Was ein Keyword-Clustering-Beispiel tatsächlich zeigt
Die meisten Erklärungen zum Keyword-Clustering zeigen Ihnen ein Diagramm: einen Kreis in der Mitte und ein paar Linien, die zu verwandten Begriffen abzweigen. Das ist zum Verständnis des Konzepts in Ordnung, beantwortet aber nicht die Frage, die die Leute tatsächlich haben, nämlich: "Wie sieht das mit meinen Keywords, auf meiner Website aus, bevor ich einen ganzen Schreibtag dafür einplane?"
Dieser Artikel verzichtet auf das Diagramm und zeigt stattdessen die eigentliche Arbeit. Nachfolgend finden Sie sieben Vorher-Nachher-Beispiele: auf der einen Seite eine echte, unsortierte Keyword-Liste, auf der anderen das fertige Cluster und der Pillar-und-Spoke-Plan. Jedes stammt aus einer anderen Nische (E-Commerce, SaaS, lokaler Dienstleister, Content-Website), sodass Sie das Muster finden, das Ihrer eigenen Liste am nächsten kommt, und die Logik direkt übernehmen können.
Wenn Sie das lieber sofort mit Ihrer eigenen Liste ausprobieren möchten, statt zuerst sieben Beispiele zu lesen: Das Keyword-Clustering-Tool von Murkuz übernimmt die Gruppierung kostenlos, direkt im Browser, ohne Anmeldung. Kommen Sie danach zu diesen Beispielen zurück, um zu überprüfen, was das Tool Ihnen geliefert hat.
Beispiel 1: E-Commerce-Produktseite (Laufschuhe)
Vorher (Rohliste, 9 Keywords):
best running shoes for flat feet
running shoes for overpronation
best shoes for flat feet running
running shoes flat feet reviews
best running shoes 2026
top running shoes this year
running shoe reviews
best shoes for marathon training
marathon training shoe guide
Nach dem Clustering:
| Cluster | Keywords | Seite |
|---|---|---|
| Plattfüße / Überpronation | best running shoes for flat feet, running shoes for overpronation, best shoes for flat feet running, running shoes flat feet reviews | Pillar: "Best Running Shoes for Flat Feet" |
| Allgemeine Bestenlisten, aktuelles Jahr | best running shoes 2026, top running shoes this year, running shoe reviews | Pillar: "Best Running Shoes 2026" |
| Marathon-Training | best shoes for marathon training, marathon training shoe guide | Spoke, verlinkt auf den 2026-Pillar |
Warum die Trennung wichtig ist: "best running shoes for flat feet" und "best running shoes 2026" sehen so aus, als könnten sie sich eine Seite teilen, denn beide sind "best running shoes"-Suchanfragen. Doch die Suchintention ist unterschiedlich. Die eine Person hat eine Fußfehlstellung und braucht eine konkrete Empfehlung; die andere will eine allgemeine Übersicht für das laufende Jahr. Führt man sie zusammen, entsteht eine Seite, die keine der beiden Fragen gut beantwortet, und das ist der mit Abstand häufigste Clustering-Fehler auf E-Commerce-Websites.
Beispiel 2: SaaS-Blog (Projektmanagement-Software)
Vorher (Rohliste, 8 Keywords):
project management software for small teams
best pm tool for small business
project management tool small team
pm software for startups
project management software comparison
best project management software 2026
gantt chart software
free gantt chart tool
Nach dem Clustering:
| Cluster | Keywords | Seite |
|---|---|---|
| PM-Software für kleine Teams / Startups | project management software for small teams, best pm tool for small business, project management tool small team, pm software for startups | Pillar: "Best Project Management Software for Small Teams" |
| Allgemeiner Vergleich, aktuelles Jahr | project management software comparison, best project management software 2026 | Eigener Pillar (breiter, umkämpfter) |
| Gantt-Diagramme | gantt chart software, free gantt chart tool | Spoke, funktionsspezifisch, verlinkt auf den jeweils passenden Pillar |
Warum die Trennung wichtig ist: "small teams", "small business" und "startups" landen alle in einer Gruppe, weil sie denselben Käufer mit unterschiedlichen Worten beschreiben. Das ist ein Musterbeispiel dafür, was lexikalisches oder semantisches Clustering automatisch erkennen sollte. Aber "gantt chart software" ist eine funktionsbezogene Suche, keine Suche nach einem Käufersegment, und würde man sie in das Cluster für kleine Teams zwingen, würde das beide verwässern. Funktions-Keywords verdienen meist einen eigenen Spoke, auch wenn ihr Suchvolumen kleiner ist.
Beispiel 3: Lokaler Dienstleister (HVAC-Betrieb)
Vorher (Rohliste, 7 Keywords):
ac repair near me
emergency ac repair
air conditioning repair cost
how much does ac repair cost
furnace repair
furnace not working
hvac maintenance plan
Nach dem Clustering:
| Cluster | Keywords | Seite |
|---|---|---|
| Klimaanlagen-Reparatur (Service + Dringlichkeit) | ac repair near me, emergency ac repair | Pillar: "AC Repair" (Serviceseite) |
| Kosten der Klimaanlagen-Reparatur (informational) | air conditioning repair cost, how much does ac repair cost | Spoke: "How Much Does AC Repair Cost?" Blogbeitrag, verlinkt auf die Serviceseite |
| Heizungsprobleme | furnace repair, furnace not working | Eigener Pillar: "Furnace Repair" (anderes Gerät, andere Seite) |
| Wartung | hvac maintenance plan | Eigene Seite, andere Intention (wiederkehrender Plan vs. einmalige Reparatur) |
Warum die Trennung wichtig ist: Das ist der eindeutigste Fall einer Intentions-Trennung innerhalb einer Überschneidung bei einem einzelnen Wort. Jedes Keyword hier enthält "repair" oder "hvac", sodass ein rein lexikalisches Tool ohne menschliche Prüfung bereitwillig alle sieben in ein Cluster stopfen würde. Aber "ac repair near me" ist transaktional (jetzt anrufen), während "how much does ac repair cost" informational ist (recherchieren, bevor man anruft), und beide brauchen unterschiedliche Seiten: eine auf Conversion optimierte Serviceseite und einen Blogbeitrag, der auf die Kostenfrage optimiert ist und auf die Serviceseite verlinkt. Akzeptieren Sie ein Cluster niemals allein aufgrund von Wortüberschneidungen; prüfen Sie, ob die Intention wirklich übereinstimmt.
Beispiel 4: Content-Website (Privatfinanzen)
Vorher (Rohliste, 10 Keywords):
how to build an emergency fund
emergency fund calculator
how much should be in an emergency fund
emergency savings account
best high yield savings account
high yield savings account rates
compound interest calculator
how does compound interest work
budgeting apps
best budgeting app 2026
Nach dem Clustering:
| Cluster | Keywords | Seite |
|---|---|---|
| Notgroschen | how to build an emergency fund, emergency fund calculator, how much should be in an emergency fund, emergency savings account | Pillar: "How to Build an Emergency Fund" |
| Hochverzinste Sparkonten | best high yield savings account, high yield savings account rates | Spoke: vergleichsorientiert, kommerzielle Intention |
| Zinseszins | compound interest calculator, how does compound interest work | Eigener Spoke, rein informativ |
| Budgeting-Apps | budgeting apps, best budgeting app 2026 | Eigener Spoke, Produktvergleichs-Intention |
Warum die Trennung wichtig ist: Das ist das klassische Muster "großes Thema, vier Unterintentionen". Eine neuere Website ist versucht, eine einzige riesige "Grundlagen der Privatfinanzen"-Seite zu schreiben, die alle zehn Keywords abdeckt, aber jedes Cluster hat eine eigene Intention (eine Gewohnheit aufbauen, ein Produkt vergleichen, ein Konzept verstehen, Software bewerten). Vier fokussierte Seiten, verlinkt von einem Hub zu den Grundlagen der Privatfinanzen, schlagen eine einzelne Seite, die für alle vier ranken will.
Beispiel 5: B2B-SaaS (HR-Software) mit semantischer Überschneidung
Vorher (Rohliste, 8 Keywords):
employee onboarding software
new hire onboarding tool
staff onboarding platform
onboarding checklist template
employee offboarding process
offboarding checklist
hr software for startups
best hris for small business
Nach dem Clustering:
| Cluster | Keywords | Seite |
|---|---|---|
| Onboarding-Software (semantische Übereinstimmung) | employee onboarding software, new hire onboarding tool, staff onboarding platform | Pillar: "Employee Onboarding Software" |
| Onboarding-Vorlagen | onboarding checklist template | Spoke, anderes Content-Format (Vorlage, kein Software-Review) |
| Offboarding | employee offboarding process, offboarding checklist | Vollständig eigenes Cluster, entgegengesetzte Phase im Lebenszyklus |
| HR-Software (breit) | hr software for startups, best hris for small business | Eigener Pillar, breitere Kategorieseite |
Warum die Trennung wichtig ist: "employee onboarding software", "new hire onboarding tool" und "staff onboarding platform" teilen sich außer "onboarding" kaum ein Wort, genau der Fall, den ein lexikalisches Tool übersehen kann und den ein semantisches Tool erkennt, indem es nach Bedeutung statt nach Textübereinstimmung vorgeht. Ein rein wortbasierter Durchlauf könnte diese drei in getrennte Cluster verstreuen, obwohl sie eine einzige Seite sein sollten.
Beispiel 6: Rezept- / Food-Blog (Fall von Keyword-Kannibalisierung)
Vorher (Rohliste, und die Website hat BEREITS zwei Live-Seiten):
Bestehende Seite A: "easy banana bread recipe" (rankt auf Position 14)
Bestehende Seite B: "moist banana bread recipe" (rankt auf Position 22)
Keyword-Liste: easy banana bread recipe, simple banana bread recipe,
moist banana bread recipe, best banana bread recipe, banana bread recipe
Nach dem Clustering:
| Erkenntnis | Detail |
|---|---|
| Cluster | Alle fünf Keywords landen in einem Cluster; sie beschreiben dasselbe Gericht mit geringfügiger Variation in den Adjektiven |
| Problem | Zwei Live-Seiten zielen beide auf dieses eine Cluster: klassische Keyword-Kannibalisierung |
| Lösung | Auf eine einzige Seite mit dem Ziel "banana bread recipe" konsolidieren, die schwächere Seite (Position 22) per 301-Weiterleitung in die stärkere umleiten und die Autorität der zusammengeführten Seite bündeln lassen |
Warum dieses Beispiel anders ist: Die ersten fünf Beispiele zeigen Clustering VOR der Veröffentlichung. Dieses hier zeigt, warum Clustering auch NACH der Veröffentlichung noch wichtig ist, wenn zwei bestehende Seiten still und leise dasselbe Ranking untereinander aufteilen. Es ist das mit Abstand Häufigste, das ein Clustering-Durchlauf auf einer Website findet, die seit mehr als einem Jahr veröffentlicht: Niemand hat geplant, dass zwei Seiten konkurrieren, es ist einfach nach und nach passiert, weil verschiedene Autoren leicht unterschiedliche Formulierungen für dieselbe Suchintention gewählt haben.
Beispiel 7: Informations-Blog (How-to-Cluster mit klarem Pillar)
Vorher (Rohliste, 9 Keywords):
how to clean a cast iron skillet
cast iron skillet cleaning
how to season cast iron
seasoning cast iron pan
cast iron rust removal
how to remove rust from cast iron
best oil for cast iron
cast iron care guide
cast iron cooking tips
Nach dem Clustering:
| Cluster | Keywords | Seite |
|---|---|---|
| Reinigung | how to clean a cast iron skillet, cast iron skillet cleaning | Spoke |
| Einbrennen | how to season cast iron, seasoning cast iron pan, best oil for cast iron | Spoke |
| Rostentfernung | cast iron rust removal, how to remove rust from cast iron | Spoke |
| Pflege insgesamt (Pillar) | cast iron care guide, cast iron cooking tips | Pillar, verlinkt hinunter auf alle drei Spokes |
Warum die Trennung wichtig ist: Das ist die sauberste mögliche Cluster-Struktur, ein Pillar und drei eng abgegrenzte Spokes, weil die Keywords wirklich unterschiedliche Aufgaben beschreiben, auch wenn sie sich ein Überthema teilen. Wenn sich Ihr Cluster ganz natürlich in "die Übersicht" plus ein paar "wie erledige ich diese eine bestimmte Teilaufgabe"-Gruppen aufteilt, haben Sie eine echte Pillar-und-Spoke-Struktur gefunden und nicht bloß einen Haufen ähnlich klingender Keywords.
Das Muster in allen sieben Beispielen
Wenn Sie über diese sieben Beispiele zurückblicken, tauchen jedes Mal dieselben drei Prüfungen auf:
- Wortüberschneidung ist ein Ausgangspunkt, nicht die Antwort. Jede "Vorher"-Liste oben enthält Keywords, die sich Wörter teilen, sich aber trotzdem in verschiedene Cluster aufteilen (Plattfüße vs. 2026-Übersicht, ac repair vs. ac repair cost, Onboarding vs. Offboarding).
- Rein semantische Überschneidungen sind die, die lexikalische Tools übersehen. Beispiel 5 ist der Fall, auf den Sie achten sollten: Keywords, die dasselbe mit unterschiedlichen Worten beschreiben. Wenn sich ein Cluster "falsch" anfühlt, obwohl die Wörter offensichtlich nicht übereinstimmen, liegt es meist daran.
- Clustering ist nicht nur eine Übung vor der Veröffentlichung. Beispiel 6 zeigt dieselbe Logik, angewendet auf zwei Seiten, die bereits existieren und bereits konkurrieren. Führen Sie dieselbe Prüfung regelmäßig auch für Ihre veröffentlichten Inhalte durch, nicht nur für neue Keyword-Listen.
Wenn Sie das an Ihrem eigenen Keyword-Export ausprobieren möchten, fügen Sie ihn in das Keyword-Clustering-Tool ein: Es gruppiert lexikalisch direkt in Ihrem Browser (kostenlos, ohne Anmeldung, nichts wird an einen Server gesendet) und gibt Ihnen anschließend einen Pillar-und-Spoke-Plan zurück, den Sie mit den obigen Intentions-Prüfungen durchgehen können.
Häufig gestellte Fragen
Was ist ein Beispiel für Keyword-Clustering?
Ein einfaches Beispiel: "best running shoes for flat feet", "running shoes for overpronation" und "best shoes for flat feet running" landen alle in einer Gruppe, weil sie dieselbe Suche beschreiben (jemand mit Plattfüßen, der eine Schuhempfehlung sucht) und dafür unterschiedliche Formulierungen verwenden. Aus ihnen wird eine Seite statt drei.
Woran erkennen Sie, ob zwei Keywords in dasselbe Cluster gehören?
Prüfen Sie, ob derselbe Suchende mit derselben Seite zufrieden wäre. Wenn sich die Wörter überschneiden, das dahinterliegende Bedürfnis aber unterschiedlich ist (eine Reparatur gegenüber einer Frage nach den Reparaturkosten, ein Produkt-Review gegenüber einem Kaufratgeber), trennen Sie sie in getrennte Cluster, auch wenn sie auf dem Papier ähnlich aussehen.
Kann Keyword-Clustering Seiten reparieren, die bereits miteinander konkurrieren?
Ja. Einen Clustering-Durchlauf für Ihre bereits veröffentlichten URLs durchzuführen, nicht nur für eine frische Keyword-Liste, ist der Weg, um bereits eingetretene Kannibalisierung zu erkennen. Beispiel 6 oben geht genau diesen Fall durch: zwei Live-Seiten, die auf dasselbe Cluster zielen und beide dadurch schlechter abschneiden.
Brauche ich ein kostenpflichtiges Tool, um solche Ergebnisse zu sehen?
Nein. Jedes Cluster in diesem Artikel ist die Art von Gruppierung, die ein kostenloses lexikalisches Tool in Sekunden erzeugt. Die Ermessensentscheidungen (die Trennung nach Intention, das Erkennen rein semantischer Überschneidungen) prüfen Sie anschließend mit dem Auge, was Zeit kostet, kein Geld.
Wie viele Keywords ergeben ein gutes Cluster?
Es gibt keine feste Zahl; mehrere der obigen Beispiele nutzen nur zwei Keywords pro Cluster und rechtfertigen dennoch eine eigenständige Seite, weil Volumen und Intention spezifisch genug waren, um eine zu verdienen. Priorisieren Sie die Übereinstimmung der Intention über das Erreichen einer Zielanzahl von Keywords.
Machen Sie aus Ihrer eigenen Liste ein Cluster
Sieben Beispiele zu lesen ist nützlich, um Muster zu erkennen, aber der eigentliche Test ist Ihre eigene Keyword-Liste. Ziehen Sie Ihre Keywords aus der Search Console oder einem Recherche-Tool, fügen Sie sie in Murkuz' kostenloses Keyword-Clustering-Tool ein und wenden Sie dieselbe Intentions-Prüfung auf jede Gruppe an, die diese Beispiele durchgegangen sind.
Das Clustering selbst ist die Arbeit eines Nachmittags. Was sich über die Zeit wirklich summiert, ist das, was danach passiert: Ihre veröffentlichten Seiten im Blick zu behalten, damit ein Cluster, das am ersten Tag Sinn ergab, nicht achtzehn Monate später still und leise in zwei konkurrierende Seiten zerfällt, dieselbe Verschiebung, die Beispiel 6 oben gezeigt hat. Genau diese laufende Erkennung, nicht nur die anfängliche Gruppierung, ist das, wofür der Workflow von Murkuz gebaut ist. Wenn Sie Tarife vergleichen, zeigt die Preisseite, was in jeder Stufe enthalten ist.
Ich bin Junaid Khalid, Gründer von Ertiqah, dem Team hinter Murkuz. Ich habe SEO als ersten Wachstumskanal in jedem SaaS-Produkt aufgebaut, das ich entwickelt habe, und Keyword-Kannibalisierung durch ungeprüfte Cluster ist eines der häufigsten, am wenigsten beachteten Probleme, das ich auf gereiften Websites aufräumen musste. Diese Beispiele sind genau die Prüfungen, die ich verwende, bevor ich einem Cluster vertraue, ob tool-generiert oder nicht.
