Semantik im Fokus

Eine semantische Suche bedeutet, dass Google einzelne Entitäten in einer Suchanfrage erkennt, sie mit anderen abgleicht und auf diese Weise noch bessere Suchergebnisse für User ausliefern kann. Eine solche Entität kann zum Beispiel ein Unternehmen oder ein Produkt sein. Aber Achtung, eine Entität entscheidet sich von einem Keyword. Denn bei einem Keyword kommt es nur auf eine Kombination von Zeichen an. So erkennt Google in der klassischen Suche nur die „Schrift“ an sich und gleicht sie mit anderen Dokumenten ab, um passende Ergebnisse auszuliefern. Bei der semantischen Suche findet allerdings eine Deutung der Suchanfrage statt.

Auf diese Weise entsteht ein vollständiges Verständnis über alle Inhalte im Internet (Data Mining) – Das funktioniert durch die Analyse zahlreicher Suchanfragen. Welche Intentionen stecken dahinter? Welches Ziel hat der Suchende im Internet? Um diese Fragen zu beantworten, identifiziert Google Entitäten in einer Suchanfrage und organisiert diese in einem Index.

Data Mining beschreibt den Prozess, bei dem große Datenmengen verarbeitet und vor allem bewertet werden. Zahlreiche Muster und Trends sowie zukünftige Wahrscheinlichkeiten werden ermittelt. Diese Analyse ist deutlich detaillierte als ein reiner Suchprozess, hier werden Daten nicht nur abgeglichen, sondern auch bewertet.

Bei Google funktioniert das, in dem der sogenannte Knowledge Graph Beziehungen zwischen einzelnen Informationen und Entitäten darstellt. Für jede Entität wird hierbei ein Label vergeben, welches dann in den Suchergebnissen als Box angezeigt wird. Die entitätenbasierte Suche stellt auf diese Weise Verknüpfungen her, wodurch User Zusammenhänge schneller erkennen können.

Werden wir mal ein bisschen anschaulicher. Abends beim Fernsehen schaust Du einen Film, zum Beispiel „Matrix“. Doch der Name des Schauspielers will dir partout nicht einfallen. Was passiert? Du greifst zum Handy und tippst den Filmtitel in die Suchmaschine ein. Google erkennt den Filmtitel als Entität und stellt Verknüpfungen zu anderen Entitäten her. So bekommst Du in einzelnen Knowledge Panels Informationen angezeigt, die passende Entitäten enthalten.

In dieser Abbildung siehst Du, dass sofort eine kurze Zusammenfassung des Films angezeigt wird. Das Datum der Erstausstrahlung, die Filmlänge sowie eine inhaltliche Zusammenfassung sind dabei nur einige Elemente, die Dir angezeigt werden. Zusätzlich werden die Schauspieler (verwandte Entitäten) vorgeschlagen, die wichtige Rollen in dem Film gespielt haben und auch Bewertungen anderer User kannst Du direkt einsehen.

Einen Schritt weiter gehen die Vorschläge für eine erweiterte Suche. Auch das ist ein gutes Beispiel dafür, dass Google seinen Usern dabei helfen will, das bestmögliche Erlebnis bei einer Suche zu haben.

Realisiert wird das mithilfe zahlreicher Google-Updates und Algorithmen. Welche besonders großen Einfluss auf die semantische Suche haben, siehst Du in dieser Übersicht:

Es wird schnell deutlich, dass der technische Fortschritt dafür sorgt, dass Google-Suchergebnisse noch hilfreicher für User werden. Funktioniert das nur dank maschinellen Lernens? Nicht nur. Die Prozesse, die die organische Suche vorantreiben, sind viel komplexer. So gibt es neben dem maschinellen Lernen und dem Data Mining weitere Algorithmen, welche die Suchergebnisse beeinflussen. Grundsätzlich analysiert Google große Datenmengen, um Muster und Verbindungen zu erkennen.

Das funktioniert dank maschinellen Lernens. Doch was ist damit eigentlich gemeint? Damit wird der Prozess beschrieben, einer Maschine beizubringen, wie ein Mensch zu lernen. Durch die kontinuierliche Analyse von Trainingsdaten (z. B. Wikipediaeinträge) entwickelt die Maschine eine Art „Verständnis“ von verschiedenen Themen und ist auch in der Lage, Zusammenhänge zu erkennen.

Natural Languange Processing ist bei Google inzwischen an der Tagesordnung. Menschliche Sprache zu verstehen, ist ein Qualitätsmerkmal für die organische Suche. Doch wie wird sie im Alltag sichtbar? Beispielsweise das Beantworten von W-Fragen in den SERPs oder die Echtzeitübersetzungen zeigen, dass NLP funktioniert.

Grund dafür ist vor allem das Passage Ranking. Das ist die Funktion der Suchmaschine, einzelne Textpassagen in den SERPs als Antworten anzuzeigen, wie Du in dieser Abbildung sehen kannst. Auf diese Weise soll Usern noch schneller geholfen werden, Antworten auf ihre Fragen zu finden.

Was heißt das für Dich als Website-Betreiber? Es ist wichtig, Daten so zu strukturieren, dass sie für Maschinen lesbar und verständlich sind, damit sie Texte noch besser verstehen können. Die Schlüssel dafür sind einfache Sprache, kurze, prägnante Worte und Worte mit wenigen Silben. Schachtelsätze und Wortaneinanderreihungen gehören der Vergangenheit an.

Natural Language Processing begegnet Website-Betreibern in verschiedenen Phasen. Bereits bei der Datenbereitstellung kommt NLP zum Einsatz, um einzelne Sätze zu tokenisieren. Das bedeutet, dass die KI Sätze in Teilbereiche unterteilt, um ein besseres Verständnis zu schaffen. Als Publisher solltest Du Deine Daten so vorbereiten und kennzeichnen, dass sie entsprechend von Google verarbeitet werden können.

Gute Datenpflege ist wichtig. Denn dann gelingt es der Suchmaschine noch besser, Texte zu verstehen oder gar anzureichern. Letzteres ist zum Beispiel der Fall, wenn der Seitentitel eine andere Sprache enthält als der restliche Text. Mehr dazu haben wir auch hier zusammengefasst. Je mehr qualifizierte Daten für die Suchmaschine hinterlegt werden, desto mehr kann die KI Inhalte verstehen.

Dieses Verständnis findet auch auf grammatikalischer Ebene statt. Bei der organischen Suche werden heute nicht mehr nur Substantive verarbeitet, auch Verben, Adverbien oder Personalpronomen gewinnen an Bedeutung in den Suchmaschinen. So hat jede Wortart eine andere Funktion aus Googles Sicht.

Demnach werden Subjekte und Objekte als Entitäten wahrgenommen, während Verben Beziehungen herstellen können und Adjektive Stimmungen oder Meinungen repräsentieren. Google ist also nicht nur in der Lage, Entitäten zu ermitteln und Beziehungen zwischen diesen herzustellen. Ebenso gelingt es inzwischen, die Stimmung oder Meinung einer Suchintention zu analysieren. Zum Einsatz kommt dafür der Sentiment-Score. Welche Meinung haben Kunden über ein bestimmtes Unternehmen oder eine Marke (Entität)? Auch das kann Google herausfinden.

Ein Beispiel dafür ist das E-A-T-Prinzip. Google nutzt dieses, um Marken zu identifizieren. Seit Hummingbird ermitteln die Suchmaschinen Entitäten und setzen sie in Beziehungen. Dazu gehören auch die Beziehungen zwischen Firmen, Kunden und ähnlichen Themen, die mit diesem im Zusammenhang stehen. Wenn Google in den SERPS sogenannte „About This result“-Boxen anzeigt, vermitteln diese dem User Expertise, Autorität und Trust (E-A-T). Die Suchanfrage ist fast damit zu vergleichen, als würde man einen guten Freund fragen: „Kennst Du Zalando?“. Anstatt dass der Freund antwortet: „Ja, das ist doch der Anbieter für Schuhe, Kinderkleidung und Damenmode“, wirft die Suchmaschine diese Antwort aus.

Bleiben wir bei unserem Matrix-Beispiel. Möchtest Du zum Beispiel wissen, wie alt der Schauspieler Keanu Reaves ist, wirft Google Dir als Antwort direkt ein Knowledge-Panel mit dem Alter aus und schlägt Dir weitere Themen vor, die Dich interessieren könnten.

Diese „About This Result“-Boxen sind ein starkes Trust-Element in der Google Suche und stärken auch die Vertrauenswürdigkeit der Quelle, die in den SERPs angezeigt wird. Diese Boxen werden erstellt, weil Google dank NLP Entitäten erkennt. Je häufiger eine bestimmte Entität mit einer anderen in Kombination auftritt, desto wahrscheinlicher ist es, dass diese Entität relevant für die Kategorie oder Ontologie der Suchanfrage ist.

Doch all diese Entwicklungen fordern ihren Tribut. Enorme Mengen an Rechenleistung sind gefragt, um diese Prozesse reibungslos ablaufen zu lassen. Aktuell ist die Forschung in Sachen Quantencomputing noch nicht ausgreift genug, um den Anforderungen von Google gerecht zu werden. Ein klares Zeichen dafür, dass sich der Fortschritt in Sachen semantische Suche eher in der Software abspielt. Doch eins ist klar: Die Optimierung der Suchsysteme schreitet voran und Google kommt seinem obersten Ziel, die bestmögliche Nutzererfahrung bieten zu wollen, immer näher. Doch die Rechenleistung reicht schlichtweg noch nicht für das Big Scale Machine Learning aus.

Als Alternative kommt nun MUM zum Einsatz. MUM steht für Multitask Unified Model und ist ein neuer Algorithmus, der seit September 2021 zum Einsatz kommt. Er ist als Erweiterung der BERT-Algorithmus zu verstehen und soll eine noch bessere Usererfahrung für komplexe Anfragen bieten.

Mit der Einführung von MUM werden mehrere parallel laufende Prozesse reduziert, um effizienter zu arbeiten und eine bessere Performance zu erzielen. Statt Hummingbird, RankBrain und BERT gibt es nun MUM. Hier wird Machine Learning mit Natural Language Processing kombiniert. Was hat das für Folgen?

Reine Content-Produktion genügt den Ansprüchen einer modernen semantischen Suche nicht mehr. Warum? User sollen nicht mehr nur mit Informationen versorgt werden. Sie sollen während ihrer gesamten Customer Journey begleitet werden. Wenn auch Du als Publisher dieses Ziel verfolgst, solltest Du Dich darauf konzentrieren, hochwertigen Content zu erstellen. Vor allem W-Fragen werden immer relevanter. Recherchiere, welche für Dein Themencluster relevant sind, um Deinen Website-Content noch interessanter für User und Google zu machen.

Wichtig sind außerdem sogenannte Content-Touchpoints. Statt grobe Analysen über Suchintentionen sind detaillierte SERP-Checks notwendig. Suchen User nach einem lustigen Video zur Unterhaltung, einer Schritt-für-Schritt-Anleitung als Lösung für ein Problem oder wollen sie nur kurz eine Frage beantwortet haben? Auch aus Verkäuferperspektive ist es wichtig zu wissen, ob ein Kunde sich noch in der Vergleichsphase befindet oder direkt einen Kauf tätigen möchte. Noch viel wichtiger ist aber, dass Website-Betreiber sie während dieser gesamten Reise unterstützen.

Das kann auch gelingen, indem während dieser gesamten Reise Informationen bereitgestellt werden. Produktbezogene FAQs oder Bedienungsanleitungen können hier der erste Schritt in die richtige Richtung sein. Aber auch E-Mail-Marketing ist hier ein wichtiges Instrument, um Kunden durch die Customer Journey zu leiten.

Die manuelle SERP-Analyse wird immer wichtiger, um genau diese Bedürfnisse ausfindig zu machen. Mit MUM steigen die Anforderungen, denn hier ist nicht nur Text-Content relevant, sondern auch Bilder und Videos, Audios oder Podcasts. Durch die Entitäten kann Google selbstständig die Inhalte erkennen und verarbeiten. Es reicht also nicht mehr, Alt-Tags zu pflegen. Auch der Content in Videos & Co. an sich, sollte mit semantisch passenden Begriffen gespickt sein.

Ebenso wichtig ist hochwertiger Offline-Content. Erwähnungen in externen Medien sind mindestens so relevant wie qualitativer Onpage-Content. Hier ist die Arbeit von Content-Creatorn, PR-Experten, Social-Media-Profis und Influencern gefragt. Es wird immer schwieriger für SEO-Experten, durch klassische SEO-Maßnahmen positiv Einfluss auf das Ranking zu nehmen. Entscheidend ist der thematische Kontext.

Die Suchergebnisse werden mit Einführung von MUM und BERT immer genauer und detaillierter – zufriedenstellender für User, sodass weniger Klicks auf Unterseiten notwendig sind. Nun wird die Befürchtung laut, dass der Traffic durch MUM sinken könnte. Aktuell ist es allerdings so, dass Google auf den Content von Publishern angewiesen ist. Außerdem kann selbst die intelligente Suchmaschine kein tiefgehendes Fachwissen eigenständig generieren. Wenn es um Kompetenzen geht, siegen ausgebildete Fachkräfte, die ihr Wissen bereitstellen. Aus diesem Grund wirst Du mit Deiner Website auch künftig weiterhin Traffic erhalten, wenn Du guten Content anbietest.