Executive Abstract & Forschungsziele
QLABS Rank Algorithm™ spezifiziert zwei getrennte, gewichtete Forschungsmodelle: GEO Intelligence für heuristische Generative-Search-Readiness und AISEO™ PageRank für unabhängig belegte SEO-Autoritäts- und Readiness-Signale.
Das Ziel ist eine nachvollziehbare Diagnose mit transparenten Datenlücken. Die Modelle liefern keine beobachtete Rankingposition, keine gemessene KI-Sichtbarkeit und keine Zitationswahrscheinlichkeit. Gewichtungen sind methodische Vorschläge und werden erst durch separate Forschung überprüfbar.
„Weighted Coverage ist der gewichtete Anteil der Dimensionen mit zulässigen Eingangsdaten, ausgedrückt als Prozentwert. Sie misst Datenabdeckung und keine statistische Sicherheit.“
Autorschaft: SEOSTUDIO Research & Innovation. Herausgeber: SEOSTUDIO. Fachlicher Kontakt über das Unternehmensprofil.
English abstract · same model, same version
QLABS Rank Algorithm defines two separate research models: GEO Intelligence (0–100) and AISEO PageRank (0–10). Weights are research assumptions, not empirically validated search-engine factors. Unknown data is not zero. Public aggregate scores require complete eligible dimension coverage; PageRank additionally requires independently verified link authority and organic visibility.
Generated query fan-out is hypothetical. Neither score measures actual AI citations or guarantees rankings. Whitepaper 1.0 and rank algorithm 1.0-research share a versioned specification. This is an English abstract; a full translated edition has not been published.
Ein eigenständiges Modell. Klare Herkunft.
Der historische Google PageRank bewertet Seiten über die Linkstruktur eines gerichteten Graphen und das Modell eines zufälligen Surfers. Das Originalpapier von Page, Brin, Motwani und Winograd dokumentiert diesen Ansatz.
| Aspekt | Historischer PageRank | AISEO™ PageRank V1.0 |
|---|---|---|
| Grundlage | Linkgraph / Random Surfer | Sechs gewichtete Dimensionen |
| Berechnung | Iterative Linkanalyse | Evidenzgeprüfte gewichtete Summe |
| Skala | Hier keine Rekonstruktion | 0–10 im Forschungsmodell |
| Zuordnung | Google / Originalforschung | QLABS / SEOSTUDIO |
Es besteht keine Verbindung oder Gleichsetzung mit Google PageRank, dem SISTRIX Sichtbarkeitsindex oder proprietären Metriken anderer Anbieter. Originalpapier lesen ↗
Gewichtete Scores, explizite Voraussetzungen
Für jede Dimension i bezeichnet xi einen normalisierten Wert zwischen 0 und 1. Die festen, nicht negativen Gewichte wi summieren sich zu 1. Erst nach Prüfung der Freigaberegel wird ein aggregierter Wert öffentlich ausgegeben. mᵢ = 1 bedeutet zulässig belegt; mᵢ = 0 bedeutet nicht verfügbar oder nach der Evidenzregel nicht verifiziert.
S ist die gewichtete Summe der normalisierten Eingangssignale. Die vollständigen Modelle verwenden alle vorgesehenen Dimensionen.
GEO: sieben Dimensionen; Ausgabe auf einer Skala von 0 bis 100.
PageRank: sechs unabhängige Dimensionen; Ausgabe auf einer Skala von 0 bis 10.
Die Python-Funktionen nehmen Werte von 0 bis 100 entgegen; xi = si / 100. Sie verwenden round(value, 1) mit Python-Rundung auf binären Gleitkommazahlen. Das Rechenlabor bildet diese Rundung nach. Gewichtete Beiträge werden in der dokumentierten Dimensionsreihenfolge mit einem expliziten Gleitkomma-Akkumulator addiert; so bleibt die Referenzberechnung unabhängig von der Implementierung der Python-Summenfunktion.
QLABS GEO Intelligence · sieben Dimensionen
Die sieben Forschungsgewichte bleiben im integrierten GEO-Core unverändert. Die Interpretation ist eine Rubrik für Readiness; sie entspricht keinen behaupteten Suchmaschinenfaktoren.
AI Citability
Extrahierbare Antworten und klare Inhaltsstruktur.
Brand & Entity
Belegte Identität und konsistente Entity-Signale.
Content & E-E-A-T
Dokumentierte Fachlichkeit, Erfahrung und Quellen.
Technical SEO
Technische Voraussetzungen der untersuchten Seite.
Schema Intelligence
Strukturierte Daten; Syntax allein belegt keine Semantik.
AI Platform Readiness
Nachweisbare Zugänglichkeit für die untersuchten Systeme.
LONG TAIL GEO™
Fragen, Antworten und thematische Anschlussintentionen.
Warum diese GEO-Gewichte?
Die Verteilung ist eine Forschungsentscheidung: Citability erhält 20 %, weil extrahierbare Antworten das untersuchte Readiness-Ziel direkt betreffen. Brand & Entity, Content & E-E-A-T, Technical SEO und LONG TAIL GEO™ erhalten je 15 %, um Identität, Inhalt, technische Zugänglichkeit und Fragenarchitektur ausgewogen abzubilden. Schema und Platform Readiness erhalten je 10 % als ergänzende Signalfelder.
Die Zahlen sind weder aus Suchmaschinenfaktoren übernommen noch empirisch kalibriert. Ob diese Balance nützliche Diagnosen erzeugt, muss mit unabhängigen Daten und Sensitivitätsanalysen überprüft werden.
Welche Dimensionswerte berechnet der vorhandene HTML-Core tatsächlich?
Die statische Seitenanalyse liefert vier Heuristiken. Die folgenden Regeln beschreiben den implementierten Core, einschließlich seiner methodischen Einschränkungen.
- Technical: Title 30, Meta-Description 20, genau eine H1 20, HTTPS 15, mindestens drei Überschriften 15 Punkte.
- Schema: mindestens ein syntaktisch lesbarer JSON-LD-Block ergibt 100, sonst 0. Dies prüft keine Schema-Semantik oder Rich-Result-Eignung.
- Conversation Intents: 25 Punkte je Frageüberschrift, maximal 100. Ein Fragezeichen belegt keine Suchnachfrage.
- Citability: mindestens 100 extrahierte Wörter ergeben 10, mindestens 250 ergeben stattdessen 30; mindestens drei Überschriften 30; mindestens eine Frageüberschrift 20; mindestens 500 Wörter weitere 20; maximal 100.
Diese einfachen Regeln erfassen weder tatsächliche Zitierungen noch vollständige Inhaltsqualität. Brand & Entity, Content & E-E-A-T und Platform Readiness bleiben null. Die erfassten vier Dimensionen ergeben 60 % gewichtete Abdeckung und keinen freigegebenen Gesamtscore. Zusätzliche Crawl-Seiten sind separate Evidenz; der Score bezieht sich auf die Startseite.
AISEO™ PageRank · Forschungsmodell V1.0
Dieses Modell stammt aus der bereitgestellten Core-V1.8-Spezifikation. Die Rechenfunktion ist implementiert; sie sammelt selbst keine Backlinks, Search-Console-Daten oder externen Autoritätsnachweise. Dieses Domain-Forschungsmodell ist von bisherigen vorläufigen redaktionellen Profilbewertungen im Listingportal getrennt; deren Werte sind ohne identische Messgrundlage nicht vergleichbar.
| Dimension | Gewicht | Benötigte Messgrundlage |
|---|---|---|
| Link AuthorityPflichtsignal | 25 % | Dokumentierter Backlink-Datensatz mit Herkunft und Stichtag. |
| Organic VisibilityPflichtsignal | 20 % | Autorisierte Search-Console-Daten oder dokumentierter Sichtbarkeitsdatensatz. |
| Technical Quality | 15 % | HTTP-Crawl, Indexierbarkeit und dokumentierte technische Messungen. |
| Content / Topic Authority | 15 % | Festgelegte Rubrik für fachliche Qualität und Themenabdeckung. |
| Entity / Trust | 15 % | Überprüfbare Unternehmens-, Autoren- und Quelleninformationen. |
| Information Architecture | 10 % | Interne Links, Crawltiefe und thematische Verbindungen. |
Warum diese PageRank-Gewichte?
Linkautorität (25 %) und organische Sichtbarkeit (20 %) bilden mit 45 % den Schwerpunkt auf extern belegten Signalen. Technische Qualität, Content-/Themenautorität und Entity-/Trust-Signale erhalten je 15 % als eigenständige Prüfbereiche. Informationsarchitektur erhält 10 % für die interne Erschließung von Themen.
Dies begründet die Modellstruktur, beweist aber keine optimale Gewichtung. Linkautorität und organische Sichtbarkeit sind zusätzlich Pflichtsignale. Ihr Fehlen darf nicht durch gute Werte anderer Dimensionen ausgeglichen werden.
Aus Rohsignalen werden vergleichbare Werte
Für nicht negative, stark schiefe Zählwerte sieht das Forschungsmodell eine logarithmische Normalisierung vor. Der Referenzwert xref muss positiv sein und vor Vergleichen fachlich begründet, festgelegt und versioniert werden.
N(x) liegt zwischen 0 und 1. x ist ein nicht negativer Messwert; xref ist der dokumentierte Referenzwert. Werte oberhalb der Referenz werden bei 1 begrenzt.
Welche Datenquellen sind für eine reale Messung erforderlich?
- Linkdaten: autorisierter Export oder dokumentierte API, Zeitraum, untersuchte Domain, Umfang und Definition verweisender Domains.
- Organische Sichtbarkeit: autorisierte Search-Console-Daten oder dokumentierter Drittanbieter-Datensatz; Land, Gerät, Zeitraum und Metrik klar benennen. Verschiedene Datensätze sind nicht automatisch austauschbar.
- Technik und Struktur: Server-Abruf mit Zeitstempel, HTTP-Status, Content-Hash und Crawl-Umfang. Ein kurzer statischer Crawl misst weder reale Ladeperformance noch den vollständigen Domain-Linkgraphen.
- Inhalt und Entity: dokumentierte Bewertungsrubrik, Prüfperson oder Verfahren, Quellen und Messdatum. Erwähnungen im HTML ersetzen keine unabhängige Verifikation.
Der bestehende Crawler erzeugt keine externen Link- oder Suchdaten. Entsprechende Datenquellen sind noch nicht angebunden. Eine hochgeladene oder generierte Zahl allein ist kein verifizierter Nachweis.
Es ist noch kein allgemein gültiger Referenzdatensatz festgelegt. Ein frei gewählter Benchmark darf deshalb keinen öffentlichen Domainvergleich begründen. Für andere Signaltypen sind eigene dokumentierte Normalisierungsregeln erforderlich. Die Funktionen lehnen negative, unendliche oder ungültige Eingangswerte ab.
QLABS Evidence Engine™ · Evidenz & Abdeckung
Beobachtung
Ein direkt im dokumentierten Snapshot gefundenes Merkmal, etwa ein Title-Element.
Verifizierte Messung
Für PageRank: unabhängig bezogene Daten mit Herkunft, Datum und geeigneter Messdefinition.
Heuristik
Ein regelbasierter Schätzwert. Im HTML-Core mit niedriger Confidence gekennzeichnet.
Hypothese / unbekannt
Generierte Suchpfade sind Hypothesen. Fehlende Messungen bleiben unbekannt.
mi ist 1, wenn eine Dimension nach der jeweiligen Evidenzregel verfügbar ist, sonst 0. C% ist Weighted Coverage in Prozent. Im Core wird c = C% / 100 als Anteil zwischen 0 und 1 gespeichert. Die Formel gilt mit den jeweiligen Gewichten für beide Modelle.
Beim GEO-Core bedeutet Abdeckung: eine Dimensionsheuristik ist berechenbar. Beim PageRank gilt die strengere Regel: eine Dimension muss vorhanden und ausdrücklich verifiziert sein. Ein hoher C-Wert ersetzt keine Qualitätsprüfung der Quelle.
Confidence, Missing Data & Score-Freigabe
Confidence ist im aktuellen Evidenzmodul qualitativ: high, medium, low oder none. Es existiert keine kalibrierte prozentuale Gesamt-Confidence. Datenabdeckung wird separat ausgewiesen.
Kein aggregierter Gesamt- oder Teilscore. Beobachtete Signale bleiben sichtbar.
Keine Freigabe eines vollständigen Scores. Numerische interne Diagnosen benötigen ihre zusätzlichen Modellvoraussetzungen.
Die Schwelle ist notwendig, reicht allein aber nicht: kritische Datenanforderungen und vollständige Dimensionen müssen erfüllt sein.
Verbindliche Auslegung für V1.0: Die vollständige Summe kann ohne Werte für alle Faktoren nicht berechnet werden. Deshalb bleibt bei 85–99,9 % Abdeckung eine Teilanalyse bestehen, solange Dimensionen fehlen. Die 85-%-Schwelle ist keine Erlaubnis zur Nullfüllung oder Hochrechnung. In dieser konservativen Umsetzung entsteht ein vollständiger Score erst bei 100 % zulässiger Dimensionsabdeckung.
| Modell | Interne Diagnose | Öffentliche Freigabe |
|---|---|---|
| GEO Intelligence | Ab C% ≥ 70 % kann der Core eine über bekannte Dimensionen renormalisierte Teildiagnose berechnen. | C% ≥ 85 % sowie alle sieben Dimensionen mit zulässiger Messgrundlage und dokumentierter Rubrik; Status complete. Im aktuellen HTML-Crawler nicht erfüllt. |
| AISEO™ PageRank | Ab C% ≥ 70 % und beiden verifizierten Pflichtsignalen: ausschließlich interne Teildiagnose. | C% ≥ 85 %, beide Pflichtsignale und alle sechs verifizierten Dimensionen. Die Vollständigkeitsregel erzwingt hier tatsächlich C% = 100 %. |
Nur für die ausdrücklich interne Teildiagnose: verfügbare Werte werden durch die abgedeckte Gewichtssumme geteilt. Dieser Wert darf keinen vollständigen öffentlichen Score ersetzen.
Core-Abgleich · dokumentierte Abweichungen
| Prüfpunkt | Vorheriger Stand | Umsetzung 1.0-alignment.1 |
|---|---|---|
| Formeln und Gewichte | Gewichte stimmen; Faktoren wurden rechnerisch auf der 0–100-Skala gewichtet. | Faktoren werden explizit auf 0–1 normiert; GEO skaliert mit 100, PageRank mit 10. Feste Reihenfolge und Python-Rundung in beiden Laufzeiten. |
| GEO-Teilscore | Der Aggregator verwendete dasselbe score-Feld für renormalisierte Teilwerte; die Online-Hülle sperrte deren öffentliche Anzeige. | score enthält nur einen vollständigen Wert. Eine Teildiagnose steht getrennt in internal_partial_score und ersetzt keinen Gesamtscore. |
| Abdeckung und 85-%-Regel | PageRank prüfte 85 % plus Vollständigkeit; GEO hatte keinen ausdrücklich benannten 85-%-Prüfschritt. | Gemeinsame Evidence Policy für beide Modelle: unter 70 % Einzelbefunde, ab 70 % Teilanalyse, ab 85 % Prüfung kritischer Anforderungen und vollständiger Dimensionen. |
| Version und Eingangsdaten | Gewichte und Schwellen waren mehrfach im Code gepflegt. | Gemeinsames versioniertes Manifest, Grenzwerttests, Ablehnung unbekannter Faktoren, ungültiger Werte und abgesenkter Diagnoseschwellen. |
| Live-Messbarkeit | Keine angebundene öffentliche Python-API und keine unabhängigen Rank-Datenquellen. | Weiterhin offen. Das mathematische Modell ist ausführbar; eine Veröffentlichung erfundener Live-Ergebnisse erfolgt nicht. |
Ein beobachteter Nullwert und eine fehlende Messung sind unterschiedlich. Unbekannte Daten werden weder als Null gewertet noch stillschweigend zu einem vollständigen Score hochgerechnet. Quellenstatus und Einschränkungen gehören zu jeder veröffentlichten Aussage.
LONG TAIL GEO™ & Conversation Intent Graph
LONG TAIL GEO™ ordnet Fragen nach Informations-, Vergleichs-, kommerziellen, lokalen und Folgeintentionen. Query Fan-out und Multi-Path Discovery formulieren mögliche Anschlussfragen und Wege durch ein Thema.
Beobachtete Frageüberschriften werden getrennt von synthetischen Fragen geführt. Redaktionelle Antwortstrukturen, eindeutige Entities und passende interne Links können die Orientierung unterstützen. Ob daraus bessere Retrieval- oder Zitationsergebnisse entstehen, muss separat gemessen werden.
LONG TAIL GEO™ Forschungsansatz ansehen →Methodische Grenzen & Reproduzierbarkeit
Die Gewichte und Schwellen sind Forschungsentscheidungen. Bislang wird keine empirische Validierung gegenüber Rankings oder KI-Zitationen behauptet. Statisches HTML, kurze Crawl-Budgets und die Auswahl erreichbarer Seiten begrenzen die Beobachtung.
- Verzerrungen: Branchen, Sprache, Domainalter, Websitegröße und Datenanbieter können die Verteilung der Signale verändern. Ein gemeinsamer Benchmark muss diese Unterschiede untersuchen.
- Messlücken: JavaScript-Inhalte, geschützte Bereiche, tatsächliche KI-Zitationen und reale Query-Fan-out-Pfade werden nicht durch den HTML-Core gemessen.
- Manipulierbarkeit: Mehr Überschriften oder JSON-LD erhöhen einfache Heuristiken, ohne automatisch bessere Antworten zu liefern. Manuelle Plausibilitätsprüfung bleibt erforderlich.
- Reproduzierbarkeit: Domain, UTC-Messzeit, Quelle, Snapshot-ID oder Hash, Rohwert, Normalisierungsversion, Evidenzstatus und Algorithmusversion gemeinsam protokollieren.
- Forschungsplan: Benchmarks vorab definieren, Quellen- und Branchenstichproben dokumentieren, externe Zielgrößen unabhängig messen und Änderungen an Gewichten getrennt evaluieren.
Ein einzelner Fallbericht oder eine Korrelation belegt keine Kausalität. Das Verfahren erkennt keine „AI-native“-Technologie zuverlässig; fehlende Erkennung darf keinen Malus erzeugen.
Nachrechnen statt vermuten
Die folgenden Zahlen sind vollständig synthetisch und gehören zu keiner realen Domain. Sie demonstrieren ausschließlich die Rechen- und Freigabelogik des Forschungsmodells. Gewichte sind fest; Werte und simulierter Evidenzstatus lassen sich für beide Modelle ändern. Der Simulator verändert keine produktiven Modellgewichte.
Dokumentierter Backlink-Datensatz mit Herkunft und Stichtag.
Autorisierte Search-Console-Daten oder dokumentierter Sichtbarkeitsdatensatz.
HTTP-Crawl, Indexierbarkeit und dokumentierte technische Messungen.
Festgelegte Rubrik für fachliche Qualität und Themenabdeckung.
Überprüfbare Unternehmens-, Autoren- und Quelleninformationen.
Interne Links, Crawltiefe und thematische Verbindungen.
Ausgangsbeispiel: gewichteter Wert 74,75 von 100; geteilt durch 10 und auf eine Dezimalstelle gerundet ergibt 7,5 von 10. Keine echte Bewertung.
Fehlt nur Information Architecture (10 %), beträgt die Abdeckung 90 %. Trotz überschrittener 85-%-Schwelle bleibt der vollständige PageRank gesperrt. Mit beiden Pflichtsignalen kann intern 7,4 / 10 diagnostiziert werden. Fehlt Link Authority, ist auch diese interne Diagnose gesperrt.
Gemeinsam versioniert. Nachvollziehbar geändert.
Die V1.8-ZIP ergänzt das separate Rank-Modul und diese Whitepaper-Spezifikation. Die vier HTML-Dimensionsheuristiken behalten ihre bisherigen Regeln. Der Aggregator erhält den dokumentierten V1.0-Abgleich und eine getrennte Teilscore-Ausgabe. Die Versionsnummer der Verpackung ist keine Behauptung einer neuen GEO-Berechnungsformel.
V1.0 · Erstveröffentlichung des Forschungsmodells
Sechs Rank-Dimensionen, feste Gewichte, logarithmische Normalisierung, strenge Evidenzfreigabe und synthetisches Rechenlabor. Keine empirische Validierung. Kein öffentlicher Domain-PageRank ohne geeignete Daten.
V1.0 · Engine Alignment 1.0-alignment.1
Explizite 0–1-Normalisierung, Weighted Coverage in Prozent, gemeinsame Evidenzstufen und Freigabeprüfung für GEO und PageRank. Whitepaper V1.0, Revisionsstand 1.0-alignment.1 und Evidence Policy 2.2 sind gemeinsam dokumentiert.
Modellgewichte, Freigabeschwellen und Versionen liegen in einem gemeinsamen maschinenlesbaren Manifest. Änderungen an Berechnung, Normalisierung oder Freigabe benötigen einen neuen dokumentierten Stand samt Vergleichstests.
Versionsmanifest als JSON ↓GEO Conversation Intents · Fragen zur Methodik
Was misst der QLABS GEO Score?
Er beschreibt die mit einer festgelegten Rubrik eingeschätzte GEO-Readiness auf einer Skala von 0 bis 100. Er misst weder tatsächliche KI-Zitationen noch eine Wahrscheinlichkeit, in einer KI-Antwort genannt zu werden.
Ist AISEO™ PageRank der Google PageRank?
Nein. AISEO™ PageRank ist ein eigenständiges QLABS-Forschungsmodell mit sechs gewichteten Dimensionen auf einer Skala von 0 bis 10. Es besteht keine Verbindung zu Google.
Kann ich den PageRank aus dem GEO Score ableiten?
Nein. Beide Modelle haben unterschiedliche Dimensionen und Datenanforderungen. Insbesondere benötigt das PageRank-Modell verifizierte Linkautorität und organische Sichtbarkeit. Eine Division des GEO Scores durch zehn wäre methodisch falsch.
Warum erscheint bei fehlenden Daten kein Gesamtwert?
Unbekannte Werte sind keine Nullwerte. Das öffentliche Modell verlangt alle Dimensionen und die vorgesehenen Evidenznachweise. Teilwerte können eine interne Diagnose ermöglichen, erfüllen aber nicht die Freigabe eines vollständigen Scores.
Was ist der Unterschied zwischen Datenabdeckung und Confidence?
Datenabdeckung ist der Anteil der Gewichte, für den zulässige Daten vorliegen. Confidence beschreibt die Belastbarkeit einer konkreten Aussage. Im aktuellen Core sind high, medium, low und none qualitative Kennzeichnungen, keine kalibrierten Wahrscheinlichkeiten.
Sind Query-Fan-out-Fragen tatsächlich gemessene Suchanfragen?
Nein. Generierte Fan-out-Fragen und Discovery-Pfade sind redaktionelle Hypothesen. Beobachtete Frageüberschriften stammen aus dem untersuchten HTML; auch sie belegen keine Suchnachfrage.
Garantiert ein hoher Score bessere Rankings oder KI-Zitationen?
Nein. Die Gewichte sind Forschungsannahmen ohne behauptete empirische Validierung. Suchsysteme, Konkurrenz, Datenquellen und Abfragekontext beeinflussen reale Ergebnisse.
Wie lässt sich eine Berechnung reproduzieren?
Dafür müssen Algorithmus- und Whitepaper-Version, Eingangsdaten, Herkunft, Messzeitpunkt, Snapshot, Normalisierung einschließlich Referenzwerten, Missing-Data-Status und Rundungsregel gemeinsam dokumentiert sein. Ein erneut abgerufener Webinhalt kann sich bereits verändert haben.
Von der Methodik zur Anwendung
GEO Check ↗
Analyse-Oberfläche und Verfügbarkeit. Die Live-Analyse bleibt bis zur Backend-Anbindung und zum erfolgreichen Ende-zu-Ende-Test deaktiviert.
HINTERGRUND & EINORDNUNGAISEO™ PageRank ↗
Das eigenständige Konzept im SEOSTUDIO Magazin. Für die aktuellen mathematischen Regeln gilt dieses Whitepaper.
Quellen & Spezifikationsgrundlage
- SEOSTUDIO Research & Innovation: QLABS Rank Algorithm™ Technical Whitepaper V1.0 und
core/pagerank.py, bereitgestellter Core V1.8, 30.10.2026. - QLABS GEO Core:
core/scoring.py,core/audit.pyundcore/evidence.py, integrierter Stand V1.6 mit dokumentierter sicherer Online-Hülle. - Page, Brin, Motwani & Winograd: The PageRank Citation Ranking: Bringing Order to the Web ↗ – Quelle für die historische Abgrenzung.