پروتکل MCP چیست و چگونه تحلیل داده‌های سئو را متحول می‌کند؟

پروتکل زمینه مدل (MCP) کار با داده‌هایی که از قبل در ابزارهای سئو و بازاریابی شما وجود دارند را بسیار آسان‌تر می‌کند. به جای جستجو در گزارش‌های مختلف، خروجی گرفتن از داده‌ها و سرهم کردن فایل‌های اکسل، می‌توانید از یک دستیار هوش مصنوعی سوالاتی بپرسید که پاسخ دادن به آن‌ها در حالت عادی ساعت‌ها زمان می‌برد.

این ویژگی، یک سرور MCP را برای تحلیل‌هایی که نیازمند یافتن الگو در میان صفحات، کلمات کلیدی، ترافیک، رتبه‌ها و سایر نقاط داده‌ای هستند، بسیار مفید می‌سازد. در ادامه، روش‌هایی که من برای بهره‌برداری بیشتر از ابزارهایی مانند اهرفس (Ahrefs)، گوگل آنالیتیکس (Google Analytics) و گوگل سرچ کنسول (Google Search Console) با استفاده از سرورهای MCP به کار برده‌ام را توضیح می‌دهم.

چند ماه پیش، تصمیم گرفتم دلیل رشد سریع یکی از رقبای مشتریم را پیدا کنم. اهرفس صفحات و کلمات کلیدی موفق آن‌ها را به من نشان می‌داد، اما روند اصلی یا نحوه ارتباط این قطعات پازل با یکدیگر مشخص نبود. آیا آن صفحات به طور پیوسته در چند ماه رشد کرده بودند یا ناگهانی جهش داشتند؟ آیا این رشد به نوع خاصی از صفحه یا یک زیرشاخه (subdirectory) مربوط بود، یا کل سایت از یک آپدیت الگوریتم بهره‌مند شده بود؟

من دستیار هوش مصنوعی کلود (Claude) را به سرور MCP اهرفس متصل کردم و از آن خواستم داده‌ها را بررسی کند. چند دقیقه بعد، گزارشی کامل از صفحاتی که در شش ماه گذشته جدید بودند، ترافیک تخمینی آن‌ها، کلمات کلیدی محرک این ترافیک و نحوه رشد ماهانه صفحات کلیدی را در اختیار داشتم.

این‌ها نتایجی بود که درباره این رقیب به دست آوردم:

آن‌ها بخش جدیدی در سایت خود با صفحات خدمات بسیار متمرکز ایجاد کرده بودند. محتوای بین‌المللی که در سه سال گذشته روی آن کار کرده بودند، شروع به رشد کرده بود. آن‌ها ریدایرکت دامنه بیش از ۱۰ شرکتی را که سال‌ها پیش خریده بودند، فعال کرده بودند.

اهرفس این داده‌ها را پنهان نمی‌کند، اما در گزارش‌ها و فیلترهای مختلف پراکنده است. به طور معمول، شما باید ده‌ها گزارش را خروجی بگیرید و داده‌ها را با جداول محوری (pivot tables) ترکیب کنید. این فرآیند برای مقایسه‌های ماهانه، هفتگی یا روزانه بسیار کند و خسته‌کننده است.

MCP به شما امکان می‌دهد داده‌هایی را که از قبل در ابزارهای پولی شما وجود دارند، اما دسترسی به آن‌ها از طریق رابط کاربری معمولی دشوار است، استخراج و بازآرایی کنید. این برای توسعه‌دهندگانی که با API کار می‌کنند چیز جدیدی نیست، اما برای بقیه، دنیای جدیدی از تحلیل داده را باز می‌کند.

MCP یک استاندارد باز است که به دستیارهای هوش مصنوعی اجازه می‌دهد به ابزارها و منابع داده خارجی متصل شوند. شرکت انتروپیک (Anthropic) آن را در نوامبر ۲۰۲۴ به صورت متن‌باز منتشر کرد و از آن زمان پشتیبانی از آن در پلتفرم‌های اصلی هوش مصنوعی گسترش یافته است. یک سرور MCP، دستیار هوش مصنوعی را به یک ابزار یا سرویس خاص متصل می‌کند و به شما امکان می‌دهد با زبان ساده از داده‌های آن پرس‌وجو کنید. برای مثال، سمراش (Semrush) چندین سرور MCP ارائه می‌دهد.

بسیاری از پلتفرم‌ها و ابزارهای هوش مصنوعی دیگر مانند N8N و Copilot Studio نیز از MCP پشتیبانی می‌کنند.

اینجاست که MCP می‌تواند جایگاه خود را در گردش کار شما پیدا کند. کارهای روزمره – مانند اینکه یک صفحه برای چه کلماتی رتبه دارد یا چند بک‌لینک دارد – به راحتی در هر ابزاری قابل بررسی است. سوالات دشوار آن‌هایی هستند که پاسخشان در داده‌ها پنهان شده و شما باید برای یافتن آن جستجو کنید.

در اینجا چند نمونه از پرامپت‌هایی که من استفاده کرده‌ام آورده شده است:

«با استفاده از سرور MCP اهرفس، به من کمک کن بفهمم چرا این سایت، به خصوص در ۱۲ ماه گذشته، عملکرد خوبی داشته است. آیا به صفحات یا کلمات کلیدی خاصی مربوط می‌شود؟»

«با استفاده از داده‌های اهرفس، می‌توانی بگویی کدام صفحات در شش ماه گذشته جدید بوده‌اند و ترافیک تخمینی آن‌ها چقدر است؟»

«پروفایل بک‌لینک و روندهای رشد این پنج سایت را مقایسه کن و به من بگو کدام یک سریع‌تر از بقیه در حال جذب دامنه‌های ارجاع‌دهنده است و چگونه.»

«در میان این ۲۰ کلمه کلیدی در حوزه کاری من، کدام سایت‌ها بیشتر و در بهترین موقعیت‌ها رتبه دارند؟»

این‌ها سوالاتی هستند که اغلب در کارهای تحلیلی مانند تحقیق رقبا و بررسی‌های پس از آپدیت الگوریتم مطرح می‌شوند. شما می‌توانید این کار را به صورت دستی انجام دهید، اما ساعت‌ها کار طاقت‌فرسا برای کنار هم قرار دادن همه چیز لازم است.

بسیاری از پلتفرم‌های بازاریابی اکنون سرورهای MCP را ارائه می‌دهند، از جمله Semrush، DataForSEO، Serpstat، Buffer و VidIQ. آنچه می‌توانید استخراج کنید به این بستگی دارد که هر ابزار چه چیزی را از طریق API خود در دسترس قرار می‌دهد، اما پس از اتصال، تنها کاری که باید انجام دهید پرسیدن سوال است.

گوگل آنالیتیکس یکی از مفیدترین سرورهای MCP است که من استفاده کرده‌ام. GA4 قدرتمند است اما کار با آن دشوار است. در بسیاری از موارد، می‌دانید که پاسخ در آنجا وجود دارد، اما نمی‌خواهید برای یافتن آن یک گزارش Exploration دیگر بسازید.

سرور MCP گوگل آنالیتیکس به GA4 Data API متصل می‌شود، بنابراین می‌توانید به سادگی سوال بپرسید. چند مثال:

تشخیص افت ترافیک: «ترافیک ارگانیک هفته گذشته حدود ۲۰٪ کاهش یافت. کدام صفحات بیشترین افت را داشته‌اند و آیا این افت در یک کشور یا نوع دستگاه خاص متمرکز است؟»

یافتن عدم تطابق: «کدام صفحات زمان تعامل (engagement time) بالا اما نرخ تبدیل پایینی دارند؟»

«می‌توانی ترافیک ۳۰ دقیقه گذشته را به تفکیک دقیقه به من بدهی؟»

اگر چندین اکانت را مدیریت می‌کنید، می‌توانید پرس‌وجوها را به طور همزمان روی چندین پراپرتی اجرا کنید. این قابلیت‌ها برای متخصصان سئوی ایرانی که با وب‌سایت‌های فارسی‌زبان و بازار گوگل‌محور ایران سروکار دارند، ارزش فوق‌العاده‌ای دارد، زیرا امکان تحلیل عمیق داده‌های ابزارهای در دسترسی مانند سرچ کنسول و آنالیتیکس را بدون نیاز به مهارت‌های برنامه‌نویسی فراهم می‌کند.

یکی از کاربردهای اصلی من برای این سرور MCP، تحلیل ترافیک پس از آپدیت‌های الگوریتم و تلاش برای درک تأثیر آن است، مانند اینکه کدام صفحات افت یا بهبود داشته‌اند. همچنین از آن برای بررسی ترافیک کل سایت یک مشتری برای یافتن فرصت‌های به‌روزرسانی محتوا و شناسایی ناهنجاری‌های واقعی که از نوسانات عادی متمایز هستند، استفاده کرده‌ام.

بزرگترین نقطه ضعف MCP آنالیتیکس این است که راه‌اندازی آن نسبتاً پیچیده است: به یک پروژه Google Cloud و یک OAuth client نیاز دارد.

گوگل یک سرور MCP رسمی برای GA4 دارد، اما برای سرچ کنسول ندارد. چندین سرور MCP ساخته‌شده توسط جامعه برای GSC در گیت‌هاب (GitHub) موجود است. من از نسخه‌ای متن‌باز استفاده می‌کنم که به شما امکان می‌دهد سرور MCP را به صورت محلی روی کامپیوتر خود اجرا کنید. پس از اتصال، این ابزار به سوالاتی پاسخ می‌دهد که رابط کاربری سرچ کنسول پاسخ به آن‌ها را دشوار می‌کند.

مانند سایر سرورهای MCP که درباره آن‌ها صحبت کردم، داده‌ها در دسترس هستند، اما MCP به شما امکان می‌دهد آن را به راحتی و به روشی که داشبورد GSC نمی‌تواند، استخراج کنید.

اگر به بهینه‌سازی برای موتورهای جستجوی هوش مصنوعی (GEO) اهمیت می‌دهید، MCP می‌تواند دیده‌شدن شما در جستجوی هوش مصنوعی را نیز نظارت کند. هم اهرفس و هم سمراش معیارهای هوش مصنوعی را ارائه می‌دهند که از طریق سرورهای MCP آن‌ها قابل دسترسی است.

برای مثال، ابزار Brand Radar اهرفس (که متاسفانه یک افزونه پولی گران‌قیمت است) نحوه نمایش برندها در پاسخ‌های هوش مصنوعی در پلتفرم‌های اصلی مانند AI Overviews گوگل، ChatGPT، Perplexity، Gemini و Copilot را ردیابی می‌کند.

با اتصال چندین منبع می‌توانید تحلیل را سرعت ببخشید. از آنجا که هوش مصنوعی زمینه را در بین ابزارها حفظ می‌کند، می‌توانید سوالی بپرسید که به طور معمول به سه بار ورود به سیستم و یک صفحه اکسل برای تطبیق نیاز دارد. برای مثال: کدام پست‌های وبلاگ ماه گذشته ترافیک از دست دادند، برای چه کلمات کلیدی رتبه دارند و کدام یک برای به‌روزرسانی در اولویت هستند؟ یک منبع ترافیک را دارد، دیگری رتبه‌ها را، و دستیار هوش مصنوعی هر دو را در یک پاسخ واحد جمع‌آوری می‌کند.

قبل از استفاده از MCP به چند محدودیت توجه کنید:

این سرورها از API ابزار شما استفاده می‌کنند، بنابراین درخواست‌های بزرگ از اعتبار API و محدودیت‌های پلن شما می‌کاهند. هوش مصنوعی فقط چیزی را می‌بیند که API در دسترس قرار می‌دهد. همیشه خروجی را بررسی کنید؛ داده‌ها صحیح هستند، اما هوش مصنوعی ممکن است آن‌ها را اشتباه تفسیر کند. هنگام ارسال پرامپت، مشخص کنید که از MCP استفاده کند. درخواست‌های بزرگ ممکن است زمان‌بر باشند.

برای شروع، یک ابزار که از قبل برای آن هزینه می‌کنید و یک سوال که پاسخ به آن در داشبوردش آزاردهنده است را انتخاب کنید. سرور MCP را به دستیار هوش مصنوعی مورد نظر خود متصل کنید، سوال را بپرسید و پاسخ را با انجام دستی آن مقایسه کنید. این اولین پرس‌وجو احتمالاً چشمان شما را به روی امکانات جدید باز خواهد کرد.