Nach einem Monat, in dem ich ein persönliches Side-Project als SEO-Testfeld genutzt hatte, standen 632 organische Besucher in den Daten. Das war ermutigend. Die wichtigste Lektion kam aber von einer anderen Zahl: Am 15. Oktober erreichte die Seite mit 83 Besuchern ihren bisherigen Tageshöchstwert, und ein Teil dieses Peaks sah nicht nach menschlichem Traffic aus.
Ich bereitete mich auf eine größere SEO-Initiative im Job vor und wollte praktische Erfahrung sammeln, statt nur noch mehr Theorie zu lesen. Das Side-Project gab mir einen Ort, an dem ich Änderungen vornehmen, Daten beobachten und auch falschliegen konnte, ohne jede Beobachtung sofort in eine Produktionsentscheidung zu verwandeln.
Genau diese Trennung wurde schnell wichtig: Wenn sich eine Metrik nach einer Änderung bewegt, beweist das noch keine Ursache. Ein Traffic-Peak kann wie Wachstum aussehen, bis man die Quellen aufschlüsselt. Und eine Session-Aufzeichnung kann etwas Seltsames zeigen, ohne zu erklären, warum es passiert ist.
Was mir 632 organische Besucher wirklich gesagt haben
Im ersten Monat kamen 632 organische Besucher. Das kann ich bestätigen. Aus dieser Zahl allein kann ich aber weder ableiten, dass ich eine reproduzierbare SEO-Formel gefunden hatte, noch dass jede Änderung Rankings verbessert hat oder dass die Entwicklung so weitergehen würde.
Für ein Lernprojekt lag der Wert darin, überhaupt genug echten Such-Traffic zum Beobachten zu haben. Ich konnte etwas ändern, sehen, welche Kennzahlen sich bewegten, und daraus eine präzisere nächste Frage ableiten. Das war hilfreicher, als SEO als Checkliste zu behandeln, bei der jede „Best Practice“ automatisch einen Rankinggewinn liefern soll.
Die Schriftgröße hat mich bei Kausalität vorsichtiger gemacht
Überrascht hat mich eine Korrelation zwischen Änderungen der Schriftgröße und Performance-Metriken. Daraus lässt sich schnell der Satz machen: „Kleine UX-Details beeinflussen Rankings.“ Für meine Daten wäre das zu stark.
Tatsächlich beobachtet habe ich nur: Ich änderte die Schriftgröße und danach bewegten sich bestimmte Kennzahlen. Ich führte keinen kontrollierten Versuch durch, der die Schriftgröße von allen anderen Änderungen isolierte. Ebenso habe ich keinen Beleg dafür, dass eine Suchmaschine wegen genau dieser CSS-Änderung Rankings angepasst hat. Schriftgröße kann Zeilenumbrüche, Layout und Elementpositionen verändern und damit Rendering- oder UX-Messwerte beeinflussen. Welcher Mechanismus in meinem Fall wirkte, bleibt aber offen.
Eine vorsichtigere Regel für solche Experimente ist: erst die Beobachtung festhalten, dann die Erklärung formulieren. „Nach Änderung Y bewegte sich Metrik X“ ist ein Datenpunkt. „Y verursachte X“ ist eine Hypothese, solange die Evidenz nicht reicht.
Der Tag mit 83 Besuchern sah besser aus, bevor ich Webvisor öffnete
Am 15. Oktober erreichte die Seite mit 83 Besuchern ihren bisherigen Tageshöchstwert. Das waren nicht zwangsläufig 83 organische Besucher; es war der gesamte Tages-Peak, den ich untersuchte. Beim Aufschlüsseln fiel auf, dass ein erheblicher Anteil aus China kam und als Direct Traffic klassifiziert war.
„Direct“ klingt schnell nach „jemand hat die URL eingetippt“. In Yandex Metrica kann diese Kategorie aber auch entstehen, wenn kein Referrer übermittelt wurde. Yandex beschreibt das in der Dokumentation zu Traffic-Quellen. Das Label allein sagt mir also weder, wer der Besucher war, noch wie er die Seite tatsächlich gefunden hat.
Danach öffnete ich Yandex Webvisor. In den verdächtigen Sitzungen wirkte es so, als würde die Seite mit deaktiviertem CSS aufgerufen. Auf Basis des Musters schätzte ich, dass ungefähr 20 dieser „Nutzer“ wahrscheinlich Bots waren.
Deaktiviertes CSS war ein Hinweis, kein Beweis
Diese Zahl bleibt eine Schätzung. Mindestens zwei Erklärungen sind möglich.
- Die Requests waren tatsächlich automatisiert. Ein Scraper kann nur HTML laden und Stylesheets, Bilder oder andere unnötige Assets auslassen. Bandbreite zu sparen ist eine plausible Erklärung, aber ich habe dieses Motiv nicht bestätigt.
- Die Wiedergabe entsprach nicht exakt der ursprünglichen Sitzung. Session-Replay-Systeme rekonstruieren Seiten aus aufgezeichneten Daten. Yandex dokumentiert selbst Fälle, in denen eine Aufzeichnung anders aussieht als die tatsächliche Seite, darunter CSS-Probleme bei der Wiedergabe nach Änderungen an Stylesheets.
Damit ist „Webvisor zeigte die Seite ohne CSS“ eine Beobachtung. „Der Besucher hat CSS absichtlich deaktiviert“ ist eine Interpretation. „Also war es ein Bot“ ist eine weitere Schlussfolgerung. Der Bot-Verdacht war für mich plausibel, aber ein einzelnes Replay-Merkmal reicht nicht für eine sichere Klassifizierung.
Was ich in den Logs prüfen würde
Server-Logs sind für diese Frage die nächste, belastbarere Ebene. Ich würde User-Agent, IPs beziehungsweise Netze, Request-Timing und Wiederholungen, angeforderte Assets, Pfade, Statuscodes und Referrer vergleichen. Besonders interessant ist, ob der Client nur HTML abruft oder auch CSS, JavaScript und Bilder lädt und ob sich dieselben Muster in Analytics-Dimensionen wie Browser, JavaScript-Unterstützung, Region, Sitzungsdauer und Landingpage wiederholen.
Keines dieser Signale ist allein perfekt. Zusammen können sie die Bot-Hypothese aber deutlich besser stützen oder schwächen als der Eindruck, dass „die Aufzeichnung merkwürdig aussah“.
Die größere Lektion ging um Messung, nicht um Rankings
Ich startete das Side-Project, um vor einer größeren SEO-Initiative im Job praktische Erfahrung zu sammeln. Nach einem Monat waren nicht nur die 632 organischen Besucher wertvoll. Noch wichtiger war zu sehen, wie schnell aus unvollständigen Daten eine überzeugende, aber zu einfache Geschichte entsteht.
Ich hätte den Peak von 83 Besuchern einfach Wachstum nennen können. Ich hätte die Veränderung nach der Schriftgrößen-Anpassung als Rankingfaktor interpretieren können. Und ich hätte jede CSS-lose Session zum Bot erklären können. Alle drei Geschichten wären einfacher gewesen. Keine wäre ausreichend belegt gewesen.
Für künftige Experimente wäre ein konservativerer Ablauf sinnvoll: Traffic-Quellen trennen, Änderungen protokollieren, Vorher/Nachher vergleichen ohne automatisch Kausalität anzunehmen, Anomalien auf Request-Ebene prüfen und Analytics-Tools als Messsysteme mit eigenen Grenzen behandeln.
Genau das war für mich bisher der wertvollste Teil des Experiments. SEO lieferte den Traffic zum Beobachten. Die schwierigere Fähigkeit besteht darin, zu entscheiden, was die Daten tatsächlich beweisen.
Ich analysiere die Logs weiter, vor allem rund um den Direct Traffic aus China. Wenn sich ein wiederholbares Request-Muster finden lässt, kann ich die ursprüngliche Frage wesentlich belastbarer beantworten: ob diese ungefähr 20 Besuche wirklich Bots waren und ob das Auslassen von CSS zu ihrem Verhalten gehörte.