Ihr bester SEO-Analyst ist eine KI.
Die Google Search Console (GSC) (öffnet in einem neuen Tab) ist die wertvollste Source of Truth für jede SEO. Sie zeigt genau, wonach Nutzende suchen und wie Google Ihre Website sieht.
Doch die Oberfläche der GSC ist … begrenzt. Sie erlaubt das Filtern nach Suchanfrage oder Seite, scheitert aber bei komplexen Analysen. Eine Frage wie „Zeige mir alle Keywords ohne Markenbezug auf Position 11 bis 20 mit vielen Impressionen und niedriger CTR“ lässt sich kaum stellen.
Für diese Antwort müssen Sie üblicherweise:
- 10.000 Zeilen nach Excel exportieren.
- Komplizierte SVERWEISE und Pivot-Tabellen schreiben.
- 3 Stunden Daten bereinigen.
Oder Sie erledigen das in 3 Minuten mit LLM Code Interpretern (wie ChatGPT Advanced Data Analysis oder Claude 3.5 Sonnet Artifacts).
Bei kōdōkalabs glauben wir an Agentic Analytics. Wir verbringen keine Stunden damit, Zahlen zu wälzen, sondern lassen Maschinen das erledigen.
Dieser Leitfaden zeigt, wie Sie Ihre GSC-Exporte mit der „Striking-Distance“-Methode in unmittelbare Umsatzchancen verwandeln.
Teil 1: Die „Striking-Distance“-Chance
Bevor wir das Tool öffnen, definieren wir die Strategie.
Striking-Distance-Keywords sind Suchanfragen, bei denen Ihre Website auf Seite 2 (Positionen 11 bis 20) rankt.
- Sie sind relevant genug, um zu ranken.
- Sie sind maßgeblich genug, um indexiert zu werden.
- Aber für 99 % der Nutzenden sind Sie unsichtbar (denn auf Seite 2 klickt niemand).
Ein Keyword von Position 12 auf Position 8 zu bringen, ist oft zehnmal leichter, als ein neues Keyword von Position 100 auf Position 10 zu heben. Das ist die Tätigkeit mit dem höchsten ROI in der SEO.
Das Problem? Solche Chancen über 5.000 Seiten hinweg von Hand zu finden, ist unmöglich. Die Lösung? Code Interpreter.
Teil 2: Die Rohdaten beschaffen
Sie haben zwei Wege, an die Daten zu kommen.
Methode A: der einfache CSV-Export (gut für unter 1.000 Seiten)
- Melden Sie sich in der Google Search Console an.
- Gehen Sie zu Leistung > Suchergebnisse.
- Stellen Sie den Zeitraum auf Letzte 3 Monate (oder 6 Monate für mehr Daten).
- Klicken Sie auf Exportieren > CSV herunterladen.
- Sie erhalten eine ZIP-Datei. Entpacken Sie sie. Sie brauchen Queries.csv und Pages.csv.
Methode B: die API (besser für über 1.000 Seiten)
Bei größeren Websites begrenzt die Oberfläche den Export auf 1.000 Zeilen. Das reicht nicht aus. Nutzen Sie einen Connector (etwa die Erweiterung „Search Analytics for Sheets (öffnet in einem neuen Tab)“ oder ein Python-Skript), um über die GSC-API 25.000 und mehr Zeilen abzurufen.
Profi-Tipp: Achten Sie darauf, dass Ihr Export Klicks, Impressionen, CTR und Position enthält.
Teil 3: Der Code-Interpreter-Workflow
Jetzt füttern wir die Maschine. Öffnen Sie ChatGPT (Plus) oder Claude 3.5 Sonnet. Stellen Sie sicher, dass „Advanced Data Analysis“ (bzw. Artifacts) aktiviert ist.
Schritt 1: Hochladen und vorbereiten
Laden Sie Ihre Datei Queries.csv hoch.
Prompt:
„Ich lade meine Suchanfragen-Daten aus der Google Search Console hoch. Die Spalten heißen Top Query, Clicks, Impressions, CTR und Position. Bitte lade diesen Datensatz in einen Pandas DataFrame und zeige die ersten 5 Zeilen an, um zu bestätigen, dass du die Struktur verstanden hast. Analysiere noch nicht, bestätige nur, dass der Datentyp der Spalte ‚Position‘ numerisch ist.“
Warum dieser Prompt? LLMs deuten die Spalte „Position“ wegen der Dezimalstellen manchmal als Text. Das erzwingt eine Prüfung.
Schritt 2: der „Striking-Distance“-Filter
Jetzt finden wir das Geld.
Prompt:
„Ich möchte ‚Striking-Distance‘-Chancen finden. Erstelle einen neuen DataFrame namens striking_distance, der diese Kriterien erfüllt:
- Position: Größer als 10 UND kleiner als 21 (Rankings auf Seite 2).
- Impressions: Größer als 100 (damit das Volumen relevant ist).
- Markenfilter: Schließe alle Suchanfragen aus, die ‚[Ihr Markenname]‘ enthalten.
Sortiere die Liste nach Impressions (absteigend). Zeige die Top 20 Chancen in einer Markdown-Tabelle an.“
Das Ergebnis: Das LLM schreibt Python-Code und führt ihn aus, um Ihre unaufgeräumte CSV sofort zu filtern. Sie erhalten eine saubere Liste aussichtsreicher Keywords, für die Sie fast ranken.
Schritt 3: semantisches Clustering (der fortgeschrittene Schritt)
Eine Liste mit 500 Keywords überfordert. Wir müssen sie nach Themen gruppieren.
Prompt:
„Nimm den DataFrame striking_distance. Nutze eine einfache NLP-Technik (etwa N-Gramm-Analyse oder simples String-Matching), um diese Suchanfragen anhand gemeinsamer Wörter in ‚Themen-Cluster‘ zu gruppieren.
Gib eine Übersichtstabelle aus mit:
- Cluster-Name (z. B. ‚Integration‘, ‚Preise‘, ‚Fehlercodes‘)
- Impressionen im Cluster gesamt
- Durchschnittliche Position im Cluster
- Anzahl der Suchanfragen im Cluster“
Strategische Erkenntnis: Sehen Sie, dass der Cluster „Integration“ 50.000 Impressionen auf Seite 2 liegen hat, wissen Sie genau, welchen Inhalt Sie als Nächstes aufwerten müssen.
KI-generiert Bild
Teil 4: Die Daten in Maßnahmen übersetzen (die Lösung)
Sie haben die Liste. Was fangen Sie damit an? Hier ist das kōdōkalabs-Optimierungsprotokoll für Striking-Distance-Keywords.
Szenario A: das Problem „dünner Content“
- Diagnose: Sie ranken auf Platz 14 für „Enterprise CRM Benefits“, aber die Seite ist ein kurzer Blogbeitrag mit 500 Wörtern aus dem Jahr 2021.
- Die Lösung:
- Inhalt aktualisieren: Ergänzen Sie 3 bis 4 neue H2 zu verwandten Entitäten (nutzen Sie den Leitfaden zu Entity Salience).
- Daten ergänzen: Fügen Sie eine Vergleichstabelle oder eine aktuelle Statistik ein, um den Information Gain zu erhöhen.
- Datum aktualisieren: Setzen Sie das Datum „Zuletzt geändert“ neu.
Szenario B: das Problem „Kannibalisierung“
- Diagnose: Zwei verschiedene Seiten ranken auf Platz 18 und 19 für dieselbe Suchanfrage. Google ist unsicher, welche Seite relevant ist.
- Die Lösung:
- Zusammenführen: Wählen Sie die stärkere URL.
- Umleiten: Leiten Sie die schwächere Seite per 301-Redirect auf die stärkere um.
- Inhalte zusammenführen: Übertragen Sie jeden einzigartigen Mehrwert der schwachen auf die starke Seite.
Szenario C: das Defizit bei internen Links
- Diagnose: Die Seite ist perfekt, steckt aber auf Platz 11 fest.
- Die Lösung:
- Links einfügen: Suchen Sie 3 bis 5 bestehende, autoritätsstarke Seiten Ihrer Website.
- Ankertext: Verlinken Sie von diesen Seiten auf die Striking-Distance-Seite, mit dem exakten Keyword als Ankertext.
Teil 5: Den Analysten automatisieren
Einmal ist gut. Monatlich ist rentabel. Sie können den Code Interpreter bitten, für Sie ein wiederverwendbares Python-Skript zu schreiben.
Prompt:
„Diese Analyse war perfekt. Bitte schreibe ein eigenständiges Python-Skript, das ich lokal auf meinem Rechner ausführen kann. Das Skript soll:
- Queries.csv als Eingabe nehmen.
- Die Striking-Distance-Filterung durchführen (Position 11 bis 20, Impressions > 100).
- Meinen Markennamen ‚[Marke]‘ ausschließen.
- Das Ergebnis in einer neuen Datei namens high_priority_opportunities.csv speichern. Gib den vollständigen Codeblock aus.“
Damit besitzen Sie jetzt eine eigene Software. Sie können dieses Skript Ihrem jungen „SEO Systems Architect“ übergeben, der es jeden Montagmorgen ausführt.
Teil 6: Mehr als Keywords (Opportunity Mining)
Striking Distance ist nur der Anfang. Hier sind drei weitere „Code-Interpreter“-Ansätze, die wir bei kōdōkalabs nutzen.
1. Der „Low-CTR“-Jäger
Finden Sie Seiten, die gut ranken, aber nicht geklickt werden (ein Zeichen für schlechte Title-Tags).
Prompt: „Filtere nach Suchanfragen auf Position 1 bis 3 mit einer CTR unter 3 %. Sortiere nach Impressions. Das sind vermutlich Chancen für die ‚Title-Tag-Optimierung‘.“
2. Der „Fragen“-Extraktor
Finden Sie PAA-Chancen (People Also Ask).
Prompt: „Filtere den Datensatz nach Suchanfragen, die mit ‚Wie‘, ‚Was‘, ‚Warum‘ oder ‚Kann‘ beginnen. Sortiere nach Impressions. Das sind Kandidaten für einen neuen FAQ-Schema-Abschnitt.“
3. Der „Decay“-Detektor (braucht 2 CSVs)
Laden Sie die Daten dieses Monats und des Vormonats hoch.
Prompt: „Vergleiche die beiden Datensätze. Identifiziere Suchanfragen, die im Monatsvergleich mehr als 3 Positionen verloren haben, obwohl sie viele Impressions haben. Liste diese als ‚gefährdeten‘ Content auf.“
Fazit: Daten ohne Handeln sind Eitelkeit
Tools (auf Englisch) wie der ChatGPT Code Interpreter demokratisieren Data Science. Sie brauchen keine Data Analysts mehr auf der Gehaltsliste, um Erkenntnisse auf Enterprise-Niveau zu gewinnen.
Aber die KI kann sich (noch) nicht in Ihr CMS einloggen und Inhalte aktualisieren. Den Wettbewerbsvorteil hat, wer die Zeit zwischen Erkenntnis und Umsetzung verkürzt.
- Analyse durchführen (3 Minuten).
- Die Top 10 der Striking-Distance-Seiten identifizieren.
- Sie Ihren „Content Pilots“ für ein Information-Gain-Refresh zuweisen.
Hören Sie auf, auf das GSC-Dashboard zu starren. Fangen Sie an, es auszuwerten.
Oder möchten Sie Ihr Crawl Budget gezielt steuern? Mehr über die GSC-Mining-Skripte von kōdōkalabs erfahren