Passage-Visibility-Index

Passage Visibility Index (PVI) ist keine Google-Kennzahl. Es handelt sich um eine individuelle Bewertung, die SEOs entwickeln, um abzuschätzen, wie wahrscheinlich es ist, dass ein Abschnitt mit 40–250 Wörtern zu einer Suchanfrage sichtbar wird – auch dann, wenn die komplette Seite nicht das stärkste Ergebnis ist. In der Praxis nützlich. Leicht missbrauchbar.

Was PVI tatsächlich misst

PVI ist üblicherweise eine Bewertung auf einer Skala von 0–1 oder 0–100, die einem Absatz, einer Liste oder einem kurzen Abschnitt zugewiesen wird. Das Modell versucht vorherzusagen, ob dieser Block die Struktur, Relevanz und den Kontext hat, um von Googles Verständnis auf Passage-Ebene zu profitieren. Google hat das Passage-Ranking 2020 eingeführt, und Googles John Mueller hat wiederholt klargestellt, dass Google keinen separaten „Passage-Index“ hat, gegen den man direkt optimieren könnte. Behandle PVI daher als interne Priorisierungsschicht, nicht als Rankingfaktor.

Der beste Anwendungsfall sind Seiten, die bereits in den Positionen 8–30 in der Google Search Console ranken. Diese Seiten haben oft genug Autorität, um mitzuhalten, aber schwache Antwort-Blöcke. Wenn man einen einzelnen Passage-Bereich strafft, kann das einen URL von 0 Klicks bei Long-Tail-Varianten zu spürbarem zusätzlichem Traffic bewegen.

Wie Teams es aufbauen

Die meisten Teams extrahieren HTML auf Absatzebene mit Screaming Frog Custom Extraction, Python oder BeautifulSoup und ordnen dann jeden Block seinem übergeordneten H2- oder H3-Element zu. Zu den Merkmalen gehören normalerweise die Passage-Länge, die Überlappung der Suchbegriffe, die semantische Ähnlichkeit zu den Top-ranking Snippets, die Ausrichtung der Überschriften, der Kontext interner Verlinkungen sowie die Abdeckung von Entitäten im Vergleich zu konkurrierenden Seiten aus Ahrefs- oder Semrush-Exports.

Für das Modeling gilt: Einfach schlägt Fancy oft häufiger, als man zugibt. Logistische Regression reicht meist aus, wenn du einen sauberen, gelabelten Datensatz aus GSC plus SERP-Snapshots hast. XGBoost kann auf größeren Websites mit 10.000+ Passagen helfen, aber nur, wenn deine Labels verlässlich sind. Das ist der schwache Punkt. Passage-Level-Labels sind verrauscht, weil GSC auf der Ebene Seite–Anfrage berichtet, nicht auf Passage–Anfrageebene.

Ein praktischer Benchmark: Wenn dein Modell random nicht mit deutlich besserem Ergebnis schlagen kann und in Backtests einen AUC von grob über 0,75 hält, ist es wahrscheinlich nicht produktionsreif.

Was du optimieren solltest, wenn PVI niedrig ist

• Antwortform: Bringe die direkte Antwort in den ersten Satz. Ergänze sie dann mit konkreten Details in 40–80 Wörtern.
• Überschriften-Match: Überarbeite H2s und H3s, sodass sie die konkrete Einordnung der Suchanfrage widerspiegeln, wie sie in GSC und Semrush angezeigt wird.
• Kontextsignale: Ergänze nahegelegene Entitäten, Beispiele und interne Links, damit die Passage semantisch nicht isoliert ist.
• Formatierung: Listen und kurze erklärende Blöcke schneiden im Vergleich und für How-to-Intentionen oft besser ab als aufgeblähte Absätze.

Surfer SEO und Content-Scoring-Ansätze im Stil von Clearscope können bei Entitäts-Lücken helfen, aber sie sind keine Passage-Modelle. Unterschiedliche Aufgabenstellung.

Wo PVI seine Grenzen hat

Der Haken ist simpel: Google bewertet Seiten, nicht losgelöste Absätze, die im luftleeren Raum schweben. Eine starke Passage auf einer DR-18-Seite mit 12 verweisenden Domains wird dennoch gegen eine schwächere Passage auf einer DR-70-Seite mit 5.000 verweisenden Domains verlieren – bei wettbewerbsintensiven Suchbegriffen. PVI ist am nützlichsten auf Websites, die bereits eine solide Basisauthorität haben und stabil indexiert sind.

Außerdem wird es auf stark JavaScript-lastigen Seiten, bei vorlagenbasierter (templated) Content-Struktur und bei Seiten mit schlechter Überschriftenhierarchie unübersichtlich. Wenn Screaming Frog keine sauberen Abschnitte extrahieren kann, ist dein Score Schrott. Fang dort an. Nicht mit Machine-Learning-Show.