Prognozowanie SEO

TL;DR — Prognozowanie SEO polega na wykorzystaniu danych historycznych — ruchu, pozycji w wynikach wyszukiwania i współczynników klikalności — aby oszacować, jakie efekty wyszukiwanie organiczne może przynieść w przyszłości i mniej więcej kiedy. Taką prognozę przedstawiasz szefowi lub klientowi, aby uzasadnić inwestycję w SEO. To świadome oszacowanie, a nie obietnica: nikt nie może zagwarantować określonego poziomu ruchu.

Czym jest prognozowanie SEO

Prognoza odpowiada na jedno pytanie: „Jeśli zainwestujemy w SEO teraz, czego powinniśmy się spodziewać i kiedy?” Bierzesz dane historyczne — ile ruchu organicznego otrzymywałeś, na jakie słowa kluczowe się pozycjonujesz, jak często ludzie klikają — i używasz ich do prognozowania w przyszłość.

Warto od razu zrozumieć, że prognoza to najlepsze oszacowanie przy określonych założeniach, a nie gwarancja. Prognoza pogody podaje 70% szans na deszcz, ale go nie obiecuje. Z SEO jest tak samo. Każdy, kto gwarantuje konkretny poziom ruchu, przedstawia możliwości SEO z nadmierną pewnością.

Po co to komukolwiek

Głównie chodzi o pieniądze i poparcie. „Zaufaj mi, pozycje przyjdą” nie zapewnia zatwierdzenia budżetu. Dyrektor finansowy lub dyrektor marketingu chce liczby, wokół której może planować — prognozowanego ruchu i najlepiej prognozowanych przychodów. Prognoza zamienia SEO z niejasnej obietnicy w coś, co wygląda jak każda inna inwestycja biznesowa.

Dlatego prognozowanie jest szczególnie ważne w dużych organizacjach i w pracy opartej na wskaźnikach. Stanowi pomost między stwierdzeniem „SEO jest korzystne” a konkretem: „oto prognozowany zwrot, harmonogram i koszty”.

Dwa podstawowe sposoby na to

1. Spójrz na swój własny trend i przedłuż go. Jeśli Twój ruch rośnie, projektuj tę linię w przyszłość. To działa, gdy masz już historię, na której możesz się oprzeć. Najprostsza wersja to funkcja FORECAST w Google Sheets; bardziej zaawansowana wersja używa modelu takiego jak Prophet (więcej w zakładce Advanced).
2. Zsumuj możliwości słów kluczowych. Zrób listę słów kluczowych, na które chcesz się pozycjonować, oszacuj, ile wyszukiwań generują, oszacuj, jaki udział kliknięć zdobędziesz na danej pozycji, i zsumuj to. To działa, gdy planujesz nowe treści i nie masz jeszcze historii.

Najlepsze prognozy łączą oba podejścia.

Największa pułapka

Stare liczby „współczynnika klikalności” są teraz błędne. Przez lata ludzie zakładali, że wynik #1 w Google otrzymuje około 30% kliknięć. To już nie jest prawdą dla wielu wyszukiwań — AI Overviews (odpowiedź AI na górze Google) i wyniki „zero kliknięć” oznaczają, że znacznie mniej osób klika. Jeśli zbudujesz prognozę na starej liczbie 30%, znacznie przeszacujesz swój ruch.

Rozwiązanie: używaj własnych danych o kliknięciach z Google Search Console zamiast ogólnych średnich branżowych i zakładaj niższe współczynniki klikalności dla wyszukiwań informacyjnych, gdzie Google pokazuje odpowiedź AI.

Jak to przedstawić

Nie podawaj jednej liczby. Pokaż zakres — wariant ostrożny, prawdopodobny i optymistyczny — oraz założenia każdego z nich. Potem regularnie porównuj prognozę z rzeczywistością; przegląd miesięczny jest rozsądnym punktem wyjścia. Gdy zmieni się kluczowe założenie — dane, istotna aktualizacja, działanie konkurenta albo historyczna skuteczność samego modelu — przebuduj prognozę, zamiast jedynie korygować jej liczby.

Chcesz poznać metody, formuły, ograniczenia danych i to, jak faktycznie je buduję? Przełącz się na zakładkę Advanced.

Standardowy raport wydajności Search Console zapewnia do 16 miesięcy historii. Evidence for this claim Search Console's performance report provides up to 16 months of data. Scope: The standard Search Console performance-report window; retained bulk-export data can extend an organization's own history after export is configured. Confidence: high · Verified: 2026-07-14 Google Search Console Help: Performance report Bing również rozszerzył historię Search Performance w Webmaster Tools do 16 miesięcy w październiku 2024 r. i wymienił prognozowanie jako przypadek użycia. Evidence for this claim Bing expanded Webmaster Tools Search Performance history from six months to 16 months in October 2024 and explicitly described forecasting as a use case. Scope: Bing Webmaster Tools' Search Performance history; it does not validate a particular forecasting method or guarantee forecast accuracy. Confidence: high · Verified: 2026-07-14 Bing Webmaster Blog: Search Performance data extended to 16 months

TL;DR — Prognozowanie SEO wykorzystuje dane historyczne pierwszej lub trzeciej strony (ruch, wartość ruchu, CTR, wolumen wyszukiwań) do prognozowania przyszłych wyników organicznych. Dwie metody: statystyczna/oparta na trendach (Prophet, SARIMA lub funkcja FORECAST w Arkuszach na własnych danych) oraz oparta na słowach kluczowych (wolumen × CTR × konwersja dla nowych celów); połącz je. Użyj własnych danych CTR z GSC dla swojej witryny oraz narzędzi zewnętrznych dla konkurencji i szacowania możliwości — ich wolumeny są orientacyjne, a nie precyzyjne. Zbuduj krzywą CTR specyficzną dla witryny; dawne założenie „30% na pozycji 1” przestało być wiarygodne z powodu AI Overviews i wyników bez kliknięcia. Przedstaw scenariusze konserwatywne/bazowe/agresywne z nazwanymi założeniami — nigdy pojedynczej liczby, nigdy gwarancji. Śledź rzeczywiste wyniki vs. prognozę miesięcznie i przebudowuj, gdy założenia się zmienią.

Czym naprawdę jest prognozowanie

Moja robocza definicja: prognozowanie SEO to proces, który wykorzystuje dane historyczne do przewidywania przyszłych wyników SEO firmy. Opiera się na danych historycznych pierwszej lub trzeciej strony, takich jak ruch, wartość ruchu, współczynnik klikalności (CTR) i wolumen wyszukiwań. Wynikiem jest model probabilistyczny, a nie gwarancja — kompas, a nie GPS. Wskazuje prawdopodobny kierunek i przybliżoną wielkość przy podanych założeniach, a rozpada się w momencie, gdy te założenia się zmienią.

Powodem, dla którego ma to nieproporcjonalnie duże znaczenie w skali przedsiębiorstwa, jest budżet. „Zaufaj mi, pozycje przyjdą” nie wystarcza, by zdobyć finansowanie. SEO konkuruje z płatnymi mediami i zatrudnieniem o te same pieniądze i musi mówić tym samym językiem ROI. Ta dynamika jest dobrze udokumentowana: duża część liderów marketingu twierdzi, że ich budżety nie wystarczają na osiągnięcie celów, a znaczna część tej luki wynika z tego, że kierownictwo nie jest przekonane co do zwrotu z SEO. Liderzy, którzy potrafią wiarygodnie przewidzieć finansowy wpływ swoich inicjatyw, to ci, którzy zwykle wygrywają zwiększenie budżetu — dlatego pierwsza prognoza jest często tak samo narzędziem sprzedaży, jak narzędziem planowania.

Ustal kontrakt prognozy, zanim cokolwiek wymodelujesz

Zanim wybierzesz metodę, zapisz, na co prognoza faktycznie musi odpowiedzieć — w przeciwnym razie zbudujesz coś technicznie poprawnego, co odpowiada na złe pytanie:

• Cel i zakres — dokładny wskaźnik (sesje organiczne, kliknięcia bez marki, przychód z lejka), dla której właściwości, sekcji lub segmentu.
• Ziarno czasu i horyzont — dziennie, tygodniowo lub miesięcznie; na jak długo naprzód.
• Granica danych — ostatnia data historii, którą model faktycznie widział. Zapisz ją, aby prognoza była później powtarzalna i abyś dokładnie wiedział, wobec czego mierzone jest „przekroczenie” lub „niedoszacowanie”.
• Linia bazowa vs. interwencja — co się stanie, jeśli nic nie zmienisz, w porównaniu z przyrostowym wzrostem, który przypisujesz konkretnej inicjatywie. Nie pozwól, aby przedłużona linia trendu udawała efekt pracy, której jeszcze nie rozpocząłeś.
• Wykluczenia — co jest celowo pominięte (znana migracja, wstrzymana kampania, sezonowa anomalia, której nie próbujesz modelować).
• Właściciel i decyzja — kto odpowiada za liczbę i jaką decyzję ma ona faktycznie wspierać (wniosek budżetowy, uzasadnienie zatrudnienia, decyzja go/no-go).

Pomiń to, a skończysz debugując model, podczas gdy prawdziwy problem polega na tym, że nikt nie uzgodnił, na co miał odpowiadać.

Dwie podstawowe metody

Prognozowanie statystyczne / oparte na trendach uruchamia model szeregów czasowych na Twoich historycznych danych o ruchu i rzutuje trajektorię w przyszłość. Uwzględnia trend i sezonowość z zaobserwowanego zachowania. Używałem do tego modelu Prophet od Meta — obsługuje on roczną, tygodniową i dzienną sezonowość oraz efekty świąteczne, a także jest dostępny przez Pythona lub R. Jest wiele alternatyw: SARIMA oferuje więcej rygoru statystycznego przy bardziej stromym progu uczenia się, a dla prostszych potrzeb funkcja FORECAST w Arkuszach Google (regresja liniowa), wygładzanie wykładnicze, lub prosta średnia ruchoma wystarczy. Użyj tej metody, gdy masz użyteczną historię (najlepiej 18–24 miesięcy) i chcesz przewidzieć ogólną trajektorię witryny lub sekcji.

Prognozowanie oparte na słowach kluczowych ma charakter oddolny: na podstawie docelowej listy słów kluczowych oszacuj search volume × expected CTR × conversion rate. Użyj go, gdy planujesz nowe treści i nie masz historycznego ruchu, do którego mógłbyś się odnieść — nowa witryna, punkt odniesienia po migracji lub klaster treści, którego jeszcze nie zbudowałeś. Jest mniej zakotwiczony w zaobserwowanym zachowaniu, co jest dokładnie powodem, dla którego jest właściwym narzędziem, gdy nie ma zachowania do obserwacji.

Najbardziej wiarygodne prognozy łączą oba podejścia: trend statystyczny dla tego, co już masz, oraz wycenę możliwości opartą na słowach kluczowych dla tego, co zamierzasz zbudować.

Dane własne a dane zewnętrzne

To rozróżnienie decyduje o tym, jak bardzo możesz ufać swoim danym wejściowym:

• Dane własne (GSC / GA4) są wiarygodne dla Twojej witryny. Jeśli chcesz uzyskać dokładne oszacowanie dla własnej witryny lub strony, to absolutnie najlepsze dane do użycia. GSC daje Ci rzeczywisty, specyficzny dla witryny CTR według pozycji — co przewyższa dowolną branżową krzywą średnich wartości.
• Dane zewnętrzne (Ahrefs, Semrush) służą do prognozowania konkurentów. Jedynym sposobem na uzyskanie danych o konkurentach są źródła zewnętrzne. Pozwalają również oszacować słowa kluczowe, na które Twoja witryna nie zajmuje jeszcze pozycji. Dane zewnętrzne pokazują wzorce i trendy prognostyczne, ale brakuje im codziennej szczegółowości Twoich własnych analiz, a różne narzędzia podają różne wolumeny dla tego samego słowa kluczowego. Traktuj wolumen jako względny, a nie bezwzględny — orientacyjny wkład do oszacowania potencjału, a nie precyzyjny mnożnik.

Moje własne prognozy konkurencji (przyszły ruch, wartość ruchu i ruch na poziomie strony, w tym wyniki podczas podstawowych aktualizacji) opierają się na eksportach CSV z organicznych wyszukiwań z Ahrefs Site Explorer, zasilanych modelem Prophet.

Problem z CTR — dlaczego przestarzałe benchmarki psują prognozy

To jest obecnie największy czynnik psujący prognozy. Stare założenie — pozycja 1 otrzymuje około 27–34% kliknięć — było w przybliżeniu prawdziwe przed 2020 rokiem. Już takie nie jest.

Badanie Ahrefs dotyczące 300 000 słów kluczowych wykazało, że między grudniem 2023 a grudniem 2025 CTR dla pozycji 1 w przypadku zapytań z AI Overview spadł z 7,3% do około 1,6%. Nawet w przypadku czystych zapytań informacyjnych bez AI Overview CTR spadł z 7,6% do 3,9% w tym samym okresie. Osobne badanie Seer Interactive mierzące zagregowany CTR na wszystkich pozycjach (a nie tylko pozycji 1) wykazało ten sam spadek z innej perspektywy — organiczny CTR w zapytaniach AIO spadł o ~61% — to liczba, którą używam w artykule o ROI w SEO dla przedsiębiorstw. Osobno około 60% wyszukiwań w Google kończy się teraz bez kliknięcia w ogóle (Sparktoro/Datos). Wstawienie 30% CTR do prognozy na 2026 rok spowoduje ogromne przeszacowanie prognozowanego ruchu dla zapytań informacyjnych.

Rozwiązania:

• Zbuduj krzywą CTR specyficzną dla witryny na podstawie GSC zamiast używać jakiejkolwiek ogólnej tabeli branżowej. Twoja prawdziwa krzywa jest w Twoich własnych danych wydajnościowych.
• Obniż CTR dla zapytań informacyjnych o 20–40% wszędzie tam, gdzie pojawiają się AI Overviews. Jedna płaska krzywa CTR dla wszystkich typów zapytań nie jest już wiarygodnym parametrem wejściowym.
• Traktuj widoczność w AI jako osobną metrykę. Udział głosu w odpowiedziach AI jest coraz częściej osobną pozycją od kliknięć organicznych, a nie ich substytutem.

Krok po kroku: jak ją buduję

1. Określ zakres — poziom witryny, klastra lub strony. Nie prognozuj „wszystkiego”, gdy decyzja dotyczy tylko jednej sekcji.
2. Zbierz i oczyść dane historyczne — GSC + GA4, 18–24 miesięcy idealnie; dane zewnętrzne dla perspektywy konkurencyjnej.
3. Usuń ruch markowy, aby wyodrębnić wyniki niemarkowe rzeczywiście napędzane przez SEO — w przeciwnym razie popyt na markę zawyży prognozę.
4. Zbuduj własną krzywą CTR z GSC, a nie średnie branżowe.
5. Uwzględnij funkcje SERP — AI Overviews, wyróżnione fragmenty, reklamy nad zakładką — wszystkie tłumią kliknięcia.
6. Modeluj sezonowość — korzystaj z Google Trends i wzorców rok do roku. Handel detaliczny i B2C mają wyraźne wahania sezonowe; B2B zwykle podąża za cyklami budżetowymi w IV kwartale.
7. Zastosuj mnożniki konwersji i przychodów — współczynnik konwersji × AOV (lub CLV) zamienia ruch na pieniądze, czyli liczbę, która faktycznie dostaje finansowanie.
8. Zbuduj trzy scenariusze — konserwatywny, bazowy, agresywny — każdy z przypisanymi nazwanymi założeniami.
9. Przetestuj wstecznie — dopasuj model do kilku przeszłych punktów odcięcia w swojej historii, przewidź ten sam horyzont, który planujesz użyć na żywo, i porównaj z rzeczywistymi danymi, które już masz, zanim zaufasz przedziałowi, który zamierzasz przedstawić.
10. Przedstaw zakres jako trzy odrębne rzeczy — estymatę punktową, przedział modelu i scenariusze z nazwanymi założeniami — nigdy nie zaczynaj od pojedynczej liczby i nigdy nie pozwól, aby którykolwiek z tych trzech zapożyczył skalibrowane prawdopodobieństwo, którego nie ma.
11. Ustal harmonogram przeglądów i zapisz wyzwalacze przebudowy — miesięczny przegląd to rozsądny domyślny wybór, ale wyzwalaczem przebudowy jest zmiana danych, strukturalne załamanie, przekroczenie progu błędu z testów wstecznych lub zmiana decyzji — a nie tylko kalendarz.

Przykład z praktyki — jeden klaster, od początku do końca

Kroki są abstrakcyjne, dopóki nie przepuścisz przez nie liczb. Załóżmy, że prognozujesz nowy klaster porównawczy z 40 stronami dla witryny B2B SaaS, oddolnie:

• Wielkość szansy: docelowe słowa kluczowe mają łącznie ~50 000 miesięcznych wyszukiwań (szacunek zewnętrzny, traktowany jako orientacyjny, nie dokładny).
• CTR: większość to zapytania informacyjne z obecnymi AI Overviews, więc zamiast przestarzałych 30% używasz własnej krzywej GSC i uzyskujesz średni ~4% dla pozycji, które realistycznie spodziewasz się utrzymać w pierwszym roku.
• Ruch: 50 000 × 4% = 2 000 wizyt organicznych/miesiąc po osiągnięciu dojrzałości.
• Konwersja: przy 2% współczynniku wizyta→lead i 20% lead→szansa, 2 000 × 2% × 20% = 8 szans/miesiąc.
• Przychód: przy średniej wielkości transakcji 15 000 USD i 25% współczynniku zamknięcia, 8 × 25% × 15 000 USD = 30 000 USD/miesiąc przychodu z lejka sprzedaży po osiągnięciu dojrzałości.

Następnie nie przedstawiasz tych 30 tys. USD jako jedynej właściwej liczby. Ujmujesz je w scenariusze: konserwatywny zakłada 3% średni CTR i wolniejsze rozkręcanie (~18 tys. USD/mies. do 12. miesiąca); bazowy to 30 tys. USD powyżej; agresywny zakłada 5% CTR i szybsze pozycjonowanie (~40 tys. USD/mies.). Każdy niesie swoje nazwane założenia. Statystyczny przedział ufności z twojego modelu trendu — na przykład 80% przedział Propheta — jest tym, z czego te trzy scenariusze są wyprowadzone, a nie osobną, konkurencyjną liczbą: przedział daje rozpiętość, a scenariusze dają kierownictwu coś, na czym mogą planować. (To ta sama translacja przedziału ufności w scenariusze, której używam w artykule o metrykach SEO dla przedsiębiorstw.) To trzy różne rzeczy i warto być precyzyjnym, którą pokazujesz: estymata punktowa to pojedyncza liczba; przedział predykcji to zakres obliczony przez model z wbudowanymi własnymi założeniami; scenariusz to ręcznie wybrany zestaw nazwanych założeń. Żadna z tych trzech nie jest skalibrowanym prawdopodobieństwem — „konserwatywny/bazowy/agresywny” nie oznacza szans 10%/50%/90%, chyba że faktycznie to zweryfikowałeś — więc nie pozwól, aby zakres scenariusza zapożyczał autorytet statystycznie wyprowadzonego przedziału, ani odwrotnie.

Przetestuj założenia, które mogą odwrócić decyzję

Zakres scenariuszy ma sens tylko wtedy, gdy wiesz, który parametr zmienia wynik na tyle, by wpłynąć na decyzję. W powyższym przykładzie zmieniaj po jednym parametrze — CTR, współczynnik przejścia od leada do szansy sprzedażowej i współczynnik zamknięcia — w wiarygodnym zakresie, pozostawiając pozostałe bez zmian. Następnie sprawdź, co dzieje się z przychodem w 12. miesiącu.

W tym klastrze błędny CTR powoduje największe zniekształcenie: liczba wizyt skaluje się bezpośrednio z kliknięciami, więc błąd CTR przenosi się na każdy kolejny etap — leady, szanse sprzedażowe i przychód — tak jak w pokazanym wyżej rozrzucie między scenariuszem konserwatywnym a agresywnym. Współczynnik zamknięcia oraz przejścia od leada do szansy również zmieniają wynik, ale należą do obszaru sprzedaży i zwykle można je określić na podstawie historii CRM z większą pewnością niż przyszły CTR strony, która jeszcze nie istnieje.

Wynik analizy wrażliwości to nie bardziej wymyślny wykres — to krótka lista: „jeśli X okaże się błędny, liczba zmieni się mniej więcej o tyle, a oto, co robimy z tym ryzykiem, zanim to przedstawimy”. To właśnie mówi interesariuszowi, od którego założenia faktycznie zależy rekomendacja, zamiast trzech liczb, które wszystkie wyglądają równie arbitralnie.

Prognozowanie dla akceptacji w przedsiębiorstwie

Kilka ujęć, które szczególnie trafiają do finansów i kadry kierowniczej:

• Przelicz wszystko na pieniądze. Kierownictwo myśli w kategoriach przychodu, lejka sprzedażowego i CAC — nie sesji i pozycji. Przelicz wskaźniki SEO na pieniądze.
• Ramy TAM. Oszacuj całkowity adresowalny popyt w wyszukiwarce dla swojej kategorii (potential market × competitive position), a następnie prognozuj stopniowy wzrost udziału — 10% lub 20% TAM — zamiast zakładać pierwszą pozycję dla każdego zapytania. Zespoły finansowe oczekują etapu wyceny rynku, który wielu specjalistów SEO pomija.
• Udział w wartości ruchu (SoTV). To mój preferowany wskaźnik dla kadry kierowniczej — rozszerza udział w widoczności o wycenę porównywanego ruchu, dzięki czemu zarząd widzi pozycję konkurencyjną w dolarach.
• Porównuj z trajektorią, nie z zerem. Najbardziej przekonująca prognoza pokazuje, gdzie będziesz w porównaniu z tym, dokąd zmierza konkurent, oraz lukę między twoją obecną ścieżką a zadeklarowanym celem organizacji.

Ograniczenia — mów o nich głośno

W każdej prognozie mówię o tym wprost: prognozy zawsze wiążą się z niepewnością, ponieważ warunki stale się zmieniają. Ty lub konkurenci możecie przebudować witrynę, zmienić strategię albo dokonać dodatkowych inwestycji, których model nie jest w stanie przewidzieć.

Opieraj się też pokusie nadmiernego komplikowania. Bardziej złożone prognozy wymagają więcej czasu i wysiłku, a niekoniecznie są lepsze — w większości przypadków zwrot z budowy rozbudowanego modelu nie uzasadnia nakładu pracy. Prosta linia trendu lub model Prophet oparty na 18 miesiącach danych GSC może przewyższyć złożony arkusz bazujący na chwiejnych założeniach. Celem jest możliwe do obrony oszacowanie kierunku i skali, a nie fałszywa precyzja.

Utrzymuj prognozę w aktualności

Prognoza to żywy dokument, a nie jednorazowy produkt — nie istnieje jednak jedna częstotliwość właściwa dla każdego programu. Przeglądaj ją na tyle często, aby wykryć odchylenie, zanim decyzja, którą wspiera, się zdezaktualizuje. Dla większości programów korporacyjnych rozsądnym punktem wyjścia jest przegląd miesięczny; przy krótkim horyzoncie lub wysokiej stawce rób to częściej. Przebudowę, a nie tylko ponowną kalibrację, wywołuje jedna z następujących sytuacji:

• dane się zmieniły — przerwa w śledzeniu, zmiana właściwości GSC/GA4, redefinicja tego, co liczy się jako konwersja;
• wydarzyło się coś strukturalnego — aktualizacja rdzenia Google, duży ruch konkurenta, wdrożenie AI Overview w twoich kluczowych zapytaniach, migracja strony;
• błąd samego modelu przekroczył próg, który ustawiłeś z wyprzedzeniem — jeśli pokrycie lub błąd z testów wstecznych jest teraz gorszy niż to, co walidowałeś, przedział, który prezentujesz, nie jest już uczciwy; lub
• zmieniła się decyzja, którą wspiera — inny termin, zakres lub grono interesariuszy.

Wiarygodny horyzont to mniej więcej 3–12 miesięcy; poza 12 miesiącami traktuj prognozę jako plan kierunkowy, a nie przewidywanie dokładne co do miesiąca.

Pokrewna dyscyplina istnieje tuż obok: powiązanie tych prognoz z metrykami i celami, które faktycznie raportujesz, oraz z celami, które sobie stawiasz.

Standardowy raport wydajności Search Console udostępnia historię do 16 miesięcy. Evidence for this claim Search Console's performance report provides up to 16 months of data. Scope: The standard Search Console performance-report window; retained bulk-export data can extend an organization's own history after export is configured. Confidence: high · Verified: 2026-07-14 Google Search Console Help: Performance report Bing rozszerzył historię Search Performance z sześciu do 16 miesięcy w październiku 2024 roku i jawnie wskazał dokładniejsze prognozowanie jako przypadek użycia. Evidence for this claim Bing expanded Webmaster Tools Search Performance history from six months to 16 months in October 2024 and explicitly described forecasting as a use case. Scope: Bing Webmaster Tools' Search Performance history; it does not validate a particular forecasting method or guarantee forecast accuracy. Confidence: high · Verified: 2026-07-14 Bing Webmaster Blog: Search Performance data extended to 16 months

Obie główne platformy webmasterów pierwszej strony udostępniają teraz standardowe okna wydajności wynoszące 16 miesięcy: Search Console dokumentuje do 16 miesięcy, Evidence for this claim Search Console's performance report provides up to 16 months of data. Scope: The standard Search Console performance-report window; retained bulk-export data can extend an organization's own history after export is configured. Confidence: high · Verified: 2026-07-14 Google Search Console Help: Performance report a Bing rozszerzył swoją historię do 16 miesięcy w październiku 2024 roku, wymieniając prognozowanie jako przypadek użycia. Evidence for this claim Bing expanded Webmaster Tools Search Performance history from six months to 16 months in October 2024 and explicitly described forecasting as a use case. Scope: Bing Webmaster Tools' Search Performance history; it does not validate a particular forecasting method or guarantee forecast accuracy. Confidence: high · Verified: 2026-07-14 Bing Webmaster Blog: Search Performance data extended to 16 months

Podsumowanie AI

Skrócona wersja wersji zaawansowanej:

• Prognozowanie SEO = prognozowanie przyszłego ruchu organicznego/konwersji/przychodów na podstawie danych historycznych (ruch, wartość ruchu, CTR, wolumen wyszukiwań). To model probabilistyczny przy założonych warunkach — kompas, a nie GPS — używany głównie do uzasadnienia budżetu i zdobycia poparcia kierownictwa.
• Najpierw ustal kontrakt: docelowa metryka i zakres, ziarno czasu, horyzont, punkt odcięcia danych, linia bazowa vs. planowana interwencja, wykluczenia, właściciel oraz decyzja, którą wspiera — zanim wybierzesz metodę.
• Dwie metody: statystyczna/oparta na trendach (Prophet, SARIMA lub funkcja FORECAST w arkuszach na własnych danych) oraz oparta na słowach kluczowych (wolumen × CTR × konwersja dla nowych celów). Połącz je.
• Źródła danych: GSC/GA4 są autorytatywne dla Twojej witryny (rzeczywisty CTR specyficzny dla witryny); narzędzia innych firm (Ahrefs, Semrush) służą do analizy konkurentów i szacowania możliwości — ich wolumeny są orientacyjne, a nie precyzyjne.
• Problem z CTR: przestarzałe benchmarki „~30% na pozycji 1” są błędne. CTR na pozycji 1 dla zapytań z AI Overviews spadł do ~1,6%; ~60% wyszukiwań to wyszukiwania bez kliknięć. Zbuduj krzywą CTR specyficzną dla witryny na podstawie GSC i skoryguj CTR informacyjny w dół o 20–40% tam, gdzie pojawiają się AI Overviews.
• Ograniczenia danych: GSC przechowuje dane przez 16 miesięcy; Bing Webmaster Tools wydłużył do 16 miesięcy (październik 2024). Eksportuj proaktywnie (BigQuery dla dłuższej historii).
• Proces: zdefiniuj zakres → oczyść dane → usuń ruch markowy → niestandardowa krzywa CTR → dostosuj do funkcji SERP → modeluj sezonowość → zastosuj konwersję/przychody → zbuduj scenariusze konserwatywny/bazowy/agresywny → przetestuj wstecz na przeszłych punktach odcięcia → przedstaw zakres jako trzy oznaczone elementy (oszacowanie punktowe, przedział modelu, scenariusz) → ustal kadencję i warunki przebudowy.
• Analiza wrażliwości: zmieniaj jeden parametr na raz, aby znaleźć ten, który zmienia decyzję — to jest założenie, które warto zbadać lub zabezpieczyć, a nie inne.
• Ujęcia korporacyjne: przelicz na pieniądze, użyj szacowania TAM, raportuj udział wartości ruchu, porównuj z trajektoriami konkurentów.
• Zasady: nigdy nie gwarantuj liczby („Nikt nie może zagwarantować Ci ruchu” — Mueller); nie przesadzaj z inżynierią (złożone ≠ lepsze); traktuj prognozę jako żywy dokument, wiarygodny na ~3–12 miesięcy.

Oficjalna dokumentacja

Nie ma oficjalnej metodologii Google ani Bing dotyczącej prognozowania SEO — żadna z tych firm nie publikuje przewodnika ani szablonu prognozowania. To, co publikują, to rzetelne dane i ograniczenia, w ramach których prognozujesz.

Google

• Przechowywanie danych w Search Console (16 miesięcy) — dane o wydajności są przechowywane przez 16 miesięcy, a następnie trwale usuwane; wyeksportuj je przed zamknięciem okna.
• Szczegółowy przewodnik po działaniu wyszukiwarki Google — Google pozycjonuje Search Console jako autorytatywne źródło informacji o tym, jak Twoja witryna pojawia się w wynikach wyszukiwania, dlatego CTR z GSC przewyższa szacunki innych firm.
• Google Trends — własne narzędzie Google do wprowadzania sezonowości, której potrzebuje każda prognoza.
• Eksport zbiorczy danych BigQuery dla Search Console — jedyny sposób na wydłużenie historii GSC poza ruchome okno 16 miesięcy.

Bing / Microsoft

• Bing Webmaster Tools Extends Search Performance Data to 16 Months — Fabrice Canel i Krishna Madhavan (16 paź 2024); Bing rozszerzył okno danych o wynikach wyszukiwania z 6 do 16 miesięcy, aby wprost wspierać „dokładniejsze prognozowanie”.
• Bing Webmaster Tools — raport Search Performance — wyświetlenia, kliknięcia, CTR i średnie pozycje, czyli dane istotne dla prognozowania, które udostępnia Bing.

Cytaty ze źródła

Oświadczenia przedstawicieli wyszukiwarek składane na piśmie, istotne dla prognozowania i ograniczeń tego, co ktokolwiek może obiecać.

Google — bez gwarancji

• “Nobody can guarantee you traffic, sorry.” (tłumaczenie) „Nikt nie może zagwarantować Ci ruchu, przykro mi.” — John Mueller, Google Search Advocate (opublikowane na X, 25 stycznia 2024, w odpowiedzi na pytanie, czy zmiana techniczna przyniesie mierzalne zyski w ruchu). To zdanie umieściłbym na okładce każdej prognozy: to szacunek, a nie umowa. Przejdź do cytatu

Bing / Microsoft — dane do prognozowania

• “With 16 months of data in Bing Webmaster Tools, you can identify long-term patterns previously hidden, allowing for more accurate forecasting and strategy development.” (tłumaczenie) „Dzięki 16 miesiącom danych w Bing Webmaster Tools możesz identyfikować długoterminowe wzorce wcześniej ukryte, co pozwala na dokładniejsze prognozowanie i opracowywanie strategii.” — Fabrice Canel i Krishna Madhavan, Principal PM, Microsoft Bing (16 października 2024). Bing przedstawia rozszerzone okno wprost w kontekście wzorców sezonowych, wyników poprzednich kampanii i długoterminowych trendów. Przejdź do cytatu

Lista kontrolna budowy prognozy

Przejście do wykonania, zanim pokażesz prognozę komukolwiek:

• Zakres jest zdefiniowany i odpowiada decyzji (witryna / klaster / strona) — nie „cały ruch”, gdy pytanie dotyczy jednej sekcji.
• Pobrano 18–24 miesięcy historii z GSC + GA4 (lub tyle, ile istnieje), wyeksportowano przed usunięciem przez 16-miesięczne okno retencji.
• Zidentyfikowano i usunięto ruch markowy, aby prognoza izolowała wyniki napędzane SEO, niemające charakteru markowego.
• Krzywa CTR zbudowana z Twoich danych GSC, a nie z tabeli średnich branżowych.
• CTR skorygowany w dół o funkcje SERP — AI Overviews, wyróżnione fragmenty, reklamy — zwłaszcza w przypadku zapytań o intencji informacyjnej.
• Sezonowość wymodelowana na podstawie Google Trends i wzorców rok do roku.
• Wolumen z zewnętrznych źródeł traktowany jako kierunkowy/względny, a nie jako precyzyjny mnożnik.
• Ruch przeliczony na pieniądze przez współczynnik konwersji × AOV (lub CLV).
• Zbudowano trzy scenariusze (konserwatywny / bazowy / agresywny), każdy z zapisanymi nazwanymi założeniami.
• Zidentyfikowano dane wejściowe, które odwróciłyby decyzję, gdyby były błędne (analiza wrażliwości, a nie tylko trzy równoległe scenariusze).
• Model przetestowany wstecznie na przeszłych punktach odcięcia względem rzeczywistych danych, zanim zaufa się przedziałowi.
• Wynik to zakres z przedziałami ufności, a nie pojedyncza liczba — a estymacja punktowa, przedział modelu i scenariusz są oznaczone jako trzy różne rzeczy, z których żadna nie jest skalibrowanym prawdopodobieństwem.
• Żaden język nigdzie nie sugeruje gwarancji.
• Zaplanowano cykl przeglądu (miesięczny to rozsądna domyślna wartość), a wyzwalacze przebudowy — zmiana danych, przerwa strukturalna, próg błędu modelu, zmiana decyzji — są zapisane z wyprzedzeniem.

Modele mentalne

1. Kompas, nie GPS. Prognoza daje kierunek i przybliżoną wielkość przy określonych założeniach — nie obietnicę krok po kroku. Każdy wniosek, który wyciągniesz, powinien przetrwać pytanie „na jakim założeniu to opieram?”

2. Dwie metody, jedna połączona prognoza. Statystyczna/oparta na trendach dla tego, co masz (projekcja historii w przyszłość); oparta na słowach kluczowych dla tego, co zbudujesz (wolumen × CTR × konwersja). W razie wątpliwości uruchom obie i uzgodnij wyniki.

3. Dane własne dla Ciebie, dane zewnętrzne dla nich. GSC/GA4 są wiarygodne dla CTR i trendów Twojej własnej witryny. Narzędzia zewnętrzne są do prognozowania konkurencji i szacowania słów kluczowych, na które jeszcze nie rankujesz — kierunkowe, względne, nigdy precyzyjne.

4. Drabinka scenariuszy. Konserwatywny / bazowy / agresywny, każdy z jawnie nazwanymi założeniami. Finanse nie rezygnują z planowania budżetu, bo rynki są nieprzewidywalne; modelują scenariusze. Zrób to samo — szacunek kierunkowy z nazwanymi założeniami jest lepszy niż brak szacunku. Scenariusz to wybrany zestaw założeń, a nie skalibrowane prawdopodobieństwo — trzymaj go oznaczonego jako taki, oddzielnie od własnego przedziału modelu.

5. TAM → udział → przychód. Potential market × competitive position = TAM. Prognozuj stopniowy wzrost udziału (10%, 20%) zamiast całkowitej dominacji, a następnie przeprowadź udział → ruch → konwersje → przychód. To łańcuch, którego oczekują finanse.

6. Analiza wrażliwości przed prezentacją. Zmieniaj jeden parametr na raz w wiarygodnym zakresie i obserwuj, który odwraca decyzję. To jest założenie warte zbadania, pilotażu lub zabezpieczenia — pozostałe nie są warte sporów.

7. Testuj wstecz, zanim zaufasz. Dopasuj ponownie do przeszłych punktów odcięcia, prognozuj w przód, porównaj z faktycznymi danymi, które już masz. Złożoność modelu musi być uzasadniona dokładnością poza próbą, a nie przyjmowana z góry.

8. Żywy dokument. Zbuduj → przedstaw zakres → przeglądaj w ustalonym rytmie (miesięczny to rozsądny standard) → przebuduj po wyzwalaczu: dane się zmieniły, coś strukturalnego się wydarzyło, błąd testu wstecznego przekroczył próg lub zmieniła się decyzja. Wiarygodny horyzont: ~3–12 miesięcy.

Prognozowanie SEO — ściągawka

Wybierz metodę

Kontrola rzeczywistości CTR (nie używaj starych liczb)

→ Zbuduj CTR na podstawie własnych danych GSC; obniż informacyjny CTR o 20–40%, gdzie pojawiają się AI Overview.

Ograniczenia danych

• Retencja GSC: 16 miesięcy, potem usunięte — eksportuj proaktywnie; eksport do BigQuery dla dłuższej historii.
• Bing Webmaster Tools: 16 miesięcy (wydłużone z 6, październik 2024).
• Wolumeny zewnętrzne: kierunkowe, nie precyzyjne — tylko porównanie względne.

Nienegocjowalne zasady

• Ustal kontrakt prognozy (cel, zakres, ziarno, horyzont, punkt odcięcia, linia bazowa vs. interwencja, właściciel, decyzja), zanim wybierzesz metodę.
• Usuń ruch z marką przed prognozowaniem SEO niemarkowego.
• Przedstaw zakres jako trzy oznaczone elementy — estymatę punktową, przedział modelu, scenariusz — nigdy pojedynczą nieoznaczoną liczbę.
• Przeprowadź analizę wrażliwości, aby znaleźć zmienną, która mogłaby odwrócić decyzję.
• Wykonaj testy wsteczne na przeszłych punktach odcięcia, zanim zaufasz przedziałowi.
• Nigdy nie gwarantuj liczby — „Nikt nie może zagwarantować Ci ruchu” (Mueller).
• Złożone ≠ lepsze; zwrot z inwestycji w nadmiernie rozbudowaną prognozę zwykle nie jest wart zachodu.
• Prognoza to żywy dokument — przeglądaj ją w ustalonym rytmie (miesięczny to rozsądna domyślna wartość), odbudowuj po zdefiniowanym wyzwalaczu, nie tylko wg daty kalendarzowej.

Prognoza oparta na słowach kluczowych w Google Sheets

Dla nowych treści bez historii formuła oddolna to volume × expected CTR × conversion rate. W arkuszu, z wolumenem wyszukiwania w B, CTR dla docelowej pozycji w C i współczynnikiem konwersji w D:

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

Pobierz wartości CTR według pozycji (C) z własnych danych GSC, a nie z branżowej tabeli — i zmniejsz je dla zapytań informacyjnych, gdzie pojawiają się AI Overviews.

Prognoza trendu na podstawie własnej historii

Gdy masz historię, najprostszą projekcją jest regresja liniowa z wbudowaną funkcją FORECAST — miesiące historyczne w kolumnie A, ruch w B:

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

To linia prosta. Ignoruje sezonowość, więc ufaj jej tylko dla krótkich, stabilnych horyzontów. Dla sezonowości i efektów świątecznych przejdź na model szeregów czasowych — używam Prophet od Meta (darmowy, open source, dostępny przez Pythona lub R), zasilanego eksportem CSV z organicznych wyników wyszukiwania z Ahrefs Site Explorer. Minimalne uruchomienie Prophet w notatniku:

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()

Pasmo yhat_lower/yhat_upper jest sednem: to Twój zakres. Nie raportuj yhat jako pojedynczej liczby. Prophet to jedna opcja — SARIMA to bardziej rygorystyczna alternatywa z wyższą krzywą uczenia. I pamiętaj: złożony model nie jest automatycznie lepszy.

Zweryfikuj, zanim zaufasz

Nie przyjmuj dopasowania na wiarę. Moduł diagnostyczny Propheta symuluje prognozy historyczne: dopasowuje model ponownie w punktach odcięcia wewnątrz Twojej historii, przewiduje do przodu na tym samym horyzoncie, który planujesz użyć na żywo, i porównuje to przewidywanie tylko z rzeczywistymi danymi, które wystąpiły po punkcie odcięcia — nigdy z danymi, które model mógł już widzieć.

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 mówi Ci, czy Twój zadeklarowany przedział faktycznie zawierał tę część rzeczywistych wyników historycznie — jeśli nie, przedział jest źle skalibrowany, a zakres, który zamierzasz przekazać interesariuszowi, nie jest tak uczciwy, jak wygląda. Model, który nigdy nie został tak sprawdzony, to zgadywanka z wykresem wokół niej.

Narzędzia do prognozowania SEO

Dane własne (miarodajne dla Twojej witryny)

• Google Search Console — rzeczywisty, specyficzny dla witryny CTR według pozycji i historia wydajności jako źródło prawdy (okno 16 miesięcy; eksportuj proaktywnie).
• GA4 — zachowanie na stronie, współczynniki konwersji i przychody, aby zamienić ruch na pieniądze.
• BigQuery (eksport zbiorczy GSC) — jedyny sposób na zachowanie historii dłuższej niż 16 miesięcy.

Konkurencyjne / szacowanie możliwości (dane zewnętrzne)

• Ahrefs Site Explorer — szacunki ruchu konkurencji i wartości ruchu, eksporty CSV z wyników organicznych do modeli trendów oraz analiza luk w słowach kluczowych do szacowania możliwości.
• Semrush i podobne — alternatywne szacunki wolumenu; pamiętaj, że różne narzędzia się różnią, więc traktuj wolumeny jako względne.

Sezonowość

• Google Trends — kiedy popyt osiąga szczyty i dołki w ciągu roku.

Modelowanie

• Meta Prophet (darmowy, open source; Python/R) — mój ulubiony model szeregów czasowych; obsługuje sezonowość i efekty świąteczne.
• SARIMA — większy rygor statystyczny, wyższa krzywa uczenia.
• Google Sheets FORECAST / wygładzanie wykładnicze / średnie ruchome — gdy potrzebujesz tylko szybkiej linii kierunkowej.

Platforma / raportowanie

• Korporacyjne narzędzia do prognozowania i raportowania (np. SEOmonitor, BrightEdge, seoClarity) oraz narzędzia do raportowania dla agencji (np. AgencyAnalytics, Advanced Web Ranking) łączą prognozowanie z pulpitami nawigacyjnymi — wygodne, ale tylko tak dobre, jak założenia dotyczące CTR i wolumenu, na których się opierają.

Błędy w prognozowaniu, które tworzą fałszywą pewność

Publikowanie jednej precyzyjnej liczby

Dlaczego to zawodzi: Oszacowanie punktowe ukrywa niepewność związaną z pozycjami, CTR, sezonowością, konwersją, konkurencją i zmianami algorytmów. Interesariusze zapamiętują liczbę i zapominają o założeniach.

Zamiast tego: Przedstaw scenariusze konserwatywny, bazowy i agresywny wraz z założeniami, które je tworzą. Użyj przedziału z modelu, aby określić zakres, a nie jako ozdobę wokół obiecanego wyniku.

Stosowanie ogólnej krzywej CTR do każdego zapytania

Dlaczego to zawodzi: CTR różni się w zależności od witryny, pozycji, intencji, urządzenia oraz funkcji SERP. Przestarzałe benchmarki dla pierwszej pozycji są szczególnie mylące w przypadku zapytań z AI Overviews lub innymi odpowiedziami bez kliknięcia.

Zamiast tego: Zbuduj krzywą specyficzną dla witryny na podstawie GSC i podziel ją na segmenty tam, gdzie SERP lub intencja znacząco zmieniają zachowanie klikania.

Mieszanie popytu markowego z przypadkiem wzrostu SEO

Dlaczego to zawodzi: Wyszukiwania markowe mogą odzwierciedlać popyt tworzony przez inne kanały i zawyżać bazę lub prognozowany wzrost przypisywany SEO.

Zamiast tego: Rozdziel historie markowe i niemarkowe przed dopasowaniem modelu, a następnie określ, na którą linię inwestycja ma wpływać.

Traktowanie wolumenu z narzędzi zewnętrznych jako prawdy absolutnej

Dlaczego to zawodzi: Zewnętrzne narzędzia szacują wyniki konkurencji i niewykorzystany możliwości; różne narzędzia mogą się różnić, a ich wartości nie równają się zaobserwowanemu ruchowi na stronie.

Zamiast tego: Użyj danych własnych do swojej bazy i oznacz dane zewnętrzne jako orientacyjne szacowanie możliwości.

Budowanie najbardziej złożonego możliwego modelu

Dlaczego to zawodzi: Dodatkowa złożoność nie naprawi słabych danych wejściowych i może utrudnić wyjaśnienie, testowanie i aktualizację prognozy.

Zamiast tego: Użyj najprostszego modelu, który oddaje trend i sezonowość istotne dla decyzji. Przebuduj, gdy założenia się zmienią, zamiast chronić skomplikowany model przed rzeczywistością.

Pozostawienie prognozy bez zmian po zatwierdzeniu

Dlaczego to zawodzi: Prognoza jest warunkowa. Aktualizacja podstawowa, ruch konkurencji, zmiana na stronie lub zmiana SERP mogą unieważnić pierwotne założenia.

Zamiast tego: Porównuj rzeczywiste wyniki z prognozą co miesiąc, przeglądaj założenia co kwartał i udokumentuj czynnik wyzwalający przebudowę.

Sprawdź się: prognozowanie SEO

Pięć pytań o metody, dane wejściowe, scenariusze i utrzymanie modelu.

Zasoby warte Twojego czasu

Moje powiązane teksty

• SEO Forecasting: The Art Of Getting Buy-In — mój pełny przewodnik z sześcioma darmowymi, gotowymi do skopiowania notatnikami Google Colab (ruch własnej witryny i wartość ruchu, ruch konkurencji/wartość/ruch strony oraz wydajność podczas podstawowych aktualizacji).
• Enterprise SEO Storytelling: Metrics, Reports & Dashboards — porównywanie metryk SEO do pieniędzy, udział w wartości ruchu i niestandardowe krzywe CTR z GSC.

Moje wystąpienia

• The Great Decoupling („Wielkie rozdzielenie”, Ahrefs Evolve 2025) — rosnąca przepaść między wyświetleniami a kliknięciami w GSC i powód, dla którego przestarzałe założenia CTR zaburzają obecne prognozy. SlideShare

Od innych

• Twój przewodnik po prognozowaniu SEO w Arkuszach Google — Sara Taher (Search Engine Land): FORECAST, SMA i wygładzanie wykładnicze w arkuszu kalkulacyjnym.
• Jak zrobić projekcję SEO — Rob Tindula (Search Engine Land): 8-etapowa metodologia prognozowania z modelem hybrydowym.
• Jak obliczyć całkowity adresowalny rynek (TAM) dla SEO — Dan Taylor (Search Engine Journal): ujęcie TAM/SAM, którego oczekuje dział finansów.
• Jak modelować nieliniową sezonowość SEO za pomocą Prophet — strona sezonowości w podejściu Prophet.
• Prognozowanie SEO: przewidywanie wzrostu ruchu organicznego — AgencyAnalytics: perspektywa agencji i ryzyko przeszacowania prognoz.
• Czym jest prognozowanie wyszukiwania i dlaczego jest ważne? — Rachel Vandernick (Search Engine Journal): podstawowe ramy wyjaśniające, dlaczego prognozowanie ma znaczenie i gdzie pasuje do programu SEO.
• Jak realistycznie prognozować SEO krok po kroku — Kate Starr (Backlinko): metodologia krok po kroku z darmowym szablonem i formułą rozszerzenia przychodów.
• Kalkulator ROI prognozowania SEO dla przedsiębiorstw — Directive Consulting: kalkulator ROI dla przedsiębiorstw z danymi międzyfunkcyjnymi i atrybucją SQL/MQL dla prognoz skierowanych do finansów.
• Narzędzie CTR dla organicznych wyników Google — Advanced Web Ranking: historyczne benchmarki CTR według pozycji i urządzenia — przydatny kontekst pokazujący, jak bardzo odeszliśmy od starego założenia 30%.

Statystyki, które warto cytować

• CTR pozycji 1 załamał się dla zapytań z AI Overview. Z 7,3% do około 1,6% między grudniem 2023 a grudniem 2025 (badanie Ahrefs, 300 000 słów kluczowych) — liczba, która łamie każdą przestarzałą prognozę. Źródło
• Nawet czysty informacyjny CTR spadł — zapytania informacyjne na pozycji 1 bez AI Overview spadły z 7,6% do około 3,9% w tym samym okresie (to samo badanie). Źródło
• ~60% wyszukiwań w Google kończy się bez kliknięcia — punkt odniesienia dla zerowych kliknięć, który każda prognoza na 2026 musi zakładać (badania Sparktoro / Datos).
• AI Overview zmniejszają kliknięcia o ~34,5% dla dotkniętych zapytań we wcześniejszym badaniu Ahrefs z kwietnia 2025 — kierunkowy spadek, który stosujesz do informacyjnego CTR. Źródło
• Budżet podąża za wiarygodnymi prognozami. Około jedna czwarta marketerów deklaruje wystarczający budżet, częściowo dlatego, że kierownictwo nie jest przekonane o zwrotach z SEO; liderzy, którzy potrafią przewidzieć wpływ finansowy, częściej zdobywają zwiększenie budżetu (GTM 8020, 2024).

Dziennik zmian