Daten mit KI in der Google Search Console analysieren
So analysierst du Daten aus der Google Search Console mit KI, ohne Kurven mit Ursachen zu verwechseln: Datenlimits, Prompts und Prüfablauf.
Patrick StolpZuletzt aktualisiert: November 2026 · rund 15 Minuten Lesezeit
Inhalt
- Was die Search Console tatsächlich misst
- Drei Datenzugänge mit unterschiedlichen Grenzen
- Was KI in der Search Console leisten kann
- Seit 2026 gibt es einen eigenen Bericht für generative Suche
- So analysierst du eine auffällige GSC-Kurve
- Core Updates mit Keyword-Embeddings analysieren: Was die Methode wirklich zeigt
- Welche Fehler eine KI besonders leicht macht
- Eine gute GSC-Analyse endet mit einer überprüfbaren Aussage
Eine Kurve in der Google Search Console zeigt, was sich in der Suche verändert hat. Sie verrät dir noch nicht, warum es passiert ist. Genau an dieser Stelle wird eine KI nützlich: Sie kann Daten aufteilen, Zeiträume vergleichen und auffällige Seiten sammeln. Die Erklärung musst du anschließend mit weiteren Daten prüfen.
Das klingt nach einer kleinen Einschränkung. In der Praxis entscheidet sie darüber, ob aus einer Auswertung eine sinnvolle Maßnahme oder eine überzeugend formulierte Fehldiagnose entsteht.
Die wichtigste Regel für jede GSC-Analyse: Beschreibe zuerst die Veränderung. Formuliere danach mehrere mögliche Ursachen. Eine einzelne Kurvenform beweist weder ein Core Update noch einen bestimmten Teil von Googles Ranking-System.
Was die Search Console tatsächlich misst
Der Leistungsbericht verbindet vier Kennzahlen. Impressionen zeigen, wie oft ein Link oder Inhalt deiner Website in Google eingeblendet wurde. Klicks erfassen den Übergang von Google zu deiner Website. Die CTR berechnet sich aus Klicks geteilt durch Impressionen. Die durchschnittliche Position ist der Mittelwert der jeweils höchsten Position deiner Website oder Seite.
Schon die offizielle Erklärung zu Klicks, Impressionen und Positionen zeigt, weshalb die Zahlen vorsichtig gelesen werden müssen. Ein Suchergebnis kann mehrere Links enthalten. Daten werden häufig der von Google gewählten kanonischen URL zugeordnet. Die Position hängt außerdem von der Form des Suchergebnisses ab. Eine durchschnittliche Position von 8,4 ist deshalb kein täglicher Rangplatz.
| Kennzahl | Was sie beantworten kann | Was offenbleibt |
|---|---|---|
| Klicks | Wie viele Besuche aus Google ankamen | Ob diese Besuche Anfragen oder Umsatz erzeugten |
| Impressionen | Wie oft Google deine Website sichtbar einblendete | Wie groß die gesamte Nachfrage war |
| CTR | Wie häufig eine Impression zu einem Klick führte | Ob Snippet, Position oder Suchergebnis-Layout die Veränderung verursachte |
| Position | Wie sich die höchste sichtbare Position im Mittel entwickelte | Welche einzelnen Suchanfragen oder SERP-Formate den Mittelwert verschoben |
Für die Bewertung einer Seite sind Klicks und Impressionen meist hilfreicher als ein isolierter Positionswert. Für Geschäftsergebnisse brauchst du zusätzlich Webanalyse, Kontaktformulare, CRM- oder Verkaufsdaten. Google beschreibt Search Console als Quelle für die Leistung in der Suche und Analytics als Quelle für das Verhalten auf der Website.
Drei Datenzugänge mit unterschiedlichen Grenzen
Bevor du eine KI rechnen lässt, musst du wissen, welchen Ausschnitt sie erhält. Die Search-Console-Oberfläche, die API und der tägliche Bulk Export liefern nicht automatisch denselben Detailgrad.
| Zugang | Geeignet für | Wichtige Grenze |
|---|---|---|
| Leistungsbericht | Schnelle Prüfung, Filter und einfache Vergleiche | Die Tabelle zeigt höchstens 1.000 Zeilen und enthält nicht alle Suchanfragen |
| Search Analytics API | Automatisierte Abfragen und wiederholbare Auswertungen | Höchstens 50.000 Zeilen pro Tag und Suchtyp, Detaildimensionen können Daten verlieren |
| Bulk Export nach BigQuery | Große Websites, langfristige Speicherung und Verknüpfung mit anderen Daten | Anonymisierte Suchanfragen fehlen weiterhin |
Google weist in der Dokumentation zu Dimensionen und Datenbegrenzungen ausdrücklich auf anonymisierte Suchanfragen und gekürzte Tabellen hin. Diese Suchanfragen fließen in vielen Gesamtwerten mit ein, erscheinen aber nicht als einzelne Zeilen. Ein Query-Filter verändert daher unter Umständen auch die Summe.
Die Search Analytics API liefert pro Tag und Suchtyp höchstens 50.000 Zeilen. Wer Seite und Suchanfrage gemeinsam abfragt, bekommt mehr Detail, muss dafür aber mit unvollständigeren Summen rechnen. Der tägliche Bulk Export nach BigQuery umgeht das Zeilenlimit. Anonymisierte Queries bleiben aus Datenschutzgründen ausgeschlossen.
Was KI in der Search Console leisten kann
Googles KI konfiguriert den Leistungsbericht
Google hat Ende 2025 eine KI-gestützte Konfiguration für den Leistungsbericht eingeführt und anschließend schrittweise erweitert. Du kannst in Alltagssprache beschreiben, welche Seiten, Länder, Geräte, Zeiträume und Kennzahlen du sehen möchtest. Die KI setzt daraus Filter und Vergleiche zusammen.
Das spart Klickarbeit. Es ist jedoch noch keine Ursachenanalyse. Laut Googles Ankündigung zur KI-Konfiguration beschränkt sich die Funktion auf den Leistungsbericht für Suchergebnisse. Sie kann Anfragen missverstehen und führt weder Tabellenexporte noch frei definierte Berechnungen aus. Prüfe deshalb jedes vorgeschlagene Filterset, bevor du die Kurve interpretierst.
Ein KI-Assistent kann die API als Werkzeug nutzen
Über eine API-Anbindung oder einen MCP-Server kann ein KI-Assistent mehrere GSC-Abfragen ausführen, Ergebnisse zusammenführen und Tabellen berechnen. Das Model Context Protocol standardisiert dabei die Verbindung zwischen einem Modell und externen Werkzeugen. Es erweitert den verfügbaren Datenzugang nicht. Ein Assistent, der die Search Analytics API nutzt, erbt deren Zeilenlimits und Auslassungen.
Prüfe vor der Einrichtung den Quellcode, die angeforderten Google-Berechtigungen und den Weg deiner Daten. Ein lokal gestarteter Server bedeutet noch nicht, dass alle Inhalte auf deinem Rechner bleiben. Die Daten können für die Verarbeitung an den Anbieter des verwendeten KI-Modells übertragen werden. Für reine Analysen genügt in der Regel ein lesender Search-Console-Zugriff.
Behandle die KI wie einen Analysten mit begrenztem Aktenordner. Sie kann den Inhalt dieses Ordners schneller sortieren. Fehlende Queries, technische Änderungen, Wettbewerber und Geschäftsergebnisse kennt sie nur, wenn du sie ebenfalls bereitstellst.
Seit 2026 gibt es einen eigenen Bericht für generative Suche
Im Juni 2026 begann Google mit der Einführung eines eigenen Berichts für generative KI-Funktionen in der Suche. Er erfasst Impressionen aus AI Overviews und AI Mode. Sichtbar sind Seiten, Länder, Geräte und Zeiträume. Suchanfragen und Klicks gehören derzeit nicht zu den verfügbaren Dimensionen oder Kennzahlen. Außerdem ist der Bericht noch nicht für jede Property freigeschaltet.
Die generativen Impressionen bleiben zugleich im allgemeinen Leistungsbericht enthalten. Der separate Generative-AI-Bericht der Search Console hilft dir daher bei der Frage, welche Seiten in diesen Funktionen erscheinen. Er kann noch nicht zeigen, welche Suchanfrage die Einblendung auslöste oder wie viele Besuche daraus entstanden.
Sinken Klicks bei stabilen Impressionen, ist eine veränderte Suchergebnisseite eine mögliche Erklärung. Andere Erklärungen bleiben offen: ein schlechteres Snippet, ein anderer Suchintent, neue Wettbewerber, saisonale Nachfrage oder eine Verschiebung im Query-Mix.

So analysierst du eine auffällige GSC-Kurve
Eine belastbare Analyse beginnt mit einer festen Reihenfolge. Du prüfst zuerst die Messung, dann das betroffene Segment und erst danach mögliche Erklärungen.
1. Vergleiche gleich lange und passende Zeiträume
Vergleiche 28 Tage mit 28 Tagen oder einen Monat mit demselben Monat des Vorjahres. Kontrolliere Wochentage, Feiertage und Saison. Die letzten Stunden oder Tage können noch vorläufig sein. Bei einem bestätigten Core Update empfiehlt Google, das Ende des Rollouts abzuwarten und mindestens eine weitere Woche verstreichen zu lassen.
„Vergleiche die letzten vollständigen 28 Tage mit den vorherigen 28 Tagen und mit demselben Zeitraum des Vorjahres. Berechne Klicks und Impressionen pro Tag. Markiere Abweichungen, die nur an einzelnen Wochentagen auftreten. Nenne zu jeder Aussage die verwendeten Zeilen und kennzeichne fehlende Daten.“
2. Zerlege die Gesamtkurve
Prüfe Web, Bilder, Video und News getrennt. Teile anschließend nach Verzeichnissen, Seitentypen, Ländern und Geräten auf. Eine Domain kann insgesamt verlieren, während das bearbeitete Verzeichnis wächst. Auch wenige stark besuchte URLs können eine sonst stabile Website nach unten ziehen.
„Gruppiere die Seiten nach dem ersten URL-Verzeichnis. Zeige je Gruppe Klicks, Impressionen und durchschnittliche Position für beide Zeiträume. Sortiere nach absolutem Klickverlust und nenne zusätzlich den prozentualen Anteil am gesamten Verlust. Werte Gruppen mit weniger als 100 Impressionen nicht als Trend.“

3. Ordne die sichtbare Veränderung ein
| Sichtbare Veränderung | Was du als Nächstes prüfst |
|---|---|
| Klicks sinken, Impressionen bleiben stabil | CTR nach Seite und Query, Snippets, SERP-Elemente, Generative-AI-Impressionen und Suchintent |
| Klicks und Impressionen sinken | Nachfrage in Google Trends, verlorene Queries, Indexierung, technische Änderungen und Ranking-Updates |
| Impressionen steigen, CTR fällt | Neue Queries und Länder, schlechtere Positionen im erweiterten Query-Mix sowie zusätzliche SERP-Flächen |
| Nur einzelne Verzeichnisse verlieren | Gemeinsame Seitentypen, Templates, interne Links, Inhalte und Themen der betroffenen URLs |
| Die gesamte Website fällt abrupt | Messfehler, Serverprobleme, Robots-Regeln, Canonicals, Migrationen, manuelle Maßnahmen und bestätigte Updates |
Diese Zuordnung liefert Prüfrichtungen. Sie ordnet keiner Kurve automatisch einen Ranking-Faktor zu. Dass Google Nutzerinteraktionen in Systemen wie Navboost verarbeitet, ist durch die im US-Kartellverfahren veröffentlichten Exponate PXR0357 und PXR0356 belegt. Aus deinen GSC-Daten kannst du die internen Signale jedoch weder auslesen noch auf einzelne Rankingbewegungen zurückrechnen.
4. Verbinde die Kurve mit deiner Änderungschronik
Notiere Veröffentlichungen, gelöschte Seiten, Redirects, Template-Wechsel, Änderungen an internen Links und technische Störungen. Ergänze bestätigte Ranking-Updates und wichtige Marktereignisse. Erst diese Chronik macht aus „ab dem 12. Mai sinken die Klicks“ eine prüfbare Frage.
„Verbinde die tägliche GSC-Tabelle mit der Änderungschronik. Erstelle drei Spalten: beobachtete Veränderung, zeitlich passende Ereignisse und Gegenprüfung. Formuliere mindestens zwei alternative Erklärungen. Bewerte eine Ursache nur dann als wahrscheinlich, wenn sie zum Zeitpunkt, zum betroffenen Segment und zu mindestens einer unabhängigen Datenquelle passt.“
Bei einem Core Update beginnt die Gegenprüfung mit dem Google Search Status Dashboard. Danach vergleichst du Seiten und Queries vor und nach dem abgeschlossenen Rollout. Googles aktuelle Anleitung zu Core Updates empfiehlt, kleine Positionsschwankungen von großen, anhaltenden Verlusten zu unterscheiden und verschiedene Suchtypen getrennt zu untersuchen.
5. Suche thematische Muster erst nach der Segmentierung
Eine URL-Gruppierung zeigt dir, ob Verluste auf bestimmten Seiten liegen. Sie beantwortet noch nicht, ob die betroffenen Suchanfragen inhaltlich zusammengehören. Dafür kannst du Queries mit Text-Embeddings gruppieren. Das Ergebnis zeigt sprachliche Nähe im verwendeten Modell. Es bildet weder Googles interne Query-Repräsentation noch die Ursache eines Rankingverlusts ab.
Die vollständige Vorgehensweise und ihre methodischen Grenzen findest du in meiner Analyse von Core-Update-Auswirkungen mit Keyword-Embeddings.
Core Updates mit Keyword-Embeddings analysieren: Was die Methode wirklich zeigt
Nach einem Google Core Update möchtest du wissen, welche Themen verloren haben. Keyword-Embeddings wirken dafür wie das passende Werkzeug: Suchanfragen werden in Zahlenfolgen übersetzt, ähnliche Formulierungen rücken zusammen und eine Grafik zeigt die Veränderung. Das sieht genauer aus als eine Tabelle mit Klicks und Positionen. Die Genauigkeit kann allerdings täuschen.
Ein früher Test auf dieser Website verglich jeweils 1.000 Suchanfragen aus der Google Search Console. Das Ergebnis zeigte 338 Suchanfragen nur vor dem Update, 338 nur danach und eine Cosine Distance von 0,0037 zwischen zwei Durchschnittsvektoren. Diese Zahlen beantworten die entscheidende Frage noch nicht: Hat das Core Update ein Themenfeld neu bewertet?
Die kurze Antwort: Embeddings können ähnliche Suchanfragen für eine Prüfung vorsortieren. Sie beweisen weder Googles interne Bewertung noch die Ursache eines Rankingverlusts.
Was die Embedding-Grafik berechnet
Ein Text-Embedding ordnet einer Suchanfrage eine Position in einem mehrdimensionalen Raum zu. Für den damaligen Test war das mehrsprachige Sentence-Transformer-Modell paraphrase-multilingual-mpnet-base-v2 dokumentiert. Seine Modellkarte beschreibt 768 Dimensionen und eine Ausbildung auf parallelen Texten in 50 Sprachen. Das Modell wurde für sprachliche Ähnlichkeit entwickelt. Es bildet nicht Googles interne Repräsentation einer Suchanfrage ab.
Aus den jeweils 1.000 Vektoren entstand pro Zeitraum ein ungewichteter Mittelwert. Die Cosine Distance zwischen diesen beiden Zentroiden betrug in der Grafik 0,0037. Innerhalb dieses Rechenlaufs lagen die Mittelwerte also dicht beieinander. Daraus folgt noch keine allgemeine thematische Stabilität. Gegensätzliche Veränderungen in mehreren Gruppen können sich im Mittelwert gegenseitig verdecken.
Für die zweidimensionale Darstellung wurden die Vektoren anschließend mit einer Hauptkomponentenanalyse, kurz PCA, reduziert. PC1 erklärt laut Grafik 13,4 Prozent der Varianz, PC2 weitere 9,5 Prozent. Zusammen sind das 22,9 Prozent. Die Positionen im Bild zeigen somit nur einen kleinen Ausschnitt der ursprünglichen 768 Dimensionen. Die PCA-Dokumentation von scikit-learn bezeichnet genau diesen Anteil als explained_variance_ratio_.

Warum dieser Vergleich kein Core-Update-Ergebnis liefert
Die Zeiträume sind unterschiedlich lang
Der erste Zeitraum reicht vom 1. Oktober bis 31. Dezember 2025 und umfasst 92 Tage. Der zweite reicht vom 1. Januar bis 28. Februar 2026 und umfasst 59 Tage. Klicksummen aus diesen Fenstern lassen sich nicht direkt gegeneinander aufrechnen. Der ausgewiesene Saldo von 3.333 Klicks beschreibt deshalb keinen belastbaren Gewinn.
Hinzu kommt der Rollout selbst. Das December 2025 Core Update lief nach Googles Statusmeldung vom 11. bis 29. Dezember 2025. Der vermeintliche Vorher-Zeitraum enthält damit fast den gesamten Rollout. Der Nachher-Zeitraum beginnt zwei Tage nach dessen Ende. Google empfiehlt in seiner Anleitung zu Core Updates, die Analyse erst nach dem abgeschlossenen Rollout und mindestens einer weiteren Woche zu beginnen.
Top 1.000 bedeutet nicht verloren oder gewonnen
Der Leistungsbericht der Search Console zeigt in seinen Tabellen höchstens 1.000 Zeilen. Seltene und anonymisierte Suchanfragen fehlen ebenfalls. Google dokumentiert diese Grenzen in der Hilfe zu Leistungsdaten. Eine Query, die im zweiten Export nicht auftaucht, kann weiterhin Impressionen oder Klicks erhalten haben. Sie lag möglicherweise nur außerhalb der angezeigten Auswahl.
Die korrekten Bezeichnungen lauten daher „nur in der ersten Stichprobe“ und „nur in der zweiten Stichprobe“. Erst ein vollständigerer Export, ein festes Mindestvolumen und vergleichbare Zeiträume machen aus dieser Set-Differenz eine brauchbare Messung.
Die vorhandenen Dateien reproduzieren die Grafik nicht
Zu einer Datenanalyse gehören Eingabedaten, Code, Modellversion und ausgeführte Ergebnisse. Bei diesem Test passen diese Bestandteile nicht mehr vollständig zusammen. Die vorhandenen CSV-Dateien ergeben andere Schnittmengen und Klicksummen als die Grafik. Das gespeicherte Notebook verweist außerdem auf ein anderes Embedding-Modell als die dokumentierte Auswertung. Der genaue Rechenlauf lässt sich mit dem heutigen Projektstand deshalb nicht wiederholen.
Eine schöne Visualisierung ist kein Ersatz für einen reproduzierbaren Rechenweg.
Was du mit Keyword-Embeddings sinnvoll untersuchen kannst
Trotz dieser Grenzen ist die Methode nützlich. Sie kann große Query-Listen nach sprachlicher Nähe ordnen. Dadurch findest du Gruppen, die du anschließend in der Search Console, in den Suchergebnissen und auf den betroffenen Seiten kontrollierst.
- Ähnliche Formulierungen bündeln: Varianten einer Produkt-, Problem- oder Informationssuche landen näher beieinander.
- Saisonale Wechsel erkennen: Jahreszahlen, Adventskalender oder zeitgebundene Produktnamen fallen als eigene Gruppen auf.
- Seitenbezug prüfen: Query-Gruppen lassen sich mit den URLs verbinden, die vor und nach dem Update Impressionen erhielten.
- Manuelle Stichproben auswählen: Auffällige Gruppen liefern eine überschaubare Liste für SERP- und Seitenprüfungen.
Gerade saisonale Begriffe sind wichtig. Wenn eine Stichprobe von Oktober bis Dezember mit Januar und Februar verglichen wird, zeigen Queries mit „2025“, „2026“ oder Weihnachtsbezug erwartbare zeitliche Wechsel. Das Embedding macht diese Nähe sichtbar. Es trennt die Saison aber nicht automatisch vom Einfluss eines Core Updates.
So baust du den Vergleich belastbar auf
1. Lege saubere Vergleichsfenster fest
Warte das Ende des Rollouts und mindestens eine weitere Woche ab. Vergleiche gleich lange Zeiträume mit denselben Wochentagen. Bei saisonalen Angeboten gehört zusätzlich ein Vorjahresvergleich dazu. Dokumentiere weitere Änderungen an Website, Tracking, Sortiment und Nachfrage.
2. Exportiere möglichst vollständige Daten
Für kleine Prüfungen kann der Leistungsbericht reichen. Wiederholbare Analysen sollten die Search Analytics API oder den Bulk Export nach BigQuery verwenden. Auch dort fehlen anonymisierte Queries. Halte deshalb fest, welchen Anteil der Klicks und Impressionen dein Query-Datensatz abdeckt.
3. Verbinde Queries mit Seiten und Messwerten
Ein Query-Cluster allein ist noch keine SEO-Diagnose. Ergänze pro Gruppe mindestens Zielseiten, Klicks pro Tag, Impressionen pro Tag, durchschnittliche Position und Suchtyp. Prüfe außerdem, ob dieselbe Query nach dem Update auf einer anderen URL erscheint. So unterscheidest du Nachfrageänderungen, interne Verschiebungen und mögliche Rankingverluste.
4. Prüfe Gruppen im ursprünglichen Vektorraum
Nutze die PCA-Grafik als Übersicht. Berechne Ähnlichkeiten und Cluster im vollständigen Vektorraum. Vergleiche mehrere sinnvolle Clustergrößen und kontrolliere Beispiele aus jeder Gruppe von Hand. Ein zweites geeignetes Embedding-Modell zeigt dir, ob die Einteilung stabil bleibt oder stark vom gewählten Modell abhängt.
5. Prüfe die Suchergebnisse und Seiten
Erst jetzt beginnt die fachliche Interpretation. Haben sich Seitentypen, Suchfunktionen oder dominante Anbieter verändert? Passt die eigene Seite noch zur erkennbaren Aufgabe? Werden andere URLs der eigenen Domain bevorzugt?
Welche Aussagen nach der Analyse erlaubt sind
| Beobachtung | Zulässige Aussage | Nicht belegt |
|---|---|---|
| Zentroid-Distanz von 0,0037 | Die beiden Mittelwerte liegen in diesem Modell und dieser Stichprobe nah beieinander. | Google bewertet das Themenprofil unverändert. |
| Query nur in einem Top-1.000-Export | Die Query erscheint nur in einer der beiden begrenzten Tabellen. | Das Ranking wurde vollständig verloren oder neu gewonnen. |
| Getrennte Punkte in der PCA-Grafik | Die Punkte liegen in den ersten beiden Hauptkomponenten auseinander. | In allen 768 Dimensionen existiert ein stabiler Themencluster. |
| Veränderung während eines Core Updates | Update und Messwertänderung überschneiden sich zeitlich. | Das Update ist die alleinige Ursache. |
Google beschreibt Core Updates als breite Änderungen an seinen Suchsystemen. Welche Gewichte, Modelle oder Schwellen sich in einem konkreten Rollout verändert haben, veröffentlicht das Unternehmen nicht. Aus Search-Console-Daten lässt sich daher eine Veränderung eingrenzen. Die interne Ranking-Formel lässt sich daraus nicht zurückrechnen.
Dass Vektoren in der Sprachverarbeitung und in Teilen moderner Suchsysteme vorkommen, ändert diese Grenze nicht.
Keyword-Embeddings sind ein Sortierwerkzeug
Die stärkste Version dieser Methode liefert keine farbige Erklärung für ein Core Update. Sie liefert eine priorisierte Liste von Query-Gruppen, Seiten und Auffälligkeiten, die du genauer untersuchen kannst. Genau darin liegt ihr praktischer Wert.
Wenn du die Auswertung wiederholen möchtest, speichere Rohdaten, Filter, Zeitraum, Modellname, Modellversion, Code und erzeugte Kennzahlen gemeinsam ab. Ergänze eine Kontrollrechnung und einige manuell geprüfte Beispiele. Dann bleibt das Ergebnis auch Monate später nachvollziehbar und kann in ein SEO-Reporting mit klar getrennten Beobachtungen und Ursachenhypothesen einfließen.
Welche Fehler eine KI besonders leicht macht
- Sie erklärt Korrelationen als Ursachen. Ein Einbruch während eines Core Updates kann mit dem Update zusammenhängen. Der Zeitpunkt allein reicht als Nachweis nicht aus.
- Sie ignoriert den Query-Mix. Die durchschnittliche Position kann sinken, weil neue Suchanfragen mit niedrigen Positionen hinzukommen, obwohl bestehende Rankings stabil bleiben.
- Sie rechnet mit ungleichen Fenstern. Summierte Klicks aus 60 Tagen lassen sich nicht direkt mit 28 Tagen vergleichen.
- Sie behandelt fehlende Zeilen als null. Anonymisierte oder gekürzte Queries sind nicht dasselbe wie Suchanfragen ohne Leistung.
- Sie bewertet kleine Gruppen zu sicher. Aus wenigen Impressionen entstehen starke Prozentwerte, aber noch kein stabiler Trend.
- Sie verwechselt Sichtbarkeit mit Geschäftswirkung. GSC enthält keine Leads, Abschlüsse oder Umsätze.

Eine gute GSC-Analyse endet mit einer überprüfbaren Aussage
„Google mag die Seite nicht mehr“ ist keine überprüfbare Aussage. „Die Klickverluste liegen zu 72 Prozent in fünf Ratgeberseiten, begannen vor dem bestätigten Core Update und gehen dort mit sinkenden Impressionen für nicht markenbezogene Queries einher“ ist eine brauchbare Arbeitsgrundlage.
Die KI hilft dir, genau diese zweite Form zu erreichen. Lass sie gleiche Zeiträume bilden, Segmente vergleichen, Ausreißer markieren und ihre Rechenschritte offenlegen. Ergänze anschließend Änderungen an der Website, Nachfrage, Suchergebnisse und Geschäftsdaten. So wird aus einer GSC-Kurve eine Analyse, die du prüfen und in konkrete Arbeit übersetzen kannst.
Über diesen Artikel
Die inhaltliche Verantwortung für jeden Artikel auf diesem Blog liegt bei mir, Patrick Stolp. Thema, These, Recherche und fachliche Prüfung sind meine Arbeit – hier wird nichts veröffentlicht, das ich nicht selbst konzipiert, geschrieben und als korrekt verifiziert habe. Generative KI (Claude von Anthropic) kommt punktuell als Werkzeug zum Einsatz – etwa für Formulierungsentwürfe oder das Gegenlesen technischer Erklärungen. Kein KI-Output landet ungeprüft oder unverändert auf dieser Seite. Beitragsbilder werden mit Google Nano Banana 2 erstellt.
Mehr dazu in meinen Redaktionsrichtlinien.