SEO-Prognose

TL;DR — SEO-Prognose bedeutet, Ihre bisherigen Daten zu nutzen – Traffic, Rankings, Klickraten – um abzuschätzen, was organische Suche Ihnen in der Zukunft bringen könnte, und ungefähr wann. Es ist die Zahl, die Sie einem Chef oder Kunden präsentieren, um Investitionen in SEO zu rechtfertigen. Es ist eine fundierte Schätzung, kein Versprechen: Niemand kann Ihnen eine bestimmte Menge an Traffic garantieren.

Was SEO-Prognose ist

Eine Prognose beantwortet eine Frage: “Wenn wir jetzt in SEO investieren, was sollten wir erwarten, und wann?” Sie nehmen historische Daten – wie viel organischen Traffic Sie erhalten haben, für welche Keywords Sie ranken, wie oft Menschen klicken – und nutzen sie, um in die Zukunft zu projizieren.

Das Wichtige, das Sie von vornherein verstehen sollten: Eine Prognose ist eine beste Schätzung unter einer Reihe von Annahmen, keine Garantie. Die Wettervorhersage sagt 70 % Regenwahrscheinlichkeit; sie verspricht keinen Regen. SEO ist genauso. Jeder, der garantiert, dass Sie eine bestimmte Traffic-Zahl erreichen, verkauft SEO über seinen Wert.

Warum sich jemand die Mühe macht

Meistens um Geld und Zustimmung. “Vertrauen Sie mir, die Rankings kommen” führt nicht zur Budgetfreigabe. Ein CFO oder Marketingdirektor möchte eine Zahl, um die er planen kann – prognostizierten Traffic und idealerweise prognostizierten Umsatz. Eine Prognose verwandelt SEO von einem vagen Versprechen in etwas, das wie jede andere Geschäftsinvestition aussieht.

Deshalb lebt Prognose in der Enterprise-/Metrik-Welt. Sie ist die Brücke zwischen “SEO ist gut für Sie” und “hier ist die prognostizierte Rendite, hier ist die Zeitleiste, hier ist, was es kostet.”

Die zwei grundlegenden Methoden

1. Betrachten Sie Ihren eigenen Trend und verlängern Sie ihn. Wenn Ihr Traffic gestiegen ist, projizieren Sie diese Linie nach vorne. Das funktioniert, wenn Sie bereits eine Historie haben, auf die Sie zurückgreifen können. Die einfachste Version ist die FORECAST-Funktion in Google Sheets; die ausgefallenere Version verwendet ein Modell wie Prophet (mehr im Advanced-Tab).
2. Addieren Sie Keyword-Chancen. Erstellen Sie eine Liste von Keywords, für die Sie ranken möchten, schätzen Sie, wie viele Suchanfragen sie erhalten, schätzen Sie, welchen Anteil dieser Klicks Sie bei einer bestimmten Position gewinnen würden, und summieren Sie es. Das funktioniert, wenn Sie neue Inhalte planen und noch keine Historie haben.

Die besten Prognosen nutzen ein bisschen von beidem.

Die große Falle

Alte “Klickraten”-Zahlen sind jetzt falsch. Jahrelang nahmen Menschen an, dass das #1-Ergebnis bei Google etwa 30 % der Klicks erhält. Das gilt für viele Suchanfragen nicht mehr – KI-Übersichten (die KI-Antwort oben bei Google) und “Zero-Click”-Ergebnisse bedeuten, dass weit weniger Menschen durchklicken. Wenn Sie eine Prognose auf der alten 30-%-Zahl aufbauen, werden Sie Ihren Traffic stark überschätzen.

Die Lösung: Verwenden Sie Ihre eigenen Klickdaten aus der Google Search Console anstelle von generischen Branchendurchschnitten und nehmen Sie niedrigere Klickraten für informative Suchanfragen an, bei denen Google eine KI-Antwort zeigt.

Wie man es präsentiert

Übergeben Sie nicht eine einzelne Zahl. Geben Sie eine Spanne an – eine vorsichtige Version, eine wahrscheinliche Version und eine optimistische Version – und sagen Sie, was jede annimmt. Gleichen Sie die Prognose dann regelmäßig mit der Realität ab (monatlich ist ein vernünftiger Standard): Sie ist kein einmaliges Dokument und muss neu aufgebaut – nicht nur angepasst – werden, wenn etwas eine Kernannahme bricht, etwa weil sich Ihre Daten geändert haben, ein Core Update getroffen hat, ein Wettbewerber einen großen Schritt gemacht hat oder die eigene Erfolgsbilanz des Modells schlechter als erwartet ist.

Möchten Sie die Methoden, die Formeln, die Datengrenzen und wie ich diese tatsächlich erstelle? Wechseln Sie zum Fortgeschritten-Tab.

Der Standard-Leistungsbericht der Search Console bietet bis zu 16 Monate Historie. Evidence for this claim Search Console's performance report provides up to 16 months of data. Scope: The standard Search Console performance-report window; retained bulk-export data can extend an organization's own history after export is configured. Confidence: high · Verified: 2026-07-14 Google Search Console Help: Performance report Bing hat ebenfalls die Suchleistungshistorie der Webmaster Tools im Oktober 2024 auf 16 Monate erweitert und Prognose als Anwendungsfall genannt. Evidence for this claim Bing expanded Webmaster Tools Search Performance history from six months to 16 months in October 2024 and explicitly described forecasting as a use case. Scope: Bing Webmaster Tools' Search Performance history; it does not validate a particular forecasting method or guarantee forecast accuracy. Confidence: high · Verified: 2026-07-14 Bing Webmaster Blog: Search Performance data extended to 16 months

TL;DR — SEO-Prognosen nutzen historische Daten aus erster oder dritter Hand (Traffic, Traffic-Wert, CTR, Suchvolumen), um die zukünftige organische Performance zu projizieren. Zwei Methoden: statistisch/trendbasiert (Prophet, SARIMA oder Sheets FORECAST auf Basis eigener Daten) und keywordbasiert (Volumen × CTR × Conversion für neue Ziele); kombinieren Sie beide. Verwenden Sie GSC-CTR aus erster Hand für die eigene Website und Tools von Drittanbietern für Wettbewerber und Opportunity-Sizing – deren Volumina sind richtungsweisend, nicht präzise. Erstellen Sie eine sitespezifische CTR-Kurve; veraltete Benchmarks wie „30 % auf Position 1“ sind durch AI Overviews und Zero-Click-Suchen hinfällig. Präsentieren Sie konservative/Basis/aggressive Szenarien mit benannten Annahmen – niemals eine einzelne Zahl, niemals eine Garantie. Verfolgen Sie Ist-Werte vs. Prognose monatlich und bauen Sie neu auf, wenn Annahmen brechen.

Was Prognosen tatsächlich sind

Meine Arbeitsdefinition: SEO-Prognosen sind ein Prozess, der historische Daten nutzt, um die zukünftigen SEO-Ergebnisse eines Unternehmens vorherzusagen. Er basiert auf historischen Daten aus erster oder dritter Hand wie Traffic, Traffic-Wert, Klickrate (CTR) und Suchvolumen. Das Ergebnis ist ein probabilistisches Modell, keine Garantie – ein Kompass, kein GPS. Es zeigt die wahrscheinliche Richtung und ungefähre Größenordnung unter genannten Annahmen auf, und es bricht in dem Moment zusammen, in dem sich diese Annahmen ändern.

Der Grund, warum dies im Enterprise-Maßstab überproportional wichtig ist, ist das Budget. „Vertrauen Sie mir, die Rankings werden kommen“ wird nicht finanziert. SEO konkurriert mit Paid Media und Personal um dieselben Budgets und muss dieselbe ROI-Sprache sprechen. Die Dynamik ist gut dokumentiert: Ein großer Teil der Marketingverantwortlichen gibt an, dass ihre Budgets hinter ihren Zielen zurückbleiben, und ein Großteil dieser Lücke geht darauf zurück, dass die Führungsebene nicht von den SEO-Renditen überzeugt ist. Menschen, die finanzielle Auswirkungen ihrer Initiativen glaubwürdig vorhersagen können, sind diejenigen, die tendenziell Budgeterhöhungen erhalten – weshalb die erste Prognose oft ebenso ein Verkaufsinstrument wie ein Planungsinstrument ist.

Legen Sie den Prognosevertrag fest, bevor Sie irgendetwas modellieren

Bevor Sie eine Methode wählen, schreiben Sie auf, was die Prognose tatsächlich beantworten muss – sonst bauen Sie etwas technisch Korrektes, das die falsche Frage beantwortet:

• Ziel und Umfang – die genaue Kennzahl (organische Sitzungen, Non-Brand-Klicks, Pipeline-Umsatz), für welche Property, welchen Bereich oder welches Segment.
• Zeitgranularität und Horizont – täglich, wöchentlich oder monatlich; wie weit in die Zukunft projiziert.
• Datencutoff – der letzte historische Tag, den das Modell tatsächlich gesehen hat. Notieren Sie es, damit die Prognose später reproduzierbar ist und Sie genau wissen, woran ein „Übertreffen“ oder „Verfehlen“ gemessen wird.
• Basislinie vs. Intervention – was passiert, wenn Sie nichts ändern, im Vergleich zum inkrementellen Zuwachs, den Sie für eine bestimmte Initiative beanspruchen. Lassen Sie nicht zu, dass eine nach vorne verlängerte Trendlinie als Effekt von Arbeit durchgeht, die Sie noch nicht begonnen haben.
• Ausschlüsse – was bewusst ausgelassen wird (eine bekannte Migration, eine pausierte Kampagne, ein saisonaler Ausreißer, den Sie nicht modellieren möchten).
• Verantwortlicher und Entscheidung – wer für die Zahl verantwortlich ist und welche Entscheidung sie tatsächlich unterstützen soll (Budgetanfrage, Personalbegründung, Go/No-Go).

Überspringen Sie dies und Sie debuggen am Ende ein Modell, während das eigentliche Problem darin besteht, dass niemand sich darauf geeinigt hat, was es beantworten sollte.

Die zwei Kernmethoden

Statistische / trendbasierte Prognosen führen ein Zeitreihenmodell auf Ihren historischen Traffic aus und projizieren die Entwicklung nach vorne. Sie erfasst Trend und Saisonalität aus beobachtetem Verhalten. Ich habe dafür Metas Prophet-Modell verwendet – es verarbeitet jährliche, wöchentliche und tägliche Saisonalität sowie Feiertagseffekte und ist über Python oder R zugänglich. Es gibt viele Alternativen: SARIMA bietet mehr statistische Strenge mit einer steileren Lernkurve, und für einfachere Anforderungen reichen die FORECAST-Funktion in Google Sheets (lineare Regression), exponentielle Glättung, oder ein einfacher gleitender Durchschnitt. Verwenden Sie diese Methode, wenn Sie eine nutzbare Historie haben (idealerweise 18–24 Monate) und die Gesamtentwicklung der Website oder eines Bereichs vorhersagen möchten.

Keyword-basierte Prognose ist Bottom-up: Ausgehend von einer Ziel-Keyword-Liste schätzen Sie search volume × expected CTR × conversion rate. Verwenden Sie diese Methode, wenn Sie neue Inhalte planen und keine historischen Traffic-Daten als Anker haben – eine neue Website, eine Baseline nach einer Migration oder einen Content-Cluster, den Sie noch nicht aufgebaut haben. Sie ist weniger an beobachtetes Verhalten gebunden, was genau der Grund ist, warum sie das richtige Werkzeug ist, wenn es kein Verhalten zu beobachten gibt.

Die glaubwürdigsten Prognosen kombinieren beides: einen statistischen Trend für das, was Sie bereits haben, plus eine keyword-basierte Chancenbewertung für das, was Sie aufbauen werden.

First-Party- vs. Third-Party-Daten

Diese Unterscheidung entscheidet darüber, wie stark Sie Ihren Eingaben vertrauen können:

• First-Party-Daten (GSC / GA4) sind maßgeblich für Ihre Website. Wenn Sie eine genaue Schätzung für Ihre eigene Website oder Seite wünschen, sind diese Daten absolut die beste Wahl. GSC liefert Ihnen echte, seitenbezogene CTR nach Position – das schlägt jede branchenübliche Durchschnittskurve.
• Third-Party-Daten (Ahrefs, Semrush) sind die Grundlage für Prognosen zu Wettbewerbern. Der einzige Weg, Daten über Ihre Wettbewerber zu erhalten, führt über Third-Party-Quellen. Sie bewerten auch Keywords, für die Sie noch nicht ranken. Third-Party-Daten liefern Muster und Prognosetrends, aber ihnen fehlt die tägliche Granularität Ihrer eigenen Analysen, und verschiedene Tools melden unterschiedliche Volumina für dasselbe Keyword. Behandeln Sie das Volumen als relativ, nicht absolut – als Richtwert für die Chancenbewertung, nicht als präzisen Multiplikator.

Meine eigenen Wettbewerbsprognosen (zukünftiger Traffic, Traffic-Wert und Traffic auf Seitenebene, einschließlich der Performance durch Core-Updates) basieren auf Ahrefs Site Explorer CSV-Exporten für organische Suche, die in ein Prophet-Modell eingespeist werden.

Das CTR-Problem – warum veraltete Benchmarks Prognosen brechen

Das ist derzeit der größte Faktor, der Prognosen bricht. Die alte Annahme – Position 1 erhält etwa 27–34 % der Klicks – war vor 2020 ungefähr richtig. Das gilt nicht mehr.

Ahrefs’ Studie zu 300 000 Keywords ergab, dass zwischen Dezember 2023 und Dezember 2025 die CTR auf Position 1 für Suchanfragen mit einer AI Overview von 7,3 % auf etwa 1,6 % fiel. Selbst bei reinen Informationssuchanfragen ohne AI Overview sank die CTR im selben Zeitraum von 7,6 % auf 3,9 %. Eine separate Seer-Interactive-Studie maß die aggregierte CTR über alle Positionen (statt nur Position 1) und fand denselben Zusammenbruch aus einem anderen Blickwinkel – organische CTR bei AIO-Suchanfragen um ~61 % gesunken – die Zahl, die ich im Enterprise-SEO-ROI-Artikel verwende. Zusätzlich enden etwa 60 % der Google-Suchen inzwischen ganz ohne Klick (Sparktoro/Datos). Wenn Sie eine 30-%-CTR in eine Prognose für 2026 einsetzen, überschätzen Sie den prognostizierten Traffic für Informationssuchanfragen massiv.

Die Lösungen:

• Erstellen Sie eine seitenbezogene CTR-Kurve aus GSC, statt eine pauschale Branchentabelle zu verwenden. Ihre echte Kurve liegt in Ihren eigenen Leistungsdaten.
• Reduzieren Sie die CTR für Informationsabsicht um 20–40 %, wo immer AI Overviews vorhanden sind. Eine flache CTR-Kurve über alle Suchanfrage-Typen ist kein gültiger Input mehr.
• Behandeln Sie KI-Sichtbarkeit als eigene Kennzahl. Der Share of Voice in KI-Antworten ist zunehmend ein separater Posten von organischen Klicks, kein Ersatz dafür.

Schritt für Schritt: Wie ich eine erstelle

1. Umfang definieren – auf Site-, Cluster- oder Seitenebene. Prognostizieren Sie nicht „alles”, wenn die Entscheidung nur einen Abschnitt betrifft.
2. Historische Daten sammeln und bereinigen – GSC + GA4, idealerweise 18–24 Monate; Drittanbieter für die Wettbewerbssicht.
3. Marken-Traffic entfernen, um wirklich SEO-getriebene, nicht-markengebundene Leistung zu isolieren – andernfalls verzerrt die Markennachfrage die Prognose.
4. Eine eigene CTR-Kurve aus GSC erstellen, nicht Branchendurchschnitte verwenden.
5. Für SERP-Funktionen anpassen – AI Overviews, Featured Snippets, Anzeigen über dem Falz unterdrücken alle Klicks.
6. Saisonalität modellieren – Google Trends und Jahresvergleichsmuster. Retail/B2C hat offensichtliche saisonale Schwankungen; B2B folgt tendenziell den Q4-Budgetzyklen.
7. Konversions- und Umsatzmultiplikatoren anwenden – Konversionsrate × AOV (oder CLV) verwandelt Traffic in Geld, was die Zahl ist, die tatsächlich finanziert wird.
8. Drei Szenarien erstellen – konservativ, Basis, aggressiv – jeweils mit benannten Annahmen.
9. Backtest durchführen – das Modell an einigen vergangenen Stichtagen in Ihrer eigenen Historie neu anpassen, denselben Horizont prognostizieren, den Sie live nutzen möchten, und mit bereits vorhandenen Ist-Werten vergleichen, bevor Sie dem Intervall vertrauen, das Sie präsentieren möchten.
10. Den Bereich als drei verschiedene Dinge präsentieren – Punktschätzung, Modellintervall und Szenarien mit benannten Annahmen – niemals mit einer einzelnen Zahl führen, und keiner der drei eine kalibrierte Wahrscheinlichkeit zuschreiben, die er nicht hat.
11. Einen Überprüfungsrhythmus festlegen und Neuaufbau-Auslöser dokumentieren – monatlich ist ein vernünftiger Standard, aber der Auslöser für einen Neuaufbau ist eine Datenänderung, ein Strukturbruch, ein Backtest-Fehlerschwellenwert oder eine Änderung der Entscheidung – nicht nur der Kalender.

Ein durchgearbeitetes Beispiel – ein Cluster, Ende zu Ende

Die Schritte bleiben abstrakt, bis Sie Zahlen durchspielen. Angenommen, Sie prognostizieren für eine B2B-SaaS-Website einen neuen Vergleichs-Cluster mit 40 Seiten, Bottom-up:

• Opportunity-Größe: Die Ziel-Keywords haben zusammen etwa 50 000 monatliche Suchanfragen (eine Drittanbieter-Schätzung, als richtungsweisend behandelt, nicht exakt).
• CTR: Die meisten sind informativ mit AI Overviews, daher ziehen Sie statt einer veralteten 30 % Ihre eigene GSC-Kurve und landen bei einer gemischten ~4 % für die Positionen, die Sie realistisch im ersten Jahr halten.
• Traffic: 50 000 × 4 % = 2 000 organische Besuche/Monat bei Reife.
• Konversion: Bei einer Besuch-zu-Lead-Rate von 2 % und einer Lead-zu-Opportunity-Rate von 20 %: 2 000 × 2 % × 20 % = 8 Opportunities/Monat.
• Umsatz: Bei einer durchschnittlichen Deal-Größe von 15 000 USD und einer Abschlussrate von 25 %: 8 × 25 % × 15 000 USD = 30 000 USD/Monat an Pipeline-Umsatz bei Reife.

Dann präsentieren Sie diese 30 000 USD nicht als die Zahl. Sie verpacken sie in Szenarien: konservativ nimmt eine gemischte CTR von 3 % und einen langsameren Anstieg an (~18 000 USD/Monat bis Monat 12); Basis ist die obigen 30 000 USD; aggressiv nimmt eine CTR von 5 % und schnelleres Ranking an (~40 000 USD/Monat). Jedes trägt seine benannten Annahmen. Das statistische Konfidenzband aus Ihrem Trendmodell – sagen wir Prophets 80-%-Intervall – ist das, woraus diese drei Szenarien abgeleitet sind, nicht eine separate, konkurrierende Zahl: Das Band gibt Ihnen die Streuung, die Szenarien geben der Führungsebene etwas, gegen das sie planen können. (Das ist dieselbe Konfidenzband-wird-Szenarien-Übersetzung, die ich im Enterprise-SEO-Metriken-Artikel verwende.) Das sind drei verschiedene Dinge, und es lohnt sich, präzise zu sein, welches Sie zeigen: Eine Punktschätzung ist eine einzelne Zahl; ein Prognoseintervall ist ein modellberechneter Bereich mit eigenen eingebauten Annahmen; ein Szenario ist ein manuell gewähltes Bündel benannter Annahmen. Keines der drei ist eine kalibrierte Wahrscheinlichkeit – „konservativ/Basis/aggressiv” bedeutet nicht 10 %/50 %/90 % Wahrscheinlichkeit, es sei denn, Sie haben das tatsächlich validiert – also lassen Sie einen Szenariobereich nicht die Autorität eines statistisch abgeleiteten Intervalls ausleihen oder umgekehrt.

Annahmen stresstesten, die eine Entscheidung kippen können

Ein Szenariobereich zahlt sich nur aus, wenn Sie wissen, welcher Input das Ergebnis tatsächlich so stark verändert, dass sich die Entscheidung ändert. Nehmen Sie das obige Beispiel und variieren Sie jeweils einen Input — CTR, Lead-zu-Opportunity-Rate, Abschlussrate — über einen plausiblen Bereich, während Sie die übrigen konstant halten, und notieren Sie dann, was mit dem Umsatz nach 12 Monaten passiert.

In diesem Cluster richtet die CTR den größten Schaden an, wenn sie falsch ist: Besuche skalieren direkt mit Klicks, daher wirkt sich ein CTR-Fehler auf jeden nachgelagerten Schritt (Leads, Opportunities, Umsatz) genauso aus, wie die obige Spanne von konservativ bis aggressiv bereits zeigt. Abschlussrate und Lead-zu-Opportunity-Rate verändern die Zahl ebenfalls, aber das sind vertriebsseitige Inputs, die Sie in der Regel mit mehr Vertrauen aus der CRM-Historie ziehen können als die zukünftige CTR einer noch nicht erstellten Seite.

Das Ergebnis einer Sensitivitätsanalyse ist kein ausgefeilteres Diagramm — es ist eine kurze Liste: „Wenn X falsch liegt, ändert sich die Zahl um ungefähr so viel, und das tun wir gegen dieses Risiko, bevor wir es präsentieren.“ Das zeigt einem Stakeholder, von welcher Annahme die Empfehlung tatsächlich abhängt, statt drei Zahlen, die alle gleich willkürlich wirken.

Prognosen für die Zustimmung des Unternehmens

Einige Framings, die bei Finanzabteilung und C-Suite besonders gut ankommen:

• Alles in Geld übersetzen. Führungskräfte denken in Umsatz, Pipeline und CAC — nicht in Sitzungen und Rankings. Setzen Sie SEO-Kennzahlen in Geld um.
• TAM-Framing. Schätzen Sie die gesamte adressierbare Suchnachfrage für Ihre Kategorie (potential market × competitive position) und positionieren Sie dann inkrementelle Gewinne — 10 %, 20 % des TAM — statt zu behaupten, Sie würden für alles auf Platz 1 ranken. Finanzteams erwarten einen Marktgrößen-Schritt, den die meisten SEOs überspringen.
• Share of Traffic Value (SoTV). Das ist meine bevorzugte Executive-KPI — sie erweitert Share of Voice, indem sie den Traffic-Vergleich monetarisiert, sodass der Vorstand die Wettbewerbsposition in Dollar sieht.
• Mit einer Trajektorie vergleichen, nicht mit Null. Die überzeugendste Prognose zeigt, wo Sie sein werden, verglichen mit dem Kurs eines Wettbewerbers, und die Lücke zwischen Ihrem aktuellen Pfad und dem erklärten Ziel der Organisation.

Einschränkungen — laut aussprechen

Ich bin in jeder Prognose explizit: Prognosen tragen immer Unsicherheit, weil sich ständig etwas ändert. Sie oder Ihre Wettbewerber können die Website ändern, die Strategie ändern oder zusätzliche Investitionen tätigen, und das Modell kann keines davon vorhersehen.

Und widerstehen Sie dem Drang zur Übertechnisierung. Komplexere Prognosen brauchen mehr Zeit und Mühe und sind nicht unbedingt besser — meistens lohnt sich der ROI einer komplexen Prognose nicht. Eine saubere Trendlinie oder ein Prophet-Modell auf 18 Monaten GSC-Daten schlägt eine aufwendige Tabellenkalkulation, die auf wackligen Annahmen basiert. Das Ziel ist eine vertretbare Richtungsschätzung, keine falsche Präzision.

Am Leben halten

Eine Prognose ist ein lebendes Dokument, kein einmaliges Ergebnis — aber es gibt keinen einzigen Rhythmus, der für jedes Programm passt. Überprüfen Sie oft genug, um Abweichungen zu erkennen, bevor die Entscheidung, die sie unterstützt, veraltet; monatlich ist ein vernünftiger Standard für die meisten Unternehmensprogramme, enger, wenn der Horizont kurz oder die Einsätze hoch sind. Was tatsächlich einen Neuaufbau auslöst (nicht nur eine Neukalibrierung), ist eines von:

• die Daten haben sich geändert — ein Tracking-Bruch, eine GSC/GA4-Property-Änderung, eine Neudefinition dessen, was als Conversion zählt;
• etwas Strukturelles ist passiert — ein Google-Core-Update, ein großer Schritt eines Wettbewerbers, ein AI-Overview-Rollout über Ihre wichtigsten Suchanfragen, eine Website-Migration;
• der eigene Fehler des Modells hat einen Schwellenwert überschritten, den Sie im Voraus festgelegt haben — wenn die Backtest-Abdeckung oder der Fehler jetzt schlechter ist als das, was Sie validiert haben, ist das Intervall, das Sie präsentieren, nicht mehr ehrlich; oder
• die Entscheidung, die es unterstützt, hat sich geändert — anderer Zeitpunkt, anderer Umfang, andere Stakeholder.

Der zuverlässige Horizont liegt bei etwa 3–12 Monaten; jenseits von 12 behandeln Sie die Prognose als Richtungsplan statt als monatsgenaue Vorhersage.

Eine verwandte Disziplin liegt direkt daneben: diese Prognosen mit den Metriken und Zielen zu verknüpfen, über die Sie tatsächlich berichten, sowie mit den Zielvorgaben, die Sie dagegen setzen.

Der Standard-Leistungsbericht der Search Console zeigt bis zu 16 Monate Verlauf. Evidence for this claim Search Console's performance report provides up to 16 months of data. Scope: The standard Search Console performance-report window; retained bulk-export data can extend an organization's own history after export is configured. Confidence: high · Verified: 2026-07-14 Google Search Console Help: Performance report Bing hat seinen Verlauf der Suchleistung von sechs auf 16 Monate im Oktober 2024 erweitert und nannte ausdrücklich genauere Prognosen als Anwendungsfall. Evidence for this claim Bing expanded Webmaster Tools Search Performance history from six months to 16 months in October 2024 and explicitly described forecasting as a use case. Scope: Bing Webmaster Tools' Search Performance history; it does not validate a particular forecasting method or guarantee forecast accuracy. Confidence: high · Verified: 2026-07-14 Bing Webmaster Blog: Search Performance data extended to 16 months

Beide großen First-Party-Webmaster-Plattformen bieten jetzt standardmäßig 16-Monats-Leistungsfenster an: Die Search Console dokumentiert bis zu 16 Monate, Evidence for this claim Search Console's performance report provides up to 16 months of data. Scope: The standard Search Console performance-report window; retained bulk-export data can extend an organization's own history after export is configured. Confidence: high · Verified: 2026-07-14 Google Search Console Help: Performance report und Bing hat seinen Verlauf im Oktober 2024 auf 16 Monate erweitert und dabei Prognosen als Anwendungsfall genannt. Evidence for this claim Bing expanded Webmaster Tools Search Performance history from six months to 16 months in October 2024 and explicitly described forecasting as a use case. Scope: Bing Webmaster Tools' Search Performance history; it does not validate a particular forecasting method or guarantee forecast accuracy. Confidence: high · Verified: 2026-07-14 Bing Webmaster Blog: Search Performance data extended to 16 months

KI-Zusammenfassung

Eine komprimierte Darstellung der erweiterten Version:

• SEO-Prognose = zukünftigen organischen Traffic/Conversions/Umsatz prognostizieren auf Basis historischer Daten (Traffic, Traffic-Wert, CTR, Suchvolumen). Es ist ein probabilistisches Modell unter festgelegten Annahmen – ein Kompass, kein GPS –, das hauptsächlich dazu dient, Budgets zu rechtfertigen und die Zustimmung der Führungsebene zu gewinnen.
• Zuerst den Vertrag festlegen: Zielmetrik und Umfang, Zeitgranularität, Horizont, Daten-Cutoff, Baseline vs. geplante Intervention, Ausschlüsse, Verantwortlicher und die Entscheidung, die es unterstützt – bevor Sie eine Methode wählen.
• Zwei Methoden: statistisch/trendbasiert (Prophet, SARIMA oder Sheets FORECAST auf Ihren eigenen Daten) und keywordbasiert (volume × CTR × conversion für neue Ziele). Kombinieren Sie beide.
• Datenquellen: GSC/GA4 sind maßgeblich für Ihre Website (echte seitenbezogene CTR); Drittanbieter-Tools (Ahrefs, Semrush) sind für Wettbewerber und Chancenbewertung gedacht – deren Volumina sind richtungsweisend, nicht präzise.
• Das CTR-Problem: Legacy-Benchmarks wie „~30 % auf Position 1“ sind überholt. Die CTR auf Position 1 für Suchanfragen mit AI Overviews fiel auf ~1,6 %; ~60 % der Suchen sind Zero-Click. Erstellen Sie eine seitenbezogene CTR-Kurve aus GSC und passen Sie die informative CTR um 20–40 % nach unten an, wo AI Overviews erscheinen.
• Datengrenzen: GSC speichert 16 Monate; Bing Webmaster Tools wurde auf 16 Monate erweitert (Okt. 2024). Exportieren Sie proaktiv (BigQuery für längeren Verlauf).
• Prozess: Umfang definieren → Daten bereinigen → Marken-Traffic entfernen → eigene CTR- Kurve → Anpassung an SERP-Funktionen → Saisonalität modellieren → Conversion/Umsatz anwenden → konservative/Basis/aggressive Szenarien erstellen → Backtest an vergangenen Cutoffs → den Bereich als drei beschriftete Dinge präsentieren (Punktschätzung, Modellintervall, Szenario) → einen Rhythmus und Neuaufbau-Auslöser festlegen.
• Sensitivitätsprüfung: Variieren Sie jeweils eine Eingabe, um herauszufinden, welche die Entscheidung kippt – das ist die Annahme, die es wert ist, recherchiert oder abgesichert zu werden, nicht die anderen.
• Enterprise-Framings: In Geld übersetzen, TAM-Größenordnung nutzen, Share of Traffic Value berichten, mit Wettbewerber-Trajektorien vergleichen.
• Regeln: Nie eine Zahl garantieren („Niemand kann Ihnen Traffic garantieren“ – Mueller); nicht überengineeren (komplex ≠ besser); die Prognose als lebendiges Dokument behandeln, zuverlässig für etwa 3–12 Monate im Voraus.

Offizielle Dokumentation

Es gibt keine offizielle Google- oder Bing-Methodik für SEO-Prognosen – keiner von beiden veröffentlicht einen Prognoseleitfaden oder eine Vorlage. Was sie doch veröffentlichen, sind die Ground-Truth-Daten und die Einschränkungen, innerhalb derer Sie prognostizieren.

Google

• Datenaufbewahrung der Search Console (16 Monate) – Leistungsdaten werden 16 Monate lang aufbewahrt und dann dauerhaft gelöscht; exportieren Sie, bevor das Fenster schließt.
• Ausführlicher Leitfaden zur Funktionsweise der Google-Suche – Google positioniert die Search Console als maßgebliche Quelle dafür, wie Ihre Website in der Suche erscheint, weshalb die GSC-CTR Schätzungen von Drittanbietern übertrifft.
• Google Trends – Googles eigenes Tool für die Saisonalitäts-Eingabe, die jede Prognose benötigt.
• BigQuery-Massenexport für die Search Console – der einzige Weg, den GSC-Verlauf über das rollierende 16-Monats-Fenster hinaus zu verlängern.

Bing / Microsoft

• Bing Webmaster Tools Extends Search Performance Data to 16 Months — Fabrice Canel & Krishna Madhavan (16. Oktober 2024); Bing hat sein Suchleistungsfenster von 6 auf 16 Monate erweitert, ausdrücklich um „genauere Prognosen” zu unterstützen.
• Bing Webmaster Tools — Suchleistungsbericht — Impressionen, Klicks, CTR und durchschnittliche Rankings, die prognoserelevanten Daten, die Bing bereitstellt.

Zitate aus der Quelle

Öffentliche Aussagen von Suchvertretern, die für Prognosen und die Grenzen dessen, was jemand versprechen kann, relevant sind.

Google — keine Garantien

• “Nobody can guarantee you traffic, sorry.” (Übersetzung) „Niemand kann Ihnen Traffic garantieren, tut mir leid.” — John Mueller, Google Search Advocate (gepostet auf X, 25. Januar 2024, als Antwort auf die Frage, ob eine technische Änderung messbare Traffic-Zuwächse bringen würde). Das ist der Satz, den ich auf das Cover jeder Prognose setzen würde: Es ist eine Schätzung, kein Vertrag. Zum Zitat springen

Bing / Microsoft — Daten für Prognosen

• “With 16 months of data in Bing Webmaster Tools, you can identify long-term patterns previously hidden, allowing for more accurate forecasting and strategy development.” (Übersetzung) „Mit 16 Monaten Daten in Bing Webmaster Tools können Sie langfristige Muster erkennen, die zuvor verborgen waren, was genauere Prognosen und Strategieentwicklung ermöglicht.” — Fabrice Canel & Krishna Madhavan, Principal PMs, Microsoft Bing (16. Oktober 2024). Bing rahmt das erweiterte Fenster ausdrücklich um saisonale Muster, vergangene Kampagnenleistung und erweiterte Trends. Zum Zitat springen

Checkliste zur Prognoseerstellung

Ein Durchlauf, der ausgeführt werden sollte, bevor Sie eine Prognose jemandem vorlegen:

• Umfang ist definiert und passt zur Entscheidung (Website / Cluster / Seite) — nicht „gesamter Traffic”, wenn es um einen Abschnitt geht.
• 18–24 Monate GSC- und GA4-Verlauf abgerufen (oder so viel wie vorhanden), exportiert, bevor das 16-Monats-Aufbewahrungsfenster es löscht.
• Marken-Traffic identifiziert und entfernt, sodass die Prognose SEO-getriebene, nicht-markenbezogene Leistung isoliert.
• CTR-Kurve aus Ihren GSC-Daten erstellt, nicht aus einer Branchendurchschnittstabelle.
• CTR nach unten korrigiert für SERP-Funktionen — AI Overviews, Featured Snippets, Anzeigen — insbesondere bei Suchanfragen mit Informationsabsicht.
• Saisonalität aus Google Trends und Jahresvergleichsmustern modelliert.
• Drittanbieter-Volumen als richtungsweisend/relativ behandelt, nicht als präziser Multiplikator.
• Traffic über Conversion-Rate × AOV (oder CLV) in Geld umgerechnet.
• Drei Szenarien erstellt (konservativ / Basis / aggressiv), jeweils mit benannten Annahmen schriftlich festgehalten.
• Identifiziert, welche Eingabe bei einem Fehler die Entscheidung kippen würde (ein Sensitivitätsdurchlauf, nicht nur drei parallele Szenarien).
• Modell an vergangenen Stichtagen gegen Ist-Daten zurückgetestet, bevor das Intervall vertraut wird.
• Ausgabe ist ein Bereich mit Konfidenzintervallen, keine einzelne Zahl — und Punktschätzung, Modellintervall und Szenario sind als drei verschiedene Dinge gekennzeichnet, keines davon eine kalibrierte Wahrscheinlichkeit.
• Keine Formulierung impliziert eine Garantie.
• Ein Überprüfungsrhythmus ist geplant (monatlich ist eine vernünftige Standardeinstellung) und Neuaufbau-Auslöser — Datenänderung, Strukturbruch, Modellfehlerschwelle, Entscheidungsänderung — sind im Voraus schriftlich festgehalten.

Die mentalen Modelle

1. Kompass, kein GPS. Eine Prognose gibt Richtung und grobe Größenordnung unter genannten Annahmen vor – kein Abbiegehinweis. Jede Schlussfolgerung, die Sie ziehen, sollte der Frage standhalten: „Auf welcher Annahme beruht das?“

2. Zwei Methoden, eine kombinierte Prognose. Statistisch/trendbasiert für das, was Sie haben (Historie fortschreiben); keywordbasiert für das, was Sie aufbauen (volume × CTR × conversion). Im Zweifelsfall beide durchführen und abgleichen.

3. First-Party für Sie, Third-Party für andere. GSC/GA4 ist maßgeblich für die eigene CTR und den Trend Ihrer Website. Third-Party-Tools sind für Wettbewerbsprognosen und die Größenordnung von Keywords, für die Sie noch nicht ranken – richtungsweisend, relativ, nie präzise.

4. Szenario-Leiter. Konservativ / Basis / aggressiv, jeweils mit explizit benannten Annahmen. Finanzen streichen die Budgetplanung nicht, weil Märkte unvorhersehbar sind; sie modellieren Szenarien. Tun Sie dasselbe – eine richtungsweisende Schätzung mit benannten Annahmen ist besser als keine Schätzung. Ein Szenario ist ein gewähltes Bündel von Annahmen, keine kalibrierte Wahrscheinlichkeit – kennzeichnen Sie es als solches, getrennt vom eigenen Intervall des Modells.

5. TAM → Anteil → Umsatz. Potential market × competitive position = TAM. Positionieren Sie inkrementelle Anteilsgewinne (10 %, 20 %) statt totaler Dominanz, dann rechnen Sie Anteil → Traffic → Conversions → Umsatz. Genau diese Kette erwartet die Finanzabteilung.

6. Sensitivität vor der Präsentation. Variieren Sie jeweils eine Eingabe über einen plausiblen Bereich und beobachten Sie, welche die Entscheidung kippt. Das ist die Annahme, die es wert ist, recherchiert, getestet oder abgesichert zu werden – die anderen sind es nicht wert, darüber zu streiten.

7. Backtest, bevor Sie ihm vertrauen. Refit an vergangenen Stichtagen, Prognose in die Zukunft, Vergleich mit bereits vorhandenen Ist-Werten. Modellkomplexität muss durch Out-of-Sample-Genauigkeit verdient werden, nicht angenommen.

8. Das lebende Dokument. Aufbauen → Bereich präsentieren → in festem Rhythmus überprüfen (monatlich ist ein vernünftiger Standard) → neu aufbauen bei einem Auslöser: Die Daten haben sich geändert, etwas Strukturelles ist passiert, der Backtest-Fehler hat Ihren Schwellenwert überschritten oder die Entscheidung hat sich geändert. Zuverlässiger Horizont: ~3–12 Monate.

SEO-Prognose – Spickzettel

Methode wählen

CTR-Realitätscheck (nicht die alten Zahlen verwenden)

→ CTR aus Ihren eigenen GSC-Daten aufbauen; informative CTR um 20–40 % kürzen, wo AI Overviews erscheinen.

Datengrenzen

• GSC-Aufbewahrung: 16 Monate, dann gelöscht – proaktiv exportieren; BigQuery-Export für längere Historie.
• Bing Webmaster Tools: 16 Monate (erweitert von 6, Okt. 2024).
• Third-Party-Volumina: richtungsweisend, nicht präzise – nur relativer Vergleich.

Die nicht verhandelbaren Punkte

• Legen Sie den Prognosevertrag fest (Ziel, Umfang, Granularität, Horizont, Stichtag, Basislinie vs. Intervention, Verantwortlicher, Entscheidung), bevor Sie eine Methode wählen.
• Entfernen Sie Marken-Traffic, bevor Sie nicht-markenbezogene SEO prognostizieren.
• Präsentieren Sie eine Spanne als drei beschriftete Dinge – Punktschätzung, Modellintervall, Szenario – niemals eine einzelne unbeschriftete Zahl.
• Führen Sie eine Sensitivitätsanalyse durch, um den Input zu finden, der die Entscheidung kippen würde.
• Testen Sie an vergangenen Stichtagen, bevor Sie dem Intervall vertrauen.
• Garantieren Sie niemals eine Zahl – „Niemand kann Ihnen Traffic garantieren“ (Mueller).
• Komplex ≠ besser; der ROI einer übertechnisierten Prognose ist meist nicht vorhanden.
• Eine Prognose ist ein lebendes Dokument – überprüfen Sie es in einem festen Rhythmus (monatlich ist ein vernünftiger Standard), bauen Sie es bei einem definierten Auslöser neu auf, nicht nur an einem Kalenderdatum.

Eine keywordbasierte Prognose in Google Sheets

Für neue Inhalte ohne Historie lautet die Bottom-up-Formel volume × expected CTR × conversion rate. In einem Blatt, mit Suchvolumen in B, Ihrer CTR für die Zielposition in C und der Conversion-Rate in D:

Estimated clicks:       =B2 * C2
Estimated conversions:  =B2 * C2 * D2
Estimated revenue:      =B2 * C2 * D2 * AOV

Ziehen Sie Ihre CTR-Werte nach Position (C) aus Ihren eigenen GSC-Daten, nicht aus einer Branchentabelle – und passen Sie diese für informative Suchanfragen nach unten an, bei denen KI-Übersichten erscheinen.

Eine Trendprognose aus Ihrer eigenen Historie

Wenn Sie eine Historie haben, ist die einfachste Projektion eine lineare Regression mit der integrierten FORECAST-Funktion – historische Monate in Spalte A, Traffic in B:

=FORECAST(next_month_date, B2:B25, A2:A25)

Das ist eine gerade Linie. Sie ignoriert Saisonalität, also vertrauen Sie ihr nur für kurze, stabile Horizonte. Für Saisonalität und Feiertagseffekte steigen Sie auf ein Zeitreihenmodell um – ich verwende Metas Prophet (kostenlos, Open Source, über Python oder R zugänglich), gespeist aus einem Ahrefs Site Explorer organischen Such-CSV-Export. Ein minimaler Prophet-Lauf in einem Notebook:

import pandas as pd
from prophet import Prophet

# df must have two columns: ds (date), y (traffic)
df = pd.read_csv("organic_traffic.csv")

m = Prophet(yearly_seasonality=True, weekly_seasonality=True)
m.fit(df)

future = m.make_future_dataframe(periods=365)   # one year forward
forecast = m.predict(future)
# yhat_lower / yhat_upper give you the confidence band — present THAT, not yhat alone
forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail()

Das yhat_lower/yhat_upper-Band ist der Kernpunkt: Es ist Ihre Spanne. Berichten Sie yhat nicht als einzelne Zahl. Prophet ist eine Option – SARIMA ist eine rigorosere Alternative mit steilerer Lernkurve. Und denken Sie daran: Ein komplexes Modell ist nicht automatisch ein besseres.

Validieren Sie, bevor Sie vertrauen

Nehmen Sie eine Anpassung nicht auf Treu und Glauben. Das Diagnosemodul von Prophet simuliert historische Prognosen: Es passt das Modell an Stichtagen innerhalb Ihrer eigenen Historie neu an, sagt denselben Horizont voraus, den Sie live verwenden möchten, und vergleicht diese Vorhersage nur mit tatsächlichen Werten, die nach dem Stichtag eingetreten sind – niemals mit Daten, die das Modell bereits sehen konnte.

from prophet.diagnostics import cross_validation, performance_metrics

df_cv = cross_validation(m, initial="730 days", period="90 days", horizon="90 days")
df_p = performance_metrics(df_cv)
df_p[["horizon", "mae", "mape", "coverage"]].tail()

coverage zeigt Ihnen, ob Ihr angegebenes Intervall diesen Anteil realer Ergebnisse historisch tatsächlich enthielt – wenn nicht, ist das Intervall falsch kalibriert und die Spanne, die Sie einem Stakeholder übergeben, ist nicht so ehrlich, wie sie aussieht. Ein Modell, das nie so geprüft wurde, ist eine Vermutung mit einem Diagramm darum.

Tools für SEO-Prognosen

First-Party-Daten (maßgeblich für Ihre eigene Website)

• Google Search Console – echte, seitenbezogene CTR nach Position und die Ground-Truth-Leistungshistorie (16-Monats-Fenster; exportieren Sie proaktiv).
• GA4 – On-Site-Verhalten, Conversion-Raten und Umsatz, um Traffic in Geld umzuwandeln.
• BigQuery (GSC-Bulk-Export) – der einzige Weg, Historie über 16 Monate hinaus zu behalten.

Wettbewerbs-/Opportunity-Sizing (Drittanbieter)

• Ahrefs Site Explorer – Wettbewerbs-Traffic- und Traffic-Wert-Schätzungen, organische Such-CSV-Exporte für Trendmodelle und Keyword-Gap-Analyse für Opportunity-Sizing.
• Semrush und ähnliche – alternative Volumenschätzungen; denken Sie daran, dass verschiedene Tools unterschiedliche Werte liefern, also behandeln Sie Volumina als relativ.

Saisonalität

• Google Trends – wann die Nachfrage im Jahresverlauf Spitzen und Täler hat.

Modellierung

• Meta Prophet (kostenlos, Open Source; Python/R) – mein bevorzugtes Zeitreihenmodell; behandelt Saisonalität und Feiertagseffekte.
• SARIMA – mehr statistische Strenge, steilere Lernkurve.
• Google Sheets FORECAST / exponentielle Glättung / gleitende Durchschnitte – wenn eine schnelle Richtungslinie alles ist, was Sie brauchen.

Plattform / Reporting

• Enterprise-Planungs- und Reporting-Suiten (z. B. SEOmonitor, BrightEdge, seoClarity) und Agentur-Reporting-Tools (z. B. AgencyAnalytics, Advanced Web Ranking) bündeln Prognosen in Dashboards – praktisch, aber nur so gut wie die CTR- und Volumenannahmen, die ihnen zugrunde liegen.

Prognosefehler, die falsches Vertrauen erzeugen

Veröffentlichung einer einzigen präzisen Zahl

Warum das scheitert: Eine Punktschätzung verbirgt die Unsicherheit bei Rankings, CTR, Saisonalität, Conversion, Wettbewerbern und Algorithmusänderungen. Stakeholder merken sich die Zahl und vergessen die Annahmen.

Machen Sie stattdessen Folgendes: Präsentieren Sie konservative, Basis- und aggressive Szenarien mit den Annahmen, die jedes einzelne erzeugen. Nutzen Sie das Intervall des Modells, um die Spanne zu informieren, nicht als Dekoration um ein versprochenes Ergebnis.

Anwendung einer generischen CTR-Kurve auf jede Suchanfrage

Warum das scheitert: Die CTR variiert je nach Website, Position, Absicht, Gerät und SERP-Funktionen. Veraltete Benchmarks für Position eins sind besonders irreführend bei Suchanfragen mit KI- Übersichten oder anderen Zero-Click-Antworten.

Machen Sie stattdessen Folgendes: Erstellen Sie eine standortspezifische Kurve aus GSC und segmentieren Sie diese dort, wo die SERP oder die Absicht das Klickverhalten wesentlich verändert.

Vermischung von Markennachfrage in den SEO-Wachstumsfall

Warum das scheitert: Markensuchen können Nachfrage widerspiegeln, die durch andere Kanäle erzeugt wurde, und verzerren die Baseline oder den prognostizierten Zuwachs, der SEO zugeschrieben wird.

Machen Sie stattdessen Folgendes: Trennen Sie Marken- und Nicht-Marken-Verläufe, bevor Sie das Modell anpassen, und geben Sie dann an, welche Linie die Investition voraussichtlich beeinflussen soll.

Behandlung von Drittanbieter-Volumen als Grundwahrheit

Warum das scheitert: Externe Tools schätzen Wettbewerber und ungenutzte Möglichkeiten; verschiedene Tools können unterschiedliche Ergebnisse liefern, und ihre Werte entsprechen nicht dem beobachteten Traffic der Website.

Machen Sie stattdessen Folgendes: Verwenden Sie First-Party-Daten für Ihre eigene Baseline und kennzeichnen Sie Drittanbieter-Eingaben als richtungsweisende Chancenbewertung.

Aufbau des komplexesten möglichen Modells

Warum das scheitert: Zusätzliche Raffinesse kann schwache Eingaben nicht reparieren und kann die Prognose schwerer erklärbar, testbar und aktualisierbar machen.

Machen Sie stattdessen Folgendes: Verwenden Sie das einfachste Modell, das den entscheidungsrelevanten Trend und die Saisonalität erfasst. Bauen Sie neu auf, wenn Annahmen brechen, anstatt ein aufwendiges Modell vor der Realität zu schützen.

Die Prognose nach der Genehmigung unangetastet lassen

Warum das scheitert: Eine Prognose ist bedingt. Ein Core Update, eine Wettbewerbsbewegung, eine Website- änderung oder eine SERP-Verschiebung kann die ursprünglichen Annahmen ungültig machen.

Machen Sie stattdessen Folgendes: Vergleichen Sie Ist-Werte monatlich mit der Prognose, überprüfen Sie Annahmen vierteljährlich und dokumentieren Sie den Auslöser, der einen Neuaufbau erfordert.

Testen Sie sich selbst: SEO-Prognose

Fünf Fragen zu Methoden, Eingaben, Szenarien und Modellpflege.

Ressourcen, die Ihre Zeit wert sind

Meine verwandten Artikel

• SEO Forecasting: The Art Of Getting Buy-In – meine vollständige Anleitung mit sechs kostenlosen, Copy-Paste-Google-Colab-Notebooks (eigener Traffic und Traffic-Wert, Wettbewerber-Traffic/-Wert/Seiten-Traffic und Leistung durch Core Updates).
• Enterprise SEO Storytelling: Metrics, Reports & Dashboards – Gleichsetzung von SEO-Kennzahlen mit Geld, Share of Traffic Value und benutzerdefinierte CTR-Kurven aus GSC.

Meine Vorträge

• The Great Decoupling (deutsch: Die große Entkopplung; Ahrefs Evolve 2025) – die wachsende Kluft zwischen Impressionen und Klicks in GSC und warum veraltete CTR-Annahmen in Prognosen jetzt unbrauchbar sind. SlideShare

Von anderen

• Ihr Leitfaden zur SEO-Prognose mit Google Sheets — Sara Taher (Search Engine Land): FORECAST, SMA und exponentielle Glättung in einer Tabellenkalkulation.
• So erstellen Sie eine SEO-Prognose — Rob Tindula (Search Engine Land): eine 8-Schritte-Prognosemethodik mit einem Hybridmodell.
• So berechnen Sie Ihren gesamten adressierbaren Markt (TAM) für SEO — Dan Taylor (Search Engine Journal): das TAM/SAM-Framing, das die Finanzabteilung erwartet.
• So modellieren Sie nicht-lineare SEO-Saisonalität mit Prophet — die Saisonalitätsseite des Prophet-Ansatzes.
• SEO-Prognose: Organisches Traffic-Wachstum vorhersagen — AgencyAnalytics: die Agenturperspektive und Risiken der Überprognose.
• Was ist Suchprognose und warum ist sie wichtig? — Rachel Vandernick (Search Engine Journal): grundlegende Einordnung, warum Prognosen wichtig sind und wo sie in ein SEO-Programm passen.
• So erstellen Sie realistische SEO-Prognosen Schritt für Schritt — Kate Starr (Backlinko): Schritt-für-Schritt-Methodik mit einer kostenlosen Vorlage und einer Umsatzerweiterungsformel.
• Enterprise-SEO-ROI-Prognoserechner — Directive Consulting: Enterprise-ROI-Rechner mit funktionsübergreifenden Dateneingaben und SQL/MQL-Attribution für finanzorientierte Prognosen.
• Google Organic CTR Tool — Advanced Web Ranking: historische CTR-Benchmarks nach Position und Gerät — nützlicher Kontext dafür, wie weit die alte 30-%-Annahme abgewichen ist.

Statistiken, die sich zu zitieren lohnen

• Position-1-CTR für KI-Übersichtsabfragen eingebrochen. Von 7,3 % auf ~1,6 % zwischen Dezember 2023 und Dezember 2025 (Ahrefs-Studie, 300 000 Keywords) — die Zahl, die jede veraltete Prognose zunichtemacht. Quelle
• Auch die saubere informative CTR fiel — informative Abfragen auf Position 1 ohne KI-Übersicht sanken im gleichen Zeitraum von 7,6 % auf ~3,9 % (gleiche Studie). Quelle
• ~60 % der Google-Suchen enden ohne Klick — die Null-Klick-Basislinie, die jede Prognose für 2026 annehmen muss (Sparktoro / Datos-Forschung).
• KI-Übersichten reduzieren Klicks um ~34,5 % für betroffene Abfragen in Ahrefs’ früherer Studie vom April 2025 — der Richtungsabfall, den Sie auf die informative CTR anwenden. Quelle
• Budget folgt glaubwürdigen Prognosen. Etwa ein Viertel der Vermarkter berichtet über ausreichendes Budget, teils weil die Führung nicht von SEO-Renditen überzeugt ist; Führungskräfte, die finanzielle Auswirkungen vorhersagen können, erhalten mit höherer Wahrscheinlichkeit Budgeterhöhungen (GTM 8020, 2024).

Änderungsprotokoll