Entitäten

Entitäten sind eindeutig identifizierbare Objekte, die Google in seinem Knowledge Graph speichert und miteinander verknüpft: Personen, Orte, Unternehmen, Produkte, Ereignisse oder abstrakte Konzepte. Der Knowledge Graph enthält über 500 Milliarden Fakten zu mehr als 5 Milliarden Entitäten und bildet die Grundlage für Knowledge Panels, Featured Snippets, Google Discover, AI Overviews und die Zitierlogik von KI-Suchsystemen wie ChatGPT und Perplexity. Seit dem Hummingbird-Update 2013 bewertet Google Inhalte nicht mehr primär über Keyword-Übereinstimmungen, sondern über das Bedeutungsverständnis der Entitäten und ihrer Beziehungen zueinander. Inhalte, die als Entitäten im Knowledge Graph erkannt werden, erscheinen mit 50 % höherer Wahrscheinlichkeit in Featured Snippets und Rich Results.

Was ist eine Entität im SEO-Kontext?

Eine Entität ist ein eindeutig identifizierbares “Ding” in der realen oder konzeptionellen Welt, unabhängig von Sprache und Schreibweise. “München” als Keyword ist eine Zeichenkette. “München” als Entität ist die bayerische Landeshauptstadt mit 1,5 Millionen Einwohnern, gelegen an der Isar, Sitz des FC Bayern, verknüpft mit dem Oktoberfest. Die SEO-Beraterin Carolyn Shelby (Yoast) beschreibt den Unterschied so: “Keyword SEO is working on a flat map, while entity SEO lives in three-dimensional space.”

Drei Eigenschaften unterscheiden Entitäten von Suchbegriffen.

• Eindeutigkeit: Jede Entität besitzt eine Machine Readable Entity ID (KGMID), die Verwechslungen verhindert. “Apple” als Obst trägt eine andere ID als “Apple” als Technologiekonzern. Die KGMID folgt dem Format /m/xxxxxx und ist über die Knowledge Graph Search API abrufbar.
• Attribute: Entitäten tragen maschinenlesbare Eigenschaften wie Gründungsdatum, Standort, Kategorie oder Branche. Diese Attribute machen die Entität kontextunabhängig und sprachübergreifend identifizierbar.
• Relationen: Entitäten stehen in definierten Beziehungen zueinander. “Elon Musk” ist Gründer von “SpaceX” und CEO von “Tesla”. Diese Relationen bilden die Kanten des Knowledge Graph und ermöglichen es Google, komplexe Anfragen wie “Wer hat das Unternehmen gegründet, das das iPhone herstellt?” über die Entitätskette aufzulösen: iPhone → Apple Inc. → Steve Jobs, Steve Wozniak, Ronald Wayne.

Welche Arten von Entitäten erkennt Google?

Google klassifiziert Entitäten in Typen, die jeweils eigene Attribute und Relationen mitbringen. Sieben Haupttypen bilden die Basis des Knowledge Graph.

Entitätstyp	Beispiele	Typische Attribute	SEO-Relevanz
Person	André Schäfer, Angela Merkel	Beruf, Geburtsort, Organisation	Autorenprofile, E-E-A-T Signale
Organisation	sagemedia GmbH, Siemens	Branche, Standort, Gründungsdatum	Knowledge Panels, Brand Searches
Ort	Bad Staffelstein, Berlin	Koordinaten, Einwohner, Bundesland	Local SEO, Google Maps
Produkt	iPhone 16, Ahrefs	Hersteller, Preis, Kategorie	Product Rich Results
Ereignis	Bayreuther Festspiele, CES	Datum, Ort, Veranstalter	Event Rich Results
Kreatives Werk	”Die Verwandlung”, “Bohemian Rhapsody”	Autor, Erscheinungsjahr, Genre	Knowledge Panels
Konzept	Suchmaschinenoptimierung, Inflation	Definition, verwandte Konzepte	Topical Authority, Glossar-Rankings

Eine Entität kann mehreren Typen gleichzeitig angehören. “Berlin” ist Stadt, Verwaltungsbezirk, Bundesland und Touristenziel. Google weist jeder Entität den kontextuell passenden Typ zu, abhängig von der Suchintention des Nutzers.

Neben den klassischen Knowledge-Graph-Entitäten existieren sogenannte “No-ID-Entitäten”: Unternehmen oder Personen ohne KGMID, die aber einen ausreichend starken digitalen Fußabdruck besitzen, um Knowledge Panels zu erhalten. Diese Entitäten lassen sich durch konsistente Signalarbeit und starke Assoziation mit bereits etablierten Entitäten aufbauen.

Wie funktioniert der Google Knowledge Graph?

Der Knowledge Graph ist Googles interne Wissensdatenbank, die Entitäten und ihre Beziehungen in einer Graphstruktur speichert. Jede Entität ist ein Knoten, jede Beziehung eine Kante. “Barack Obama” (Knoten) ist “Ehemann von” (Kante) “Michelle Obama” (Knoten) und “ehemaliger Präsident von” (Kante) “USA” (Knoten). Google stellte den Knowledge Graph im Mai 2012 vor, aufgebaut auf der 2010 für rund 50 Millionen USD übernommenen Wissensdatenbank Freebase (eingestellt 2016).

Google speist den Knowledge Graph aus vier Quellentypen.

• Strukturierte Daten: Schema.org Markup auf Websites, Wikidata-Einträge und Behördendatenbanken liefern maschinenlesbare Fakten in standardisierten Formaten.
• Semistrukturierte Quellen: Wikipedia-Infoboxen, Handelsregister, CrunchBase-Profile und Branchenverzeichnisse bieten aufbereitete Informationen mit konsistenter Struktur.
• Unstrukturierte Texte: Google extrahiert Fakten aus Webseiten mittels Natural Language Processing. Das Patent “Knowledge Extraction” beschreibt, wie Subjekt-Prädikat-Objekt-Triples aus Fließtext gewonnen und im Graph gespeichert werden.
• Nutzerverhalten: Wenn “Ahrefs” und “eingehende Verlinkungen” häufig gemeinsam gesucht werden, erkennt Google eine semantische Beziehung und stärkt die Verbindung im Graph.

Das sichtbarste Ergebnis des Knowledge Graph sind Knowledge Panels, die rechts neben den organischen Suchergebnissen erscheinen. Sie fassen die wichtigsten Fakten einer Entität zusammen. Unternehmen mit verifiziertem Knowledge Panel erhalten durchschnittlich 30 % mehr Klicks auf ihre Brand-Suchanfragen. Google Discover nutzt Entitäten zur thematischen Clusterung und empfiehlt Inhalte basierend auf den Entitäten, für die ein Nutzer wiederholt Interesse gezeigt hat.

Welche Algorithmus-Updates basieren auf Entitäten?

Google hat seit 2013 mehrere Updates veröffentlicht, die das Entitätsverständnis schrittweise vertieft haben. Vier Updates markieren die zentralen Wendepunkte.

Update	Jahr	Veränderung
Hummingbird	2013	Umstellung von Keyword-Matching auf semantisches Verständnis ganzer Suchanfragen
RankBrain	2015	KI-System für unbekannte Suchanfragen, interpretiert Bedeutung über Entitätsvektoren
BERT	2019	NLP-Modell für kontextabhängige Wortbedeutung, verbessert Entity Disambiguation
MUM (Multitask Unified Model)	2021	Multilinguale, multimodale Entitätserkennung über Sprach- und Formatgrenzen hinweg

Seit BERT versteht Google den Unterschied zwischen “Jaguar Auto kaufen” und “Jaguar Tier beobachten” nicht über Keyword-Kontext, sondern über die unterschiedlichen Entitäten hinter dem Wort “Jaguar”. MUM geht einen Schritt weiter und verknüpft Entitäten über Sprachen und Medienformate hinweg: Ein Bild des Eiffelturms, der japanische Text “エッフェル塔” und die englische Suchanfrage “tallest structure in Paris” referenzieren dieselbe Entität.

Was ist Entity Salience?

Entity Salience misst, wie prominent und zentral eine Entität innerhalb eines Textes ist. Google bewertet nicht nur, ob eine Entität vorkommt, sondern wie wichtig sie für den Gesamtkontext ist. Die Salience wird auf einer Skala von 0.0 bis 1.0 gemessen. Seiten, auf denen die primäre Entität einen Salience Score über 0,7 erreicht, ranken durchschnittlich 4,2 Positionen höher als Seiten mit derselben Entität unter 0,3.

Eine Studie der Google-Mitarbeiter Dunietz und Gillick (2014) identifizierte sechs messbare Salience-Signale.

• 1st-loc (Erstnennung): Entitäten im ersten Satz eines Textes erhalten die höchste Gewichtung. Die Position der Erstnennung ist das stärkste Einzelsignal.
• Head-count (Häufigkeit): Die Anzahl der Nennungen der primären Wortform einer Entität, ohne Pronomen oder Synonyme.
• Mentions (Gesamtnennung): Alle Referenzen auf die Entität, einschließlich Pronomen (“er”, “sie”, “es”) und Umschreibungen.
• Headline (Überschrift): Entitäten in Überschriften (H1, H2, H3) erhalten höhere Salience als Entitäten im Fließtext.
• Head-lex (Wortform): Die normalisierte Grundform der Erstnennung beeinflusst die Zuordnung. Unterschiedliche Schreibweisen derselben Entität schwächen das Signal.
• Entity Centrality (Zentralität): Entitäten, die im Knowledge Graph nah an anderen hochgewichteten Entitäten liegen, erhalten einen Bonus, vergleichbar mit der PageRank-Logik für Verlinkungen.

Googles Natural Language API ist das primäre Tool zur Messung von Entity Salience. Sie extrahiert Entitäten aus jedem Text, klassifiziert sie nach Typ und bewertet ihre Prominenz auf der 0-bis-1-Skala.

Wie unterscheiden sich Keywords und Entitäten?

Die Unterscheidung zwischen Keyword-basiertem und Entity-basiertem SEO ist fundamental für die moderne Suchmaschinenoptimierung. Beide Dimensionen arbeiten zusammen, ersetzen einander aber nicht.

Dimension	Keyword-SEO	Entity-SEO
Grundeinheit	Zeichenkette (“Zahnarzt München”)	Bedeutung (Zahnmediziner + bayerische Landeshauptstadt)
Sprachabhängigkeit	Ja (“dentist Munich” ist ein anderes Keyword)	Nein (dieselbe Entität, unabhängig von der Sprache)
Mehrdeutigkeit	Nicht aufgelöst	Aufgelöst durch Kontext und KGMID
Optimierungsziel	Keyword-Dichte, Platzierung, Variationen	Salience, Kookkurrenz, Relationen, Schema Markup
Ranking-Logik	Textmatch + Backlinks	Semantisches Verständnis + Entitäts-Graph
Zeithorizont	Kurzfristige Rankings für Einzelbegriffe	Langfristige thematische Autorität
KI-Suchsysteme	Begrenzte Wirkung	Primärer Mechanismus für Zitierauswahl

Keywords bleiben der Trigger für die Suche. Entitäten bestimmen, wie Google die Bedeutung hinter dem Keyword versteht. Die Optimierung verschiebt sich von “welches Wort platziere ich wo?” zu “welche Bedeutungsebenen decke ich ab?”. Eine Suchanfrage mit mehreren Entitäten, etwa “Entfernung Eiffelturm zum Louvre”, unterliegt weniger Wettbewerb als Single-Entity-Anfragen und konvertiert häufig besser.

Wie optimiert man Inhalte für Entity SEO?

Entity-Optimierung folgt einem systematischen Prozess in fünf Schritten, der weit über Keyword-Platzierung hinausgeht.

1. Entity-Analyse des Ist-Zustands

Googles Natural Language API, InLinks, TextRazor oder Diffbot extrahieren die Entitäten, die Google aktuell mit einer Seite assoziiert. Die Analyse beantwortet drei Fragen: Welche Entitäten erkennt Google? Welche Salience-Scores erreichen sie? Welche Entitätstypen werden zugeordnet?

2. Entity Gap Analyse

Vergleich der eigenen Entitäten mit den Entitäten der rankenden Wettbewerber. Fehlende Entitäten werden identifiziert und priorisiert. Eine Seite über “Suchmaschinenoptimierung”, die die Entitäten “Google”, “Backlinks”, “technische Ladezeit-Metriken” und “SERP” enthält, ist semantisch vollständiger als eine Seite mit nur “SEO”, “Keywords” und “Ranking”. InLinks dokumentiert in einer Fallstudie, dass eine systematische Entity Gap Analyse innerhalb von drei Monaten zu 440 % mehr Impressions und 52 % mehr Klicks führte.

3. Content-Erstellung mit Entity-Fokus

Jeder Textabschnitt adressiert eine primäre Entität und verknüpft sie mit verwandten Entitäten. Der erste Satz eines Absatzes definiert die zentrale Entität (1st-loc-Signal). Kookkurrenz-Muster steuern die semantische Vollständigkeit: Welche Entitäten treten bei den Top-10-Ergebnissen regelmäßig gemeinsam auf? Fehlende Kookkurrenzen deuten auf inhaltliche Lücken hin.

Ein häufiger Fehler ist Entity Stuffing: das Einfügen thematisch irrelevanter Entitäten, nur weil sie einen hohen Knowledge-Graph-Score haben. Jede Entität muss in einem natürlichen, inhaltlich begründeten Zusammenhang stehen.

4. Schema Markup für Entitäten

Strukturierte Daten machen Entitäten maschinenlesbar. JSON-LD ist das bevorzugte Format. Fünf Schema.org-Typen sind für Entity SEO besonders relevant.

• Organization: Name, Logo, Adresse, Gründer, sameAs-Links zu Wikipedia, LinkedIn, Handelsregister. Die sameAs-Property verbindet die eigene Entität mit autoritativen externen Quellen und beschleunigt die Aufnahme in den Knowledge Graph.
• Person: Name, jobTitle, worksFor, sameAs-Links, knowsAbout. Autorenprofile mit Person-Schema stärken die E-E-A-T-Signale des gesamten Contents.
• LocalBusiness: Standort, Öffnungszeiten, areaServed, Geo-Koordinaten. Konsistente NAP-Daten (Name, Adresse, Telefonnummer) über alle Plattformen sind Voraussetzung.
• Product: Name, Hersteller, Preis, Bewertungen. Produktentitäten generieren Rich Results in den Suchergebnissen.
• Article: Autor, Veröffentlichungsdatum, Publisher, mainEntityOfPage, about, mentions. Die about-Property deklariert, welche Entität der Hauptgegenstand des Artikels ist.

Die @id-Property schafft eine interne Referenzstruktur: Jede Entität auf der Website erhält eine eindeutige URI, auf die andere Schema-Elemente verweisen. So entsteht ein interner Knowledge Graph der eigenen Website.

5. Entity Building über externe Signale

Google verifiziert Entitäten über konsistente Signale aus mehreren unabhängigen Quellen.

• Wikipedia und Wikidata: Ein eigener Wikipedia-Eintrag ist das stärkste Signal für die Aufnahme in den Knowledge Graph. Marken mit Wikipedia-Artikel erhalten Knowledge Panels typischerweise innerhalb von ein bis drei Monaten. Wikidata-Einträge speisen den Knowledge Graph direkt.
• Presse und Erwähnungen: Konsistente Nennungen in Fachmedien, Presseberichten und Branchenverzeichnissen stärken die Entitäts-Identität. CrunchBase, G2 und branchenspezifische Portale liefern verifizierbare Signale.
• Soziale Profile: Verifizierte Profile auf LinkedIn, Instagram und YouTube, per sameAs mit der Website verknüpft, bestätigen die Existenz und Aktivität der Entität.
• NAP-Konsistenz: Für lokale Unternehmen müssen Name, Adresse und Telefonnummer über alle Plattformen identisch sein. Inkonsistenzen verwirren den Knowledge Graph und verhindern Knowledge Panels.

Ohne Wikipedia dauert der Knowledge Panel Aufbau sechs bis 18 Monate konsistenter Signalarbeit über alle genannten Kanäle.

Wie hängen Entitäten mit E-E-A-T zusammen?

E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) und Entity SEO verstärken sich gegenseitig. Google bewertet Autorensignale über Personen-Entitäten: Ein Autor mit eigenem Knowledge-Graph-Eintrag, konsistenten Fachpublikationen und verifizierten Profilen wird als vertrauenswürdiger eingestuft als ein unbekannter Verfasser.

Drei Verbindungen zwischen Entitäten und E-E-A-T sind messbar.

• Expertise durch Entity Coverage: Websites, die ein Themenfeld in seiner vollen Entitätsbreite abdecken, signalisieren Fachkompetenz. Eine SEO-Website, die alle relevanten Entitäten des Themenfelds behandelt (Google, Backlinks, Schema Markup, Core Web Vitals, Content-Strategie), demonstriert tiefere Expertise als eine Website mit fragmentarischer Abdeckung.
• Authoritativeness durch Entity-Verbindungen: Wenn eine Organisation als Entität mit anerkannten Branchenentitäten verknüpft ist (Konferenzen, Fachpublikationen, Zertifizierungen), steigt die wahrgenommene Autorität.
• Trustworthiness durch Konsistenz: Identische Fakten über alle Quellen hinweg (Website, Wikipedia, Handelsregister, Social Profiles) stärken das Vertrauenssignal. Widersprüchliche Informationen schwächen es.

Welche Rolle spielen Entitäten für KI-Suchsysteme?

KI-Suchsysteme wie OpenAIs Chatbot ChatGPT, die KI-gestützte Antwortmaschine Perplexity, Google Gemini und Google AI Overviews nutzen Entitätsverständnis als primären Mechanismus für die Quellenauswahl. Eine HubSpot-Umfrage zeigt: 82 % der Befragten finden KI-Suche hilfreicher als klassische Ergebnisseiten, und 66 % erwarten, dass KI traditionelle Suche innerhalb von fünf Jahren ablöst. Weniger als 25 % der meistgenannten Marken erscheinen als Primärquelle in KI-Zusammenfassungen.

Für die Sichtbarkeit in KI-Antworten gelten drei Prinzipien.

• Entity Clarity: Die eigene Marke muss als eindeutige Entität mit klaren Attributen erkennbar sein. Inkonsistente Firmennamen, fehlende Schema-Markups und widersprüchliche Informationen verhindern die Zuordnung.
• Topical Entity Coverage: Große Sprachmodelle bevorzugen Quellen, die ein Thema in seiner semantischen Breite behandeln. Die Vollständigkeit der Entitäts-Abdeckung bestimmt, ob eine Seite als Zitierquelle herangezogen wird.
• Zitierfähige Struktur: Klar formulierte Aussagen in Subjekt-Prädikat-Objekt-Form (Triples) erleichtern es KI-Systemen, Fakten zu extrahieren und mit Quellenangabe zu zitieren. Generative Engine Optimization baut direkt auf Entity SEO auf.

Wie hängen Entitäten mit Topical Authority zusammen?

Thematische Autorität und Entity SEO sind zwei Seiten derselben Medaille. Topical Authority beschreibt, ob eine Website ein Thema umfassend und kompetent abdeckt. Entity SEO beschreibt, wie die einzelnen Wissenseinheiten innerhalb dieses Themas strukturiert und verknüpft sind.

Eine Website mit hoher Topical Authority für “Suchmaschinenoptimierung” deckt die Entitäten des Themenfelds vollständig ab: Google, Backlinks, Keywords, Core Web Vitals, Schema Markup, Content-Strategie, Linkbuilding, SERP Features. Jede dieser Entitäten ist intern verlinkt, mit Schema Markup ausgezeichnet und in einem thematisch fokussierten Inhaltscluster logisch verortet.

Google misst Topical Authority über die Vollständigkeit und Tiefe der Entitäts-Abdeckung. Websites, die nur Teilaspekte eines Themas behandeln, werden als weniger autoritativ eingestuft als Websites mit vollständiger Entitäts-Landkarte. Ein Informationsgewinn (Information Gain) entsteht, wenn Inhalte Entitäten in neuartigen Zusammenhängen präsentieren, die in bestehenden Quellen nicht abgedeckt sind.

Welche Tools messen Entitäten und Salience?

Sechs Tools decken das Spektrum von der Salience-Messung bis zur automatisierten Entity-Optimierung ab.

Tool	Funktion	Zugang
Google Natural Language API	Entity Extraction, Salience Score, Sentiment, Kategorisierung	API (kostenpflichtig nach Volumen)
InLinks	Entity-basierte Content-Optimierung, internes Linking nach Entitäten, Entity Gap Analyse	SaaS (ab 39 EUR/Monat)
TextRazor	Entity Extraction, Disambiguation, Confidence Score, Linking zu Wikidata/DBpedia	API (Freemium)
Diffbot	Knowledge Graph Aufbau aus unstrukturierten Daten, eigene Entity-Datenbank	API/SaaS
Ahrefs Content Explorer	Identifikation von Content mit hoher Entity-Dichte und Traffic	SaaS (ab 129 USD/Monat)
WordLift	Schema Markup Generator mit Entity-Analyse, automatische @id-Verknüpfung	SaaS (ab 59 EUR/Monat)

Für die praktische SEO-Arbeit ist die Kombination aus Google Natural Language API (Salience-Messung) und Schema Markup (Entitäts-Deklaration) der effektivste Ansatz. InLinks automatisiert die interne Verlinkung auf Entitäts-Ebene und ergänzt die manuelle OnPage-Optimierung.

Was ist Named Entity Recognition?

Named Entity Recognition (NER) ist ein Verfahren der natürlichen Sprachverarbeitung, das Entitäten automatisch in Texten identifiziert und klassifiziert. NER erkennt “Angela Merkel” als Person, “Olympische Spiele” als Ereignis und “Berlin” als Ort.

Googles NER-Pipeline durchläuft vier Stufen.

1. Preprocessing: Tokenisierung, Stopwort-Entfernung, Stemming und Lemmatisierung zerlegen den Text in verarbeitbare Einheiten.
2. Feature Extraction: Bag-of-Words, TF-IDF, Wort-Embeddings und kontextuelle Embeddings erzeugen numerische Repräsentationen der Textabschnitte.
3. Entity Extraction: Das NER-Modell identifiziert Entitäten und ordnet sie Typen zu (Person, Organisation, Ort, Produkt).
4. Entity Linking: Erkannte Entitäten werden mit den entsprechenden Knowledge-Graph-IDs verknüpft. “Apple” im Kontext von “iPhone-Hersteller” wird mit der KGMID für Apple Inc. verbunden, nicht mit der für die Frucht.

Moderne NER-Systeme nutzen Transformer-Modelle statt regelbasierter Ansätze. Sie erkennen Entitäten auch ohne explizite Markierung: “Die Kanzlerin besuchte Paris” wird korrekt als Person + Ort interpretiert, obwohl weder Name noch Landeshauptstadt im Satz stehen. Texte, deren Entitäten maschinell sauber extrahierbar sind, erhalten präzisere Ranking-Zuordnungen.

Kann mein Unternehmen eine Entität im Knowledge Graph werden?

Ja. Jedes Unternehmen mit eindeutig identifizierbaren Attributen (Name, Standort, Branche, Gründer) kann als Entität aufgenommen werden. Die Voraussetzung ist konsistente Präsenz über mehrere verifizierbare Quellen: Website mit Organization Schema, Google Business Profile, Handelsregister, Branchenverzeichnisse und idealerweise Presseerwähnungen oder ein Wikipedia-Eintrag. Ohne Wikipedia dauert der Prozess sechs bis 18 Monate.

Wie prüfe ich, ob Google mein Unternehmen als Entität erkennt?

Drei Methoden liefern Klarheit. Erstens: den Firmennamen über die Google Knowledge Graph Search API abfragen und prüfen, ob eine KGMID existiert. Zweitens: eine Brand-Suche bei Google durchführen und beobachten, ob ein Knowledge Panel erscheint. Drittens: den eigenen Website-Content durch die Google Natural Language API analysieren und prüfen, ob der Firmenname als Organisation mit hohem Salience Score erkannt wird.

Welche Fehler sollte man bei Entity SEO vermeiden?

Vier Fehler treten in der Praxis besonders häufig auf. Entity Stuffing, also das Einfügen thematisch irrelevanter Entitäten, schadet der Salience der primären Entität. Inkonsistente Namensschreibweisen über verschiedene Seiten und Plattformen verwirren den Knowledge Graph. Fehlende sameAs-Verlinkungen in Schema Markup verlangsamen die Verifizierung. Und die Vernachlässigung der Erstnennung (1st-loc) verschenkt das stärkste Salience-Signal: Die zentrale Entität gehört in den ersten Satz des Textes.

sagemedia analysiert bei der Optimierung für KI-Suchsysteme und generative Antwortmodelle, welche Entitäten Google mit einer Marke assoziiert, und baut fehlende Verknüpfungen systematisch auf. Die Organic-Ovation-Methode kombiniert Entity-Analyse, Salience-Optimierung und strukturierte Daten zu einer SEO-Strategie, die auf semantischem Verständnis statt auf Keyword-Dichte basiert.