SEO-Vorhersagen mit Counterfactuals: Ehrliche Prognosen bei AI Overviews

Counterfactual-SEO-Forecasts mit Baseline, eigener CTR-Kurve und Low/Base/High-Szenarien

seo-forecasting counterfactuals ai-overviews ctr backtesting · Zuletzt aktualisiert:
SEO-Vorhersagen mit Counterfactuals: Ehrliche Prognosen bei AI Overviews

Prognosen im SEO sind riskant. Wer Traffic-Zahlen verspricht, ohne die Unsicherheit offenzulegen, verspielt Vertrauen. Counterfactual-SEO-Forecasting bietet einen Weg, ehrliche und dennoch nützliche Prognosen zu liefern. Der Ansatz kombiniert eine Baseline, eine eigene CTR-Kurve und realistische Szenarien. Das Ergebnis wirkt weniger beeindruckend als klassische Hochglanz-Prognosen, ist aber deutlich realitätstauglicher.

Suchst du nach einer Methode, mit der du SEO-Forecasting belastbar machst, statt Wunschwerte zu versprechen? Dann ist dieser Ansatz für dich.

Inhaltsverzeichnis (klicken zum Aufklappen)

Kurzantwort

Counterfactual-SEO-Forecasting schätzt 12 Monate Non-Brand-Klicks und den Zusatztraffic bei plus drei Ranking-Positionen. Es kombiniert eine Baseline, eine site-spezifische CTR-Kurve, Backtesting (WLS-Elastizität minus 0,52; MAPE 13/25/41 Prozent) und drei Szenarien (Low/Base/High). Das Ergebnis sind ehrliche Bandbreiten statt einzelner Wunschwerte, auch bei AI Overviews.

Definition

Counterfactual-SEO-Forecasting ist eine Methode zur Traffic-Prognose, die fragt: "Was wäre, wenn bestimmte URLs drei Positionen gewinnen und alles andere gleich bleibt?" Statt einer einzelnen Zahl liefert sie Bandbreiten (Low/Base/High) auf Basis eigener Daten, Backtesting und realistischer AI-Overview-Effekte.

Warum klassische SEO-Prognosen oft danebenliegen

Viele SEO-Forecasts basieren auf vereinfachten Annahmen. Position eins bringt X Prozent Klickrate, Position drei Y Prozent, und schon lässt sich der Traffic hochrechnen. In der Praxis stimmt das selten.

Zwei Entwicklungen machen diese Modelle besonders fragil. Erstens verändern AI Overviews die Klickraten stark. Zweitens reagiert jede Website anders auf Ranking-Verbesserungen. Wer diese Faktoren ignoriert, prognostiziert Wunschwerte statt wahrscheinlicher Werte.

Die Baseline als Ausgangspunkt

Jede seriöse Prognose startet mit einer Baseline. Sie bildet den Ist-Zustand ab: aktuelle Rankings, Impressionen, Klicks und CTR je Keyword oder Keyword-Gruppe. Ohne Baseline gibt es keine Vergleichbarkeit, und ohne Vergleichbarkeit keine glaubwürdige Prognose.

Die Baseline sollte aus eigenen Daten stammen, nicht aus Branchenbenchmarks. Search Console-Daten eignen sich gut, weil sie echtes Nutzerverhalten widerspiegeln. Mehr Kennzahlen und Benchmarks findest du in den SEO-Statistiken 2026.

Die eigene CTR-Kurve statt Branchenwerten

Ein zentraler Baustein ist eine eigene CTR-Kurve. Statt pauschaler Werte aus Studien nutzt du die tatsächlichen Klickraten deiner Website nach Position. Das macht den Forecast site-spezifisch.

Die Kurve entsteht aus historischen Search Console-Daten, gruppiert nach Ranking-Position. Du siehst dann, wie viele Klicks Position drei bei dir wirklich bringt. Oft unterscheidet sich das deutlich von Branchendurchschnitten. Wenn du Unterstützung bei der Umsetzung brauchst, hilft Content Marketing.

Plus drei Positionen Uplift als realistisches Szenario

Statt zu fragen, was Position eins bringt, setzt der Counterfactual-Ansatz auf messbare Veränderungen. Ein typisches Szenario: plus drei Positionen bei ausgewählten Keywords. Das ist erreichbar, überprüfbar und hat einen klaren Gegenstand.

Du modellierst, was passiert, wenn bestimmte URLs drei Plätze gewinnen. Die CTR-Kurve liefert die erwarteten Klicks, die Baseline den Ausgangswert. Die Differenz ist der Uplift.

Wie validierst du das Modell durch Backtesting?

Um das Modell zu validieren, lohnt sich Backtesting. Dabei prüfst du, ob das Modell vergangene Veränderungen korrekt vorhergesagt hätte. Die WLS-Elastizität (gewichtete kleinste Quadrate, ein Maß dafür, wie stark Klicks auf Rangänderungen reagieren) von minus 0,52 zeigt laut SEO Depths, Stand 2026: Ranking-Verbesserungen wirken, aber nicht linear und nicht ungebremst. Höhere Positionen bringen zwar mehr Klicks, doch der Effekt flacht ab. Der Wert ist ein Beispielwert; je nach Branche und Datenlage variiert er.

Dieser Wert ist kein Universalfaktor. Er ist ein Hinweis, dass Prognosen mit abnehmenden Grenzerträgen rechnen sollten. Das vollständige Python-Script (seasonal-naive/Prophet, CTR-Kurve, Backtesting, Szenarien) findest du im GitHub-Repository. Es führt acht Schritte aus:

  1. Tägliche Klicks laden und fehlende Tage füllen
  2. Spikes über STL-Dekomposition und IQR-Regel bereinigen
  3. Baseline aus dem gleichen Wochentag vor 364 Tagen mit YoY-Skalierung aufbauen
  4. CTR-Kurve nach Position aus eigenen Page-Query-Daten fitten
  5. Den Plus-drei-Positionen-Uplift anwenden
  6. Den Uplift mit Kontrollgruppe und Bootstrap-Konfidenzintervall backtesten
  7. Einen Anteil des Uplifts mit linearem Ramp pro Szenario einrechnen
  8. Monatstabelle, Charts und eine Excel-Datei exportieren

Wie installiere ich das Script unter Python?

Als Python-Nutzer installierst und nutzt du das Repository typischerweise so:

  1. Klonen: git clone https://github.com/simodepth96/SEO-Forecasting-with-Counterfactual-Python-Snaive.git
  2. Umgebung: Eigene virtuelle Umgebung anlegen (python -m venv .venv, aktivieren) und Abhängigkeiten installieren (pip install -r requirements.txt, falls vorhanden; sonst manuell Pakete wie pandas, numpy, scipy, statsmodels, matplotlib, openpyxl).
  3. Daten vorbereiten: Zwei CSV/Excel-Dateien bereitstellen (tägliche Non-Brand-Klicks; Page×Query-Daten) und Pfade/Sheet-Namen oben im script.py anpassen.
  4. Parameter setzen: Variablen wie FORECAST_START, POSITION_GAIN, CURVE_FROM, SHIP_DATE, SCENARIOS im Script konfigurieren.
  5. Ausführen: python script.py – erzeugt forecast_scenarios.xlsx mit den Sheets month, assumptions, daily, ctr_curves sowie zwei Charts.
  6. Ergebnisse prüfen: Excel und Plots auswerten, Backtest-Stichprobe (n < 30) kritisch bewerten.

Hinweis: Das Repo ist kein installierbares Python-Paket (kein setup.py/pyproject.toml), sondern ein ausführbares Skript – also kein pip install, sondern manuelles Klonen und Anpassen.

Alternative Installationsumgebungen, falls Du nicht lokal installieren willst

Es gibt mehrere Umgebungen, in denen du das Python-Skript direkt ausführen kannst, ohne lokal etwas zu installieren:

  • Google Colab – kostenlos, browserbasiert, GitHub-Repos lassen sich direkt öffnen (https://colab.research.google.com/github/...). Gut für schnelle Tests.
  • Kaggle Notebooks – ähnlich wie Colab, mit kostenloser Rechenleistung und Dataset-Integration.
  • GitHub Codespaces – vollständige VS Code-Umgebung in der Cloud, direkt aus dem Repository startbar; gut für größere Projekte.
  • Binder (mybinder.org) – macht ein GitHub-Repo zu einer interaktiven Jupyter-Umgebung; ideal, wenn ein requirements.txt vorhanden ist.
  • Replit – browserbasierte IDE mit automatischer Python-Umgebung, gut für kleine Skripte.
  • JupyterLite / JupyterHub – für eigene Infrastruktur oder institutionelle Setups.

Wie genau ist das Modell? MAPE-Werte im Überblick

Die Genauigkeit des Modells lässt sich mit dem Mean Absolute Percentage Error (MAPE, mittlerer absoluter prozentualer Fehler) messen. Laut SEO Depths, Stand 2026, verdeutlichen drei Beispielwerte die Spanne; die Werte variieren je nach Branche und Datenlage:

Horizont MAPE Bedingung
Kurzfristig 13 % Stabile Rankings
Mittelfristig 25 % Moderate Veränderungen
Langfristig 41 % Volatile Keywords

Je länger der Horizont und je volatiler das Umfeld, desto größer die Abweichung. Das ist keine Schwäche des Modells, sondern eine ehrliche Abbildung von Unsicherheit.

Szenarien Low, Base und High

Statt einer einzelnen Zahl arbeitest du mit drei Szenarien:

  • Low: konservative Annahmen, geringer Uplift, AI-Overview-Effekte voll eingespielt
  • Base: wahrscheinlichster Fall auf Basis historischer Daten
  • High: optimistisches Szenario mit maximalem Uplift

Diese Bandbreite macht Prognosen planbarer. Stakeholder sehen nicht nur eine Zahl, sondern ein Spektrum.

AI-Overview-Effekte berücksichtigen

AI Overviews verändern das Klickverhalten. Wo eine Zusammenfassung erscheint, sinkt die CTR organischer Ergebnisse. Du musst diese Effekte in deine Kurve einpreisen.

Konkret: Segmentiere Keywords danach, ob eine AI Overview erscheint. Für betroffene Begriffe nutzt du angepasste CTR-Werte (z. B. deutlich reduzierte Klickraten, abhängig von Branche und SERP-Layout). So vermeidest du überhöhte Prognosen in einem Umfeld, das sich rasant ändert. Mehr dazu im Beitrag Zero-Click-Suche.

Zehn Takeaways für die Praxis

  1. Starte immer mit einer eigenen Baseline aus Search Console-Daten.
  2. Nutze eine site-spezifische CTR-Kurve statt Branchenwerten.
  3. Modelliere konkrete, erreichbare Veränderungen wie plus drei Positionen.
  4. Validiere dein Modell durch Backtesting.
  5. Rechne mit abnehmenden Grenzerträgen, nicht mit linearem Wachstum.
  6. Kommuniziere MAPE-Werte offen, um Erwartungen zu steuern.
  7. Arbeite mit Low-, Base- und High-Szenarien statt mit Einzelwerten.
  8. Segmentiere Keywords nach AI-Overview-Betroffenheit.
  9. Passe CTR-Werte an, wo AI Overviews erscheinen.
  10. Ehrliche Prognosen schlagen beeindruckende, aber unrealistische Zahlen.

Klassisches vs. Counterfactual-Forecasting

Aspekt Klassisches Forecasting Counterfactual-Forecasting
Frage "Was passiert, wenn nichts ändert?" "Was wäre, wenn eine Sache ändert?"
CTR-Werte Branchenbenchmarks Eigene, site-spezifische Kurve
Ergebnis Einzelne Zahl Bandbreite (Low/Base/High)
Unsicherheit Oft versteckt Offen kommuniziert (MAPE)
AI Overviews Meist ignoriert Explizit eingepreist

Begriffe kurz erklärt

  • MAPE (Mean Absolute Percentage Error): mittlerer absoluter prozentualer Fehler, misst die Prognosegenauigkeit.
  • WLS-Elastizität (gewichtete kleinste Quadrate): Maß dafür, wie stark Klicks auf Rangänderungen reagieren.
  • STL-Dekomposition: Zerlegung einer Zeitreihe in Trend, Saisonalität und Rest (für Spike-Bereinigung).
  • IQR (Interquartilsabstand): Streuungsmaß zur Erkennung von Ausreißern.
  • Prophet: Forecasting-Modell von Meta, geeignet bei mindestens zwei Jahren Historie.

Grenzen und Aufwand

Counterfactual-Forecasting braucht Daten, Pflege und realistische Erwartungen. Du brauchst ausreichend Search Console-Daten, sonst sind kleine Stichproben unzuverlässig. Das Modell muss regelmäßig aktualisiert werden, weil sich Rankings, CTR und AI Overviews ändern. Kosten und Nutzen sollten abgewogen werden: der Aufwand lohnt sich vor allem bei größeren Websites mit vielen Keywords.

Im Vergleich zu klassischen Forecasts, die eine einzige Zahl versprechen, liefert der Counterfactual-Ansatz Bandbreiten. Klassische Prognosen wirken beeindruckender, der Counterfactual-Ansatz ist dafür ehrlicher und besser planbar.

Prognosen sind Entscheidungsgrundlagen, keine Garantien. Search Console-Daten nutzt du gemäß DSGVO nur im Rahmen der Einwilligung und Zweckbindung; personenbezogene Daten solltest du nicht über die nötigen Aggregationen hinaus speichern.

Fazit

Counterfactual-SEO-Forecasting ist kein Wundermittel. Es liefert keine glänzenden Versprechen, sondern belastbare Bandbreiten. Genau das macht es für professionelle SEO-Arbeit wertvoll. Wer mit Low-, Base- und High-Szenarien arbeitet und AI-Overview-Effekte einpreist, trifft bessere Entscheidungen.

Beginne mit deiner Baseline und deiner CTR-Kurve. Prüfe das Modell im Backtest. Und kommuniziere Unsicherheit, statt sie zu verbergen.

FAQ

Was ist Counterfactual-SEO-Forecasting?

Eine Methode, die 12 Monate Non-Brand-Klicks schätzt und den Zusatztraffic bei plus drei Ranking-Positionen prognostiziert, statt generische CTR-Werte zu verwenden.

Wie genau sind SEO-Prognosen?

Die MAPE-Werte liegen laut SEO Depths bei 13 Prozent (kurzfristig), 25 Prozent (mittelfristig) und 41 Prozent (langfristig).

Warum eigene CTR-Kurve statt Branchenwerte?

Weil jede Website anders auf Rankings reagiert; eigene Search Console-Daten machen den Forecast site-spezifisch.

Wie wirken sich AI Overviews aus?

Sie senken die Klickraten organischer Ergebnisse und müssen in die CTR-Kurve eingepreist werden.

Quellen

  • SEO Depths: SEO Forecasting with Counterfactuals in the Age of AI Overviews, Simone De Palma, veröffentlicht 31.10.2026, https://seodepths.com/seo-research/seo-forecasting-with-counterfactuals-in-the-age-of-ai-overviews/
  • GitHub-Repository mit dem vollständigen Python-Script (seasonal-naive/Prophet, CTR-Kurve, Backtesting, Szenarien): https://github.com/simodepth96/SEO-Forecasting-with-Counterfactual-Python-Snaive/