Guide SEO Forecasting

TL;DR — SEO forecasting est en utilisant votre past données — trafic, rankings, click rates — à estimate ce que organique recherche pourrait bring vous dans le future, et roughly quand. c’est le number vous put dans front de a boss or a client à justify investing dans SEO. c’est an educated estimate, pas a promise: nobody peut guarantee vous a spécifique amount de trafic.

Ce que SEO forecasting is

A forecast réponses un question: “Si nous invest dans SEO maintenant, ce que devrait nous expect, et quand?” Vous prendre historical données — comment beaucoup trafic organique vous avez été getting, qui mots-clés vous classer pour, comment souvent personnes click — et vous utiliser il à project forward.

Le important chose à comprendre up front: a forecast est a meilleur estimate sous a définir de assumptions, pas a guarantee. Le weather forecast dit 70% chance de rain; il ne fait pas promise rain. SEO est le même. Anyone qui guarantees vous’ll hit a spécifique trafic number est overselling ce que SEO peut faire.

Pourquoi anyone bothers

Mostly money et buy-dans. “Trust me, the rankings will come” ne fait pas obtenir a budget approved. A CFO or a marketing director veut a number ils peut plan autour — projected trafic, et ideally projected revenue. A forecast turns SEO depuis a vague promise dans quelque chose que semble comme chaque autre entreprise investment.

c’est pourquoi forecasting lives dans le enterprise/metrics world. c’est le bridge entre “SEO est bon pour vous” et “ici’s le projected retourner, ici’s le timeline, ici’s ce que il coûts.”

The two basic façons to do it

1. Regarder à votre propre trend et extend il. Si votre trafic a été climbing, project que line forward. Ce fonctionne quand vous déjà ont a history à draw on. Le simplest version est le FORECAST function dans Google Sheets; le fancier version utilise a model comme Prophet (plus dans le Avancé tab).
2. Ajouter up mot-clé opportunities. Faire a liste de mots-clés vous vouloir à classer pour, estimate comment nombreux searches ils obtenir, estimate ce que share de ceux clicks vous’d win à a donné position, et total il up. Ce fonctionne quand vous êtes planning nouveau contenu et ne pas ont history yet.

«The best forecasts use a bit of both. » (Traduction) (Résumé en français de la section douze, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«## The big trap » (Traduction) (Résumé en français de la section treize, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«Old “click-through rate” numbers are wrong now. For years people assumed the #1 result on Google gets about 30% of the clicks. That’s no longer true for a lot of searches — AI Overviews (the AI answer at the top of Google) and “zero-click” results mean far fewer people click through. If you build a forecast on the old 30% number, you’ll wildly overestimate your traffic. » (Traduction) (Résumé en français de la section quatorze, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«The fix: use your own click data from Google Search Console instead of generic industry averages, and assume lower click rates for informational searches where Google shows an AI answer. » (Traduction) (Résumé en français de la section quinze, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

How to présent it

ne pas hand over un number. Donner a range — a cautious version, a probable version, et an optimistic version — et dire ce que chaque un assumes. Alors revisit il: a forecast n’est pas a un-time document, c’est quelque chose vous vérifier contre reality on a regular cadence (monthly’s a reasonable par défaut) et rebuild — pas simplement tweak — quand quelque chose breaks a core assumption: votre données modifié, a core mettre à jour hit, a concurrent fait a big déplacer, or le model’s propre track record obtenu pire que attendu.

Vouloir le méthodes, le formulas, le données limites, et comment Je en réalité construire ces? Switch à le Avancé tab.

Search Console’s standard performances rapport provides up à 16 months de history. Preuve à l’appui de cette affirmation Search Console's performance report provides up to 16 months of data. Portée : The standard Search Console performance-report window; retained bulk-export data can extend an organization's own history after export is configured. Niveau de confiance : élevé · Vérifié : 2026-07-14 Google Search Console Help: Performance report Bing likewise expanded Webmaster Outils Recherche Performances history à 16 months dans October 2024 et named forecasting as a utiliser cas. Preuve à l’appui de cette affirmation Bing expanded Webmaster Tools Search Performance history from six months to 16 months in October 2024 and explicitly described forecasting as a use case. Portée : Bing Webmaster Tools' Search Performance history; it does not validate a particular forecasting method or guarantee forecast accuracy. Niveau de confiance : élevé · Vérifié : 2026-07-14 Bing Webmaster Blog: Search Performance data extended to 16 months

TL;DR — SEO forecasting utilise premier- or tiers historical données (trafic, trafic valeur, CTR, recherche volume) à project future organique performances. Deux méthodes: statistical/trend-based (Prophet, SARIMA, or Sheets FORECAST on votre propre données) et mot-clé-based (volume × CTR × conversion pour nouveau targets); combine les. Utiliser GSC premier-party CTR pour votre propre site et tiers outils pour concurrents et opportunity sizing — leur volumes sont directional, pas precise. Construire a site-spécifique CTR curve; legacy “30% at position 1” benchmarks sont broken par AI Overviews et zero-click. Présent conservative/base/aggressive scenarios avec named assumptions — jamais a unique number, jamais a guarantee. Track actuals vs. forecast monthly et rebuild quand assumptions break.

Ce que forecasting en réalité is

Mon fonctionnement definition: SEO forecasting est a traiter que utilise historical données à predict a entreprise’s future SEO résultats. Il exécute on premier-party or tiers historical données tel as trafic, trafic valeur, click-via rate (CTR), et recherche volume. Le sortie est a probabilistic model, pas a guarantee — a compass, pas a GPS. Il indique vous le probable direction et rough magnitude sous stated assumptions, et il falls apart le moment ceux assumptions modifier.

Le raison il matters disproportionately à enterprise scale est budget. “Confiance me, le rankings va come” ne fait pas obtenir funded. SEO competes avec payant media et headcount pour le même dollars, et il a à speak le même ROI langue. Le dynamic est bien documented: a grand share de marketing leaders dire leur budgets fall court de leur goals, et beaucoup de que gap traces back à leadership pas étant convinced à propos de SEO’s renvoie. Le leaders qui peut credibly predict le financial impact de leur initiatives sont le ones qui tend à win budget increases — qui est pourquoi le premier forecast est souvent as beaucoup a sales outil as a planning outil.

Pin the forecast contract avant vous model anything

Avant vous pick a méthode, écrire bas ce que le forecast en réalité a à réponse — sinon vous construire quelque chose technically correct que réponses le incorrect question:

• Cible et scope — le exact metric (organique sessions, non-brand clicks, pipeline revenue), pour qui property, section, or segment.
• Temps grain et horizon — daily, weekly, or monthly; projected comment far out.
• Données cutoff — le dernier date de history le model en réalité saw. Écrire il bas donc le forecast est reproducible plus tard, et donc vous know exactly ce que a “beat” or “miss” est étant mesuré contre.
• Baseline vs. intervention — ce que se produit si vous modifier rien, versus le incremental lift vous êtes claiming depuis a spécifique initiative. ne pas let a trend line extended forward masquerade as le effect de fonctionner vous haven’t commencé yet.
• Exclusions — qu’est-ce que deliberately left out (a connu migration, a paused campaign, a seasonal outlier vous êtes pas trying à model).
• Owner et décision — qui’s accountable pour le number, et ce que décision c’est en réalité meant à prise en charge (a budget demander, a headcount cas, a go/aucun-go).

Skip ce et vous fin up debugging a model quand le réel problème est que nobody agreed on ce que il était supposed à réponse.

The two core méthodes

Statistical / trend-based forecasting exécute a time-series model on votre historical trafic et projects le trajectory forward. Il captures trend et seasonality depuis observed behavior. j’ai utilisé Meta’s Prophet model pour ce — il handles yearly, weekly, et daily seasonality plus holiday effects, et c’est accessible via Python or R. Là sont plenty de alternatives: SARIMA offers plus statistical rigor avec a steeper learning curve, et pour simpler nécessite le FORECAST function dans Google Sheets (linear regression), exponential smoothing, or a simple moving average va faire. Utiliser ce méthode quand vous ont a usable history (ideally 18–24 months) et vouloir à predict overall site or section trajectory.

Mot-clé-based forecasting est bottom-up: depuis a cible mot-clé liste, estimate search volume × expected CTR × conversion rate. Utiliser il quand vous êtes planning nouveau contenu et ont aucun historical trafic à anchor à — a nouveau site, a post-migration baseline, or a contenu cluster vous haven’t construit yet. c’est moins anchored à observed behavior, qui est exactly pourquoi c’est le correct outil quand il y a aucun behavior à observe.

Le la plupart credible forecasts combine les deux: a statistical trend pour ce que vous déjà ont, plus mot-clé-based opportunity sizing pour ce que vous êtes going à construire.

First-party vs. third-party données

Ce distinction decides how beaucoup to trust votre inputs:

«- First-party (GSC / GA4) is authoritative for your site. If you want an accurate estimate for your own website or page, this is absolutely the best data to use. GSC gives you real, site-specific CTR by position — which beats any industry-average curve. » (Traduction) (Résumé en français de la section trente-six, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.) «- Third-party (Ahrefs, Semrush) is how you forecast competitors. The only way to get data on your competitors is third-party sources. It also sizes keywords you don’t yet rank for. Third-party data gives you patterns and forecasting trends, but it lacks the daily granularity of your own analytics, and different tools report different volumes for the same keyword. Treat volume as relative, not absolute — directional input for opportunity sizing, not a precise multiplier. » (Traduction) (Résumé en français de la section trente-six, sous-partie deux : le texte source est conservé pour vérification lors de la relecture francophone.)

«My own competitor forecasts (future traffic, traffic value, and page-level traffic, including performance through core updates) run off Ahrefs Site Explorer organic-search CSV exports fed into a Prophet model. » (Traduction) (Résumé en français de la section trente-sept, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«## The CTR problem — why legacy benchmarks break forecasts » (Traduction) (Résumé en français de la section trente-huit, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«This is the single biggest thing breaking forecasts right now. The old assumption — position 1 gets roughly 27–34% of clicks — was approximately true before 2020. It isn’t anymore. » (Traduction) (Résumé en français de la section trente-neuf, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

Ahrefs’ study de 300 000 mots-clés trouvé que entre December 2023 et December 2025, position-1 CTR pour requêtes avec an AI Overview dropped depuis 7,3% à à propos de 1,6%. Même pour clean informational requêtes avec aucun AI Overview, CTR fell depuis 7,6% à 3,9% over le même window. A séparé Seer Interactive study measuring aggregate CTR à travers positions (plutôt que position 1) trouvé le même collapse depuis a différent angle — organique CTR on AIO requêtes bas ~61% — le figure Je utiliser dans le enterprise SEO ROI piece. Séparément, roughly 60% de Recherche Googlees maintenant fin sans a click à tout (Sparktoro/Datos). Plug a 30% CTR dans a 2026 forecast et vous va massively overstate projected trafic pour informational requêtes.

The fixes:

• Construire a site-spécifique CTR curve depuis GSC au lieu de en utilisant quelconque blanket industry tableau. Votre réel curve est dans votre propre performances données.
• Adjust informational-intent CTR bas 20–40% wherever AI Overviews sont présent. A flat CTR curve à travers tout requête types est ne … plus a valide entrée.
• Treat AI visibility as son propre metric. Share de voice dans AI réponses est increasingly a séparé line élément depuis organique clicks, pas a substitute pour il.

Step-by-step: how I construire un

1. Define le scope — site-level, cluster-level, or page-level. ne pas forecast “tout” quand le décision seulement concerns un section.
2. Gather et clean historical données — GSC + GA4, 18–24 months ideal; tiers pour le competitive view.
3. Supprimer branded trafic à isolate genuinely SEO-driven, non-brand performances — sinon brand demand inflates le forecast.
4. Construire a custom CTR curve depuis GSC, pas industry averages.
5. Adjust pour SERP fonctionnalités — AI Overviews, featured extraits, ads ci-dessus le fold tout suppress clicks.
6. Model seasonality — Google Trends et year-over-year patterns. Retail/B2C a obvious seasonal swings; B2B tends à suivre Q4 budget cycles.
7. Appliquer conversion et revenue multipliers — taux de conversion × AOV (or CLV) turns trafic dans money, qui est le number que en réalité obtient funded.
8. Construire three scenarios — conservative, base, aggressive — chaque avec named assumptions attached.
9. Back-test il — refit le model à a quelques past cutoffs dans votre propre history, predict le même horizon vous plan à utiliser actif, et comparer contre actuals vous déjà ont avant vous confiance le interval vous êtes à propos de à présent.
10. Présent le range as three distinct choses — point estimate, model interval, et named-assumption scenarios — jamais lead avec a unique number, et jamais let quelconque de le three borrow a calibrated probability il ne fait pas ont.
11. Définir a examiner cadence et écrire bas rebuild triggers — monthly est a reasonable par défaut, mais le trigger pour a rebuild est a données modifier, a structural break, a backtested-erreur threshold, or a modifier dans le décision — pas simplement le calendar.

A worked exemple — un cluster, fin to fin

Le étapes sont abstract jusqu’à vous exécuter numbers via les. Dire vous êtes forecasting a nouveau 40-page comparaison cluster pour a B2B SaaS site, bottom-up:

• Opportunity size: le cible mots-clés carry ~50 000 combined monthly searches (a tiers estimate, treated as directional, pas exact).
• CTR: la plupart sont informational avec AI Overviews présent, donc au lieu de a legacy 30% vous pull votre propre GSC curve et land on a blended ~4% pour le positions vous realistically expect à hold dans année un.
• Trafic: 50 000 × 4% = 2 000 organique visits/month à maturity.
• Conversion: à a 2% visit→lead rate et a 20% lead→opportunity rate, 2 000 × 2% × 20% = 8 opportunities/month.
• Revenue: à a 15 000 USD average deal size et a 25% fermer rate, 8 × 25% × 15 000 USD = 30 000 USD/month de pipeline-sourced revenue à maturity.

Alors vous ne pas présent que 30 USDK as le number. Vous wrap il dans scenarios: conservative assumes a 3% blended CTR et a slower ramp (~18 USDK/mo par month 12); base est le 30 USDK ci-dessus; aggressive assumes a 5% CTR et faster classement (~40 USDK/mo). Chaque carries son named assumptions. Le statistical confidence band depuis votre trend model — Prophet’s 80% interval, dire — est ce que ceux three scenarios sont drawn depuis, pas a séparé, competing number: le band donne vous le spread, le scenarios donner leadership quelque chose ils peut plan contre. (c’est le même confidence-band-becomes-scenarios traduction Je utiliser dans le enterprise SEO metrics piece.) Ces sont three différent choses et c’est worth étant precise à propos de qui un vous êtes showing: a point estimate est a unique number; a prediction interval est a model-calculated range avec son propre assumptions baked dans; a scenario est a manuellement choisi bundle de named assumptions. None de le three est a calibrated probability — “conservative/base/aggressive” ne fait pas signifier 10%/50%/90% odds unless vous avez en réalité validated que — donc ne pas let a scenario range borrow le autorité de a statistically derived interval, or vice versa.

Stress-test le assumptions que peut flip le décision

A scenario range seulement earns son garder si vous know qui entrée en réalité moves le résultat suffisant à modifier le décision. Prendre le worked exemple ci-dessus et vary un entrée à a temps — CTR, lead→opportunity rate, fermer rate — à travers a plausible range pendant que holding le rest fixed, alors remarque ce que se produit à month-12 revenue.

Dans ce cluster, CTR fait le la plupart damage si c’est incorrect: visits scale directement avec clicks, donc a CTR miss compounds via chaque downstream étape (leads, opportunities, revenue) le même façon le conservative-à-aggressive spread ci-dessus déjà montre. Fermer rate et lead-à-opportunity rate déplacer le number aussi, mais ils sont sales-owned inputs vous pouvez généralement pull depuis CRM history avec plus confidence que a pas-yet-built page’s future CTR.

Le sortie de a sensitivity réussir n’est pas a fancier chart — c’est a court liste: “si X turns out incorrect, le number changements par roughly ce beaucoup, et ici’s ce que nous sommes doing à propos de que risque avant nous présent il.” c’est ce que indique a stakeholder qui assumption le recommendation en réalité dépend on, au lieu de three numbers que tout regarder equally arbitrary.

Forecasting pour enterprise buy-in

A quelques framings que land avec Finance et le C-suite précisément:

• Translate tout dans money. Executives think dans revenue, pipeline, et CAC — pas sessions et rankings. Equate SEO metrics à money.
• TAM framing. Estimate le total addressable recherche demand pour votre category (potential market × competitive position), alors position incremental gains — 10%, 20% de TAM — plutôt que claiming vous’ll classer #1 pour tout. Finance teams expect a market-sizing étape que la plupart SEOs skip.
• Share de Trafic Valeur (SoTV). Ce est mon preferred executive KPI — il advances share de voice par monetizing le trafic comparaison, donc le board voit competitive position dans dollar terms.
• Comparer contre a trajectory, pas zero. Le la plupart persuasive forecast montre où vous’ll être versus où a concurrent est titre, et le gap entre votre actuel chemin et le organization’s stated goal.

Limitations — dire les out loud

Je’m explicit à propos de ce dans chaque forecast: forecasts toujours carry uncertainty parce que changements sont continually happening. Vous or votre concurrents peut modifier le site web, modifier stratégie, or faire additional investments, et le model ne peut pas voir quelconque de que coming.

Et resist le urge à over-engineer. Plus complexe forecasts prendre plus temps et effort et ne sont pas necessarily meilleur — la plupart de le temps le ROI de building a complexe forecast n’est pas là. A clean trend line or a Prophet model on 18 months de GSC données va beat an elaborate spreadsheet construit on shaky assumptions. Le goal est a defensible directional estimate, pas faux precision.

Keeping it alive

A forecast est a living document, pas a un-time deliverable — mais il y a aucun unique cadence que fits chaque program. Examiner souvent suffisant à catch drift avant le décision il prend en charge goes stale; monthly est a reasonable par défaut pour la plupart enterprise programs, tighter si le horizon est court or le stakes sont élevé. Ce que en réalité triggers a rebuild (pas simplement a recalibration) est un de:

• le données modifié — a tracking break, a GSC/GA4 property modifier, a redefinition de ce que counts as a conversion;
• quelque chose structural happened — a Google core mettre à jour, a concurrent’s big déplacer, an AI Overview rollout à travers votre clé requêtes, a migration de site;
• le model’s propre erreur crossed a threshold vous définir dans advance — si backtested coverage or erreur est maintenant pire que ce que vous validated, le interval vous êtes presenting est ne … plus honest; or
• le décision il prend en charge modifié — différent timing, différent scope, différent stakeholders.

Le fiable horizon est roughly 3–12 months; au-delà 12, treat le forecast as a directional plan plutôt que a month-précis prediction.

A connexe discipline lives suivant door: tying ces projections à le metrics et goals vous en réalité rapport on, et le objectives vous définir contre les.

Search Console’s standard performances rapport exposes up à 16 months de history. Preuve à l’appui de cette affirmation Search Console's performance report provides up to 16 months of data. Portée : The standard Search Console performance-report window; retained bulk-export data can extend an organization's own history after export is configured. Niveau de confiance : élevé · Vérifié : 2026-07-14 Google Search Console Help: Performance report Bing expanded son Recherche Performances history depuis six à 16 months dans October 2024 et explicitly named plus précis forecasting as a utiliser cas. Preuve à l’appui de cette affirmation Bing expanded Webmaster Tools Search Performance history from six months to 16 months in October 2024 and explicitly described forecasting as a use case. Portée : Bing Webmaster Tools' Search Performance history; it does not validate a particular forecasting method or guarantee forecast accuracy. Niveau de confiance : élevé · Vérifié : 2026-07-14 Bing Webmaster Blog: Search Performance data extended to 16 months

Les deux major premier-party webmaster platforms maintenant expose 16-month standard performances windows: Search Console documents up à 16 months, Preuve à l’appui de cette affirmation Search Console's performance report provides up to 16 months of data. Portée : The standard Search Console performance-report window; retained bulk-export data can extend an organization's own history after export is configured. Niveau de confiance : élevé · Vérifié : 2026-07-14 Google Search Console Help: Performance report et Bing expanded son history à 16 months dans October 2024 pendant que naming forecasting as a utiliser cas. Preuve à l’appui de cette affirmation Bing expanded Webmaster Tools Search Performance history from six months to 16 months in October 2024 and explicitly described forecasting as a use case. Portée : Bing Webmaster Tools' Search Performance history; it does not validate a particular forecasting method or guarantee forecast accuracy. Niveau de confiance : élevé · Vérifié : 2026-07-14 Bing Webmaster Blog: Search Performance data extended to 16 months

AI summary

A condensed prendre on the Avancé version:

«- SEO forecasting = projecting future organic traffic/conversions/revenue from historical data (traffic, traffic value, CTR, search volume). It’s a probabilistic model under stated assumptions — a compass, not a GPS — used mainly to justify budget and win executive buy-in. » (Traduction) (Résumé en français de la section soixante-quatorze, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.) «- Pin the contract first: target metric and scope, time grain, horizon, data cutoff, baseline vs. planned intervention, exclusions, owner, and the decision it supports — before picking a method. » (Traduction) (Résumé en français de la section soixante-quatorze, sous-partie deux : le texte source est conservé pour vérification lors de la relecture francophone.) «- Two methods: statistical/trend-based (Prophet, SARIMA, or Sheets FORECAST on your own data) and keyword-based (volume × CTR × conversion for new targets). Combine them. » (Traduction) (Résumé en français de la section soixante-quatorze, sous-partie trois : le texte source est conservé pour vérification lors de la relecture francophone.) «- Data sources: GSC/GA4 are authoritative for your site (real site-specific CTR); third-party tools (Ahrefs, Semrush) are for competitors and opportunity sizing — their volumes are directional, not precise. » (Traduction) (Résumé en français de la section soixante-quatorze, sous-partie quatre : le texte source est conservé pour vérification lors de la relecture francophone.) «- The CTR problem: legacy “~30% at position 1” benchmarks are broken. Position-1 CTR for queries with AI Overviews fell to ~1.6%; ~60% of searches are zero-click. Build a site-specific CTR curve from GSC and adjust informational CTR down 20–40% where AI Overviews appear. » (Traduction) (Résumé en français de la section soixante-quatorze, sous-partie cinq : le texte source est conservé pour vérification lors de la relecture francophone.) «- Data limits: GSC retains 16 months; Bing Webmaster Tools extended to 16 months (Oct 2024). Export proactively (BigQuery for longer history). » (Traduction) (Résumé en français de la section soixante-quatorze, sous-partie six : le texte source est conservé pour vérification lors de la relecture francophone.) «- Process: define scope → clean data → strip branded traffic → custom CTR curve → adjust for SERP features → model seasonality → apply conversion/revenue → build conservative/base/aggressive scenarios → back-test at past cutoffs → present the range as three labeled things (point estimate, model interval, scenario) → set a cadence and rebuild triggers. » (Traduction) (Résumé en français de la section soixante-quatorze, sous-partie sept : le texte source est conservé pour vérification lors de la relecture francophone.) «- Sensitivity check: vary one input at a time to find which one flips the decision — that’s the assumption worth researching or hedging, not the others. » (Traduction) (Résumé en français de la section soixante-quatorze, sous-partie huit : le texte source est conservé pour vérification lors de la relecture francophone.) «- Enterprise framings: translate to money, use TAM sizing, report Share of Traffic Value, compare against competitor trajectories. » (Traduction) (Résumé en français de la section soixante-quatorze, sous-partie neuf : le texte source est conservé pour vérification lors de la relecture francophone.) «- Rules: never guarantee a number (“Nobody can guarantee you traffic” — Mueller); don’t over-engineer (complex ≠ better); treat the forecast as a living document, reliable ~3–12 months out. » (Traduction) (Résumé en français de la section soixante-quatorze, sous-partie dix : le texte source est conservé pour vérification lors de la relecture francophone.)

«## Official documentation » (Traduction) (Résumé en français de la section soixante-dix-sept, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«There is no official Google or Bing methodology for SEO forecasting — neither publishes a forecasting guide or template. What they do publish is the ground-truth data and the constraints you forecast within. » (Traduction) (Résumé en français de la section soixante-dix-huit, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«Google » (Traduction) (Résumé en français de la section soixante-dix-neuf, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.) «- Search Console data retention (16 months) — performance data is kept for 16 months and then permanently deleted; export before the window closes. » (Traduction) (Résumé en français de la section soixante-dix-neuf, sous-partie deux : le texte source est conservé pour vérification lors de la relecture francophone.) «- In-Depth Guide to How Google Search Works — Google positions Search Console as the authoritative source for how your site appears in Search, which is why GSC CTR beats third-party estimates. » (Traduction) (Résumé en français de la section soixante-dix-neuf, sous-partie trois : le texte source est conservé pour vérification lors de la relecture francophone.) «- Google Trends — Google’s own tool for the seasonality input every forecast needs. » (Traduction) (Résumé en français de la section soixante-dix-neuf, sous-partie quatre : le texte source est conservé pour vérification lors de la relecture francophone.) «- BigQuery bulk data export for Search Console — the only way to extend GSC history past the rolling 16-month window. » (Traduction) (Résumé en français de la section soixante-dix-neuf, sous-partie cinq : le texte source est conservé pour vérification lors de la relecture francophone.)

«Bing / Microsoft » (Traduction) (Résumé en français de la section quatre-vingts, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.) «- Bing Webmaster Tools Extends Search Performance Data to 16 Months — Fabrice Canel & Krishna Madhavan (Oct 16, 2024); Bing expanded its search-performance window from 6 to 16 months explicitly to support “more accurate forecasting.” » (Traduction) (Résumé en français de la section quatre-vingts, sous-partie deux : le texte source est conservé pour vérification lors de la relecture francophone.) «- Bing Webmaster Tools — Search Performance report — impressions, clicks, CTR, and average rankings, the forecasting-relevant data Bing exposes. » (Traduction) (Résumé en français de la section quatre-vingts, sous-partie trois : le texte source est conservé pour vérification lors de la relecture francophone.)

«## Quotes from the source » (Traduction) (Résumé en français de la section quatre-vingt-trois, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

On-le-record statements depuis recherche representatives pertinent à forecasting et le limites de ce que anyone peut promise.

Google — aucun guarantees

«- “Nobody can guarantee you traffic, sorry.” — John Mueller, Google Search Advocate (posted on X, January 25, 2024, replying to whether a technical change would produce measurable traffic gains). This is the line I’d put on the cover of every forecast: it’s an estimate, not a contract. Jump to quote » (Traduction) (Résumé en français de la section quatre-vingt-six, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

Bing / Microsoft — données pour forecasting

• “Avec 16 months de données dans Bing Webmaster Outils, vous pouvez identifier à long terme patterns previously hidden, allowing pour plus précis forecasting et stratégie development.” — Fabrice Canel & Krishna Madhavan, Principal PMs, Microsoft Bing (October 16, 2024). Bing frames le extended window explicitly autour seasonal patterns, past campaign performances, et extended trends. Jump à citation

Forecast construire checklist

A réussir to run avant vous put a forecast in front of anyone:

• Scope est défini et matches le décision (site / cluster / page) — pas “tout trafic” quand le demander est à propos de un section.
• 18–24 months de GSC + GA4 history pulled (or as beaucoup as exists), exported avant le 16-month retention window deletes il.
• Branded trafic identified et supprimé donc le forecast isolates SEO-driven, non-brand performances.
• CTR curve construit depuis votre GSC données, pas an industry-average tableau.
• CTR adjusted bas pour SERP fonctionnalités — AI Overviews, featured extraits, ads — surtout on informational-intent requêtes.
• Seasonality modeled depuis Google Trends et year-over-year patterns.
• Tiers volume treated as directional/relative, pas as a precise multiplier.
• Trafic converted à money via taux de conversion × AOV (or CLV).
• Three scenarios construit (conservative / base / aggressive), chaque avec named assumptions written bas.
• Le entrée que voudrait flip le décision si c’est incorrect est identified (a sensitivity réussir, pas simplement three parallel scenarios).
• Model back-tested à past cutoffs contre actuals avant le interval est trusted.
• Sortie est a range avec confidence intervals, pas a unique number — et point estimate, model interval, et scenario sont labeled as three différent choses, none a calibrated probability.
• Aucun langue anywhere implies a guarantee.
• A examiner cadence est scheduled (monthly est a reasonable par défaut) et rebuild triggers — données modifier, structural break, model-erreur threshold, décision modifier — sont written bas dans advance.

The mental models

1. Compass, pas GPS. A forecast donne direction et rough magnitude sous stated assumptions — pas a turn-par-turn promise. Chaque conclusion vous draw devrait survive le question “et ce que assumption est ce resting on?”

2. Deux méthodes, un combined forecast. Statistical/trend-based pour ce que vous ont (project le history forward); mot-clé-based pour ce que vous êtes going à construire (volume × CTR × conversion). Quand dans doubt, exécuter les deux et reconcile.

3. Premier-party pour vous, tiers pour les. GSC/GA4 est authoritative pour votre propre site’s CTR et trend. Tiers outils sont pour concurrent forecasts et sizing mots-clés vous ne pas classer pour yet — directional, relative, jamais precise.

4. Scenario laddering. Conservative / base / aggressive, chaque avec explicit named assumptions. Finance ne fait pas cancel budget planning parce que markets sont unpredictable; il models scenarios. Faire le même — a directional estimate avec named assumptions beats aucun estimate. A scenario est a choisi bundle de assumptions, pas a calibrated probability — garder il labeled as tel, séparé depuis le model’s propre interval.

5. TAM → share → revenue. Potential market × competitive position = TAM. Position incremental share gains (10%, 20%) plutôt que total dominance, alors run share → trafic → conversions → revenue. Ce is the chain Finance expects to voir.

6. Sensitivity avant vous présent. Vary un entrée à a temps à travers a plausible range et watch qui un flips le décision. c’est le assumption worth researching, piloting, or hedging — le others ne sont pas worth arguing over.

7. Back-test avant vous trust it. Refit at past cutoffs, predict forward, comparer with actuals vous déjà have. Model complexity has to be earned by out-of-sample accuracy, pas assumed.

8. Le living document. Construire → présent a range → examiner on a définir cadence (monthly’s a reasonable par défaut) → rebuild on a trigger: le données modifié, quelque chose structural happened, backtested erreur crossed votre threshold, or le décision modifié. Fiable horizon: ~3–12 months.

SEO forecasting — cheat sheet

Pick a méthode

«| Situation | Method | Tooling | | --- | --- | --- | | You have 12–24 months of history | Statistical / trend-based | Prophet, SARIMA, Sheets FORECAST | | New site / post-migration / new cluster | Keyword-based | volume × CTR × conversion | | Forecasting a competitor | Third-party trend | Ahrefs Site Explorer → Prophet | | Quick directional number | Trend line | Sheets FORECAST, moving average | » (Traduction) (Résumé en français de la section cent dix, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«CTR reality check (don’t use the old numbers) » (Traduction) (Résumé en français de la section cent onze, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«| Assumption | Old (pre-2020) | Now (Dec 2025, Ahrefs 300k-kw study) | | --- | --- | --- | | Position-1 CTR, query with AI Overview | ~27–34% | ~1.6% | | Position-1 CTR, informational, no AI Overview | ~7.6% | ~3.9% | | Share of Google searches with no click | — | ~60% | » (Traduction) (Résumé en français de la section cent douze, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«→ Build CTR from your own GSC data; cut informational CTR 20–40% where AI Overviews appear. » (Traduction) (Résumé en français de la section cent treize, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

Données constraints

• GSC retention: 16 months, alors deleted — export proactively; BigQuery export pour plus long history.
• Bing Webmaster Outils: 16 months (extended from 6, Oct 2024).
• Third-party volumes: directional, pas precise — relative comparison seulement.

«The non-negotiables » (Traduction) (Résumé en français de la section cent quinze, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.) «- Pin the forecast contract (target, scope, grain, horizon, cutoff, baseline vs. intervention, owner, decision) before you pick a method. » (Traduction) (Résumé en français de la section cent quinze, sous-partie deux : le texte source est conservé pour vérification lors de la relecture francophone.) «- Remove branded traffic before forecasting non-brand SEO. » (Traduction) (Résumé en français de la section cent quinze, sous-partie trois : le texte source est conservé pour vérification lors de la relecture francophone.) «- Present a range as three labeled things — point estimate, model interval, scenario — never a single unlabeled number. » (Traduction) (Résumé en français de la section cent quinze, sous-partie quatre : le texte source est conservé pour vérification lors de la relecture francophone.) «- Run a sensitivity pass to find the input that would flip the decision. » (Traduction) (Résumé en français de la section cent quinze, sous-partie cinq : le texte source est conservé pour vérification lors de la relecture francophone.) «- Back-test at past cutoffs before you trust the interval. » (Traduction) (Résumé en français de la section cent quinze, sous-partie six : le texte source est conservé pour vérification lors de la relecture francophone.) «- Never guarantee a number — “Nobody can guarantee you traffic” (Mueller). » (Traduction) (Résumé en français de la section cent quinze, sous-partie sept : le texte source est conservé pour vérification lors de la relecture francophone.) «- Complex ≠ better; the ROI of an over-engineered forecast usually isn’t there. » (Traduction) (Résumé en français de la section cent quinze, sous-partie huit : le texte source est conservé pour vérification lors de la relecture francophone.) «- A forecast is a living document — review on a set cadence (monthly’s a reasonable default), rebuild on a defined trigger, not just a calendar date. » (Traduction) (Résumé en français de la section cent quinze, sous-partie neuf : le texte source est conservé pour vérification lors de la relecture francophone.)

A mot-clé-based forecast dans Google Sheets

Pour nouveau contenu où vous ont aucun history, le bottom-up formula est volume × expected CTR × conversion rate. Dans a sheet, avec recherche volume dans B, votre cible-position CTR dans C, et taux de conversion dans D:

Estimated clicks:       =B2 * C2
Estimated conversions:  =B2 * C2 * D2
Estimated revenue:      =B2 * C2 * D2 * AOV

Pull votre CTR-par-position valeurs (C) depuis votre propre GSC données, pas an industry tableau — et shade les bas pour informational requêtes où AI Overviews montrer.

A trend forecast from votre propre history

Quand vous faire ont history, le simplest projection est linear regression avec le built-dans FORECAST function — historical months dans column A, trafic dans B:

=FORECAST(next_month_date, B2:B25, A2:A25)

c’est a straight line. Il ignores seasonality, donc seulement confiance il pour court, stable horizons. Pour seasonality et holiday effects, étape up à a time-series model — Je utiliser Meta’s Prophet (gratuit, ouvrir source, accessible via Python or R), fed depuis an Ahrefs Site Explorer organique-recherche CSV export. A minimal Prophet exécuter dans a notebook:

import pandas as pd
from prophet import Prophet

# df must have two columns: ds (date), y (traffic)
df = pd.read_csv("organic_traffic.csv")

m = Prophet(yearly_seasonality=True, weekly_seasonality=True)
m.fit(df)

future = m.make_future_dataframe(periods=365)   # one year forward
forecast = m.predict(future)
# yhat_lower / yhat_upper give you the confidence band — present THAT, not yhat alone
forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail()

Le yhat_lower/yhat_upper band est le entier point: c’est votre range. ne pas rapport yhat as a unique number. Prophet est un option — SARIMA est a plus rigorous alternative avec a steeper learning curve. Et remember: a complexe model n’est pas automatiquement a meilleur un.

Validate avant vous trust it

ne pas prendre a fit on faith. Prophet’s diagnostics module simulates historical forecasts: il refits le model à cutoffs à l’intérieur votre propre history, predicts forward le même horizon vous plan à utiliser actif, et compare que prediction seulement contre actuals que happened après le cutoff — jamais contre données le model pourrait déjà voir.

from prophet.diagnostics import cross_validation, performance_metrics

df_cv = cross_validation(m, initial="730 days", period="90 days", horizon="90 days")
df_p = performance_metrics(df_cv)
df_p[["horizon", "mae", "mape", "coverage"]].tail()

coverage indique vous si votre stated interval en réalité contained que share de réel résultats historically — si il ne fait pas, le interval est miscalibrated et le range vous êtes à propos de à hand a stakeholder n’est pas as honest as il semble. A model c’est jamais été vérifié ce façon est a guess avec a chart autour il.

Outils pour le SEO forecasting

Premier-party données (authoritative pour votre propre site)

• Recherche Google Console — réel, site-spécifique CTR par position et le ground-truth performances history (16-month window; export proactively).
• GA4 — on-site behavior, taux de conversions, et revenue à turn trafic dans money.
• BigQuery (GSC bulk export) — le seulement façon à garder history au-delà 16 months.

Competitive / opportunity sizing (tiers)

• Ahrefs Site Explorer — concurrent trafic et traffic-valeur estimates, organique-recherche CSV exports pour trend models, et mot-clé-gap analysis pour opportunity sizing.
• Semrush et similaire — alternate volume estimates; remember différent outils disagree, donc treat volumes as relative.

Seasonality

• Google Trends — quand demand peaks et troughs à travers le année.

Modeling

• Meta Prophet (gratuit, ouvrir source; Python/R) — mon go-à time-series model; handles seasonality et holiday effects.
• SARIMA — plus statistical rigor, steeper curve.
• Google Sheets FORECAST / exponential smoothing / moving averages — quand a rapide directional line est tout vous besoin.

Plateforme / reporting

• Enterprise forecasting et reporting suites (e.g. SEOmonitor, BrightEdge, seoClarity) et agency reporting outils (e.g. AgencyAnalytics, Avancé Web Classement) bundle forecasting dans dashboards — convenient, mais seulement as bon as le CTR et volume assumptions underneath les.

Forecasting mistakes que créer faux confidence

Publishing un precise number

Pourquoi il fails: A point estimate hides le uncertainty dans rankings, CTR, seasonality, conversion, concurrents, et algorithm changements. Stakeholders remember le number et forget le assumptions.

Faire ce à la place: Présent conservative, base, et aggressive scenarios avec le assumptions que produce chaque un. Utiliser le model’s interval à inform le range, pas as decoration autour a promised résultat.

Applying a generic CTR curve to every requête

Pourquoi il fails: CTR varies par site, position, intent, device, et SERP fonctionnalités. Legacy position-un benchmarks sont surtout misleading on requêtes avec AI Overviews or autre zero-click réponses.

Faire ce à la place: Construire a site-spécifique curve depuis GSC et segment il où le SERP or intent materially changements click behavior.

Mixing branded demand dans le SEO-growth cas

Pourquoi il fails: Brand searches peut reflect demand créé par autre channels et inflate le baseline or projected gain attributed à SEO.

Faire ce à la place: Séparé brand et non-brand histories avant fitting le model, alors state qui line le investment est attendu à influence.

Treating tiers volume as ground truth

«Why it fails: External tools estimate competitors and untapped opportunities; different tools can disagree, and their values do not equal the site’s observed traffic. » (Traduction) (Résumé en français de la section cent cinquante-trois, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«Do this instead: Use first-party data for your own baseline and label third-party inputs as directional opportunity sizing. » (Traduction) (Résumé en français de la section cent cinquante-quatre, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«### Building the most complex model possible » (Traduction) (Résumé en français de la section cent cinquante-cinq, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«Why it fails: Extra sophistication cannot repair weak inputs and can make the forecast harder to explain, test, and update. » (Traduction) (Résumé en français de la section cent cinquante-six, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«Do this instead: Use the simplest model that captures the decision-relevant trend and seasonality. Rebuild when assumptions break instead of protecting an elaborate model from reality. » (Traduction) (Résumé en français de la section cent cinquante-sept, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«### Leaving the forecast untouched after approval » (Traduction) (Résumé en français de la section cent cinquante-huit, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«Why it fails: A forecast is conditional. A core update, competitor move, site change, or SERP shift can invalidate the original assumptions. » (Traduction) (Résumé en français de la section cent cinquante-neuf, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

Faire ce à la place: Comparer actuals avec le forecast monthly, examiner assumptions quarterly, et document le trigger que exige a rebuild.

Testez vos connaissances: SEO forecasting

Five questions on méthodes, inputs, scenarios, et model maintenance.

Ressources utiles

Mon connexe writing

• SEO Forecasting: Le Art De Getting Buy-Dans — mon complet walkthrough avec six gratuit, copy-paste Google Colab notebooks (propre-site trafic et trafic valeur, concurrent trafic/valeur/page trafic, et performances via core mises à jour).
• Enterprise SEO Storytelling: Metrics, Rapports & Dashboards — equating SEO metrics à money, Share de Trafic Valeur, et custom CTR curves depuis GSC.

Mon speaking

• Le Great Decoupling (Ahrefs Evolve 2025) — le growing gap entre impressions et clicks dans GSC, et pourquoi legacy CTR assumptions dans forecasts sont maintenant broken. SlideShare

Depuis others

• Votre guide à SEO forecasting avec Google Sheets — Sara Taher (Moteur de recherche Land): FORECAST, SMA, et exponential smoothing dans a spreadsheet.
• Comment faire an SEO projection — Rob Tindula (Moteur de recherche Land): an 8-étape projection methodology avec a hybrid model.
• Comment Calculate Votre Total Addressable Market (TAM) pour le SEO — Dan Taylor (Moteur de recherche Journal): le TAM/SAM framing Finance expects.
• Comment model non-linear SEO seasonality avec Prophet — le seasonality side de le Prophet approche.
• SEO Forecasting: Predict Trafic organique Growth — AgencyAnalytics: le agency angle et over-forecasting risques.
• Ce que Est Recherche Forecasting Et Pourquoi Est Il Important? — Rachel Vandernick (Moteur de recherche Journal): foundational framing pour pourquoi forecasting matters et où il fits dans an SEO program.
• Comment Faire Realistic SEO Forecasting Étape-par-Étape — Kate Starr (Backlinko): étape-par-étape methodology avec a gratuit template et a revenue-extension formula.
• Enterprise SEO ROI Forecasting Calculator — Directive Consulting: enterprise ROI calculator avec cross-functional données inputs et SQL/MQL attribution pour Finance-facing forecasts.
• Google Organique CTR Outil — Avancé Web Classement: historical CTR benchmarks par position et device — utile context pour comment far le old 30% assumption a drifted.

Stats worth citing

• Position-1 CTR collapsed pour AI Overview requêtes. Depuis 7,3% à ~1,6% entre December 2023 et December 2025 (Ahrefs study, 300 000 mots-clés) — le number que breaks chaque legacy forecast. Source
• Même clean informational CTR fell — position-1 informational requêtes avec aucun AI Overview dropped depuis 7,6% à ~3,9% over le même window (même study). Source
• ~60% de Recherche Googlees fin sans a click — le zero-click baseline quelconque 2026 forecast a à assume (Sparktoro / Datos research).
• AI Overviews reduce clicks ~34,5% pour affected requêtes dans Ahrefs’ précédent April 2025 study — le directional drop vous appliquer à informational CTR. Source
• Budget suit credible forecasts. Roughly a quarter de marketers rapport sufficient budget, partly parce que leadership n’est pas convinced à propos de SEO renvoie; leaders qui peut predict financial impact sont plus probable à win budget increases (GTM 8020, 2024).

Journal des modifications