Open Publishing und KI-gestützte monatliche SEO-Berichte: ein Experiment

Einen Beitrag zu veröffentlichen bedeutet für mich mehr, als den fertigen Text an Leser zu übergeben. Ich möchte auch langfristig sichtbar halten, warum ich das Thema gewählt habe, welche Annahme den Beitrag geprägt hat, wie ich die anschließende Wirkung gemessen habe und welche Fragen daraus entstanden sind. Diese Praxis nenne ich in diesem Projekt Open Publishing.

Der Begriff Open Publishing kann je nach Kontext verschiedene etablierte Konzepte bezeichnen, etwa eine Veröffentlichungsplattform oder ein Open-Access-Modell. Ich beanspruche hier keine dieser Bedeutungen. Ich verwende den Begriff in einem engeren, persönlichen Sinn: Neben den Beiträgen bleiben auch Veröffentlichungsentscheidungen, Grenzen der Messung, Ergebnisse und die daraus entstehenden redaktionellen Fragen sichtbar.

Leser sehen den veröffentlichten Text. Die Entscheidung und Annahme dahinter oder meine spätere Bewertung des Ergebnisses bleiben meist unsichtbar. Für mich beginnt dort ein wesentlicher Teil der eigentlichen Publikationsarbeit.

Ich möchte nicht nur die guten Monate auswählen und daraus eine Erfolgsgeschichte machen. Manche Beiträge finden mehr Interesse als erwartet. Andere bleiben still. Eine steigende Kennzahl kann zunächst positiv aussehen. Bei genauerer Prüfung trägt sie diese Deutung vielleicht nicht. Wenn ich verstehen will, wie sich meine Publikation entwickelt, gehören alle diese Monate zum Bild.

Open Publishing bedeutet für mich deshalb nicht, unbegrenzt Daten offenzulegen. Leser sollen das Ergebnis einordnen können. Dazu müssen sie wissen, was ich gemessen habe, was die Messung nicht zeigt und zu welcher Entscheidung ich gekommen bin.

Das ist keine allgemeingültige Definition von Open Publishing. Es ist eine Arbeitsregel, die ich in meiner eigenen Publikationspraxis erprobe.

Was ich sichtbar mache

Für jeden abgeschlossenen Monat veröffentliche ich die Zahl der erschienenen Beiträge, Besuche, eindeutigen Besucher und Seitenaufrufe. Auf derselben Seite ist auch die Entwicklung der vorangegangenen zwölf Monate zu sehen. Wenn Suchdaten vorliegen, ergänze ich Erkenntnisse aus der Google Search Console sowie den Tag, an dem neue Beiträge erstmals in Google-Suchergebnissen erschienen sind.

Zu diesen Zahlen veröffentliche ich eine monatliche Auswertung, die mit KI erstellt wurde. Leser sehen damit nicht nur das Ergebnis, sondern auch meine Einordnung. Der Einsatz von KI wird im Bericht ausdrücklich genannt.

Eine Kennzahl und ihre Interpretation sind dennoch zwei verschiedene Dinge.

Zahlen erklären keine Ursache

Die Übersichtskarten am Anfang eines Monatsberichts wirken eindeutig: Wie viele Besuche wurden erfasst? Wie viele Menschen kamen auf die Website? Wie viele Seiten riefen sie auf?

Diese Zahlen zeigen, was gemessen wurde. Warum es geschah und welche Entscheidung daraus folgen sollte, erklären sie allein nicht.

Die Besucherzahl verrät nicht, wie viele Menschen zu regelmäßigen Lesern wurden. Seitenaufrufe beweisen nicht, dass jemand einen Beitrag aufmerksam gelesen hat. Auch die Kategorie Direct in Google Analytics zeigt die tatsächliche Herkunft eines Besuchs nicht immer zuverlässig an. Wenn Direct steigt, habe ich eine Messung, aber noch keine Erklärung.

Deshalb ist der monatliche SEO-Bericht kein bloßer Export aus der Search Console. Fehlen Suchdaten, werte ich Google Analytics und die veröffentlichten Beiträge aus. Liegen sie vor, betrachte ich sie zusammen mit den organischen Besuchen und den betroffenen Seiten im selben Zeitraum.

Diese Unterschiede sind keine beiläufigen Methodenanmerkungen. Sie können das Urteil verändern. Von ihnen hängt ab, ob ich einen Anstieg als Erfolg werte, einen älteren Beitrag überarbeite oder einem Thema redaktionell mehr Gewicht gebe.

Wie eine monatliche Einordnung entsteht

Der öffentliche Bericht ist kurz. Dahinter steht ein festgelegter Ablauf, den ich nach jedem abgeschlossenen Monat wiederhole.

Zuerst bewahre ich eine Rohübersicht der Monatsdaten auf. Danach stelle ich eine klar abgegrenzte Auswahl von Belegen für die KI zusammen. Sie enthält mehr als die Summen aus den Übersichtskarten. Soweit die Daten es erlauben, gehören Kanäle, einzelne Seiten, Suchanfragen, Veröffentlichungsdaten und Hinweise auf fehlende oder unvollständige Daten dazu.

Die KI beginnt nicht sofort mit dem Schreiben. Zunächst prüft sie mögliche Erklärungen. Aus welchem Kanal kam der Anstieg? Konzentrierte sich die Bewegung auf eine einzige Seite? Entwickelten sich die Sichtbarkeit in der Google-Suche und die organischen Besuche in Google Analytics in dieselbe Richtung? War ein neuer Beitrag lange genug online, um ihn fair mit einem älteren zu vergleichen? Gibt es eine einfachere Erklärung?

Nicht jeder Fund gelangt danach in den öffentlichen Bericht. Die sichtbaren Kennzahlen werden im Text nicht erneut aufgezählt. Eine Anmerkung bleibt nur dann stehen, wenn ein historischer Vergleich, die Frage nach dem Beitrag einer einzelnen Seite zum Gesamtergebnis, die Trennung nach Kanälen oder die Prüfung einer früheren Folgefrage zu einer Erkenntnis führt, die eine redaktionelle Entscheidung beeinflussen könnte.

Manchmal bleibt keine belastbare Einordnung übrig. Auch das ist ein gültiges Ergebnis. Open Publishing darf keinen Zwang erzeugen, jeden Monat eine interessante Geschichte zu erfinden.

Die KI liest die Daten ein zweites Mal

Den größten Nutzen hat dieser Ablauf für mich dort, wo er Beziehungen zwischen verschiedenen Datenteilen wiederholt prüft.

Der August-Bericht lieferte dafür ein gutes Beispiel. Ich verglich, wann englische und türkische Seiten erstmals in Google-Suchergebnissen erschienen. Dabei zeigte sich ein Unterschied. Viele englische Seiten tauchten am Veröffentlichungstag oder wenige Tage später erstmals in den Suchergebnissen auf. Einige türkische Seiten erschienen später. Ein erheblicher Teil war zum Datenstichtag noch gar nicht sichtbar.

Daraus ergab sich die Hypothese, dass englische Seiten bei Google schneller sichtbar werden als türkische. Bei einem kurzen Blick auf ein Dashboard hätte ich vermutlich nur die Gesamtzahl der Impressionen geprüft und diesen Unterschied übersehen. Die KI las die Liste der veröffentlichten Beiträge zusammen mit den Daten dazu, wann sie erstmals in den Suchergebnissen auftauchten. So stellte sie mir eine bessere Frage für die nächsten Monate.

Eine Schlussfolgerung habe ich noch nicht.

Das für eine Seite hinterlegte Veröffentlichungsdatum beweist nicht, dass alle Sprachfassungen genau gleichzeitig online gingen. Die Suchnachfrage auf Englisch und Türkisch ist unterschiedlich. Auch die Beobachtungszeiträume neuer Beiträge waren kurz und nicht gleich lang. Vor allem zeigt das Datum der ersten Impression in der Search Console nicht, wann Google eine Seite genau entdeckt oder indexiert hat. Es belegt nur, dass die Seite spätestens an diesem Tag in einem Suchergebnis erschienen war.

Ich kann deshalb nicht behaupten, Google indexiere die englischen Seiten schneller. Prüfen kann ich eine engere Hypothese: Wenn ich den tatsächlichen Veröffentlichungszeitpunkt je Sprache überprüfe und für beide Sprachfassungen gleich lange Beobachtungszeiträume zugrunde lege, zeigt sich die frühere Sichtbarkeit englischer Seiten auch in den nächsten Monaten?

Genau diesen Beitrag erwarte ich von einer zweiten Lesart. Sie soll keine endgültige Antwort erzeugen. Sie soll eine in den Daten verborgene Frage sichtbar machen, die vor einer Entscheidung geprüft werden muss.

Eine auffällige Zahl ist noch kein Erfolg

Die zweite Lesart kann auch eine einfache Geschichte verwerfen, statt eine neue Möglichkeit zu zeigen.

Im August erreichten die Seitenaufrufe den höchsten Stand innerhalb der verfügbaren zwölf Monate. Auf den ersten Blick hätte ich daraus machen können, dass mehr Menschen mehr Beiträge gelesen haben.

Die Monatsanalyse zeigte jedoch, dass etwa 85 Prozent des Anstiegs aus der Kategorie Referral in Google Analytics stammten. Google Analytics ordnete diese Aktivität einem einzigen aktiven Nutzer zu. Ob es sich um einen Leser, automatisierten Traffic oder ein anderes Messproblem handelte, konnte Google Analytics nicht sagen.

Deshalb habe ich den Rekord nicht als Leserwachstum dargestellt. Die Zahl war korrekt. Ihre belastbare Bedeutung war begrenzt.

Frühere Berichte und Daten aus zwölf Monaten erfüllen verschiedene Aufgaben

In der ersten Fassung des Systems waren frühere Berichte wichtig, aber nicht ausreichend. Eine KI, die nur die letzten beiden Monatsberichte liest, kann sich merken, welche Fragen aufgeworfen wurden. Sie kann daraus nicht erkennen, ob der aktuelle Monat den höchsten Wert der vergangenen zwölf Monate enthält. Ebenso wenig kann sie verlässlich feststellen, ob eine Suchanfrage erstmals auftaucht oder sich eine ältere Seite im Vergleich mit ihren bisherigen Werten ungewöhnlich entwickelt.

Deshalb nutzt der Ablauf zwei unterschiedliche Formen von Gedächtnis.

Das eine ist das redaktionelle Gedächtnis. Die KI liest Berichte und Analysen der vier vorherigen Berichtsmonate. Aus dem jüngsten Protokoll offener Punkte greift sie die noch ungeklärten Fragen auf. Ein Thema wird nicht vergessen, nur weil es im neuen Monat nicht mehr im Vordergrund steht. Die betreffende Seite oder der Kanal wird gezielt erneut geprüft.

Das andere ist der quantitative Verlauf. Jeder Monat wird mit bis zu zwölf vollständigen und belastbaren Monaten verglichen. So lässt sich unterscheiden, ob ein Wert tatsächlich hoch ist oder nur den Vormonat übertrifft.

Frühere Berichte tragen die Fragen weiter. Die Daten aus zwölf Monaten zeigen, wo die Zahl einzuordnen ist.

Der Unterschied mag klein wirken. Wer den Juli nur mit dem Juni vergleicht, kann zu einem anderen Urteil kommen als bei der Einordnung in ein volles Jahr. Auch ein Beitrag, der einen Monat lang gut abschneidet, hat damit nicht zwangsläufig einen eigenen Rekord erreicht.

Eine gute Analyse kann trotzdem in einem schlechten Bericht münden

Der Juni-Bericht machte eine weitere Schwäche sichtbar. Die Analyse war ausführlich. Sie respektierte die Grenzen der Messung und widerstand der Versuchung, daraus eine einfache Wachstumsgeschichte zu machen. Trotzdem war sie schwer verständlich.

Die Sprache der internen Analyse war in den öffentlichen Text gelangt. Jeder Zwischenschritt, mit dem ein Befund geprüft wurde, erschien auch im Bericht. Der Bericht konnte inhaltlich richtig sein und den Lesern zugleich abverlangen, zuerst den Wortschatz der Analyse zu lernen.

Ich wollte nicht nur diesen einen Bericht durch ein paar kürzere Sätze reparieren. Deshalb änderte ich die Arbeitsregel. Die ausführliche Analyse bleibt im internen Protokoll. Der öffentliche Bericht erklärt in Alltagssprache die durch Belege gestützte Schlussfolgerung, die entscheidende Unsicherheit und was beides für die nächste Entscheidung bedeutet.

Inzwischen gehört eine eigene Verständlichkeitsprüfung zum Ablauf. Jeder Satz soll einen Hauptgedanken tragen. Zahlen, die bereits in den Übersichtskarten stehen, werden im Kommentar nicht wiederholt. Analytische Einzelheiten entfallen, wenn sie nicht dabei helfen, die Entscheidung zu verstehen.

Die Detailtiefe der Prüfung sinkt dadurch nicht. Die Einzelheiten bleiben in der Dokumentation der Belege. Der Bericht soll verständlich erklären, was ich daraus gelernt habe.

Die Verantwortung bleibt bei mir

Ich sage offen, dass KI bei der Erstellung des Berichts hilft. Diese Information steht nicht versteckt in einer Fußnote. Leser wissen, wie die Einordnung entstanden ist.

Weiterhin lege ich die Grenzen der Daten fest. Ich ändere die Arbeitsweise und entscheide, ob ein Bericht veröffentlicht wird. Die KI entscheidet nicht allein, ob eine Veränderung des Traffics als Leserwachstum gelten kann. Auch die Regeln dafür, welche Folgefrage tatsächlich beantwortet ist und welche in einem Monat lediglich nicht wieder auftaucht, liegen in meiner Verantwortung.

Diese Aufgabenteilung ist wichtig. Flüssige Sätze machen einen KI-Entwurf nicht verlässlich. Vertrauen entsteht, wenn sichtbar ist, welche Daten verwendet, welche Deutung verworfen und welche Unsicherheit stehen gelassen wurde.

Aus demselben Grund veröffentliche ich keine vollständigen Rohdaten zu Besuchern. Offenheit verlangt weder den Verzicht auf Datenschutz noch auf Messdisziplin. Sie verlangt, die Belege und Grenzen zu teilen, die Leser zur Einordnung eines Ergebnisses benötigen.

Das Experiment läuft weiter

Ich betrachte diese Form der Berichterstattung nicht als abgeschlossen. Jeder Monat kann eine neue Schwäche offenlegen.

In einer Datenquelle kann eine Lücke entstehen. Ältere URLs passen möglicherweise nicht mehr sauber zum heutigen Beitragsbestand. Ein neuer Beitrag war möglicherweise noch nicht lange genug online, um tragfähige Schlüsse zuzulassen. Die Analyse kann solide sein, während die öffentliche Erklärung unnötig kompliziert wird.

Jedes dieser Probleme liefert einen Anlass, die Methode zu verändern. Das Protokoll offener Punkte hält Fragen fest, die ich im nächsten Monat weiterverfolgen will. Ein längerer historischer Vergleich verringert das Risiko, eine Bewegung in einem einzelnen Monat zu übertreiben. Die Verständlichkeitsprüfung zeigt, wenn sich eine schlechte Erklärung hinter analytischer Genauigkeit versteckt.

Mehrere Fragen sind noch offen. Wiederholt sich der Unterschied darin, wann englische und türkische Seiten erstmals erscheinen? Kann das System in einem ruhigen Monat schweigen, statt eine Deutung zu erfinden? Führen offene Fragen zu besseren Veröffentlichungsentscheidungen? Können die Berichte ausführlich bleiben und trotzdem beim ersten Lesen verständlich sein?

Die Antworten kenne ich noch nicht. Deshalb nenne ich es ein Experiment.

Open Publishing erschöpft sich für mich nicht in einem Dashboard. Es ist die Disziplin, jeden Monat neu zu erklären, was ich weiß, was ich nicht weiß und warum ich eine bestimmte Entscheidung getroffen habe. Die KI spricht dabei nicht an meiner Stelle. Sie liest dieselben Belege ein zweites Mal.

Ein guter Monatsbericht muss keine positive Geschichte finden. Manchmal liegt das wertvollste Ergebnis in einer neuen Hypothese, deren Grenzen klar benannt sind. Manchmal liegt es darin, einen Rekordmonat anzusehen und zu sagen: „Das nenne ich noch kein Wachstum.“