SEO Data Analyst

Content-Cluster-Planung beginnt in der Praxis fast immer gleich: Keyword-Tool öffnen, Begriffe exportieren, SERP manuell prüfen, Wettbewerber-Seiten durchscrollen, alles in ein Spreadsheet kippen, Struktur vorschlagen. Das dauert Stunden, ist schwer reproduzierbar und hängt stark davon ab, wie gründlich man an dem Tag arbeitet. Dieser Workflow macht daraus einen einzigen Durchlauf – mit denselben Datenquellen, die ein SEO-Stratege manuell nutzen würde, aber systematisch abgefragt und strukturiert aufbereitet.

Ein Content-Cluster-Entwurf für den österreichischen Markt. Kein fertiger Plan – ein Entwurf, den ein menschlicher Reviewer challengen, streichen und priorisieren soll. Pro vorgeschlagener Seite: Fokus-Keyword mit echtem Suchvolumen, ergänzende Keywords, Intent-Begründung, strategischer Winkel und – wo erkennbar – ein Content-Gap gegenüber dem stärksten Mitbewerber in der SERP. Jede Metrik ist mit einem Herkunfts-Tag versehen:

So sieht der Reviewer auf einen Blick, wo er den Zahlen vertrauen kann und wo nicht.

Ein Hauptthema als Freitexteingabe – das Seed-Keyword für die gesamte Analyse. Alle Ergebnisse beziehen sich auf den österreichischen Markt.

Ein einzelner API-Call an DataForSEO SERP Advanced liefert die komplette Suchergebnisseite: organische Ergebnisse, People Also Ask, Related Searches, AI Overview (inkl. zitierte Quellen), Featured Snippet, Knowledge Graph und alle aktiven SERP-Features. Ein Python-Extractor strukturiert die Antwort in separate Signale für den LLM-Prompt.

DataForSEO Labs liefert bis zu 700 semantisch verwandte Keywords mit echtem Suchvolumen, CPC, Keyword Difficulty und Intent-Tag. Daraus berechnet der Workflow die Intent-Verteilung über die Top-150-Keywords und klassifiziert die Saisonalität des Seed-Keywords anhand der Monatsdaten – von „evergreen" bis „extrem saisonal", mit Peak-Monat und Peak/Low-Verhältnis.

Jina Reader scrapt die organisch stärkste URL aus der SERP und liefert sauberes Markdown. Der Workflow extrahiert daraus Titel, Wortanzahl und die vollständige H1/H2/H3-Gliederung – das Grundgerüst, gegen das der LLM später Content-Gaps identifiziert.

Alle Signale fließen in einen LLM-Prompt mit strikten Provenance-Regeln: Das Modell darf keine Metrik ohne Herkunfts-Tag ausgeben. Es agiert als Senior SEO Data Analyst und ordnet Keywords aus der Tabelle den passenden Seitentypen zu – begründet mit Intent, Suchvolumen und Saisonalität. Welche Seitentypen vorgeschlagen werden, entscheidet die Datenlage: Eine Vergleichsseite erscheint nur, wenn Begriffe wie „Test" oder „vs." in den Keywords auftauchen. Eine Shop-Landingpage nur bei relevantem transaktionalem Anteil.