Wähle unter „Auswahl" eine Konfiguration oder lege mit „+" eine neue an. — Webpage optimizing Statifier

Noch kein Lauf. Starte einen Klon über „Klonen" (in „Auswahl" oder „Konfiguration").

Content-Performance — welche Seiten funktionieren

Welche der eigenen, gecrawlten Seiten von den LLMs als Quelle zitiert werden (= wirken) — und welche nie. Sortiert nach Zitations-Gewicht.

Zitiert, aber im Crawl nicht erreicht

Oft zitieren die LLMs hier veraltete oder falsche URL-Pfade, die es so auf der Live-Seite nicht (mehr) gibt (z. B. ein altes Verzeichnis). Empfehlung: für diese Pfade 301-Redirects auf die heutige Seite einrichten, damit die KI-Zitate nicht ins Leere führen. (Eine URL kann auch fehlen, wenn der Crawl das Seiten-Limit erreicht hat.)

Themen-Abdeckung

Prominente Begriffe aus dem gecrawlten Text eurer Website und ob sie in den KI-Antworten über euch auftauchen. Lücken (auf der Seite stark, in Antworten „nie") stehen oben — Inhalt ist da, „landet" aber nicht.

Terminologie-Drift

Begriffe, die die KI häufig über euch verwendet, die aber auf eurer Website nicht vorkommen (z. B. Sprache/Wording-Unterschiede). Kandidaten, die ihr auf der Seite stärker verankern solltet — oder Fremdframing.

Werte ohne Website-Beleg

Konkrete Zahlen/Werte (Jahre, Mengen, %, ISO …) mit Fakt-Bezug in den Antworten, die im aktuellen Seitentext nicht auffindbar sind — möglicherweise veraltet, aus Drittquellen oder erfunden. Zu prüfen. (Ergänzt den semantischen Faktencheck um die Zahlen-Linse.)

Sichtbarkeitsanteil (Share) je Modell — wer pro LLM dominiert

Gewichteter Share of Model je Firma innerhalb der Antworten eines Modells — verteilt den Sichtbarkeits-„Kuchen" je Zeile auf die Firmen (positionsgewichtet). Bestwert je Modell hervorgehoben. Über alle Läufe.

Erwähnungsrate je Modell — wie oft jede Firma genannt wird (Heatmap)

Anteil der Antworten eines Modells, in denen die Firma überhaupt vorkommt (je Zelle unabhängig, 0–100 % — summiert sich nicht auf 100 %). Dunkler = häufiger genannt. Über alle Läufe.

Divergenz-Spotlight

Prompts, bei denen die Modelle bei der eigenen Firma am stärksten auseinandergehen (ein Modell nennt/empfiehlt sie, ein anderes nicht).

Share der gewählten Firma je Modell über die Läufe — zeigt, wie sich die Sichtbarkeit pro Modell entwickelt.

Token-Verbrauch im Zeitverlauf (je Modell)

Summe der verbrauchten Tokens (Eingabe + Ausgabe) je Modell über die Läufe. Wird ab dem nächsten Lauf erfasst.

Antwortzeit im Zeitverlauf (je Modell)

Ø Antwortzeit eines LLM-Abrufs (in Millisekunden) je Modell über die Läufe. Wird ab dem nächsten Lauf erfasst.

Antwortlänge im Zeitverlauf (je Modell)

Ø Länge der LLM-Antwort (in Zeichen) je Modell über die Läufe — zeigt, wie ausführlich ein Modell antwortet.

Welche Firma/Domain bei welchem Prompt am besten performt (Share innerhalb des Prompts, über alle Läufe & Modelle). Getrennt nach Prompts mit/ohne Firmennennung im Prompt-Text. Bestwert je Zeile hervorgehoben.

Blind Spots / Opportunity-Prompts

Prompts, in denen die eigene Firma nie auftaucht. Oben mit Priorität: Prompts, bei denen Mitbewerber erscheinen (= echte Verluste), darunter Prompts, bei denen niemand genannt wird (= unbesetzte Chancen). Klick auf eine Zeile zeigt die Antworten.

Das LLM gruppiert die Prompts in Themen-Cluster (selbst entdeckte Labels, unabhängig von den Kategorien). Die Karte zeigt je Cluster die Präsenz der eigenen Firma: x = Share %, y = Erwähnung %, Blasengröße = Anzahl Prompts. Unten links = Themen-Lücken (viele Prompts, wenig Präsenz).

Auswertung nach Keyword

Die 30 häufigsten Keywords aus den Prompt-Texten (den Fragen) — je Firma ausgewertet über die Prompts, in deren Antworten die Firma genannt wird. Der Balken zeigt je Firmendomain, in wie viel Prozent ihrer eigenen „Nennungs-Prompts" das Keyword im Prompt vorkommt. Wichtig: Jede Spalte hat eine eigene Bezugsgröße (nur die Prompts, in denen genau diese Firma genannt wird — siehe „(N Prompts)" in der Legende). Die Balken sind daher nicht untereinander als „wer wird häufiger genannt" vergleichbar, und ein längerer Balken bedeutet nicht mehr absolute Nennungen. Beispiel: „koblenz" mit 100 % bei hs-koblenz heißt nur: In allen Prompts mit hs-koblenz-Nennung kommt das Wort „koblenz" vor — nicht, dass hs-koblenz öfter genannt wird als ein Wettbewerber mit kürzerem Balken. Das „×N" ist die Gesamtsumme über alle Firmen (nur zur Sortierung; absolute Zahlen je Zelle im Tooltip).

Keyword-Lücken je Domain

Pro Firmendomain die häufigsten 30 Keywords, die sie selbst NICHT besetzt, die aber bei mindestens einer anderen Firma vorkommen (Tooltip: welche). Zahl = Vorkommen bei den anderen.

Welche Anbieter/Wettbewerber werden in den LLM-Antworten genannt — auch solche, die nicht als Firma angelegt sind? So wird sichtbar, wer den Markt dominiert. Erkennung per LLM (opt-in/kostenpflichtig), Zählung exakt im Text. Bezieht sich auf den jüngsten Lauf.

Zugeschriebene Attribute (letzter Durchlauf)

Welche Eigenschaften die LLMs den Firmen zuschreiben (Häufigkeit · Tonalität).

Tonalitäts-Verteilung

Wie viele Attribut-Nennungen je Firma negativ / neutral / positiv ausfallen (letzter Durchlauf). Zeigt Polarisierung: viel Rot und Grün = umstrittenes Markenbild, statt einer trügerischen „neutralen" Durchschnittsnote.

Belegte Firmenseiten bei zugeschriebenen Eigenschaften

URLs der angelegten Firmendomains, die als Quelle zitiert werden, wenn die KI einer Firma eine Eigenschaft zuschreibt — also welche eigenen/Wettbewerber-Seiten die Attribut-Darstellung „belegen". Klick öffnet die Vorschau.

Aus der flachen Attributliste eine priorisierte Karte: Salienz (Anteil der Antworten, in denen das Attribut der Marke zugeschrieben wird) × Sentiment (negativ ↔ positiv). Der Brandherd (oft genannt und negativ) trennt sich sichtbar von der Randnotiz. Punktgröße = Belege; Median-Linie = relative Salienz-Trennung (Bänder, keine Grenzen).

Salienz über die Läufe — wandert ein Attribut Richtung Zentrum oder Rand?

Anteil der Antworten mit dem jeweiligen Attribut je Lauf (die salientesten Attribute der gewählten Firma). Steigend = wird zentraler; fallend = wird zur Randnotiz. Braucht mehrere Läufe.

Attribut-Gap

Eigenschaften, die die KI Mitbewerbern positiv zuschreibt, der eigenen Firma aber nicht (links) — und unsere eigenen, von Mitbewerbern nicht besetzten Stärken (rechts). Messaging-To-do: die linken Begriffe gezielt besetzen.

Empfehlungsgründe

Warum empfiehlt die KI? Kriterien, die der Judge als Empfehlungsgrund je Firma erkennt (über alle Läufe). Zeigt, auf welchen Achsen welche Firma punktet — grün = Spitzenreiter je Kriterium.

Empfohlen für (Use-Cases / Szenarien)

Für welche Szenarien/Segmente die KI eine Firma empfiehlt (Anfänger, Enterprise, Budget, Hochdurchsatz …). Zeigt, wo welche Firma als passend dargestellt wird — grün = Spitzenreiter je Szenario.

Talking-Points & Provenienz (je Firma)

Wiederkehrende Kernaussagen, die die KI über jede Firma trifft (eigene ★ zuerst, dann Mitbewerber) — sortiert nach Häufigkeit, mit den Modellen, die sie äußern, und den in denselben Antworten zitierten Quell-Domains (worauf sich die Aussage stützt).

Häufigste negativ bewertete Attribute je Firma (über alle Läufe), vom LLM-Judge aus den Antworten abgeleitet. Klick auf ein Attribut zeigt die Antworten, aus denen die Kritik stammt.

Belegte Firmenseiten in kritischen Antworten

URLs der angelegten Firmendomains, die als Quelle zitiert werden, wenn in einer Antwort Kritik (negativ bewertete Eigenschaft) geäußert wird — also welche eigenen/Wettbewerber-Seiten eine kritische Darstellung „belegen". Klick öffnet die Vorschau.

Zitierte Quellen je Kritikpunkt

Alle in den Antworten zitierten Quellen (eigene · Wettbewerber · Drittquellen) — je Kritikpunkt aufgeschlüsselt, damit man die Belege ohne Klick auf einen Einzeleintrag sieht. Klick auf eine URL öffnet die Vorschau.

Paarweiser Quellen-Vergleich

Direkt gegenübergestellt: über welche Quellen werden die eigene Marke und ein ausgewählter Wettbewerber genannt/verlinkt? Geteilte Quellen (nennen beide), nur eigene (euer Vorsprung) und nur Wettbewerber (die Citation-Gap-Kandidaten zum Aufholen). Zuordnung und Gewicht (positionsgewichtet) wie im Reiter „Quellen". Quellen entstehen v. a. bei Läufen mit Grounding.

Domain-Verweise je LLM

Wie oft jedes Modell per URL auf die Domain einer angelegten Firma verweist (über alle Läufe). Eigene Firma ★ ist hervorgehoben. Eine Zelle = Anzahl der URL-Verweise dieses Modells auf diese Firmendomain.

Quellen

Je Firma ein Tab mit den Quellen, die ihre Aussagen stützen (über alle Läufe). Gewicht = positionsgewichtet: weiter oben im Antworttext zählt mehr (oben ≈ 1,0, unten ≈ 0,1; nur als Grounding-Citation ohne Textstelle = 0,1). Eine Quelle gehört zu einer Firma, wenn die Firma in der Antwort oder im Prompt genannt wird. „eigene Seite" markiert die eigene Domain. URLs, die auch bei Mitbewerbern auftauchen, sind mit deren Anzahl markiert. Klick auf eine Quelle → Textstellen. Quellen entstehen v. a. bei Läufen mit „Web-Quellen (Grounding)".

Quell-Typ-Mix

Worauf sich die Nennungen je Firma stützen: eigene Seite, Mitbewerber-Seiten, Referenz/Wikipedia, Fachpresse, Verzeichnisse, Community oder sonstige Drittquellen. Viel „eigene Seite" = wir tragen uns vor allem selbst; viele unabhängige Quellen = stabilere Sichtbarkeit. (Typisierung heuristisch.)

Citation-Gap

Domains, die Mitbewerber als Quelle stützen, die eigene Firma aber nicht — eine Prioritätenliste für GEO/PR. „Drittquelle" = unabhängige Domain (am wertvollsten als Ziel); sonst gehört die Domain einem Mitbewerber.

Aussagen, die KI-Systeme über die eigene Firma treffen, geprüft gegen die hinterlegten Fakten (unter Projekt → Faktencheck).

⚠ Widersprüche (mögliche Falschbehauptungen)

Nicht durch Fakten belegbar

Jede fragwürdige Aussage nach Häufigkeit (wie oft über Läufe/Modelle) und Schadensausmaß für die Reputation. Ohne KI-Bewertung dient das Prüf-Urteil als Baseline (Widerspruch = hoch). Punktgröße = Belege.

HTML-/Inhalts-Änderungen je Firmendomain

Seiten, deren Inhalt sich auf HTML-Ebene geändert hat (~geändert) bzw. die neu hinzukamen — je Firmendomain über die Läufe (Erkennung per Inhalts-Hash beim Crawl). Zähler je Lauf; Klick auf eine Seite öffnet die Vorschau mit dem Inhalts-Diff (Tab „Änderungen").

Änderungen (IP / Geolocation / Sitemap / Bot-Blockade)

Unterschiede zwischen aufeinanderfolgenden Checks je Domain.

Wettbewerber-Content-Änderungen

Wie viele Inhalte sich je Firma im jüngsten Crawl gegenüber dem vorherigen geändert haben (geänderte + neue Seiten). Mit „Zusammenfassen" wird daraus per LLM eine inhaltliche Zusammenfassung erstellt (neue Produkte/Botschaften/Personen/Events) — kostet einen LLM-Aufruf (nur auf Klick) und wird gespeichert.

Gespeicherte Zusammenfassungen

Themen-Verlauf — Entwicklung wichtiger Content-Themen

Wie sich ausgewählte Inhalts-Themen je Firmendomain über die Crawls (Zeit) entwickeln — gezählt werden Seiten je Thema (kumulierter Website-Stand zum jeweiligen Lauf). Themen entsprechen den Board-Textfiltern: Autor/Autorenangabe, Jobs/Karriere, Blog/News und Über uns/Team. Je Thema ein Diagramm, eine Linie pro Firma (★ = eigene).

Neue Seiten

Seiten, die gegenüber dem vorherigen Lauf neu hinzugekommen sind. Klick auf eine URL zeigt den gespeicherten Text.

Geänderte Seiten

Seiten der Firmen-Domains, die sich gegenüber dem vorherigen Lauf geändert haben. Klick auf eine URL zeigt die Vorschau und springt direkt in die Änderungsansicht.

Gelöschte Seiten

Seiten, die im jüngsten Crawl ihrer Domain nicht mehr gefunden wurden (früher erfasst, jetzt verschwunden bzw. nicht mehr verlinkt). Erscheint erst, wenn eine Domain mindestens zweimal gecrawlt wurde (bei nur einem Crawl ist eine Löschung nicht feststellbar); Läufe, die ins Seiten-Limit liefen, zählen dafür nicht. Klick auf eine URL zeigt den zuletzt gespeicherten Stand.

Die gecrawlte Struktur der angelegten Domains — nach URL-Pfad ausklappbar. ★ zitiert markiert Seiten, die von LLMs als Quelle genannt werden. Ein Klick auf einen Seiten-Link öffnet die Seiten-Vorschau rechts (Strg/Cmd-Klick = neuer Browser-Tab); der vollständige Link erscheint als Tooltip.

Inhalts-Dubletten (inhaltsgleiche Seiten — Kannibalisierungsrisiko)

Seiten der gecrawlten Domains mit identischem sichtbaren Inhalt (gleicher Text aus dem Crawl), aber unterschiedlicher URL. Solche Dubletten konkurrieren um dieselbe Suchabsicht und verwässern Rankings/Zitate. Dies ist die reine Crawl-Sicht — dieselbe Information wie unter „Tracking → Synergie → Kannibalisierung", aber ohne Besuchs-/Zitatdaten.

Defekte interne Links (Fehler-/Weiterleitungsziele nach eingehenden Links)

Interne Verlinkungen, die auf Fehlerseiten (4xx) oder Weiterleitungen (3xx) zeigen — sortiert nach Zahl der eingehenden internen Links. Ein defektes Ziel mit vielen Quellen steckt fast immer in einer Vorlage (Navigation/Footer) und ist damit ein systematischer, seitenweiter Bruch. Die Inlink-Zählung defekter Ziele wird beim Crawl gefüllt (ab dem nächsten Lauf); bis dahin zeigt „Erstes Vorkommen" die Fundstelle.

Verlinkungs-Audit

Automatisch markierte interne Links aus dem Crawl: TYPO3-Roh-IDs (?id=123 statt sprechender URL), index.php-Adressen und unverschlüsselte http://-Links auf die eigene Domain. Je Befund die Quell-Seite, auf der der Link steht. Erfasst sind Links, deren Ziel selbst gecrawlt wurde.

Link-Herkunft (wer verlinkt auf diese URL?)

URL oder Teilstring eingeben (z. B. ?id=6060) — zeigt alle gecrawlten Seiten, die intern darauf verlinken.

Klicktiefe / Erreichbarkeit

Wie viele Seiten sind in wie vielen Klicks von der Startseite erreichbar (kürzester Weg über die internen Links) — je Domain. Flache Werte (viel in 1–2 Klicks erreichbar) = gute Auffindbarkeit für Nutzer und Crawler; tief vergrabene Seiten werden seltener gefunden. Erfasst sind Links, deren Ziel selbst gecrawlt wurde; Seiten ohne Klickpfad zählen als „nicht erreichbar".

Themen je Klicktiefe — welche Top-Themen dominieren welche Ebene

Die Top-10-Themen der erreichbaren Seiten (df-gefilterte Inhalts-Keywords) und auf welcher Klicktiefe-Ebene sie sich häufen. So wird sichtbar, ob wichtige Themen tief vergraben (viele Klicks) oder gut auffindbar (nah an der Startseite) sind. Domain mit internen Link-Daten (bevorzugt die eigene).

Performance — problematische Seiten

Seiten mit schlechter Ladegeschwindigkeit (TTFB / Gesamtladezeit / Größe), dazu der Ladecheck von robots.txt und sitemap.xml. orange = langsam, rot = kritisch. Seiten-Metriken stammen aus dem letzten Crawl.

Domain-Check (neuester Stand)

Pro Durchlauf geprüft: Blockieren die hinterlegten Domains LLM-Crawler (robots.txt)? Plus IP, Geolocation und Sitemap-Umfang.

Strukturierte Daten (schema.org) — eigene Firma vs. Wettbewerb

Abdeckung mit strukturierten Auszeichnungen (JSON-LD, Microdata, RDFa) und Social-Meta (OpenGraph/Twitter) je Firmendomain. Strukturierte Daten helfen LLMs und Suchmaschinen, Inhalte und Entitäten zu verstehen — ein direkter GEO/AEO-Hebel. (ab dem nächsten Crawl)

HTML-Kommentare

Die im HTML der gecrawlten Seiten gefundenen <!-- Kommentare --> des jüngsten Laufs — gruppiert und grob klassifiziert (CMS/Template, Entwickler-Notiz, Tracking, mögliche Leaks, auskommentiertes Markup). Hilfreich, um versteckte Hinweise, Build-/CMS-Spuren oder unbeabsichtigt offengelegte Infos zu bewerten. Klick auf eine URL zeigt den gespeicherten Seitentext.

Crawl-Verlauf je Firmendomain

Gecrawlte Seiten je Lauf über die Zeit — pro Firmendomain getrennt: geladene Seiten (Linie, rechte Achse) sowie geänderte und fehlerhafte Seiten (Balken, linke Achse).

Website-Änderungen vs. KI-Monitoring — je Firmendomain

Geänderte Seiten je Lauf (Balken) im Vergleich zum Health-Index (Linie) — pro Firmendomain getrennt: zeigt, ob Änderungen an der jeweiligen Website mit Schwankungen im Monitoring zusammenfallen.

Geänderte zitierte URLs (ggü. vorherigem Crawl)

Von LLMs zitierte URLs, deren Seiteninhalt sich seit dem vorherigen Crawl geändert hat — gruppiert nach Prompt. So siehst du, hinter welchen für einen Prompt zitierten Quellen sich der Inhalt bewegt hat. Klick auf eine URL zeigt den aktuell gecrawlten Text. (Erscheint erst ab dem zweiten Crawl — es braucht einen Vorlauf zum Vergleich.)

Competitive URLs

Antworten, in denen Quell-Links von mehreren angelegten Firmen zusammen zitiert werden — dort stehen ihre Websites in derselben Erwähnung in direkter Konkurrenz. Klick auf eine Zeile zeigt die Antwort/Textstelle.

Themen-Vergleich zweier Domains

Welche Themen in welchen Bereichen der Website behandelt werden — zwei Domains nebeneinander. Zeilen = stärkste Themen (Keywords, Füllwörter & Markup bereinigt), Spalten = Website-Bereiche (erstes URL-Pfadsegment). Die Zellintensität zeigt, wie viele Seiten eines Bereichs ein Thema behandeln — so wird sichtbar, wo und in welchem Umfang sich zwei Domains mit einem Thema beschäftigen.

Wie auswechselbar wird die eigene Marke gegen jeden angelegten Wettbewerber wahrgenommen — und auf welche Bewertungsachsen müsste man ausweichen, damit beide möglichst nicht mehr direkt vergleichbar sind? Der Substituierbarkeits-Index (0–100) kommt aus messbaren Signalen der KI-Antworten: Ko-Empfehlung (beide im selben Prompt empfohlen), Ko-Nennung sowie Überlappung von Attributen, Use-Cases und Empfehlungsgründen. Darauf schlägt die Analyse Fluchtachsen vor.

Begriffe rund um die Firma, eingeordnet nach Selbstbild (kommt im gecrawlten Text der eigenen Website vor) und Fremdbild (von den LLMs zugeschrieben). Heuristischer Begriffsabgleich — als Analyse-Impuls, nicht als exakte Messung.

Marktsignale (kanonisch in LLM)

Diese Befunde sind die direkte Beobachtung einer Quelle (LLM-Antworten) und bleiben daher in der LLM-Säule. Direktsprung:

Verdichtet die Content-Befunde zu einer Strategie: problematische Inhalte, fehlende Inhalte und Seiten, die bei der Konkurrenz wirken, bei euch aber nicht — obwohl vorhanden.

Eine Ebene über den Detailfragen: Welches grundsätzliche Problem der Zielgruppe löst das Angebot — warum braucht man es überhaupt? Verdichtet aus dem Selbstbild (Website-Text) und dem Fremdbild/Narrativ (was die KI-Antworten dem Angebot zuschreiben: Use-Cases, Empfehlungsgründe, Attribute). Der Abgleich zeigt, ob sich beides deckt — und ob der Kernnutzen auf die Website-Ziele einzahlt.

Wie viel des Seitentextes spricht über den Anbieter/das Produkt (Selbstdarstellung) und wie viel über die Zielgruppe und ihr Problem (direkte Ansprache, Nutzen, Leserfragen)? Deterministisch über alle gecrawlten Seiten der gewählten Domain (eigene oder Wettbewerber; Absatz-Signale), optional mit LLM-Feinschliff für die auffälligsten Seiten. Ein hoher Anbieter-Anteil bei niedrigem Zielgruppen-Anteil ist ein Hinweis, Inhalte kundenzentrierter umzuschreiben.

Was funktioniert am besten

Die in KI-Antworten zitierten Fremdquellen nach Art der Seite klassifiziert — und je Art die Wirkung: Wie oft ist die eigene Marke präsent bzw. empfohlen, wenn eine Quelle dieser Art zitiert wird, verglichen mit den Wettbewerbern? Lücke > 0 = die Konkurrenz taucht dort häufiger auf als ihr (Chancen-Feld).

Outreach-Ziele

Fremd-Domains, auf denen Wettbewerber zitiert werden, ihr aber fehlt — sortiert nach Backlink-Potenzial. Wo der Quellen-Crawl (Reiter „Quellen-Crawl") gelaufen ist, kommen Beitrags-Zuschnitt, Autor-Präsenz und bestehende Backlinks dazu. Das sind die Kandidaten für Gast-/Fachartikel mit Verweis auf die eigene Domain.

Sucht per Websuche nach Publikationen/Medien in eurer Nische, die noch nicht im Korpus vorkommen und sich für einen Gastartikel mit Backlink eignen. Wichtig: Das sind vom Modell recherchierte Vorschläge — vor jedem Outreach die Domain und Eignung selbst prüfen.

Die Klammer über den Einzel-Analysen: verdichtet die verstreuten Handlungsempfehlungen zu einer nach Wirkung × Aufwand sortierten Liste. Grundlage sind deterministische Signale (Content-Strategie, Quellen-Chancen, Seiten-Funnel) sowie — soweit erzeugt — Zielerreichung, Substituierbarkeit, Problem & Lösung und Quellen-Neuentdeckung. Fehlen einzelne Analysen, wird der Plan trotzdem erstellt (dann gröber). Opt-in/kostenpflichtig, je Projekt gespeichert.

Nimmt die unter Projekt → Website-Ziele hinterlegten Ziele und leitet je Ziel ab, was die Website braucht, um sie zu erreichen — getrennt nach Struktur (Informationsarchitektur, Navigation, Seitenzuschnitt, interne Verlinkung, Auffindbarkeit für KI-Crawler) und Inhalt (fehlende oder schwache Themen, Texttiefe, Belege, Zielgruppenansprache). Grundlage sind dieselben erhobenen Daten wie beim Vorschlagen der Ziele.

LLM-synthetisierte SWOT, geerdet auf die Monitoring-Signale (Attribute, Kritik, Attribut-Gap, Blind Spots, Kennzahlen, extern belegte Kritik). Wird on-demand erzeugt und gespeichert — kein Modell-Aufruf beim bloßen Öffnen. Stärken/Schwächen = intern, Chancen/Risiken = extern.

Outbound je Seite

Von welcher Ausstiegsseite aus auf welche externen Ziele geklickt wird.

Wahrnehmung (Content Awareness)

Event-Tracking

Definiere Events direkt in der Board-Vorschau: Besucher-Analyse öffnen, eine Seite in der Vorschau öffnen, oben das Ziel-Icon (◎ Event) anklicken, dann über das gewünschte Element fahren und es anklicken — eine Bezeichnung eingeben, fertig. Erfasst werden Ansicht und Klick; daraus ergibt sich die Conversion-Rate.

Automatische Zugriffe, klassifiziert nach Zweck. KI-Crawler sind für GEO/AEO besonders relevant.

Aufrufe je Zweck-Kategorie

Besucher-Segmente

Gruppiere Besucher anhand beliebig vieler Bedingungen: welche Seite aufgerufen wurde (per Text/RegExp), welches Event erreicht wurde (Ansicht/Klick) und über welche Quelle/Parameter der Besuch kam. Verknüpfung wahlweise mit UND (alle) oder ODER (beliebige).

404 / fehlerhafte Seitenaufrufe

Getrackte Aufrufe von URLs, die nicht als gecrawlte Seite (Status 200) existieren — typischerweise 404 durch kaputte Links oder Probe-Bots. Heuristik anhand des aktuellen Crawls. Hinweis: rein JS-getrackt — Probe-Bots ohne JavaScript erscheinen hier nicht.

Seiten-Funnel (Crawler × LLM × Tracking)

Pro Seite kombiniert: ist sie gecrawlt, wird sie von einem LLM zitiert, wie viel Traffic bringt sie und wie viele Events. So werden Brüche in der Kette sichtbar, die einzelne Tools nicht zeigen.

Kannibalisierung (inhaltsgleiche Seiten × Traffic)

Seiten mit identischem Inhalt (gleicher Text aus dem Crawl) — und welche der Dubletten den Traffic, die LLM-Zitate und Conversions abbekommt. So wird sichtbar, welche Kopie „gewinnt" und welche nur Aufwand ist.

Technik × Verhalten

Technische Crawl-Signale (Ladezeit/TTFB, Mixed-Content, Consent-Wall, Bot-Challenge) gegen reales Besucherverhalten (Verweildauer, Scrolltiefe). Bremst die Technik das Verhalten messbar?

Seiten (Technik + Verhalten)

Tracking & Crawler

Seiten, die besucht wurden, aber vom Crawler nicht erfasst sind — diese Differenz deckt versteckte Einstiege, Kampagnen-Landingpages oder verwaiste Seiten auf. Ist eine solche Seite zudem von einem LLM zitiert, ist sie besonders relevant.