So clustern Sie Ihre Search-Console-Suchanfragen zu Themen, um Chancen zu finden

Warum Search-Console-Suchanfragen überhaupt zu Themen gruppieren

Die Search Console meldet Suchanfragen Zeile für Zeile, und auf jeder Website mit echtem Traffic sind die meisten dieser Zeilen winzig. Eine Suchanfrage mit 40 Impressionen im Quartal sagt für sich genommen nichts, aber zweihundert Formulierungen derselben Frage ergeben ein Thema, für das Sie ranken, schreiben und das Sie verfolgen können. Gruppieren macht außerdem aus einer Liste, die niemand liest, eine kurze Tabelle, auf die Sie reagieren können: Welche Themen bringen Traffic, welche stehen kurz vor dem Gewinn und welche rutschen ab. Aus demselben Grund funktioniert das Striking-Distance-Playbook pro Thema besser als pro Suchanfrage, denn eine Seite bedient meist ein ganzes Cluster.

Nehmen Sie vor dem Start zwei Arten von Suchanfragen heraus. Brand-Suchanfragen verhalten sich anders als alles andere (sie ranken hoch und werden gut geklickt), clustern Sie sie also getrennt oder gar nicht; der Filter für Brand-Suchanfragen der Search Console teilt den Leistungsbericht auf geeigneten Websites inzwischen in eine Brand- und eine Non-Brand-Ansicht. Und wenn Ihre Suchanfragenliste lange, promptartige Zeichenfolgen enthält, die Tools für KI-Sichtbarkeit planmäßig an Google schicken, filtern Sie auch diese heraus, sonst bilden sie ein eigenes Cluster, das nie ein Suchender eingetippt hat. Der Bericht „Query Analysis“ in GSC Wizard kennzeichnet sie als LLM tracker probes, sodass Sie sie ausschließen können.

Drei Wege, GSC-Suchanfragen zu clustern, im Vergleich

Es gibt drei praktikable Methoden (die zweite in zwei Varianten, N-Gramme und SERP-Überschneidung) sowie die Gruppierung, die Google selbst inzwischen in den Search Console Insights zeigt. Sie wägen Kontrolle gegen Abdeckung ab: Regeln sind berechenbar, finden aber nur, woran Sie gedacht haben, und Embeddings finden, was Ihnen entgangen ist, liefern aber Gruppen, die Sie von Hand prüfen müssen.

Zuerst ein Satz zu Googles eigener Option. Im Oktober 2025 hat Google den Search Console Insights die Karte Suchanfragengruppen hinzugefügt, die „ähnliche Suchanfragen gruppiert“ und die Gesamtklicks pro Gruppe zeigt, sortiert nach Top, Trending up und Trending down. Google schreibt, dass „die Gruppen mit KI berechnet werden; sie können sich im Laufe der Zeit weiterentwickeln und ändern“ und dass sie „nur für Properties verfügbar sind, die ein großes Volumen an Suchanfragen haben“. Es ist also ein guter kostenloser Überblick, falls Sie die Karte haben, aber Sie können die Gruppen nicht selbst definieren, sie sind für ein Tracking von Monat zu Monat nicht stabil genug, und kleinere Websites bekommen die Karte gar nicht erst.

Methode 1: Regex-Gruppen im Search-Console-Filter

Fügen Sie im Leistungsbericht einen Suchanfragenfilter hinzu, wählen Sie „Benutzerdefiniert (Regex)“ und schreiben Sie pro Thema ein Muster, zum Beispiel cold.?brew|iced coffee concentrate. Laut Googles Hilfeseite zur erweiterten Filterung wird „die RE2-Syntax verwendet“, der Abgleich ist partiell (das Muster kann überall in der Suchanfrage passen, solange Sie es nicht mit ^ oder $ verankern), und es wird nicht zwischen Groß- und Kleinschreibung unterschieden, es sei denn, das Muster beginnt mit (?-i). RE2 kennt weder Lookaheads noch Backreferences, deshalb scheitern Muster, die aus einem JavaScript- oder PCRE-Spickzettel kopiert wurden, manchmal; die FAQ zum Regex-Filter der Search Console enthält funktionierende Beispiele.

Die Stärke dieser Methode ist, dass Sie genau entscheiden, was zu einem Thema gehört, und dasselbe Muster im nächsten Monat dieselbe Gruppe liefert. Die Schwäche: Die Search Console zeigt jeweils nur eine gefilterte Ansicht, der Vergleich von zwölf Themen bedeutet also zwölf gefilterte Ansichten und das manuelle Kopieren jeder Summe in eine Tabelle, und die Suchanfragentabelle unter jeder Ansicht endet bei 1.000 Zeilen (siehe das Limit von 1.000 Zeilen). Dazu kommt ein feineres Problem: Googles ausführliche Erklärung zu Leistungsdaten beschreibt, dass anonymisierte Suchanfragen, also solche, „die über einen Zeitraum von zwei bis drei Monaten nicht von mehr als einigen Dutzend Nutzern gestellt werden“, in den Tabellen fehlen und nur „in den Diagrammsummen enthalten sind, sofern Sie nicht nach Suchanfrage filtern“. Eine Regex-Gruppe enthält deshalb immer weniger Klicks als die Seiten, die sie bedienen, und die Lücke ist bei Long-Tail-Themen am größten.

Methode 2: N-Gramme in einer Tabelle oder SERP-Überschneidung

Für eine N-Gramm-Zuordnung exportieren Sie Ihre Suchanfragen mit Klicks, Impressionen und Position für drei bis zwölf Monate (der Export in der Oberfläche endet bei 1.000 Zeilen, nutzen Sie bei einer großen Website also die Search Console API oder den Bulk-Datenexport). Schreiben Sie jede Suchanfrage klein, zerlegen Sie sie in Wörter, entfernen Sie Stoppwörter wie „how“, „the“ und „for“ und führen Sie einfache Plurale zusammen, sodass „grinders“ und „grinder“ als ein Wort zählen. Zählen Sie dann, in wie vielen Suchanfragen jedes einzelne Wort (Unigramm) und jedes Paar benachbarter Wörter (Bigramm) vorkommt. Paare, die in vielen Suchanfragen wiederkehren, wie „cold brew“ oder „burr grinder“, sind Ihre Themenkandidaten; ordnen Sie jeder Suchanfrage den spezifischsten Kandidaten zu, den sie enthält, und werten Sie die Kennzahlen nach Thema in einer Pivot-Tabelle aus. Verwerfen Sie Wörter, die in einem großen Teil aller Suchanfragen vorkommen, etwa „coffee“ auf einer Kaffee-Website, denn ein Thema, das die halbe Website enthält, ist kein Thema.

N-Gramme sind schnell, kostenlos und wiederholbar, und sie erklären sich selbst: Eine Suchanfrage steht unter „cold brew“, weil sie diese Wörter enthält. Bedeutung erkennen sie dagegen nicht. „French press“ und „cafetiere“ landen in verschiedenen Themen, und ein Tippfehler wie „coldbrew“ verfehlt seine Gruppe. Die SERP-Überschneidung löst das von der anderen Seite: Sie holen sich Googles Top 10 für jede Suchanfrage und legen zwei Suchanfragen in dasselbe Cluster, wenn sie genug rankende URLs teilen, zum Beispiel drei oder mehr. Das misst, was Google als dieselbe Suchintention behandelt, und ist damit die beste Methode, um zu entscheiden, ob ein Thema eine Seite oder zwei braucht. Sie kostet aber pro Suchanfrage eine SERP-Abfrage, die Ergebnisse ändern sich mit Standort, Gerät und Datum, und über ein paar tausend Suchanfragen hinaus skaliert sie schlecht. GSC Wizard clustert nicht per SERP-Überschneidung, weil es nur mit Ihren eigenen Search-Console-Daten arbeitet und keine Google-Ergebnisse scrapt.

Methode 3: Semantisches Clustering mit Embeddings

Ein Embedding-Modell wandelt jede Suchanfrage in einen Vektor aus Zahlen um, sodass Suchanfragen mit ähnlicher Bedeutung nah beieinander liegen, egal welche Wörter sie verwenden. Eine typische Pipeline erzeugt für jede Suchanfrage ein Embedding mit einem mehrsprachigen Modell (damit „cafetière“ und „french press“ zusammenfinden können), reduziert die Vektoren mit UMAP auf eine Handvoll Dimensionen und clustert sie mit HDBSCAN oder k-Means. Anschließend benennen Sie jedes Cluster nach seinen größten Suchanfragen und addieren die Kennzahlen wie zuvor. Diese Methode findet Themen, von denen Sie nicht wussten, dass Sie sie haben, und sie kommt mit Tippfehlern, Wortstellung und anderen Sprachen weit besser zurecht als Regeln.

Die Kosten sind allerdings real. Sie brauchen Python oder eine kostenpflichtige Embedding-API, und das Ergebnis hängt von den Einstellungen ab: Ändern Sie die minimale Clustergröße oder fügen Sie drei Monate neuer Suchanfragen hinzu, verschieben sich die Gruppen, was ein Monat-zu-Monat-Tracking unzuverlässig macht. HDBSCAN lässt außerdem einen Teil der Suchanfragen als Rauschen übrig, das zu keinem Cluster gehört. Semantische Nähe ist zudem nicht dasselbe wie eine einzige Suchintention: „cold brew maker“ und „cold brew recipe“ liegen im Vektorraum nebeneinander, aber die eine will eine Produktseite und die andere ein Rezept. Ich empfehle, Themen einmal mit Embeddings oder N-Grammen zu entdecken, die Themen, die Ihnen wichtig sind, dann als Regeln festzuhalten und diese Regeln zu tracken.

Ein durchgespieltes Beispiel: dieselben Suchanfragen, drei Methoden

Die folgenden Suchanfragen sind für ein fiktives Café erfunden, um zu zeigen, wie die Methoden voneinander abweichen; sie dienen der Veranschaulichung und sind keine Daten einer echten Website. Die Regex-Regeln lauten cold.?brew für Cold Brew, french press|press pot|cafeti[eè]re für French Press und grinder für Grinder. Die Embedding-Spalte zeigt die Art von Gruppierung, die ein Embedding-Modell tendenziell erzeugt, und nicht das Ergebnis eines tatsächlichen Laufs.

Das Muster ist typisch. Regeln sind exakt, aber blind für alles, was Sie nicht aufgeschrieben haben („iced coffee concentrate“), N-Gramme zerteilen Themen entlang der Schreibweise, und Embeddings gruppieren nach Bedeutung, verwischen aber die Grenze zwischen benachbarten Suchintentionen („coarse grind for press pot“). Keine davon ist falsch; sie beantworten unterschiedliche Fragen.

Was Sie mit Ihren Clustern tun, um Chancen zu finden

Sobald jede Suchanfrage ein Thema hat, summieren Sie Klicks und Impressionen pro Cluster und berechnen die durchschnittliche Position und die CTR gewichtet nach Impressionen (ein einfacher Durchschnitt der Positionen lässt eine Suchanfrage mit 3 Impressionen genauso viel zählen wie eine mit 30.000). Vergleichen Sie denselben Zeitraum des Vorjahres oder den vorherigen Zeitraum, damit jedes Cluster eine Richtung hat. Suchen Sie dann nach vier Mustern.

1. Cluster mit vielen Impressionen und schwacher CTR oder Position. Sortieren Sie nach Impressionen und suchen Sie Cluster mit einer durchschnittlichen Position von 8 bis 25 oder einer CTR, die deutlich unter dem Rest der Website liegt. Google verbindet Sie bereits mit dem Thema, Sie gewinnen es nur noch nicht. Öffnen Sie das Cluster, finden Sie die zwei oder drei Suchanfragen, die den Großteil der Impressionen tragen, und verbessern Sie die Seite, die dafür rankt, beginnend mit dem Title und dem ersten Bildschirm Inhalt; die Playbooks zu Striking Distance und CTR-Recovery beschreiben die Änderungen.
2. Kannibalisierung innerhalb eines Clusters. Zählen Sie für jedes Cluster, wie viele Ihrer URLs Impressionen für dessen Suchanfragen erhalten. Wenn drei Seiten jeweils um Position 15 für dasselbe Cluster ranken, kann Google sich nicht entscheiden, welche es zeigen soll, und keine schafft es auf die erste Seite. Wählen Sie die stärkste Seite, führen Sie die anderen zusammen oder leiten Sie sie um, und richten Sie die internen Links auf den Gewinner aus, wie im Playbook zur Kannibalisierung.
3. Content-Lücken. Ein Cluster, das Impressionen über eine Seite erzielt, die nicht von diesem Thema handelt (Ihre Startseite auf Position 30 für eine How-to-Frage oder eine Kategorieseite, die für einen Vergleich rankt), verlangt nach einer eigenen Seite. Dasselbe gilt für die Suchanfragen, die kein Cluster erfasst hat: Lesen Sie diese Restliste einmal im Quartal, denn ein neues Thema taucht dort meist zuerst auf.
4. Cluster im Zeitverlauf. Verfolgen Sie jedes Cluster monatlich. Ein Cluster, dessen Impressionen steigen, während die Klicks gleich bleiben, gewinnt Sichtbarkeit, die es noch nicht in Klicks umwandelt, und ein Cluster, das drei Monate in Folge abrutscht, verliert dauerhaft an Substanz, womit sich das Playbook zu Content Decay befasst. Cluster machen außerdem eine Website-Migration lesbar: Ein verlorenes Thema lässt sich leichter beheben als vierhundert verlorene Suchanfragen (siehe Website-Migrationen in der Search Console).

So sieht diese Triage beim fiktiven Café aus, wieder mit erfundenen Zahlen:

So clustert GSC Wizard Suchanfragen der Search Console

Ich habe das Clustering von GSC Wizard rund um Regeln gebaut, weil sich Regeln tracken und erklären lassen, und ich möchte genau sagen, was jeder Teil leistet und was nicht.

Themencluster (regelbasiert, von Ihnen definiert). In der Property-Einrichtung legen Sie ein Cluster als Namen plus Liste mit bis zu 100 Keywords an, eingetippt oder per CSV-Datei importiert. Ein einfaches Keyword passt auf jede Suchanfrage, die es enthält, ohne Beachtung der Groß- und Kleinschreibung, und ein Keyword in Schrägstrichen, etwa /cold.?brew/, ist ein regulärer Ausdruck. Eine Suchanfrage gehört zu einem Cluster, sobald eines seiner Keywords passt, und sie kann zu mehreren Clustern gehören; dann zählt sie in jedem vollständig, die Cluster-Summen sind also nicht dafür gedacht, sich zur Gesamtsumme der Website zu addieren. Wenn Sie auf „Run Analysis“ klicken, gleicht der Bericht „Themencluster“ die Regeln mit jeder Suchanfrage der Property im gewählten Zeitraum ab, aus den gespeicherten Warehouse-Daten, wenn die Property in der Vollspeicherung ist, und sonst über die Search Console API; er ist also nicht auf die 1.000 Zeilen beschränkt, die die Oberfläche der Search Console zeigt. Jedes Cluster erhält Klicks, Impressionen, CTR, eine nach Impressionen gewichtete durchschnittliche Position und eine Anzahl der Suchanfragen, mit der Veränderung gegenüber dem Vorzeitraum, und lässt sich zu den passenden Suchanfragen aufklappen, jeweils mit dem Keyword, das sie erfasst hat.

Der Bericht hat einen Schalter für Brand und Non-Brand (gesteuert von den Brand-Begriffen, die Sie in der Property speichern) und drei Schnellfilter, die zu den obigen Mustern passen: „Opportunity“ zeigt Cluster mit mindestens den medianen Impressionen Ihrer Cluster, einer durchschnittlichen Position zwischen 11 und 25 und einer CTR von 1 % oder weniger; „Rising“ zeigt Cluster, deren Impressionen um mindestens 20 % gewachsen sind, während die Klicks um höchstens 5 % wuchsen; „Declining“ zeigt Cluster, deren Impressionen um 10 % oder mehr gefallen sind. Ein eigener Abschnitt „Cluster Performance Over Time“ stellt jedes Cluster über 3, 6 oder 12 Monate mit einer Monatstabelle dar. Dieselben Cluster funktionieren auch als Filter in den Berichten Suchanfragen, New & Lost Rankings, Rank Changes, Kannibalisierung, Query Decay und Page Poaching, womit Sie Kannibalisierung oder Decay innerhalb eines Themas prüfen. Die Dokumentation zu Themenclustern enthält die Details, und Content-Gruppen leisten dasselbe für Seiten nach URL-Regel.

Was Themencluster nicht tun. Sie erfinden keine Cluster für Sie: In diesem Bericht gibt es keine automatische oder semantische Gruppierung, und anders als Content-Gruppen hat er keinen Vorschlagshelfer. Wenn Sie Hilfe beim Schreiben der Regeln wollen, kann ein KI-Assistent wie Claude oder ChatGPT über den GSC Wizard MCP-Server Ihre Top-Suchanfragen lesen, Cluster vorschlagen, sie mit create_topic_cluster oder update_topic_cluster speichern und mit get_topic_cluster_performance messen, was auch die Suchanfragen ausweist, die kein Cluster erfasst hat. Die Gruppierung ist dann das Urteil des Assistenten, lesen Sie die Regeln also, bevor Sie sie speichern.

Automatische lexikalische Themen im Migrationsvergleich. Die einzige Stelle, an der GSC Wizard Suchanfragen automatisch clustert, ist der Tab „Queries“ im Migrationsvergleich: Er gruppiert die Suchanfragen eines Vorher-nachher-Vergleichs zu Themen, sodass eine Migration, die bei einer Produktlinie gescheitert ist, als eine Zeile erscheint. Es ist die N-Gramm-Methode von oben, deterministisch gemacht: Er nimmt bis zu 5.000 Suchanfragen (zuerst die mit den meisten Klicks), entfernt Stoppwörter in sieben Sprachen und führt einfache Plurale zusammen, verwendet einzelne Wörter und Wortpaare als Kandidaten, die in mindestens drei Suchanfragen vorkommen, aber nicht in mehr als 40 % davon, ordnet jeder Suchanfrage ihren besten Kandidaten zu und behält die 25 größten Themen, der Rest landet unter „Other queries“. Dieselben Zeilen ergeben immer dieselben Themen, und es werden keine Embeddings verwendet.

URL-Clustering, kein Query-Clustering. Die Longtail Visualization clustert Seiten statt Suchanfragen: Sie ordnet Ihre URLs nach Klicks, glättet die kumulative Klickkurve mit einem Gauß-Filter und setzt zwei Knickpunkte dort, wo die Kurve am stärksten abknickt, wodurch die Website in Head, Chunky Middle und Long Tail zerfällt. Sie braucht mindestens 30 URLs (darunter zeigt sie die sortierte Liste), läuft in einem Web Worker in Ihrem Browser, damit eine große Website die Seite nicht einfriert, und steht KI-Assistenten auch als get_longtail_clusters zur Verfügung. Sie beantwortet eine andere Frage als das Themen-Clustering, nämlich wie abhängig Sie von wenigen Seiten sind, und die Dokumentation zum Long Tail erklärt die Stufen.

Semantisches Clustering. GSC Wizard gruppiert Suchanfragen nicht mit Embeddings. Wenn Sie semantische Cluster wollen, führen Sie Methode 3 selbst mit einem Export Ihrer Suchanfragen durch und bringen die Themen, die Sie tracken möchten, als Regeln zurück in GSC Wizard, wo sie von Monat zu Monat stabil bleiben. Jeder Tarif enthält Themencluster, den Migrationsvergleich, die Longtail Visualization und den MCP-Server, ab 17 € im Monat mit einer 7-tägigen kostenlosen Testphase (siehe Preise).

Häufig gestellte Fragen

Wie clustere ich meine GSC-Suchanfragen zu Themen, um Chancen zu finden?

Ordnen Sie jede Suchanfrage der Search Console einem Thema zu, mit Regex- oder Phrasenregeln, gemeinsamen Wort-N-Grammen oder semantischen Embeddings, addieren Sie dann Klicks und Impressionen und berechnen Sie pro Thema die nach Impressionen gewichtete durchschnittliche Position und CTR. Die Chancen liegen bei Themen mit vielen Impressionen, aber einer durchschnittlichen Position auf Seite zwei oder niedriger CTR, bei Themen, in denen sich mehrere Ihrer URLs dieselben Suchanfragen teilen, und bei Themen, die Impressionen erhalten, ohne dass eine Seite dafür geschrieben wurde.

Kann die Google Search Console Suchanfragen von selbst zu Themen gruppieren?

Teilweise. Die Search Console Insights haben eine Karte „Suchanfragengruppen“, die ähnliche Suchanfragen per KI gruppiert und Klicks pro Gruppe zeigt, aber nur für Properties mit einem großen Suchanfragenvolumen, und Google sagt, dass sich die Gruppen im Lauf der Zeit ändern können. Im Leistungsbericht können Sie Suchanfragen mit einem benutzerdefinierten Regex filtern, was jeweils eine Gruppe zeigt; der Vergleich Ihrer eigenen Themen nebeneinander bedeutet also weiterhin, Summen von Hand herauszukopieren.

Welche Regex-Syntax verwendet der Suchanfragenfilter der Search Console?

RE2. Laut Googles Hilfeseite ist der Abgleich standardmäßig partiell, ein Muster passt also überall in der Suchanfrage, solange Sie es nicht mit ^ oder $ verankern, und es wird nicht zwischen Groß- und Kleinschreibung unterschieden, es sei denn, das Muster beginnt mit (?-i). RE2 unterstützt keine Lookaheads oder Backreferences.

Warum ergeben meine Cluster-Summen nicht die Gesamtsumme meiner Website?

Zwei Gründe. Google lässt anonymisierte Suchanfragen (seltene Suchanfragen) in jeder Suchanfragentabelle und in nach Suchanfrage gefilterten Summen weg, daher enthalten die geclusterten Suchanfragen immer weniger als die Gesamtsumme der Website. Und wenn eine Suchanfrage zu zwei Clustern passt, zählt ein Tool, das Überschneidungen erlaubt, wie die Themencluster von GSC Wizard, sie in beiden.

Ist Embedding-basiertes Clustering besser als Keyword-Regeln?

Es findet Synonyme und Übersetzungen, die Regeln verpassen, und ist deshalb besser, um Themen in einer großen, unübersichtlichen Suchanfragenmenge zu entdecken. Regeln sind besser zum Tracken: Sie liefern jeden Monat dieselbe Gruppierung, und Sie können sie einem Kunden erklären. Ein guter Ablauf ist, Themen mit Embeddings oder N-Grammen zu entdecken und sie dann als Regeln festzuhalten.

Clustert GSC Wizard Suchanfragen der Search Console automatisch?

Nicht im Bericht „Themencluster“: Dort definieren Sie jedes Cluster als Liste von Phrasen oder Regex-Mustern, und GSC Wizard misst es über die gesamte Property. Der Migrationsvergleich gruppiert die Suchanfragen einer Migration automatisch zu lexikalischen Themen, und die Longtail Visualization gruppiert URLs, nicht Suchanfragen, in Head, Chunky Middle und Long Tail. GSC Wizard clustert Suchanfragen nicht mit Embeddings; für semantische Cluster führen Sie ein Embedding-Modell auf einem Suchanfragen-Export aus und bringen die Themen als Regeln zurück.

Kann ein KI-Assistent die Cluster für mich bauen?

Ja, über den GSC Wizard MCP-Server. Ein Assistent wie Claude oder ChatGPT kann Ihre Top-Suchanfragen lesen, Cluster vorschlagen, sie mit create_topic_cluster speichern und mit get_topic_cluster_performance messen. Prüfen Sie die vorgeschlagenen Regeln, bevor Sie sie speichern, denn die Gruppierung ist das Urteil des Assistenten.

Nächstes Playbook

Haben Sie ein Cluster gefunden, in dem mehrere Seiten konkurrieren? Beheben Sie das, bevor Sie etwas umschreiben: Keyword-Kannibalisierung beheben →