Suggestions aus Keyword-Tools auswerten: der Workflow nach dem Export

Eine rohe Suggestion-Liste ist noch kein Redaktionsplan. Wer Vorschläge aus einem Keyword-Tool exportiert, hat zunächst lediglich eine Datei mit Zeilen vor sich: Schreibvarianten desselben Begriffs, Fragen und Kaufabsichten wild gemischt, Volumenangaben in Formaten, die sich nicht direkt vergleichen lassen. Diese Seite beschreibt ausschließlich, was nach diesem Export passiert. Sie behandelt die Arbeitsschritte, die aus einer Rohliste eine Menge von Clustern machen, bei der jeder Cluster genau einer künftigen Seite entspricht: normalisieren, deduplizieren, nach Suchintention sortieren, priorisieren und bündeln. Welches Tool die Vorschläge geliefert hat, spielt dabei nur an einer einzigen Stelle eine Rolle, nämlich bei der Frage, wie belastbar die mitgelieferten Zahlen überhaupt sind. Die Bedienung der Tools im Interface oder die Auswahl des besten Werkzeugs bleibt hier ausdrücklich außen vor.

Schritt 0: Wissen, was die Zahlen in der Liste bedeuten

Bevor irgendetwas sortiert wird, muss klar sein, welche Spalte was aussagt. Die gängigen Datenquellen liefern strukturell unterschiedliche Werte, und dieser fundamentale Unterschied überlebt jeden Export. Wer diese Herkunft ignoriert, produziert am Ende eine Liste, die mathematisch nicht haltbar ist.

Die Datenquellen im Detail:

• Google Keyword-Planer: Dieses Werkzeug existiert innerhalb eines Google-Ads-Kontos. Die Keyword-Ideen werden dort zusammen mit der Spalte “Durchschnittl. Suchanfragen pro Monat” ausgegeben. Ohne ausreichende aktive Ausgaben im Google-Ads-Konto liefert der Keyword-Planer das Suchvolumen jedoch nur als Bandbreite, etwa von 100 bis 1 Tausend, statt als exakter Wert. Zudem fasst der Keyword-Planer Begriffe mit gleicher Bedeutung zu einer Gruppe zusammen, weshalb unterschiedliche Schreibweisen denselben Volumenwert anzeigen können.
• Google Autocomplete: Die Autocomplete-Vorschläge in der Google-Suche sind Vorhersagen tatsächlich verwendeter Suchanfragen. Sie enthalten keinerlei Angabe zum Suchvolumen.
• Google Trends: Google Trends gibt kein absolutes Suchvolumen aus, sondern normalisierte Werte von 0 bis 100, relativ zum höchsten Punkt im gewählten Zeitraum und Gebiet.
• Google Search Console: Der Leistungsbericht der Google Search Console listet die Suchanfragen, für die die eigene Property bereits Impressionen und Klicks erhalten hat. Das ist reale Nachfrage der eigenen Domain statt geschätzter Vorschläge. Allerdings begrenzt die Search Console den Leistungsbericht auf die letzten 16 Monate, ältere Suchanfragen stehen dort nicht mehr zur Verfügung.
• Bing Webmaster Tools: Bing Webmaster Tools stellt mit “Keyword Research” eigene Vorschlagsdaten aus dem Bing-Index bereit, die unabhängig von Google-Quellen erhoben werden.

Aus diesen strukturellen Eigenheiten ergeben sich sofort drei Konsequenzen für die Auswertung. Erstens lassen sich Bandbreiten und exakte Werte nicht in derselben Spalte sortieren, ohne dass die Sortierung eine falsche Bedeutung erfindet. Zweitens sind Trends-Werte reine Verlaufsdaten und keine Mengenangaben. Sie beantworten die Frage, ob ein Thema steigt oder fällt, aber nicht die Frage, wie viele Leute danach suchen. Drittens ist die Search Console die einzige Quelle in dieser Aufzählung, die keine Vorschläge macht, sondern gemessene Nachfrage der eigenen Domain zeigt. Eine Suggestion-Liste aus einem Vorschlags-Tool und ein Export aus dem Leistungsbericht sind deshalb zwei verschiedene Datentypen, die man nebeneinander legt, aber niemals addiert.

Schritt 1: Rohliste zusammenführen und normalisieren

Ziel dieses Schritts ist eine einzige Tabelle, in der jede Zeile dieselbe Form hat. Praktikabel sind fünf Pflichtspalten: das Keyword in normalisierter Schreibweise, die Originalschreibweise, die Quelle, der gelieferte Volumenwert und der Wertetyp (exakt, Bandbreite, normalisiert, gemessen).

Die Normalisierung selbst besteht aus mechanischen Regeln, die konsequent angewendet werden müssen, damit der nächste Schritt funktioniert. Kleinschreibung wird für den Abgleich genutzt, während die Originalschreibweise in der Nebenspalte erhalten bleibt. Führende und doppelte Leerzeichen werden entfernt, Sonderzeichen vereinheitlicht. Umlaute werden in einer zweiten Vergleichsspalte aufgelöst, beispielsweise “ae”, “oe”, “ue” und “ss”, damit Worte wie “Schlüsselwort” und “Schluesselwort” später als eine einzige Zeile erkannt werden.

Offensichtliche Tippfehlervarianten werden markiert, aber nicht gelöscht. Sie sind ein wichtiges Signal dafür, wie Nutzer tatsächlich tippen. Wortstellungsvarianten werden in eine sortierte Token-Form überführt, sodass aus “tools keyword suggestions” die Form “keyword suggestions tools” wird. So werden reine Umstellungen direkt als Dubletten sichtbar. Die Originalschreibweise bleibt immer erhalten, weil sie später für Überschriften und Snippets gebraucht wird. Normalisiert wird ausschließlich für den Abgleich, nicht für den Text.

Schritt 2: Deduplizieren, ohne Nachfrage zu verlieren

Deduplizieren heißt nicht, Zeilen einfach zu löschen, sondern Zeilen zu gruppieren und eine davon zum Repräsentanten zu erklären. Dieser Unterschied ist wichtig, weil die weggeworfenen Varianten sonst als Information verschwinden. Ein Detail der Datenquelle greift hier direkt in die Arbeit ein: Da der Keyword-Planer Begriffe mit gleicher Bedeutung zu einer Gruppe zusammenfasst, können unterschiedliche Schreibweisen denselben Volumenwert anzeigen. Wer solche Zeilen als eigenständige Keywords behandelt und ihre Volumen addiert, zählt dieselbe Nachfrage mehrfach. Die Regel lautet deshalb: Identische Volumenwerte bei bedeutungsgleichen Varianten sind ein Hinweis auf eine Gruppierung durch die Quelle, nicht auf zwei getrennte Nachfragen. Der Wert wird einmal gezählt, und zwar für die gesamte Gruppe.

Ein praktikables Vorgehen erfolgt in drei Durchgängen. Zuerst werden exakte Dubletten über die normalisierte Spalte zusammengeführt. Quellen und Originalschreibweisen werden in der Gruppe gesammelt. Danach folgen bedeutungsgleiche Varianten: Singular und Plural, Bindestrich und Zusammenschreibung, Wortumstellungen sowie deutsche und englische Bezeichnungen derselben Sache. Repräsentant wird die Variante mit der klarsten Schreibweise, nicht automatisch die mit dem höchsten Wert. Schließlich werden Modifikatoren geprüft, statt sie einfach zu schlucken. Ein Zusatz wie “kostenlos”, “Vergleich”, “für Anfänger” oder eine Ortsangabe verändert die Absicht und darf nicht in die Hauptgruppe gefaltet werden. Solche Zeilen bleiben eigenständig und gehen in den nächsten Schritt.

Am Ende dieses Schritts steht die Liste der Gruppen mit einer Größenangabe pro Gruppe: Sie zeigt, wie viele Varianten sie enthält und aus wie vielen Quellen sie stammt. Eine Gruppe, die in mehreren unabhängigen Quellen auftaucht, ist besser belegt als eine, die nur eine Quelle kennt. Da Bing Webmaster Tools seine Vorschlagsdaten unabhängig von Google-Quellen aus dem Bing-Index erhebt, ist eine Übereinstimmung zwischen beiden ein echter Zweitbeleg und keine bloße Wiederholung derselben Datenbasis.

Schritt 3: Suchintention zuordnen

Erst nach dem Deduplizieren lohnt die Einordnung nach Absicht, weil sonst dieselbe Absicht mehrfach bewertet wird. Vier Klassen reichen in der Praxis aus, und jede Gruppe bekommt genau eine zugeordnet. Die Suche kann informational sein und will eine Erklärung oder eine Anleitung. Sie kann navigational sein und will zu einem bestimmten Anbieter oder Produkt. Sie kann kommerziell prüfend sein und will vergleichen, bewerten oder abwägen. Oder sie ist transaktional und will kaufen, buchen oder herunterladen.

Die Zuordnung sollte an beobachtbaren Merkmalen hängen, nicht am Bauchgefühl. Fragewörter, “wie”, “was ist”, “Anleitung” und “Beispiel” deuten auf informational. Marken- und Produktnamen deuten auf navigational. “Vergleich”, “Test”, “Alternative” und “Erfahrungen” deuten auf kommerziell prüfend. “Kaufen”, “Preis”, “buchen” und “Angebot” deuten auf transaktional. Wo die Merkmale widersprüchlich sind, entscheidet ein Blick in die tatsächlichen Suchergebnisse zum Begriff. Welche Seitentypen dort von Google gerankt werden, ist die belastbarste verfügbare Auskunft darüber, welche Absicht die Suchmaschine dem Begriff zuschreibt.

Der praktische Nutzen dieses Schritts ist eine harte Trennlinie. Zwei Gruppen mit verschiedener Absicht gehören niemals auf dieselbe Seite, auch wenn sie sprachlich sehr nah beieinander liegen. Genau an dieser Stelle entstehen sonst Seiten, die zwei Fragen nur halb beantworten und keine davon ganz.

Schritt 4: Priorisieren mit den Zahlen, die man hat

Priorisierung heißt an dieser Stelle: eine Reihenfolge festlegen, in der die Cluster später bearbeitet werden. Weil die Volumenwerte je nach Quelle unterschiedlich belastbar sind, funktioniert eine reine Sortierung nach einer einzigen Volumenspalte nicht. Praktikabel ist eine Bewertung über mehrere Kriterien, die alle aus vorhandenen Daten stammen.

Das erste Kriterium ist die Nachfragegröße, aber nur innerhalb des jeweiligen Wertetyps. Bandbreiten werden untereinander verglichen, exakte Werte untereinander. Wer Bandbreiten in eine Zahl umrechnen will, verwendet für alle Zeilen dieselbe Regel, zum Beispiel die Untergrenze, und dokumentiert diese Entscheidung. Das zweite Kriterium ist die Quellenabdeckung, also in wie vielen unabhängigen Quellen die Gruppe auftaucht. Das dritte Kriterium ist die belegte Eigennachfrage: ob die Search Console für die eigene Property bereits Impressionen zu diesem Begriff ausweist. Das ist gemessene Nachfrage und wiegt schwerer als jede Schätzung. Weil der Leistungsbericht auf die letzten 16 Monate begrenzt ist, ist das Fehlen eines Begriffs dort allerdings kein Beweis für fehlende Nachfrage, sondern nur für fehlende Nachfrage im verfügbaren Beobachtungsfenster. Das vierte Kriterium ist die Verlaufsrichtung, also ob der Begriff laut normalisierten Trends-Werten im gewählten Zeitraum steigt oder fällt. Dieses Kriterium entscheidet Reihenfolgen bei ähnlicher Größe, aber nicht die Aufnahme selbst. Das letzte Kriterium ist die Umsetzbarkeit: ob zur Absicht der Gruppe überhaupt eine Seite entstehen kann, die die Frage vollständig beantwortet.

Aus diesen Kriterien wird kein einzelner Punktwert gebildet, der alles vermischt. Sinnvoller ist eine feste Rangfolge: zuerst nach belegter Eigennachfrage, dann nach Quellenabdeckung, dann nach Nachfragegröße, und der Verlauf nur als Gleichstandsentscheid. So bleibt in jedem Einzelfall beantwortbar, warum ein Cluster vor einem anderen liegt.

Schritt 5: Cluster bilden, eine Seite pro Cluster

Der letzte Schritt fasst die priorisierten Gruppen zu Clustern zusammen. Ein Cluster ist definiert als die Menge aller Gruppen, die dieselbe Absicht haben und mit einer einzigen Seite vollständig bedient werden können. Drei Regeln halten die Cluster sauber.

Erstens gilt: Eine Absicht pro Cluster. Der Klassenwechsel aus dem vorherigen Schritt ist ein striktes Trennkriterium, ohne Ausnahme. Zweitens gilt: Ein Cluster, eine Seite, ein Hauptbegriff. Der Repräsentant mit der klarsten Schreibweise wird Hauptbegriff. Alle übrigen Varianten des Clusters werden Nebenbegriffe und liefern später Zwischenüberschriften, Beispiele und Formulierungen. Drittens gilt: Trennen, sobald zwei Teilfragen jeweils eine eigene vollständige Antwort verlangen. Wenn sich eine geplante Seite nur mit zwei getrennten Hauptteilen schreiben lässt, die voneinander unabhängig sind, sind es in Wahrheit zwei Cluster.

Das Ergebnis ist eine Tabelle mit einer Zeile pro geplanter Seite: Hauptbegriff, Absicht, Nebenbegriffe, Datenlage, Rang. Diese Tabelle ist das eigentliche Produkt der Auswertung. Sie ist der Punkt, an dem aus einer Suggestion-Liste eine redaktionelle Entscheidung wird.

Was die Liste nicht beantwortet

Zwei Grenzen bleiben auch nach sauberer Auswertung bestehen. Vorschlagsdaten sagen nichts darüber, ob eine Suchanfrage zu einem Geschäft führt, sondern nur, dass sie gestellt wird. Zudem sind Vorschlagsdaten immer ein Blick in die Vergangenheit. Autocomplete-Vorschläge sind Vorhersagen tatsächlich verwendeter Suchanfragen, also Abbilder bereits erfolgten Suchverhaltens, ganz ohne Volumenangabe. Beides ist kein Argument gegen die Auswertung, sondern gegen den Versuch, aus ihr mehr abzuleiten, als in den Daten tatsächlich steht. Die Auswertung entscheidet lediglich, welche Seite als nächste entsteht. Ob sie funktioniert, entscheiden erst die gemessenen Werte der eigenen Property danach.