Topical Grouping meistern und Topical Authority aufbauen (+ kostenloses Python-Skript)

Dein monatlicher SEO-Report zeigt 412 Keywords mit besseren und 389 mit schlechteren Rankings.

Funktioniert deine SEO-Strategie also?

Auf Keyword-Ebene kannst du das nicht beantworten. Du kannst nur scrollen.

Das Problem sind nicht deine Daten, sondern die Analyseeinheit. Google bewertet deine Website nicht Keyword für Keyword. Und Large Language Models (LLMs) wie ChatGPT, Gemini oder Claude tun das auch nicht, wenn sie entscheiden, welche Anbieter sie empfehlen. Sie verstehen dein Unternehmen über Themen. Genau deshalb sollte dein Reporting das auch tun.

In diesem Artikel erkläre ich, warum themenbasiertes Tracking für Suchmaschinenoptimierung (SEO) und KI-Sichtbarkeit so wichtig ist, wie es mit Topical Authority (thematische Autorität) zusammenhängt und wie du es in der Praxis umsetzt. Außerdem bekommst du das kostenlose Python-Skript, das ich genau dafür gebaut habe. Es verdichtet tausende Keywords zu einer Handvoll Themen, mit denen du wirklich arbeiten kannst.

‍Was ist ein Keyword?
Ein Keyword ist eine konkrete Wortfolge, die jemand in eine Suchmaschine eingibt.

Was ist ein Thema?
Ein Thema ist ein Themenfeld, das sich über Bedeutung statt über Wortlaut definiert. Es umfasst alle Suchanfragen, Prompts, Fragen und Unterthemen, hinter denen derselbe Bedarf steckt.

Was ist Topical Grouping?
Topical Grouping ist das Gruppieren einzelner Keywords oder KI-Prompts zu Themen anhand ihrer Bedeutung. So entstehen Themencluster, mit denen du deine Performance auf genau der Ebene analysierst, auf der Suchmaschinen und LLMs dein Unternehmen verstehen.

‍Was ist Topical Authority?
Topical Authority beschreibt, wie stark Suchmaschinen und KI-Systeme deine Marke mit einem Thema verbinden und dir als Quelle dafür vertrauen. Du baust sie durch Tiefe und Konsistenz deiner Inhalte auf, auf deiner eigenen Website und in Erwähnungen durch Dritte. Eine einzelne Seite oder ein einzelnes Keyword reicht dafür nicht.

Warum stößt Keyword-Reporting an seine Grenzen?

Keywords sind die falsche Analyseeinheit. Sie sind zu volatil, zu fragmentiert und zu zahlreich, um dir zu zeigen, was wirklich passiert.

Eine mittelgroße B2B-SaaS-Website rankt schnell für mehrere tausend Suchanfragen. Die meisten davon bringen jeweils nur eine Handvoll Klicks. Positionen ändern sich täglich, etwa durch Personalisierung, neue SERP-Features, Algorithmus-Updates oder neue Inhalte vom Wettbewerb.

Auf dieser Ebene ist fast jede Bewegung Rauschen. Und die wenigen Signale, die wirklich zählen, gehen darin unter.

Nimm als Beispiel einen fiktiven Anbieter von Vertragsmanagement-Software. Sein Keyword-Report zeigt 40 Keywords rund um Vertragsfreigaben, die jeweils ein bis drei Klicks verlieren. Niemand schlägt Alarm, weil sich kein einzelnes Keyword stark genug bewegt.

Gruppiert ergeben diese 40 Keywords ein ganz anderes Bild. Das Thema „Freigabe-Workflows für Verträge“ hat in einem Quartal 30 % seiner Klicks verloren. Das ist ein strategisches Problem und auf Keyword-Ebene war es unsichtbar.

Daten aus der Google Search Console (GSC) machen es noch schwieriger:

• Ein großer Teil der Suchanfragen ist anonymisiert und taucht in Exporten nie auf.
• Der Standardexport über die Oberfläche ist auf 1.000 Zeilen begrenzt.
• Longtail-Varianten mit derselben Suchintention stehen einzeln da. So zerfällt ein einziges Nachfragesignal in Dutzende Zeilen.

Beim Tracking der KI-Sichtbarkeit ist die Fragmentierung noch größer. Prompts in AI-Visibility-Tools sind synthetisch. Meist ist es sehr unwahrscheinlich, dass echte Käufer:innen genau deinen getrackten Prompt eingeben. Zudem kann sich die Antwort auf einen einzelnen Prompt von Durchlauf zu Durchlauf ändern. Einen einzelnen Prompt wie ein Ranking-Keyword zu behandeln, ist schlicht der falsche Ansatz. Ein Cluster aus 30 verwandten Prompts als ein Thema zu betrachten, ist dagegen eine solide Grundlage für Entscheidungen.

Wie sehen Suchmaschinen und LLMs deine Website wirklich?

Weder Google noch LLMs bewerten deine Website Keyword für Keyword. Beide entwickeln ein Verständnis dafür, zu welchen Themen du gehörst.

Suchmaschinen denken in Entitäten, Themen und dem Knowledge Graph

Google hat sich schon vor Jahren vom reinen Abgleich von Zeichenketten verabschiedet und versteht heute Bedeutung. Der Knowledge Graph speichert Entitäten (Unternehmen, Produkte, Personen, Konzepte) und die Beziehungen zwischen ihnen. Sprachmodelle wie BERT helfen Google zu interpretieren, was eine Suchanfrage meint, und nicht nur, welche Wörter sie enthält. Genau das ist der Kern der semantischen Suche.

Für deine Website heißt das: Google fragt nicht „Enthält diese Seite das Keyword?“, sondern „Welche Themen deckt diese Website ab, wie tief und wie konsistent?“

Das Leak der internen Content-Warehouse-API-Dokumentation von Google aus dem Jahr 2024 hat das greifbar gemacht. Darin tauchen Attribute auf Website-Ebene auf, etwa siteFocusScore und siteRadius. Sie beschreiben offenbar, wie stark sich eine Website auf ihr Kernthema konzentriert und wie weit einzelne Seiten davon abweichen. Wie Google diese Faktoren gewichtet, weiß außerhalb des Unternehmens niemand genau. Die Richtung ist aber klar: Google bewertet thematischen Fokus auf Website-Ebene und nicht nur auf Seitenebene.

LLMs lernen Assoziationen im Training und rufen Quellen beim Antworten ab

LLMs berechnen keinen Topical-Authority-Score. Sie nutzen aber zwei ähnliche Mechanismen:

1. Trainingsdaten: Im Pre-Training lernt ein Modell statistische Zusammenhänge aus riesigen Textmengen. Taucht deine Marke immer wieder gemeinsam mit einem Thema auf, auf deiner Website, in Fachmedien, Bewertungen, Vergleichen und Community-Diskussionen, lernt das Modell diese Verbindung. Wirst du nur einmal beiläufig erwähnt, lernt es kaum etwas.
2. Retrieval zum Zeitpunkt der Antwort: Wenn KI-Suchmaschinen wie ChatGPT Search, Perplexity oder Googles AI Overviews eine Frage beantworten, zerlegen sie diese oft in mehrere Teilanfragen. Diesen Prozess nennt man Query Fan-out. Für jede Teilanfrage rufen sie Quellen ab. Eine Marke, die das gesamte Thema tief abdeckt, hat über all diese Teilanfragen hinweg deutlich mehr Chancen, abgerufen und zitiert zu werden, als eine Marke mit einer einzigen starken Seite.

Das Ergebnis ist in beiden Fällen gleich. Marken, die konsistent mit einem Thema verbunden sind, werden häufiger empfohlen. Marken mit verstreuten, keywordgetriebenen Inhalten meist nicht.

Deshalb ist Topical Authority kein SEO-Konzept, das KI überflüssig gemacht hat. Sie ist die Brücke zwischen SEO und AEO, also der Answer Engine Optimization, mit der du deine Sichtbarkeit in KI-generierten Antworten verbesserst. Und deshalb solltest du Performance auf Themenebene messen.

‍

Was haben Keywords und Prompts gemeinsam?

Egal, ob du Google-Rankings oder KI-Sichtbarkeit trackst, die Gruppierungslogik ist identisch. Nur die Metriken ändern sich.

Die Methode basiert auf semantischen Embeddings, also numerischen Darstellungen von Bedeutung. „Vertragsfreigabeprozess“ und „Wie richte ich Freigabe-Workflows für Verträge ein?“ haben kaum gemeinsame Wörter. Ihre Embeddings liegen trotzdem nah beieinander, weil beide fast dasselbe meinen. Das funktioniert für ein Keyword aus drei Wörtern genauso gut wie für einen Prompt aus 25 Wörtern.

{start-table}

Kategorie

• Typische Quelle
• Was du trackst
• Typisches Volumen
• Performance-Metrik
• Positionsmetrik
• Zusätzliche Signale
• Volatilität eines einzelnen Elements

SEO-Keywords

• Google Search Console
• Echte Suchanfragen von Nutzer:innen
• Tausende bis Zehntausende
• Klicks, Impressionen
• Durchschnittliche Ranking-Position
• Klickrate (CTR)
• Mittel

KI-Prompts

• AI-Visibility-Tools wie Peec AI
• Ein definiertes Set getrackter Prompts
• Dutzende bis wenige Hundert
• Sichtbarkeit (Anteil der Antworten, die deine Marke nennen), Share of Voice
• Durchschnittliche Position deiner Marke in KI-Antworten
• Zitierte Quellen, Sentiment
• Hoch

{end-table}

‍

Genau deshalb ist eine kombinierte Sicht so wirkungsvoll. Für jedes Thema siehst du, ob du bei Google gewinnst, in KI-Antworten, in beiden oder in keinem von beiden.

Was zeigt themenbasiertes Tracking, was Keyword-Tracking verbirgt?

Sobald Keywords gruppiert sind, werden vier Signale sichtbar. Jedes weist auf eine andere Ursache und eine andere Maßnahme hin.

• Wachsende Themen: Klicks oder Sichtbarkeit steigen im gesamten Cluster. Du siehst, welche Content-Investitionen funktionieren und wo es sich wahrscheinlich lohnt, nachzulegen.
• Schrumpfende Themen: Ein Cluster verliert Klicks, Rankings oder Sichtbarkeit. Typische Ursachen sind Content Decay, also veraltende Inhalte, stärkere Inhalte vom Wettbewerb, Keyword-Kannibalisierung zwischen deinen eigenen Seiten oder AI Overviews, die Klicks abziehen.
• Neue Themen: Ein Thema, das es im Vergleichszeitraum noch nicht gab. Das kann an neuen Inhalten liegen, aber auch an neuer Nachfrage, die du noch gar nicht gezielt bedienst. In unserem fiktiven Beispiel taucht „KI-Vertragsprüfung“ als neues Thema auf, ohne dass es dafür eine eigene Seite gibt. Deine eigenen Daten liefern dir hier eine Content-Chance frei Haus.
• Verlorene Themen: Ein Thema, das früher Klicks gebracht hat und jetzt keine mehr bringt. Oft ein Zeichen für gelöschte oder weitergeleitete Seiten, technische Probleme oder ein Thema, das du einfach nicht mehr abdeckst.

Der eigentliche Wert entsteht, wenn du Themen mit Geschäftsergebnissen verknüpfst. Nicht jedes Thema verdient die gleiche Aufmerksamkeit. Ein schrumpfendes Thema, das direkt zu deinem Ideal Customer Profile (ICP) passt und in laufenden Sales-Gesprächen auftaucht, ist ein Notfall. Ein schrumpfendes Thema, das vor allem Studierende angezogen hat, ist es nicht.

Gerade für Sales-Led-Unternehmen verbindet themenbasiertes Reporting die organische Sichtbarkeit mit der Pipeline. Diese Seite beleuchten wir ausführlich in unserem Artikel zu Organic Growth für Sales-Led SaaS.

Wie funktioniert das Skript und wie setzt du es in der Praxis ein?

Das Skript macht aus zwei Exporten der Google Search Console einen interaktiven Themenreport. Ohne manuelles Taggen, ohne Regex-Regeln, ohne vordefinierte Themenliste.

So läuft das Keyword-Clustering im Skript ab:

1. Zwei Zeiträume laden. Du lädst zwei GSC-Exporte deiner Suchanfragen hoch, einen für den aktuellen Zeitraum (new.csv) und einen für den Vergleichszeitraum (old.csv).
2. Bedeutung erfassen. Das Open-Source-Modell all-MiniLM-L6-v2 wandelt jedes einzelne Keyword in ein semantisches Embedding um. Keywords mit ähnlicher Bedeutung landen nah beieinander, auch wenn sie kein einziges Wort gemeinsam haben.
3. Natürliche Cluster finden. HDBSCAN, ein dichtebasierter Clustering-Algorithmus, gruppiert die Keywords. Anders als bei k-Means musst du die Anzahl der Cluster nicht vorab festlegen. Der Algorithmus findet die Struktur, die tatsächlich in deinen Daten steckt.
4. Ausreißer zuordnen. Keywords ohne eindeutige Zugehörigkeit ordnet das Skript dem nächstgelegenen Cluster zu. So verschwinden keine Klicks in einem Sammelbecken namens „Sonstiges“.
5. Auf die gewünschte Themenanzahl zusammenführen. Du legst eine maximale Anzahl an Themen fest. Das Skript führt dann immer wieder die zwei ähnlichsten Cluster zusammen, bis diese Grenze erreicht ist.
6. Themen benennen. Jedes Thema erhält den Namen seines zentralsten Keywords, also des Keywords, das dem Bedeutungszentrum des Clusters am nächsten liegt.
7. Performance aggregieren. Das Skript summiert die Klicks pro Thema. Die Position berechnet es als klickgewichteten Durchschnitt. So beeinflussen Keywords mit Traffic die Themenposition stärker als Keywords, die niemand anklickt.
8. Klassifizieren und visualisieren. Das Skript stuft jedes Thema als gestiegen, gesunken, neu oder verloren ein und stellt es in einem interaktiven Diagramm mit Drill-down-Tabellen dar.

Warum Embeddings statt String-Matching? Klassische Gruppierung basiert auf gemeinsamen Wörtern oder N-Grammen (Wortkombinationen). Dadurch landen „Vertragsfreigabe-Software“ und „Spesenfreigabe“ in derselben Gruppe, während der „Prozess für die Vertragsabnahme“ davon getrennt bleibt. Embeddings gruppieren nach Bedeutung, und genau so interpretieren Suchmaschinen und LLMs deine Inhalte.

‍

‍

Wie führst du das Skript in Google Colab aus?

Du brauchst weder eine Python-Umgebung noch Programmierkenntnisse. Alles läuft in deinem Browser.

• Zwei vergleichbare Zeiträume aus der GSC exportieren. Öffne in der Search Console den Bericht „Leistung“ und dort „Suchergebnisse“, wähle den Zeitraum und exportiere die Daten. Du erhältst eine ZIP-Datei. Die Datei, die du brauchst, heißt Queries.csv (bei deutscher Oberfläche Suchanfragen.csv). Wiederhole das für den Vergleichszeitraum.
  • Nutze gleich lange Zeiträume.
  • Vergleiche nach Möglichkeit mit dem Vorjahreszeitraum (Year over Year, YoY), um saisonale Effekte auszugleichen.
  • Über die GSC-Oberfläche exportierst du maximal 1.000 Zeilen. Für größere Websites nutzt du die Search Console API, den Bulk-Export nach BigQuery oder ein Tool wie Search Analytics for Sheets.
• Dateien umbenennen. Benenne die Datei für den aktuellen Zeitraum in new.csv und die für den Vergleichszeitraum in old.csv um. Das Skript erkennt die Standard-Spaltennamen der GSC automatisch.‍

• Skript in Google Colab öffnen und beide Dateien über den Bereich „Dateien“ hochladen (Ordnersymbol in der linken Seitenleiste).

• Zelle ausführen. Die Abhängigkeiten installieren sich automatisch. Der erste Durchlauf dauert ein paar Minuten, weil das Skript zuerst das Embedding-Modell herunterladen muss.

• Maximale Anzahl an Themen festlegen, sobald das Skript danach fragt. Als Ausgangspunkt:
  • Bis 500 Keywords: 10 bis 20 Themen
  • 500 bis 5.000 Keywords: 20 bis 40 Themen
  • Mehr als 5.000 Keywords: 40 bis 80 Themen
• Report öffnen. Das Skript speichert gsc_chart.html im Bereich „Dateien“. Lade die Datei herunter, öffne sie in einem beliebigen Browser und teile sie mit deinem Team.

Wählst du zu wenige Themen, verschmelzen Inhalte, die nichts miteinander zu tun haben. Wählst du zu viele, landest du wieder im Rauschen. Führe das Skript zweimal mit unterschiedlichen Werten aus und behalte die Version, in der jedes Thema für Menschen nachvollziehbar ist.

Troubleshooting: Ist dein Export sehr klein oder sind die Keywords sehr unterschiedlich, findet HDBSCAN unter Umständen gar keine Cluster und das Skript bricht mit einer Fehlermeldung ab. Nutze dann einen längeren Zeitraum oder einen größeren Export. Alternativ senkst du in den Clustering-Einstellungen min_cluster_size von 3 auf 2.

{{cta}}

Wie liest du die Ergebnisse und was folgt daraus?

Der Report beantwortet eine Frage auf einen Blick: Welche Themen bewegen sich, in welche Richtung und wie viel Traffic (oder Share of Voice in KI-Antworten) steht auf dem Spiel?

‍

Im Diagramm:

• Horizontale Achse: durchschnittliche Position des Themas. Je weiter links, desto besser das Ranking.
• Vertikale Achse: Anzahl der Klicks.
• Blasengröße: Ranking-Stärke. Größere Blasen liegen näher an Position 1.
• Farbe: Grün für gestiegene Klicks, Rot für gesunkene, Gelb für neue Themen und Blau für Themen, die nur im alten Export vorkommen. Über Checkboxen blendest du jede Kategorie ein oder aus.

Fahre mit der Maus über eine Blase, um alte und neue Klicks und Positionen zu sehen. Unter dem Diagramm listen vier Tabellen alle Themen pro Kategorie auf, sortiert nach Wirkung. Klicke auf ein Thema, um die einzelnen Keywords dahinter zu sehen, jeweils mit Klicks und Positionen für beide Zeiträume.

‍

‍

Die wichtigste Unterscheidung lautet: Hat ein Thema Klicks verloren, weil seine Position gesunken ist oder weil sich etwas anderes verändert hat? Deshalb teilt die folgende Matrix schrumpfende Themen in zwei Fälle auf.

{start-table}

Signal

• Wachsendes Thema
• Schrumpfendes Thema, Position gesunken
• Schrumpfendes Thema, Position stabil
• Neues Thema
• Verlorenes Thema

Was du siehst

• Mehr Klicks, stabile oder bessere Position
• Weniger Klicks, schlechtere Position
• Weniger Klicks, ähnliche Position
• Klicks nur im aktuellen Zeitraum
• Klicks nur im Vergleichszeitraum

Wahrscheinliche Ursache

• Content-Investition zahlt sich aus, Nachfrage wächst
• Content Decay, stärkere Inhalte vom Wettbewerb, Keyword-Kannibalisierung
• Geringere Nachfrage, AI Overviews oder andere SERP-Features ziehen Klicks ab
• Neue Inhalte, aufkommende Nachfrage
• Gelöschte oder weitergeleitete Seiten, technische Probleme, eingestellte Abdeckung

Empfohlene Maßnahme

• Abdeckung mit ergänzenden Inhalten ausbauen, interne Verlinkung stärken, Conversion-Pfade sicherstellen
• Inhalte aktualisieren oder zusammenführen, mit den Seiten vergleichen, die dich jetzt überholen, prüfen, ob mehrere deiner Seiten um dasselbe Thema konkurrieren
• Impressionen und SERP-Layout prüfen, für dieses Thema stärker auf KI-Sichtbarkeit setzen
• Geschäftliche Relevanz prüfen, eigene Seite oder Content-Cluster aufbauen, wenn das Thema zu deinem ICP passt
• Indexierung und Weiterleitungen prüfen, dann bewusst entscheiden, ob du das Thema wieder aufbaust oder aufgibst

{end-table}

‍

Wie passt du das Skript für KI-Prompts an (Peec AI)?

Mit wenigen Anpassungen funktioniert dasselbe Skript auch für KI-Sichtbarkeit. Der Gruppierungslogik ist es egal, ob der Text ein Keyword oder ein Prompt ist.

AI-Visibility-Tools wie Peec AI tracken, wie oft und an welcher Stelle deine Marke in KI-Antworten auf ein definiertes Prompt-Set erscheint. In den meisten dieser Tools kannst du Prompts manuell Themen zuordnen. Das Skript bringt dort Mehrwert, wo manuelles Taggen an Grenzen stößt: wenn dein Prompt-Set wächst, wenn du eine objektive, bedeutungsbasierte Gruppierung willst oder wenn du eine gemeinsame Taxonomie für SEO- und KI-Daten brauchst.

So passt du das Skript an:

1. Prompt-Daten für zwei Zeiträume exportieren, mindestens mit Prompt-Text, der Sichtbarkeit deiner Marke und ihrer durchschnittlichen Position.
2. Spalten zuordnen. Ergänze die Prompt-Spalte in der Rename-Map der Ladefunktion (zum Beispiel „prompt“ zu „query“) und ordne die Sichtbarkeit der Metrik zu, die das Skript aktuell als Klicks einliest.
3. Aggregation der Metrik ändern. Klicks summiert das Skript pro Thema. Sichtbarkeit ist ein Prozentwert, deshalb bildest du hier stattdessen den Durchschnitt pro Thema. Passe gleichzeitig die Diagrammbeschriftungen an.
4. Blasengröße anpassen. Die Größenstufen sind auf Google-Positionen von 1 bis 100 ausgelegt. Markenpositionen in KI-Antworten liegen meist zwischen 1 und 10. Zieh die Stufen deshalb enger.
5. Minimale Clustergröße senken. Prompt-Sets sind deutlich kleiner als Keyword-Sets. Ein min_cluster_size von 2 funktioniert meist besser als der Standardwert 3.
6. Für mehrsprachige Projekte ein mehrsprachiges Modell nutzen. Trackst du Prompts in mehreren Sprachen, etwa auf Deutsch und Englisch, ersetzt du all-MiniLM-L6-v2 durch ein mehrsprachiges Modell wie paraphrase-multilingual-MiniLM-L12-v2. Prompts mit gleicher Bedeutung in verschiedenen Sprachen landen dann im selben Thema.

Der wertvollste Schritt kommt danach: Lass Keywords und Prompts durch dieselbe Taxonomie laufen. Dann siehst du pro Thema, ob du bei Google gewinnst, in KI-Antworten, in beiden oder in keinem. Ein Thema, für das du gut rankst, in KI-Antworten aber unsichtbar bleibst, ist eine der klarsten Chancen für Generative Engine Optimization (GEO), die du finden wirst.

Wo liegen die Grenzen und wie entwickelst du das Skript weiter?

Das Skript ist ein Diagnosewerkzeug, kein Autopilot. Wenn du seine Grenzen kennst, werden deine Ergebnisse verlässlicher.

• Cluster sind semantisch und nicht nach Suchintention gebildet. „Vertragsmanagement-Software“ und „Was ist Vertragsmanagement“ können im selben Thema landen, obwohl das eine kommerziell und das andere informational ist. Prüfe den Drill-down und teile Themen auf, wo die Suchintention entscheidend ist.
• Themennamen sind Vorschläge. Das zentralste Keyword ist nicht immer das beste Label. Benenne Themen um, bevor du Ergebnisse mit Stakeholdern teilst.
• Themen verschieben sich zwischen Durchläufen. Das Skript berechnet das Clustering bei jedem Durchlauf neu, auf Basis der Keywords aus beiden Exporten. Für eine einmalige Analyse ist das in Ordnung, für laufendes Reporting nicht. Für monatliches oder quartalsweises Tracking speicherst du die Zuordnung von Keywords zu Themen einmal und nutzt sie wieder. So vergleichst du über die Zeit immer dieselben Themen.
• Sehr kleine Datensätze können das Clustering verhindern. Wie oben beschrieben, findet HDBSCAN in sehr kleinen oder sehr heterogenen Exporten unter Umständen gar keine Cluster. Nutze dann mehr Daten oder senke die minimale Clustergröße.
• Positionen sind Näherungswerte. GSC-Positionen sind bereits Durchschnittswerte und das Skript bildet darauf noch einen klickgewichteten Durchschnitt. Nutze sie, um die Richtung zu beurteilen, und nicht als exakte Werte.
• Anonymisierte Suchanfragen fehlen. Klicks aus anonymisierten Suchanfragen erscheinen nicht in Query-Exporten. Die Summen pro Thema liegen deshalb unter deinen gesamten GSC-Klicks.

So entwickelst du das Skript weiter:

• Themen URLs zuordnen: Ergänze die Dimension „Seite“ aus der GSC. So siehst du, welche Seiten welches Thema tragen und wo Keyword-Kannibalisierung entsteht.
• Impressionen und CTR ergänzen: Damit trennst du Veränderungen der Nachfrage von Veränderungen im Ranking.
• Den Ablauf automatisieren: Ziehe die Daten über die Search Console API und spiele die Ergebnisse in Looker Studio ein. So entsteht ein wiederkehrendes SEO-Reporting auf Themenebene.
• Themennamen mit einem LLM verbessern: Gib die wichtigsten Keywords jedes Clusters an ein Modell und lass dir ein kurzes, gut lesbares Label vorschlagen.