Modell-Impressionsanteil

Model Impression Share (MIS) schätzt, wie viel von der verfügbaren organischen Sichtbarkeit du über ein Keyword-Set hinweg tatsächlich abgreifst. Auf den Punkt gebracht: Es beantwortet eine bessere Frage als die durchschnittliche Position: welchen Anteil am Markt bekommen wir wirklich?

Das übliche Modell ist recht simpel: Suchvolumen bzw. Impression-Potenzial multipliziert mit dem erwarteten CTR bei deiner aktuellen Position, anschließend durch die insgesamt im Set verfügbaren Impressionen geteilt. Wenn dein MIS 22 % auf einem Topic-Cluster mit 300.000 Impressionen beträgt, modellierst du damit, dass grob 78 % der Chance bei Wettbewerbern, SERP-Features oder bei beidem liegen.

Warum SEO-Teams es nutzen

Die durchschnittliche Position ist für sich genommen schwach. Eine Bewegung von Position 8 auf 5 bei einem Keyword mit 20 Suchanfragen ist Rauschen; dieselbe Bewegung bei einem Keyword mit 40.000 Suchanfragen ist budgetrelevant. MIS behebt das, indem es Rankings nach dem Potenzial gewichtet.

• Forecasting: Wenn sich ein Cluster von 18 % auf 26 % MIS bewegt, kannst du zusätzliche Klicks und Umsatz mit gutem Gewissen schätzen.
• Priorisierung: Keywords, die in den Positionen 4–10 liegen, liefern oft die größten MIS-Zuwächse pro Content-Update oder Sprint zur Link-Akquise.
• Wettbewerbsreporting: „Wir halten 31 % der Sichtbarkeit in der Kategorie“ lässt sich leichter erklären als 500 Keyword-Positionen in eine Folie zu kippen.

So berechnest du es richtig

Die meisten Teams bauen MIS aus Rank-Tracking-Daten in Ahrefs, Semrush, STAT oder über eine SERP-API und kalibrieren es dann mit der Google Search Console. Auch Screaming Frog ist hier hilfreich—nicht für das Modell selbst, sondern um Keywords auf URLs abzubilden und Cannibalisierung aufzuspüren, die die Ausgabe verzerrt.

Eine praxistaugliche Formel sieht so aus:

MIS = Summe(Keyword-Impression-Potenzial × erwarteter CTR bei der aktuellen Position) / Summe(Keyword-Impression-Potenzial)

Nutze, wenn möglich, deine eigene CTR-Kurve. GSC-Abfrage- und Seitendaten sind meist der beste Ausgangspunkt, weil generische CTR-Studien schlecht altern. Eine Kurve aus 2022 ist nicht zuverlässig für eine SERP von 2026, die voller Anzeigen, AI Overviews, Video-Teaser und „People Also Ask“-Elemente ist.

Wo MIS seine Grenzen hat

Diese Kennzahl ist nur so gut wie ihre Annahmen. Das ist der Punkt, den viele übersehen.

• CTR-Kurven sind instabil: Markenvorteil (Brand Bias), SERP-Features, das Device-Mix und die Suchintention können ein gemischtes Modell stark beeinträchtigen.
• Suchvolumen ist nur eine Näherung: Ahrefs, Semrush und Moz modellieren das Volumen unterschiedlich, und Low-Volume-Keywords liegen oft deutlich daneben.
• Rank Tracking ist nicht die Realität: Personalisierung, Lokalisierung und volatile SERPs bedeuten, dass deine „Position 3“ nicht dem entspricht, was Nutzerinnen und Nutzer tatsächlich sehen.

John Mueller von Google hat wiederholt gesagt, dass Rankings keine festen, universellen Positionen sind—und das ist hier entscheidend. MIS ist eine richtungsweisende Planungskennzahl, keine buchhalterische Kennzahl. Behandle es wie ein Forecast-Modell, nicht wie einen Wahrheitsbeweis.

Beste Anwendungsfälle

MIS funktioniert am besten für nicht-markengebundene Topic-Cluster, Reporting auf Kategorienebene und für Quartalsplanung. Besonders nützlich ist es, wenn du Content-Hubs, Länder oder Produktlinien auf derselben Skala vergleichen musst.

Weniger geeignet ist es für kleine Keyword-Sets, serps mit Nachrichtenfokus oder für alles, was stark von SERP-Features dominiert wird, die Klicks stehlen. Wenn AI Overviews den organischen CTR für eine Abfrageklasse um 15–30 % unterdrücken, würde dein altes MIS-Modell die Chance überbewerten, sofern du das nicht explizit berücksichtigst.

Fazit: MIS ist eine der besseren Growth-Kennzahlen im SEO, weil es Rankings mit Marktanteilen verknüpft. Gib jedoch nicht vor, dass das Modell „sauberer“ ist als die Daten, die es speisen.