Kompositionseffekt (Mix-Shift in der GSC)

Kompakt-Definition

Der Kompositionseffekt (auch Mix-Shift oder Simpson-Paradoxon genannt) bezeichnet in der Webanalyse und der Google Search Console (GSC) eine Verzerrung von Durchschnittswerten wie CTR oder Durchschnittsposition. Er tritt auf, wenn sich die strukturelle Zusammensetzung des Traffics verschiebt – etwa durch stark wachsende Impressionen im informationalen Bereich –, wodurch die Gesamt-CTR einer Domain sinkt, obwohl die Performance der einzelnen Kern-Seiten vollkommen stabil bleibt.

Wer in der Google Search Console (GSC) auf die ungefilterte Gesamtansicht einer Domain blickt, sieht in den letzten Jahren häufig ein beunruhigendes Muster: Die Kurve der Impressionen steigt steil an, die Klicks entwickeln sich seitwärts und die durchschnittliche Klickrate (CTR) bricht scheinbar ein. Schnell wird daraus der pauschale Schluss gezogen, dass Google AI Overviews oder KI-Antwortsysteme den bestehenden Kerntraffic kannibalisieren. In sehr vielen Fällen steckt hinter dieser Schere jedoch kein realer Klickverlust auf den wichtigen Seiten, sondern ein statistischer Kompositionseffekt (Mix-Shift).

Rechenbeispiel: Wie die Gesamt-CTR sinkt, obwohl kein Klick verloren geht

Warum aggregierte Durchschnittswerte in der GSC täuschen können, zeigt ein einfacher Vergleich zweier Monate. Angenommen, die bestehenden kommerziellen Kategorieseiten und das Brand-Suchvolumen bleiben zu 100 % stabil, während durch neue Ratgeber-Inhalte oder zusätzliche SERP-Ausspielungen plötzlich viele neue informationale Impressionen (mit naturgemäß niedriger CTR) hinzukommen:

Traffic-SegmentMonat A (Vorher)Monat B (Nach Mix-Shift)Reale Veränderung im Segment
Brand & Transaktional10.000 Impr. / 2.000 Klicks (20,0 % CTR)10.000 Impr. / 2.000 Klicks (20,0 % CTR)Perfekt stabil (±0 Klicks)
Informational & Longtail10.000 Impr. / 200 Klicks (2,0 % CTR)90.000 Impr. / 900 Klicks (1,0 % CTR)Deutliches Wachstum (+700 Klicks)
GSC-Gesamtansicht (Aggregiert)20.000 Impr. / 2.200 Klicks (11,0 % CTR)100.000 Impr. / 2.900 Klicks (2,9 % CTR)Klicks +31,8 %, aber Gesamt-CTR −73,6 %

Obwohl die Website in diesem Beispiel 700 zusätzliche Klicks gewonnen hat und das Kerngeschäft keinen einzigen Klick eingebüßt hat, meldet die aggregierte GSC-Übersicht einen dramatischen Absturz der durchschnittlichen CTR von 11,0 % auf 2,9 %.

Typische Auslöser für Kompositionseffekte im SEO

  • Brand- vs. Non-Brand-Verschiebung: Wächst die Sichtbarkeit für generische Non-Brand-Keywords stark an, verwässert deren niedrigere Klickrate die extrem hohe CTR der bestehenden Brand-Suchanfragen.
  • Neue Seitentypen (Ratgeber, Glossar, Magazin): Informationale Inhalte ranken oft für hunderte Longtail-Nebenkeywords auf den Positionen 6 bis 20. Das erzeugt riesige Impressions-Volumina bei geringer CTR und zieht sowohl die Gesamt-CTR als auch die durchschnittliche Position der Domain rechnerisch nach unten.
  • SERP-Features & AI Overviews: Wenn URLs zusätzlich in AI Overviews, Bild-Packs oder „Ähnliche Fragen“-Boxen (PAA) ausgespielt werden, entstehen zusätzliche Impressionen, die den Nenner der CTR-Formel vergrößern.
  • Device- & Länder-Mix: Ein plötzlicher Anstieg von Impressionen aus internationalen Märkten (z. B. Österreich/Schweiz oder englischsprachigen Suchanfragen) oder eine Verschiebung zwischen Desktop und Mobile verändert das Gesamtbild ebenfalls.

Goldene Regel für saubere GSC-Analysen: Bewerte die CTR oder die durchschnittliche Position niemals auf Basis der ungefilterten Gesamt-Domain. Segmentiere deine Daten vor jeder Diagnose zwingend nach Brand vs. Non-Brand, nach Verzeichnis / Seitentyp (z. B. Shop-Kategorie vs. Blog) und im Idealfall auf Basis eines festen, gleichbleibenden Keyword-Sets.

Weiterführende Deep-Dives & Tools auf burakowski.net

Weitere Begriffe in «SEO-ROI & Analytics»

SEO-Forecasting & Traffic-Prognosemodelle

SEO-Forecasting (Suchmaschinen-Prognose) bezeichnet die datengetriebene Modellierung künftiger organischer Traffic- und Umsatzpotenziale auf Basis historischer Leistungskennzahlen, Keyword-Volumina, CTR-Verteilungen und Saisonalitätsfaktoren. Im Gegensatz zu bezahlten Werbekanälen (SEA), bei denen Budget linear Traffic einkauft, erfordert ein valides SEO-Forecast-Modell die Berücksichtigung von Ramp-Up-Phasen, Kannibalisierungs-Effekten, Zero-Click-Abschlägen durch AI Overviews und dem asymmetrischen Wachstum durch den Aufbau von Topical Authority.

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.

KI-Referral-Tracking & Dark AI Traffic in GA4

KI-Referral-Tracking bezeichnet die gezielte Erfassung und Segmentierung von Website-Besuchern in Web-Analytics-Systemen (wie Google Analytics 4), die über einen Quellenlink (AI Citation) aus konversationellen KI-Systemen wie ChatGPT, Perplexity, Claude, Gemini oder Microsoft Copilot auf eine Domain gelangen. Da native Smartphone-Apps, Datenschutz-Header und indirekte Markensuchen jedoch häufig die Herkunfts-URL unterdrücken, bleibt ein erheblicher Teil dieser Zugriffe als sogenannter Dark AI Traffic im Kanal „Direct“ oder „Organic Search“ unsichtbar und muss über Triangulations-Verfahren gemessen werden.