Rankinganalyse - Google und Bing mit Rohdaten

Google hält global 90,83% Marktanteil (StatCounter, Dezember 2025). Diese Zahl verdeckt, was für B2B-Entscheider tatsächlich zählt: Bing ist von 2,81% im Februar 2023 auf 4,03% im Dezember 2025 gewachsen - zeitlich parallel zur KI-Integration in die Plattform. In verwalteten Unternehmensumgebungen, wo Kaufentscheidungen fallen, liegt Bings Desktop-Marktanteil bei über 33%.

Marktanteile und Reichweite im Kontext

Was die globalen Zahlen verschweigen

Der globale Marktanteil von 4% klingt marginal. Er wird irreführend, sobald man nach Gerät, Region und Nutzertyp differenziert. Bing erreicht in Deutschland laut StatCounter einen Desktop-Marktanteil von 13,08% - ein Wert, der zuletzt im Dezember 2025 gemessen wurde und den höchsten Stand seit Jahren markiert.

Google verarbeitet täglich rund 8,5 Milliarden Suchanfragen, Bing kommt auf etwa 900 Millionen täglich mit über 1,4 Milliarden einzigartigen Besuchern weltweit (Frühjahr 2025, via lookkle.com). Das Verhältnis ist eindeutig - aber Reichweite allein entscheidet nicht über Relevanz für B2B-Strategien.

Demografie: Warum Bing für B2B überproportional relevant ist

Die Nutzerstruktur beider Plattformen unterscheidet sich erheblich. 38–41% der Bing-Nutzer verdienen über 100.000 USD jährlich, rund 50% gehören zu den einkommensstärksten 25% der US-Haushalte. 30% sind Hochschulabsolventen, 18% haben Master- oder Doktortitel.

Das Altersprofil verstärkt diesen Effekt: 33% der Bing-Nutzer sind über 55 Jahre alt, bei Google sind es rund 15%. In B2B-Märkten mit erklärungsbedürftigen Produkten trifft diese Altersgruppe häufig die finalen Kaufentscheidungen. Wer diese Zielgruppe systematisch erreichen will, findet in der ABC-Formel für Google-Sichtbarkeit einen strukturierten Einstieg in die Grundlagen beider Plattformen.

Kostenlose Erstanalyse - Wie steht Ihr Unternehmen im digitalen Wettbewerb? Wir analysieren Ihre Sichtbarkeit bei Google und Bing datenbasiert und zeigen konkrete Handlungsempfehlungen. Jetzt Analyse anfordern

Technische Rankingfaktoren im Vergleich

Wo Bing andere Gewichtungen setzt

Bing und Google teilen viele Grundprinzipien, gewichten aber einzelne Signale unterschiedlich. Meta-Descriptions beeinflussen bei Bing direkt das Ranking - bei Google dienen sie ausschließlich der Snippet-Darstellung und haben keinen nachgewiesenen Ranking-Effekt. Wer Meta-Descriptions bisher als reine Klick-Optimierung behandelt hat, unterschätzt ihren Wert für Bing.

Linkankertexte sind für Bing ein stärkeres Signal als für Google. Das bedeutet: Präzise, beschreibende Ankertexte in externen Verlinkungen zahlen bei Bing direkter auf Rankings ein. Social Signals - Likes, Shares, Erwähnungen auf Plattformen wie LinkedIn - fließen bei Bing als direkte Rankingfaktoren ein, während Google deren Einfluss offiziell nicht bestätigt.

Bing bevorzugt zudem Domains mit institutionellem Charakter (.edu, .org, .gov) und gewichtet Content-Aktualität stärker als Google. Für B2B-Unternehmen, die regelmäßig Marktberichte oder Fachbeiträge veröffentlichen, ist das ein struktureller Vorteil. Wer prüfen möchte, wie die eigene Website in beiden Suchmaschinen aufgestellt ist, findet im Artikel zu SEO-Audits für KI-Sichtbarkeit einen strukturierten Einstieg.

Was beide Suchmaschinen gemeinsam haben

E-E-A-T - Erfahrung, Expertise, Autorität, Vertrauenswürdigkeit - ist kein reines Google-Konzept. Bing berücksichtigt ähnliche Qualitätssignale, auch wenn die Implementierung im Detail abweicht. Return-to-SERP-Raten, also wie schnell Nutzer nach einem Klick zur Suchergebnisseite zurückkehren, werten beide Plattformen als Zufriedenheitsindikator.

Google hat 2026 seine Core Web Vitals um Interaction to Next Paint (INP) erweitert. INP misst die Reaktionszeit einer Seite auf Nutzerinteraktionen und ersetzt den älteren First Input Delay als Messgröße. Für technisch komplexe B2B-Websites - etwa mit konfigurierbaren Produktdarstellungen oder interaktiven Kalkulatoren - ist das ein relevanter Optimierungspunkt.

KI verändert die Klickökonomie beider Plattformen

Unterschiedliche Adoption, gleiche Richtung

34% aller Bing-Suchanfragen erhalten KI-gestützte Antworten. Bei Google zeigen 19% der Suchanfragen AI Overviews - gemessen im April 2025. Beide Zahlen steigen. ChatGPT nutzt Bing als Datenquelle für aktuelle Informationen, was Bing zusätzliche Indexierungsrelevanz verschafft: Wer bei Bing rankt, erhöht die Wahrscheinlichkeit, in ChatGPT-Antworten zu erscheinen.

Die Zero-Click-Rate bei Google liegt in den USA bei 58,5%, in der EU bei 59,7%. Das bedeutet: Mehr als die Hälfte aller Google-Suchanfragen endet ohne Klick auf eine externe Seite. Die strategische Frage verschiebt sich damit von "Wie ranke ich auf Position 1?" zu "Wie werde ich in KI-generierten Antworten als Quelle zitiert?" - eine Frage, die Inhaltstiefe und nachweisbare Expertise aufwertet. Für stark regulierte Branchen wie die Finanzbranche zeigt das SEO-Strategien für Versicherungsmakler, wie GEO und KI-Suchoptimierung konkret zusammenspielen.

Technische Optimierung für beide Plattformen

Für Google bleibt Mobile-First-Indexing der Ausgangspunkt. Core Web Vitals inklusive INP, strukturierte Daten für Featured Snippets und inhaltliche Tiefe für AI Overviews sind die zentralen Hebel.

Für Bing lohnt sich die Index Now API: Sie ermöglicht es, neue oder aktualisierte Inhalte direkt an Bing zu melden, statt auf den regulären Crawl-Zyklus zu warten. Meta-Descriptions sollten als Rankingfaktor behandelt werden, nicht als nachgelagerte Aufgabe. Social-Media-Aktivität auf LinkedIn - für B2B-Unternehmen ohnehin relevant - zahlt bei Bing direkt auf Rankings ein. Wer Rankings ohne zusätzliches Budget verbessern möchte, findet in den fünf kostenlosen Ranking-Methoden konkrete Ansätze für genau diese Hebel.

Python-Bibliotheken und Datenquellen für SEO-Analysen

Wer Ranking-Daten beider Suchmaschinen systematisch auswertet, stößt schnell an die Grenzen manueller Arbeit. Ab einer gewissen Datenmenge - mehrere hundert Keywords, regelmäßige Crawls, historische Vergleiche - lohnt sich der Einsatz von Python. Die Sprache hat sich im technischen SEO als Standard etabliert, weil sie Datenextraktion, -bereinigung und -visualisierung in einem Werkzeug vereint.

Der Kern-Stack für SEO-Analysen

Für die meisten SEO-Aufgaben reichen vier Bibliotheken aus. Requests sendet HTTP-Anfragen an Webseiten und ist die Grundlage für jede automatisierte Datenerhebung - etwa das Prüfen von Statuscodes oder das Abrufen von Seiteninhalten. BeautifulSoup parst das zurückgegebene HTML und extrahiert gezielt Elemente wie Title-Tags, Meta-Descriptions oder H1-Überschriften. Pandas übernimmt die Datenmanipulation: Keyword-Listen bereinigen, Rankings filtern, Zeitreihen vergleichen. Matplotlib visualisiert die Ergebnisse in Diagrammen, die sich direkt in Reports einbetten lassen.

Für umfangreichere Crawls kommt Scrapy hinzu - ein Open-Source-Framework, das Daten aus ganzen Websites extrahiert und dabei deutlich schneller arbeitet als einzelne Requests-Skripte. Wer JavaScript-gerenderte Seiten analysieren muss, greift auf Selenium zurück, das einen echten Browser steuert und damit auch dynamisch geladene Inhalte erfasst.

Datenquellen: Was woher kommt

Die Bibliotheken liefern die Infrastruktur, aber keine Daten. Für SEO-Analysen gibt es drei relevante Quelltypen:

Google Search Console und Bing Webmaster Tools sind die direkten Quellen für Impressionen, Klicks, CTR und durchschnittliche Positionen - aufgeschlüsselt nach Keyword, Seite, Gerät und Land. Beide Plattformen bieten APIs, die sich mit Python direkt abfragen lassen. Die Daten sind kostenlos und zeigen die tatsächliche Performance der eigenen Website.

Drittanbieter-APIs liefern Marktdaten, die über die eigene Website hinausgehen: Suchvolumen, Wettbewerber-Rankings, Backlink-Profile. DataForSEO ist eine API, die Suchvolumen und aktuelle Rankings für beliebige Keywords und Domains abruft - genutzt etwa im SEO-Filteranalyse-Tool, das Uwe Roll auf der SEOkomm 2024 vorgestellt hat. Der Vorteil gegenüber Scraping: strukturierte Daten ohne Risiko, von Suchmaschinen blockiert zu werden.

Server-Log-Dateien sind die am häufigsten unterschätzte Datenquelle. Sie zeigen, welche Seiten Googlebot und Bingbot tatsächlich crawlen, wie oft und in welcher Reihenfolge. Python liest diese Dateien ein und macht Crawl-Muster sichtbar, die in keinem Standard-SEO-Tool auftauchen.

Ausführungsumgebungen ohne lokale Installation

Wer Python nicht lokal einrichten möchte, nutzt Google Colab - eine browserbasierte Umgebung, die Python-Skripte ohne Installation ausführt. Colab eignet sich für Keyword-Analysen, Datenbereinigung und einmalige Audits. Die kostenlose Version läuft bis zu 12 Stunden ohne Unterbrechung, was für die meisten Teilanalysen ausreicht. Für dauerhafte Pipelines - etwa wöchentliche Ranking-Reports - ist eine lokale Umgebung oder ein Cloud-Server die stabilere Wahl.

Typische Anwendungsfälle im B2B-SEO

Die Kombination aus diesen Bibliotheken und Datenquellen deckt die zentralen Analyseaufgaben ab:

• Technische Audits: Python crawlt die gesamte Website, prüft Statuscodes, findet Weiterleitungsketten und fehlende Meta-Tags - in Minuten statt Stunden.
• Keyword-Monitoring: Ranking-Daten aus der Search Console oder DataForSEO werden automatisch in Zeitreihen überführt, die Positionsveränderungen sofort sichtbar machen.
• Wettbewerbsanalyse: Scrapy extrahiert Inhaltsstrukturen von Wettbewerber-Seiten und macht vergleichbar, welche Themen und Formate bei ihnen ranken.
• Log-File-Analyse: Pandas verarbeitet Server-Logs und zeigt, welche Seiten Bingbot häufiger crawlt als Googlebot - ein Hinweis auf unterschiedliche Indexierungsprioritäten beider Suchmaschinen.

Für B2B-Unternehmen mit erklärungsbedürftigen Produkten und begrenzten Ressourcen ist der Einstieg über Google Colab und die Search Console API der pragmatischste Weg: keine Infrastrukturkosten, direkte Verbindung zu den eigenen Ranking-Daten, sofort verwertbare Ergebnisse. Wie sich diese Daten in eine systematische Wettbewerbsbeobachtung einbetten lassen, beschreibt der Artikel zur Wettbewerbsbeobachtung mit Suchdaten.

Ranking-Daten visualisieren und statistisch einordnen

Rohdaten aus Search Console, Bing Webmaster Tools oder DataForSEO sind zunächst Tabellen: Keyword, Position, Impressionen, Klicks, CTR. Erst die Visualisierung macht Muster sichtbar, die im Fließtext oder in Spreadsheets verborgen bleiben.

Welche Darstellungsformen für welche Fragestellung

Nicht jede Visualisierung passt zu jeder Frage. Drei Darstellungsformen decken den Großteil der SEO-Analyseaufgaben ab:

Zeitreihen zeigen Positionsveränderungen über Wochen und Monate. Matplotlib erzeugt diese Diagramme direkt aus Pandas-DataFrames. Der praktische Nutzen: Algorithmus-Updates von Google oder Bing werden als Sprünge in der Kurve sichtbar - und lassen sich mit dem Datum des Updates abgleichen. SEOptimer beschreibt diesen Ansatz als Grundlage für die ROI-Bewertung von SEO-Maßnahmen: Wer Positionsveränderungen mit Traffic- und Conversion-Daten korreliert, kann den Wert einzelner Optimierungen beziffern.

Streudiagramme (Scatter Plots) eignen sich für die Analyse von Zusammenhängen - etwa zwischen Seitengeschwindigkeit und durchschnittlicher Position, oder zwischen Textlänge und CTR. Wichtig: Korrelation ist kein Beweis für Kausalität. Ein Streudiagramm zeigt, ob ein Zusammenhang existiert und wie stark er ist - nicht, ob eine Variable die andere verursacht.

Balkendiagramme mit Sortierung funktionieren für Keyword-Vergleiche: Welche zehn Keywords liefern die meisten Impressionen, aber die niedrigste CTR? Diese Kombination identifiziert Seiten, die sichtbar sind, aber nicht klicken - ein klares Signal für Optimierungsbedarf bei Title-Tag oder Meta-Description.

Statistische Grundbegriffe für die Praxis

Wer Ranking-Daten interpretiert, begegnet unweigerlich statistischen Konzepten. Drei davon sind für die SEO-Praxis besonders relevant:

Median statt Mittelwert bei Positionsdaten. Die durchschnittliche Position eines Keywords kann durch einzelne Ausreißer verzerrt werden - etwa wenn eine Seite für ein Keyword mal auf Position 3 und mal auf Position 87 erscheint. Der Median (der mittlere Wert in einer sortierten Liste) ist robuster und gibt ein realistischeres Bild der tatsächlichen Sichtbarkeit.

Konfidenzintervalle bei CTR-Vergleichen. Wenn Bing eine CTR von 2,9% und Google eine von 1,96% ausweist, klingt der Unterschied eindeutig. Ob er statistisch belastbar ist, hängt von der Stichprobengröße ab. Bei wenigen hundert Klicks kann der Unterschied zufällig sein. Pandas berechnet Konfidenzintervalle mit wenigen Zeilen Code - und macht damit sichtbar, ob ein beobachteter Unterschied interpretierbar ist oder im Rauschen liegt.

Segmentierung vor Aggregation. Globale Durchschnittswerte verbergen oft die interessantesten Muster. Eine CTR von 2% im Gesamtdurchschnitt kann aus 5% bei Branded Keywords und 0,8% bei generischen Keywords bestehen. Pandas ermöglicht es, Datensätze nach Keyword-Typ, Gerät, Land oder Seitentyp zu segmentieren - und erst dann Kennzahlen zu berechnen. Das Ergebnis sind Aussagen, die tatsächlich handlungsleitend sind.

Von der Analyse zur Entscheidung

Visualisierungen und statistische Methoden sind kein Selbstzweck. Sie beantworten konkrete Fragen: Welche Seiten verlieren bei Bing Positionen, während sie bei Google stabil bleiben? Welche Keywords haben hohe Impressionen, aber eine CTR unter 1%? Wo unterscheiden sich Crawl-Frequenzen von Googlebot und Bingbot signifikant?

Diese Fragen lassen sich mit den beschriebenen Werkzeugen systematisch beantworten - und die Antworten direkt in Optimierungsentscheidungen übersetzen. Wie die daraus abgeleiteten Signale im Vergleich beider Suchmaschinen zu gewichten sind, beschreibt der Artikel zu Rankingsignalen im Vergleich.

Strategische Einordnung für B2B

Eine reine Google-Fokussierung ist für B2B-Unternehmen mit Entscheider-Zielgruppe schwer zu rechtfertigen. Bing erreicht genau die Nutzergruppe, die B2B-Kaufentscheidungen trifft: einkommensstarke, gut ausgebildete Desktop-Nutzer in Unternehmensumgebungen. Die höhere CTR von 2,9% gegenüber Googles 1,96% verstärkt diesen Effekt - weniger Reichweite, aber mehr Klicks pro Impression.

Die unterschiedlichen Rankingfaktoren erfordern keine grundlegend andere Content-Strategie, aber gezielte Anpassungen: präzise Ankertexte, gepflegte Meta-Descriptions, regelmäßige Veröffentlichungen und LinkedIn-Präsenz zahlen auf Bing stärker ein als auf Google.

Für eine systematische Analyse beider Plattformen bietet die Wettbewerbsbeobachtung mit Suchdaten einen strukturierten Rahmen. Die konkreten Unterschiede in der Signalgewichtung beschreibt der Artikel zu Rankingsignalen im Vergleich.