Wskaźnik Widoczności Publikacji

Passage Visibility Index (PVI) nie jest metryką Google. To autorski wynik, który budują specjaliści SEO, aby oszacować, jak prawdopodobne jest, że dany fragment liczący 40–250 słów trafi na pozycję w odpowiedzi na zapytanie, nawet jeśli cała strona nie jest najmocniejszym wynikiem. Przydatne w praktyce. Łatwe do błędnego użycia.

Co tak naprawdę mierzy PVI

PVI to zwykle wynik w skali 0–1 lub 0–100 przypisywany akapitowi, liście albo krótkiej sekcji. Model próbuje przewidzieć, czy dany blok ma strukturę, trafność i kontekst, które pozwolą mu skorzystać z tego, jak Google rozumie treści na poziomie fragmentów. Google wprowadziło ranking fragmentów w 2020 roku, a John Mueller z Google wielokrotnie doprecyzowywał, że Google nie ma osobnego „indeksu fragmentów”, który można bezpośrednio optymalizować. Traktuj więc PVI jako wewnętrzną warstwę priorytetyzacji, a nie czynnik rankingowy.

Najlepszy scenariusz użycia to strony, które już zajmują pozycje 8–30 w Google Search Console. Te strony często mają wystarczający autorytet, by konkurować, ale mają słabe bloki z odpowiedzią. Doprecyzowanie jednego fragmentu może przenieść URL z zera kliknięć dla wariantów long-tail na istotny, dodatkowy ruch.

Jak robią to zespoły

Większość zespołów wyodrębnia poziom akapitu HTML za pomocą niestandardowego ekstrakatora Screaming Frog, Pythona lub BeautifulSoup, a następnie mapuje każdy blok do jego nadrzędnego H2 lub H3. Zwykle cechy obejmują długość fragmentu, nakładanie się terminów z zapytania, podobieństwo semantyczne do najlepiej pozycjonowanych snippetów, dopasowanie nagłówków, kontekst linków wewnętrznych oraz pokrycie encji w porównaniu ze stronami konkurencji z eksportów Ahrefs lub Semrush.

Do modelowania proste metody często wygrywają z „fancy” rozwiązaniami częściej, niż ludzie przyznają. Regresja logistyczna zwykle wystarcza, jeśli masz czysty, oznaczony zestaw danych z GSC wraz z migawkami SERP. XGBoost może pomóc na większych serwisach z 10 000+ fragmentów, ale tylko wtedy, gdy etykiety są wiarygodne. To słaby punkt. Etykiety na poziomie fragmentu są zaszumione, bo GSC raportuje na poziomie strona–zapytanie, a nie fragment–zapytanie.

Praktyczny benchmark: jeśli Twój model nie potrafi wyraźnie pokonać losowego zgadywania i utrzymać AUC powyżej ok. 0,75 w back-testach, najpewniej nie jest gotowy do produkcji.

Co optymalizować, gdy PVI jest niskie

• Kształt odpowiedzi: Umieść bezpośrednią odpowiedź w pierwszym zdaniu. Następnie poprzyj ją konkretnymi informacjami w 40–80 słowach.
• Dopasowanie nagłówków: Przeredaguj H2 i H3 tak, aby odzwierciedlały faktyczne ujęcie zapytania widoczne w GSC i Semrush.
• Sygnały kontekstowe: Dodaj w pobliżu encje, przykłady i linki wewnętrzne, aby fragment nie był semantycznie odizolowany.
• Formatowanie: Listy i krótkie bloki wyjaśniające często wypadają lepiej niż rozbudowane akapity w porównaniu i przy intencji typu how-to.

Narzędzia do scoringu treści w stylu Surfer SEO i Clearscope mogą pomóc w uzupełnianiu braków w zakresie encji, ale nie są to modele fragmentów. Inna robota.

Gdzie PVI przestaje działać

Uwaga jest prosta: Google ocenia strony, a nie oderwane akapity wiszące w próżni. Silny fragment na stronie o DR 18 z 12 domenami odsyłającymi nadal przegra z słabszym fragmentem na stronie o DR 70 z 5000 domen odsyłających dla konkurencyjnych zapytań. PVI jest najbardziej użyteczne w serwisach, które już mają bazowy autorytet i stabilną indeksację.

W dodatku robi się chaotycznie na stronach mocno opartych o JavaScript, w treściach szablonowych oraz na stronach z kiepską hierarchią nagłówków. Jeśli Screaming Frog nie potrafi wyodrębnić czystych sekcji, Twój wynik będzie bezwartościowy. Zacznij od tego. Nie od teatralnych pokazów z uczeniem maszynowym.