SEO GAP analýza porovnává vlastní web s relevantními konkurenty a hledá rozdíly, které stojí za další prověření. Jejím smyslem není vyhrát v tabulce nástrojových metrik. Má pomoci rozhodnout, které obsahové, odkazové a technické aktivity mají pro firmu prioritu a jaké podklady potřebujete k obhájení rozpočtu.
Na základě této otázky jsem navrhl metodiku pro identifikaci silných a slabých stránek webů a rozdělování rozpočtu na SEO aktivity. Následující text zachovává její původní postup i čtrnáct historických vizuálů. Rozlišuje ale srovnání, odhad potenciálu, rozhodnutí o investici a prokázaný obchodní přínos. Tyto čtyři věci nejsou zaměnitelné.
Jaké rozhodnutí má analýza podpořit
Než začnete sbírat data, vymezte trh, nabídku a rozhodnutí managementu. Máte určit prioritní segment webu, porovnat nové země, nebo prověřit, proč firma zaostává u důležitých dotazů? Od toho se odvíjí výběr konkurentů i metrik. První pozice na libovolný výraz není společným obchodním cílem všech firem.
Výstup má spojit konkrétní mezeru s doporučenou aktivitou, její náročností, závislostmi a způsobem ověření. Bez této návaznosti zůstane i pěkný radarový graf jen přehledem rozdílů. Vyšší skóre konkurenta ještě neříká, že má firma kopírovat jeho postup nebo že stejná investice přinese stejný výsledek.
Analýza konkurence a mapa konkurenčních skupin
Obchodní konkurence a konkurence ve vyhledávání se nemusí překrývat. Firma může prodávat stejnou službu, ale cílit na jiný trh. Ve výsledcích zase mohou soupeřit i katalogy, média nebo informační portály. Zapište proto, koho porovnáváte, proč a pro jaké skupiny dotazů.
Původní metodika začíná mapou konkurenčních skupin. První vizuál srovnává normalizovaný počet klientů a podíl tržeb v segmentu. Není to graf ziskovosti: tržby nejsou zisk a počet klientů nemusí vypovídat o hodnotě jednotlivé zakázky. Pro nové použití potřebujete stejnou definici segmentu a období u všech subjektů.

Osa X: Počet klientů [norm.] v procentech; osa Y: Podíl tržeb v segmentu v procentech. Zobrazen klient a pět konkurentů. Období, zdroj, definice segmentu a normalizační základna nejsou uvedeny.
Druhý vizuál staví proti sobě predikovanou organickou návštěvnost a normalizovaný počet klientů. Ukazuje, že dvě firmy s podobným odhadem návštěvnosti mohou mít jiný počet klientů. Sám neříká, kolik klientů získaly z organického vyhledávání; k tomu by bylo třeba propojení se skutečnými obchodními daty.

Osa X: Predikovaná organická návštěvnost [norm.]; osa Y: Počet klientů [norm.]. Obě stupnice jsou procentní. Graf neprokazuje původ klientů z organického kanálu. Chybí období, predikční metoda a surové hodnoty.
Třetí mapa porovnává normalizovaný počet odkazujících domén a brandovou hledanost. To je přesnější popis než tvrzení, že graf zachycuje korelaci hledanosti a brandové návštěvnosti. Odkazy, poptávka po značce a návštěvy jsou odlišné ukazatele, které se mají samostatně definovat.

Osy ukazují odkazující domény a brandovou hledanost, nikoli brandovou návštěvnost. Stupnice jsou procentní normalizace bez uvedené základny, data a zdroje.
V mapách nejsou úplné zdroje, období ani pravidla normalizace. Ponechávám je jako historické vysvětlení metody, ne jako aktuální benchmark trhu. Identita subjektů se z označení Klient a Konkurent nedá určit a nelze ji doplnit odhadem.
Co v GAP analýze skutečně porovnáváme
Framework vychází z benchmarkingu a rozdílové analýzy. Rozděluje podklady do tří oblastí: Content, Brand a Technical. V odkazových podkladech se objevuje také označení Links. V této metodice zahrnuje oblast Brand jak brandovou poptávku, tak odkazové metriky; neznamená to, že jsou odkazy a značka totéž.
U obsahu porovnávejte pokrytí potřeb a kvalitu relevantních vstupních stránek, ne jen objem textu. Původní Content GAP obsahuje odhad návštěvnosti, počet indexovaných stránek, návštěvnost na stránku a blogové ukazatele. Ty mohou ukázat rozdíl k prozkoumání. Více stránek nebo klíčových slov ale automaticky neznamená užitečnější obsah.

Sedm os: odhadovaná návštěvnost, indexované stránky, návštěvnost na stránku, návštěvnost blogu, stránky blogu, návštěvnost na stránku blogu, počet KW. Škála 0–1; legenda subjektů, jednotky původních hodnot a pravidla převodu chybí.
Brand GAP kombinuje brandovou hledanost, odkazy, odkazující domény a nástrojová skóre DR, TF a CF. Tyto hodnoty popisují různé vlastnosti a závisejí na datech jejich poskytovatelů. Jejich součet není oficiální skóre Googlu ani úplné měření síly značky.

Škála 0–1. Modrá řada má vysoké hodnoty ve většině objemových metrik, zelená v meziročním nárůstu. Nejde o původní procenta růstu ani skóre Googlu. Chybí legenda, období a zdrojové hodnoty.
Technická oblast má pomoci odhalit překážky a příležitosti v načítání, odezvě a dalším fungování webu. Původní graf obsahuje souhrnná označení CWV Mobile a Desktop, PageSpeed, TBT, FCP a Onload. Pro novou analýzu je potřeba rozdělit konkrétní metriky a uvést jejich jednotky, zdroj a podmínky měření.

Sedm os na škále 0–1. U časů nelze bez metody převodu označit vnější bod za lepší výkon. Chybí přesné jednotky, definice souhrnného CWV, legenda a období.
Současné Core Web Vitals jsou LCP, INP a CLS. Laboratorní TBT do této trojice nepatří a nenahrazuje měření zkušenosti skutečných uživatelů. Se zapojením vývojářů ověřte, které problémy skutečně existují a jaké jsou závislosti opravy. Nástrojová známka není sama o sobě implementační zadání.
Datový slovník a normalizace
Pro každý parametr evidujte význam, jednotku, URL nebo rozsah domény, období, zemi, zařízení, zdroj a způsob získání. Oddělte vlastní analytická data od odhadu konkurence. Prázdná buňka znamená chybějící údaj, nikoli automaticky nulový výkon.
Při převodu na společnou škálu předem určete, zda vyšší hodnota znamená lepší výsledek, jak zacházíte s extrémy a jaké používáte váhy. Časové metriky mají jiný žádoucí směr než počet relevantních odkazujících domén. Pouhé násobení hodnoty minus jednou také není totéž co zdokumentovaný převod na interval od nuly do jedné.
Souhrnný graf obsahuje Web a dva konkurenty v oblastech Content, Brand a Technical. Pomáhá managementu zorientovat se, ale musí být dohledatelné, z čeho skóre vzniklo. Jinak nelze vysvětlit, zda rozdíl způsobila důležitá technická překážka, nebo jen zvolená váha snadno dostupné metriky.

Legenda přiřazuje modrou Webu, červenou Konkurentu 1 a zelenou Konkurentu 2. Přesná podkladová tabulka, váhy a definice skóre nejsou dostupné; graf neudává obchodní účinek rozdílů.
U původních radarů chybějí úplná pravidla škálování a některé legendy. Nelze z nich proto zpětně vytvořit přesnou zdrojovou tabulku. Nová analýza má obsahovat obojí: čitelnou vizualizaci a dostupné vstupní hodnoty s definicemi. Nejistota skóre se nesmí ztratit jen tím, že vypadá graf přesně.
Identifikace klíčových segmentů
Dalším krokem je vybrat části nabídky a vstupní stránky, které mají pro firmu obchodní význam. Nemusí to být segment s nejvyšší hledaností. Zohledněte poptávku, marži či příspěvek zakázky, kapacitu, konkurenci a to, zda firma umí danou potřebu dobře obsloužit.
Původní vizuál rozděluje návrhy do tří segmentů a uvádí počty návrhů, celkovou hledanost a průměrné CPC. Název „nejziskovější segment“ je označení v historickém obrázku, nikoli závěr doložený zde přiloženými finančními daty. Samotné CPC ani hledanost neprokazují ziskovost.

Přesně opsané hodnoty z karet: segment 1: 79 / 3 900 / 6,56 Kč; segment 2: 146 / 6 710 / 10,63 Kč; segment 3: 187 / 4 570 / 3,52 Kč. Definice návrhu, časová jednotka hledanosti, země a zdroj chybějí. Označení nejziskovější není finanční důkaz.
Pro novou práci potřebujete vědět, co je jeden návrh, zda se dotazy překrývají a z jakého období a trhu hledanost pochází. Informační témata mohou podporovat výběr služby, ale nemají se bez důkazu přepočítat stejným konverzním poměrem jako transakční dotazy. Napojení tématu na konkrétní nabídku rozpracuje analýza klíčových slov.
Od návštěvnosti k potenciálu, nikoli rovnou k rozpočtu
Ve starším postupu jsem vycházel z tehdejší návštěvnosti na třetí pozici a použil externí CTR křivku pro odhad jiné pozice. Následující historický screenshot má vybranou kategorii Food & Drink a uvádí 21,48 % u první a 5,58 % u třetí pozice. Nejde o univerzální míru prokliku ani o současnou předpověď.

Osa X zobrazuje pozice 1–20, osa Y hodnoty 0–25 bez samostatné jednotky; procenta jsou přímo v anotacích. Vybraná kategorie Food & Drink. Nejde o dnešní forecast; měsíc, zařízení a trh z výřezu ověřit nelze. Ostatní sloupce nemají přesné datové štítky.
Aktuální stránka Advanced Web Ranking rozlišuje například zařízení, záměr a výsledky s AI Overviews. Při novém odhadu zapište použitý výběr a měsíc. Historický obrázek nepřeznačujte aktuálním rokem a jeho hodnoty nepřenášejte na jiný obor bez ověření.
Následující panel obsahuje hodnoty 861 jako aktuální návštěvnost, 3 260 jako návštěvnost při první pozici a 2 390 jako potenciál. Je v něm aritmetický nesoulad: rozdíl zobrazených čísel je 2 399, nikoli 2 390. Bez podkladového výpočtu nelze rozhodnout, která vstupní hodnota nebo výsledek byly zamýšleny. Původní obrázek proto zůstává nezměněný a nemá sloužit jako ověřená kalkulace.

Přesný přepis z panelu: Aktuálně návštěvnost 861; Návštěvnost 1. pozice 3 260; Potenciál 2390. Chybějí jednotky a období. Rozdíl zobrazených vstupů je 2 399, nikoli uvedených 2 390; obrázek se bez původních vstupů neopravuje.
Původní výklad navazoval odhadem reklamní hodnoty okolo 18 000 Kč, ročního ziskového potenciálu přibližně 870 000 Kč a úvahou o rozpočtu až 1 milion Kč při návratnosti do roku. Tato návaznost není bez konverzního modelu, marže, nákladů a časového průběhu doložená. Čísla zde označují historickou část metodiky, ne dosažené tržby, zisk ani použitelný investiční limit.
Reklamní hodnota není výnos firmy a ani stejná návštěvnost z PPC nemusí mít stejnou kvalitu. Pro rozhodnutí potřebujete přírůstkový příspěvek po variabilních nákladech, celou SEO investici a společný časový horizont. Podrobný postup odděluje SEO forecast a výpočet ROI. Návratnost do roku není prokázána samotným ročním potenciálem.
Sběr dat a reprodukovatelnost
Pro jednorázový průzkum může stačit tabulka, crawler a dostupná vlastní i externí data. Zaznamenejte přesné exporty, konfiguraci a datum sběru. Když porovnáváte konkrétní vstupní stránky, nemíchejte bez vysvětlení jejich parametry s hodnotami celé domény nebo homepage.
Historická tabulka ukazuje klienta a dva konkurenty, jejich pozice a seznam parametrů. Většina buněk je prázdná a hledanost 3 900 je uvedena v jediném sloupci. Není to kompletní dataset. Zahrnuje i starší FID a laboratorně označené INP; pro nové měření je potřeba samostatně definovat současné field a lab metriky.

Sloupce: Hodnotící faktor, Klient, Konkurent 1, Konkurent 2. Neúplná tabulka není dataset. Obsahuje historické FID [field], Total blocking time [lab] a Interaction to Next Paint [lab]. Při nové analýze oddělit současné field/lab metriky a definovat hledanost mimo jediného konkurenta.
Při dlouhodobé spolupráci lze sběr automatizovat, například pomocí dostupných API a databáze. Tabulka může stačit menšímu rozsahu, BigQuery či reportovací nástroj většímu. Automatizace ale nevyřeší nejasnou definici metrik a potřebuje kontrolu chyb, dostupnosti dat a změn metodiky poskytovatelů. Zde nejde o popis nově spuštěného monitoringu.
Korelace je vodítko k hypotéze
„Korelace však neimplikuje příčinnou souvislost.“ Tato výhrada z původního článku je důležitá i pro závěrečné rozhodnutí. Korelační analýza popisuje souvislost proměnných v daném vzorku. Sama nevyhodnotí přírůstkový přínos opravy a nerozliší vliv obsahu, značky, konkurence nebo dalších souběžných rozdílů.
Původní vizuál Semrush Ranking Factors ’24 obsahuje graf laboratorního Total Blocking Time a pozic a uvádí korelaci 0,08. Současná veřejná stránka studie popisuje analýzu 300 tisíc výsledků, ale neobsahuje celý report s vysvětlením všech čísel tohoto výřezu. Z obrázku ani z landing page proto neplyne doporučení „do TBT neinvestovat“.

Viditelný panel uvádí průměr top 10 4,71 s, medián 2,43 s a Factor Strength 17,4 % / 25,3 %. Stupnice grafu je hůře čitelná; nelze bezpečně přepsat každý bod. Přesná metodika výřezu nebyla z veřejné landing page získána. Žádný zákaz investovat do TBT z něj neplyne.
Vlastní tabulka a funkce CORREL mohou pomoci prověřit hypotézu na dostupných datech. Musíte ale znát párování hodnot, transformace a velikost vzorku. Číselně nižší pozice znamená lepší pořadí, zatímco u převedeného výkonového skóre může být žádoucí směr opačný. Bez popisu převodu se snadno obrátí i slovní interpretace znaménka.
Historický tabulkový a programový výstup níže pracují jen s několika zobrazenými body a uvádějí zápornou korelaci kolem −0,68. To není robustní důkaz účinku TBT. Ani rozšíření na deset výsledků samo o sobě nezaručí reprezentativnost nebo nezávislost pozorování. Spojnice tří bodů také není regresní přímka.

Viditelné jsou klient a dva konkurenti, technické metriky a škála kolem 0–1. Úplné vstupy, převody, jednotky a párování nejsou dodány. Hodnota je opis obrázku, ne nově reprodukovaný koeficient; tři body nepodporují robustní kauzální závěr.
Python nebo R usnadní opakování výpočtu a vizualizaci, pokud uchováte vstupní data, skript a verze. AI může pomoci připravit kód, ale nenahradí kontrolu správných sloupců, jednotek a statistické interpretace. Bez původního CSV zde nelze nezávisle zopakovat tehdejší korelaci.

Graf ukazuje pozice přibližně 1–3 a svislou škálu 0–1. Spojnice není regresní přímka. Výstup nebyl bez původního CSV přepočten; čitelné číslo není důkaz vlivu TBT na pozice.
Jak převést zjištění do priorit a ověřit přínos
Vyšší korelace není sama důvodem k investici. U navržené změny ověřte skutečný problém, pravděpodobný mechanismus přínosu, rozsah dotčených stránek, náklady a rizika. Technickou překážku dokončení úkolu může mít smysl řešit i bez korelace s pozicí. Naopak korelace nemusí znamenat, že danou vlastnost vůbec umíte bezpečně změnit.
Původní článek uváděl rozhodnutí alokovat rozpočet do TBT. Bez navazujících podkladů je to doklad tehdejšího autorského popisu rozhodnutí, nikoli důkaz realizované opravy nebo jejího obchodního účinku. Tuto hranici nelze přeskočit tvrzením, že vlastní analýza „ukázala opak“ obecné studie.
Implementační backlog má u každé priority obsahovat problém a zdroj, doporučenou změnu, vlastníka, odhad práce, závislosti, výchozí stav a měřítko úspěchu. Oddělte jisté opravy chyb od experimentálních hypotéz. Předem stanovte také termín kontroly a podmínky, při kterých doporučení změníte.
Po nasazení kontrolujte nejprve samotné provedení a funkčnost, pak technické a uživatelské metriky a nakonec dostupný obchodní výsledek. Při porovnání období zohledněte sezónnost, kampaně a změny nabídky. Pokud nemáte vhodný experiment nebo srovnávací skupinu, označte kauzální závěr jako omezený.
Smyslem metodiky zůstává datově podložená prioritizace, ne slepé přebírání cizího pořadí faktorů. Pokud potřebujete srovnání přetavit do konkrétního rozhodnutí o dalším postupu, navazuje analýza konkurence. Kvalitní výstup ukáže i to, co zatím nevíme a které rozhodnutí musí počkat na lepší podklady.
Historická bibliografie původního článku
Následující seznam zachovává původní bibliografii a tehdejší data přístupu. Není seznamem nově ověřených vydání ani potvrzením každého původního tvrzení. Aktuálně čtené zdroje jsou odkázány v příslušných částech výkladu.
- Advance Web Ranking. (2024). Google Organic SERP CTR Curve. Dostupné 1.08.2024 z https://www.advancedwebranking.com/free-seo-tools/google-organic-ctr
- Alazab, A., Becinakoppa, S., & Khraisat, A. (2018). Maximising Competitive Advantage on E-Business Websites: A Data Mining Approach.
- Al-Mayahi, I. (2012) ISO 27001 Gap Analysis-Case Study. Dostupné 1.08.2024 z https://www.semanticscholar.org/paper/ISO-27001-Gap-Analysis-CaseStudy-Al-Mayahi/ee69cc104cba13fccc0d0bc02f5232f73052cb04
- CZ.NIC. (2024). Domain Report 2023. Dotupné 1.08.2024 z https://stats.nic.cz/domain-report/2023/index_cz.html
- Fleisher, C. S., & Bensoussan, B. E. (2015). Business and competitive analysis: effective application of new and classic methods. (2. vyd.). Pearson Education.
- Grasseová, M. (2010). Analýza po dniku v rukou manažera. (2. vyd.) BizBooks.
- Grant M. R. (2019). Contemporary Strategy Analysis (10. vyd.). John Wiley & Sons.
- Hendl, J. (2009). Přehled statistických metod: Analýza a metaanalýza dat. Praha: Portál.
- Infante, L. (2023). How to find your real SEO competitors. Wix. Dostupné 20.04.2024 z https://www.wix.com/seo/learn/resource/find-your-seo-competitors
- Infante, L. (2023). SEO gap analysis: Outrank your competitors with data. Wix. Dostupné 20.04.2024 z https://www.wix.com/seo/learn/resource/seo-gap-analysis
- Infante, L. (2023). SEO Gap Analysis — Whiteboard Friday. MOZ. Dostupné 24.04.2024 z https://moz.com/blog/seo-gap-analysis-whiteboard-friday
- Kino, L. F. (2022) Improving performance of Looker Studio. Dostupné 1.08.2024 z https://www.linkedin.com/pulse/improving-performance-looker-studio-former-data-google-kino/
- Kotler, P. (2007). Moderní marketing. Grada Publishing.
- Kotler, P., & Keller, K., L. (2013). Marketing management. (4. vyd.). Grada Publishing.
- Melt Digital. (2024). How to use Apps Script to automate daily SEO tasks. Dostupné 1.08.2024 z https://www.meltdigital.com/knowledge-hub/seo-automation-with-app-script
- Nenadál, J., Vykydal D. & Halfarová P. (2011). Benchmarking – mýty a skutečnost. Management Press.
- Ryan, D., & Jones, C. (2010). Understanding digital marketing: Marketing strategies for engaging the digital generation. (2. vyd.). Kogan Page.
- Sedláčková, H., & Buchta, K. (2006). Strategická analýza. (2. vyd.). C.H. Beck.
- Semrush. (2024). Google Ranking Factors. Dostupné 1.08.2024 z https://go.semrush.com/ranking-factors.html
- Taher, S. (2022). How to Do a Content Audit for SEO. Dostupné 1.08.2024 z https://www.sara-taher.com/how-to-do-a-content-audit/









