Q* und P*: Die zwei Säulen von Googles Ranking-Architektur

01Die Zwei-Signal-Offenbarung

Die architektonisch bedeutsamste Enthüllung aus dem Kartellverfahren US v. Google betraf die Gesamtstruktur, nicht ein einzelnes Ranking-System. Googles Ranking umfasst Hunderte von Signalen und Subsystemen, reduziert sich aber letztlich auf zwei grundlegende Top-Level-Scores: Quality (Q*) und Popularity (P*). Jedes andere Signal fließt in eine dieser beiden Säulen ein.

Diese zweigeteilte Struktur erklärt, warum sich Googles Ranking zugleich hochkomplex und überraschend stabil anfühlt. Die Komplexität entsteht durch die Hunderte von Subsystemen — NavBoost, Panda, NSR, PageRank, TopicLayers und Dutzende weitere —, die jeweils einen Aspekt von Qualität oder Popularität messen. Die Stabilität entsteht durch die Aggregation: Diese Hunderte von Signalen münden in nur zwei Scores, die anschließend zum finalen Ranking kombiniert werden.

Pandu Nayak legte diese Architektur im DOJ-Verfahren unter Eid dar. Nayak beschrieb Q* als den Qualitäts-Score und P* als den Popularitäts-Score, wobei das finale Ranking eine Funktion beider sei. Das war zuvor nicht öffentlich bekannt: Google hatte die Zwei-Signal-Architektur nie offengelegt, trotz jahrelanger Spekulationen in der SEO-Branche darüber, wie viele Ranking-Faktoren existieren.

02Was Q* misst: die Qualitäts-Säule

Q* ist die Qualitätssäule. Es ist ein zusammenfassender Qualitätswert für eine gesamte Website, ein 'Gleichgewicht', das mehrere Qualitätssignale zu einer einzigen Zahl aggregiert. Laut Google-API-Leak hat Q* drei Haupteingaben: siteAuthority (ein Maß für das allgemeine Vertrauen und die Autorität der Website), ein lowQuality-Flag (es zeigt an, ob die Website wegen minderwertiger Inhalte markiert wurde) und den NSR-Wert (den normalisierten Website-Rang, der selbst mehrere Qualitätsteilsysteme aggregiert).

Das Leak enthüllt außerdem, dass siteAuthority 'aus quality_nsr konvertiert' wird. siteAuthority ist damit kein unabhängiges Signal, sondern eine Transformation des NSR-Scores. Das ergibt eine rekursive Qualitätsbewertung: NSR fließt in Q* ein, das siteAuthority erzeugt, welches wiederum in Q* zurückfließt. Diese Zirkularität ist kein Fehler. Sie spiegelt den iterativen Charakter der Qualitätsbewertung wider, bei der die Autorität einer Website sowohl ein Eingabe- als auch ein Ausgabewert ihres Qualitäts-Scores ist.

Q* operiert auf Website-Ebene (Reach: Site) und erzeugt einen einzigen Qualitätswert für eine gesamte Domain, nicht für einzelne Seiten. Das passt zum websiteweiten Umfang von Panda: Q* und Panda behandeln Qualität beide als Eigenschaft der Website, nicht einzelner URLs. Qualitätssignale auf Seitenebene (wie NavBoosts dokumentenspezifische Klick-Scores) fließen in diese websiteweiten Aggregationen ein.

03Was NSR misst: die Qualitäts-Engine

NSR (Normalized Site Rank) ist die eigentliche Qualitäts-Engine hinter Q*. Q* ist der zusammenfassende Score, NSR die Berechnung, die ihn erzeugt. NSR berechnet einen normalisierten Qualitäts- und Autoritätswert für einzelne 'Chunks' (Unterabschnitte einer Website) und aggregiert diese Chunk-Level-Scores anschließend zu einem websiteweiten NSR-Wert.

Der Chunk-basierte Ansatz ist architektonisch bedeutsam. NSR behandelt eine Website nicht als einzelne monolithische Einheit, sondern bewertet die Qualität auf der Ebene von Unterabschnitten. Eine Website kann daher qualitativ hochwertige Bereiche (z. B. einen gut recherchierten Nachrichtenbereich) und qualitativ minderwertige Bereiche (z. B. einen dünnen Tag-Seiten-Bereich) aufweisen, und NSR spiegelt diese Granularität wider. Der abschließende websiteweite Score ist ein gewichteter Durchschnitt der Chunk-Scores, kein binäres Bestehen/Nichtbestehen.

Fünf vorgelagerte Systeme (8, 9, 10, 11, 13) speisen NSR, und jedes steuert eine andere Qualitätsdimension bei. Dieser Multi-Source-Ansatz macht NSR robuster als jedes einzelne Qualitätssignal: Die anderen Systeme können eine Schwäche in einem ausgleichen. Er erklärt auch, warum Qualitätsprobleme häufig graduell statt plötzlich auftreten, denn die anderen Signale puffern ein Problem in einem vorgelagerten Signal ab.

04Das Q*/P*-Verhältnis

Der DOJ-Prozess enthüllte, dass Q* und P* nicht unabhängig sind. Sie wirken aufeinander ein. Eine Website mit hohem Q* (Qualität), aber niedrigem P* (Popularität) kann dennoch bei Suchanfragen gut ranken, bei denen Qualität wichtiger ist als Popularität (z. B. medizinische Anfragen). Umgekehrt kann eine Website mit hohem P*, aber niedrigem Q* bei Suchanfragen gut ranken, bei denen Popularität wichtiger ist (z. B. Unterhaltungsnews). Die relative Gewichtung von Q* vs. P* variiert je nach Anfragetyp.

Diese anfrageabhängige Gewichtung ist selbst ein Signal. Die Zeugenaussagen im DOJ-Prozess deuteten darauf hin, dass Google das Q*/P*-Gleichgewicht basierend auf der Art der Suchanfrage anpasst: Informationelle Anfragen gewichten Qualität stärker, während navigationale oder kommerzielle Anfragen möglicherweise Popularität stärker gewichten. Dies erklärt, warum verschiedene Inhaltstypen für unterschiedliche Suchanfrage-Intentionen unterschiedlich ranken, selbst wenn die zugrunde liegenden Qualitäts- und Popularitätswerte identisch sind.

Die Zwei-Signal-Architektur erklärt auch, warum Googles Ranking gegenüber Manipulation über einen einzelnen Hebel resistent ist. Eine Linkbuilding-Kampagne, die P* steigert, ohne Q* zu verbessern, bringt eine vorübergehende Ranking-Verbesserung, aber das Qualitätsdefizit begrenzt, wie hoch die Website ranken kann. Ebenso schränkt eine Qualitätsverbesserung ohne den Aufbau von Bekanntheit (Popularität) die Fähigkeit der Website ein, für wettbewerbsintensive Suchanfragen zu ranken.

05Die handgefertigte Architektur und was sie bedeutet

Die am meisten unterschätzte Enthüllung des DOJ-Prozesses betraf nicht ein bestimmtes Signal, sondern die Art und Weise, wie Googles Signale aufgebaut sind. HJ Kims Aussage in Exhibit PXR0356 lautete: 'Fast jedes Signal, abgesehen von RankBrain und DeepRank (die LLM-basiert sind), ist handgefertigt und kann daher von Ingenieuren analysiert und angepasst werden.' Das bedeutet, dass die überwiegende Mehrheit von Googles Ranking-Signalen keine Black-Box-Machine-Learning-Modelle ist, sondern handcodierte Funktionen mit manuell eingestellten Schwellenwerten.

Das hat weitreichende Folgen für die SEO-Branche: Googles Ranking-System ist grundsätzlich für menschliche Ingenieure verständlich. Die Signale lassen sich analysieren, debuggen und rückentwickeln, weil Menschen sie für Menschen entwickelt haben. Deshalb funktioniert evidenzbasierte SEO-Analyse. Sie funktioniert nicht, weil Google es so möchte, sondern weil die Architektur des Systems es erfordert.

Dass die Signale handgefertigt sind, erklärt auch, warum sie sich langsam verändern. Ein Ingenieur kann einen manuell eingestellten Schwellenwert anpassen, doch die Anpassung erfordert menschliche Überprüfung, Tests und Deployment. Machine-Learning-Modelle können sich kontinuierlich anpassen, handgefertigte Signale erfordern gezielten Engineering-Aufwand. Deshalb sind Googles Algorithmus-Updates diskrete Ereignisse (Panda, Penguin, Core Updates) und kein kontinuierlicher Drift.

06Implikationen für SEO-Praktiker

Die Zwei-Signal-Architektur gibt SEO ein mentales Modell, das einfacher und präziser ist als die Erzählung von den '200+ Rankingfaktoren'. Jede SEO-Aktivität fließt letztendlich entweder in Q* (Qualität) oder P* (Popularität) ein. Inhaltsverbesserungen fließen in Q* ein. Linkaufbau fließt in P* ein. Verbesserungen der User Experience fließen in Q* ein (über NavBoosts Qualitätssignal). Social Signals fließen in P* ein (über Traffic und Markenbekanntheit).

Bei der Chunk-basierten NSR-Berechnung ist die Website-Qualität nicht einheitlich: Eine Website kann starke und schwache Bereiche haben, und Google kennt den Unterschied. Die Verbesserung eines Bereichs (z. B. das Hinzufügen eines hochwertigen Guides) kann daher den NSR-Score für diesen Chunk verbessern. Das hebt den websiteweiten Q*-Durchschnitt an und kommt allen Seiten der Website zugute.

Schließlich belohnt das System Verständnis statt Manipulation, weil die Signale handgefertigt sind. SEO-Praktiker, die verstehen, wie ein Signal funktioniert – was es misst, welche Schwellenwerte es hat und wie es mit anderen Signalen interagiert –, können fundierte Entscheidungen treffen, die zur Designabsicht des Systems passen. Das ist das Gegenteil von Gaming: Man arbeitet mit dem System, nicht gegen es.

07Quellen