Power BI Google Search Console: SEO-Dashboard aufbauen

Definition

Die Kombination aus Google Search Console und Power BI beschreibt einen Reporting-Ansatz, bei dem organische Suchdaten aus der Search Console in Power BI modelliert und visualisiert werden. Es handelt sich nicht um ein SEO-Tool zur Optimierung, sondern um ein Analytics- und Steuerungsdashboard für messbare SEO-Performance.

Einleitung

Wenn du SEO-Daten regelmäßig als CSV exportierst, in Excel umbauen musst und trotzdem nie eine saubere Zeitreihe hast, ist power bi google search console der pragmatische Ausweg. Du bekommst ein Dashboard, das Klicks, Impressionen, CTR und Positionen konsistent zeigt, Filter erlaubt und Trends sichtbar macht. Der Nutzen ist simpel: weniger Pflege, mehr Klarheit, schnellere Entscheidungen.

Welche GSC-Metriken und Dimensionen wirklich zählen

Für ein erstes entscheidungsfähiges Dashboard reichen wenige Felder, sofern sie sauber erklärt und einheitlich berechnet sind.

• Klicks, Impressionen, CTR (Klicks/Impressionen), Durchschnittsposition
• Queries (Suchanfragen) und Seiten (URLs/Landingpages)
• Datum als Pflichtdimension für Trends und Vorher/Nachher-Vergleiche

Wichtig: Die „Durchschnittsposition“ ist ein Mittelwert über viele Impressionen und nicht gleichbedeutend mit „Ranking auf Platz X“. Deshalb ist die Kombi aus Position plus CTR oft aussagekräftiger als Position allein.

Schritt-für-Schritt: Google Search Console mit Power BI verbinden

Es gibt drei gängige Wege. Der richtige hängt davon ab, ob du einmalig analysieren willst oder einen stabilen Refresh brauchst.

1) CSV-Export (schnellster Start)

In Google Search Console unter „Leistung“ die gewünschten Dimensionen (z. B. Query oder Seite) auswählen, Zeitraum setzen und exportieren (CSV). In Power BI: „Daten abrufen“ → Text/CSV, dann in Power Query transformieren. Vorteil: sehr wenig Setup. Nachteil: bleibt manuell, wenn du nichts automatisierst.

2) Connector/No-Code-Exporter (für regelmäßige Updates)

Tools wie Analytics Edge oder Exporter/Connector-Lösungen können GSC-Daten per OAuth 2.0 abrufen und als Datei oder Tabelle bereitstellen. In Power BI bindest du dann diese standardisierte Quelle an (statt jedes Mal neu zu exportieren). Vorteil: weniger manuelle Arbeit, gleichbleibendes Schema.

3) API-Zwischenschicht (für saubere, skalierbare Modelle)

Über die Google Search Console API werden Daten strukturiert abgefragt und in einer zentralen Ablage gespeichert (z. B. Tabellen/Dateien), die Power BI regelmäßig lädt. Vorteil: stabile Historisierung und bessere Kontrolle über Struktur, Limits und Versionen. Nachteil: höherer Initialaufwand.

Export/Import vorbereiten: damit das später nicht weh tut

Die häufigste Zeitfalle ist ein wechselndes Datenlayout. Lege vor dem ersten Import fest: Welche Dimensionen sind Pflicht (Datum, Query oder Seite), in welcher Granularität soll ausgewertet werden, und brauchst du Query+Seite gleichzeitig (ja, wenn du wissen willst, welche Seite für welches Keyword rankt). Für saubere Analysen ist außerdem hilfreich, eine „Property“-Spalte einzuführen, falls mehrere Domains/Subdomains im Spiel sind.

Datenaufbereitung in Power Query: Bereinigung und Spaltenmapping

In Power Query (Power Query Editor) solltest du die Rohdaten so vorbereiten, dass das Modell stabil bleibt und Nutzer nicht über Sonderfälle stolpern.

• Datenbereinigung: Datentypen setzen (Datum, Dezimal), leere Queries/URLs entfernen, URLs normalisieren (z. B. Parameter entfernen, wenn sie SEO-seitig nicht relevant sind).
• Spaltenmapping: sprechende Namen (Query, Seite, Klicks, Impressionen), CTR als berechnete Spalte oder Measure definieren (empfohlen als Measure für korrekte Aggregation).
• Qualitätsregeln: Ausreißer markieren (z. B. sehr viele Impressionen, aber extrem niedrige CTR) statt sie zu verstecken.

Der Nutzen für Anwender: Sie filtern, vergleichen und drillen, ohne jedes Mal erst „Daten-Detektiv“ zu spielen.

Keyword-Gruppierung und Ranking-Gruppen erstellen

Ohne Gruppen bleiben Query-Listen endlos. Baue zwei einfache Gruppierungen:

• Keyword-Gruppen: Regeln wie „enthält Produktname“, „enthält Marke“, „enthält Ratgeber/How-to“ (über Text.Contains / Mapping-Tabelle).
• Ranking-Gruppen: z. B. 1–3, 4–10, 11–20, 21+ auf Basis der Durchschnittsposition.
• Intent-oder Themencluster: optional über eine kleine manuelle Zuordnungstabelle, die Fachbereiche pflegen können.

Damit wird SEO steuerbar: du siehst nicht nur einzelne Keywords, sondern ob ganze Cluster nach oben wandern oder abrutschen.

Dashboard-Architektur: so wird es entscheidungsrelevant

Ein gutes GSC-Dashboard braucht eine klare Navigationslogik statt „alle Visuals auf eine Seite“.

• Seite 1: Management-Überblick (Klicks, Impressionen, CTR, Position, Trend vs. Vorperiode).
• Seite 2: Keyword-Analyse (Keyword-Gruppe, Ranking-Gruppen, Gewinner/Verlierer).
• Seite 3: Seiten-Analyse (Top-Landingpages, CTR-Probleme, Chancen nach Position 4–10).

Visuals, die sich bewährt haben: KPI-Karten, Zeitreihe, Tabelle mit bedingter Formatierung, Scatter (Impressionen vs. CTR) und Slicer für Gerät/Land/Brand-Cluster. Ziel ist: „Was ist passiert?“ und „Wo lohnt sich der nächste Content-Fix?“ in zwei Klicks.

Praxisbeispiel: SEO-Chancen statt Bauchgefühl

Ein Team baut ein Power-BI-Dashboard auf GSC-Daten und filtert Ranking-Gruppe 4–10. Sie sehen 20 Queries mit hohen Impressionen, aber niedriger CTR und einer passenden Landingpage. Nach gezielten Title-/Snippet-Anpassungen steigt die CTR, ohne dass zusätzlicher Content produziert werden musste. Der Effekt ist messbar, weil Vorher/Nachher im gleichen Modell sauber vergleichbar bleibt.

Automatisierung: Refresh-Strategien, die im Alltag funktionieren

Für „immer aktuell“ brauchst du einen planbaren Aktualisierungspfad. Bei CSV ist das nur mit Disziplin oder zusätzlicher Automatisierung realistisch. Besser: eine Quelle, die Power BI Service regelmäßig laden kann. Plane außerdem Puffer ein: GSC-Daten können zeitverzögert nachlaufen, daher sind tägliche Refreshes oft sinnvoller als „alle 15 Minuten“. Entscheidend ist nicht maximale Frequenz, sondern Verlässlichkeit.

Wann externe Unterstützung sinnvoll wird

Externe Hilfe lohnt sich, wenn (1) das Setup zwar klein wirkt, aber regelmäßig scheitert (Schemawechsel, Refresh-Probleme), (2) ihr mehrere Properties/Teams harmonisieren müsst oder (3) das Dashboard entscheidungsrelevant sein soll und ihr ein sauberes Datenmodell braucht. Dann spart ihr Zeit, weil ihr typische Fehler bei Modell, Measures und Refresh nicht erst durch Trial-and-Error bezahlt.