és tartalmi kanibalizációt hozunk létre: különböző aloldalak fognak egymás ellen versenyezni.
A megoldás a nyílt forráskódú HuSpaCy (a magyar nyelvhez optimalizált természetes nyelvfeldolgozó könyvtár) vagy egyedi Python scriptek használata a szótövesítésre (lemmatizációra). A workflow ebben a lépésben a következő:
- Exportáljuk a nyers kulcsszólistát (pl. Ahrefs + Google Search Console + Google Autocomplete adatok).
- Lefuttatjuk a listát a HuSpaCy lemmatizálóján, amely minden szót visszahelyez a szótári alakjára (pl. "futócipőkhöz" -> "futócipő").
- A szótövesített alakok alapján csoportosítjuk (klaszterezzük) a kifejezéseket, így az összes ragozott és képzett alak egyetlen szemantikai klaszterbe kerül.
- Az így kapott klaszterek keresési volumenét összeadjuk. Meglepő eredményeket fogunk látni: olyan témák, amelyek egyedi kulcsszóként 20-30-as keresést mutattak, klaszter szinten gyakran az 1000 feletti havi keresést is elérik.
```python
Egyszerűsített Python példa a HuSpaCy használatára a kulcsszó-tisztításban
import huspacy
A magyar modell betöltése
nlp = huspacy.load()
keywords = ["futócipőben", "futócipőkkel", "legjobb futócipőhöz"]
lemmatized_keywords = []
for kw in keywords:
doc = nlp(kw)
lemmatized = " ".join([token.lemma_ for token in doc])
lemmatized_keywords.append(lemmatized)
Eredmény: ['futócipő', 'futócipő', 'jó futócipő'] -> Azonnal látható az azonos tőszó!
```
Search Intent és a Google AI Overviews lefedettsége
2026-ban a keresési szándék kategorizálása már nem merül ki az információs (Informational) és tranzakciós (Transactional) címkékben. A szándékot a Google AI Overviews (AIO) jelenléte alapján kell szegmentálnunk. A kulcsszókutatás során minden klaszternél vizsgálnunk kell:
- Megjelenik-e AI Overview a találati oldalon? Ha igen, akkor az információs igényt a Google helyben fogja kiszolgálni. Itt a célunk nem a kattintás megszerzése, hanem a "Brand Mention" és az AI hivatkozási forrásai közé való bekerülés.
- Tranzakciós-e a szándék, de lokális fókusszal? (Pl. "gumiszerviz 11. kerület"). Itt a Local Pack (Google Térkép) dominál, a technikai SEO háttérbe szorul a lokális entitás-optimalizálással szemben.
- Összehasonlító szándék kereskedelmi fókusszal? (Pl. "hőszivattyú árak vélemények"). Ez a legértékesebb szegmens, itt mélyreható, összehasonlító táblázatokat és kalkulátorokat kell tervezni.
---
Árnyék-keresési volumenek és a nulla-kereséses (Zero-click) valóság
A legnagyobb hiba, amit egy SEO szakember elkövethet, hogy vakon hisz az Ahrefs vagy a Google Keyword Planner által mutatott nullás keresési volumeneknek (Zero-Search Volume Keywords). A magyar piac kis mérete miatt a globális adatbázisok mintavételezési hibája óriási.
A magyar nyelvű hosszú farok (long-tail) kifejezések 70%-a "0" keresési volumennel jelenik meg az eszközökben, miközben a valóságban havi 15-50 rendkívül értékes, azonnali vásárlási szándékkal rendelkező látogatót generálnak.
Keresési szándék mélyfúrás magyar kontextusban
Nézzük meg egy konkrét példán keresztül, hogyan alakul át a keresési szándék és miért torzítanak a hagyományos szoftverek. Vegyük a "hőszivattyú" témakört.
| Kulcsszó | Hagyományos keresési volumen (Ahrefs) | Valós havi keresési volumen (GSC és belső adatok alapján) | Keresési szándék osztályozás (2026) | Optimalizációs stratégia |
| :--- | :--- | :--- | :--- | :--- |
| `hőszivattyú` | 6 400 | ~7 200 | Navigációs / Információs (Túl tág) | AI Overview forrás optimalizálás, Wikipedia szintű entitás-lefedés |
| `hőszivattyú árak beépítéssel` | 320 | ~1 100 | Tranzakciós / Kereskedelmi | PDF árajánlat-adó landing page, online kalkulátor integráció |
| `levegő víz hőszivattyú vélemények fórum` | 0 - 10 | ~250 | Felhasználói tapasztalat / Validáció | Strukturált FAQ séma, valós ügyfélvélemények aggregálása az oldalon |
| `melyik a legcsendesebb hőszivattyú` | 0 | ~180 | Összehasonlító / Döntéshozó | Decibel-mérési táblázat, összehasonlító teszt infografikával |
A fenti táblázat világosan mutatja, hogy ha kizárólag a 300 feletti keresési volumenre lőnénk, teljesen lemaradnánk az alacsonynak hitt, de valójában magas konverziós rátával rendelkező long-tail kifejezésekről. Ennek oka, hogy a magyar felhasználók egyre inkább természetes, beszédes formában gépelnek (szóbeli keresés - Voice Search - terjedése miatt is), amit a régi statisztikai modellek képtelenek pontosan mérni.
---
Esettanulmány: Hogyan bukott el, majd duplázott meg egy 250M HUF árbevételű magyar outdoor webshop
A "Kárpátok Boltja" (a nevet adatvédelmi okokból megváltoztattuk) egy prémium túrafelszereléseket, sátrakat és túrabakancsokat értékesítő magyar e-commerce vállalkozás. Éves árbevételük 250 millió HUF magasságában stagnált, miközben a Google Ads költségeik évente 35%-kal növekedtek.
A kiinduló helyzet és a hiba
A webáruház megbízott egy hagyományos SEO ügynökséget (havi 250 000 HUF fix díjért), akik elvégeztek egy klasszikus kulcsszókutatást. Az ügynökség átadott egy Excel fájlt, amelyben a legnagyobb volumenű szavakra fókuszáltak:
- "túrabakancs" (4 400 keresés/hó)
- "túrahátizsák" (2 900 keresés/hó)
- "sátor" (5 400 keresés/hó)
Az ajánlásuk alapján a webshop tulajdonosai létrehoztak 300-500 szavas kategóriaoldali leírásokat, amelyeket teletömtek ezekkel a kulcsszavakkal.
Az eredmény katasztrofális volt: az oldal helyezései minimálisan javultak ugyan (a 8-12. hely környékére kúsztak fel), de az Alza, a Decathlon és az eMAG mögött esélyük sem volt az első 3 hely megszerzésére. A Google Ads kampányaikban a CPA (ügyfélszerzési költség) elérte a 14 000 HUF-ot egy átlagosan 28 000 HUF értékű kosárnál (AOV), ami teljesen felemésztette a profitmarzsot.
A 2026-os workflow szerinti újratervezés
A CTR.hu módszertanát alkalmazva teljesen leállítottuk a hagyományos kulcsszókutatásra épülő tartalomgyártást, és átálltunk az entitás- és szándék-alapú folyamatra.
- Szemantikai hálót építettünk: Az LLM-ek segítségével feltártuk a túrázók valós problémáit. Nem a "túrabakancsot" céloztuk meg, hanem a kontextuális problémákat.
- Scrapeltük a Google PAA (Mások ezt a kérdést is felteszik) dobozait: Egy Python script segítségével összegyűjtöttünk 1200 valós magyar kérdést, amelyet a Google az outdoor témakörhöz társít.
- HuSpaCy klaszterezés: Kiszűrtük a ragozási variációkat és szoros szemantikai csoportokba rendeztük őket.
- "Zero-Volume" fókusz: Felfedeztünk olyan kifejezéseket, mint a "széles lábfejre való túrabakancs vélemények" vagy "vízálló sátor 4 főre viharálló teszt". Bár az Ahrefs ezekre 0-10 keresést mutatott, a szándék rendkívül erős volt.
Az optimalizációs taktika és az eredmények
A kategóriaoldalak unalmas szövegei helyett "Silo" (vagy Hub) struktúrájú tartalomközpontokat építettünk. Létrehoztunk egy interaktív "Bakancsválasztó és Karbantartási Útmutatót", amely választ adott a morfológiai tisztítás során talált összes releváns long-tail kérdésre.
```
[Túrabakancs Kategóriaoldal] (Alap)
▲
┌──────────────────────┼──────────────────────┐
▼ ▼ ▼
[Széles lábfejű [Bakancs impregnálás [Könnyű nyári
bakancsok] lépésről lépésre] túra lábbelik]
```
Minden egyes alkérdéshez egyedi, strukturált sémával (FAQ schema) ellátott mikrotartalmat fejlesztettünk.
Mérhető eredmények 12 hónap elteltével:
- Az organic sessionök száma 142%-kal növekedett (havi 12 000-ről 29 000 fölé).
- Az e-commerce konverziós ráta (CR) az organikus csatornán 1,1%-ról 2,65%-ra emelkedett, mivel a látogatók pontosan a problémájukra szabott válaszokkal találkoztak.
- A Google hirdetésekre való rászorultság csökkent, a CAC 42%-kal esett vissza.
- A webáruház éves árbevétele 250 millió HUF-ról 410 millió HUF-ra növekedett, tisztán az organikus forgalom minőségi javulásának köszönhetően.
---
Mit NE csinálj: A 3 leggyakoribb hiba a hazai piacon
A magyar piacon működő SEO-sok és marketing vezetők gyakran esnek olyan csapdákba, amelyek nemcsak felesleges pénzkidobást jelentenek, de hosszú távon még büntetést (Google Helpful Content System) is vonhatnak maguk után.
1. Az Ahrefs/Semrush "Keyword Difficulty" (KD) mutatójának vak követése
A globális eszközök a magyar nyelvi adatbázisok szűkössége miatt a KD-t (kulcsszó nehézség) szinte kizárólag a top 10 találat linkprofilja (backlinkek száma) alapján számolják. A magyar SERP-en azonban a linkek szerepe jelentősen átalakult: sok esetben olyan oldalak rangsorolnak az első helyeken, amelyeknek szinte nincs is külső linkjük, de a márkaismertségük (Entity Authority) és a felhasználói elköteleződési mutatóik (pattogási arány, oldalon töltött idő) kiemelkedőek. Ha elvetsz egy kulcsszót azért, mert a szoftver 45-ös KD-t mutat, lehet, hogy egy könnyen megszerezhető, nagy konverziójú piacot adsz fel harc nélkül.
2. Szinonimák és ragozott alakok külön oldalakon történő targetálása
Még mindig látni olyan Shoprenter vagy Unas alapú webáruházakat, ahol külön kategóriaoldalt hoznak létre a "férfi parfüm", "férfi parfümök" és "parfüm férfiaknak" kifejezésekre, abban a hitben, hogy így minden keresésre lefedettséget biztosítanak.
Ez a 2016-os SEO szint. 2026-ban a Google rendszerei ezt azonnal kulcsszó-halmozásnak és tartalomduplikációnak értékelik.
Egyetlen, magas autoritású oldalt kell építeni, amely természetes módon, szemantikailag tartalmazza a szinonimákat, a ragozott alakokat pedig az NLP motorok maguktól is össze fogják kötni.
3. Az automatizált, kontextus nélküli AI-szövegírás kulcsszólisták alapján
Sokan úgy próbálják csökkenteni a tartalomgyártás költségeit (ami egy magasan kvalifikált magyar SEO szövegíró esetében 20-35 HUF/szó), hogy a kulcsszókutatás után a listát egyszerűen átnyomják egy alapértelmezett ChatGPT prompton, majd a generált, sokszor magyartalan és steril szövegeket feltöltik a weboldalra. A Google Helpful Content algoritmusa kifejezetten vadászik az ilyen, hozzáadott érték nélküli tartalmakra. Az AI-t a kutatásban, a morfológiai klaszterezésben és a vázlatírásban kell használni, de a végső szövegeknek egyedi szakértői insightokat, magyar piaci példákat és valós tapasztalatokat kell tükrözniük.
---
Akcióterv
Ha szeretnéd a saját vagy ügyfeleid weboldalát felkészíteni a modern, entitás-alapú SEO-ra, hajtsd végre az alábbi lépéseket a következő kulcsszókutatási projekted során.
- A szemantikai mag meghatározása (1. hét):
Azonosítsd a vállalkozásod 5 legfontosabb fő entitását (termékkategória vagy szolgáltatás). Kérdezd meg az ügyfélszolgálatot és az értékesítési csapatot a top 20 leggyakoribb ügyfélkérdésről. Ezek lesznek a kutatás kiindulópontjai (Seed Keywords), nem pedig a szoftverek által generált listák.
- Adatgyűjtés több forrásból (2. hét):
Gyűjtsd össze az adatokat az Ahrefs/Semrush mellett a Google Search Console-ból (szűrj az impreszióval rendelkező, de alacsony CTR-ű kifejezésekre), a Google Autocomplete-ből és a Search Response / AlsoAsked eszközökből. Ne töröld a "0" keresési volumenű kérdéseket!
- Lemmatizálás és csoportosítás (2. hét):
Használj egy ingyenes Google Colab notebookot és a HuSpaCy könyvtárat a teljes kulcsszólista szótövesítésére. Csoportosítsd a kifejezéseket a szótövek alapján, és add össze a ragozott alakok keresési volumenét a valós piaci potenciál meghatározásához.
- Keresési szándék (Intent) és AI Overview audit (3. hét):
Manuálisan vagy API segítségével vizsgáld meg a top 50 legfontosabb klaszter találati oldalát. Jelöld meg azokat a kifejezéseket, ahol a Google már AI Overviews választ ad. Ezekre a témákra ne klasszikus blogbejegyzést, hanem strukturált adatokat tartalmazó, táblázatos vagy listás formátumú "Quick Answer" blokkokat tervezz.
- A prioritási mátrix felállítása (3. hét):
Rangsorold a klasztereket egy egyszerűsített pontozási rendszer alapján:
$$\text{Prioritás} = \frac{\text{Havi Keresési Volumen} \times \text{Tranzakciós Szándék Index (1-5)}}{\text{SEO Nehézség (KD)} \times \text{Kattintási Költség (CPC)}}$$
Azonnal kezdd az optimalizálást azokkal a klaszterekkel, amelyek magas konverziós szándékúak, de a versenytársak elhanyagolják őket az alacsonynak hitt volumen miatt.
- Implementáció és mérés (Folyamatos):
Építs szemantikai silókat (Hub & Spoke modell). Az eredményeket ne az egyes kulcsszavak helyezése alapján mérd a Rank TrackerBEN, hanem az adott klaszternél jelentkező összesített organikus forgalom növekedése, az elkötelezettségi arány (Engagement Rate) és az organikus asszisztált konverziók száma alapján a Google Analytics 4-ben.
