Core Updates mit Keyword-Embeddings analysieren: Was die Methode wirklich zeigt

Zuletzt aktualisiert: 29. August 2026

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?

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.

Wie du Exporte, Filter und mögliche Ursachen systematisch vorbereitest, zeige ich ausführlicher in meinem Beitrag zur Analyse von Search-Console-Daten mit KI.

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? Mein Beitrag darüber, warum guter Content nicht rankt, zeigt die nötige Trennung zwischen Textqualität, Suchabsicht, Website-Kontext und Konkurrenz.

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. In meinem Überblick zu Vektoren, BERT und Query Fan-out trenne ich veröffentlichte Systeme, Forschung und unbelegte Übertragungen genauer voneinander.

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.

Du möchtest eine Core-Update-Veränderung für deine Website sauber eingrenzen? Dann schreib mir mit den betroffenen Zeiträumen und Seiten. Ich sehe mir an, welche Auswertung zu deinen Daten passt.