JSON-LD & Schema.org Markup

Kompakt-Definition

JSON-LD (JavaScript Object Notation for Linked Data) ist das von Google und anderen Suchmaschinen empfohlene Skript-Format zur Implementierung strukturierter Daten nach dem Vokabular von Schema.org. Es übersetzt unstrukturierte Webseiten-Inhalte in eindeutige, maschinenlesbare Entitäten und deren Beziehungen (z. B. Organisationen, Personen, Produkte, Artikel oder FAQs), ohne in das sichtbare HTML-Markup einzugreifen.

Während menschliche Leser beim Blick auf eine Webseite sofort erkennen, ob es sich bei einer Zahl um einen Produktpreis, eine Artikelbewertung oder eine Postleitzahl handelt, müssen Crawler diesen Kontext aus dem HTML-Quelltext oft mühsam ableiten. Schema.org liefert hierfür das standardisierte Vokabular (die Begriffe und Eigenschaften), während JSON-LD das technische Transportformat bereitstellt, um diese Informationen gebündelt und entkoppelt vom sichtbaren Layout im <head> oder <body> einer Seite zu hinterlegen.

Warum JSON-LD gegenüber Microdata und RDFa der Standard ist

Strukturierte Daten lassen sich grundsätzlich auf drei Arten in ein HTML-Dokument einbinden. In der modernen technischen SEO-Praxis hat sich JSON-LD aus klaren Architektur-Gründen durchgesetzt:

KriteriumMicrodata / RDFa (Inline im HTML)JSON-LD (Skript-Block)
Code-ArchitekturDirekt in die sichtbaren HTML-Tags (<div>, <span>) verschachteltSauber gekapselter <script type="application/ld+json"> Block
FehleranfälligkeitHoch (Frontend-Relaunches oder CSS-Änderungen zerstören oft das Markup)Gering (unabhängig vom DOM-Baum und CSS-Klassen pflegbar)
Entitäts-VerknüpfungKomplexe Verschachtelungen schnell unübersichtlichEinfache Vernetzung über @graph und eindeutige @id-Knoten
Google-PräferenzWird weiterhin unterstütztOffiziell empfohlenes Format für alle Rich-Result-Typen

Vom isolierten Snippet zum vernetzten Entity-Graph (@id & sameAs)

Viele Websites nutzen Schema.org lediglich als Mittel zum Zweck, um kurzfristig optische SERP-Erweiterungen (Rich Results wie Sternebewertungen, Preise oder Breadcrumbs) freizuschalten. Der eigentliche strategische Hebel im Technical SEO liegt jedoch in der Disambiguierung (Eindeutigmachung) von Entitäten für den Knowledge Graph:

  • Eindeutige Knotenpunkte mit @id: Über feste URI-Referenzen (z. B. https://deinedomain.de/#organization oder #author) verknüpfst du Artikel, Autoren, Produkte und das Unternehmen zu einem zusammenhängenden Wissensgraphen statt unzusammenhängende Einzel-Snippets auszuspielen.
  • Entitäts-Abgleich über sameAs: Durch Verweise auf offizielle Profile (LinkedIn, Wikipedia, Wikidata, Handelsregister oder Chrome Web Store) bestätigst du Suchmaschinen zweifelsfrei, um welche reale Person oder Marke es sich handelt (ein starkes technisches Fundament für E-E-A-T).
  • Präzise Inhalts-Klassifizierung: Typen wie BlogPosting, TechArticle, SoftwareApplication oder DefinedTerm helfen Suchsystemen, die Funktion einer URL im Gesamtkontext der Domain sofort einzuordnen.

Welche Rolle spielt Schema.org für GEO und KI-Antwortsysteme?

Rund um Generative Engine Optimization (GEO) hält sich oft der Mythos, dass allein das Hinzufügen von JSON-LD-Markup eine Website automatisch in ChatGPT oder Google AI Overviews nach vorne katapultiert. Technisch ist hier eine differenzierte Betrachtung wichtig:

Klassische RAG-Pipelines bereinigen beim Abrufen einer Webseite häufig den gesamten <script>-Code (Boilerplate-Stripping), um Token zu sparen, und verarbeiten primär den sichtbaren Text sowie semantisches HTML (Überschriften, Absätze, echte <table>-Strukturen). Dennoch wirkt sauberes JSON-LD indirekt massiv auf deinen GEO-Erfolg ein: Da KI-Suchsysteme für ihr Grounding und den Query Fan-Out auf klassische Suchindizes (wie Google oder Bing) und deren Knowledge Graphs zurückgreifen, stärkt strukturiertes Markup die Entitäts-Zuordnung und das Grundvertrauen im vorgeschalteten Suchindex.

Wichtige Praxis-Regel: Strukturierte Daten sind kein Ersatz für eine schlechte Struktur im sichtbaren Content. Verlasse dich für die Retrievability in KI-Systemen niemals allein auf JSON-LD im Hintergrund – alle Fakten, Preise, FAQs und Vergleiche müssen zwingend auch im sichtbaren, semantisch sauber ausgezeichneten HTML-Text stehen.

Weiterführende Deep-Dives & Tools auf burakowski.net

Weitere Begriffe in «Technical SEO»

BigQuery GSC Bulk Export & SQL-Analyse

Der BigQuery Bulk Export der Google Search Console (GSC) ist eine native Server-zu-Server-Schnittstelle, die tägliche Suchanfragen-, URL-, Klick- und Impressionsdaten tagesaktuell und ohne Sampling oder Zeilenbeschränkungen in ein Google Cloud BigQuery Data Warehouse schreibt. Anders als die Standard-Weboberfläche (die nach 16 Monaten Daten löscht und Tabellen auf 1.000 Zeilen drosselt) ermöglicht BigQuery per SQL-Analyse die unbegrenzte historische Auswertung von Longtail-Suchmustern, Kannibalisierungs-Effekten und SEO-ROI-Treibern.

Regex (Reguläre Ausdrücke) in der Google Search Console

Reguläre Ausdrücke (kurz Regex oder RegExp) sind formale Suchmuster zur präzisen Filterung und Segmentierung von Zeichenketten. In der Google Search Console (GSC) ermöglicht der Regex-Filter auf Basis von Googles RE2-Syntax (bis zu 4.096 Zeichen), tausende Suchanfragen und URLs mit einer einzigen Abfrage nach Suchintention, Fragestrukturen (W-Fragen), Wortanzahl (Longtail-Prompts), Falschschreibungen der eigenen Marke oder technischen URL-Parametern zu clustern.

Programmatic SEO (pSEO) & Skalierte Datenseiten

Programmatic SEO (pSEO) ist eine datengetriebene Methode zur skalierten Erstellung hunderter oder tausender hochspezifischer Landingpages auf Basis einer strukturierten Datenbank und dynamischer Seiten-Templates. Ziel ist es, wiederkehrende Longtail-Suchmuster (Head Term + Modifikatoren wie „[Software A] Integration mit [Software B]“) systematisch abzudecken. Im Gegensatz zu abgestraftem Text-Spinning (Scaled Content Abuse) liefert erfolgreiches pSEO auf jeder einzelnen URL einzigartige Datensätze, Vergleichstabellen und echten Information Gain für Nutzer und KI-Suchsysteme.