Suchmaschinenoptimierung (SEO) hat eine neue Dimension erreicht, insbesondere mit der Einführung von KI-gestützten Suchen. In den sogenannten „10 blauen Links“-Zeiten hätte man für SEO jeweils nur darauf geachtet, so viele Inhalte wie möglich zu erstellen. Jetzt liegt der Schwerpunkt darauf, die Benutzerintention, auch Suchintention genannt, genau zu erkennen. KI-gesteuerte Suchen bevorzugen es, Ressourcen effizienter zu nutzen, weshalb sie so entwickelt wurden, dass sie auf die säuberlich analysierten Benutzerbedürfnisse eingehen.
Warum ist Suchintention so entscheidend?
Die Absicht, die hinter einer Suchanfrage steckt, ist der Schlüssel zur besseren Zuordnung von Inhalten und den Bedürfnissen der Benutzer. Die beste Informationsquelle hierfür bleibt die Analyse von Google-Suchergebnissen (SERPs), da diese stark durch Benutzerverhalten geformt sind. Mit der Automatisierung können wir nun auf skalierbarer Ebene Suchintentionen aufdecken und gezielt umsetzen.
Keyword-Clustering leicht gemacht – Mit Python!
Angenommen, du hast bereits eine Liste von Suchergebnissen (SERPs). Python bietet eine großartige Möglichkeit, all diese Daten in logischen Clustern zu gruppieren. Alles, was du dafür brauchst, ist ein CSV-Datensatz mit den Suchergebnissen.
Schritt 1: Importieren der Daten
Im ersten Schritt lädst du deine SERP-Daten in ein Pandas-Datenframe, um diese in Python weiterverarbeiten zu können. Die Daten enthalten Informationen wie das Keyword und die URL-Rangfolge.
„`python
import pandas as pd
serps_input = pd.read_csv(‚data/sej_serps_input.csv‘)
„`
Schritt 2: Filterung von Daten für Seite 1
Um die relevanten Ergebnisse zu analysieren, filterst du nur URLs, die auf der ersten Seite erscheinen. Dazu wird jede Keyword-Gruppe in Mini-Datenrahmen aufgeteilt und einzeln verarbeitet.
Schritt 3: Umwandlung der URLs in Strings
Um effizient zu vergleichen, werden die URLs in sogenannte SERP-Strings umgewandelt, die jede SERP-Zeile für ein Keyword in einer einzigen Zeile zusammenfassen.
Schritt 4: Vergleichen von SERP-Strings
Mithilfe eines Algorithmus berechnest du die Ähnlichkeit der Suchergebnisse zwischen verschiedenen Keywords. Dabei wird berücksichtigt, wie oft und in welcher Reihenfolge URLs übereinstimmen.
„`python
def serps_similarity(serps_1, serps_2):
# Funktion zur Berechnung der SERP‑Ähnlichkeit
„`
Schritt 5: Clustering der Suchintentionen
Nachdem die Ähnlichkeiten berechnet wurden, können Keywords mit ähnlichen Suchintentionen in Gruppen kombiniert werden. Diese Gruppen können verwendet werden, um SEO- oder Werbekampagnen zu verbessern.
Anwendungsfälle der Clustering-Ergebnisse
Mit diesen Daten lassen sich vielfältige Anwendungen umsetzen. Einige Beispiele beinhalten:
- Erstellung effizienter Suchkampagnen mit Google Ads.
- Bessere Strukturierung deiner Website-Taxonomie basierend auf Benutzerintention statt Produktkatalogen.
- Verbesserte SEO-Berichte und Dashboards für Trends und Analysen.
Die hier aufgezeigten Schritte sind einfache Beispiele und können erweitert werden, um noch präzisere Ergebnisse zu erhalten, beispielsweise durch neuronale Netzwerke sowie detaillierte Analyse von Textinhalten auf SERP-Seiten.
Fazit
Die Automatisierung des Keyword-Clusterings erleichtert nicht nur die Arbeit, sondern macht sie auch präziser. Mit Python und den beschriebenen Skripten kannst du deine SEO-Arbeit auf die nächste Stufe heben.
