AEO-Forecast: Wie du Brand-Visibility 6 Monate vorausplanen kannst

Ein AEO-Forecast ist keine Glaskugel, sondern eine lineare Regression über drei Inputs: Citation-Baseline der letzten 90 Tage, Content-Output-Plan der nächsten 180 Tage und Wettbewerber-Bewegung. Wer diese drei Variablen sauber dokumentiert, kommt auf Forecast-Genauigkeiten von 70 bis 80% — gut genug für Budget-Planung.

Brand-Visibility in ChatGPT, Gemini, Claude und Perplexity ist kein Zufallsprozess. Sie folgt der Logik von Indexierung, Trainingsdaten-Updates und Live-Crawling. Diese drei Mechanismen haben unterschiedliche Latenzen, und genau diese Latenzen machen den 6-Monats-Forecast erst möglich.

Schritt 1 — Citation-Baseline für 90 Tage erheben

Die Baseline ist der durchschnittliche Citation-Share pro Plattform über die letzten 90 Tage. Du brauchst mindestens drei Datenpunkte pro Plattform pro Woche, um saisonale Verzerrungen auszufiltern. Tools wie Otterly, Profound oder Peec liefern diese Daten automatisch.

Notiere für jede Plattform zwei Zahlen: den Median und die Standardabweichung. Der Median ist robuster als der Durchschnitt gegen Ausreißer-Tage, etwa wenn ein Wettbewerber kurzfristig viral geht. Die Standardabweichung sagt dir, wie verlässlich dein Baseline-Wert ist.

Schlüssle die Baseline pro Themen-Cluster auf. Ein Hauptcluster zieht oft 40 bis 60% der Citations, während kleinere Cluster unter 5% liegen. Das ist normal — wichtig ist, dass die Verteilung über die Monate stabil bleibt.

Schritt 2 — Saisonalität und externe Effekte modellieren

AEO unterliegt Saisonalität, auch wenn es zunächst nicht so wirkt. ChatGPT antwortet anders im Dezember (Year-in-Review-Themen werden bevorzugt) als im Februar. Gemini priorisiert in Q4 Shopping-Themen, Perplexity zeigt im Sommer mehr Reise-Content.

Externe Effekte sind ebenso planbar: Algorithmus-Updates der LLMs, Schema-Standard-Änderungen, neue Crawler-Bots, regulatorische Eingriffe (EU AI Act, Datenschutz). Diese Ereignisse haben Vorlaufzeiten von 4 bis 12 Wochen — genug, um den Forecast anzupassen.

Ein simples Saisonalitäts-Mapping kostet zwei Stunden Recherche. Schau dir die letzten zwölf Monate deiner Citation-Daten an und markiere Peaks und Tals. Ordne dann jedem Monat einen Saisonalitäts-Faktor zwischen 0,8 und 1,2 zu.

Schritt 3 — Content-Output-Plan als Treiber definieren

Content ist der wichtigste Hebel im Forecast, weil er direkt steuerbar ist. Ein realistischer Output-Plan enthält Volumen (Artikel pro Monat), Tiefe (durchschnittliche Wortzahl), Schema-Coverage und Cluster-Verteilung. Diese vier Variablen gehen in die Modellgleichung ein.

Achte darauf, dass Output-Wachstum nicht linear in Citation-Wachstum übersetzt. Die ersten 50% Steigerung haben den größten Effekt, danach kommen Sättigungseffekte. Plane konservativ mit 70% der theoretischen Steigerung.

Schritt 4 — Wettbewerber-Modell parallel aufstellen

Dein Forecast steht nie isoliert. Wenn drei direkte Wettbewerber ihre AEO-Aktivität verdoppeln, verlierst du Citation-Share, selbst wenn du selbst wächst. Deshalb gehört ein vereinfachtes Wettbewerber-Modell in den Forecast.

Beobachte zwei bis drei Top-Wettbewerber pro Cluster über AEORadar oder Otterly. Dokumentiere monatlich, ob deren Schema-Coverage steigt, ob neue Subdomains auftauchen oder ob sie Top-Listicles veröffentlichen. Jedes dieser Signale fließt mit einem Gewicht zwischen 0,1 und 0,3 in den Forecast ein.

Eine konkrete Faustregel: Wenn ein Top-3-Wettbewerber sein Schema-Coverage um 30 Prozentpunkte steigert, verlierst du in den nächsten 90 Tagen 3 bis 5 Prozentpunkte Citation-Share, sofern du nicht gleichziehst. Diese Zahl haben Markt-Beobachtungen aus 2024 mehrfach bestätigt.

Schritt 5 — Formel-Modell aufstellen und kalibrieren

Die Forecast-Formel kombiniert Baseline, Saisonalität, Content-Hebel und Wettbewerber-Bewegung. Eine einfache Variante, die in Excel oder Google Sheets funktioniert, hat vier Multiplikatoren. Du kalibrierst sie monatlich gegen die tatsächlich gemessenen Werte.

// AEO-Forecast-Formel (vereinfacht)
const forecast = baseline
  * saisonFaktor          // 0.8 bis 1.2
  * contentHebel          // 1.0 bis 1.3
  * wettbewerbsFaktor;    // 0.85 bis 1.05

// Beispiel: baseline=22%, saison=1.05, content=1.18, wettbewerb=0.95
// → forecast = 22 * 1.05 * 1.18 * 0.95 = 25.9%

// Kalibrierung monatlich:
const fehler = (forecast - actual) / actual;
if (Math.abs(fehler) > 0.15) reKalibrieren();

Die Kalibrierung ist der entscheidende Schritt. Vergleichst du nach 30 Tagen den Forecast mit dem tatsächlichen Wert und ist die Abweichung größer als 15%, justiere den schwächsten Faktor nach. Meist ist es der Wettbewerbs-Faktor, weil externe Bewegungen schwerer messbar sind.

Schritt 6 — Forecast-Tracking und Reporting

Ein Forecast ohne Tracking bleibt eine Excel-Übung. Du brauchst ein Dashboard, das jede Woche Forecast und Ist-Wert nebeneinander zeigt. Looker Studio, Plausible Dashboards oder ein einfaches Notion-Setup reichen für diesen Zweck.

1. Forecast-Wert pro Monat in eine separate Datenspalte schreiben
2. Wöchentlich den Ist-Wert daneben tracken
3. Abweichung als Prozent-Wert visualisieren (Ampel-Logik)
4. Bei Abweichung über 15% sofortige Ursachenanalyse starten
5. Quartalsweise das Modell mit aktualisierten Faktoren neu trainieren

Marketing-Direktoren akzeptieren einen Forecast nur, wenn er nachvollziehbar dokumentiert ist. Schreib alle Annahmen in ein einseitiges Methodenpapier: Welche Datenquellen, welche Faktoren, welche Annahmen über Wettbewerber-Verhalten. Dieses Papier wird einmal pro Quartal aktualisiert.

Unterm Strich: — Mit welchen Tools du starten solltest

Der pragmatische Einstieg ist Otterly (ab 99 Euro pro Monat) für die Citation-Messung plus Google Sheets für das Forecast-Modell. Wenn du im Enterprise-Bereich arbeitest, lohnt sich Profound mit seinem deutlich tieferen Wettbewerber-Modul. Für die Schema-Pflege ergänzt der Merkle Schema Generator beide Lösungen kostenlos.

Beginne mit einem 3-Monats-Forecast, bevor du auf 6 Monate ausweitest. Drei Monate kalibrieren dein Modell ausreichend, um die größten Fehlerquellen zu identifizieren. Sechs Monate sind erst sinnvoll, wenn dein 3-Monats-Forecast eine Genauigkeit von mindestens 75% erreicht hat.

Vergiss nicht die Kommunikation zum Stakeholder. Ein Forecast hat nur dann strategischen Wert, wenn er einmal pro Monat aktiv kommuniziert wird — idealerweise als Teil des AEO-Monatsreports. Verstecke den Forecast nicht im Anhang, sondern stelle ihn als eigenen Slide auf Seite 2 oder 3 vor. Die Sichtbarkeit erzeugt den Commitment-Effekt, der für die Akzeptanz der Folge-Investitionen entscheidend ist.

Zwei Fehler beim Forecast-Rollout sind häufig: Erstens, das Modell wird zu komplex aufgesetzt, mit acht oder mehr Faktoren — niemand versteht es, und die Kalibrierung wird unmöglich. Zweitens, das Modell wird ohne Senior-Buy-in eingeführt — beim ersten Fehlschuss wird es verworfen. Halte den Forecast deshalb bewusst einfach (maximal vier Faktoren) und investiere die ersten 30 Tage in das Stakeholder-Alignment, bevor du die Zahlen offiziell ausspielst. Die Akzeptanz des Modells ist wichtiger als die initiale Genauigkeit, weil sie erst die Lern-Iterationen ermöglicht, die das Modell präzise machen.