Keyword clustering: wat het is en hoe je het doet | SEOcrawl AI

Keyword clustering: zoekwoorden groeperen zodat één pagina op meerdere termen rankt

Keyword clustering is het proces waarbij je zoekwoorden met dezelfde zoekintentie groepeert en vervolgens elke groep met één pagina dekt in plaats van ze over losse URL's te verspreiden.

De meeste sites bouwen nog steeds één pagina per zoekwoord en vragen zich dan af waarom een dozijn dunne artikelen allemaal blijven steken op pagina twee. Keyword clustering draait dat om, en het resultaat is minder pagina's die met elkaar concurreren en meer gewonnen zoekopdrachten per stuk content.

SERP-gebaseerd versus semantisch clusteren: de twee methoden

Er zijn twee manieren om te beslissen of zoekwoorden bij elkaar horen, en ze beantwoorden verschillende vragen.

Semantisch clusteren groepeert zoekwoorden op betekenis, meestal met natuurlijke taalverwerking die vergelijkt hoe verwant de woorden zijn. Het is snel, werkt offline op enorme lijsten en is ideaal om te ontdekken: 5,000 ruwe zoekwoorden omzetten in een handvol brede onderwerpbakken.

De zwakte is intentieblindheid. Een semantisch model kan hoe je koffie brandt met gebrande koffie kopen groeperen omdat ze op elkaar lijken, ook al is de een een gids en de ander een aankoop.

SERP-gebaseerd clusteren groepeert zoekwoorden op wat Google daadwerkelijk teruggeeft. Je haalt de topresultaten voor elk zoekwoord op en groepeert die waarvan de resultatensets overlappen.

Een veelgebruikte drempel is rond 3 tot 4 gedeelde URL's in de top 10 (ongeveer 40% overlap) voordat twee zoekwoorden als één cluster tellen.

SERP-gebaseerd clusteren is betrouwbaarder voor het toewijzen van pagina's omdat het gevallen opvangt die betekenis alleen zou missen.

Welke gebruik je?

Beide. Gebruik semantisch clusteren om snel de brede onderwerpkaart te schetsen en valideer daarna elke groep tegen de live SERP voordat je vastlegt. Zoekwoorden waarvan de resultaten uiteenlopen worden afgesplitst.

Zoekwoorden handmatig clusteren: een uitgewerkt voorbeeld

Het hele proces bestaat uit vijf stappen. Stel dat je werkt aan een site over hardloopschoenen.

  1. Verzamel een brede lijst. Haal zoekwoorden uit je onderzoekstools, uit hiaten bij concurrenten en uit de zoekopdrachten waarop je al rankt. Filter nog niet te streng; het groeperen doet het sorteren.

Stel dat je begint met: hardloopschoenen schoonmaken · hardloopschoenen wassen · kun je hardloopschoenen in de wasmachine doen · hardloopschoenen drogen · beste hardloopschoenen voor platvoeten · hardloopschoenen voor overpronatie · hoe vaak hardloopschoenen vervangen · wanneer hardloopschoenen vervangen.

  1. Label de intentie van elk. Markeer elk zoekwoord als informatief, commercieel of transactioneel. Beste hardloopschoenen voor platvoeten is commercieel (iemand die producten vergelijkt); hardloopschoenen schoonmaken is informatief (iemand die de schoenen al bezit).

  2. Groepeer eerst op betekenis. Ruwe bakken ontstaan snel: een schoonmaakgroep, een vervangingsgroep en een pasvorm/pronatie-groep.

  3. Valideer tegen de SERP. Zoek twee zoekwoorden uit dezelfde conceptgroep en vergelijk de top 10. Als hardloopschoenen schoonmaken en hardloopschoenen wassen grotendeels dezelfde pagina's teruggeven, blijven ze bij elkaar. Controleer het grensgeval: hardloopschoenen drogen deelt die resultaten vaak ook, dus het voegt zich bij de schoonmaakcluster in plaats van een eigen pagina te worden.

  4. Splits waar de SERP het oneens is. Beste hardloopschoenen voor platvoeten en hardloopschoenen voor overpronatie voelen verwant, maar als hun resultaten productoverzichten met weinig overlap zijn, houd ze dan apart (of maak van de een een pijler met ondersteunende pagina's). Dit is de stap die kannibalisatie later voorkomt.

Je eindigt met zoiets als:

Acht zoekwoorden vallen samen tot drie of vier pagina's, elk met een duidelijk primair zoekwoord en een set ondersteunende termen.

Zoekwoorden clusteren met tools (en op schaal)

Tools automatiseren de twee zware stappen: de topresultaten voor elk zoekwoord ophalen en de overlap berekenen.

Op schaal is de efficiënte werkwijze de hybride: semantisch pre-clusteren om een lijst van tienduizenden terug te brengen tot een paar honderd bakken, en dan alleen SERP-validatie op het representatieve hoofdzoekwoord van elke bak.

Je kunt ook ChatGPT (of Claude) inzetten voor de semantische stap. Geef het je zoekwoordenlijst en vraag het te groeperen op gedeelde intentie en het primaire zoekwoord van elke cluster te labelen. Behandel die output als een concept-onderwerpkaart, niet als een definitieve: een LLM groepeert op betekenis, dus je valideert de grensclusters nog steeds tegen de echte SERP voordat je publiceert.

Waar clusteren zich op lange termijn uitbetaalt, is wanneer je clusters naast je prestatiegegevens staan in plaats van in een wegwerpspreadsheet.

Clusters koppelen aan content: pijler- en ondersteunende pagina's

Een clusterkaart is meteen ook een contentplan. Elke cluster wordt één briefing: een primair zoekwoord (meestal de term met het hoogste volume in de groep), de ondersteunende zoekwoorden die het ook moet dekken, en de beoogde zoekintentie.

Splits bij brede onderwerpen het werk op in een pijlerpagina en ondersteunende pagina's. De pijler richt zich op de hoofdterm en linkt door naar gerichte artikelen die elk een subcluster bezitten; de ondersteunende pagina's linken terug.

In het hardloopschoenen-voorbeeld zou een pijler over onderhoud van hardloopschoenen kunnen linken naar de schoonmaakgids en de vervangingsgids, waardoor de cluster samenkomt en de thematische autoriteit wordt versterkt.

Veelgemaakte fouten bij keyword clustering

Alles samen

Clusteren kan het verschil maken tussen een stapel dunne pagina's en een handvol gezaghebbende. Groepeer op intentie, gebruik semantisch clusteren om te schetsen en SERP-overlap om te valideren, en koppel elke cluster aan één pagina (of een pijler plus ondersteunende pagina's).