Keywords zeigen, wie Menschen fragen. Entitäten identifizieren, was, wen oder welche Beziehung eine Antwort erklären muss. Wenn eine Strategie diese Ebenen als identisch behandelt, kann eine Seite zwar eine Anfrage erfüllen, lässt jedoch das Thema und die praktische Bedeutung unklar.
Ein stärkerer Ansatz ersetzt die Keyword-Recherche nicht durch „Entitäten-Optimierung“. Er nutzt Keywords als Beweis für die Nachfrage und verbindet sie dann mit Absichten, Entitäten, Beziehungen, Ansprüchen und Beweisen. Das Ergebnis ist ein Inhaltsmodell, anstatt einer Liste von Begriffen, die wiederholt werden sollen.
Keywords und Entitäten beschreiben unterschiedliche Ebenen
Ein Keyword ist die textuelle Form einer Anfrage oder eines Teils davon. Es kann ein Thema, die Sprache des Publikums, Auswahlkriterien und Entscheidungsstufen offenbaren. Anfragen wie „CRM für ein kleines Unternehmen“, „preiswertes CRM“ und „CRM mit Vertriebsautomatisierung“ drücken verwandte Bedürfnisse aus, definieren jedoch noch kein Inhaltsmodell.
Eine Entität ist ein identifizierbares Ding oder Konzept, über das etwas gesagt werden kann und das von anderen Dingen unterschieden werden kann. Es kann eine Person, Organisation, Produkt, Ort, Ereignis, Technologie oder ein definiertes Konzept sein. Eine Entität hat Attribute und Beziehungen zu anderen Entitäten.
Element | Bedeutung | Beispiel |
|---|---|---|
Oberflächenform | Das Wort oder der Ausdruck, der in einer Anfrage oder einem Text sichtbar ist | „Jaguar“ |
Entität | Das spezifische Ding, auf das sich die Form bezieht | Das Tier, die Automarke oder ein Sportverein |
Attribut | Eine Eigenschaft, die im Kontext wichtig ist | Preis, Gewicht, Standort oder Kompatibilität |
Beziehung | Eine Verbindung zwischen Entitäten | Ein Produkt wird von einem Unternehmen angeboten und ist für eine Benutzergruppe bestimmt |
Ein Ausdruck kann sich auf mehrere Entitäten beziehen, während eine Entität viele Namen haben kann. Die Forschung zu Entitätenverlinkung und -disambiguierung behandelt das Erkennen einer Erwähnung und die Zuordnung zu dem richtigen Objekt in einer Wissensdatenbank als separate Aufgaben. Kontext und Beziehungen helfen, Mehrdeutigkeiten zu klären.
Gehen Sie nicht davon aus, dass jede Entität eine universelle Kennung hat, die von Google, Suchmaschinen, Wissensdatenbanken und Sprachmodellen geteilt wird. Systeme können unterschiedliche Darstellungen und Erkennungsprozesse verwenden. Die Google Cloud Natural Language-Dokumentation veranschaulicht einen Ansatz, nicht die Google-Suchranking-Systeme.
Eine Keyword-Liste ist noch kein Inhaltsmodell
Die Keyword-Recherche bleibt unerlässlich: Sie offenbart die Sprache des Publikums, Variationen eines Problems und wahrscheinliche Nachfrage. Allein beantwortet sie jedoch nicht:
Welche Entität ist das zentrale Thema der Seite?
Was muss der Nutzer darüber wissen?
Welche Attribute beeinflussen das Verständnis, die Bewertung oder die Wahl?
Welche Beziehungen müssen erklärt werden?
Welche Ansprüche benötigen Beweise?
Sollten verwandte Anfragen zu einer Seite oder mehreren spezialisierten URLs führen?
Betrachten Sie „bestes CRM für ein kleines Vertriebsteam“. Es enthält keine einzelne Entität. Es kombiniert eine Produktkategorie, einen Publikumstyp, einen Anwendungsfall und ein Empfehlungskriterium. „Bestes“ ist ebenfalls keine Entität. Es signalisiert vergleichende Absicht und den Bedarf an expliziten Kriterien.
Ein Plan, der sich nur auf ähnliche Phrasen stützt, könnte „CRM“, „kleines Unternehmen“ und „Vertrieb“ wiederholen. Ein Plan, der Entitäten und Beziehungen einbezieht, fragt nach Nutzern, Preisen, Automatisierung, Integrationen, Implementierung, Sicherheit und Produktgrenzen. Diese Details machen eine Antwort nutzbar.
Die Keyword-zu-Entität-Bindungsmatrix
Ein praktisches Werkzeug ist eine Keyword-zu-Entität-Bindungsmatrix. Es ist keine Liste von Namen, die in Texte eingefügt werden sollen. Es ist ein Entscheidungsmodell, das die Suchsprache mit Bedeutung, Informationsstruktur und Beweisen verknüpft.
Feld | Kontrollfrage |
|---|---|
Anfrage-Cluster | Wie formulieren Nutzer ein eng verwandtes Bedürfnis? |
Absicht und Szenario | Was versuchen sie zu verstehen, zu vergleichen, auszuwählen oder zu überprüfen? |
Zentrale Entität | Welches spezifische Objekt oder welcher Prozess steht im Mittelpunkt der Seite? |
Unterstützende Entitäten | Welche anderen Objekte sind notwendig, um das Thema zu erklären? |
Attribute und Beziehungen | Welche Eigenschaften, Abhängigkeiten und Kriterien müssen beschrieben werden? |
Ansprüche | Welche spezifischen Aussagen sollte die Seite machen können? |
Beweise | Welche Daten, Dokumente, Beispiele oder Quellen unterstützen diese Ansprüche? |
Seitenrolle | Ist eine Definition, Anleitung, Vergleich, Dienstleistungsseite, Dokumentationsseite oder FAQ erforderlich? |
Die Reihenfolge ist absichtlich: Zuerst das Szenario identifizieren, dann die zentrale Entität, gefolgt von ihren Attributen, Beziehungen und Ansprüchen. Erst dann entscheiden Sie über die Seitenstruktur.
Beispiel: von „AI-Sichtbarkeitsprüfung“ zu einer Entitätenkarte
Stellen Sie sich einen Cluster vor, der AI-Sichtbarkeitsprüfung, AI-Markenprüfung und wie man Sichtbarkeit in ChatGPT misst umfasst. Er könnte unterschiedliche Bedürfnisse verbergen: eine Definition, Forschungsmethode, Werkzeugauswahl oder Dienstleistungskauf.
Ebene | Element | Rolle im Beispiel | Beziehung, die die Seite erklären muss |
|---|---|---|---|
Anfrage-Cluster |
| Zeigt das Bedürfnis des Nutzers | Anfragen führen zu einem Szenario zur Markenbewertung |
Zentrale Entität | AI-Sichtbarkeitsprüfung | Hauptthema der Seite | Die Prüfung bewertet, wie eine Marke in definierten Szenarien und KI-Systemen repräsentiert wird |
Objekt der Analyse | Marke | Was bewertet wird | Sie hat Namen, Produkte, Kategorien, Zielgruppen und Wettbewerber |
Systemkontext | KI-Suchplattform | Messumgebung | Sie kann dieselbe Marke unterschiedlich beschreiben |
Beobachtungseinheit | KI-Antwort | Forschungsmaterial | Sie kann eine Marke erwähnen, auslassen oder falsch beschreiben |
Repräsentationssignal | Erwähnung | Minimale Form der Präsenz | Eine Erwähnung kann neutral, zufällig oder ungenau sein, sodass sie allein kein Erfolg ist |
Repräsentationssignal | Empfehlung | Marke, die als Lösung vorgeschlagen wird | Bewertung anhand von Absicht, Kriterien und Alternativen |
Quellsignal | Zitation | Sichtbare Quellenreferenz | Es beweist nicht, dass die Quelle die Antwort korrekt geformt hat |
Verifizierungseinheit | Anspruch | Eine spezifische Aussage über eine Marke oder ein Produkt | Sie sollte aktuell, überprüfbar und der richtigen Entität zugeordnet sein |
Risiko | Entitätenverwirrung | Falsche Erkennung | Sie kann Verwirrung zwischen Namen, Angeboten oder Standorten offenbaren |
Methodologische Ebene | Markensemantik | Organisiert Bedeutung | Verbindet Marke, Angebot, Zielgruppen, Quellen und Ansprüche |
Forschungswerkzeug | Semantio | Unterstützt wiederholbare Überwachung | Organisiert Szenarien, Wettbewerber und Antworten über die Zeit |
Die Tabelle zeigt, warum eine Anfrage nicht die einzige Planungseinheit sein kann. Eine Seite über eine KI-Sichtbarkeitsprüfung sollte erklären, was sie misst, welches Material sie verwendet und nach welchen Kriterien. Ein separater Leitfaden kann abdecken, wie man eine KI-Sichtbarkeitsprüfung durchführt.
Semantio ist eine instrumentelle Entität, nicht das Thema des Artikels. Es wird relevant, wenn eine einmalige Karte in wiederholbare Forschung über Szenarien, Antworten, Quellen und Zeit umgewandelt wird. Dies macht die Überwachung der Markenrepräsentation in KI-Antworten zu einem nützlichen nächsten Schritt, ohne den Artikel in eine Verkaufsseite zu verwandeln.
Die Matrix in die Seitenarchitektur umwandeln
Gruppieren Sie Anfragen nach Szenario, nicht nur nach Wortähnlichkeit
Zwei Phrasen können ähnlich aussehen, während sie unterschiedliche Aufgaben erfüllen. „Was ist eine KI-Sichtbarkeitsprüfung?“ verlangt nach einer Definition und einem Umfang. „KI-Sichtbarkeitsprüfungswerkzeug“ könnte auf die Auswahl eines Werkzeugs hinweisen. „KI-Sichtbarkeitsprüfungsagentur“ ist transaktionaler. „Wie misst man Sichtbarkeit in ChatGPT?“ könnte eine Methodik für eine spezifische Produktoberfläche benötigen.
Dies rechtfertigt nicht automatisch vier Seiten. Bewerten Sie, ob Absichten auf einer URL bedient werden können und ob jede vorgeschlagene Seite einen eigenen Wert hat.
Wählen Sie eine zentrale Entität
Eine Seite kann viele Entitäten enthalten, benötigt jedoch ein klares Thema. Ein Text, der gleichzeitig eine Prüfung, ein Werkzeug, eine Plattform und eine Beratung abdeckt, hat keinen klaren Zweck.
Die zentrale Entität muss nicht der beliebteste Ausdruck in der Keyword-Recherche sein. Sie sollte das Objekt sein, dessen Erklärung das dominierende Nutzerbedürfnis am besten löst.
Wählen Sie unterstützende Entitäten für Nützlichkeit
Unterstützende Entitäten gehören nicht in einen Text, nur weil Wettbewerber sie verwenden oder ein NLP-Tool sie erkannt hat. Jede muss definieren, unterscheiden, erklären, eine Entscheidung unterstützen oder Missverständnisse reduzieren.
Für eine KI-Sichtbarkeitsprüfung können nützliche Konzepte Szenario, Eingabeaufforderung, Ausführung, Antwort, Erwähnung, Empfehlung, Zitation, Quelle, Anspruch und Stabilität umfassen. Sie beschreiben verschiedene Teile der Forschung. Sie in eine einzige „KI-Sichtbarkeit“-Kategorie zu bündeln, macht die Ergebnisse schwerer interpretierbar.
Ordnen Sie Ansprüche Abschnitten und Beweisen zu
Eine Entitätenkarte sagt Ihnen, was diskutiert werden muss. Eine Anspruchskarte sagt Ihnen, was gesagt wird und auf welcher Grundlage. Die Unterscheidung wird in Entitätenmapping, Anspruchsmapping und Quellenabgleich entwickelt.
Zum Beispiel ist „eine Erwähnung einer Marke nicht dasselbe wie eine Empfehlung“ ein Anspruch. Unterstützung kann eine methodologische Definition, Dokumentation, Antwortsatz, Studie, Experiment oder Daten aus erster Hand sein. Die Leser sollten den Status des Anspruchs und das Ende der Beweise sehen.
Behandeln Sie interne Links als Aufzeichnungen von Beziehungen
Ein interner Link sollte eine spezifische Beziehung entwickeln oder die nächste Frage des Lesers beantworten. Eine Definition kann zu einem Verfahren verlinken; ein Verfahren zu einem Werkzeug; eine Fallstudie zu ihrer Methode und Daten.
Dies ist besser als mechanisches Abgleichen von Ankern. Googles Richtlinien für durchsuchbare Links empfehlen prägnanten, natürlichen, beschreibenden Ankertext, der in einem Kontext platziert ist, der die Relevanz des Ziels klar macht.
Inhalte mit semantischer Klarheit schreiben
Semantische Klarheit ergibt sich aus der Definition von Objekten, deren Unterscheidung von ähnlichen Konzepten und der Erklärung von Beziehungen in vollständigen, überprüfbaren Sätzen.
Vier redaktionelle Prinzipien helfen:
Definieren. Bei der ersten Erwähnung benennen Sie eine Entität präzise genug, damit die Leser wissen, was sie ist. Definitionen sind besonders wichtig, wenn ein Begriff neu, mehrdeutig oder auf verschiedene Weise verwendet wird.
Unterscheiden. Geben Sie die Grenze an: eine Erwähnung ist keine Empfehlung; eine Zitation ist kein Beweis dafür, dass eine gesamte Quelle korrekt verwendet wurde; ein Anfrage-Cluster ist keine Entitätenkarte; strukturierte Daten sind kein für den Nutzer sichtbarer Inhalt.
Verbinden. Geben Sie Beziehungen explizit an: ein Produkt dient einer Gruppe; ein Merkmal adressiert ein Problem; eine Prüfung bewertet ausgewählte Systeme; ein Anspruch benötigt Beweise.
Beweise. Passen Sie die Unterstützung an die Aussage an. Dokumentation kann ein Merkmal bestätigen; Forschung kann eine Stichprobe berichten; Daten aus erster Hand können eine Beobachtung dokumentieren. Verallgemeinern Sie nicht automatisch über Systeme, Sprachen oder Märkte hinweg.
Dieser Ansatz stimmt mit Googles Richtlinien für hilfreiche, zuverlässige, menschenzentrierte Inhalte überein, die nach originalen Informationen, Analysen oder Werten über eine einfache Umschreibung bestehender Ergebnisse hinaus verlangen. Eine Entitätenliste kann diesen Wert nicht ersetzen.
Wo strukturierte Daten helfen und wo nicht
Strukturierte Daten können den Typ, die Eigenschaften und die Beziehungen von Objekten signalisieren, die auf einer Seite beschrieben werden. Das schema.org Datenmodell bietet Typen und Eigenschaften zur Darstellung von Entitäten und deren Verknüpfung.
Nützliche Eigenschaften umfassen mainEntity, für eine Entität, die hauptsächlich von einer Seite beschrieben wird; about, für ihr Thema; sameAs, für einen eindeutigen Identitätsbezug; und @id, für konsistente Referenzen innerhalb eines JSON-LD-Diagramms.
Markup sollte Inhalte beschreiben, die auf der Seite sichtbar sind, und keine versteckten Fakten hinzufügen, um eine Entität zu „bereichern“. Googles Richtlinien für strukturierte Daten verlangen, dass sie aktuell, genau und repräsentativ für den Hauptinhalt ist. Gültiges Markup garantiert kein reichhaltiges Ergebnis.
Schema.org ist keine Garantie für die Erkennung von Entitäten, das Ranking, die KI-Zitation oder die genaue Markenrepräsentation. Strukturierte Daten sind beschreibend; sie ersetzen keinen Inhalt, ein kohärentes Quellenökosystem oder die Messung von Ergebnissen.
Was das nicht bedeutet
Die Verbindung von Keyword-Recherche mit einer Entitätenkarte bedeutet nicht, dass:
Entitäten-SEO die Keyword-Recherche ersetzt.
Jedes Keyword eine Entität ist oder jede Entität ihre eigene Seite benötigt.
Eine Seite jede Entität enthalten sollte, die auf Wettbewerberseiten gefunden wird.
Die Häufigkeit des Entitätsnamens ein einfaches Maß für Qualität oder Ranking-Potenzial ist.
Ein Salienz-Score von einem NLP-Tool zeigt, wie Google Search eine Seite bewertet.
Ein Begriff, der in einem Patent erscheint, beweist, dass er in einem aktuellen Ranking-System verwendet wird.
Umfangreiche Schema-Markups schaffen thematische Autorität oder garantieren KI-Sichtbarkeit.
Eine Erwähnung, Zitation und Empfehlung sind gleichwertige Ergebnisse.
Eine Eingabeaufforderung kann die Markenrepräsentation über eine gesamte Plattform hinweg bewerten.
In der KI-Suche trennen Sie, was kontrolliert werden kann, von dem, was nur beeinflusst und beobachtet werden kann. Eine Marke kontrolliert ihre eigenen Seiten, Definitionen, Daten und Strukturen, jedoch nicht die endgültige Synthese, Empfehlung oder Zitation. Das Modell für Kontrolle, Einfluss und Beobachtung für GEO erklärt diese Grenze.
Eine kurze operative Checkliste
Wissen wir, welches Benutzerszenario die Seite bedient?
Können wir ihre zentrale Entität in einem Satz benennen?
Haben wir die Entität von ihren Namen, Synonymen und Abkürzungen getrennt?
Haben wir die Attribute abgedeckt, die für das Verständnis oder eine Entscheidung erforderlich sind?
Sind Beziehungen explizit und faktisch korrekt?
Erfüllt jeder Abschnitt eine Funktion, anstatt lediglich Begriffe hinzuzufügen?
Haben wichtige Ansprüche angemessene Beweise oder einen angegebenen Status?
Hat die Seite eine klare Rolle unter verwandten URLs?
Entwickeln interne Links echte thematische Beziehungen?
Spiegelt strukturierte Daten sichtbare Inhalte wider?
Nach der Veröffentlichung messen wir nicht nur den Verkehr und die Rankings, sondern auch die Genauigkeit der Repräsentation in KI-Antworten?
Von Anfragen zu organisiertem Wissen
Keywords bleiben wertvolle Beweise für Nachfrage und Sprache des Publikums. Entitäten sollten sie nicht ersetzen. Sie führen uns von der Formulierung der Anfrage zu den Dingen, Produkten, Problemen und Beziehungen, die ein Nutzer zu verstehen versucht.
Das beste Ergebnis ist nicht eine Seite mit mehr Eigennamen. Es ist eine mit einem eindeutigen Thema, anerkannten Absichten, notwendigen Beziehungen, überprüfbaren Ansprüchen und nützlichen weiterführenden Links.
Die Keyword-zu-Entität-Bindungsmatrix strukturiert diesen Weg: von der Suchsprache über Absichten und Entitäten bis hin zur Seitenstruktur, den Beweisen und späteren Messungen. So wird Entitäten-SEO zu einer Methode zur Gestaltung semantisch klarer, nützlicher Informationen, anstatt eine Übung im Hinzufügen von Begriffen zu sein.
