Ist die CTR jetzt ein Rankingfaktor oder nicht?

Fragst Du Dich auch, ob die CTR jetzt ein Rankingfaktor ist oder nicht? Ganz ehrlich? Ich kann diese Frage nicht mehr hören. Warum steht sie überhaupt noch im Raum?

Weil Google es immer dementiert. Sie sagten oft und an vielen Stellen:

Die CTR ist kein Rankingfaktor.

Und ich glaube, das stimmt. Die CTR ist kein direkter Rankingfaktor! ABER: Das heißt noch lange nicht, dass Klicks auf der Suchergebnisseite das Ranking nicht beeinflussen!

Denn es gilt: Immer wenn es ein überspezifisches Dementi seitens Google gibt, muss man als SEO aufpassen, genau hinhören und nachdenken. Denn nur weil die CTR kein Rankingfaktor ist, heißt das noch lange nicht, dass die Interaktion mit den SERPs nicht das Ranking verändert. Also ganz klar sagt Google ja bloß: Die CTR ist kein Rankingfaktor. Mit ihr rechnen sie also nicht das Ranking aus. Daher Vorsicht!

Experimente, die das beweisen

Wer auf der Mozcon 2015 war, konnte Rand Fishkins Experiment beiwohnen, in dem er die Auswirkungen von Klicks auf das Ranking mit dem Live-Publikum testete – und es funktionierte!

Er brachte das gesamte Publikum, das aus etwa 1.500 Menschen bestand, dazu, bei einem Keyword auf die Position 1 zu klicken und direkt wieder zur Suchseite zurückzukehren (negatives Signal). Anschließend klickte das Publikum auf die Seite auf Position 4 und sollte ein wenig mit der Seite interagieren (positive Signale).

Und siehe da: Innerhalb von etwa 30 Minuten tauschten die beiden Websites ihre Positionen. Das blieb für etwa 2 Tage so. Diesen Test wiederholte er übrigens noch mehrmals über Twitter und auch bei SearchLove in London 2015.

Besonders spannend fand ich die unmittelbare Reaktion, weil das Unternehmen, das auf Platz 1 rankte, niemand Geringeres war als Amazon, also die so ziemlich stärkste Rankingkonkurrenz überhaupt.

Ich habe selbst in zahlreichen Seminaren immer wieder die Teilnehmer gebeten, ohne WLAN, also mit ihren Smartphones über die mobilen Daten, vergleichbare Aktionen durchzuführen, und es hat IMMER Veränderungen gegeben. Mal mehr und mal weniger stark, mal mehr und mal weniger lang. Aber ich kann aus meiner Beobachtung nur bestätigen, dass es so ist. Und auch, wenn man sich die Forschung zu Suchmaschinen-Technologien ansieht, scheint es mehr als offensichtlich.

Leider lassen sich eigene Experimente immer nur sehr schlecht verifizieren, denn man kann sich hier nicht auf die in Google Analytics und Google Search Console angezeigten Daten verlassen. Diese sind nototisch unvollständig. Es gibt zahlreiche Beispiele online von Personen, die berichten, dass nicht alle ihre Klicks erscheinen. Siehe z.B. das folgende Beispiel: https://moz.com/blog/google-search-console-webmaster-tools-reliability. Scrollen Sie nach unten zu GSC Abschnitt 5: Search Analytics; beachten Sie, dass in diesem Experiment Null Klicks aufgezeichnet wurden. Das Fazit: “Es ist offensichtlich, dass man sich bei leicht gesuchten Begriffen nicht auf GSC verlassen kann, unabhängig von den Umständen des Benutzers.” In weiteren Benutzerberichten wurden nur 2 von 470 Klicks aufgezeichnet. Die Erklärung scheint hier zu sein. Blättern Sie nach unten zum Abschnitt Datenunterschiede. Offensichtlich aus Datenschutzgründen beschließt Google, bei einigen Anfragen keine Daten anzuzeigen:

Zum Schutz der Benutzerdaten zeigt Search Analytics nicht alle Daten an. So können wir beispielsweise einige Anfragen, die sehr selten gestellt werden oder persönliche oder sensible Informationen enthalten, nicht verfolgen. Sehr seltene Abfragen (sogenannte anonyme Abfragen) werden in diesen Ergebnissen nicht angezeigt, um die Privatsphäre des Benutzers zu schützen, der die Abfrage stellt.

Die gute Nachricht ist, dass selbst wenn Google sich dafür entscheidet, diese Klicks nicht in Analytics/GSC anzuzeigen, die Klicks immer noch an Google Search übermittelt werden und dennoch eine CTR-Steigerung und den damit verbundenen SEO-Nutzen registrieren werden.

Research Papers, die du gelesen haben solltest

  1. Super spannend finde ich auch das Paper Optimizing Search Engines using Clickthrough Data von Thorsten Joachims von der Cornell University, Department of Computer Science aus dem Jahr 2002. Joachims hat viele einflussreiche Forschungsarbeiten zur Suchmaschinen-Technologie verfasst und sich sehr intensiv mit der Nutzung der CTR für Suchmaschinenalgorithmen beschäftigt. Seine Forschungsarbeit stellt das Konzept vor, CTR-Daten als Indikatoren für die Relevanz von Suchergebnislinks zu nutzen, um Websites besser bewerten zu können. Dass dieses Paper bereits aus dem Jahr 2002 stammt, zeigt, wie alt die Forschung zur CTR ist. Die Untersuchung der CTR auf relevante Informationen ist ein ausgereiftes Forschungsgebiet. Es ist sehr spannend zu sehen, dass die Arbeit auch die Einschränkungen im Algorithmus erkennt. Diese Art der Algorithmen beschränken sich also darauf, herauszufinden, welche der Top-10-Links am relevantesten sind. Aber so erfährt man nichts über die Websites auf der zweiten, dritten oder vierten Seite der Suchmaschinen-Ergebnisseiten (SERPs).
  2. Die zweite Forschungsarbeit von einem Forscher der Stanford University aus dem Jahr 2005 trägt den Titel Accurately Interpreting Clickthrough Data as Implicit Feedback. Dies ist ein wichtiges Forschungspapier, weil es erstmals zeigte, dass CTR-Daten vielleicht nicht so zuverlässig sind wie ursprünglich gedacht, man also nicht unmittelbar und direkt daraus die Relevanz einer Seite ableiten kann.
  3. Das dritte Paper, ebenfalls aus dem Jahr 2005, trägt den Titel: Evaluating the Robustness of Learning from Implicit Feedback. Von Filip Radlinski und Thorsten Joachims von der Cornell.
    Das Ziel ihrer Forschung war es, nun zu verstehen, wann CTR-Daten nützlich sind und wann CTR-Daten verzerrt und weniger nützlich sind. So hat das Papier das Problem und die Lösung zusammengefasst:
    “…this data tends to be noisy and biased… In this paper, we consider a method for learning from implicit feedback and use modeling to understand when it is effective.”
    Diese Arbeit ist besonders interessant, weil die Forscher versuchen das Benutzerverhalten zu modellieren und diese Daten anstelle des tatsächlichen Benutzerverhaltens zu verwenden. Dabei setzen die beiden auf sogenanntes Reinforment Learning, einer Form des maschinellen Lernens. Das Paper ist wirklich cool, denn es zeigt, wie eine Suchmaschine maschinelles Lernen dazu verwenden kann, das Nutzerverhalten zu verstehen und dann den Algorithmus ohne tatsächliche CTR-Daten, aber mit simulierter CTR, zu trainieren! Besonders geil ist das, weil das auch bedeutet, dass eine Suchmaschine theoretisch das Nutzerverhalten auf Websites modellieren kann, ohne dass diese sich auf der ersten Seite der SERPs befinden muss.
  4. Die vierte Forschungsarbeit, die man zu dem Thema kennen sollte, ist: Learning Diverse Rankings with Multi-Armed Bandits. Diese Forschungsarbeit verwendet nicht den Begriff Nutzerintention, sondern spricht von der Benutzerzufriedenheit. Es geht also klar um die Zielerreichung. Dieses Paper konzentriert sich auf die Bedeutung von Ergebnissen, die die meisten Benutzer zufriedenstellen. Und die meisten Benutzer zufriedenzustellen bedeutet zu verstehen, welche Klicks die geringste Zahl von Nutzern wieder zurück in die Suchmaschine bringen, auch bekannt als Bounce.
    Quelle: CTR as a Ranking Factor: 4 Research Papers You Need to Read von Roger Montti
  5. Das fünfte Google-Papier mit dem Titel Incorporating Clicks, Attention, and Satisfaction into a Search Engine Result Page Evaluation Model hat Menge neuer Spekulation und Unterstützung für die CTR als Ranking-Faktor ausgelöst. Das Dokument beschreibt zwei erste Herausforderungen, denen sich diese Hypothese gegenübersieht, und zwar die Einführung neuer SERP-Funktionen durch Google selbst und das normale Nutzerverhalten:
    First, the presence of such elements on a search engine result page (SERP) may lead to the absence of clicks, which is, however, not related to dissatisfaction, so-called ‘good abandonments’.
    Dabei handelt es sich um Direct Answers und andere spezielle Inhaltsergebnisblöcke, die zu einer “Zero-Click”-Suche führen.
    Second, the non-linear layout and visual difference of SERP items may lead to non-trivial patterns of user attention, which is not captured by existing evaluation metrics.
    Dies liegt daran, dass wir als Benutzer die Suchergebnisse nicht immer linear, also von oben nach unten durchgehen und häufig eben auch mehrere Registerkarten öffnen, was bedeutet, dass das Verhalten unregelmäßig und unvorhersehbar ist.
    Das Papier umreißt vier Kernthemen, die relevant bei der Betrachtung sind: Benutzerverhalten, Klick-Modelle, Mausbewegung und Gutes Verlassen (zufriedene Nutzer, die die Suche beenden).
    Was auch sehr spannend ist: In der Studie wird erwähnt, dass 42% der Quality-Rater von Google nur auf das SERP-Ergebnis klickten, um zu bestätigen, dass die ursprünglich auf dem SERP präsentierten Informationen (zusammengefasst durch Metainformationen) bereits korrekt waren. Das bedeutet, dass zusätzliche Klicks auf Ergebnisse nicht mit einem “schlechten” Satz von Anfangsergebnissen korrelieren und außerdem Quality-Rater nicht mit dem Verhalten echter Nutzer gleichgesetzt werden können. Übrigens werden klassische Metriken aus der Web-Analyse nicht verwendet! Insbesondere wird bei der Beurteilung der Zufriedenheit nicht auf Verweildauer, Bounce-Rate oder durchschnittliche Time on Site eingegangen.
  6. Dies führt uns dann zu einem sechsten Google-Forschungspapier, Learning to Rank with Selection Bias in Personal Search. Was für mich zwei der wichtigsten Aussagen zur CTR ziemlich genau im ersten Absatz hat:
    Click-through data has proven to be a critical resource for improving search ranking quality.
    Und:
    Though a large amount of click data can be easily collected by search engines, various biases make it difficult to fully leverage this type of data.

Fazit

Ist Google also in der Lage, diese Informationen zu sammeln? Ja, ist Google in der Lage, diese Informationen über den gesamten Web-Korpus sinnvoll und skalierbar anzuwenden? Nein.

Also stimmt Googles Aussage. Die CTR ist kein direkter Rankingfaktor. Aber das Nutzerverhalten trainiert eine KI, die dann CTR simuliert, die das Ranking verändert!

Also, lest die Papers und da habt Ihr Eure Antwort. Man sollte außerdem beachten, dass die erste zitierte Forschungsarbeit aus dem Jahr 2002 stammt und die letzte von 2008. Das gibt eine Vorstellung davon, wie ausgereift die Erforschung der Nutzerinteraktion für das Ranking von Websites mittlerweile sein sollte.

Video: Die Perspektive der Google Ranking Ingenieure

Ein weiterer Blickwinkel kommt von SMX West 2016, Google Engineer Paul Haahr sprach darüber, wie Google aus der Sicht eines Ingenieurs funktioniert. Die Folien sind leider nicht über SlideShare zugänglich, den Vortrag findet man jedoch über YouTube:

Die Darstellung, dass Google nach Änderungen in den Klickmustern in Live-Traffic-Experimenten sucht, ist jedoch mit Vorsicht zu genießen, denn er sagt auch, dass es schwieriger sein könnte, als man erwarten würde, was nicht weiter verwunderlich ist, wenn man sich die zuvor erwähnten Forschungsarbeiten durchliest. Es ist hervorzuheben, dass Paul die Klickmuster als eine der Metriken bezeichnet, die zur Bestimmung der Erfolgsraten der A/B-Versionen verwendet werden.

Nach Haahrs eigenen Worten wäre eine naive Interpretation des Algorithmus B, der P₂ vor P₁ stellt und zu keinem Klick führt schlecht und es gibt eine Reihe von Faktoren, warum es in diesem Fall keinen Klick gegeben haben könnte. In der von Danny Sullivan mit Paul Haahr und Gary Illyes von der gleichen Konferenz moderierten F&A wurde wiederholt, wie schwierig es ist, die Ergebnisse aus Live-Experimenten zu interpretieren. Dort hieß es:
Es gibt so viele Experimente, die wir durchgeführt haben, die sehr irreführende Live-Metriken haben, und wir müssen uns wirklich mit ihnen beschäftigen.
Haahr nannte auch ein Beispiel für ein langjähriges Google-Experiment, bei dem sie #2 und #4 vertauscht haben, basierend auf 0,2% der Suchmaschinenbenutzer als Datensatz. Aus der Analyse ging hervor, dass im B-Test, bei dem #4 an Stelle von #2 stand, mehr Benutzer auf #1 klickten. Haahr, auch während der Q&A, zeigte, dass #10 typischerweise mehr Klicks erhält als die Positionen #8 und #9 zusammen (aber immer noch schlechter als #7).

Grundlagen: Analyse von Nutzerdaten

Die Implementierung von Feedback-Mechanismen ist ein zentraler Wettbewerbsvorteil jeder Web 2.0 Firma.[1] Es wird vermutet, dass sich die Suchmaschinen genau ansehen, welche Seiten in den Ergebnissen zu einer Abfrage angeklickt werden,[2] denn hier bietet sich den Entwicklern ein exzellenter Mechanismus für die Optimierung der Suchergebnisqualität. Als Beispiel könnte eine signifikant höhere Klickrate eines Suchergebnisses dessen Position verbessern.[3]

Die Bewertung der Information Retrieval Performance z. B. im Rahmen der Text Retrieval Conference (TREC) konzentriert sich auf Relevanzbeurteilungen, die für reale Abfragen in Suchmaschinenprotokollen gesammelt werden. Dabei müssen die Juroren für jede Anfrage zunächst die Absicht ableiten, bevor sie beurteilen können, wie relevant ein Dokument für diese Absicht ist. Radlinski et al. (2010) haben für diese Beurteilung einen Ansatz zur Identifizierung der populären Bedeutungen von Suchanfragen mit Hilfe von Web-Suchprotokollen und Benutzer-Klickverhalten (auch Click-Through-Daten) nachgewiesen.

Durch die Kombination von Klickdaten und Neuformulierungen derselben Suchanfrage konnten die Forscher die wahrscheinlichsten Absichten für eine Anfrage identifizieren.[4] Laut der Autoren ist die Kombination von Query Logs mit Klickdaten wichtig, da Klicks und Neuformulierungen verschiedene Arten von Informationen erfassen. Gerade die Neuformulierung einer Suchanfrage liefert oft alternative Formulierungen der Intention des Benutzers, z. B. wenn der Benutzer nicht ausreichend zufriedenstellende Ergebnisse erhalten hat, diese nicht bemerkt hat oder sich mehr Ergebnisse wünscht. Klicks dagegen zeigen an, dass dem Nutzer scheinbar [sic] passende Dokumente präsentiert wurden.[5]

Diverse Studien haben diese Click-Through-Daten verwendet, um Navigationsabfragen zu identifizieren und Roy et al., 2012 konnten sogar zeigen, dass die Verwendung von CTR-Daten eine Alternative zur Standard-Evaluierung durch manuelle, also durch Menschen vorgenommene Einordnungen darstellen kann. Laut Lewandowski et al. (2012) eignet sich die Auswertung der Click-Through-Daten besonders zur Identifizierung von Navigationsabfragen, bei denen eine messbare Häufung der Klicks bei einem einzigen Suchergebnis feststellbar ist.

„In addition, clickthrough investigations can be seen as a means of identifying navigational queries. The usefulness of clickthrough data to determine the relevance of search engine results was discussed by Joachims (2002) and confirmed in several other studies (Chao, Guo, & Wand, 2009; Dou, Song, Yuan, & Wen, 2008; Macdonald & Ounis, 2009). Whereas for informational queries it can be seen from the clickthrough data which results are relevant, for the navigational queries, a clear aggregation of the clicks on just one result should be observable. However, the position of a result does influence the number of clicks it will get (Craswell, Zoeter, Taylor, & Ramsey, 2008; Höchstötter & Lewandowski, 2009).”[6]

Die Bestimmung des User Intents aus den Protokollen von Web-Suchmaschinen ist aufgrund der spärlichen Datenmenge, die für einen einzelnen Suchvorgang zur Verfügung steht, jedoch eine Herausforderung für die Suchmaschinenentwickler.[7] Eine neuere Arbeit von Jiang et al., 2016 konnte mittels experimenteller Ergebnisse zeigen, dass die Erkennung der Nutzerintention auch ohne Einbeziehen der Klickdaten möglich ist.

Literaturverzeichnis

  • [1] Vgl. Cao, X. et al., 2012. „Spatial Keyword Querying“ in „Conceptual Modeling – 31st International Conference, ER 2012 Florence, Italy, October 15-18, 2012 Proceedings“. Berlin Heidelberg, 2012. Springer-Verlag, S. 16-29.
  • [2] Vgl. ebenda.
  • [3] Vgl. ebenda.
  • Radlinski, F., Szummer, M. & Craswell, N., 2010. „Inferring query intent from reformulations and clicks“ in „Proceedings of the 19th international conference on World wide web“. New York, NY, USA, 2010. ACM, S. 1171-1172.
  • [4] Vgl. Radlinski, F., Szummer, M. & Craswell, N., 2010. „Inferring query intent from reformulations and clicks“ in „Proceedings of the 19th international conference on World wide web“. New York, NY, USA, 2010. ACM, S. 1171-1172.
  • R. Saha Roy, R. et al., 2015. „Discovering and understanding word level user intent in Web search queries“. „Web Semantics: Science, Services and Agents on the World Wide Web“, January. S. 22- 38.
  • Lewandowski, , Drechsler, & von Mach, S., 2012. „Deriving query intents from web search engine queries“. „Journal of the American Society for Information Science and Technology “, S. 1773-1788.
  • [5] Vgl. Radlinski, F., Szummer, M. & Craswell, N., 2010. „Inferring query intent from reformulations and clicks“ in „Proceedings of the 19th international conference on World wide web“. New York, NY, USA, 2010. ACM, S. 1171-1172.
  • [6] Vgl. Lewandowski, D., 2016. „Die Suchergebnisseite als Dauerwerbesendung?“. „INFORMATIK 2016. Lecture Notes in Informatics (LNI)“, S. 183-193.
  • [7] Vgl. Jansen, B.J., Booth, D.L. & Spink, A., 2007. „ Determining the user intent of web search engine queries“ in „Proceedings of the 16th international conference on World Wide Web“. New York, NY, USA, 2007. ACM, S. 1149-1150.
  • Jiang, D., Leung, W.T. & Ng, W.S.H., 2016. „Query Intent Mining with Multiple Dimensions of Web Search Data“. „World Wide Web: Internet and Web Information Systems“, 19(3), S. 475-497.

Und nun? Bist Du überzeugt? Was folgt daraus? CTR-Optimierung?! CTR-Manipulation?

  • Kai Spriestersbach gehört mit mehr als 15 Jahren Online-Marketing-Erfahrung zu den erfahrensten Suchmaschinen-Marketern in Deutschland. Der studierte Bachelor of Science in E-Commerce hat sich auf die strategische Beratung sowie Ausbildung und Weiterbildung in Digitalem Business sowie Web- und Suchmaschinen-Technologien spezialisiert. Als Dozent ist er sowohl für die 121WATT – School of Digital Marketing & Innovation als auch für die Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt im Fachbereich E-Commerce tätig. Daneben unterstützt Kai Spriestersbach gerne innovative Startups, ist als Affiliate-Publisher tätig und entwickelt und vermarktet digitale Produkte im Bereich WordPress, SEO und Online-Marketing.

  • Show Comments (2)

2
Hinterlasse einen Kommentar

avatar
Markus
Gast
Markus

Du sagst also, dass Google bezüglich der CTR als Rankingfaktor lügt bzw. leugnet, dass es einen starken indirekten Zusammenhang zwischen der CTR und dem Ranking gibt?

Ist es nicht weitaus wahrscheinlicher, dass Google die CTR einfach nur verwendet, um temporär populäre Artikel und Dokumente hervorzuheben (unabhängig vom langfristigen Ranking)? Das würde auch erklären, wieso es zur Zeit keine ClickBots gibt, die mittel- bis langfristig das Ranking verbessern können.

You May Also Like

eoSearchSummit

Konferenz: Der erste eoSearchSummit 2020 in Würzburg!

Es ist soweit: Meine Partner-Agentur, die eology GmbH veranstaltet im kommenden Frühjahr den ersten ...

achtung-penguin-penalty

Dem Penguin entkommen: Mit Linkabbau aus der Penalty

Es ist kein Geheimnis, dass viele Unternehmen in der Vergangenheit, bewusst oder unbewusst bei ...

How To Qualify your outbound links to Google

Google wertet nun offiziell Nofollow-Links und führt Sponsored & UGC-Attribute ein!

Die technischen Veränderungen aufseiten Googles nehmen in den letzten Wochen gefühlt an Fahrt auf. ...

Verpasse keine wichtige SEO-News mehr!
Melde Dich zu meinem SEO-Newsletter an.
Du bekommst wichtige News und kostenlose Tipps automatisch in Dein Postfach geschickt.
Ich akzeptiere die Einwilligungsserklärung.
Keine Sorge, ich hasse Spam genauso wie Du.
Außerdem kannst Du Dich jederzeit wieder abmelden ;o)
close-link

Ist die CTR jetzt ein Rankingfaktor oder nicht?

von Kai Spriestersbach Lesezeit: 13 min
2

Um unsere Webseite verbessern zu können, benötigen wir ein paar Cookies. Weitere Informationen bekommst Du in der Datenschutzerklärung. Bitte stimme der Verwendung zu, in dem Du auf 'Akzeptieren' klickst. Vielen Dank!