Dies ist der dritte Artikel einer dreiteiligen Serie darüber, wie Marken die Effektivität und den ROI ihrer KI-Sichtbarkeit messen können.
- Teil 1: Direkter ROI
- Teil 2: Halo durchsuchen
- Teil 3: Sub-Entity Halo
Ein Immobilienentwickler, mit dem wir zusammengearbeitet haben, verfügte über eine starke Muttergesellschaft.
Es tauchte regelmäßig in den KI-Antworten auf. Die Markensuche verlief gut. Oberflächlich betrachtet schien die KI-Sichtbarkeit zu funktionieren.
Doch als wir uns ihre einzelnen Immobilienprojekte ansahen, kam etwas viel Aufschlussreicheres zum Vorschein.
Einige Projekte wurden namentlich empfohlen. Die KI präsentierte sie gezielt mit ihrem jeweiligen Standort, ihren Merkmalen und ihrer Positionierung, die klar erfasst wurden.
Andere Projekte wurden nicht erwähnt. Sie wurden lediglich als „ein Projekt von [Marke]“ bezeichnet. Kein Projektname. Keine eigenständige Nennung. Nur die Muttermarke, die sie in die Antwort einbezog.
Diese Diskrepanz war von Bedeutung, aber nicht nur, weil eine Käufergruppe eher zur Konversion neigt als eine andere.
Das eigentliche Problem ist folgendes: Wenn die KI zwar die Marke, aber nicht das jeweilige Projekt kennt, kann sie dieses Projekt nicht einer bestimmten Nutzeranfrage zuordnen..
Wenn ein Benutzer fragt:
„Welche Eigentumswohnung in der Nähe [Standort] hat [spezifische Merkmale/Anforderungen]?“
Um diese Frage zu beantworten, benötigt die KI Informationen über Standort, Funktionen und Positionierung des Projekts. Kennt sie lediglich die Existenz der übergeordneten Marke, wird das Projekt nicht empfohlen.
Nicht etwa, weil es nicht passen würde. Sondern weil die KI nicht genügend Informationen darüber hat, um zu wissen, dass es passt.
Das Projekt verliert nicht nur eine potenzielle Konversion. Es wird komplett aus dem Gespräch ausgeschlossen, und zwar genau in dem Moment, in dem ein qualifizierter Käufer die genau richtige Frage stellt.
Die Daten zeigten uns nicht nur, wie gut die KI funktionierte. Sie zeigten uns auch, welche Projekte genügend unabhängige Signale generiert hatten, um für sich allein stehen zu können… und welche nicht.
Das ist eine Frage der Markenarchitektur. Und die Daten zur KI-Sichtbarkeit von Unterentitäten haben sie beantwortet.
Hier kommt Sub-Entity Halo ins Spiel.
Warum die Messung auf Markenebene nicht ausreicht
Markenbezogene Messungen sind nützlich. Aber sie können genau solche Diskrepanzen verschleiern.
Ein Unternehmen kann mehrere Submarkenprodukte (iPhone, Xbox) oder -dienste (AWS, YouTube, Apple Music) anbieten. Selbst wenn die Muttermarke in den KI-Antworten regelmäßig auftaucht, lässt sich daraus nicht ableiten, welche spezifischen Angebote die KI gut genug versteht, um sie zu empfehlen, und welche sie nicht mit der tatsächlichen Suchanfrage eines Nutzers abgleichen kann.
Nutzer sind oft viel spezifischer, als es markenbezogene Messungen erfassen. Sie fragen KI nicht immer nach einer Marke. Sie fragen nach:
- ein Produkt mit spezifischen Eigenschaften
- ein Service, der für einen bestimmten Anwendungsfall geeignet ist
Wenn KI nicht über genügend Details zu einem bestimmten Produkt oder einer Dienstleistung verfügt, kann sie weder die Marke noch das Produkt/die Dienstleistung in entsprechenden Suchanfragen anzeigen, selbst wenn die übergeordnete Marke bekannt ist. Die Unterentität ist genau dann unsichtbar, wenn sie am relevantesten wäre.
Diese Unsichtbarkeit zeigt sich nicht auf Ebene der Muttermarke. Die Gesamtmarke mag in KI-Antworten stabil erscheinen, während einzelne Angebote systematisch von den für das Unternehmen wichtigsten Anfragen ausgeschlossen werden.
Deshalb benötigen Marken eine dritte Messebene.
Was bedeutet Sub-Entity Halo in einfachen Worten?
Sub-Entity Halo beantwortet zwei zusammenhängende Fragen:
- Werden unsere spezifischen Produkte oder Dienstleistungen mithilfe von KI in den Suchanfragen angezeigt, in denen sie am relevantesten sind?
- Und wenn KI diese Angebote anzeigt, führt das dann zu weiteren Suchanfragen und Konversionen genau für dieses Angebot?
Man spricht von einem Halo-Effekt, weil KI – ähnlich wie beim Such-Halo – nicht immer den finalen Klick auslöst. Sie schafft Aufmerksamkeit und beeinflusst die Kaufentscheidung im Vorfeld. Dieser Einfluss zeigt sich später im produktspezifischen Suchverhalten und den Conversions auf den Produktseiten.
Die Reise sieht folgendermaßen aus:
- Ein Benutzer fragt die KI nach der besten Option in einer bestimmten Kategorie oder einem bestimmten Anwendungsfall.
- Die KI verfügt über genügend spezifische Informationen zu Ihrem Produkt/Ihrer Dienstleistung, um diese mit der Suchanfrage abzugleichen und sie namentlich zu empfehlen.
- Der Benutzer verlässt die KI-Schnittstelle.
- Der Nutzer sucht gezielt nach dem Namen dieses Produkts oder dieser Dienstleistung.
- Der Nutzer gelangt auf die entsprechende Produkt- oder Dienstleistungsseite.
- Der Nutzer konvertiert.
Schlägt Schritt 2 fehl – verfügt die KI also nicht über genügend Details, um das Produkt der Suchanfrage zuzuordnen –, findet der Rest des Prozesses nicht statt. Ein Mitbewerber übernimmt diese Rolle.
Das ist Sub-Entity Halo. Die Messebene, die dies sichtbar macht.
Sub-Entity-Halo in der Praxis
Das Konzept wird anhand realer Marken deutlicher. Hier sind zwei Beispiele – eines für ein physisches Produkt, eines für eine Dienstleistung –, die zeigen, wie sich der Sub-Entity-Halo-Effekt je nach Produkt oder Dienstleistung auswirkt.
HinweisDies sind keine tatsächlichen Aufführungen, sondern nur ein Beispiel zur Veranschaulichung des Konzepts.
Beispiel 1: Nike (Physisches Produkt)
Muttermarke: Nike
Untereinheit (benanntes Produkt)Nike Air Max 270
Nike zählt zu den bekanntesten Marken der Welt. Doch wenn ein Nutzer eine konkrete Frage an eine KI stellt, reicht die Markenbekanntheit allein möglicherweise nicht aus, um eine Produktempfehlung zu erhalten.
Benutzeranfrage: „Welcher Sneaker eignet sich gut für den Alltag und bietet maximale Dämpfung für lange Spaziergänge?"
Um diese Frage zu beantworten, muss die KI wissen, dass der Air Max 270 Nikes größtes Air-Element in der Ferse besitzt, für ganztägigen Tragekomfort entwickelt wurde und sich in einer bestimmten Preisklasse befindet. Sie benötigt Informationen zu diesem spezifischen Teilbereich, nicht nur zur Marke.
Wenn das Signal der Unterentität stark istDie KI empfiehlt den Air Max 270 namentlich, beschreibt seine Dämpfungstechnologie und ordnet ihn dem Anwendungsfall des Nutzers zu. Der Nutzer sucht dann nach „Nike Air Max 270und landet direkt auf der Produktseite.
Wenn das Signal der Unterentität schwach istDie KI weiß lediglich, dass Nike Turnschuhe herstellt. Sie erwähnt Nike allgemein, kann aber kein spezifisches Modell der Suchanfrage zuordnen. Stattdessen könnte ein Konkurrenzprodukt mit detaillierteren Produktinformationen für die KI infrage kommen.
Die Seite für den Air Max 270 kann sowohl direkten als auch bezahlten Traffic generieren. Sub-Entity Halo erscheint jedoch nur, wenn die KI ihn gezielt anzeigen kann, wofür sie ihn gut genug kennen muss, um die Übereinstimmung herzustellen.
Was das für Nike bedeutetWenn die KI-gestützte Sichtbarkeitsanalyse zeigt, dass der Air Max 270 bei Suchanfragen zu Dämpfung oder Komfort nicht erwähnt wird, liegt das an der Signalqualität, nicht am Produkt selbst. Die Lösung besteht darin, aussagekräftigere und spezifischere Inhalte rund um dieses Produkt zu erstellen, damit die KI es in den relevanten Gesprächen korrekt darstellen kann.
Beispiel 2: HubSpot (Dienstleistung / Lösung)
Muttermarke: HubSpot
Unterentität (benannte Lösung)HubSpot Marketing Hub
HubSpot ist weithin als CRM- und Marketingplattform bekannt. Die Plattform besteht jedoch aus verschiedenen Hubs, die jeweils auf unterschiedliche Teams, Probleme und Zielgruppen ausgerichtet sind. Nutzer, die Lösungen evaluieren, fragen selten nach der Marke HubSpot, sondern nach einer konkreten Lösung für ein spezifisches Problem.
Benutzeranfrage: „Welches Tool eignet sich am besten für die zentrale Verwaltung von E-Mail-Kampagnen, Landingpages und Lead-Nurturing durch ein mittelständisches B2B-Unternehmen?"
Um diese Frage zu beantworten, muss die KI wissen, dass Marketing Hub E-Mail-Marketing, Landingpage-Erstellung, Lead-Nurturing-Workflows und Marketing-Analysen umfasst. Sie muss außerdem wissen, dass sie speziell für Teams entwickelt wurde, die diese Funktionen in ein CRM integrieren möchten. Sie muss Marketing Hub kennen, nicht nur HubSpot.
Wenn das Signal der Unterentität stark istDie KI empfiehlt HubSpot Marketing Hub anhand des Namens, erklärt dessen Funktionen und ordnet es dem B2B-Kontext des Nutzers (mittelständisches Unternehmen) zu. Der Nutzer sucht nach „HubSpot Marketing Hub“ und gelangt so auf die entsprechende Lösungsseite.
Wenn das Signal der Unterentität schwach istDie KI erkennt zwar, dass HubSpot eine Marketingplattform ist, kann die spezifischen Funktionen des Marketing Hubs aber nicht detailliert genug beschreiben, um ihn der Suchanfrage zuzuordnen. Sie erwähnt HubSpot daher nur allgemein oder empfiehlt einen Mitbewerber, dessen Lösungsseite besser im Wissen der KI abgebildet ist.
HubSpots Markenimage ist insgesamt stark. Wenn Marketing Hub jedoch nicht als eigenständige Untereinheit mit klarer Positionierung, detaillierten Funktionsbeschreibungen und Anwendungsfallabdeckung gut repräsentiert ist, kann es bei genau den Suchanfragen, für die es entwickelt wurde, übersehen werden.
Was das für HubSpot bedeutetJeder Hub muss als eigenständige Herausforderung für die KI-Sichtbarkeit betrachtet werden. Marketing-Hub, Vertriebs-Hub und Service-Hub haben jeweils unterschiedliche Käufergruppen, Anfragen und Signale, die die KI benötigt, um präzise Empfehlungen auszusprechen. Eine starke Dachmarke garantiert nicht automatisch eine hohe Sichtbarkeit der Untereinheiten. Jede Einheit muss sich ihren Platz in den KI-Antworten selbst erarbeiten.
Was, wenn die Marke allein nicht ausreicht, um ins Gespräch zu kommen?
Die vorherigen Beispiele zeigen, was passiert, wenn KI eine Marke, aber nicht deren Unterunternehmen gut genug kennt, um eine passende Zuordnung herzustellen. Die Marke kann zwar weiterhin empfohlen werden, jedoch eher allgemein gehalten.
Doch es gibt eine größere und unsichtbarere Version dieses Problems.
Manchmal ist die Anfrage eines Nutzers zu spezifisch für die Hauptmarke, aber eine ihrer Untermarken passt eigentlich genau. Da die KI diese Untermarke jedoch nicht gut genug kennt, kann sie keine passenden Ergebnisse liefern.
Somit werden weder die Marke noch die Tochtergesellschaft in die Diskussion einbezogen. Hier erweist sich die alleinige Fokussierung auf die Sichtbarkeit der Muttermarke als strategischer blinder Fleck.
Die Unterentitätsverfolgung macht sie sichtbar. Sie zeigt Ihnen genau, welche Unterentitäten Anfragen verlieren, die sie eigentlich gewinnen sollten, und wo gezielte Investitionen tatsächlich etwas bewirken würden.
HinweisDies ist keine tatsächliche Aufführung, sondern nur ein Beispiel zur Veranschaulichung des Konzepts.
Beispiel: Moxy Hotels by Marriott (Physisches/Standortbasiertes Produkt)
MuttermarkeMarriott
Untereinheit (benanntes Produkt)Moxy Hotels
Marriott ist eine der weltweit größten Hotelgruppen mit einem breiten Portfolio an Luxus-, Business- und Lifestyle-Unterkünften. Wenn ein Nutzer eine allgemeine Frage zu Hotels stellt, ist es daher durchaus möglich, dass Marriott in der Antwort auftaucht.
Aber nicht jede Anfrage ist allgemein.
Benutzeranfrage: „Welche netten und bezahlbaren Hotels eignen sich für eine Solo-Reise nach Amsterdam mit Anfang 20?"
Diese Anfrage hat spezifische Anforderungen: erschwingliche Preise, eine gesellige Atmosphäre, ein modernes Design und eine Zielgruppe jüngerer, unabhängiger Reisender.
Marriott als Marke ist zu allgemein, um diese Frage sicher beantworten zu können. Die KI kann nicht feststellen, ob ein bestimmtes Marriott-Hotel die Kriterien erfüllt, daher werden nur Marken und Hotels angezeigt, die diese Kriterien eindeutig erfüllen.
Was geschieht ohne Kenntnis von Untereinheiten? Weder Marriott noch irgendeine seiner Unterkünfte werden erwähnt. Die KI schlägt Hostels, Boutique-Budgethotels oder Lifestyle-Marken vor, deren Positionierung eindeutig zur Suchanfrage passt. Die Chance geht damit komplett verloren.
Was sollte passieren: Moxy Hotels ist Marriotts Antwort auf genau diese Frage. Die Marke wurde speziell als erschwingliche, designorientierte und gesellige Hotelmarke für jüngere Reisende entwickelt und verfügt über Häuser in ganz Europa, darunter auch in Amsterdam. Sie erfüllt die Anforderungen der Nutzer präzise.
Wenn die KI Moxy Hotels jedoch nicht als eigenständige Marke mit eigener Positionierung, Preisspanne, Zielgruppe und detaillierten Objektbeschreibungen erkennt, kann sie auch nicht beurteilen, ob eine Marriott-Marke die richtige Wahl wäre. Die Marke allein kann diese Frage nicht beantworten.
Was die Verfolgung von Unterentitäten offenbart: Anfragen nach erschwinglichen Lifestyle-Hotels, Unterkünften für Gruppen und Budgetreisen in Städten, in denen Moxy Hotels betreibt, stellen ein ungenutztes Potenzial dar. Die separate Betrachtung von Moxy als eigenständige Einheit macht diese verpassten Chancen sichtbar und verdeutlicht, wo Investitionen in Content und PR tatsächlich etwas bewirken würden, anstatt in die breitere Markenpräsenz von Marriott zu investieren, die diese Anfragen ohnehin nicht hätte erreichen können.
Warum der Halo-Effekt von Unterunternehmen für Marken wichtig ist
Dies ist besonders wichtig für Marken mit:
- benannte Produktlinien oder Dienstleistungsangebote
- benannte kategoriespezifische Landingpages
- Benannte Lösungen für unterschiedliche Zielgruppen oder Anwendungsfälle
Beachten Sie den Begriff „benannt“. Denn ohne Namen ist es keine Entität, die der Benutzer leicht suchen oder die KI leicht zuordnen kann.
Und wenn man die Auswirkungen von KI nur auf Ebene der Muttermarke misst, riskiert man, zu verpassen, wo Wert geschaffen und wo er verloren geht.
Eine Marke kann insgesamt eine stabile KI-Performance aufweisen, während ein bestimmtes Produkt stillschweigend von allen relevanten Suchanfragen ausgeschlossen wird. Oder ein margenstarkes Angebot wird konstant empfohlen, ohne dass es jemandem im Team auffällt, da alle nur die wichtigsten Markensignale berücksichtigen.
KI-Transparenz schafft nicht gleichmäßig Wert für ein Portfolio. Sie kann Folgendes begünstigen:
- ein Produkt gegenüber einem anderen
- eine Versorgungsleitung über eine andere
- eine Submarke über den Rest
Der Unterschied liegt oft darin, wie viele spezifische, strukturierte Informationen die KI über jede einzelne Untereinheit besitzt. Diejenigen mit stärkeren Signalen werden häufiger mit Suchanfragen abgeglichen. Diejenigen ohne diese Signale bleiben unsichtbar, unabhängig davon, wie bekannt die Muttermarke ist.
Wie Marken den Halo-Effekt von Unterunternehmen in der Praxis messen können
Die Logik ähnelt Search Halo, wird aber auf Produkt- oder Serviceebene angewendet. Das Modell funktioniert in drei Schritten.
Schritt 1: Die Unterentität isolieren
Definieren Sie das Produkt, die Dienstleistung oder den Geschäftsbereich, den Sie messen möchten. Sie benötigen einen eindeutigen Namen und eine eigene Landingpage.
Je präziser diese Definition, desto besser die Messung.
Schritt 2: Suchanfragen für diese Unterentität messen
Schauen Sie sich in der Google Search Console den Suchverkehr an, der speziell mit diesem Produkt oder Angebot verknüpft ist. Verwenden Sie dazu sowohl die Landingpage, auf die die Nutzer geklickt haben, als auch den Produkt- oder Dienstleistungsnamen in der Suchanfrage.
Dadurch werden Besuche isoliert, bei denen die Suchabsicht tatsächlich auf dieses spezifische Angebot gerichtet war, und nicht einfach nur irgendein Besuch auf der Seite.
Schritt 3: Abschätzung der Konversionsauswirkungen
Messen Sie in GA4 die organischen Conversions auf der betreffenden Landingpage. Wenden Sie anschließend das Produkt-Intent-Verhältnis aus Schritt 2 an, um abzuschätzen, wie viele dieser Conversions auf tatsächliche Produkt-Suchabsicht zurückzuführen sind.
Sub-Entity Halo = Produktinteressenanteil des organischen Traffics × organische Conversions auf dieser Produktseite
Wenn also 30 % der organischen Klicks auf eine Produktseite von Suchanfragen stammen, die sich eindeutig auf dieses Produkt beziehen, und die Seite 50 organische Conversions generiert, beträgt der geschätzte Conversion-Effekt 15 Conversions.
Es geht nicht darum, dass jede dieser 15 Conversions definitiv auf KI zurückzuführen ist. Vielmehr geht es darum, dass Sie, wenn die Sichtbarkeit von KI für dieses spezifische Produkt steigt und sich die Suchanfragen und Conversions auf der Produktseite entsprechend entwickeln, nun eine praktische Möglichkeit haben, die Auswirkungen auf nachgelagerte Prozesse abzuschätzen und im Zeitverlauf zu verfolgen.
Worauf Marken achten sollten
- Primäre EingabeKI-Sichtbarkeit für das jeweilige Produkt oder die jeweilige Dienstleistung anhand des Namens
- Abfrageabdeckung: Auftreten in merkmals- und standortspezifischen Abfragen
- NachfragesignalSuchen Sie nach dem Lift für diesen spezifischen Produkt- oder Dienstleistungsnamen
- Verkehrszeichen: Organischer Traffic zur entsprechenden Landingpage
- Absichtssignal: Anteil des organischen Traffics auf dieser Seite, der auf Produktabsichten zurückzuführen ist
- AusgangGeschätzte Halo-Konversionen auf Produktebene im Laufe der Zeit
Das erste Signal ist von größter Bedeutung: Erscheint die Unterentität in den spezifischen Abfragen auf Merkmals- und Standortebene, in denen sie am relevantesten ist?
Falls dies nicht der Fall ist, werden die nachgelagerten Kennzahlen diesen Mangel widerspiegeln, unabhängig davon, wie stark das Signal der Muttermarke ist.
Wenn sich alle Signale in die gleiche Richtung bewegen (die Sichtbarkeit von KI steigt, die Produktabsichtssuche nimmt zu, die Konversionsrate auf den Produktseiten steigt), sieht man, wo KI auf Angebotsebene Wert schafft, nicht nur auf Ebene der Muttermarke.
Die tiefergehende Bedeutung des Sub-Entity-Halo
Sub-Entity Halo ist nicht nur ein Messmodell. Es dient der Diagnose.
Als der Immobilienentwickler sah, welche Projekte von der KI benannt wurden und welche nicht, hatte er eine Antwort auf eine schwierigere Frage:
Welche unserer Projekte haben genügend unabhängige Signale generiert, um eigenständig bestehen zu können? Und welche sind vollständig von der Muttermarke abhängig, um in KI-gestützte Antworten einfließen zu können?
Diese Unterscheidung hat direkte wirtschaftliche Konsequenzen. Ein Projekt, das die KI nicht ausreichend detailliert beschreiben kann (Standort, Merkmale, Vernetzung, Positionierung), wird bei jeder Anfrage ausgeschlossen, bei der der Käufer genau diese Details sucht. Es erscheint nicht, weil die Marke selbst nicht relevant genug ist, um berücksichtigt zu werden.
Diese Erkenntnis veränderte die Investitionsstrategie des Entwicklers. Er konzentrierte sich verstärkt auf Inhalte und PR für die schwächeren Projektmarken – nicht aus Intuition heraus, sondern basierend auf den Erkenntnissen der KI-gestützten Sichtbarkeitsdaten darüber, welche Teilbereiche das Potenzial hatten, unabhängig zu konkurrieren, und welche nicht.
Genau das ermöglicht Sub-Entity Halo. Nicht nur die Zuordnung von Ergebnissen. Strategische Priorisierung basierend darauf, wie KI tatsächlich spezifische Angebote entdeckt und empfiehlt.
Wie Sub-Entity Halo diese KI-Sichtbarkeitsmessungsreihe vervollständigt
Teil 1 (Direkter ROI) antwortete: Hat KI zu direkt zurechenbaren Konversionen geführt?
Teil 2 (Suche nach Halo) antwortete: Hat KI die Markennachfrage erhöht, was sich später in Suchmaschinen und indirektem Traffic niederschlug?
Antworten zu Teil 3 (Unterentität Halo): Werden durch KI spezifische Unterkategorien (namentlich genannte Produkte und Dienstleistungen) in den Suchanfragen angezeigt, bei denen sie am relevantesten sind – und führt das zu messbarer Nachfrage und Konversionen für genau diese Angebote?
Zusammen ergeben diese drei Ebenen ein vollständiges Bild des ROI von AI Visibility: direkte Auswirkungen auf die Konversion, indirekte positive Auswirkungen auf Markenebene und indirekte positive Auswirkungen auf Produktebene.
Das ist ein wesentlich besserer Ansatz als die alleinige Berücksichtigung des Traffics durch den letzten Klick.
Letzter Gedanke
Im Zeitalter der KI-gestützten Suche geht es bei der Zuordnung nicht mehr nur darum, woher der Klick kam.
Es geht darum zu verstehen, wo die Nachfrage ihren Ursprung hat, ob die KI über genügend spezifische Informationen verfügt, um Ihre Angebote den richtigen Suchanfragen zuzuordnen, und welche Teile des Geschäfts tatsächlich entdeckt oder stillschweigend ausgeschlossen werden.
Der Sub-Entity-Halo ist wichtig, weil er Marken diese Präzision verleiht. Er verlagert die Diskussion von „Hilft uns KI?"To"Was genau hilft uns KI beim Verkauf, und was weiß sie nicht gut genug, um es zu empfehlen?"
Hier wird Messung wirklich strategisch.
Autor: April Cheong
Chief Product Officer, Mitbegründer von Zicy.com
Leiter AEO/GEO, Growth.pro
