Sklep TechShop: Scoped Reports priorytetyzują 3000 produktów według typu podstrony

Kontekst

TechShop to średniej wielkości polski sklep z elektroniką — 3000 aktywnych produktów w 80 kategoriach + blog techniczny (200+ artykułów rocznie) + sekcja gwarancji i dokumentów technicznych. Roczny ruch ~2.4M sesji, przychód w kategorii „mid-market e-commerce”.

Zespół IT: 1 CTO + 2 developerów + freelancer SEO na halftime. Z powodu wielkości katalogu, audyty SEO w przeszłości były utrudnione: każde narzędzie pokazywało średnie metryki dla całej domeny, ale nie było możliwości łatwego priorytetyzowania, które konkretnie podstrony naprawić najpierw.

Wyzwanie

Klasyczny audyt 3000 produktów dawał uśrednione liczby:

• „60% podstron ma brak meta description” → ale których 60%?
• „Średni LCP: 3.2s” → czy to jest problem produktów, kategorii, czy bloga?
• „47 broken links” → na których podstronach?
• „AI Readiness Score: 51” → która kategoria stron wymaga schema markup?

Żeby priorytetyzować, freelancer SEO musiał ręcznie eksportować raw data do Excel, sortować, filtrować, robić własne analizy per typ podstrony. Czas: 1–2 dni roboty per audyt. W praktyce robione raz na kwartał, bo „za dużo zachodu na częstsze”.

Efekt: zespół IT robił poprawki chaotycznie — co aktualnie zauważyli, co klient zgłosił, co przypadkowo zobaczyli w jakimś narzędziu. Brak strategicznego priorytetyzowania per impact.

Rozwiązanie: Scoped Reports + Business Context

W lutym 2026 TechShop zaczął używać Scoped Reports w SiteSpector. Workflow zmienił się fundamentalnie:

Krok 1: Ustawienie Business Context. W ustawieniach audytu Tomasz (CTO) opisał:

Sklep z elektroniką, 3000 produktów. Top 3 kategorie: laptopy, smartfony, akcesoria. Główne KPI: konwersja per kategoria, ruch organic na kategoriach (60% przychodu) i produktach (40%). Blog techniczny — funkcja brand, mniej priorytet.

To dało AI kontekst do dopasowania kryteriów per typ podstrony.

Krok 2: Audyt z automatyczną klasyfikacją. Po fazie 1 (crawl) AI sklasyfikował 3000 produktów do 8 typów:

• Homepage (1)
• Kategoria główna (12)
• Kategoria podrzędna (68)
• Produkt (2847)
• Blog (203)
• Strona usługowa (15) — gwarancje, dostawa
• Landing kampanijny (24) — promocje
• Kontakt/info (6) — regulamin, kontakt

Dla każdego typu wygenerował osobny mikro-audyt z dedykowanymi metrykami i rekomendacjami.

Krok 3: Przegląd Scoped Reports per typ.

Każdy raport pokazywał:

• Liczba podstron tego typu
• Top 10 najsłabszych podstron (z deep-link)
• Agregaty metryk (średnia LCP, % z brakiem meta, % z brakiem schema)
• Top 5 problemów w tej kategorii
• Dedykowane Action Cards per typ
• Estymowany impact napraw per typ (na bazie ruchu i konwersji)

Krok 4: Strategiczne priorytetyzowanie.

Tomasz, freelancer SEO i developerzy spotkali się na 30-minutowym sprint planning. Patrząc na Scoped Reports, decyzja była oczywista:

1. Kategorie podrzędne (68 podstron) — najgorszy AI Readiness (32/100), największy impact na ruch (40% organic). PRIORYTET 1.
2. Produkty top 10% (best-sellery) — średni LCP 4.8s, dramatyczny wpływ na konwersję. PRIORYTET 2.
3. Reszta produktów — long-tail, mniejszy impact, ale duża liczba. PRIORYTET 3.
4. Blog techniczny — solidny stan, brak schema na 30% — quick win, ale niski impact biznesowy. PRIORYTET 4.

Ta decyzja w 30 minut zastąpiłaby wcześniejszy 1–2 dniowy proces ręcznej analizy i przesuwania priorytetów.

90 dni implementacji

Zespół wdrażał według priorytetów:

Miesiąc 1: Kategorie podrzędne (68 podstron)

• Dodanie Schema.org Product per kategoria z featured products
• Optymalizacja meta description (AI generated, ręcznie zatwierdzone)
• Rozszerzenie content per kategoria (z 100 słów do 300+ słów z USP)
• Internal linking refactor (top kategorii → podrzędne)
• LCP fix (preload hero + WebP konwersja)

Efekt po 30 dniach: AI Readiness Score na kategoriach podrzędnych: 32 → 71. Średni LCP: 3.4s → 1.9s. Pozycje w SERP: +12 średnio per fraza.

Miesiąc 2: Produkty best-sellery (300 podstron)

• Schema Product (Brand, Offer, AggregateRating)
• Optymalizacja obrazów produktu (WebP, lazy loading offscreen)
• Add-to-cart button moved above fold (mobile)
• Rich snippets enabled w Search Console

Efekt: konwersja na top produktach: +18% (dane z GA). Średni LCP: 4.8s → 2.1s. CLS: 0.18 → 0.04.

Miesiąc 3: Reszta produktów (2547 podstron)

• Bulk update meta description (CSV export → AI generated → import do PIM)
• Bulk dodanie Schema Product (template)
• Fix broken links (47 → 0)
• Sitemap regeneration

Efekt: domena wide indeksacja: 87% → 96% (Search Console). Brak nowych technical regressions.

Wyniki po 90 dniach

| Metryka | Przed | Po (90 dni) | Zmiana | |---|---|---|---| | Ruch organic (sesje/msc) | 240k | 322k | +34% | | Konwersja kategorii | 1.8% | 2.6% | +44% | | Konwersja produktów top 10% | 3.1% | 3.7% | +19% | | AI Readiness (avg) | 51 | 78 | +27 pkt | | Średni LCP (mobile) | 3.4s | 1.9s | -44% | | Performance Score (avg) | 62 | 81 | +19 pkt | | Pozycje TOP 10 (top 100 fraz) | 31 | 58 | +87% |

Najbardziej znaczący efekt biznesowy: wzrost konwersji na kategoriach o 44%, co oznacza wzrost przychodu z kanału organic o ~28% przy tym samym budżecie marketingowym.

Co działało szczególnie dobrze

Klasyfikacja per typ podstrony. AI z 95%+ dokładnością klasyfikował podstrony bez ręcznej interwencji. Tomasz musiał poprawić tylko 12 z 3000 (głównie edge cases — strony „landing kampanijny vs strona produktowa specjalnej edycji”).

Estymowany impact per typ. Scoped Reports nie tylko pokazywały „co naprawić”, ale „co naprawić najpierw, bo daje największy efekt”. To było game-changer dla strategicznego planowania sprintów.

Dedykowane Action Cards per typ. Karty były grouped per typ — sprint na kategorie podrzędne miał 24 karty, każda z gotowym kodem. Developer mógł przeklikać przez cały sprint w Action Cards bez przeskakiwania kontekstu.

Eksport scoped PDF. Dla każdego typu Tomasz generował osobny PDF i przekazywał odpowiedniej osobie: kategorie do freelancera SEO, produkty do dewelopera UI, blog do content managera. Każdy widział tylko swoje, nie 60-stronicowy PDF z wszystkim.

Co wymagało adaptacji

Edukacja zespołu o nowej metryce. AI Readiness Score nie była znana — zespół musiał zrozumieć, czemu strona „dobrze zoptymalizowana SEO” może mieć słabe AI Readiness. Wewnętrzne 1h training rozwiązało.

Bulk operations dla 2500+ produktów. Niektóre poprawki (meta, schema) wymagały bulk update w PIM. SiteSpector eksportował zalecenia jako CSV, ale import do PIM był ręczny. Zespół zbudował własny script do automatyzacji (1 dzień pracy).

Decyzja o blogu. Blog miał słabszy stan (brak schema, długi LCP w niektórych artykułach), ale niski impact biznesowy. Decyzja: skip w tym kwartale, blog Q4 2026. Ważne, że Scoped Reports pozwoliły taką decyzję uzasadnić danymi.

Plan rozwoju

TechShop kontynuuje miesięczne audyty z harmonogramami:

• Auto-audyt 1. każdego miesiąca z alertem przy regresji LCP > 10%
• Q3 2026: full audit + AI Readiness re-baseline
• Q4 2026: blog optimization sprint
• 2027: rozszerzenie do AI Chat i Action Cards w workflow zespołu

Lekcja

Tomasz podsumowuje: „Wcześniej nasze audyty były jak 'zrób wszystko' — wiedzieliśmy, że jest 60% problemów, ale nie wiedzieliśmy, co jest 5% najważniejszych. Scoped Reports zmieniły to w 'zrób te 100 podstron, daje 80% efektu'. To jest różnica między chaotycznym wdrażaniem a strategicznym priorytetyzowaniem. Wzrost ruchu o 34% w 90 dni to nie magia — to kombinacja dobrego priorytetyzowania + szybkiej egzekucji.”