Entity Salience statt Keyword-Dichte: Warum Nomen zählen

Der semantische Wandel: Google liest keine Wörter mehr, sondern Konzepte

Jahrelang beruhte das SEO-Handbuch auf dem Trugschluss der Keyword-Dichte. Man zählte sorgfältig, wie oft eine Zielphrase („beste CRM-Software“) auf einer Seite vorkam, in dem Glauben, Wiederholung sei der Schlüssel zur Relevanz.

Das war das Paradigma der String-Matching-Ära.

Heute ist dieser Ansatz nicht nur wirkungslos, sondern schädlich. Googles Algorithmen, angetrieben von BERT, MUM und moderner Vektorsuche, sind weit über den bloßen Textabgleich hinausgewachsen. Die Suchmaschine ist heute eine ausgefeilte Reasoning-Engine, die Ihre Inhalte nicht als Wörter verarbeitet, sondern als Konzepte und Entitäten.

Die entscheidende Kennzahl ist nicht mehr die Keyword-Dichte, sondern die Entity Salience.

Entity Salience misst, wie zentral eine bestimmte Entität (eine Person, ein Ort, eine Organisation oder ein abstraktes Konzept) für die Gesamtbedeutung eines Dokuments ist, ermittelt durch ein Large Language Model (LLM).

Wenn Ihr Unternehmen in AI Overviews (SGE) ranken und sich in anspruchsvollen B2B-Nischen behaupten will, müssen Sie den Fokus verschieben: weg davon, einfach die richtigen Wörter zu verwenden, hin zum Aufbau der richtigen konzeptionellen Autorität.

Dieser ausführliche Leitfaden erklärt den grundlegenden technischen Wandel bei Google, zeigt, wie Sie mit Python (öffnet in einem neuen Tab) und API-Tools⁠EN (auf Englisch) die Entitätsgraphen Ihrer Wettbewerber analysieren, und liefert eine umsetzbare Strategie, um die Salience Ihrer Inhalte zu maximieren.

KI-generiert Bild

Teil 1: Der Wechsel zur vektorbasierten Suche

Um Entity Salience zu verstehen, müssen wir zuerst die Technologie verstehen, auf der moderne Suchmaschinen beruhen: Vektor-Embeddings.

Der alte Weg: TF-IDF und String-Matching

Im älteren SEO-Modell wurde Relevanz mit Algorithmen wie TF-IDF (Term Frequency-Inverse Document Frequency) berechnet. Dieses mathematische Modell bestimmte die Bedeutung eines Dokuments danach, wie häufig ein Begriff darin vorkam (Term Frequency) im Verhältnis dazu, wie selten er im gesamten Web ist (Inverse Document Frequency).

Das Problem: TF-IDF versteht keine Nuancen. Ein Dokument über „Apfelkuchen-Rezepte“ und eines über „Apple Inc. Aktienentwicklung“ würden für das Keyword „Apple“ ähnlich abschneiden, obwohl sie semantisch Welten trennen.

Der neue Weg: Embeddings und der Vektorraum

Die generativen KI-Modelle hinter der modernen Suche haben dieses Problem gelöst, indem sie einen Vektorraum schaffen.

1. Tokenisierung und Embedding: Das LLM nimmt ein Wort, eine Phrase oder ein Konzept und wandelt es in ein hochdimensionales Zahlenarray um, einen Vektor.
2. Semantische Nähe: Dieser Vektor wird in einem riesigen mathematischen Raum platziert. Ähnliche Konzepte liegen nahe beieinander.
   • Der Vektor für „Chief Financial Officer“ liegt nahe bei „Corporate Finance“ und „SaaS Unit Economics“.
   • Der Vektor für „Wanderstiefel“ liegt nahe bei „Gore-Tex“ und „Trailhead“.
3. Die Suchanfrage: Gibt jemand eine Anfrage ein, wandelt Google die Absicht dieser Anfrage in einen Vektor um.
4. Retrieval: Die Suchmaschine sucht nicht mehr nach übereinstimmenden Keywords, sondern nach Dokumenten, deren Vektoren mathematisch am nächsten am Vektor der Anfrage liegen.

Der Kern von GEO: Liegt der Vektor Ihres Inhalts näher am Expertencluster der Konzepte, gewinnen Sie. Entity Salience ist die Methode, mit der Sie den Vektor Ihres Inhalts näher an den Kern des Expertenkonzepts rücken.

Teil 2: Der Unterschied zwischen Keywords und Entitäten

Hier liegt die grundlegendste strategische Verwechslung in der modernen SEO.

Nomen zählen mehr: Jede Entität ist ein Nomen. Wer die richtigen Nomen verwendet und sie so tiefgehend behandelt, wie es Fachleute tun, signalisiert hohe Entity Salience. Wer nur Füll-Adjektive und -Verben schreibt, dessen Inhalt kann das Modell nicht auf den Knowledge Graph abbilden.

Die Definition von „Topical Authority“

Topical Authority ist schlicht hohe Entity Salience über ein ganzes Cluster verwandter Entitäten hinweg. Topical Authority zu „Cloud Computing“ erreichen Sie, indem Sie für Entitäten wie „AWS“, „Serverless“, „Containerisierung“, „Kubernetes“ und „Latenz“ eine hohe Salience aufbauen.

Teil 3: Technische Entitätsextraktion: Den Wettbewerb analysieren

Wir setzen vor allem auf zwei Ansätze zur Entitätsextraktion:

• Die Google Natural Language API (bevorzugt): Sie ist der Goldstandard, weil sie dieselbe Technologie nutzt wie die Google-Suche. Sie liefert für jedes erkannte Nomen ausdrücklich einen Entity Salience Score (einen Zahlenwert).
• Open-Source-NLP-Bibliotheken (SpaCy/NLTK): Hervorragend für die einfache Entitätsextraktion (Named Entity Recognition, NER), liefern aber weder die Knowledge-Graph-IDs noch den ausgefeilten Salience Score der Google-API.

Python-Walkthrough: Entitäten über die API extrahieren

Wir zeigen die Kernlogik als Pseudocode auf Basis der Google Cloud Natural Language API (öffnet in einem neuen Tab) (ein grundlegendes Werkzeug für seriöse GEO-Arbeit).

Ziel ist es, den erfolgreichen Artikel eines Wettbewerbers zu analysieren und eine priorisierte Liste der Entitäten zu erstellen, die wir abdecken müssen.

# Konzeptionelles Python-Skript zur Entitätsextraktion

import requests
import json
from time import sleep # für robuste API-Aufrufe

# -- Konfiguration (durch Ihre eigenen Schlüssel und Endpunkte ersetzen) --
API_KEY = "YOUR_GOOGLE_CLOUD_API_KEY"
ENDPOINT = "https://language.googleapis.com/v1/documents:analyzeEntities"

def analyze_document(text_content):
    """
    Sendet Text an die Google-NLP-API und liefert Entitäten samt Salience Scores.
    """
    document = {
        'content': text_content,
        'type': 'PLAIN_TEXT',
        'language': 'en'
    }
    encoding_type = 'UTF8'

    payload = {
        'document': document,
        'encodingType': encoding_type
    }

    headers = {
        'Content-Type': 'application/json'
    }

    # API-Aufruf; in der Produktion mit exponentiellem Backoff (hier nicht im Detail gezeigt)
    try:
        response = requests.post(
            f"{ENDPOINT}?key={API_KEY}",
            headers=headers,
            data=json.dumps(payload)
        )
        response.raise_for_status() # Exception bei fehlerhaftem Statuscode auslösen
        return response.json().get('entities', [])
    except requests.RequestException as e:
        print(f"API Request Failed: {e}")
        return []

def extract_and_prioritize_entities(article_text):
    """
    Analysiert Text und liefert eine Liste der wichtigsten Entitäten nach Salience Score.
    """
    entities = analyze_document(article_text)

    # Nach Nomen-Typen filtern (z. B. PERSON, ORG, LOCATION, OTHER, EVENT usw.)
    relevant_entities = [
        e for e in entities if e['type'] not in ['OTHER', 'NUMBER']
    ]

    # Entitäten nach 'salience' sortieren (Fließkommazahl zwischen 0 und 1)
    sorted_entities = sorted(
        relevant_entities,
        key=lambda x: x['salience'],
        reverse=True
    )

    # Die zehn wichtigsten Entitäten samt Scores ausgeben
    print("\n--- Top 10 Entities by Salience Score ---")
    for i, entity in enumerate(sorted_entities[:10]):
        print(f"Rank {i+1}: {entity['name']} (Type: {entity['type']}) - Salience: {entity['salience']:.4f}")

    return sorted_entities

# --- Anwendungsbeispiel ---
competitor_article = """
The shift to vector-based search, leveraging technologies like the Pinecone vector database,
has fundamentally changed how enterprise SEO is conducted. We analyzed the new BERT models,
which interpret content embeddings to move beyond simple keyword density. Our kōdōkalabs research
shows that the average B2B SaaS company must focus on entities like "Annual Recurring Revenue"
and "Customer Lifetime Value" rather than generic phrases. This change is driven by the
necessity of Information Gain to rank in Google's SGE environment.
"""

# Analyse ausführen
# extract_and_prioritize_entities(competitor_article)
# Hinweis: In der Praxis würden Sie den Artikeltext zuvor von einer URL abrufen.
# Das Skript dient nur der Veranschaulichung der Kernlogik.

Teil 4: Der Praxistipp: Entitätsdichte in alten Inhalten erhöhen

Der einfachste Gewinn mit dem höchsten ROI in der GEO ist nicht neuer Content, sondern das gezielte Aufwerten Ihrer bestehenden, autoritativen Assets. Sie erhöhen nicht die Wortzahl, sondern die Informationsdichte.

Schritt 1: Zielseiten identifizieren

Konzentrieren Sie sich auf Seiten, die diese Kriterien erfüllen:

• Striking Distance: Seiten, die bei Google auf Position 7 bis 20 ranken.
• Hohe Autorität: Seiten mit vielen Backlinks oder hoher interner Linkkraft.
• Hoher Intent: Seiten, die auf kommerzielle oder inhaltlich wertvolle Informationsanfragen zielen.

Schritt 2: Das „Rechtfertigungs“-Audit

Nehmen Sie die Entity-Gap-Liste (aus Teil 3) und gehen Sie Ihre alten Inhalte durch. Fragen Sie bei jeder fehlenden Entität mit hoher Salience: „Habe ich das Recht, darüber zu sprechen?“

• Ist die Entität ein Konzept (z. B. „Customer Lifetime Value“), brauchen Sie einen eigenen H3-Abschnitt, der es definiert und behandelt.
• Ist die Entität eine Person oder Organisation (z. B. „der Gründer von kōdōkalabs“), verweisen Sie auf sie als Autoritätsquelle.

Schritt 3: Strategische Entity Injection

Erwähnen Sie die Entität nicht nur einmal, sondern binden Sie sie kontextbezogen ein.

Wer vage Formulierungen durch konkrete, benannte, großgeschriebene Nomen ersetzt, gibt dem LLM präzise Anker für den Knowledge Graph. Das ist der Kern von hohem E-E-A-T.

Schritt 4: Interne Verlinkung über Entitätsbeziehungen

Sobald Sie eine neue Entität eingefügt haben, nutzen Sie sie für einen kontextbezogenen internen Link.

• Beispiel: Sie ergänzen Ihren allgemeinen „Vector Search Guide“ um einen H3 zu „Pinecone-Vektordatenbanken“. Verlinken Sie das Wort Pinecone auf den spezifischen Deep-Dive-Artikel, den Sie zu diesem Tool geschrieben haben.

Dieses Vorgehen festigt Ihr Themencluster und zeigt dem LLM: Sie sind nicht nur eine Seite. Sie sind ein Netzwerk verwandter Expertise.

Teil 5: Die E-E-A-T-Verbindung: Erfahrung ist eine Entität

Googles Betonung von E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) passt hervorragend zum Modell der Vektorsuche.

• Experience (das „E“): Sie zeigt sich oft in konkreten, eigenen Entitäten.
  • Schlecht: „Wir wissen, dass SEO schwierig ist.“
  • Hohe Salience: „Nachdem wir in diesem Quartal 5.000 Anfragen über die Google Search Console API gestellt haben, ist uns ein Muster in der Datensegmentierung aufgefallen.“ (Die konkrete API, die konkrete Zahl. Das sind überprüfbare Entitäten.)
• Authority und Trust (das „A“ und das „T“): Sie entstehen durch das Zitieren von Entitäten mit hoher Salience wie Organisationen, offiziellen Berichten und verifizierten Autorinnen und Autoren. Ein LLM vertraut Ihrem Inhalt eher, wenn es Entitäten mit hoher Salience im Zusammenhang mit Forschung und Governance erkennt.

Ihre Autorenbiografie ist ein GEO-Signal: Sorgen Sie dafür, dass jede Autorin und jeder Autor eine belastbare, veröffentlichte Biografie hat, die den Namen (eine Entität) mit den fachlichen Qualifikationen (weitere Entitäten, z. B. „ehemaliger CTO“, „Promotion in NLP“) verknüpft.

Fazit: Hören Sie auf, Wörter zu zählen, und kartieren Sie Konzepte

Der Wechsel von der Keyword-Dichte zur Entity Salience ist mehr als eine taktische Änderung, es ist ein Wechsel der Denkweise. Er bedeutet, von der Sprache des Marketings zur Sprache der Informationswissenschaft zu wechseln.

Keywords sind für Menschen, die raten. Entitäten sind für Maschinen, die schlussfolgern.

Wenn Sie das vektorbasierte Modell annehmen, Python-Werkzeuge für eine gezielte Wettbewerbsanalyse einsetzen und die Dichte autoritativer Entitäten in Ihren Inhalten bewusst erhöhen, bauen Sie einen strukturellen Vorsprung auf. Ihre Inhalte werden für ein LLM unmöglich zu ignorieren.

In der KI-Ära ist Ihre Fähigkeit, Konzepte zu formulieren und zu verbinden, also Ihre Entity Salience, der mächtigste Rankingfaktor, den Sie haben.

Bereit für den Schritt vom Keyword-Raten zum Entity Engineering?

Entity-Gap-Audit und Roadmap jetzt anfordern