Was bringt FAQPage Schema? - Definition & Beispiele

Lexikon

Featured Snippets sind hervorgehobene Antwortboxen über den regulären Suchergebnissen – oft als "Position 0" bezeichnet. Es gibt verschiedene Typen: Paragraph-Snippets (Definitions-Antworten, 40-60 Wörter), Listen-Snippets (Schritte oder Aufzählungen), Tabellen-Snippets (Vergleichsdaten), Video-Snippets (YouTube-Ausschnitte). Die Optimierung: Ziel-Frage als H2/H3 formulieren, Antwort direkt im folgenden Absatz ohne Einleitung geben, präzise und faktisch schreiben, Listen mit HTML-Listen formatieren (nicht manuell nummerieren), Tabellen für Vergleichsdaten nutzen. Voraussetzungen: Die Seite muss bereits in den Top 10 ranken – Snippets werden nicht aus Seiten gezogen, die auf Seite 2+ sind. Die Featured-Snippet-Position ist volatil – Konkurrenten können sie übernehmen. Für lokale Unternehmen funktionieren lokale Fragen gut: "Was kostet ein Schlüsseldienst in Berlin?", "Wie finde ich einen Notarzt in München?" Featured Snippets sind auch für AI-Systeme relevant: Google SGE übernimmt häufig Snippet-Inhalte als Basis für generative Antworten.

Lexikon

First-Party Data sind Informationen, die Sie direkt von Ihren Website-Besuchern, Kunden und Nutzern mit deren Einwilligung sammeln – im Gegensatz zu Third-Party Data von externen Anbietern. Zu First-Party Data gehören: CRM-Daten (Kontaktinformationen, Kaufhistorie, Interaktionen), Website-Analytics (Seitenaufrufe, Verweildauer, Conversion-Pfade), Newsletter-Engagement (Öffnungsraten, Klicks, Abmeldungen), Umfrageergebnisse und direkte Kundenfeedbacks, Account-Aktivitäten und Präferenzen. Für SEO und GEO ist First-Party Data aus mehreren Gründen kritisch: Keyword-Insights (interne Suche zeigt, was Nutzer wirklich suchen), Content-Priorisierung (welche Themen generieren Engagement?), Conversion-Optimierung (welche Landingpages performen bei welchen Segmenten?), Personalisierung (standort- oder branchenspezifische Inhalte). Im Cookie-losen Zeitalter wird First-Party Data zum strategischen Asset: Google Ads und andere Plattformen bevorzugen Advertiser mit eigenen Datenpools für Lookalike-Audiences und Attribution. Für lokale Unternehmen bedeutet das: CRM-Daten mit Standortbezug sammeln, Bewertungs-Feedback systematisch auswerten, lokale Newsletter-Segmente aufbauen. Die Implementierung erfordert: Consent-Management-Plattform (CMP), sauberen Data Layer, dokumentierte Datenflüsse und regelmäßige Datenqualitäts-Audits.

Lexikon

Freshness Signals sind Indikatoren, die Suchmaschinen und AI-Systemen zeigen, wie aktuell und gepflegt ein Inhalt ist. Google unterscheidet zwischen verschiedenen Freshness-Typen: Query Deserves Freshness (QDF) für aktuelle Ereignisse, reguläre Freshness für zeitabhängige Themen und Evergreen-Inhalte mit Aktualisierungsbedarf. Die wichtigsten Freshness-Signale umfassen: Publikationsdatum und letzte Aktualisierung (sichtbar für Nutzer und in Schema-Markup), Änderungsumfang (substantielle Updates wiegen mehr als kosmetische), Linkwachstum (neue eingehende Links signalisieren Relevanz), Social Engagement (aktuelle Shares und Diskussionen), Indexierungsfrequenz (wie oft crawlt Google die Seite neu?). Praktische Freshness-Strategie: Content-Kalender mit Review-Zyklen (Evergreen alle 6 Monate, zeitkritische Themen monatlich), automatische Alerts bei veralteten Statistiken oder gebrochenen Links, sichtbares "Zuletzt aktualisiert"-Datum, Versionierung wichtiger Änderungen. Für lokale Unternehmen sind Freshness-Signale bei Preisen, Öffnungszeiten und saisonalen Angeboten kritisch. AI-Systeme bevorzugen frische Quellen, besonders bei Themen, die sich schnell ändern – veraltete Inhalte werden seltener zitiert und verlieren Sichtbarkeit in generativen Antworten.

Lexikon

Fuzzy Search ist eine Suchmethode, die Ergebnisse auch bei Tippfehlern, Schreibvarianten oder ungenauen Eingaben findet. Technisch basiert Fuzzy Search auf Algorithmen wie Levenshtein-Distanz (Anzahl der Änderungen zwischen zwei Strings), n-gram-Matching (Vergleich von Zeichenketten-Fragmenten), phonetischer Suche (Soundex, Metaphone für ähnlich klingende Begriffe) und Stemming (Reduktion auf Wortstämme). Für SEO und GEO ist Fuzzy Search relevant bei: Ortsnamen-Varianten (München/Muenchen, Köln/Koeln/Cologne), Markennamen-Schreibweisen (McDonalds/McDonalds/Mc Donalds), Fachbegriff-Variationen (E-Mail/Email/e-mail), regionalen Dialekten und Umgangssprache. Praktische Implikationen: Interne Suchfunktionen sollten Fuzzy-Matching implementieren, um Nutzer trotz Tippfehlern zum Ziel zu führen. Content sollte wichtige Varianten abdecken – nicht als Keyword-Stuffing, sondern als natürliche Erwähnungen oder in FAQ-Sektionen. Für Multi-Location-Seiten: Alle lokalen Schreibweisen erfassen (Stadtteilnamen, alternative Bezeichnungen) und intern verlinken. Google selbst nutzt Fuzzy-Matching intensiv – die Suchmaschine korrigiert Tippfehler automatisch und erkennt Synonyme. AI-Systeme arbeiten ähnlich und verstehen Varianten durch semantische Embeddings. Eine durchdachte Fuzzy-Search-Strategie verbessert sowohl die interne Nutzererfahrung als auch die Auffindbarkeit bei variantenreichen Suchanfragen.