Schema Markup

Was ist Schema Markup und wie funktioniert es?

Schema Markup ist eine Form strukturierter Daten, die Webseitenbetreiber in den HTML-Quellcode ihrer Seiten einbetten, um Suchmaschinen und Answer Engines eine präzise, maschinenlesbare Beschreibung der Seiteninhalte zu liefern. Das zugrundeliegende Vokabular stammt von Schema.org, einem kollaborativen Projekt von Google, Bing, Yahoo und Yandex, das seit 2011 einen gemeinsamen Standard für strukturierte Daten im Web definiert. Schema.org umfasst heute mehrere hundert Typen – von Article und FAQPage bis hin zu Product, Event und DefinedTerm – und bildet damit die semantische Grundlage für maschinenlesbare Webinhalte.

Technisch funktioniert Schema Markup, indem Inhaltselemente einer Seite mit maschinenlesbaren Eigenschaften (Properties) und Typen (Types) versehen werden. Eine Seite über ein Unternehmen erhält so nicht nur einen Titel und eine Beschreibung im HTML, sondern auch explizite Angaben zu Gründungsdatum, Branche, Kontaktdaten und sozialer Präsenz – strukturiert in einem Format, das Answer Engines direkt interpretieren können, ohne den sichtbaren Fließtext analysieren zu müssen.

Der von Google empfohlene technische Standard für die Implementierung von Schema Markup ist JSON-LD (JavaScript Object Notation for Linked Data). JSON-LD wird in einem separaten <script type="application/ld+json">-Block im Seiten-HTML eingebettet. Im Vergleich zu älteren Formaten wie Microdata oder RDFa hat JSON-LD den entscheidenden Vorteil, dass es den redaktionellen Inhalt der Seite nicht verändert, einfacher zu warten ist und sich problemlos über Content-Management-Systeme und Templates skalieren lässt.

Answer Engines lesen Schema Markup nicht primär, um sichtbare Rich Results zu erzeugen – obwohl das ein möglicher Nebeneffekt ist. Ihr eigentliches Ziel beim Verarbeiten von Schema Markup ist es zu verstehen, worum es auf einer Seite geht, welcher Entität die Inhalte zuzuordnen sind, wer der Autor oder die Autorin ist und wie vertrauenswürdig die Quelle einzuschätzen ist. Dieser Kontext fließt direkt in die Entscheidung ein, ob und wie ein Inhalt in einer generierten Antwort zitiert wird.

Welche Schema-Typen sind für AEO am relevantesten?

Für die Answer Engine Optimization (AEO) sind nicht alle Schema-Typen gleich bedeutsam. Relevant sind vor allem jene Typen, die direkt auf Frage-Antwort-Strukturen, Definitionen, Entitäten und Autorenschaft einzahlen – also auf die Signale, die Answer Engines bei der Quellenauswahl in generierten Antworten priorisieren.

FAQPage ist der wirkungsvollste Schema-Typ für AEO-Zwecke. Auch wenn Google 2023 FAQ-Rich-Results für die meisten Webseiten eingeschränkt hat, lesen Answer Engines wie Google AI Overviews, ChatGPT Search und Perplexity FAQPage-Schema weiterhin aktiv aus, um geeignete Antwortpassagen für Nutzeranfragen zu identifizieren. Jede FAQPage-Annotation signalisiert einer Answer Engine, dass eine Seite explizit für Fragen und direkte Antworten strukturiert ist. Article und NewsArticle helfen Answer Engines dabei, redaktionelle Inhalte von Werbetexten oder Nutzerreviews zu unterscheiden. Durch die Angabe von Autorinnen und Autoren über die Property author, Veröffentlichungsdatum über datePublished und herausgebender Organisation über publisher werden EEAT-Signale (Experience, Expertise, Authoritativeness, Trustworthiness) maschinenlesbar übermittelt.

Organization und Person-Schema sind besonders relevant, um die Entitäten hinter einer Webseite im Wissens-Graph von Answer Engines zu verankern. Wer seine Organisation mit Logo, Gründungsdatum, Branche und sozialer Präsenz strukturiert beschreibt, erhöht die Wahrscheinlichkeit, dass Answer Engines die Webseite einer bekannten, verifizierten Entität zuordnen. DefinedTerm und DefinedTermSet eignen sich speziell für Glossarseiten und Wissensdatenbanken: Sie ermöglichen es, einzelne Begriffe und ihre Definitionen so zu strukturieren, dass Answer Engines sie als Quellantworten für Wissensfragen verwenden können.

HowTo-Schema ist für Anleitungen und schrittweise Prozessbeschreibungen relevant. Answer Engines nutzen HowTo-Annotationen, um bei prozeduralen Anfragen – „Wie richte ich ... ein?" oder „Welche Schritte sind nötig für ...?" – Schritt-für-Schritt-Antworten direkt aus dem Schema zu extrahieren. Ergänzend dazu erlaubt der Typ LearningResource, Lerninhalte zu klassifizieren und mit Themen und Lernzielen zu verknüpfen, was für umfangreiche Wissensportale und Akademien besonders nützlich ist.

Ressourcen:

• So nutzen Sie das FAQ Markup

Wie beeinflusst Schema Markup die Zitierungsrate in Answer Engines?

Schema Markup wirkt sich messbar auf die Zitierungsrate in Answer Engines aus. Der Mechanismus dahinter ist kein direktes Ranking-Signal, sondern ein Qualitätsindikator: Eine Seite, die ihre Inhalte präzise, vollständig und strukturiert beschreibt, signalisiert maschinell ein höheres Maß an Sorgfalt und Vertrauenswürdigkeit als eine Seite, die strukturierte Daten gar nicht oder fehlerhaft einsetzt. Dieser Unterschied in der wahrgenommenen Inhaltsqualität beeinflusst, welche Quellen Answer Engines in generierten Antworten bevorzugen.

Besonders deutlich zeigt sich der Effekt bei konversationellen Anfragen. Wenn eine Nutzerin oder ein Nutzer einer Answer Engine eine direkte Frage stellt – „Was ist Schema Markup?" oder „Welche Schema-Typen brauche ich für AEO?" – sucht die Answer Engine nach Inhalten, die diese Frage präzise und ohne weiteren Kontext beantworten. FAQPage-Schema liefert genau diese Struktur: eine eindeutige Frage und eine selbständige Antwort, die für sich allein zitierbar ist. Seiten ohne diese Annotation zwingen Answer Engines, die relevante Passage eigenständig aus dem Fließtext zu extrahieren – mit geringerer Treffsicherheit und damit geringerer Zitierwahrscheinlichkeit.

Ein weiterer Faktor ist die Entitätsverknüpfung. Schema Markup erlaubt es, Inhalte mit bekannten Entitäten – Unternehmen, Personen, Produkte, Orte – zu verknüpfen. Answer Engines, die auf Wissens-Graphen aufbauen, priorisieren Inhalte, die mit verifizierten Entitäten in Verbindung gebracht werden können, da dies das Halluzinationsrisiko senkt und die Antwortpräzision erhöht. Eine Seite, die über ein Unternehmen spricht und dieses Unternehmen über sameAs mit einem Wikidata- oder Google Knowledge Graph-Eintrag verknüpft, liefert einer Answer Engine ein deutlich verlässlicheres Signal als eine Seite, die denselben Namen nur als Fließtext nennt.

Attributreiche Schema-Implementierungen – solche, die nicht nur den Pflicht-Typ definieren, sondern alle relevanten Properties vollständig befüllen – schneiden bei der maschinellen Qualitätsbewertung konsistent besser ab als minimale Implementierungen, die nur den @type-Parameter setzen. Die Vollständigkeit des Schemas kommuniziert, dass ein Inhalt sorgfältig gepflegt und strukturiert wurde, was für Answer Engines ein valides Proxy für inhaltliche Qualität darstellt.

Ressourcen:

• Welche Rolle spielen strukturierte Daten im SEO und bei KI-Suchen?

Wie implementiert man Schema Markup technisch korrekt?

Die technisch korrekte Implementierung von Schema Markup beginnt mit der Wahl des richtigen Formats. JSON-LD ist der von Google empfohlene Standard und sollte für alle neuen Implementierungen verwendet werden. Das Markup wird in einem <script type="application/ld+json">-Block eingebettet, der sich im <head> oder <body> der Seite befinden kann – beides ist zulässig. Der Block beschreibt die Seite als maschinenlesbares Objekt: Der Parameter @context verweist auf https://schema.org, der Parameter @type legt den Inhaltstyp fest, und alle weiteren Properties – wie name, description, author oder datePublished – werden als Schlüssel-Wert-Paare notiert.

Für AEO-optimierte Seiten empfiehlt sich ein @graph-Ansatz: Statt eines einzelnen Schema-Objekts enthält die Seite ein JSON-LD-Dokument mit mehreren verknüpften Objekten. Ein typischer @graph für eine Glossarseite umfasst eine WebPage, die auf einen DefinedTerm verweist, der wiederum einem DefinedTermSet zugeordnet ist, sowie eine BreadcrumbList und eine FAQPage. Dieser Ansatz bildet die semantische Struktur der Seite vollständiger ab und gibt Answer Engines mehr Kontext für die Einordnung der Inhalte als ein einzelnes, isoliertes Schema-Objekt.

Häufige Fehler bei der Implementierung sind: fehlende oder falsch benannte Properties, inkonsistente Angaben zwischen dem sichtbaren Seiteninhalt und dem Schema (was von Suchmaschinen als manipulativ gewertet werden kann) sowie der Einsatz von Schema-Typen, die nicht mit dem tatsächlichen Inhalt übereinstimmen. Schema Markup muss immer den realen Seiteninhalt widerspiegeln – es darf keine Informationen strukturieren, die für Nutzende nicht sichtbar sind. Templates und Content-Management-Systeme erlauben es, wiederkehrende Schema-Typen wie Organization oder WebSite einmalig sitewide zu definieren, während seitenspezifische Schemas wie FAQPage oder DefinedTerm individuell befüllt werden müssen.

Ressourcen:

• Seiten für AEO und Answer Engines strukturieren – eine Kurzanleitung

Wie kann man Schema Markup testen und überprüfen?

Das wichtigste Tool zur Überprüfung von Schema Markup ist der Google Rich Results Test. Er analysiert eine URL oder einen HTML-Code-Ausschnitt und zeigt an, welche Schema-Typen erkannt wurden, ob die Implementierung valide ist und ob die Seite für Rich Results in der Google-Suche infrage kommt. Auch wenn nicht jedes valide Schema ein sichtbares Rich Result erzeugt, ist der Rich Results Test der verlässlichste Weg, um Implementierungsfehler frühzeitig zu erkennen.

Ergänzend bietet das Schema Markup Validation Tool von Schema.org eine vokabularbasierte Validierung an, die unabhängig von Googles Rich-Result-Kriterien prüft, ob alle Properties korrekt benannt und typisiert sind. Für AEO-Projekte empfiehlt sich eine regelmäßige Prüfung nach jeder größeren Inhaltsänderung, da veraltetes oder widersprüchliches Schema Markup das Vertrauen von Answer Engines in einen Inhalt mindern kann.

Ressourcen:

• Rich Results Test (Englisch)

Wie hängen Schema Markup und EEAT zusammen?

EEAT (Experience, Expertise, Authoritativeness, Trustworthiness) beschreibt die Qualitätskriterien, anhand derer Google und andere Answer Engines Inhalte bewerten. Schema Markup macht EEAT-Signale maschinenlesbar: Autorenschaft, Publikationsdatum, herausgebende Organisation und Verlinkungen zu sozialen Profilen lassen sich strukturiert annotieren und werden von Answer Engines zur Einschätzung der Inhaltsqualität genutzt.

Wer Person-Schema mit Qualifikationen und Fachgebieten oder Organization-Schema mit verifizierten Kontaktdaten und einer sameAs-Verknüpfung zu Wissens-Graph-Einträgen ergänzt, übersetzt EEAT-Qualitäten direkt in maschinenlesbare Signale. Schema Markup ersetzt keine inhaltliche Expertise – es kommuniziert sie in einem Format, das Answer Engines systematisch auswerten können.

Ressourcen:

• Aus EAT wird EEAT: Der Schlüssel zum Erfolg bei Google

Wie misst man den Erfolg von Schema Markup im AEO-Kontext?

Der Erfolg von Schema Markup lässt sich im AEO-Kontext nicht mit einem einzelnen Messwert erfassen. Relevante Indikatoren sind AI Referral Traffic – also Besuche von Referrern wie ChatGPT, Perplexity oder Google AI Overviews –, die Zitierungsrate der optimierten Seiten in generierten Antworten sowie die Impression-Entwicklung für strukturierte Snippets in der Google Search Console.

Eine belastbare Messmethodik erfordert Geduld: Answer Engines indexieren und gewichten neue oder aktualisierte Schema-Implementierungen nicht sofort. Sinnvoll ist ein Vergleich zwischen Seiten mit und ohne Schema Markup über einen Zeitraum von mindestens acht Wochen, um den Einfluss strukturierter Daten auf die KI-Sichtbarkeit fundiert beurteilen zu können.