Pillar · Hub-Seite
Trust: die wichtigste E-E-A-T-Dimension
Systeme, die Manipulation erkennen und Verlässlichkeit prüfen
Trust ist das Fundament von E-E-A-T. Googles eigene Quality Rater Guidelines nennen Trust das wichtigste Mitglied der E-E-A-T-Familie. Trust entsteht durch verlässliches Verhalten — korrekte Inhalte, ehrliches Verlinken, transparente Autorschaft und das Fehlen von Spam-Signalen. Auf Trust zahlen mehr Systeme primär ein als auf jede andere Dimension.
Primäre Systeme (11)
Systeme, bei denen Trustworthiness die primäre E-E-A-T-Dimension ist.
NavBoost beobachtet, was Nutzer nach einer Google-Suche tun: Klickt jemand auf eine Wetterseite und bleibt dort — oder springt sofort zu Google zurück? Der letzte, längste Klick einer Sitzung ist das stärkste Signal, weil er zeigt, dass das Bedürfnis wirklich befriedigt wurde. So wird reales Nutzerverhalten zum Re-Ranking-Signal — ohne dass Google den Inhalt direkt lesen muss.
Das Gegenstück zu NavBoost für spezielle Google-Elemente wie Karussells, 'People also ask'-Boxen oder News-Features. Glue misst, ob Nutzer mit diesen Elementen interagieren — ob sie auf ein Karussell tippen, eine Antwort in der PAA-Box aufklappen oder über ein Nachrichten-Feature auf eine Seite gelangen. Instant Glue ist die Echtzeit-Variante für schnell wechselnde Ereignisse.
Wie oft eine Site insgesamt im Chrome-Browser aufgerufen wird — unabhängig davon, ob jemand über Google-Suche kam oder die URL direkt eingegeben hat. Hohe Direktaufrufe zeigen, dass Nutzer der Seite so sehr vertrauen, dass sie direkt dorthin navigieren. Das ist ein Maß für Markenpopularität und Wiederkehrbereitschaft.
Q* ist eine zusammenfassende Qualitätsnote für die gesamte Website — ein 'Kontostand', der sich aus der Autorität der Site (siteAuthority), einem Minderqualitäts-Flag (lowQuality) und dem NSR-Gesamtwert zusammensetzt. Diese Note ändert sich langsam: interne Google-Dokumente beschreiben sie als 'largely static' (weitgehend statisch) — ein träges Fundament, kein tagesaktuelles Signal.
Kein Live-Signal, das täglich im Ranking eingesetzt wird — sondern die Grundlage, auf der alle Qualitätsmodelle kalibriert sind. Der IS-Score (Information Satisfaction) fasst zusammen, wie gut eine Seite das Informationsbedürfnis eines Nutzers erfüllt, bewertet von geschulten menschlichen Ratern. Die QRG (Quality Rater Guidelines) sind das öffentliche Regelwerk, nach dem diese Rater urteilen.
Ein Punktabzugsystem für konkrete Qualitäts- und Navigationsmängel: navDemotion bestraft schlechte Seitenführung (unklare Navigation, irreführende Struktur); anchorMismatch bestraft Links, bei denen der Linktext nicht zum Ziel passt (z.B. 'mehr Infos' statt 'Regenradar Deutschland'); serpDemotion leitet sich aus negativem Nutzerverhalten in den Suchergebnissen ab — Nutzer klicken, kehren sofort zurück, klicken auf Konkurrenten.
Drei Qualitätsabzüge in einem: clutterScore misst Layout-Überladung (zu viele Werbeanzeigen, Pop-ups, ablenkende Elemente die den Informationsfluss stören); scamness misst Betrugs-Nähe (Muster, die an unseriöse Seiten erinnern); unauthoritativeScore misst fehlende Glaubwürdigkeit (keine Autorenangaben, keine erkennbare Institution dahinter).
Panda ist ein site-weites Abwertungssystem für Seiten mit dünnem oder minderwertigen Inhalt — und zwar für die gesamte Website, nicht nur für einzelne Seiten. Wenn ein zu großer Anteil einer Site als 'thin content' (inhaltsleere Seiten) eingestuft wird, werden alle Seiten der Site schlechter gerankt. BabyPandaV2 ist eine neuere, feiner kalibrierte Variante desselben Prinzips.
Dieses System erkennt manipulative Link-Muster im Ankertext (dem klickbaren Text von Hyperlinks). Wenn eine Seite ausschließlich mit exakten Keyword-Texten verlinkt wird ('Wetter Berlin', 'Wettervorhersage kostenlos'), wirkt das unnatürlich und wie eine gezielte SEO-Manipulation. Penguin ist das historische Google-Update, das dieses Problem adressierte — die Logik lebt im heutigen System fort.
Googles KI-basiertes Spam-Erkennungssystem. Der praktisch relevanteste Aspekt ist 'scaled content abuse' — das massenhafte Erzeugen von Inhalten nach immer demselben Muster, ohne echten redaktionellen Mehrwert. Typisches Beispiel: Tausende von Ortschaftsseiten, die nur Variablen (Stadtname, Koordinaten, Messwerte) in ein Template einsetzen, ohne dass eine menschliche Redaktion Qualität sicherstellt.
Google prüft das Datum einer Seite durch den Abgleich von drei unterschiedlichen Signalen: (1) das sichtbare Datum im Artikel (bylineDate — leicht zu fälschen), (2) das Datum aus URL, Markup oder Zeitstempel (syntacticDate — ebenfalls leicht zu manipulieren), (3) das aus dem Textinhalt erschlossene Datum (semanticDate — kann nur durch echte inhaltliche Aktualisierung verändert werden). Stimmen die drei nicht überein, erkennt Google eine 'Datumslüge'.
Indirekte Systeme (9)
Systeme, die indirekt auf Trustworthiness einzahlen.
Deep Dives (19)
NavBoost: How Google Uses Click Behavior to Re-Rank Search ResultsEN
From DOJ testimony to leaked API documentation — the most important ranking signal you can't directly manipulate
Panda: The Site-Wide Quality System Named After Its InventorEN
How Google's war on content farms produced a patent trail that leads directly to the update's name — and what the API leak reveals about its current form
Q* and P*: The Two Pillars of Google's Ranking ArchitectureEN
The DOJ trial revealed that Google's ranking ultimately reduces to two top-level signals — Quality (Q*) and Popularity (P*). Here's what the evidence tells us about how they work.
hostAge-Sandbox: Why New Domains Start at a DisadvantageEN
The patent that reveals how Google evaluates domain legitimacy — and why patience is the only strategy for new sites
Anchor-Spam: How Google Detects Manipulative Link PatternsEN
From 'miserable failure' Google bombs to the patent that reveals how context analysis catches anchor text manipulation
FreshnessTwiddler: How Google Decides When Fresh Content MattersEN
The query-dependent freshness system — and the patent that reveals how update frequency, staleness, and link freshness become ranking signals
Date triangulation: How Google Determines When a Page Was Really PublishedEN
The patent that reveals six different date sources Google uses — and why faking a byline date doesn't work
IS-Calibration: The Human Rater System That Trains Google's Quality ModelsEN
The hardest evidence in the entire matrix — DOJ/sworn material confirms the rater system that calibrates every quality signal Google uses
SpamBrain: Google's AI-Powered Spam Detection SystemEN
How machine learning identifies scaled content abuse, link spam, and manipulated rankings — and why 'AI-generated content at scale' is the new content farm
chard: Google's Page-Level Content Quality ModelEN
The leak field that rates individual page quality — calibrated by human raters, feeding into NSR, and why YMYL pages face stricter standards
contentEffort: How Google Estimates Editorial EffortEN
The AI model that estimates how much editorial work went into a page — and why 'effort' is becoming a ranking signal
Glue: How Google Measures Interaction with Special Search FeaturesEN
The NavBoost counterpart for carousels, 'People also ask' boxes, and news features — measuring whether users interact with special elements, not just blue links
Chrome signals: How Browser Data Complements Search DataEN
The signals that measure how often a site is accessed directly in Chrome — independent of Google Search
IP-Prior: How Google Protects Click Data from ManipulationEN
The system that detects unnatural click patterns and protects NavBoost from gaming — the integrity layer of behavioral ranking
clutterScore, scamness, unauthoritativeScore: Three Quality DemotionsEN
The three signals that penalize layout overload, fraud proximity, and untrustworthiness — and why they combine into a single Trust signal
QualityBoost-Demotions: The Penalty System for Quality DeficitsEN
navDemotion, anchorMismatch, and serpDemotion — three specific penalties for navigational, linking, and SERP quality issues
RankBrain and DeepRank: How AI Changed Google's Understanding of QueriesEN
From keyword matching to semantic understanding — the AI systems that interpret what users mean, not what they type
Tangram: The Assembly Layer That Builds Search ResultsEN
Tangram evaluates nothing itself — it takes ratings from NavBoost and Glue and decides what appears on the results page, where, and in what order
tofu, keto, Rhubarb: The Subchunk Refinement SignalsEN
The codenames that stand for refinement signals at the most granular level — individual subsections of a page — and why they represent the weakest evidence in the matrix