AI SEO In Detail

AI SEO In Detail › Modul C · Nachfrage und Keyword-Recherche › Folge 24

Folge 24 · 6:48 · demnächst

Keyword-Clustering: Gruppieren per SERP-Overlap

Keyword-Clustering per SERP-Overlap: Vergleiche die Top-10-URLs mit DataForSEO und Python, gruppiere Keywords nach Suchintention und erhalte eine Cluster-Tabelle.

Folge 24: Keywords per SERP-Overlap clustern Video demnächst

Diese Folge ist geskriptet und in Produktion. Das Transkript unten ist das Skript in der aktuellen Fassung; es kann sich vor der Veröffentlichung des Videos noch ändern.

Vollständiges Transkript (übersetzt)

1,034 Wörter · Skriptentwurf, in Prüfung.

Intro

Du hast dreihundert Keywords. Du musst entscheiden, wie viele Seiten du baust. Eine Seite pro Keyword ist viel zu viele. Eine Seite für alles ist viel zu wenig.

Also fängst du an, von Hand zu gruppieren. "Espressogrinder" und "bester Espressogrinder" gehören offensichtlich zusammen. "Burr grinder" und "conical burr grinder" auch. Du endest mit dreißig Gruppen, und sie fühlen sich richtig an.

Dann baust du die Seiten. Einige konkurrieren in Google miteinander. Andere ranken nie für die Hälfte der Begriffe, die du drauf packst.

Das Problem: du hast nach Wortähnlichkeit gruppiert. Google gruppiert nach dem, was Suchende wollen. In dieser Episode zeige ich dir, wie man Keywords anhand der Suchergebnisse selbst clustert: wenn zwei Keywords genug gleiche Top-Ten-URLs teilen, gehören sie auf eine Seite.

Warum Wortähnlichkeit nicht reicht

Es gibt zwei gängige Methoden, Keywords ohne Blick auf die Ergebnisse zu gruppieren. Eine ist String-Ähnlichkeit: gemeinsame Wörter, gemeinsame Wortstämme. Die andere ist Bedeutung: Text-Embeddings oder ein Sprachmodell fragen, welche Begriffe zusammengehören.

Beide sind okay als erster Durchgang. Und beide scheitern an derselben Stelle.

Zwei Phrasen können fast jedes Wort teilen und trotzdem separate Seiten brauchen. "Espressogrinder" und "Espressogrinder Ersatzteile" teilen zwei von drei Wörtern. Die erste will einen Kaufratgeber. Die zweite will eine Ersatzteilliste.

Und zwei Phrasen können kein Wort teilen und exakt dieselbe Seite wollen. "Coffee mill" und "coffee grinder" sind für die meisten Suchenden dasselbe.

Die Suchergebnisseite entscheidet es. Wenn Google meist dieselben URLs für zwei Queries zeigt, behandelt es sie als dasselbe Bedürfnis, und eine Seite kann für beide ranken. Sind die Ergebnisse verschieden, wird eine Seite beide kaum abdecken, egal wie ähnlich die Wörter aussehen.

Das stoppt auch Kannibalisierung, bevor sie beginnt. In Episode zwölf fanden wir Seiten, die nachträglich um dieselbe Query konkurrierten. Clustering nach SERP-Überlappung verhindert das in der Planungsphase.

Die Methode in vier Schritten

Die Methode hat vier Schritte.

Schritt eins: Hole die Top Ten organischen Ergebnisse für jedes Keyword. Nur die organischen URLs. Überspringe Anzeigen, Maps und andere Features für diesen Zweck. In dieser Episode nutze ich Ergebnisseiten, die ich bereits gezogen und gecacht habe. Wie man sie aus der API zieht, mit Location, Device, Tiefe und Kosten, ist Episode siebenundzwanzig.

Schritt zwei. Für jedes Keyword-Paar zähle, wie viele URLs sie in ihren Top Ten teilen. Diese Zahl ist die Überlappung. Null heißt nichts gemeinsam. Zehn heißt identische Ergebnisse.

Schritt drei: Wähle einen Schwellwert. Ein guter Startpunkt sind drei geteilte URLs. Drei oder mehr, und die zwei Keywords sind verbunden. Weniger, und sie sind es nicht.

Schritt vier: Gruppiere die verbundenen Keywords in Cluster. Jeder Cluster wird eine Seite. Das Keyword mit dem höchsten Volumen wird das Hauptziel. Die anderen sind Stützphrasen, die dieselbe Seite auch abdecken sollte.

Ein Detail, bevor du irgendwas vergleichst: normalisiere die URLs. Host in Kleinbuchstaben, Tracking-Parameter entfernen, den Trailing Slash und alles nach einem Raute-Zeichen. Sonst zählt dieselbe Seite als zwei verschiedene URLs, und jede Überlappung fällt zu niedrig aus.

Praxisbeispiel

Hier ein Beispiel mit erfundenen Zahlen zur Veranschaulichung. Acht Keywords für einen fiktiven Kaffee-Shop, example-shop.test.

Die Matrix zeigt die Überlappung für jedes Paar. "Espressogrinder" und "bester Espressogrinder" teilen sieben URLs. "Coffee mill" und "coffee grinder" teilen sechs. Die sind einfach. Dasselbe Bedürfnis, dieselbe Seite.

"Espressogrinder" und "Espressogrinder Ersatzteile" teilen eine URL. Andere Seite, genau wie wir vermutet haben.

"Burr grinder" und "Espressogrinder" teilen drei. Exakt am Schwellwert. Das ist der interessante Fall.

Mit Schwellwert drei fallen die acht Keywords in drei Cluster: ein Grinder-Kaufratgeber, eine Ersatzteilseite und eine Handmühlen-Seite. Mit Schwellwert vier spaltet sich "burr grinder" in einen eigenen Cluster ab, und du würdest vier Seiten statt drei planen.

Also welcher ist richtig? Schau dir die geteilten URLs selbst an. Sind die drei URLs, die die zwei Keywords teilen, alles breite Kaufratgeber, ist eine Seite für beide realistisch. Sind es drei Kategorieseiten desselben großen Händlers, sagt die Überlappung mehr über den Händler als über den Suchenden. In dem Fall tendiere ich zu separaten Seiten.

Der Schwellwert ist ein Startpunkt, kein Urteil. Grenzfälle bekommen einen menschlichen Blick.

Vier typische Fehlerquellen

Vier Dinge gehen immer wieder schief.

Erstens, Verkettung. Wenn A zu B linkt und B zu C, packt einfaches Gruppieren A und C in denselben Cluster, obwohl sie nichts teilen. Bei langen Ketten hast du einen Riesencluster, der die halbe Liste verschluckt. Die Lösung: verlange, dass jedes Keyword im Cluster zum Haupt-Keyword linkt, nicht nur zu irgendeinem Mitglied. Ich baue Cluster um das Keyword mit höchstem Volumen zuerst, dann das nächste nicht zugewiesene Keyword und so weiter die Liste runter.

Zweitens, Einstellungen. Eine Ergebnisseite ist ein Snapshot für einen Ort, eine Sprache, ein Gerät, an einem Tag. Vergleiche nur Keywords, deren Ergebnisse mit denselben Einstellungen gezogen wurden, idealerweise in derselben Woche.

Drittens, Synonym-Gruppen. Erinnerst du dich an Episode zwanzig: wenn zwei Varianten identische Volumina zeigen, behandeln Googles Daten sie bereits als eine Gruppe. Sie landen fast immer im selben Cluster, und du darfst ihre Volumina nicht addieren, wenn du die Nachfrage des Clusters berechnest. Zähle die Gruppe einmal.

Viertens, vergleiche URLs, nicht Domains. Wenn ein paar große Sites für alles in deiner Nische ranken, ist Domain-Überlappung für jedes Paar hoch, und du bekommst einen Cluster. Domain-Überlappung zeigt, wer dominiert. URL-Überlappung zeigt, welche Seite die Query erfüllt.

Das Ergebnis: eine Cluster-Tabelle

Die Ausgabe ist eine Cluster-Tabelle. Eine Zeile pro Cluster: das Haupt-Keyword, die Stütz-Keywords, das Gesamtvolumen des Clusters mit Synonym-Gruppen einmal gezählt, und die URLs, die den Cluster zusammenhalten.

Diese letzte Spalte zählt. Wenn jemand fragt, warum zwei Keywords eine Seite teilen, kannst du den Beweis zeigen. Und wenn wir zur SERP-Analyse im nächsten Modul kommen, weißt du bereits, welche Seiten du für jeden Cluster studieren musst.

In der Praxis lasse ich Claude Code das Überlappungs-Skript schreiben. Es liest die gecachten Ergebnisse aus SQLite, normalisiert die URLs, zählt die geteilten URLs für jedes Paar und schreibt die Cluster zurück in eine Tabelle. Es ist ein kurzes Skript. Die Entscheidungen, die zählen, sind Schwellwert und Verkettungsregel, und die sind deine. Schreib sie neben das Ergebnis, damit du dasselbe Clustering in drei Monaten nochmal laufen lassen und vergleichen kannst.

Fazit

Also: gruppiere Keywords nach dem, was Google zeigt, nicht wie sie geschrieben sind. Starte mit drei geteilten URLs und prüfe Grenzfälle von Hand. Das Clustering-Skript und die Cluster-Tabellen-Vorlage sind in der Beschreibung verlinkt. Nächste Episode: wie man einen großen Head-Begriff runterbricht in die Phrasen, die Leute wirklich tippen, wenn sie kaufbereit sind. Bis dann.