Interne Verlinkung ist einer deiner stärksten SEO-Hebel. Und mit der Hilfe von Embeddings wird sie systematisch statt nur gefühlt. Denn so analysierst du Inhalte auf Bedeutungsebene.

Im Artikel zeigen wir dir einen praxisnahen Workflow von Screaming Frog über CSV/GSC/GA4/BigQuery und Python/Colab bis hin zu einem sauberen Link-Backlog mit konkreten Ankertext- und Satzvorschlägen. Du siehst, wie du aus Rohdaten einen priorisierten Maßnahmenplan machst, typische Fehler wie generische Anker oder kontextlose Linkblöcke vermeidest.

TL;DR

• Interne Links steuern Relevanz, Crawlpfade und Antwortfähigkeit in LLMs.
• Screaming Frog liefert die Link- und URL-Basis, Embeddings liefern semantische Passung.
• Cosine Similarity priorisiert Linkkandidaten mit hohem thematischen Match.
• Der finale Output ist ein sauber priorisierter Link-Backlog mit Ankertext-Vorschlägen.
• Toolkette: Screaming Frog → CSV/GSC/GA4/BigQuery → Python/Colab → Embeddings (OpenAI/Instructor/SBERT) → Link-Backlog.

Interne Verlinkungsvorschläge mit Embeddings verbessern

Interne Verlinkung entscheidet, welche Inhalte Suchmaschinen und KI-Bots schnell finden und richtig einordnen.
Klassische Metriken wie Inlinks/Outlinks oder Linkpfade zeigen Struktur, aber keine semantische Nähe.
Content-Hubs, Kategorieseiten und Ratgeber profitieren erst, wenn Links thematisch präzise gesetzt sind. Embeddings lösen dieses Problem. Sie messen, wie ähnlich zwei Inhalte auf Bedeutungsebene sind. So entstehen Linkvorschläge, die Nutzerführung, Crawlbudget und LLM-Antwortqualität (siehe auch: Sichtbarkeit in ChatGPT) stützen. Das Ergebnis: klare Pfade, präzise Ankertexte, sichtbare Hubs.

Weshalb dieser Ansatz so gut ist

1. Saubere Datengrundlage
   Screaming Frog liefert „All Inlinks/All Outlinks“, Statuscodes, H1/H2, Titles, Wortanzahl.
   GSC/GA4/BigQuery ergänzen Nachfrage- und Performance-Signale.
2. Semantische Passung statt Bauchgefühl
   Embeddings (z. B. Sentence Transformers) + Cosine Similarity erkennen Topic-Nähe.
   Regeln priorisieren: Relevanz > Klicktiefe > Statuscode/Indexierbarkeit.
3. Messbarer Backlog, klare Ankertexte
   Ergebnisse landen als Link-Backlog: Quelle → Ziel → empfohlener Anker → Satzvorschlag → Priorität → Verantwortliche Rolle → Go-Live-Datum.

Praktischer Workflow (Toolkette & Felder)

Bevorzugte Toolkette:
Screaming Frog → CSV/GSC/GA4/BigQuery → Python/Colab → Embeddings (OpenAI/Instructor/SBERT) → Output als Link-Backlog

1) Daten aus Screaming Frog exportieren

• „Internal All“, „All Inlinks“, „All Outlinks“, optional „Content“.
• Felder: URL, Status, Canonical, Title, H1, Wortanzahl, Inlinks, Outlinks, Crawl Depth.

2) Inhalte für Embeddings vorbereiten

• Text je URL: Title + H1 + Intro + signifikante H2-Snippets.
• Optional: FAQ-Blöcke/How-to-Schritte anreichern.

3) Embeddings berechnen

• Modell: SBERT/Instruct/OpenAI;
  Batch-Verarbeitung.
• Cosine Similarity Matrix: Quelle × potenzielle Ziele.
• Filter: nur indexierbare, status-200, kanonische Ziele;
  keine bestehenden redundanten Links.

4) Backlog generieren

• Spalten: source_url, target_url, suggested_anchor, placement_sentence, rationale, priority, owner, due_date.
• „placement_sentence“ als konkreter Satzvorschlag in natürlicher Sprache.
• Priority aus Similarity-Score + sekundären Signalen (Klicktiefe, GSC-Demand).

5) Rollout & Monitoring

• Batches von 20–50 Links umsetzen.
• Nach 2–4 Wochen GSC/GA4 prüfen: Zugriffe, Queries, CTR pro Ziel-URL.
• Backlog fortschreiben, Duplicates und überoptimierte Anker bereinigen.

Beispiele/Mini-Workflows zur Optimierung der internen Verlinkung

Use Case 1: Content-Hub

Ziel: Pillar-Seite stärkt Sub-Cluster.

1. Kandidaten sammeln: Alle themennahen Cluster-Artikel per Embeddings ranken.
2. Anker definieren: Entitätsnah („Interne Linkstruktur“, „Topic-Cluster Aufbau“), keine generischen „hier“.
3. Platzierung: Im Pillar-Abschnitt „Vertiefungen“ eine kurze Liste, plus kontextuelle Links im Fließtext.

Use Case 2: Produktkategorie

Ziel: Kategorie erklärt, Produktdetail vertieft.

1. Mapping: Kategorie-Text → passende PDPs per Cosine Similarity.
2. Ankertexte: Funktions-/Bedarfsbezug („SEO Crawler für Logfiles“, „Screaming Frog Einstellungen“).
3. Platzierung: Oberhalb der Produktliste ein kurzer „Weiterführend“-Block;
   zusätzlich in kaufnahen Absätzen einzelne kontextuelle Links.

Use Case 3: Ratgeber

Ziel: Ratgeber verknüpft Anwendungsfälle.

1. Similar-Match: Abschnitt „Interne Links prüfen“ → Ziel „Checkliste interne Verlinkung“.
2. Ankertexte: Aufgaben-/Outcome-basiert („Link-Backlog erstellen“, „Ankertexte priorisieren“).
3. Platzierung: Direkt nach dem Lösungsabschnitt, 1–2 Sätze mit natürlichem Linkeinbau.

Häufige Fehler bei der internen Verlinkung

• Fehler: Generische Anker („hier“, „mehr“).
  Korrektur: Entitätsbasierte, präzise Anker („cosine similarity erklären“, „Sentence Transformers Vergleich“).
• Fehler: Links nur nach Klicktiefe priorisieren.
  Korrektur: Erst Relevanz via Embeddings, dann Sekundärkriterien (Klicktiefe, interne Linkpopularität, Nachfrage).
• Fehler: Verwaiste Seiten ignorieren.
  Korrektur: URLs ohne interne Links identifizieren, passende Hub-Seiten via Embeddings finden und minimal verlinken.
• Fehler: Link-Blöcke ohne Kontext.
  Korrektur: Links im relevanten Absatz platzieren; den Satz so formulieren, dass der Anker semantisch trägt.

FAQ zur internen Linkoptimierung

Welche Embeddings eignen sich?

Wir haben gute Erfahrungen mit OpenAI- und Gemini-Modellen gemacht.

Wie setze ich den Similarity-Schwellenwert?

Praxisnah ist ein flexibles Band. Hoch priorisieren, wenn Top-Matches deutlich über dem Mittel der Site liegen. Immer manuell prüfen.

Wie formuliere ich gute Ankertexte?

Kurz, spezifisch, entitätsbasiert. Outcome nennen, Buzzwords vermeiden. Anker und Ziel-H1 sollten semantisch nahe liegen.

Wie messe ich Erfolg?

Indexierbarkeit stabil, interne Zugriffe auf Ziel-URLs steigen, GSC zeigt im Leistungs-Bericht mehr Suchanfragen für Hub-Entitäten, LLM-Antworten nennen die Hub-Seite häufiger.

Mini-Vorlagen für Anker & Sätze

• Anker (Hub): „Interne Linkstruktur“, „Topic-Cluster Aufbau“, „Entity-basierte Ankertexte“.
• Anker (Produkt): „Screaming Frog Einstellungen“, „SEO Crawler für Logfiles“.
• Satzvorschlag (neu formuliert):
  „Für eine saubere Interne Linkstruktur erläutert dieser Leitfaden, wie Embeddings relevante Ziele zuverlässig priorisieren.“