So funktioniert Content-Intelligence

Zusammenfassung

  • Seit über einem Jahr katalogisieren wir das deutsche Netz
  • Parallel dazu katalogisieren wir das Suchverhalten für Gesundheitsthemen von Fachleuten und Laien
  • Wir analysieren die Art und Qualität möglicher Antworten zu diesen Themen
  • Wir beobachten Google beim Kuratieren von Antworten
  • Eine künstliche Intelligenz entwickelt intelligente Prototypen für ideale Antworten – das Dynamic-Metrics-Template
  • Die KI bereitet das Template inhaltlich und strukturell für die Endbearbeitung in der Redaktion vor
  • Die KI begleitet die Redaktion während der Arbeit an Artikeln mit einer Erfolgsprognose und konkreten Hinweisen
  • Artikel im Content-Marketing ranken automatisiert wesentlich besser

Die meisten Unternehmen in der Gesundheitsbranche setzen auf Content-Marketing. Das ist kein Wunder, schließlich ist es auch heute der effektivste und nachhaltigste Weg, Marken sichtbar zu machen.

Idealerweise geht damit auch der Effekt einher, die Marke positiv aufzuladen. Denn gekonnt aufbereitete redaktionelle Texte beantworten offene Fragen und beraten glaubwürdig und nicht verkäuferisch. Auf diesem Weg kann die Marke sich als Expertin auf ihrem Gebiet positionieren.

Wer bereits Zeit und Budget in diesen Bereich investiert hat, weiß aber auch, dass nicht jeder Versuch zum Erfolg führt. Sofort schon gar nicht, das liegt in der Natur der Sache. Aber was ist, wenn sich auch Monate später kein messbarer Erfolg einstellt? Was ist, wenn Sie erfolgreich Menschen erreichen – aber es sind die falschen?

Das Team von KARLINDER gehört zu den Content-Marketing-Spezialisten der ersten Stunde, der Autor unterrichtet Content-Marketing an der Universität Bremen. Ein Anlass für die Gründung von KARLINDER war der Anspruch, im Content-Marketing den nächsten Schritt zu gehen. Wir wollten einen Weg finden, der Marken in der Gesundheitsbranche beim Content-Marketing erfolgreicher macht.

Aber wie funktioniert das, und wie kann künstliche Intelligenz dabei helfen? Wir wollen versuchen, etwas Licht ins Dunkel zu werfen. 

Die drei grundsätzlichen Fragen

Generell müssen wir im Content-Marketing Antworten auf drei Fragen finden. Bei der konventionellen Herangehensweise gelingt das aber nur unvollständig und mit einer gewissen Ungewissheit. Trotzdem geht dieser Schritt mit einem hohen Arbeitsaufwand einher. Klingt nach einer guten Idee für den Einsatz von Algorithmen. 

  1. Was ist die Nachfrage?
  2. Was ist die Absicht?
  3. Was ist das Angebot?

Die Kurzfassung der ersten Herausforderung ist die, dass wir wissen müssen, was die Menschen beschäftigt, und wie sie es zum Ausdruck bringen. Der zweite Punkt berührt die Frage, was diese Menschen dann wollen. Bei der dritten Frage geht es um eine Bestandsaufnahme. Wir müssen herausfinden, was es schon zu einem Thema gibt, und wie die Konkurrenz sich in diesem Angebot verhält.

All diese Analysen sind notwendig, um sinnvolle Antworten auf tatsächliche Fragen in redaktioneller Form zu finden. Wenn uns das gelingt, dann ist das Content-Marketing auf höchstem Niveau. Wie erwähnt, ist dieser Weg steil und steinig. Algorithmen und künstliche Intelligenz sind mächtige Instrumente, einen erheblich größeren Grad an Präzision in diese Prozesse zu bringen und sie gleichzeitig zu beschleunigen. Der Lohn sind eine erheblich höhere Wahrscheinlichkeit, besser zu ranken und bessere Antworten auf die Fragen der Interessenten, weil wir ihre Fragen besser einordnen können. 

Die Bestandsaufnahme

Künstliche Intelligenz verweigert die Arbeit, wenn sie keine Daten hat. Deshalb ist aller Anfang Datensammeln. Dabei ist es wichtig, das Ziel dieser Datensammlung gleich zu Beginn festzulegen, damit wir wissen, welche Daten wir brauchen. 

Unser konzeptioneller Kerngedanke lag darin, individuelle Best-Practice-Templates für unterschiedliche Branchen zu erzeugen, um eine Performance-Prognose errechnen zu können. Der experimentelle Aufwand dafür war zu Beginn noch nicht abzuschätzen. Dabei auf fremde Daten zuzugreifen kam also nicht in Frage. Erstens liegen sie nirgends frei verfügbar vor, zweitens wollten wir jederzeit in der Lage sein, die Datenlage an unsere Bedürfnisse anzupassen. 

Also schickten wir unseren Crawler los, der bereits großflächig die IT-Sicherheitssituation der deutschen Systemlandschaft untersucht. Ab jetzt hatte er einen großen Bruder. Seine Aufgabe: Das deutsche Internet durchzulesen und zu analysieren.

Hunderttausend Websites, damit unsere KI lernt, wie Gesundheit funktioniert

Das Ergebnis sind Daten in rauen Mengen. Zu diesem Zeitpunkt hat der Crawler Daten von etwas mehr als 118.000 Websites aus dem Health-Sektor verdaut, und täglich werden es mehr. Dazu kommt, dass der Crawler durch Optimierungen mit der Zeit etwas schneller wird. Das ist auch notwendig, denn wir brauchen noch viel mehr Daten. Machine-Learning-Algorithmen sind auf eine riesige Menge an Daten angewiesen, sonst sind sie nicht in der Lage, Regelwerke zu bilden, die tatsächlich weiterhelfen. Seit einiger Zeit jedoch haben wir eine kritische Masse erreicht, die zu verwertbaren Ergebnissen führt, und mit denen wir zu interessanten Ergebnissen kommen.

Dieser Datenschatz ist aus verschiedenen Gründen enorm wertvoll. Er liefert uns eine solide Grundlage für unsere Arbeit, aber zusätzlich eine aktuelle Bestandsaufnahme dessen, was in Deutschland veröffentlicht wird, wovon erzählt wird und wie es erzählt wird. Das ist das Umfeld gegen das wir mit jedem neuen redaktionellen Inhalt antreten – eine Konkurrenzbetrachtung. 

Die Nachfrage

Haben wir in diesem Schritt herausgefunden, was es gibt, ist es im nächsten umso interessanter zu wissen, was die Suchenden wollen. Denn im Zusammenspiel der beiden entsteht das Ranking für einzelne Inhalte.

Es gibt eine relativ naive Herangehensweise an diese Aufgabe. Man kann Googles eigene Keywordtools befragen und bekommt konkrete Zahlen zum Suchvolumen nach einzelnen Begriffen. Dieses Vorgehen ist methodisch allerdings fragwürdig. Denn bei diesen Werkzeugen handelt es sich um Verkaufsinstrumente einer Vermarktungsplattform, die darauf abzielt, möglichst hohe Preise für begehrte Begriffe zu erwirtschaften und dabei auf dem Prinzip der Bieterschlacht aufsetzt. Diese Bieterschlacht funktioniert aber nur, wenn das Objekt der Begierde nenn- und fassbar ist.

Im Zentrum dieser Analysen stehen deshalb einzelne Begriffe und Zweiwort-Kombinationen. Sie funktionieren nicht sonderlich gut mit mehrfach verketteten Begriffskombinationen oder gar ganzen Sätzen, wie sie heutzutage immer häufiger beim Suchen verwendet werden. Googles Adword-Tools sind vor allem weder dazu gebaut, noch geeignet, herauszufinden, mit welchen Begriffen die Suchenden am Ende zu einer zufriedenstellenden Antwort finden. Das aber wollen wir herausfinden.

Wie sag ich‘s Google?

Wonach also sucht man in Deutschland? Was wollen die Deutschen wissen, und wie finden sie es heraus? Welche Begriffe benutzt man dabei?

Es ist nicht lang her, da war die Suchmaschinenoptimierung noch eine Angelegenheit der Optimierung einzelner Schlüsselbegriffe. Man ging davon aus, dass Menschen solche sogenannten Keywords bei Google eingeben, und dass eine Website genau diese Keywords enthalten müsse, um dafür in den Trefferlisten zu landen. Oft hat man dabei festgestellt, dass echte Menschen bestimmte Keywords gar nicht so nutzen, wie es der Anbieter denkt. Sie benutzen andere Begriffe als den Fachterminus, sie umschreiben den Begriff, den sie gar nicht kennen, sie schreiben ihn ganz anders oder nennen es einfach so, wie der Volksmund es nennt. Was wir suchten, war also auch eine Untersuchung im Sprachgebrauch. Also: Was wollen die Deutschen wissen, und wie finden Sie es heraus?

Es gibt einen sehr validen und aufschlussreichen Weg, das herauszufinden. Mit einer Schnittstelle zum Suchschlitz von Google. Dort lauschen wir sozusagen mit, was dort alles eingegeben wird, und vor allem, was dort jemals eingegeben wurde. Das ist allein deshalb interessant, weil 15 % aller Suchanfragen täglich noch nie zuvor gestellt wurden. Google speichert all diese Suchanfragen ab und macht sie zugänglich. Das gibt uns echte Marktforschungsdaten mit einem sauberen Design-Thinking-Ansatz, weil er unbeeinflusste Beobachtungsdaten liefert, die durch keinerlei Fragestellung vorab gelenkt oder manipuliert worden sind.

Die Absicht, die hinter den Fragen steckt

Google versucht in Echtzeit zu erraten, was der Nutzer mit seiner Suchaktivität erreichen will. Diese Einschätzung ist nicht trivial, denn es hat – verkürzt gesagt – nur ein paar aneinandergereihte Wörter für diese Einschätzung zur Verfügung. Für die Auswahl der besten Kandidaten in der Suchergebnisliste ist es aber wichtig zu wissen, was der Suchende in einer Antwort sucht. Die Entschlüsselung der Nutzerabsicht ist ein Detail, das im Content-Marketing häufig übersehen wird, bei unserem KI-Projekt, das entscheidende Prozesse objektivieren und automatisieren soll, aber ein entscheidender Schlüsselfaktor.

Wenn Google in seinem Suchschlitz den Suchterm erkennt „Innenräume kalken“, was hat der Nutzer dann vor? Möchte er

  1. Ein Produkt kaufen?
  2. Ein Anleitungsvideo sehen?
  3. Einen Maler buchen?

Natürlich greift Google für seine personalisierten Suchergebnisse auch auf die persönliche Suchhistorie zurück, wie auch auf alle anderen Profildaten und kann in dieser sehr unsicheren Situation mit hoher Wahrscheinlichkeit ein How-to-Video vorschlagen, wenn es sich sicher ist, es hier mit einem passionierten Heimwerker zu tun zu haben. 

Vor dieser Aufgabe stehen wir aber auch wenn wir Inhalte entwickeln wollen, die nicht nur dieselbe Sprache sprechen wie unsere Zielgruppe es tut, sondern auch dieselbe Absicht verfolgen. Ist unsere Marke diejenige, die passionierte Handwerker an die Hand nimmt? Dann sollten wir in der How-to-Liga ganz oben mitspielen können – und zwar mit intelligenter Unterstützung.

Google unterscheidet für diesen Zweck grundsätzlich zwischen dreierlei Absichten, auf Englisch „User Intents“. Es geht davon aus, dass seine Nutzer immer genau eines von drei Bedürfnisse hat, die es auf eine jeweils spezielle Art beantworten kann. Auf Englisch sind sie etwas griffiger formulierbar als im Deutschen, weshalb dieses Schema auch hier zum Einsatz kommt. Sie nennen sich „Informational“, „Transactional“ und „Navigational“. Letztere Absicht kommt nochmals unterteilt in zwei Ausprägungen daher als „Go to website“ und „Go in person“, also als Link zu einer Website oder als Route zu einem Ort. Die folgende Abbildung zeigt einige Beispiele für Absichten aus diesen Kategorien.

Die Berücksichtigung der Nutzerabsicht (User Intent) bei Google
Die Berücksichtigung der Nutzerabsicht (User Intent) bei Google

Google liefert bei hoher Sicherheit über den User Intent diese Antworten in jeweils eigenen Suchergebnis-Layouts aus, die wo immer möglich, die Antwort auf einen Schlag liefert. Wieder einige Beispiele in der Reihenfolge informational, transactional und navigational.

Google ist zunehmend bestrebt, auf möglichst viele einfach strukturierte Fragen solche Instant-Antworten zu liefern. Sie folgen einer Mechanik, die allerdings die Ziele von Content-Marketern in vielen Fällen unterläuft. Im ersten gezeigten Beispiel erfahre ich dennoch immerhin von der Existenz eines Beton-Wikis, einer Verbandsseite, mit der ich mich möglicherweise später doch noch intensiver auseinandersetzen möchte.

Wir finden solche Instant-Antworten immer häufiger auf einfache Fragen, und es ist klar zu erkennen, dass Google sich nach und nach auf die Fähigkeit einstimmt, mit Sprachassistenten wie sie in Handys oder Smart Speakern eingesetzt werden, sinnvoll antworten zu können.

KARLINDER Content-Intelligence stellt Redakteuren im Handumdrehen umfangreiche Dossiers zur Verfügung

Es ist damit auch klar, dass wir uns im Content-Marketing vorrangig auf die Themen Inspiration und die komplexere Aufbereitung erklärungsbedürftiger Sachverhalte konzentrieren müssen. Auch hier sind die Stärken einer Content-Intelligence gefragt, die die Recherche komplexer Themen beschleunigt und mit umfassenden Dossiers anreichert.

Die Beschaffenheit erfolgreicher Antworten

Jeder redaktionelle Artikel, der erfolgreich im Namen einer Marke arbeitet, muss die beste Antwort auf echte Nutzerfragen sein. Wir haben gesehen, dass wir dazu wissen müssen, was diese Nutzerfragen sind, und wie und mit welcher Absicht sie gestellt werden. Wir sollten uns ebenfalls ansehen, was die Konkurrenz dazu schon gesagt hat, und wir müssen immer wissen, was die Marke dazu zu sagen hat.

Solange Content-Marketing tatsächlich strategisch und professionell betrieben wird, muss ein Redakteur all diese Punkte im Auge behalten, wenn er sinnvoll arbeiten will. In einem optimal ausgestatteten Arbeitsumfeld kann er sich von einer ganzen Palette hilfreicher Tools unterstützen lassen. Sie reichen von einzelnen Programmen für die Trend- bis zur Keywordrecherche, es gibt Programme für die Linkoptimierung, Redaktionsplanungstools und automatisierten Kuratierungsvorschläge. Und der Redakteur wird recherchieren und lesen, lesen, lesen.

Die gegenwärtigen Redaktionsprozesse sind viel zu kleinteilig, ungenau und kostspielig

Die Erfahrung lehrt, dass dieser Gesamtprozess scheitert. Er ist viel zu kleinteilig, um wirklich beherrschbar zu sein. Das macht ihn ökonomisch sinnlos, weil der Aufwand für jeden Qualitätsartikel deutlich zu hoch ist. Und dann gibt es noch diejenigen, die diese Prozesstiefe nicht einmal erreicht haben und einfach nur drauflos schreiben. Die schlechte Nachricht für alle, die fortschrittlichere Technologien im Content-Marketing einsetzen, ist dennoch: Auch hier bleibt die erfolgsorientierte Artikelentwicklung meist ein Ratespiel. 

Die gute Nachricht ist, dass wir alle bisher genannten strategischen und analytischen Schritte für die Content-Entwicklung mit KI-Methoden automatisieren und optimieren können. Das verschafft dem Redakteur Raum für wichtigere Aufgaben, die seiner ursprünglichen Expertise gerecht werden.

Das KARLINDER-Dynamic-Metrics-Template löst die Standardfragen des Content-Marketings mit KI-Methoden

Kommen wir zurück zu unserem Crawler. Rund 118.000 Websites sind zu diesem Zeitpunkt erfasst und analysiert. Was machen wir mit all diesen Daten? Aufregende Dinge. Sie sind alle zu viel für ein Menschenleben, erst recht für eine Redaktion im Content-Marketing. Aber all diese Inhalte sind ein Füllhorn an Stoffen, die wir nach Dutzenden Parametern ausgewertet haben. All diese Daten konnten wir mithilfe unserer KI in eine strukturierte Form bringen und in Erkenntnisse verwandeln, die wir sowohl inhaltlich als auch strukturell nutzen können.

Denn wir wissen nun was all diese Websites und ihre Detail- oder Unterseiten sagen, aber auch wie sie es sagen. Und wir wissen, wo sie damit im Google-Ranking auftauchen. Das heißt, auch ohne tagesaktuelles Geheimwissen über den Google-Algorithmus, den nur Google-Mitarbeiter kennen, wissen wir, welche Inhalte Google zu bestimmten Fragestellungen und Absichten bevorzugt auf die erste Seite kuratiert. 

Was wir dabei erfahren, ist etwas sehr Wertvolles. Wir verzichten bewusst darauf, die Fragen der SEO-Spezialisten zu beantworten, warum Google etwas auf die Bestenliste hievt und konzentrieren uns stattdessen darauf, herauszufinden, wie etwas beschaffen sein muss, um ganz nach oben zu kommen. Dieses gesamte Verfahren lässt sich in all seiner Komplexität vereinfacht beschreiben als Best-Practice-Studie. Dieser Prozess ist wie alles im Internet ein dynamischer, und wir überführen die vielen Metriken aus dieser automatisierten Studie in den branchen- und themenspezifischen Idealfall eines prototypischen Artikels. Wir nennen ihn das Dynamic-Metrics-Template. 

Dieser automatisiert erzeugte Prototyp hat eine weite Reise hinter sich. Er basiert auf der unbeeinflussten Analyse des Nutzerverhaltens der Menschen im Netz und Beobachtung der Fragestellungen im tatsächlichen Sprachgebrauch. Im Anschluss beobachten wir Google dabei, wie es diese Fragen beantworten würde (oder korrekter: welche Antworten im Netz es für besonders geeignet hält). Daraus entwickelt unsere KI ein Dossier zum Thema, das nach einer Struktur- und Inhaltsanalyse in einen prototypischen Artikel überführt wird, der die Ergebnisse aller aktuellen Metriken für einen erfolgreichen Artikel berücksichtigt. All diese Dinge geschehen in Sekundenschnelle. Sie ersetzen die monotone Arbeit eines Redakteurs, ausgestattet mit den modernsten Mitteln und Methoden des Content Marketings, für die er heute einige Stunden aufwenden muss – wobei es ihm nicht möglich ist, alle genannten Punkte annähernd vollständig zu erfassen.

KARLINDER, übernehmen Sie!

Ab hier übernehmen die Gesundheitsexperten in der Redaktion von KARLINDER. Denn es ist nicht so, dass unsere KI ein ausgeprägtes Schreibtalent hat. Es ist uns auch keine künstliche Intelligenz bekannt, die das kann, was einen echten Autor auszeichnet. Künstliche Intelligenzen können heute schon recht versiert aus Textbausteinen Geschäftsberichte schreiben, und auch die schablonenhafte Sprache der Spielberichterstattung im Sport beherrschen einige Robo-Reporter schon verblüffend gut. Sie überführen einen wohldefinierten Datensatz und klare Kausalzusammenhänge in Texte. Das lässt sich in der Tat schon ordentlich mit überzeugenden Ergebnissen automatisieren, ebenso wie das Erstellen tausender Produktbeschreibungen nach einem klaren Schema.

Während andere noch das richtige Thema erraten und dann recherchieren, ranken wir schon bei Google.

Aber für einen wirklich guten lesbaren Text brauchen wir nach wie vor menschliche Experten. Der Unterschied zum konventionellen Content-Marketing ist die Sicherheit, mit der unsere Redakteure Inhalte gezielt entwickeln können und wie viel weniger sie sich mit analytischen und Rechercheroutinen herumschlagen, während sie sich stattdessen auf die perfekte Markenpassung konzentrieren. 

Es ist nun möglich, all die mühsame Fleißarbeit an unsere KI zu delegieren. In Sekundenschnelle kommt ein Dossier mit allen aus Sicht der Lebenssituation des Lesers wichtigen verwertbaren Fakten und Analysen auf den Tisch – gemeinsam mit einem Bauplan für die „Konstruktion“ des entsprechenden Artikels, dem dynamischen Template. 

Kurzum: Während anderswo noch das richtige Thema erraten und dann recherchiert wird, ranken wir schon.

Aber damit lassen wir unsere Redakteure noch lange nicht allein. Während sie ihre Artikel optimieren, arbeitet die KI im Hintergrund mit und errechnet einen Indexwert. Dieser Wert spiegelt das Vertrauen der Maschine in ein gutes Scoring bei Google und hilft mit konkreten Hinweisen auf inhaltliche oder strukturelle Elemente, die aus ihrer Sicht noch fehlen, zu oft vorkommen oder anders eingesetzt werden sollten.

Fazit

Content-Marketing hat eine neue Stufe erreicht. Unsere Redaktion kann sich auf validierte Modelle der Content-Entwicklung stützen und wird dabei massiv von künstlicher Intelligenz unterstützt. Dieses Modell beschleunigt die Entwicklung redaktioneller Inhalte auf eine Weise, die direkt in die Qualitätssicherung umgeschlagen werden kann. Auf diese Weise geschriebene Artikel stützen sich nicht nur auf erheblich mehr dynamische Erfolgsfaktoren als sonst möglich wäre – sie sind am Ende einfach besser geschrieben.

Strategisch betriebenes Content-Marketing wird auf der nächsthöheren Stufe endlich KI-betriebenes Content-Marketing Content Intelligence

avatar

IHR ANSPRECHPARTNER

Carsten Teller

Geschäftsführer Strategie

Carsten Teller ist vernarrt in Daten und ihre sinnstiftende Interpretation. Er ist außerdem Dozent für Content Marketing an der Universität Bremen.

Sie erreichen ihn unter:
+49 40 609 40 79 11
carsten@karlinder.com