Suchintention & Nutzerintention von Keywords

Die verschiedenen Keyword-Arten und die Identifikation der Suchintention bzw. Nutzerintention eines Keywords ist der wichtigste Schritte im Rahmen der Keyword-Analyse. Warum? Weil Landingpages bzw. Zielseiten dem Zweck gemäß der Suchintention entsprechen sollten. Nachfolgend einige Erläuterungen rund zu den verschiedenen Suchanfragearten, deren Suchabsicht und Ansätze, um herauszufinden wie Google eine Keyword betreffend der Suchintention klassifiziert.

Was ist die Nutzerintention?

Die  Nutzerintention beschreibt grundsätzlich die Absicht, die ein Nutzer hat, wenn er über eine Quelle wie. z.B. Direkt-Traffic, Organische Suchergebnisse, bezahlte SEA-Anzeigen, Display Ads … eine Webseite besucht. Bei Direktzugriffen z.B. durch die Eingabe  der Domain/URL in die Adressleiste des Browsers sind meistens die Nutzer wiederkehrende Benutzer oder sind über eine (Online-)Marketing-Aktion auf die Website aufmerksam geworden und haben diese dann direkt über die Browserzeile angesteuert.

Was ist die Suchintention?

Bezogen auf Suchterme, eingegeben in Suchmaschinen, spricht man auch von der Suchintention bzw. Suchabsicht in englisch Search-Intent.

Die Suchintention oder Nutzerintention hinter einer Suchanfrage spielt für Google  eine wichtige Rolle um für den Nutzer ein zufriedenstellendes Suchergebnis zu liefern. Google selbst definiert die Suchabsicht wie folgt:

“User Intent: When a user types a query, he or she is trying to accomplish something. We refer to this goal as the user intent.”

Ich bin immer wieder erstaunt, darüber wie wenig sich SEOs trotz der eindeutigen Hinweise in den Google Quality Rater Guidelines  mit der Suchabsicht von Keywords und deren Identifikation beschäftigen. Für mich ist es ein von Beginn an zentrales Thema im Suchmaschinenmarketing, gerade auch mit Blick auf die steigende Bedeutung von Nutzersignalen beim organischen Ranking.

Für Google selbst ist die Identifikation der Nutzerintention bzw. Suchintention die wichtigste Aufgabe beim Query-Processing.

In einem Interview von 2009 sagte Ori Allon, damaliger technischer Leiter des Google Search Quality Teams in einem Interview mit IDG :

We’re working really hard at search quality to have a better understanding of the context of the query, of what is the query. The query isn’t the sum of all the terms. The query has a meaning behind it. For simple queries like ‚Britney Spears‘ and ‚Barack Obama‘ it’s pretty easy for us to rank the pages. But when the query is ‚What medication should I take after my eye surgery?‘, that’s much harder. We need to understand the meaning…

Deswegen macht eine Klassifizierung von Suchtermen in Keyword-Arten nach Suchintention bzw. Nutzerintention für die Suchmaschinenoptimierung in jedem Fall Sinn.

Keyword-Klassifizierung nach Suchintention

Grundsätzlich wird im klassischen Suchmaschinenmarketing (SEO+SEA) zwischen den Keyword-Arten

• Informational
• Transactional
• Commercial
• Navigational
• Brand

unterschieden. Dabei kann man Transactional und Commercial zusammenfassen da sich beide in der Nutzerintention ähneln.

Google selbst klassifiziert die Keyword-Arten  in ihren Quality-Rater-Guidelines nach

• Do = Transactional
• Know = Informational
• Go = Navigational

2015 hat Google zudem mit Know Simple eine weitere Klasse bei den Know-Keywords eingeführt. Für diese Suchanfragen reicht in der Regel eine kurze Antwort von maximal 1-2 Sätzen. Höchstwahrscheinlich steht diese zusätzliche Klassifizierung im Zusammenhang mit der Auslieferung den Knowledge Graph Boxen oberhalb der SERPs wie in diesem Beispiel:

Beispiel einer Know-Simple Suchanfrage

Mir persönlich fehlen in den bisherigen Klassifizierungen aber noch zwei wichtige Differenzierungsmerkmale. Nämlich die Notwendigkeit nach Aktualität und Regionalität. Deswegen würde ich die Keyword-Arten noch um

• Up-To-Date-Keywords
• Regional Keywords

erweitern wollen. Daraus ergibt sich eine vollständige Übersicht aller Keyword-Typen:

Nachfolgend möchte ich auf die einzelnen Suchanfragearten etwas genauer eingehen.

Informationsorientierte Suchbegriffe bzw. Informational Queries

Informationsgetriebene Keywords sind i.d.R. Suchbegriffe bei denen Suchende Lösungen für Fragen, Probleme, Anleitungen, Ratgeber, Definitionen …  finden möchten. Diese Suchanfragen finden oft in einer Recherche-Frühphase des Kaufentscheidungsprozesses statt. Vielen ist eventuell noch gar nicht bewusst, dass sie später eine kostenpflichtige Lösung in Anspruch nehmen wollen. Oft sind sie die Einleitung eines Kaufprozesses, aber nicht immer. Sie können z.B. auch im Rahmen einer journalistischen Recherche vorkommen.  Google definiert sie in den Quality Rater Guidelines wie folgt:

Quelle: Google Quality Rater Guidelines, 2014

Informationsorientierte Suchanfragen lassen sich daran erkennen, dass nach sehr allgemeinen und thematisch breit gefächerten Informationen gesucht wird. Meist hat der Suchende, der die informationsorientierte Suchanfrage eingibt, eine Frage im Kopf, die bspw. mit wie, was oder warum beginnt. Es lassen sich aber auch Suchanfragen, mit welchen der Nutzer darauf abzielt, mehr über ein Produkt oder eine Dienstleistung zu erfahren, in diese Kategorie einordnen. Mit einem Anteil von 50% bis 80% sind informationsorientierte Suchanfragen die meistverwendeten Suchanfragen im Internet (siehe dazu Determining the informational, navigational, and transactional intent of Web queries ). Ein Beispiel für eine informationsorientierte Suchanfrage ist die Suchphrase schuhe herstellung.Deutlich wird, dass der Suchende mit dieser Anfrage weder eine Kaufabsicht vertritt, noch einen bestimmten Internetauftritt ansteuert. Ganz im Gegenteil: eine Vielzahl von Internetauftritten kann für den Suchenden von Relevanz sein, insbesondere dann, wenn er Informationen aus verschiedenen Seiten zusammentragen und auswerten möchte.

Informational Keywords zeichnen sich im Nutzerverhalten i.d.R. dadurch aus, dass oft mehrere Suchergebnisse geöffnet werden und deswegen auch id.R.mehrere Klicks in der SERPs erfolgt.

Transaktionsorientierte Suchanfragen bzw. Transactional Queries

Wie die Benennung der Kategorie impliziert, handelt es sich um Suchanfragen, bei denen der Nutzer eine (Trans-)Aktion ausführen möchte. Darunter können sowohl Bestellungen, Reservierungen als auch das Herunterladen von Software fallen. Transaktionsorientierte Suchanfragen haben mit 10% einen gleichgroßen Anteil an Suchanfragen im Internet, wie navigationsorientierte Suchanfragen. Erkennen lassen sich transaktionsorientierte Suchan­fragen durch Termkoninationen, die z.B. Begriffe wie download enthalten.

Transaktionsgetriebene Keywords werden gerne mit kommerziellen Keywords gleichgesetzt. Ich würde hier noch einen Unterschied machen. Eine Suchanfrage nach „Deichkind Video“ impliziert die Absicht ein Deichkind-Video abzuspielen. Bei einer Suchanfrage nach „E-Commerce Studie Download“ möchte der Suchende eine Studie downloaden. Beide Suchanfragen sind transaktionsorientiert, aber nicht zwangsläufig kommerzieller Natur.

Kommerzielle Suchanfragen bzw. Commercial Queries

Kommerzielle Keywords sind Suchanfragen mit einer klaren Kaufabsicht. Dies kann z.B. ein Suchbegriffs-Kombination wie „nike schuhe shop“ oder „nike schuhe bestellen“ sein. Aber auch Suchanfragen z.B. nach einem  Produktmodell bzw. Spezifikation wie „nike air max blau“ kann eine eindeutige Kaufabsicht beinhalten. Hier gilt es aber individuell zu prüfen (dazu später im Beitrag mehr). Kommerzielle Keywords finden gerade im B2B-Bereich oder wenn es um komplexe Produkte und Thematiken geht oft erst am Ende eines Recherche-Prozess statt. Im Konsumgüter-Bereich sind die Recherche-Ketten i.d.R. nicht so lang. Hier können kommerzielle Suchanfragen der erste und letzte Touchpoint vor der Kaufentscheidung sein. Hier wissen die Nutzer schon ziemlich genau was sie wollen bzw. welche Lösung sie benötigen.

Google fasst in den Quality Rater Guidelines kommerzielle und transaktionsgetriebene Keywords unter Do- oder Action-Queries zusammen:

Quelle: Google Quality Rater Guidelines, 2014

Kommerzielle Suchanfragen sind auch oft Suchen nach exakten Produktnamen, die i,d.R. eine implizite Kaufabsicht beinhalten.

Brand-Keywords

Bei Brand Keywords möchten Nutzer in den meisten Fällen die Website der jeweiligen Marke aufsuchen. Es kommt aber auch vor, dass bei derartigen Suchanfragen der Nutzer sich auf unabhängigen Quellen über eine Marke informieren möchte. Brand Keywords bzw. Marken-Suchanfragen wie z.B. „sportcheck“ werden oft durch Marketing-Aktivitäten Offline und Online sowie PR-Maßnahmen ausgelöst. Auch wiederkehrende Besucher bedienen sich oft der Suchmaschinen indem sie gar nicht mehr die Adress-Zeile des Browsers nutzen, sondern die Marke oder sogar Markendomain deren Website sie besuchen wollen direkt bei Google & Co. eingeben. Marken-Traffic, der u.a. über Brand-Keywords ausgelöst wird ist sehr wertvoller Traffic. Mehr dazu in dem Beitrag Digitaler Markenaufbau: Die Bedeutung der Brand für das Online Marketing

Navigationsorientierte Suchanfragen bzw. Navigational Queries

Über Navigational Keywords steuert der Nutzer über die Suche eine bestimmte Unterseite einer Webseite  an. Weil der Nutzer die Suchmaschine in diesem Fall zum Navigieren nutzt, werden Suchanfragen dieser Art als navigationsorientierte bezeichnet.  Navigationsorientierte Suchanfragen  enthalten oftmals vollständige oder Teile von URLs .

Genauso wir Brand-Keywords sind Navigational Keywords verantwortlich für Marken-Traffic.  Suchanfragen wie z.B. „sportcheck nike schuhe“ sind auf die Bequemlichkeit vieler Nutzer zurückzuführen. Anstatt sich über die Website Navigation der jeweiligen Website zum gewünschten Unterbereich bzw. Kategorie zu navigieren.

Quelle: Google Quality Rater Guidelines, 2014

Navigational Keywords zeichnen sich im Nutzerverhalten i.d.R. dadurch aus, dass es nur eine korrekte Website gibt und deswegen auch id.R. nur ein Klick in der SERPs erfolgt.

Up-To-Date-Keywords

Bestimmte Keywords erfordern Inhalte mit einem hohen Maß an Aktualität wie z.B. „wetter“, „aktienkurs mercedes“ oder Begriffe, die im tagespolitischen Kontext stehen wie z.B. „Angela Merkel“. Bestimmte Suchbegriffe  wie z.B. „Ukraine“ haben nur zeitweise einen hohen Bedarf an tagesaktuellen Informationen. Sehr präsente Einblendung von Google News sind ein Zeichen für hohe Wichtigkeit an Aktualität. Ich habe dieser Art von Keywords den Namen Up-To-Date-Keywords gegeben.

Bei Up-To-Date-Keywords  handelt es sich meistens um eine Unterform von informationsgetriebenen Suchanfragen. Sobald ein Keyword durch Google in diese Klasse eingeordnet wird steht die Aktualität als wichtigste Suchabsicht im Fokus bei der Zusammenstellung der SERPs, insbesondere auf der ersten Suchergebnisseite.

Der SEO-Mythos, dass Aktualität pauschal immer ein wichtiger Rankingfaktor ist gilt in erster Linie nur für Keywords, die eine aktuelle Information bedürfen. Mehr zu diesem Thema im Beitrag Content-Freshness & Inhalts-Aktualität als Ranking-Faktor ? .

Regionale Keywords

Bestimmte Suchanfragen haben einen hohen regionalen Bezug. Hier möchte der Suchende ein Angebot vor Ort finden. Bei Suchanfragen à la „zahnarzt hannover“ ist es ziemlich klar. Aber auch bei Suchanfragen wie z.B. „reifenhändler“ oder „werkstatt“ ist eine hohe Lokalität gegeben. Hierzu liefert Google dann je nach Standort des Suchenden (anteilig) personalisierte Ergebnisse und Einträge aus Google my Business aus. Je höher der Grad der lokalen Wichtigkeit desto personalisierter erscheinen die Suchergebnisse.

Bei Regional Keywords bzw. regionalen Suchtermen handelt es sich meistens um eine Unterform von transaktionellen oder kommerziellen Suchanfragen. Sobald ein Keyword durch Google in diese Klasse eingeordnet wird steht die Regionalität als wichtigste Suchabsicht im Fokus bei der Zusammenstellung der SERPs, insbesondere auf der ersten Suchergebnisseite.

Es gibt Suchterme, die beinhalten explizit bereits eine regionale Suchintention wie z.B.  „Restaurant Hannover“. Bei diesen „Thema + Stadt“-Kombinationen liegt es auf der Hand, dass jemand ein Angebot in der jeweiligen Stadt sucht. Eine Suchanfrage wie z. B. „Reifenhändler“ ist auf den ersten Blick aber nicht als regionales Keyword zu erkennen. Doch nicht nur die klassischen „Thema + Stadt“-Kombinationen können eine regionale Nutzerintention haben und gerade in den letzten zwölf Monaten findet man gefühlt mehr lokal-personalisierte Suchergebnisse in den SERPs (Search Engine Result Pages). Mehr zum Thema Regionale Keywords im Beitrag Regionale Keywords: Wie ermittelt man die lokale Nutzerintention? .

Keyword-Mischformen

Nicht immer ist die Nutzerintention hinter Suchanfrage-Termen eindeutig. Gerade bei Short-Tail-Keywords kann die Suchintention je nach Nutzer unterschiedlich sein. Hier wird Google bei der Auslieferung der Suchergebnisse auf ein ausgewogenes Verhältnis zwischen kommerziellen und informationsgetriebenen Inhalten Wert legen um die wichtigsten Suchabsichten zu befriedigen.

Weiter gedachte Ansätze zur Keyword-Klassifizierung

Aufgrund der voranschreitenden Entwicklung was Diversität der Endgeräte, virtuelle Assistenten … angeht haben sich die amerikanischen Kollegen von Distilled einen neuen Ansatz überlegt und differenzieren noch zwischen Suchen im Web oder mit Hilfe eines Intelligent Personal Assistant (IPA). Mehr Infos dazu hier bei MOZ.

Quelle: Distilles

Grundsätzliche Gedanken zur Bestimmung der Suchabsicht

Als ich 2011 das erste  Mal die Quality Rater Guidelines zu Gesicht bekommen habe fiel mir der immer wieder vorkommende Verweis auf die Suchintention (Searcher Intent) auf (mehr zu den Quality Rater Guidelines übrigens hier: Die Google Quality Rater Guidelines & Was SEOs daraus lernen können ).

Natürlich hatte man sich auch davor insbesondere beim Schalten von AdWords –Anzeigen mit den verschiedenen Suchabsichten hinter einem Keywords nach dem klassischen Modell Informational, Transactional, Navigational und Brand beschäftigt. Aber durch die Hinweise in den Quality-Rater-Guidelines wurde die Beziehung zwischen der Suchabsicht und dem Landingpage-Zweck und dadurch auch dem Ranking noch klarer.

Google weist in den Guidelines klar daraufhin, dass die Such-Evaluatoren zuerst die Suchabsicht hinter einem Keyword verstehen müssen bevor sie mit der Bewertung der Suchergebnisse fortfahren.

“Understanding the query is the first step in evaluating the task. If you don’t understand the query or user intent, do web research using the Google search engine or an online dictionary or encyclopedia. If you still don’t understand the query or user intent, please release the task.”

Und an anderer Stelle noch einmal:

Google hat ein großes Interesse daran Inhalte gemäß der Suchintention des Nutzers bzw. Nutzerintention auszuliefern. Nur so ist das Nutzer-Erlebnis und damit die Zufriedenheit mit dem Ergebnis garantiert.

Bevor ich auf die Vorgehensweise zur Identifikation der Suchintention eingehen eine kurze Einführung in die unterschiedlichen Suchabsichts-Typen.

Implizite und explizite Nutzerintention

Bei der Betrachtung von Keywords muss man zwischen impliziter und expliziter Suchabsicht unterscheiden. Es gibt Suchterme, die sind explizit, also direkt über die Suchanfrage der jeweiligen Keyword-Klasse zuzuordnen wie z.B. auto kaufen = Commercial Intent, reifenhändler hannover=Regional Intent, anleitung kuchen backen = Informational Intent … . Aber es gibt auch Keywords, bei denen ist die Suchabsicht explizit also eher versteckt. Hier bedarf es einer genaueren betrachtung (dazu später in diesem Beitrag mehr). Hier muss Google anhand der Analyse de Nutzerverhaltens nach und nach identifizieren was die Suchabsicht ist.

Die Keyword-Arten in der Customer Journey

Im Recherche-Prozess nach Lösungen, Produkten, Angeboten … folgen Suchanfragen oft einen bestimmten Ablauf. Je nachdem in welcher Phase sich der Suchende gerade findet möchte er Informationen, dann Lösungen und zu guter letzt bestimmte Produkte kaufen. Hierbei spielen die Suchintentions-Typen eine Rolle, die man theoretisch in eine bestimmte Abfolge anordnen kann.

Dabei gilt zu beachten, dass nicht jeder Recherche-Prozess im gleichen Muster abläuft. Je nach Angebot bzw. Produkt können diese Suchabfolgen innerhalb der Customer Journey unterschiedlich ablaufen. Nachfolgend ein Muster für einen Suchabfolgen Verlauf nach Keyword-Art der auf sehr viele Angebote im B2B-Bereich und bei komplexeren B2C-Produkten zutrifft:

Hier sieht man auch, dass Suchmaschinenmarketing nicht zu allen Phasen der Customer Journey wirklich sinnvoll ist.

Commercial bzw. Transactional Keywords können trotz eines mittleren oder sogar verhältnismäßig kleinen Suchvolumens bzw. Mid-Tail oder Longtail-Klassifizierung einen sehr hohen Wettbewerb in den SERPs haben, da sie in der Customer Journey sehr nah an der Purchase Phase verortet sind. Sprich die Abschlussraten sind meistens höher als bei Informational Keywords.

 Wie identifiziert Google die Nutzerintention pro Suchanfrage?

Um es vorweg zu nehmen. Hier kann ich nur Spekulationen nachgehen, die auf verschieden wissenschaftlichen Arbeiten und Google Patenten beruhen, die teilweise am Ende des Beitrags Erwähnung finden. Im Endeffekt ist eine zuverlässige Antwort auch nicht so entscheidend, da für das Suchmaschinenmarketing (SEO + SEA) wichtiger ist herauszufinden wie Google eine Suchintention pro Keyword nach der Identifikation in Form der SERPs darstellt. Dennoch möchte ich nachfolgend einige Ansätze ansprechen.

Zuerst einmal muss man verschiedene Ausgangslagen betrachten.

• Der Nutzer führt eine erste Suchanfrage aus, ohne vorher bereits im gleichen oder ähnlichen Kontext gesucht zu haben. In diesem Fall ist es schwer für Google festzustellen welche Intention der Nutzer hat, da keine Vorab-Informationen vorliegen.

Hier wird Google höchstwahrscheinlich aus vorhergegangenen Verhalten von anderen Nutzern, sprich besuchte Websites/Inhalte pauschal die Suchintention für die jeweilige Anfrage ableiten. Folgende Quellen könnte Google hier heranziehen:

• Die Suchanfrage selbst (bestimmte Term-Bestandteile wie kaufen, Anleitung , Infos, Shop…)
• Ergebnisse, die bereits geklickt wurden un deren Inhalt

• Der Nutzer führt eine Abfolge von Suchanfragen innerhalb einer Session oder mehrerer Sessions durch. In diesen Fällen kann Google die Suchintention des Nutzers pro Keyword aufgrund des vorangegangenen Nutzerverhaltens individuell pro Nutzer und nicht pro Suchbegriff bestimmen.

Wie identifiziert Google die Suchintention nun genau?

Dazu muss Google den Kontext ermitteln. Beim Kontext muss zwischen Suchanfragen-bezogenem Kontext wie Beziehung von Begriffen zueinander, Nutzer-Kontext wie Ort der Abfrage sowie Suchhistorie und thematischem Kontext unterschieden werden. Manche Kontext-Formen sind dynamisch und können sich mit der Zeit verändern. Über die Summe der Kontext-Formen lässt sich dann eine individuelle konkrete Nutzerintention pro Suchanfrage ableiten.

Dazu muss Google die folgende Fragen beantworten:

1. Wo befindet sich der Nutzer?
2. Welches Endgerät benutzt dieser?
3. Für was hat sich der Nutzer in der Vergangenheit interessiert?
4. Wie stehen die genutzten Terme in Verbindung zueinander?
5. Kommen Entitäten in der Suchanfrage vor?
6. In welchem thematischen Kontext werden die Terme verwendet?

• Die ersten beiden Fragen kann Google über die Client-Informationen, GPS-Daten, IP-Adresse … schnell beantworten. Die dritte Frage lässt sich u.a. über die Suchhistorie, Klicks in den SERPs als auch das allgemeine Surfverhalten beantworten.
• Bei den letzten Fragen, bei denen es um die eigentliche Bedeutung der Suchanfrage geht, ist die Frage allerdings nicht mehr so einfach zu beantworten.

Hier hat die Einführung von Rankbrain Google einen großen Schritt weiter gebracht.

Weitere Methoden zur Interpretation von Suchanfragen

Zur Interpretation der Suchanfragen nutzt Google sogenannte Verktorraum-Analysen, die die gestellte Suchanfrage als Vektor abbilden und in Beziehung zu weiteren Begriffen im Vektorraum stellen. Durch ähnliche Beziehungsmuster lassen sich dann auch für unbekannte Suchanfragen die Suchintention bzw. die Bedeutung identifizieren.

Hier scheinen Nutzersignale wie z.B. die Klickrate auf das einzelne Suchergebnis eine besondere Rolle zu spielen. Ich habe in zwei wissenschaftlichen Projekten, an denen Google-Mitarbeiter beteiligt waren, interessante Informationen dazu entdeckt, wie ein Algorithmus dazu funktionieren könnte.

In Learning from User Interactions in Personal Search via Attribute Parameterization wird beschrieben, wie Google über die Analyse des Nutzerverhaltens mit einzelnen Dokumenten semantische Attributs-Beziehungen zwischen Suchanfragen sowie den angeklickten Dokumenten herstellen und sogar einen selbstlernenden Ranking-Algorithmus unterstützen könnte:

„The case in private search is different. Users usually do not share documents (e.g., emails or personal files), and therefore directly aggregating interaction history across users becomes infeasible. To address this problem, instead of directly learning from user behavior for a given [query, doc] pair like in web search, we instead choose to represent documents and queries using semantically coherent attributes that are in some way indicative of their content.
This approach is schematically described in Figure 2. Both documents and queries are projected into an aggregated attribute space, and the matching is done through that intermediate representation, rather than directly. Since we assume that the attributes are semantically meaningful, we expect that similar personal documents and queries will share many of the same aggregate attributes, making the attribute level matches a useful feature in a learning-to-rank model.“

Eine weitere wissenschaftliche Arbeit aus dem Hause Google mit dem Titel „Improving semantic topic clustering for search queries with word co-occurrence and bipartite graph co-clustering“ gibt einige interessante Insights, wie Google heutzutage wahrscheinlich Suchanfragen in verschiedene thematische Bereiche einteilt.

In diesem Dokument werden zwei Methoden vorgestellt, die Google nutzt, um Suchanfragen kontextuell einzuordnen. Beim Word Co-occurrence Clustering spielen sogenannte Lift Scores eine zentrale Rolle:

„Wi“ steht in der Formel für alle Begriffe in engen Bezug zum Wortstamm stehen wie Fehlschreibweisen, Mehrzahl, Einzahl oder Synonyme.

„a“ kann jegliche Nutzerinteraktion wie die Suche nach einem bestimmten Suchbegriff oder der Besuch einer bestimmten Seite sein.

Wenn der Lift-Score z.B. 5 ist, ist die Wahrscheinlichkeit, dass „Wi“ gesucht wird, 5 mal so hoch als dass „Wi“ generell gesucht wird.

„A large lift score helps us to construct topics around meaningful rather than uninteresting words. In practice the probabilities can be estimated using word frequency in Google search history within a recent time window.“

Über diesen Weg lassen sich dann Begriffe bestimmten Entitäten wie z.B. Mercedes und/oder bei Suchen nach Autoersatzteilen der thematischen Kontextklasse „Auto“ zugeordnet werden. Der Kontextklasse und/oder Entität können dann weiterhin Begriffe zugeordnet werden, die oft als Ko-Okkurenzen zu den Suchbegriffen vorkommen. So lässt sich auf schnellem Weg eine Begriffswolke zu einem bestimmten Thema aufbauen. Die Höhe des Lift Scores bestimmt die Affinität zum Thema:

„We use lift score to rank the words by importance and then threshold it to obtain a set of words highly associated with the context.“

Diese Methode kann insbesondere dann eingesetzt werden, wenn „Wi“ bereits bekannt ist, wie z.B. bei Suchbegriffen nach bereits bekannten Marken oder Kategorien. Ist „Wi“ nicht klar zu definieren, da die Suchbegriffe des gleichen Themas zu unterschiedlich sind, könnte sich Google einer zweiten Methode bedienen – dem „Weighted bigraph clustering“.

Diese Methode beruht auf zwei Annahmen.

1. Nutzer mit der gleichen Absicht formulieren ihre Suchanfragen unterschiedlich. Dennoch werden von Suchmaschinen die gleichen Suchergebnisse ausgegeben.
2. Umgekehrt werden zu einer Suchanfrage auf den ersten Suchergebnissen ähnliche URLs ausgegeben.

Bei dieser Methode werden die Suchbegriffe mit den Top-rankenden URLs verglichen und Anfrage / URL-Paare gebildet, deren Beziehung zusätzlich nach den Klickraten der Nutzer und Impressionen gewichtet werden.  Über diesen Weg lassen sich Ähnlichkeiten auch zwischen den Suchbegriffen herstellen, die nicht den gleichen Wortstamm besitzen und daraus semantische Cluster bilden.

Das Word2Vec-Verfahren

Eine weitere Methode, die Google nutzt, um neben der Suchintention auch die Bedeutung eines Suchterms zu identifizieren ist ein textstatisches Verfahren namens Word 2 Vec.

Google nutzt bei der Relevanzbestimmung und bei der Identifikation von Beziehungen Vektorraum-Analysen. Ein Vektorraum besteht aus einzelnen Datenpunkten, über die Vektoren im jeweiligen Vektorraum abgebildet werden können. Über den Winkel zwischen den Vektoren lassen sich Ähnlichkeiten bzw. Beziehungen zwischen den Datenpunkten feststellen. Je größer der Winkel, desto weniger Ähnlichkeit besteht. Umgekehrt gilt: Je kleiner ein Winkel, desto größer die Ähnlichkeit. Für die Hauptkomponenten-Analyse wird z.B. eine Suchanfrage als Vektor in den Vektorraum mit allen verfügbaren relevanten Dokumenten gezogen. Hierbei nutzt Google das sogenannte Word2Vec-Verfahren.

Durch die Nähe der Datenpunkte zueinander lassen sich semantische Beziehungen dieser Datenpunkte zueinander abbilden. Typischerweise werden als Vektoren Suchanfragen und Dokumente abgebildet, die so in Beziehung zueinander gesetzt werden. Ein weiterer Anwendungsfall sind Dokumente und Begriffe in diesen Dokumenten als Vektoren abzubilden, um das Konzept/Thema eines Dokuments zu identifizieren. Vorstellbar wäre aber auch, Entitäten wie z.B. Personen, Marken oder Unternehmen und Themen als Vektoren abzubilden.

Im Beispiel erhalten Suchanfrage und mögliche Ergebnisse eine Position im Raum. Die semantische Beziehung zwische Suchanfrage und Ergebnis 1 ist größer, weil der Winkel kleiner ist. Deshalb wird Ergebnis 1 für diese Suchanfrage besser gerankt als Ergebnis 2.

Um Vektorraum-Analysen anzuwenden, müssen zuerst Dokumente indexiert werden und Konzepten bzw. Themenbereichen zugeordnet werden, welche dann in den jeweiligen themenrelevanten Korpus bilden. Ein Verfahren, um diesen Schritt durchzuführen, ist die latent semantische Analyse (LSI). Somit können Vektorräume geschaffen werden, die hinsichtlich Precision und Recall die besten Ergebnisse liefern. Über diesen Weg lässt sich auch eine semantische Klassifizierung bzw. Clustering von Begriffen durchführen, bezogen auf ein Thema.

Wer sich mehr zum Thema Vektorraum-Analysen informieren möchte, dem empfehle ich die hervorragende Präsentation des Kollegen Stefan Fischerländer.

Wie können Suchanfragen automatisch klassifiziert werden?

Das Hauptproblem in der Vergangenheit war die fehlende Skalierbarkeit u.a. bei der manuellen Klassifizierung von Suchanfragen. Dazu Ex-Google VP Marissa Mayer in einem Interview aus dem Jahr 2009:

“When people talk about semantic search and the semantic Web, they usually mean something that is very manual, with maps of various associations between words and things like that. We think you can get to a much better level of understanding through pattern-matching data, building large-scale systems. That’s how the brain works. That’s why you have all these fuzzy connections, because the brain is constantly processing lots and lots of data all the time… The problem is that language changes. Web pages change. How people express themselves changes. And all those things matter in terms of how well semantic search applies. That’s why it’s better to have an approach that’s based on machine learning and that changes, iterates and responds to the data. That’s a more robust approach. That’s not to say that semantic search has no part in search. It’s just that for us, we really prefer to focus on things that can scale. If we could come up with a semantic search solution that could scale, we would be very excited about that. For now, what we’re seeing is that a lot of our methods approximate the intelligence of semantic search but do it through other means.”

Vieles von dem, was wir als semantisches Verständnis bei der Identifikation der Bedeutung einer Suchanfrage oder eines Dokuments bei Google wahrnehmen, obliegt statistischen Methoden wie z.B. Vektorraum-Analysen bzw. textstatistischen Methoden wie z.B. TF-IDF  und basiert damit nicht auf echter Semantik. Aber die Ergebnisse kommen einem semantischen Verständnis sehr nah. Gerade der vermehrte Einsatz von Machine Learning erleichtert durch noch detailliertere Analysen die semantische Interpretation von Suchanfragen und Dokumenten ungemein.

Vorgehensweise: Identifikation der Nutzerintention

Wir haben bei Aufgesang seit 2011 ein eigenes manuelles Verfahren zur Identifikation der Suchintention entwickelt, auf das ich im Folgenden genauer eingehen möchte.

Diese Vorgehensweise lässt sich aktuell leider nur manuell bewerkstelligen, da eine Klassifizierung des Zwecks einer rankenden Zielseite nicht immer allein über die Klassifizierung der Domain bzw. Publishers ermitteln lässt. Bei bestimmten Seiten wie z.B. wikipedia, ebay oder amazon muss man die SERPs nicht verlassen, um zu sagen, ob es sich um kommerzielle Angebotsseiten, Shop-Kategorie-Seiten, Produkteinzelseiten … ohne weitergehende Informationen handelt. Doch ein genauerer Blick auf die Inhalte auf den Zielseiten macht oft Sinn.

So ist z.B. hornbach.de ein Shop, bietet aber eine Menge nützliche Tutorials rund um handwerkliche Themen an, über die sie bei entsprechenden Begriffen gut zu finden sind. Man sollte sich deswegen mit den Inhalten und derene Zweck auf den rankenden Zielseiten bschäftigen.

Die erste Seite gibt einem dann einen Eindruck darüber welche Dokumente/Inhalte ranken, wie die Anzeigen aussehen und welche Universal-Search-Elemente eingeblendet werden.

Dazu gibt man bei Google in einem weitestgehend  „cleanen“ Browser, also nicht bei Google eingeloggt, deaktivierten Webprotokoll den zu untersuchenden Suchbegriff ein. Zusätzlich kann man das Geo-Location des Browsers deaktivieren . Die cleanste Version des Google-Rankings hat man, wenn man auf Google-Suchpartner wie z.B. t-online-suche oder die web.de suche zurückgreift. Allerdings fehlen hier dann eventuell ausgespielte Knowledge-Graph-Boxen oder Shopping-Anzeigen, die zur schnelleren Keyword-Analyse behilflich sind. Zur Identifikation von Informational Transactional oder Commercial Keywords sollte man aus diesem Grund lieber in der Google-Umgebung die Keyword-Analyse durchführen. Für Regional Keywords empfehle ich hingegen die Nutzung der Partnersuchen. Dazu aber weiter unten mehr.

Identifikation der Nutzerintention nach Art des rankenden Inhalts

Die Art des insbesondere auf der ersten Suchergebnisseite (SERP) rankenden Inhalts gibt eine Auskunft darüber, was Nutzer für Inhalte suchen, wenn sie einen Begriff in den Google Suchschlitz eingeben. Der Zweck der Landingpage bzw. des Inhalts, der dort präsentiert wird sollte der Suchabsicht entsprechen. Dazu auch nochmal ein Auszug aus den Google QRG:

“Why is it important to determine the purpose of the page for PQ rating?

• The goal of PQ rating is to determine how well a page achieves its purpose. In order to assign a rating, you must understand the purpose of the page and sometimes the website.

• We have very different standards for different types of pages. By understanding the purpose of the page, you’ll better understand what criteria are important to consider when evaluating that particular page.

• Websites and pages should be created to help users. Websites and pages which are created with intent to harm users, deceive users, or make money with no attempt to help users, will receive a very low PQ rating. More on this later. „

Berücksichtigt man die Suchintention bei der Erstellung einer SEO-Landingpage sollte man beim Ranking Vorteile gegenüber den Dokumenten haben, den Zweck gemäß Suchabsicht nicht berücksichtigt.

Darüber wie Google die Klassifizierung gemäß Zweck der Landingpage durchführt kann man spekulieren. Eine Möglichkeit ist, dass Google sich bereits bei der Indexierung an bestimmten Signalwörtern, Textlänge,  Transaktionselementen … im Main Content (MC) orientiert und darüber eine Klassifizierung nach kommerzielle/transaktionsorientiert oder informationsorientiert vornimmt.

Hier bildet Google verschiedene Cluster je nach Art des Dokuments. So ist Google dann auch in der Lage pro Cluster verschiedene Rankingsignale unterschiedlich gewichtet in in Form individueller Algorithmen pro Cluster anzuwenden.

Bei bisher unbekannten Suchtermen wird Google versuchen insbesondere auf der ersten SERP  erst einmal die relevantesten Inhalte aus dem jeweiligen Clustern in ausgewogener Form auszuliefern. Durch das Nutzerverhalten kann Google dann nach und nach die eigentliche Suchintention bei einem Keyword ermitteln.

Durch die immer wichtigere Bedeutung von Nutzersignalen glaube ich aber auch daran, dass Google eine  solch statische Klassifizierung nicht immer vornimmt, sondern die Nutzersignale wie SERP-CTR, Return-to-SERP behaviour entscheidend das Ranking beeinflussen. Deswegen macht eine Zweck-orientierte Erstellung von Landingpages umso mehr Sinn. Dabei kann dann die Verwendung von Signalwörtern, die dem Zweck des Inhalts stützen auch Sinn machen, da der Nutzer schnell erkennt, ob das Suchergebnis das Richtige für ihn ist.

Am Ende wird es wahrscheinlich auf eine Mischform hinauslaufen, bei der die Rankings auf der ersten Seite stark durch die Nutzersignale beeinflusst werden und alle folgenden Rankings über eine Vordefinition nach dem Zweck folgen.

Identifikation der Suchabsicht nach Universal Search Einblendungen & Knowledge Graph

Hat Google hinter einem Keyword eine informationsgetriebene Suchabsicht identifiziert findet man auf der ersten Seite oft auch Universal Search Einblendungen. Hier einige Beispiele dafür:

• Einblendungen aus Google News auf der ersten Seite. Jemand der sich Google News ansehen möchte sucht tagesaktuelle Informationen. (Hinweis: Informational / Topical Keyword)
• Universal-Search-Einblendungen aus Video-Suche. Jemand, der sich ein Video ansehen möchte sucht erst einmal Informationen oder Entertainment.(Hinweis auf Informational Keyword)
• Einblendung wissenschaftlicher Arbeiten. Die Einblendung wissenschaftlicher Arbeiten ist ein klares Indiz für eine informationsgetriebene Suchanfrage.
• Die Einblendung von Knowledge Graph Boxen sind oft auch ein Indiz für informationsgetriebene Suchanfragen. Das kann sich aber ändern, da Google hier auch mit kommerziellen Angeboten in Knowledge Grap Boxen experimentiert und Einblendungen bei umkämpften Money Keywords experimentiert.
• Die sogenannten Seven-Packs aus Google mybusiness sind ein klares Indiz für regionale Wichtigkeit.

Nachfolgende einige Beispiele zur  Veranschaulichung.

Beispiele für die Identifikation der Suchintention / Nutzerintention anhand der SERPs

Hier mal am Beispiel Krankenversicherung verdeutlicht. Die ersten 5 Suchtreffer ergeben folgendes Bild:

SERP 1: Krankenversicherung Position 1 bis 5

Der erste Treffer ist Wikipedia. Ohne sich das Dokument im Einzelnen anzusehen ist klar, dass dieser Inhalt informationsgetriebener Natur ist.

Das Zweite Dokument ist ein ebenfalls informationsgetriebener Inhalt.

Der dritte Platz wird von einem kommerziellen Inhalt besetzt.

Auch der auf Platz 4 rankende Inhalt ist zwar ein Fachportal eines kommerziellen Anbieters, aber informiert. Dort wird zwar der für diesen Bereich typische Vergleichsrechner angeboten, aber der Fokus des Inhalts liegt auf dem ersten Blick auf der Information.

Dann kommt die Bildersuche. Bilder haben i.d.R. mehr einen informativen Charakter als kommerziellen Zweck.

Geht man alle 10 Ergebnisse der ersten Seite einmal durch ergibt sich dann folgendes Bild:

SERP 1. Krankenversicherung Position 1 bis 10

Die Google News Einblendung ist auch ein klares Signal für informationsorientierte Suchintention. Bis auf Platz 10 und 3 handelt es sich bei allen Ergebnissen um informationsgetriebene Inhalte. Was man daraus ableiten kann muss ich denke ich nicht mehr erläutern.

Suchintention bestimmen nach Shopping-Anzeigen

Bei klar kommerziell getriebenen Suchanfragen werden i.d.R. auch Shopping-Anzeigen eingeblendet, wie die Suchanfrage „feuchtigkeitscreme bestellen“ zeigt. Beim obigen Beispiel des Suchbegriffs „feuchtigkeitscreme“  fehlen Shopping-Anzeigen. Hier scheint der Grad der Kommerzialität nicht ganz so hoch wie bei „feuchtigkeitscreme bestellen“. Hier sind ebenfalls die Nutzerdaten in Form der Anzeigen-CTR entscheidend, ob sich Google für Text- oder Shopping-Anzeigen entscheidet und könnte diese Information darüber gleichzeitig auf die organischen Suchtreffer anwenden.

Eine Verifizierung der Suchintention pro Keyword kann man zudem über die Höhe des CPCs vornehmen. Commercial Keywords haben meistens einen hohen CPC im Vergleich zu z.B. Informational Keywords. Dieses Kriterium würde ich aber nur zur Verifizierung hin anziehen und nicht zur Bestimmung, da es sehr hochvolumige Informational Keywords mit hohen CPCs auch geben kann.

Wenn man Zugriff auf die CTR-Daten eines Keywords hat kann auch diese Klickrate zur Verifizierung heranziehen. Diverse Studien haben gezeigt, dass die Klickrate auf den Anzeigen bei Informational Keywords geringer ist als bei Commercial Keywords. Da diese aber stark vom Anzeigentext und der Anzeigenposition abhängig ist, ist dieses Kriterium eher mit Vorsicht zu genießen.

Wie ermittelt man die lokale / regionale Nutzerintention?

Zur Bestimmung der Lokalität bzw. Regionalität von Keywords gibt es mehrere Möglichkeiten. Im Folgenden möchte ich auf zwei dieser Möglichkeiten eingehen. Wichtig hierbei ist, dass die Browser möglichst „historienfrei“ sind, also die Webprotokoll-Daten sauber sind und man nicht im Google-Konto eingeloggt ist. Zum Thema „Aktivitäten im Webprotokoll löschen“ hier mehr bei Google. Eine Nutzung des Google-Chrome-Incognito-Modus ist eine Möglichkeit. Hier werden deutlich weniger Informationen durch Google erfasst. Die Standort-Informationen werden allerdings weiterhin genutzt – mehr zum Incongnito-Modus bei Google.

Die erste Möglichkeit ist die Abfrage eines Keywords wie z. B. „werkstatt“ bei Google. In meinem Fall suche ich von einem Desktop-PC vom Standort Hannover Nordstadt:

Ein erster Hinweis auf die Regionalität des Keywords „werkstatt“ ist die mybusiness-Box oberhalb der organischen Suchergebnisse. Das alleine reicht aber nicht aus, denn Google liefert diese Boxen auch gerne bei Keywords mit sehr geringer oder gar keiner Lokalität „testweise“ aus. Anhand der Seitentitel erkennt man bereits, dass es sich hier wohl um einen regionalen Suchbegriff handelt. Die identische Suchanfrage nochmal über einen Proxy-Server mit Standort Montabaur ergibt folgendes Bild:

Interessant hierbei ist, dass die Google-News-Ergebnisse wie bei der Abfrage aus Hannover unterhalb der ersten vier Ergebnisse platziert, die Ergebnisse der Bilder-Suche aber unterschiedlich sind. Es könnte also sein, dass sich Suchende aus der Region Montabaur bei der Suchanfrage „werkstatt“ häufiger Bilder ansehen als Werkstatt-Suchende aus der Region Hannover. Das ist aber Spekulation. Keine Spekulation ist, dass beim Keyword „werkstatt“ eine regionale Suchintention besteht. Als Gegentest die Suchergebnisse zu einem nicht regionalen Keyword:

Bei nicht-regionalen Suchanfragen sind die Suchergebnisse identisch.

Dieser Weg zur manuellen Identifikation der regionalen Suchintention kann teilweise etwas unsauber sein. Deswegen nachfolgend noch eine zweite Möglichkeit.

Die Nutzerintention bei Keywords kann sich ändern

Am Beispiel der Suchanfrage Feuchtigkeitscreme wird deutlich, dass Suchabsichten nicht statisch sind, sondern sich verändern können. Nachfolgend ein Vergleich der ersten Suchergebnisse aus 2015 und 2013:

2013:

2015:

Während 2013 an den ersten beiden Positionen Foren-Einträge, die rein informativ sind, angezeigt wurden, sind es 2015 großteils kommerzielle Angebote, die sich auf den ersten Positionen wiederfinden.

Tools zur Bestimmung der Suchintention

Im täglichen Agentur-Geschäft überprüfen wir nun bereits seit 2011 im Rahmen unserer Keyword-Analyse Nutzerintentionen von Suchbegriffen über  manuellen Wege. Eine automatisierte Analyse durch Tools halten wir bis dato noch nicht für sinnvoll.

Dennoch gibt es am Markt einige Ansätze, die hier Erwähnung finden sollen.

Die Kollegen von One-Advertising bieten zwar ein Tool zumindest für die Ermittlung der regionalen Suchintention an, doch wir konnten keine hundertprozentige Übereinstimmung der Ergebnisse feststellen. Zudem ermitteln sie die Lokalität der Keywords über eine andere Methodik (basierend auf Google Suggest im Abgleich mit einer eigenen Datenbank) als wir es tun.

Für die Ermittlung von transaktions- und informationsorientierten Keywords hat Searchmetrics im Rahmen des Content Experience Tools einen automatisierte Möglichkeit geschaffen. Hier wurden laut Aussagen von Malte Landwehr von Searchmetrics ein eigener Machine-Learning -Algorithmus mit Trainingsdaten aus ca. 1 Mio. Ergebnissen aus manuellen SERP-Analysen gefüttert, was nun ermöglicht die Suchintention pro Keyword automatisch abzufragen. Zumindest für Navigational, Informational und Transactional Keywords.

Screenshot Content Experience Tool von Searchmetrics

Bisher konnte uns keine der angebotenen Lösungen so überzeugen, dass wir unsere manuelle Keyword-Analyse mit einem Tool ersetzen möchten. Aufgrund eines festen Workflows konnten  wir allerdings über die Jahre einen effektiven Workflow entwickeln.

Optimierung nach Nutzerintention

Aus den bis hierher erwähnten Punkten lassen sich folgende Erkenntnisse und Maßnahmen für das Suchmaschinenmarketing (SEA+SEO) ableiten:

• Inhalte und Zweck der Landingpage müssen zu der Suchintention des Keywords passen. (siehe auch Hinweise aus den Quality Rater Guidelines) Das führt dann auch zu positiven Nutzersignalen.
• Für informationsorientierte Keywords müssen hollistische Informationen. Hierfür können Signalwörter wie z.B. Info, Definition, Ratgeber, Tipps … zur Verdeutlichung des informationsorientierten Dokumenten-Zwecks genutzt werden.
• Für kommerzielle Keywords spielen die Hollistik der Inhalte keine so große Rolle. Signale für kommerziellen Zweck eines Dokuments können Preise und Wörter wie bestellen, kaufen, Shop … sein.

• Eine regelmäßige Überprüfung der festgestellten Suchabsicht pro Keyword ist notwendig

Weiterführende Quellen:

• A taxonomy of web search, Andrei Broder
• Google Patent: Determining user intent from query patterns
• Google Patent: Query Intent in Information Retrieval
• Predicting Search Intent Based on Pre-Search Context
• Query classification; understanding user intent
• Mining and ranking users’ intents behind queries
• Determining the informational, navigational, and transactional intent of Web queries
• Automatic Identification of User Goals in Web Search