MozCon New York 2025: jak wykorzystać AI search, multi‑platform i „infinite tail”, żeby SEO realnie dowoziło przychody

AI w wynikach wyszukiwania, spadający ruch z Google, zero-click SERPs – dla większości firm SEO jest dziś mniej przewidywalne niż kiedykolwiek. Jednocześnie rośnie presja biznesowa: marketing ma nie tylko „robić ruch”, ale dowozić przychody, leady i udział w rynku.

Na MozCon New York 2025 dziesięciu praktyków pokazało, jak przebudować podejście do SEO i contentu, żeby nie być ofiarą zmian algorytmów, ale je wykorzystać. Poniżej znajdziesz syntetyczne omówienie ich kluczowych wniosków – przełożone na język decyzji, które może podjąć właściciel firmy lub marketing manager.

AI search a widoczność marki: GEO, AEO, LLMO według Lily Ray

Lily Ray odczarowała modę na nowe skrótowce i „rewolucyjne” taktyki. Jej teza: większość hype’u wokół GEO, AEO, LLMO to po prostu nowe etykiety dla starych, solidnych zasad SEO. Różnica polega na tym, że teraz te zasady są krytyczne dla widoczności w modelach AI, a nie tylko w klasycznych SERP-ach.

Kluczowy wniosek: modele językowe nadal są dokarmiane wyszukiwarkami. GPT‑5 i inne LLM-y korzystają z aktualnych danych z Google i innych źródeł. Jeśli Twoja marka i Twoje treści nie pojawiają się w zaufanych zasobach, model zwyczajnie nie ma Cię skąd „znać”. W praktyce oznacza to mniejszą ekspozycję w AI search i mniej szans na wpięcie w ścieżkę decyzyjną klienta.

Lily podkreśliła, że LLM-y bardzo często sięgają po treści z Wikipedii, Reddita, YouTube oraz wyspecjalizowanych serwisów branżowych. Strategia SEO musi więc wyjść poza własną stronę i objąć budowanie obecności w ekosystemie zaufanych źródeł. To już nie jest PR „dla prestiżu”, ale jeden z filarów widoczności w AI, który realnie wpływa na ruch i świadomość marki.

Bardzo mocno wybrzmiał też wątek branded search. Lily rekomenduje, aby marki tworzyły jasne, wyczerpujące odpowiedzi na każde istotne pytanie związane z marką – zarówno na własnej stronie, jak i w zewnętrznych źródłach. Chodzi o to, by zminimalizować ryzyko, że modele AI będą musiały „domyślać się” odpowiedzi, co zwiększa ryzyko halucynacji. Z biznesowego punktu widzenia to kwestia kontroli nad tym, jak AI opowiada o Twojej ofercie.

Multi‑platform zamiast „tylko Google”: case study Paula Norrisa

Paul Norris pokazał konkretny case marki z branży AGD, która potroiła przychody z kanałów organicznych w 90 dni. Nie dzięki kolejnemu audytowi SEO, ale dzięki zmianie perspektywy: z „jak rosnąć w Google” na „jak być obecnym wszędzie, gdzie klient szuka i konsumuje treści”.

Według Paula Google to już tylko jeden z wielu punktów odkrywania marki. Użytkownicy przełączają się między wyszukiwarką, YouTube, TikTokiem, socialami, marketplace’ami i platformami streamingowymi. Ignorowanie tych kanałów oznacza zostawianie pieniędzy konkurencji – szczególnie przy produktach, gdzie decyzja zakupowa jest poprzedzona oglądaniem recenzji i poradników wideo.

Kluczem okazał się seryjny, dobrze zaplanowany repurposing treści. Jedna sesja nagraniowa dla marki Domestic & General wygenerowała 26 materiałów wideo. Z nich zbudowano długie poradniki na YouTube, krótkie formaty na social, treści na stronę oraz materiały dla influencerów. Efekt: ponad 370 tys. wyświetleń i 3,2x wzrost przychodów. Typowy błąd, który obnaża ten case, to traktowanie produkcji contentu jak pojedynczych kampanii zamiast jak skalowalnego systemu wielokanałowego.

Paul zwrócił uwagę, że krótkie formy (TikTok, Shorts) są najczęściej traktowane jak „content jednorazowy”. Tymczasem połączone z dobrą optymalizacją wyszukiwawczą w obrębie platformy (hooki, opisy, słowa kluczowe, hashtagi, miniatury) mogą stać się treściami evergreen, które regularnie dowożą ruch i sprzedaż. W firmach B2B oznacza to, że pojedyncze nagranie eksperckie może przez miesiące przyciągać kwalifikowane leady, a nie tylko budować zasięgi przez kilka dni.

„Infinite tail”: nowe podejście do keyword researchu wg dr Pete’a Meyersa

Dr Pete Meyers postawił tezę, że AI nie „zabiło” keyword researchu, tylko radykalnie zwiększyło skalę i pilność pracy na długim ogonie. Od lat przesuwamy się z prostych fraz w stronę języka naturalnego – od Hummingbird, przez BERT, po AI Overviews – ale teraz ten trend eksplodował.

To, co się zmienia, to struktura pracy. Zamiast śledzić pojedyncze frazy, Pete zachęca, by zarządzać tematami i klastrami. Jedno zapytanie użytkownika generuje dziś w wyszukiwarce i w LLM-ach całe „drzewo” powiązanych pytań, intencji i wątków. Jeśli Twoje treści pokrywają tylko wąski ich wycinek, oddajesz pozostałą część pola konkurencji – a wraz z nią największy potencjał konwersji.

Ważny wniosek biznesowy: AI łączy odpowiedzi z wielu wyszukiwań w jedną, syntetyczną odpowiedź. To oznacza, że nie wystarczy „mieć tekst na główną frazę”. Trzeba rozumieć cały pakiet subtematów (tutoriale, porównania, opinie, perspektywy), które mogą zostać wciągnięte do odpowiedzi modelu. Marki, które świadomie projektują pełne pokrycie tematu, częściej pojawiają się jako źródło, a nie tylko tło.

Pete podkreślił też, że przewaga konkurencyjna przesuwa się w stronę treści, których nie da się łatwo streścić w jednym akapicie. Proste fakty LLM pobiera z Knowledge Graphu lub AI Overviews. To, co zostaje dla Ciebie, to złożone tutoriale, unikalne opinie, porównania z kontekstem i niuansem – formaty, które realnie skracają ścieżkę decyzyjną klienta. Typowe „SEO‑teksty pod frazę” stają się zasobem, z którego korzysta AI, ale niekoniecznie Twoja strona.

Content engineer – nowa rola w zespole marketingu: wnioski Josha Spilkera

Josh Spilker postawił sprawę jasno: w świecie AI nie wygrasz skalą treści, jeśli system produkcji contentu jest zepsuty. Zamiast dokładać kolejne artykuły, trzeba przebudować proces – i do tego potrzebny jest content engineer.

Content engineer myśli w kategoriach systemów, workflowów i automatyzacji, a nie pojedynczych tekstów. Projektuje, jak powstają treści, jak są aktualizowane, jak mierzymy ich wpływ na biznes i jak wykorzystujemy AI oraz integracje (np. z narzędziami SEO) w tym procesie. W praktyce to osoba, która zamienia „pomysły na content” w powtarzalny proces dowożenia treści, które zarabiają.

Firmy, które wdrożyły takie podejście, według danych Josha potrafiły obniżyć koszty produkcji treści o 50%, podwoić tempo publikacji, a przy tym poprawić efektywność odświeżeń o 40%. Co ważne, ten model nie wyklucza jakości – wręcz przeciwnie, zakłada jasne checkpointy i obowiązkowy ludzki przegląd przed publikacją, żeby wyeliminować błędy AI. Tu ujawnia się typowe uproszczenie: traktowanie AI jak „taniego copywritera”, zamiast silnika w dobrze poukładanym systemie.

Dzięki niskokodowym narzędziom takim jak AirOps, Zapier czy Moz API, takie systemy są dostępne także dla średnich firm. Można zbudować np. automatyczne pipeline’y do badań słów kluczowych, monitorowania zmian w SERP-ach, aktualizacji treści pod nowe wytyczne czy hurtowego odświeżania sekcji FAQ – bez angażowania IT na pełen etat. Przełożenie na biznes jest proste: mniej ręcznej pracy, szybciej zaktualizowany content, mniej utraconego ruchu.

Zaufanie ponad algorytm: jak myśli Wil Reynolds

Wil Reynolds ostro zaatakował dominujący w branży paradygmat „ruch i widoczność ponad wszystko”. W jego case’ach wyraźnie widać sytuacje, gdzie najniższy poziom ruchu pokrywał się z najwyższą konwersją. Kluczem nie był więc wolumen, ale zaufanie i profil ruchu.

Wil pokazał, jak łatwo jest „ograć” AI search – np. pojawić się w rekomendacjach ChatGPT dzięki drobnym zmianom w stopce i kilku samodzielnie napisanym listom „Top X”. To dobra, ale niepokojąca wiadomość: widoczność w LLM-ach wcale nie musi oznaczać, że treść jest najlepsza czy najbardziej wiarygodna. Jeśli zarząd patrzy tylko na widoczność, łatwo przecenić realną jakość leadów.

Według Wila prawdziwa walka odbywa się poza wyszukiwarką: na social media, w recenzjach, rekomendacjach i rozmowach między ludźmi. AI może wskazać Twoją markę, ale klient i tak pójdzie „sprawdzić w realu” – czy ktoś z jego sieci Cię poleca, jakie masz opinie, jak wyglądasz w mediach społecznościowych. Bez spójnej obecności marki poza Google ruch z AI search będzie konwertował słabiej.

Badania Wila pokazały też, że ok. 59% odpowiedzi AI pochodzi z danych treningowych, a nie z aktualnego webu. Daje to nienaturalną przewagę starszym, często przeciętnym treściom, które po prostu „siedzą” głęboko w modelu. Tym bardziej rośnie znaczenie marki jako nośnika zaufania – bo w warunkach informacyjnego szumu i powtarzalnych odpowiedzi ludzie zwracają się do brandów, którym ufają, a nie tylko do tych, które częściej widzą.

Jak żyć poza Google SERPs: podejście Misty Larkins do PR i brandu

Misty Larkins wyszła od niewygodnej prawdy: SEO przestało być bezpieczną siecią. Zmniejszające się przestrzenie organiczne, nieprzewidywalne aktualizacje i rosnący odsetek zero-click sprawiają, że można mieć dziesiątki milionów wyświetleń i promil kliknięć. Jeden z jej przykładów: 66 mln impresji przy CTR poniżej 0,5%.

Rozwiązaniem jest oparcie strategii na branded search i sile marki. Misty pokazała, że 61% sygnałów brandowych w AI Overviews pochodzi nie z Twojej strony, ale z wzmiank w mediach. Innymi słowy: widoczność w AI zaczyna się w momencie, gdy inni zaczynają o Tobie mówić – nie wtedy, kiedy opublikujesz kolejny wpis na blogu. Typowy błąd to inwestowanie wyłącznie w content na własnych domenach przy niemal zerowej aktywności PR‑owej.

Jej model traktuje PR jako pełny lejek. Najpierw pozyskujesz uwagę (media, publikacje, wystąpienia), potem przechwytujesz zainteresowanie (własne treści, landing pages, newslettery), a na końcu przekuwasz to w konwersję (dedykowane strony ofertowe, rejestracje na wydarzenia, triale). Przykład MU Health pokazał, że takie podejście może przełożyć się na 400% wzrost rejestracji na wydarzenia – bez istotnego wzrostu ogólnego ruchu, ale przy dużo lepszym przejściu do działania.

Żeby to działało, trzeba myśleć jak wydawca: tworzyć treści PR‑owe, które same w sobie są wartościowe (badania, ekspertyzy, komentarz do trendów), a potem dystrybuować je wielokanałowo – w mediach, na własnych kanałach, w socialach, w newsletterach, u partnerów. W praktyce to oznacza odejście od „jednego press release’u” na rzecz ciągłego programu komunikacji, który buduje brand signals widoczne także dla AI.

AI do wykrywania problemów SEO: framework Sam Torres

Sam Torres pokazała bardzo praktyczne zastosowanie AI i machine learningu po „drugiej stronie” SEO – nie do generowania treści, ale do diagnozowania spadków ruchu i zdrowia kanału. Zamiast zgadywać, co się stało po kolejnej aktualizacji algorytmu, można to policzyć.

Sam wykorzystuje między innymi modele takie jak Isolation Forest i Prophet, aby automatycznie wykrywać anomalie w ruchu – z dokładnością do konkretnego dnia, typu strony czy klastra zapytań. Udostępnia nawet darmowe notebooki Colab, które każdy zespół może zaadaptować, redukując rolę „przeczucia” w analizie. Z perspektywy zarządu to różnica między „coś się stało w Google” a konkretną diagnozą z estymacją wpływu na przychód.

Kluczowy element to segmentacja ruchu wykraczająca poza „strona / słowo kluczowe”. Kiedy zaczynasz analizować dane po typie szablonu, rodzaju SERP-u, kraju czy urządzeniu, nagle widać rzeczy, które w ogólnych raportach się gubią – np. utratę ruchu z Google Images albo spadki wyłącznie w mobile w jednym rynku. To przekłada się na precyzyjniejsze priorytety techniczne i contentowe, zamiast ogólnych „audytów SEO”.

Sam silnie akcentuje też konieczność mówienia językiem biznesu. Zamiast tłumaczyć wszystko „bo Google”, warto przygotowywać prognozy oparte na case studies, hipotezach i testach A/B. Małe, dobrze zaprojektowane eksperymenty z wyliczoną potencjalną wartością ułatwiają uzyskanie zgody managementu na szersze zmiany. Uporządkowany framework testów zmniejsza ryzyko inwestycji i pomaga pokazać SEO jako źródło przychodu, a nie koszt reagowania na algorytmy.

Jak GitHub zwiększył widoczność o 400%: system Travisa Tallenta

Travis Tallent zaprezentował case GitHuba, w którym udało się osiągnąć 400% wzrost ruchu w jednym z kluczowych subfolderów. Co istotne, sukces nie wynikał z listy „rekomendacji SEO”, ale z przedefiniowania procesu podejmowania decyzji.

Zamiast standardowego podejścia „audyt – długa lista zadań – brak egzekucji”, zespół zaczął od mapowania ścieżki klienta w wyszukiwarce. Na bazie tej mapy powstawały briefy zorientowane na intencję użytkownika na każdym etapie lejka – od problemu po wybór narzędzia. Zespół contentowy dostał więc nie „frazy do użycia”, ale konkretne scenariusze decyzyjne użytkownika.

Kolejnym krokiem było przeniesienie logiki z product managementu do SEO. Każdą inicjatywę oceniano przez pryzmat modelu RISE (Reach, Intent, Scale, Execution) i tylko te z najwyższym potencjałem trafiały do kwartalnej roadmapy. Dzięki temu zespół przestał się rozpraszać na dziesiątki zadań o niskim wpływie. Z biznesowego punktu widzenia oznacza to większą koncentrację na inicjatywach, które faktycznie dowożą ruch i rejestracje.

Travis podkreślił też znaczenie integracji z istniejącymi systemami pracy. Zamiast budować równoległe workflowy, Brainlabs wszedł w narzędzia używane przez GitHub (Azure DevOps) i dopasował proces SEO do istniejących ścieżek developersko‑contentowych. Regularne spotkania „triage” z udziałem SEO, contentu, devów i leadershipu zapewniły transparentność i ciągły postęp. To odpowiedź na częsty problem: SEO „obok” organizacji, a nie w jej procesach decyzyjnych.

Nowy playbook contentu po erze AI: perspektywa Chimy Mmeje

Autorka podsumowania, Chima Mmeje, skonfrontowała tradycyjny model „traffic‑first content” z rzeczywistością AI i spadków ruchu. Jej zdaniem pogoń za wolumenem wyszukiwań prowadzi dziś do masowo produkowanej, wymiennej treści, która nie buduje ani marki, ani przychodów. To właśnie ten typ contentu najłatwiej zastępują odpowiedzi LLM-ów.

Nowy playbook opiera się na trzech filarach: demand, trust, affinity. Zamiast zaczynać od tego, co ma największy search volume, Chima sugeruje start od tego, na co realnie istnieje popyt biznesowy – co generuje bezpośrednie wejścia, zapytania handlowe, powtarzające się pytania od klientów, wzmianki w socialach. Dopiero potem warto dobierać frazy i formaty.

Kluczowe jest, by stać się źródłem prawdy w swojej niszy. To oznacza tworzenie treści, które wcześniej nie istniały: opartych na własnych doświadczeniach, danych, case’ach i konkretnych przykładach. Taki content jest trudny do skopiowania przez konkurencję i jest chętnie cytowany – co buduje zarówno autorytet, jak i profil linkowy. W praktyce to przesunięcie budżetu z „ilości wpisów” na mniej, ale mocniejszych formatów.

Chima mocno akcentuje także rolę webinarów jako narzędzia przechwytywania popytu. W Moz duża część leadów pochodzi z cyklu webinarów Practical Marketer, które następnie są rozbijane na mniejsze assety: artykuły, ebooki, lead magnety, treści na LinkedIn. Tu AI (np. ChatGPT) wspiera głównie proces repurposingu, a nie „pisanie od zera”. Dzięki temu każdy webinar staje się małą fabryką treści o wysokim potencjale sprzedażowym.

„F*** traffic”: fokus na konwersję wg Bianki Anderson

Bianca Anderson uderza w samo sedno tego, jak raportujemy SEO. Jej zdaniem dopóki pokazujemy zarządom wykresy ruchu zamiast pieniędzy, dopóty SEO będzie traktowane jako koszt, a nie inwestycja. Proponuje więc radykalne przesunięcie uwagi na to, co nazywa „Heavy Hitters”.

Pierwszym krokiem jest zbudowanie raportu na poziomie URL, który łączy dane z GA4 (ruch, konwersje) i innych narzędzi. Celem jest identyfikacja stron, które regularnie generują leady lub przychody – nawet jeśli ich ruch jest niewielki. To one są prawdziwym „majątkiem SEO”, który trzeba chronić i rozwijać. Typowy błąd: skupianie się na stronach o największym ruchu, a nie o największej wartości.

Kolejny element to „Heavy Hitter Report” – stały monitoring tych kluczowych URL-i pod kątem pozycji, widoczności i zachowania użytkowników. Gdy któraś z nich zaczyna tracić ruch lub efektywność, zespół może szybko zareagować, zamiast dowiedzieć się o problemie po kwartale. Wprost przekłada się to na ograniczenie utraconych przychodów z kanału organicznego.

Bianca proponuje też praktyczny framework diagnozy spadków, tzw. „performance dip bucket”. Zamiast ogólnego „spadło”, klasyfikujemy problem do jednej z kategorii: zmiana layoutu SERP-u, kanibalizacja, wahania algorytmu, zmiana intencji użytkownika itd. Na tej podstawie można przygotować precyzyjne zadania dla contentu, UX czy devów – z oczekiwanym wpływem na przychód.

Ciekawą koncepcją są „brown dwarf stars” – strony o niskim ruchu, ale wysokiej konwersji. To idealni kandydaci do wsparcia: lepszego internal linking, aktualizacji treści, nawet płatnej promocji. Na poziomie raportowania Bianca zachęca, by skończyć z „czystymi wykresami ruchu” i pokazywać przychód na URL lub na 1000 sesji. Taki wskaźnik automatycznie zmienia rozmowę z zarządem i pozycję SEO w budżecie marketingowym.

Co to oznacza w praktyce

Jeśli zarządzasz marketingiem lub prowadzisz firmę, powyższe wnioski można sprowadzić do jednej myśli: era „więcej treści i więcej ruchu” się skończyła. Zastąpiła ją era systemów, marek i konwersji.

Po pierwsze, SEO nie może być już odseparowane od PR, sociali i produktu. Widoczność w AI search zależy dziś od tego, czy Twoja marka pojawia się w zaufanych źródłach (media, społeczności, branżowe portale), a nie tylko od meta tagów na stronie. W praktyce wymaga to ściślejszej współpracy PR‑u, contentu i SEO oraz rozliczania wszystkich z wspólnych wskaźników brandowych (branded search, media mentions, share of voice). Brak tej integracji oznacza, że inwestujesz w treści, których AI może nawet „nie zauważyć”.

Po drugie, systemy są ważniejsze niż pojedyncze kampanie. Content engineer, workflowy, automatyczne analizy, priorytetyzacja w modelu RISE czy Heavy Hitter Reports – to wszystko są elementy stałej „maszyny wzrostu”, a nie jednorazowych zrywów. Firmy, które wygrają, to te, które potrafią stabilnie produkować, aktualizować i mierzyć content w dużej skali – bez utraty jakości. Ci, którzy wciąż działają „projektowo”, będą przegrywać nie z powodu gorszych pomysłów, ale wolniejszej i droższej egzekucji.

Po trzecie, mierzenie musi przesunąć się z ruchu na wynik biznesowy. Niezależnie od tego, czy mówimy o webinarach Moz, rejestracjach MU Health, case GitHuba czy „brown dwarf stars” Bianki – wszędzie tam sukces definiuje się przez leady, sprzedaż, adoption produktu, rejestracje, a nie przez „+20% sesji”. To wymusza inne dashboardy, inne rozmowy z zarządem i inne priorytety zadań. Z punktu widzenia CFO ważniejsze będzie utrzymanie 20 kluczowych URL-i niż zdobycie 200 nowych fraz z marginalnym wpływem na przychód.

Wreszcie, treści muszą być trudne do skopiowania i streścić. LLM-y potrafią odpowiedzieć na proste pytania lepiej i szybciej niż przeciętny artykuł blogowy. To, gdzie marka może wygrać, to unikalne doświadczenie, własne dane, konkretne przykłady, case studies i opinie. Jeśli Twój content można streścić w dwóch zdaniach – AI zrobi to za Ciebie, a użytkownik nigdy nie trafi na Twoją stronę. Z perspektywy przychodów oznacza to, że najbardziej „ogólne” treści będą coraz częściej pracować dla modeli AI, a nie dla Twojego pipeline’u sprzedaży.

Rekomendacje i wnioski końcowe

Na bazie wniosków z MozCon New York 2025 można zaproponować kilka konkretnych kroków dla firm, które chcą rosnąć mimo zmian w AI i Google.

Po pierwsze, przedefiniuj KPI dla SEO i contentu. Przejdź z raportowania „ruchu i pozycji” na przychód, leady, rejestracje i branded search. Zbuduj przynajmniej jeden Heavy Hitter Report dla kluczowych URL-i i zacznij regularnie pokazywać zarządowi, ile warte są poszczególne strony.

Po drugie, połącz SEO z PR i socialami. Zaplanuj wspólny kwartalny roadmap, w którym każda większa publikacja (raport, webinar, case) ma komponent: treść na stronie, dystrybucję w social, działania PR i jasno zdefiniowany cel konwersyjny. To prosty sposób, by każdy projekt contentowy pracował jednocześnie na widoczność w AI, zasięgi i sprzedaż.

Po trzecie, wskaż swojego „content engineera”. Nie musi to być nowe stanowisko, ale ktoś musi formalnie odpowiadać za system: procesy, automatyzacje, integracje, standardy jakości. Bez tej roli content będzie zawsze „gaszeniem pożarów”, a nie przewidywalnym strumieniem wartościowego ruchu i leadów.

Po czwarte, wejdź w multi‑platformę z planem repurposingu. Dla każdego większego tematu zaplanuj od razu jeden format główny (np. webinar lub długi artykuł), kilka formatów wtórnych (video, social, newsletter) oraz jeden element „PR‑owalny” (dane, wnioski, komentarz do trendu). Zwiększysz w ten sposób liczbę punktów styku z klientem bez proporcjonalnego zwiększania kosztów produkcji.

Po piąte, wdróż choć podstawową analitykę z wykorzystaniem ML. Nawet jeśli nie masz zespołu data, zacznij od prostych notebooków (jak te, które pokazywała Sam Torres), żeby automatycznie wyłapywać anomalie zamiast reagować po fakcie. To niewielka inwestycja, która pozwala szybciej bronić kluczowego ruchu i przychodów.

Po szóste, przeprojektuj keyword research na poziom tematów i intencji. Wyjdź poza listę fraz i zbuduj mapy tematów, które obejmą pełną ścieżkę użytkownika – od pierwszego pytania po wybór dostawcy. Usuń z planu treści, które można łatwo zastąpić prostą odpowiedzią AI i zastąp je formatami o wyższej wartości decyzyjnej.

Po siódme, zaplanuj pilotażowy cykl webinarowy lub eventowy. Potraktuj go jak „silnik contentowy”: z każdego wydarzenia buduj zestaw materiałów do SEO, sociali, PR i nurturingu leadów. To najprostszy sposób, by przejść z modelu „piszemy, kiedy mamy czas” do stałego rytmu produkcji treści, które realnie wspierają sprzedaż.

Jeśli miałbyś wybrać tylko jedno działanie na najbliższy kwartał, sensownym wyborem będzie zbudowanie nowego dashboardu SEO opartego na przychodach i „Heavy Hitters”. Sama zmiana sposobu pomiaru zwykle pociąga za sobą zmianę priorytetów – a w konsekwencji decyzji, które realnie wpływają na sprzedaż, a nie tylko na wykres ruchu.

Źródło: Moz.com