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

01Die Zwei-Signal-Offenbarung

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

Diese bipartite Struktur erklärt, warum Googles Ranking sich zugleich unglaublich komplex 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 fließen in nur zwei Scores zusammen, die anschließend kombiniert werden, um das finale Ranking zu erzeugen.

Die Aussage von Pandu Nayak im DOJ-Verfahren etablierte diese Architektur unter Eid. Nayak beschrieb Q* als den Qualitäts-Score und P* als den Popularitäts-Score, wobei das finale Ranking eine Funktion beider sei. Dies 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 handelt sich um einen zusammenfassenden Qualitätswert für eine gesamte Website – ein 'Gleichgewicht', das mehrere Qualitätssignale zu einer einzigen Zahl aggregiert. Das Google API-Leak enthüllt, dass Q* aus drei Haupteingaben besteht: siteAuthority (ein Maß für das allgemeine Vertrauen und die Autorität der Website), einem lowQuality-Flag (das anzeigt, ob die Website wegen minderwertiger Inhalte markiert wurde) und dem NSR-Wert (dem normalisierten Website-Rang, der selbst mehrere Qualitätsteilsysteme aggregiert).

Das Leak enthüllt außerdem, dass siteAuthority 'aus quality_nsr konvertiert' wird – was bedeutet, dass siteAuthority kein unabhängiges Signal ist, sondern eine Transformation des NSR-Scores. Dies schafft 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), was bedeutet, dass es einen einzigen Qualitätswert für eine gesamte Domain erzeugt, nicht für einzelne Seiten. Dies stimmt mit Pandas seitenweitem Umfang überein: Sowohl Q* als auch Panda behandeln Qualität als eine Eigenschaft der Website, nicht einzelner URLs. Die qualitätsbezogenen Signale 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*. Während Q* der zusammenfassende Score ist, ist 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 siteweiten NSR-Wert.

Der Chunk-basierte Ansatz ist architektonisch bedeutsam. Anstatt eine Website als einzelne monolithische Einheit zu behandeln, bewertet NSR die Qualität auf der Ebene von Unterabschnitten. Das bedeutet, eine Website kann qualitativ hochwertige Bereiche (z. B. einen gut recherchierten Nachrichtenbereich) und qualitativ minderwertige Bereiche (z. B. einen dünnen Tag-Seiten-Bereich) aufweisen, und NSR wird diese Granularität widerspiegeln. Der abschließende siteweite Score ist ein gewichteter Durchschnitt der Chunk-Scores, kein binäres Bestehen/Nichtbestehen.

NSR wird von fünf vorgelagerten Systemen (8, 9, 10, 11, 13) gespeist, von denen jedes eine andere Qualitätsdimension beisteuert. Dieser Multi-Source-Ansatz macht NSR robuster als jedes einzelne Qualitätssignal – eine Schwäche in einem vorgelagerten System kann durch die anderen ausgeglichen werden. Er erklärt auch, warum Qualitätsprobleme häufig graduell statt plötzlich auftreten: Ein Problem in einem vorgelagerten Signal wird durch die anderen abgepuffert.

04Das Q*/P*-Verhältnis

Der DOJ-Prozess enthüllte, dass Q* und P* nicht unabhängig sind – sie interagieren miteinander. Eine Website mit hohem Q* (Qualität), aber niedrigem P* (Popularität) kann dennoch gut ranken für Suchanfragen, bei denen Qualität wichtiger ist als Popularität (z. B. medizinische Anfragen). Umgekehrt kann eine Website mit hohem P*, aber niedrigem Q* gut ranken für Suchanfragen, 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 resistent gegenüber Single-Vektor-Manipulation ist. Eine Linkbuilding-Kampagne, die P* steigert, ohne Q* zu verbessern, führt zu einer vorübergehenden 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 kein spezifisches 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 sind – sondern handcodierte Funktionen mit manuell eingestellten Schwellenwerten.

Dies hat eine tiefgreifende Bedeutung für die SEO-Branche: Googles Ranking-System ist grundsätzlich für menschliche Ingenieure verständlich. Die Signale können analysiert, debuggt und rückentwickelt werden, weil sie von Menschen für Menschen entwickelt wurden. Deshalb funktioniert evidenzbasierte SEO-Analyse – nicht weil Google es so möchte, sondern weil die Architektur des Systems es erfordert.

Die handgefertigte Natur erklärt auch, warum sich Googles Signale langsam verändern. Ein manuell eingestellter Schwellenwert kann von einem Ingenieur angepasst werden, aber 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 bietet ein mentales Modell für SEO, das sowohl einfacher als auch 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).

Die chunk-basierte NSR-Berechnung bedeutet, dass die Website-Qualität nicht einheitlich ist – eine Website kann starke und schwache Bereiche haben, und Google kennt den Unterschied. Das bedeutet, dass die Verbesserung eines Bereichs (z. B. das Hinzufügen eines hochwertigen Guides) den NSR-Score für diesen Chunk verbessern kann, was den siteweiten Q*-Durchschnitt anhebt und allen Seiten der Website zugutekommt.

Schließlich bedeutet die handgefertigte Natur der Signale, dass das System Verständnis gegenüber Manipulation belohnt. 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 mit der Designabsicht des Systems übereinstimmen. Dies ist das Gegenteil von Gaming: Es bedeutet, mit dem System zu arbeiten, anstatt dagegen.

07Quellen