Công cụ AI trong SEO: bộ công cụ của tôi và những thử nghiệm đã định hình nó

Bộ công cụ AI của tôi trong SEO gồm các mô hình ngôn ngữ, dữ liệu trả phí về kết quả Google, chương trình quét website và các script riêng. Mô hình sắp xếp dữ liệu tốt, mô tả chúng và viết code. Tuy vậy kết quả từ một bản chụp kết quả hoặc từ một câu trả lời của mô hình có thể chỉ là ngẫu nhiên. Vì thế tôi trình bày các thử nghiệm đã thay đổi cách tôi dùng những công cụ này. Tôi không xếp hạng từ 1 đến 10, vì tôi chưa so sánh các công cụ này cạnh nhau trên cùng dữ liệu.

AI làm tốt và không làm tốt điều gì trong SEO?

Mô hình ngôn ngữ đọc, sắp xếp và viết tốt, nhưng tính nhẩm từ trí nhớ thì kém và không thấy những dữ liệu mà bạn không đưa cho nó. Ngày 26 và 27 tháng 9 năm 2026 tôi kiểm tra các mô hình ngôn ngữ trên 17 loại tác vụ SEO, mỗi loại ở mức dễ và mức khó. Một phần các loại tác vụ tôi xây dựng dựa trên 103 tin tuyển dụng chuyên viên SEO. Các tin tuyển dụng thường nhắc nhất audit kỹ thuật, báo cáo và phân tích dữ liệu. Trong số các công cụ, thường được nhắc nhất là Search Console, Google Analytics 4 (GA4), Ahrefs, Semrush và Screaming Frog.

Các mô hình mạnh nhất đạt gần 100% ở hầu như mọi loại tác vụ, nên chỉ các mô hình yếu hơn mới cho thấy sự khác biệt. Trong nhóm đầu có, trong số các mô hình khác, Claude Opus 5.5, Fable 5.1, Codex và Gemini 3.1 Pro. Ở tác vụ tính từ tệp mức khó, Claude Haiku 4.5 được 2 trên 10 điểm. Gemini 3.8 Flash với mức suy luận thấp được 1 trên 10, còn Gemma 4 12B chạy cục bộ được 0 trên 10. Ở các tác vụ mà mô hình có thể tính dữ liệu bằng script Python, mọi mô hình trên đám mây được thử đều đạt đủ điểm. Kể cả mô hình yếu nhất trong số đó cũng đạt đủ. Dữ liệu trong các tác vụ này là các tệp xuất từ Screaming Frog, 45.000 sự kiện GA4 và log máy chủ gồm 160.000 dòng. Vì vậy các con số trong công việc của tôi do script tính, script do mô hình viết và chạy.

Văn bản tiếng Ba Lan được hai mô hình chấm mù, và ở đây khác biệt rất lớn. Các mô hình chấm không biết mô hình nào đã viết văn bản. Thang điểm có 5 bậc, trong đó 5 nghĩa là văn bản sẵn sàng gửi khách hàng mà không cần sửa. Chỉ Claude Opus 5.5 và Claude Sonnet 5 đạt 5 ở tác vụ viết khó. Gemini 3.1 Pro được 2, vì bịa ra “cuộc trò chuyện hôm qua” với người nhận. Claude Opus làm giám khảo khắt khe hơn Gemini, cả với câu trả lời của Claude lẫn của các mô hình còn lại.

Cùng một mô hình có thể cho kết quả khác ở lần chạy sau của cùng bài thử. Claude Haiku 4.5 được 62 và 39 điểm trên 102 trong hai lượt chạy. Trong bài về audit SEO tôi mô tả vì sao mô hình AI không thể tự làm một audit đầy đủ cho website.

Bộ công cụ của tôi: dùng công cụ nào cho việc gì?

Tôi chia công cụ thành sáu nhóm theo mục đích sử dụng, chứ không theo nhà sản xuất. Cùng một mô hình có thể có mặt ở vài việc, vì tôi dùng nó để đọc dữ liệu theo cách này và để kiểm tra theo cách khác. Ở mỗi việc tôi nêu bài thử mà sau đó tôi đã thay đổi cách làm.

Tôi dùng những mô hình ngôn ngữ nào và để làm gì?

Công việc chính tôi làm trong Claude Code, tức Claude chạy trong terminal, có quyền truy cập vào tệp, script và dữ liệu. Claude viết và chạy script, đọc các tệp xuất và chuẩn bị bản nháp báo cáo. Codex (OpenAI) và Gemini (Google) nhận cùng tài liệu để kiểm tra lần hai.

Văn bản và báo cáo tôi kiểm tra bằng mô hình thứ hai của nhà sản xuất khác, trong hai vòng. Vòng đầu tìm lỗi dữ kiện và chỗ thiếu. Vòng hai chỉ kiểm tra các chỗ đã sửa, vì khi sửa lại sinh ra lỗi mới. Tháng 10 năm 2026, trong một dự án, vòng hai tìm thấy trong hướng dẫn một con số sai về tổng số link, dùng làm cơ sở tính tỷ lệ: 79 thay vì 76. Lỗi này chỉ xuất hiện khi sửa. Script kiểm tra của tôi không tìm ra nó.

Mô hình làm giám khảo chất lượng có thể đo khác với con người, nên tôi kiểm tra nó trên những văn bản mà tôi đã chấm trước. Ngày 7 tháng 10 năm 2026 tôi đưa cho hai mô hình chấm 87 mô tả bằng sáng chế của Google. Trong số đó có 8 mô tả mà trước đó tôi đã tự coi là đạt, còn các giám khảo không biết điều này. Fable, mô hình của Anthropic, coi 5 trong 8 mô tả đó là đạt. Codex với mức suy luận cao coi 1 trong 8 là đạt.

Hai kết quả này chỉ nói về những văn bản mà tôi tự coi là đạt. 79 mô tả còn lại tôi chưa chấm, nên không biết bao nhiêu lần loại bỏ là đúng. Codex loại tổng cộng 51 trên 87 mô tả, vì so từng câu của mô tả với các yêu cầu bảo hộ, tức phạm vi bảo hộ pháp lý của bằng sáng chế. Mức đồng thuận giữa các giám khảo gần với ngẫu nhiên. Kappa Cohen đạt 0,06, trong đó 0 nghĩa là đồng thuận ngẫu nhiên, còn 1 là đồng thuận hoàn toàn.

Các mô hình cục bộ trên máy tính có card đồ họa tôi dùng để gán nhãn hàng loạt, vì không phải trả tiền cho từng mục. Ngày 1 tháng 10 năm 2026 tôi thử các mô hình cục bộ trên bốn việc đơn giản. Dữ liệu là các trang của ba cửa hàng trực tuyến Ba Lan. Gemma 4 31B nhận ra loại trang đúng ở 98,5% trong 403 trang. Các loại trang là sản phẩm, danh sách sản phẩm, bài viết hoặc loại khác. Script dùng quy tắc đúng ở 84% số trang này.

Gemma đọc giá và đánh giá độ khớp của các con số gần như không sai, nhưng một phần mẫu chuẩn trong bài thử này đến từ mô hình, chứ không phải từ con người. Mẫu chuẩn cho loại trang là các nhãn do script tạo ra, sau đó được mô hình Claude Opus sửa lại. Gemma đọc đúng giá từ cả 177 trang sản phẩm. Mẫu chuẩn là giá từ dữ liệu có cấu trúc, khớp với văn bản của trang. Trong 134 trường hợp, Gemma đánh giá đúng ở 99,3% việc con số trong câu có khớp với dữ liệu hay không. Một nửa số câu này đã cố ý bị đổi con số. Gemma cũng nhận ra loại nhu cầu trong từ khóa (có trong danh mục, ngoài danh mục hoặc lời khuyên) ở 97,7% trong 218 từ khóa. Mẫu chuẩn ở đây là các nhãn của mô hình Claude Opus.

Cũng dòng mô hình đó đã thất bại khi so sánh các con số giữa hai tệp trong một báo giá thật. Ngày 12 tháng 10 năm 2026, hai phiên bản của Gemma 4, 26B và 31B, so sánh 63 dòng và chỉ báo các mâu thuẫn giả. Chẳng hạn, chúng cho rằng “-34%” và “một phần ba” là các giá trị mâu thuẫn. Vấn đề thật duy nhất trong văn bản đó không liên quan đến con số, mà là một từ phóng đại ở kết quả trong bảng. Nên nó không thuộc tác vụ của Gemma. Hiện nay script kiểm tra xem mỗi con số từ một tệp có xuất hiện trong tệp kia không. Đó là kiểm tra sự có mặt của các con số, còn ý nghĩa của chúng do con người hoặc mô hình thứ hai kiểm tra.

Tôi dùng công cụ nào cho dữ liệu về thứ hạng và nhu cầu tìm kiếm?

Dữ liệu về kết quả Google tôi lấy từ DataForSEO, Search Console và Ahrefs, và mỗi nguồn có một cạm bẫy riêng. DataForSEO bán bản chụp kết quả Google và dữ liệu về nhu cầu, tính phí theo từng truy vấn. Từ 17 tháng 9 đến 14 tháng 10 năm 2026 tôi đã chạy 17.076 tác vụ trên dịch vụ này với tổng chi phí 99,89 USD. Trong số đó có 13.085 bản chụp kết quả Google.

Một bản chụp kết quả không đủ để đo thứ hạng, vì các bản chụp liên tiếp của cùng một từ khóa trông khác nhau. Ngày 7 tháng 10 năm 2026 tôi lấy kết quả cho 94 từ khóa ba lần cách nhau một giờ và hai lần trong cùng một phút, với giá 1,57 USD. Sau đó tôi so sánh các tên miền trong top 10 ở hai bản chụp của cùng một từ khóa. Các tên miền chung chiếm ở mức trung vị khoảng 15% tất cả các tên miền khác nhau từ cả hai bản chụp. Ở các bản chụp trong cùng một phút là khoảng 8%. Một từ khóa có ở mức trung vị 4 biến thể kết quả. Vì vậy thay vì thứ hạng, tôi tính tỷ lệ bản chụp mà tên miền nằm trong top 10. Số bản chụp là khoảng 10 và tôi gửi chúng cùng lúc.

Phép đo này làm mất hiệu lực bài thử trước đó của tôi, trong đó tôi so sánh thứ hạng từ một bản chụp với lượt trích dẫn từ năm bản chụp. Kết quả “đạt” của bài thử hóa ra là sai, nên tôi dừng bài thử. AI Overview, tức câu trả lời của AI phía trên kết quả Google, trong phép đo này ổn định: nó xuất hiện ở 97-99% bản chụp, và danh sách các trang được trích dẫn không thay đổi.

Search Console cho thấy lượt nhấp do chính Google đo, nhưng bản xuất từ bảng điều khiển cắt bảng ở 1.000 dòng. Một nghìn truy vấn xếp theo lượt nhấp là phần nhiều lượt nhấp nhất của dữ liệu. Ngày 20 tháng 9 năm 2026, ở một website, bản xuất từ bảng điều khiển cho CTR 4,28% ở vị trí 1-3 tại Mỹ. CTR là tỷ lệ lượt hiển thị kết thúc bằng lượt nhấp. Dữ liệu 16 tháng, tải không giới hạn 1.000 dòng, tức 123.498 truy vấn, cho 1,40%. Dữ liệu như vậy tôi tải qua API Search Console, tức giao diện dành cho chương trình. Cách thứ hai là báo cáo trong Looker Studio, công cụ báo cáo miễn phí của Google, với trình kết nối Search Console.

Ahrefs tôi dùng cho link, từ khóa và đối thủ, nhưng ước tính traffic của nó tôi kiểm tra trong Search Console. Cột traffic trong Rank Tracker của Ahrefs là ước tính: nhu cầu ước tính nhân với tỷ lệ nhấp được giả định. Ở một website, ước tính đó cao hơn lượt nhấp trong Search Console 10-50 lần, còn ở website khác thấp hơn khoảng 3 lần. Rank Tracker còn tính các khối trên trang kết quả như thứ hạng. Trong một trường hợp, việc tụt từ vị trí 1 xuống vị trí 13 chỉ có nghĩa là phía trên kết quả đã xuất hiện AI Overview.

Tôi dùng công cụ nào cho audit kỹ thuật?

Cho audit tôi dùng Screaming Frog và trình duyệt Chrome không giao diện, còn mô hình AI đọc kết quả nhưng không thay thế việc quét website. Screaming Frog đi qua website như bot của công cụ tìm kiếm. Chrome chạy không giao diện cho thấy trang sau khi thực thi JavaScript, nên tôi so sánh hai phiên bản của trang. Trong một audit, các lượt quét có và không có JavaScript chạy song song đã cho tín hiệu sai về việc render. Từ đó tôi chạy chúng lần lượt.

Khi tường lửa của website được audit chặn chương trình quét của tôi, từng địa chỉ riêng tôi tải qua dịch vụ Apify Web Fetch. Trong bài thử ngày 12 tháng 10 năm 2026, dịch vụ đọc được 8 trên 8 trang mà tôi không thể tải từ địa chỉ IP của mình. Hai trong số đó thuộc website của khách hàng, còn sáu là các website công khai về đánh giá, trang so sánh và cửa hàng trực tuyến. Việc này tốn 0,00155 USD cho một địa chỉ. Tuy vậy dịch vụ đôi khi báo tải thành công với mã 200, dù chỉ tải được trang xác minh. Vì thế văn bản rất ngắn hoặc văn bản về xác minh tôi coi là bị chặn và tải lại.

Dịch vụ này không cho thấy bot thật của Google hay bot AI nhìn thấy gì. Nó kết nối từ một địa chỉ IP khác, và ngay cả khi tôi nêu tên bot, các header còn lại vẫn để lộ trình duyệt Chrome thông thường. Việc bot bị chặn tôi kiểm tra trong Search Console và bằng script riêng, so sánh phản hồi của máy chủ với các bot khác nhau. Trong bài về tệp llms.txt tôi mô tả cách tôi kiểm tra theo địa chỉ IP xem yêu cầu có do bot thật gửi không.

Trợ lý audit kỹ thuật tôi xây dựng trên các audit của agency tôi từ năm 2020-2026, và tôi đo nó trên các audit mà con người đã làm trước đó. Trợ lý là một agent AI thu thập dữ liệu về website và kiểm tra chúng theo danh mục quy tắc ghi lại từ các audit này. Phạm vi audit và thứ tự ưu tiên do chính tôi duyệt, lúc bắt đầu công việc và trước khi gửi audit. Kết quả đo tôi sẽ bổ sung ở đây sau lần đo thứ hai trên một website mới.

Tôi dùng công cụ nào cho nội dung và ngữ nghĩa?

Tôi gán từ khóa cho trang bằng tìm kiếm kết hợp, vì phiên bản trước của công cụ của tôi chỉ trúng ở một phần ba số từ khóa. Ngày 14 tháng 10 năm 2026 tôi lấy các từ khóa từ Search Console của hai website, không gồm từ khóa có tên thương hiệu. Với mỗi từ khóa, mẫu chuẩn là trang nhận ít nhất 60% lượt nhấp của từ khóa đó và nằm trong số các trang đã quét của website. Phiên bản trước của công cụ dùng mô hình MiniLM cho embedding, tức chuyển văn bản thành vector số. Nó chỉ ra trang chuẩn ở vị trí đầu tiên ở 34% số từ khóa.

Tìm kiếm kết hợp gộp ba danh sách trang và trúng trang chuẩn ở 80,5% và 77,1% số từ khóa. Danh sách thứ nhất đến từ mô hình e5-large. Danh sách thứ hai là tìm theo từ trong nội dung, còn danh sách thứ ba theo từ trong tiêu đề, thẻ H1 và địa chỉ. Tôi gộp các danh sách bằng phương pháp RRF, phương pháp ưu tiên các trang nằm cao ở nhiều danh sách cùng lúc. Mô hình embedding đơn lẻ tốt nhất khác nhau ở mỗi website, còn tìm kiếm kết hợp thắng ở cả hai.

Trong bài thử này tôi phát hiện một lỗi ở công cụ của chính mình: mô hình không thấy phần cuối của đa số đoạn văn bản. Script chia văn bản thành các đoạn 80 từ, còn mô hình nhận 128 token, tức các mẩu từ. Các từ tiếng Ba Lan tách thành nhiều token hơn từ tiếng Anh, nên 89-98% số đoạn bị cắt. Kết quả 34% vì vậy là của phiên bản trước của công cụ cùng với lỗi này, chứ không phải của riêng mô hình MiniLM. Bài thử đo mức khớp với lượt nhấp trên Google, chứ không đo trang nào trả lời truy vấn tốt nhất.

Thực thể, tức tên công ty, sản phẩm, người và khái niệm, tôi trích từ văn bản bằng mô hình cục bộ GLiNER2. Trong bài thử của tôi hồi tháng 7 năm 2026, mô hình đạt F1 0,94 trên văn bản tiếng Ba Lan, bằng với văn bản tiếng Anh. F1 kết hợp độ chính xác (precision) và độ bao phủ (recall), trong đó 1 là kết quả hoàn hảo. Kết quả này áp dụng cho các nhãn không chồng lên nhau. Khi trong một truy vấn có đồng thời nhãn “công ty” và “thương hiệu”, F1 giảm xuống 0,85. Mô hình chạy trên CPU thông thường, khoảng 20 đoạn mỗi giây, không tính phí theo trang.

Tôi không dùng GLiNER2 để nhận diện ý định của từ khóa, vì trong bài thử của tôi nó chỉ trúng ở 33-42% trường hợp. Nó thường sai với độ chắc chắn 0,99, tức gần mức cao nhất mà chính nó có thể đưa ra.

Bản đồ chủ đề của loạt bài này tôi làm từ các thực thể trên 71 trang của đối thủ từ Ba Lan và Mỹ. Script trích ra 110 thực thể và 1.764 bộ ba, tức các ghi chép dạng thực thể, thuộc tính và giá trị. Dữ liệu tốn 0,072 USD. Bản đồ cho thấy vai trò của các bài viết, các cặp văn bản nên nối bằng link và những chủ đề còn thiếu trên website này.

Tôi dùng công cụ nào cho link building?

Cho phân tích link tôi dùng Ahrefs, nhưng các link bị đánh dấu là mất tôi kiểm tra trực tiếp trước khi đưa vào kết luận. Tháng 10 năm 2026, trong một dự án, Ahrefs hiển thị 360 tên miền Ba Lan là đã mất link. 140 trong số đó vẫn trỏ link bằng cùng địa chỉ. Khoảng 70 địa chỉ trả lỗi 403 khi tải bằng chương trình thông thường, nên tôi kiểm tra chúng trong trình duyệt do script điều khiển (Playwright).

Tôi cùng điều hành Linko, một nền tảng link, nên tôi không mô tả nó ở đây như công cụ của công ty khác. Trong bài về link building tôi mô tả cách tôi đánh giá các trang trước khi mua bài đăng. Trong bài về link building trong kỷ nguyên AI tôi mô tả AI giúp chuẩn bị bài đăng và liên hệ với chủ trang ra sao.

Tôi dùng công cụ nào để đo khả năng hiển thị trong AI?

Các công cụ đo khả năng hiển thị của thương hiệu trong AI tôi đã mô tả trong một bài riêng, nên ở đây tôi chỉ nêu nguyên tắc. Lượt nhắc đến thương hiệu trong câu trả lời và lượt trích dẫn trang của nó tôi tính riêng. Mỗi câu hỏi tôi hỏi vài lần, vì câu trả lời của các trợ lý thay đổi. Trong bài về khả năng hiển thị thương hiệu trong AI tôi mô tả phép đo, số lần lặp và các cạm bẫy của công cụ. Trong bài về AI SEO tôi mô tả những gì tôi làm trên website để các trợ lý AI có thể trích dẫn nó.

Chúng tôi đã tự xây dựng những công cụ SEO nào?

Khi không công cụ nào trả lời được câu hỏi của tôi, tôi viết script riêng với sự hỗ trợ của AI. Phần lớn các script này phục vụ công việc nội bộ: quét, tải dữ liệu, thực thể, kiểm tra văn bản và con số. Trước khi bắt đầu dùng một script trong công việc, tôi kiểm tra nó trên dữ liệu có đáp án đúng.

Ở VerticalSEO chúng tôi chuẩn bị 16 công cụ SEO, sẽ có trên website và qua API, kể cả cho các agent AI. Các công cụ chưa được công bố. Các bài thử ngày 8 tháng 10 năm 2026 kiểm tra xem công cụ có hoạt động đúng đặc tả không. Kết quả: 610 trên 610 bài thử API và 325 trên 325 bài thử công cụ cho agent trong trình duyệt đều đạt. Các công cụ này hoạt động theo chuẩn WebMCP, chuẩn mở các chức năng của website cho agent AI. Các bài thử chưa đo xem công cụ có cho ra kết luận SEO chính xác không.

Bài thử công cụ kiểm tra thực thể cho thấy riêng tên thì không đủ để xác định thực thể. Tôi tìm nền tảng thương mại Ba Lan Allegro, nhưng công cụ chọn từ đồ thị tri thức của Google, tức cơ sở dữ liệu thực thể của nó, một tác phẩm của Vivaldi. Với họ tên của tôi, nó chọn một diễn viên. Hiện nay công cụ chỉ xác nhận thực thể khi Google gắn thực thể đó với đúng website đang được kiểm tra. Việc xác nhận còn có thể bằng mã định danh do Wikidata hoặc dữ liệu có cấu trúc của trang chỉ ra.

LemmeGSC, bảng điều khiển của tôi cho dữ liệu từ Search Console, tôi đang chuẩn bị phát hành dưới dạng mã nguồn mở. Bảng điều khiển tải dữ liệu từ Search Console không bị giới hạn 1.000 dòng. Nó hiển thị, trong số các thông tin khác, hiện tượng cannibalization từ khóa, tức nhiều trang của cùng một website xuất hiện trong kết quả cho cùng một từ khóa.

Những công cụ SEO miễn phí nào đủ để bắt đầu?

Để bắt đầu đủ dùng Search Console, Looker Studio, bản miễn phí của một trợ lý AI và bản miễn phí của Screaming Frog. Mỗi công cụ có một vai trò riêng:

• Search Console cho thấy lượt nhấp, lượt hiển thị và truy vấn từ Google;
• Looker Studio với trình kết nối Search Console tải các dữ liệu này không bị giới hạn 1.000 dòng;
• bản miễn phí của trợ lý AI nhóm từ khóa, viết bản nháp và script, nếu bạn đưa dữ liệu;
• bản miễn phí của Screaming Frog quét đến 500 địa chỉ, đủ cho một website nhỏ.

Các công cụ trả phí về từ khóa và link nên thêm vào chỉ khi bạn biết chúng cần trả lời cho bạn câu hỏi nào. Trợ lý AI miễn phí không biết dữ liệu Search Console của bạn. Nó có ích nhất khi nhận từ bạn một tệp xuất và yêu cầu viết script tính kết quả.

Tôi kiểm thử công cụ AI thế nào trước khi tin nó?

Tôi kiểm tra công cụ trên dữ liệu mà tôi biết đáp án đúng. Không phải bài thử nào trong bài này cũng có đủ các yếu tố trong danh sách bên dưới. Trong bài thử mô hình cục bộ, mẫu chuẩn cho loại trang do mô hình sửa, chứ không phải con người. Ngày nay bài thử có các yếu tố sau:

• bộ dữ liệu chuẩn từ quyết định của con người hoặc từ dữ liệu của Google, ví dụ trang có phần lớn lượt nhấp của một từ khóa;
• kết quả dự kiến được ghi lại trước khi chạy bài thử;
• lặp lại cùng lượt chạy, vì một lượt chạy của mô hình hay một bản chụp kết quả có thể là ngẫu nhiên;
• các trường hợp cố ý cài lỗi, để kiểm tra xem phép kiểm tra có phát hiện được không;
• chi phí và thời gian cho mỗi mục;
• các con số được script kiểm tra, chứ không phải mô hình.

Dữ liệu cho các bài thử tốn tôi ít, còn bộ dữ liệu chuẩn đòi hỏi nhiều công việc nhất. Bài thử bản chụp kết quả tốn 1,57 USD, còn dữ liệu cho bản đồ chủ đề của loạt bài là 0,072 USD. Bộ dữ liệu chuẩn cần con người chấm từ trước. Các chi phí nêu trên không gồm công việc đó.

Kết quả bài thử tôi ghi lại cùng với những gì bài thử không kiểm tra. Với việc gán từ khóa cho trang, tôi biết mức khớp với lượt nhấp trên Google, nhưng không biết trang được chọn có trả lời truy vấn tốt nhất không. Với các mô hình cục bộ, tôi kiểm tra bốn việc đơn giản, chứ không phải các tác vụ đầy đủ. Không có ghi chép như vậy, kết quả bài thử dễ bị hiểu rộng hơn thực tế.

Câu hỏi thường gặp về công cụ AI trong SEO

Nên bắt đầu từ đâu?

Hãy bắt đầu từ một tác vụ bạn làm mỗi tuần và từ dữ liệu bạn đã có trong Search Console. Đưa cho mô hình dữ liệu đầy đủ và nhờ viết script tính những gì hôm nay bạn đang tính thủ công. Hãy so sánh kết quả với mười mấy trường hợp bạn tự kiểm tra. Chỉ khi kết quả khớp thì hãy chạy script trên toàn bộ dữ liệu. Trong bài về chiến lược SEO tôi mô tả những dữ liệu nào từ Search Console tôi kiểm tra đầu tiên khi bắt đầu công việc.