Entitäten im SEO/GEO

Eine Entität (engl. Entity) bezeichnet im Kontext von Suchmaschinenoptimierung (SEO) und Generative Engine Optimization (GEO) ein eindeutig identifizierbares Objekt, ein Konzept, eine Person, einen Ort oder ein Ereignis. Diese Entitäten bilden sich folglich aus der Summe von vielen einzelnen Daten wie beispielsweise ein Alter, eine Aussehensbeschreibung, einer Berufstätigkeit und weiterer Merkmale, die durch den Bezug zueinander erst eine einzigartige Person bilden.

Während traditionelle Suchmaschinen Dokumente anhand von reinen Keywords analysieren, verarbeiten KI-Systeme Inhalte auf Basis von Entitäten und deren Beziehungen zueinander.

Das Grundprinzip von Entitäten in der Suchmaschinenoptimierung

Eine Entität muss klar von anderen Elementen abgegrenzt werden können. Deswegen zeichnet sie sich durch die folgenden drei Eigenschaften aus:

1. Eindeutigkeit: Sie besitzt eine eindeutige Kennung (ID) im System der Suchmaschine.
2. Eigenschaften (Attribute): Ihr sind spezifische Merkmale zugeordnet (z. B. Geburtsdatum, Adresse, Berufsbezeichnung).
3. Beziehungen (Relationalität): Sie steht in Verbindung mit anderen Entitäten, die durch gemeinsame spezifische Merkmale entsteht.

Was zuvor "Strings" waren, sind jetzt "Things"

Schon im Jahr 2012 formulierte Google mit der Initiative „Things Not Strings“ den fundamentalen Wandel der Informationsverarbeitung, die einerseits die Manipulation der Search Engine Result Pages (SERPs) erschwerte, aber auch die Suche selbst nachhaltig qualitativ optimierte.

• Strings (Zeichenketten): Eine klassische Suche betrachtete das Wort „Apple“ lediglich als Abfolge der Buchstaben A-p-p-l-e. Das System glich ab, wie oft diese Buchstabenkette auf einer Webseite vorkam.
• Things (Dinge/Entitäten): Die moderne Suche versteht das Konzept hinter dem Begriff. Je nach Kontext erkennt das System, ob es sich um das Unternehmen Apple Inc., die biologische Frucht Apfel oder den Konzern Apple handelt.

Beispiel:

• Klassische Suche von 2012: "Apple Founders" = Sucht nach auslesbaren Texten mit den Wörtern "Apple" + "Founders"
• Entitäten-basierte Verarbeitung: "Apple Founders" = Erkennt Entität "Apple Inc." und damit Beziehung zu anderen Entitäten wie "Steve Jobs", "Steve Wozniak", "Ronald Wayne" 

Von SEO zu GEO - Vom Keyword zur Entität

Die Weiterentwicklung der Algorithmen von der klassischen Suchmaschine zu KI-Systemen hat ihre Funktionsweise der Suche nachhaltig verändert. Das Konzept der Entitäten SEO aus dem Jahre 2012 bildet die Grundlage für die heutige Optimierung für KI-gestützte Suchmaschinen (GEO).

Die folgende Tabelle zeigt die technologischen Meilensteine, die Google seither bis an den aktuellen Stand der fortschrittlichen KI-Suche geführt hat:

Algorithmus / Update	Jahr	Technologische Neuerung & Bedeutung für Entitäten SEO
Google Knowledge Graph	2012	Einführung der zentralen Datenbank zur Speicherung von Entitäten und deren Beziehungen.
Hummingbird	2013	Grundlegender Austausch des Such-Kernsystems hin zur semantischen Suche. Ermöglichte das Verstehen ganzer Satzstrukturen.
RankBrain	2015	Einsatz von Machine Learning zur Interpretation unbekannter oder mehrdeutiger Suchanfragen durch Entitäten-Zuordnung.
Gemini & ChatGPT	Ab 2023	Große KI-Sprachmodelle (LLMs), die Entitäten-Netzwerke nutzen, um komplexe und individuelle Antworten auf spezifische Suchanfragen zu generieren.

In der klassischen Suchmaschinenoptimierung ging es darum, Webseiten für Keyword-Suchanfragen auf vorderen Positionen der Suchergebnisseiten (SERPs) zu platzieren. Dafür reichten lange Zeit eine einfache Keyword Analysen und dann wurden irgendwann semantische Analysen notwendig.

In der KI Suche (wie in Google AI Overviews, Perplexity, ChatGPT oder Gemini) generiert die Suchmaschine direkt passgenaueste Antworte aufgrund vom erkannten Kontext in der Suchanfrage.

Funktionsweise: Wie Algorithmen Entitäten erfassen

Suchmaschinen nutzen NLP & Linguistik-Konzepte (Natural Language Processing), um unstrukturierten Text auf Webseiten in strukturierte Daten zu übersetzen. Dieser Prozess lässt sich in 5 Schirtte gliedern,

1. Entity Extraction und Named Entity Recognition (NER)

Bei der Entity Extraction (Extraktion von Entitäten) analysiert ein Algorithmus einen Text und isoliert die darin vorkommenden Informationen. Das enthaltene Teilverfahren Named Entity Recognition (NER) identifiziert hierbei konkrete Eigennamen, Organisationen, Orte, Zeitangaben und Produkte.

• Beispieltext: „Die Backlinked GmbH hat ihren Sitz in Bonn.“
• NER-Ergebnis: [Backlinked GmbH] = Organisation, [Bonn] = Ort.

2. Entity Disambiguation

Begriffe, die mehrdeutig sein können, werden durch die Entity Disambiguation (Bedeutungsklärung) anhand des umliegenden Kontexts eindeutig.

• Beispiel: Das Wort „Golf“ kann einen Sport, ein Fahrzeug (VW Golf) oder ein Meeresbecken (Golf von Mexiko) bezeichnen. Wenn im Text Wörter wie „Schläger“, „Handicap“ und „Green“ vorkommen, ordnet das System die Entität dem Sport zu.

3. Entity Salience

Nicht jede erkannte Entität ist für ein Thema gleich wichtig. Die Entity Salience (Gewichtung) ist ein Zahlenwert (in der Regel zwischen 0,0 und 1,0), der angibt, wie zentral eine Entität für das Gesamtthema einer Seite ist.

• Beispiel: Ein Text über die Unternehmenshistorie von Microsoft hat für die Entität „Microsoft“ eine sehr hohe Gewichtung, während die beiläufige Erwähnung der Stadt „Redmond“, in der die Firmenzentrale ist, eine niedrige Salience aufweist.

4. Co-Occurrence

Die Co-Occurrence (Koinzidenz) beschreibt das häufige gemeinsame Auftreten bestimmter Entitäten in fachlich relevanter und vertrauenswürdiger Literatur im Internet.

• Beispiel: Treten die Entitäten „Backlinked“, „Webseiten Sichtbarkeit“ und „wichtige Rankingfaktoren“ regelmäßig gemeinsam auf, leitet der Algorithmus daraus ein starkes semantisches Verhältnis ab.

5. Vektoren und Vektorräume

Moderne KI-Modelle übersetzen Entitäten in sogenannte Vektoren. In einfachen Worten Beschrieben, sind Vektoren Positionen in einem mehrdimensionalen Koordinatensystem (ein Vektorraum). Liegen hier die Entitäten bzw. Vektoren nah beieinander, handelt es sich automatisch um semantisch verwandte Entitäten.

Das Modell kann also durch Entfernungen im Vektorraum berechnen, wie relevant bestimmte Entitäten zueinander sind und folglich auch die Relevanz von weiterführenden Informationen bei der Beantwortung einer Suchmaschine einschätzen.

Im Vergleich zur früheren, keywordbasierten Beantwortung von Suchanfragen liegt hierin der Hauptunterschied, denn es müssen keine identischen Wörter mehr abgeglichen werden, um Kontext herzustellen.

Die Wissensdatenbank für Entitäten: Der Knowledge Graph

Ein Knowledge Graph ist eine graphische Datenbank, in der Entitäten und ihr Verhältnis zueinander gespeichert werden. Sie werden als sogenannte Knoten (Nodes) angelegt und deren Verbindungen als Kanten (Edges) verzeichnet.

Innerhalb dieses Graphen werden diese Informationen einer Entität nach dem Prinzip der Triplets strukturiert. Einfach beschrieben: Sie werden in Subjekt, Prädikat und Objekt unterteilt:

Art	Bedeutung	Beispiel
Subjekt	Ausgangs-Entität	Backlinked
Prädikat	Beziehung zu Objekt	ist Anbieter von
Objekt	Ziel-Entität	Offpage Optimierungen

Externe Datenquellen: Wikidata und DBpedia

Neben dem Knowledge Graph nutzen Google und Co. außerdem offene und strukturierte Datenbanken, um den eigenen Knowledge Graph aufzubauen und die eigens gecrawlten Informationen abzugleichen:

• DBpedia: Ein Projekt, das strukturierte Informationen aus Wikipedia-Artikeln extrahiert und als RDF-Triplets zur Verfügung stellt.
• Wikidata: Eine frei zugängliche, mehrsprachige Wissensdatenbank, die von der Wikimedia Foundation betrieben wird. Jede Entität erhält dort eine eindeutige Nummer (z. B. 5277 für 'Google Knowledge Graph).

Kleiner Praxis-Tipp von mir:

Wikidata ist wie Wikipedia ein offenes Projekt. Du kannst also einfach selbst einen entsprechenden Eintrag für eine Entität dort anlegen! Die Bedingung dafür ist allerdings, dass du die Relevanzkriterien von Wikidata erfüllst. Solltest du oder dein Unternehmen bereits einen Wikipedia-Artikel haben, erfüllst du bereits ein Relevanzkriterium.

DBpedia ist zwar ein geschlossenes Projekt, speist sich aber direkt aus der Wikipedia und baut ihre Datenbank vor allem aus den dortigen Infoboxen auf.

Solltest du es schaffen, in diesen Datenbanken einen Eintrag zu bekommen, steigt die Relevanz für deine Entität im Google Knowledge Graph automatisch.

Knowledge Penal für ausreichend relevante Entitäten

Entity SEO: Optimieren für Sichtbarkeit im Entitätendschungel

Neben dem oben genannten Informationen gibt es natürlich konkrete Handlungsempfehlungen, die dafür sorgen, dass deine Inhalte auch nach den neuen Methoden der Suchalgorithmen sichtbar bleiben.

Die 4 wichtigsten Faktoren, die du direkt umsetzen kannst, haben wir dir folgend aufgelistet:

1. Vertraue nicht stumpf auf rein datebasierte SEO-Tool-Analysen für deine Contentoptimierung

SEO-Tools sind toll. In der Contentoptimierung hängen sie aber leicht hinterher und geben zu oberflächliche Basis-Informationen, die zur modernen Contenterstellung oftmals nicht reichen. Wir haben dieses Thema bereits an mehreren Stellen aufgearbeitet und können euch die folgenden Inhalte ans Herz legen:

• Blogartikel: Wer Keyworddichte und feste Wortanzahlen nutzt, hat nicht richtig aufgepasst
• Blogartikel: Wenn SEOs an der Suchintention vorbei schreiben

2. Technische Auszeichnung: Structured Data Entity Markup

Damit Suchmaschinen Entitäten auf deiner Webseite ohne aufwendige Textanalyse schnell und korrekt zuordnen können, nutzt du am besten Structured Data Entity Markups (Strukturierte Daten).

Was das genau ist, haben wir in unserem Wiki-Beitrag Was sind Strukturierte Daten? behandelt.

Besonders das Eigenschaftsfeld sameAs ist hier erwähnenswert, denn es lässt dich eine Entität auf deiner Website direkt mit ihrer Repräsentanz in offiziellen Datenbanken wie Wikidata oder dem Google Knowledge Graph verknüpfen.

Wieso die Nutzung der Schema.org Markups für deine Sichtbarkeit in KI-Systemen allgemein von zentraler Bedeutung ist, haben wir in folgendem Blogartikel und Video erklärt:

• Blogartikel: KI-Sichtbarkeit: Modulare Chunks sind der neue GEO-Content-Standard!

3. Aufbau von eigenen Entitäten für mehr Sichtbarkeit

Damit deine Marke, dein Produkt oder eine relevante Person aus deinem Unternehmen von Suchmaschinen und KI-Systemen als eigenständige Entität verstanden wird, reicht die Veröffentlichung von Inhalten auf der eigenen Website oftmals nicht aus.

Das oben erklärte Prinzip der Co-Occurence ist für Google und andere KI-Systeme die bestmögliche Methode, um Relevanz zu messen. Und genau darauf kannst du gezielt Einfluss nehmen, indem du dafür sorgst, dass Google auch außerhalb deiner Website Informationen zur Verifikation deiner Inhalte findet:

• Brand Mentions festigen dein semantisches Profil und steigert deine Brand Authority: Sorgst du für mehr Erwähnungen deiner Marke, können Suchmaschinen den Kontext rund um die Erwähnung analysieren und dir so mehr Relevanz im jeweiligen Themengebiet zusprechen.
• Klassischer Backlinkaufbau sorgt für Vertrauen: Richtig gesetzte Backlinks stellen ebenfalls ein zentrales Mittel zur Steigerung der Relevanz dar.
• Strategische Gastartikel, Interviews und PR: Publikationen in relevanten Fachmedien unterstützen deine Marke und sorgen dafür. dass du nicht nur für deine Zielgruppe, sondern auch für die Suchmaschine als Experten-Entität wahrgenommen wirst.
• Aktive Profile in Social Media: Ein gut bespieltes LinkedIn-Profil kann sich ebenfalls positiv darauf auswirken, wie Suchmaschinen deine Person oder Unternehmen wahrnehmen. Google wertet sogar Audiospuren von Videos aus, um die von der Person gesprochenen Inhalte einem Themenfeld zuzuordnen.

Das Thema 'Expertenstatus' für den Aufbau von wirksamen Entitäten haben wir noch konkreter in folgendem Content behandelt:

• Blogartikel: ​Brand Authority: 5 Wege für eine schnell steigende Autorität deiner Marke
• Blogartikel: Expertenstatus: Google will keine Experten. Du musst nur wie einer klingen!

Nutze die Google Natural Language API

Google bietet mit der Google Natural Language API eine öffentlich zugängliche Schnittstelle an, mit der Texte auf ihre Entitäten hin analysiert werden können.

Du kannst dieses Tool konkret dafür nutzen, folgende Sachverhalte zu prüfen:

• Welche Begriffe in meinem Text identifiziert Google als eigenständige Entitäten? (Diese können dann beispielsweise mit dem Markup sameAs ausgestatten werden).
• In welche Themenfelder ordnet das System deinen Text ein?
• Welchen Gewichtungswert (Salience) ordnet Google den einzelnen Entitäten im Text zu?

So kannst du nicht nur feststellen, ob zentrale Entitäten in deinem Text vorhanden sind, sondern auch durch den Salience-Wert sehen, ob der Text strukturell und semantisch eindeutig aufbereitet ist.

Fazit: Zusammenfassung für die SEO- und GEO-Praxis

Der Wechsel von Keyword-basierten zu Entitäten-basierten Systemen erfordert eine Anpassung der SEO-Strategie:

• Kontext und Nutzerfokus: Die Inhalte einer Website müssen nach Möglichkeit ein Thema bestmöglich abdecken. Dazu gehört die Einbindung aller relevanten Co-Occurrences und Neben-Entitäten.
• Eindeutigkeit durch Strukturierte Daten: Die Nutzung von Schema.org Markups verhindert Missverständnisse bei der Entity Disambiguation.
• Aufbau der eigenen Marke als Entität: Marken, Autoren und Produkte sollten konsistent im Netz präsentiert werden, um einen festen Eintrag im Knowledge Graph von Google und anderen KI-Systemen zu etablieren.

Simon Zahn

Simon Zahn

Simon ist Geschäftsführer der Pixelrein GmbH & Co. KG und Gründer von Backlinked. Er bringt jahrelange Erfahrung in der strategischen Entwicklung und Skalierung von Digitalprojekten mit. Sein Fokus liegt neben der strategischen Weiterentwicklung von Backlinked auf der datengetriebenen Suchmaschinenoptimierung, um nachhaltige Sichtbarkeit für Marken im DACH-Raum aufzubauen.