Google Discover besser verstehen: Was eine aktuelle Analyse über Auswahl, pCTR und Open-Graph-Signale nahelegt

Google Discover ist für viele Publisher eine der größten – und zugleich frustrierendsten – Traffic-Quellen: Du kannst sehr vieles richtig machen und trotzdem stark schwankende Reichweiten sehen. Das liegt wahrscheinlich an einer Mischung aus Personalisierung, Modellentscheidungen und vorgeschalteten Auswahlmechanismen, die schon greifen können, bevor einzelne Inhalte überhaupt gegeneinander ausgespielt werden.

Eine aktuelle Analyse von methan.ai leitet aus Telemetrie- und Event-Daten des offiziellen Google SDK interessante Hinweise darauf ab, wie Discover Inhalte potenziell auswählt und verarbeitet. Wichtig ist dabei die Einordnung: Das ist keine offizielle Dokumentation von Google und auch kein Beweis für die exakte technische Architektur. Aber es ist ein spannender, praxisnaher Blick auf mögliche Mechaniken hinter Discover – etwa auf Pipeline-Stufen, ein mögliches pCTR-Modell (predicted CTR), Open-Graph-Signale und Feedback-Schleifen, die irreführendes Packaging langfristig eher entwerten könnten.

Das Wichtigste auf einen Blick

Discover wirkt nach dieser Analyse wie eine mehrstufige Pipeline mit mehreren beobachtbaren Verarbeitungsschritten – möglicherweise inklusive eines vorgeschalteten Auswahl- oder Filtermechanismus, der Inhalte schon vor dem eigentlichen Ranking begrenzen kann.
Ein zentrales Element scheint ein pCTR-nahes Bewertungsmodell zu sein, das unter anderem Titel, Bilddarstellung, Aktualität und historische Performance mitberücksichtigen könnte.
Open Graph ist für Discover sehr wahrscheinlich relevant, vor allem für Darstellung, Konsistenz und möglicherweise auch für die Übergabe von Signalen. Das heißt nicht automatisch, dass exakt jeder OG-Tag direkt ein Rankingfaktor ist – aber saubere Metadaten sind klar von Vorteil.
Der Feedback-Loop scheint wichtig zu sein: Irreführende oder überzogene Titel können kurzfristig Klicks ziehen, dürften aber über schlechte Nutzersignale langfristig eher schaden.
Für die Praxis heißt das: Packaging, Vertrauen, technische Sauberkeit und saubere Bildsignale sind mindestens genauso wichtig wie die inhaltliche Qualität eines Artikels.

Was diese Discover-Analyse besonders macht

Viele Discover-Tipps im Netz bestehen aus allgemeinen Best Practices oder Erfahrungswerten. Der hier beschriebene Ansatz ist anders: Statt Googles Systeme direkt zu reverse engineeren, wurden clientseitige SDK-Signale wie Events, Statuscodes, Übergaben und Zähler ausgewertet, um daraus Rückschlüsse auf mögliche Verarbeitungslogiken zu ziehen.

Natürlich ist auch das kein vollständiger Blick auf das System. Serverseitige Modellentscheidungen lassen sich dadurch nicht direkt beweisen. Trotzdem ist diese Art von Analyse wertvoll, weil sie konkrete Hypothesen liefert, die man in der Praxis testen kann – deutlich greifbarer als reine Bauchgefühl-Empfehlungen.

Die Discover-Pipeline: Warum vorgeschaltete Auswahlmechanismen wichtiger sein können als Ranking

Die Analyse beschreibt vereinfacht einen mehrstufigen Prozess: Inhalte werden offenbar aufgenommen, klassifiziert, einem Publisher- oder Collection-Kontext zugeordnet, mit Nutzerinteressen abgeglichen, bewertet und schließlich in Cards oder Clustern ausgespielt.

Besonders interessant ist die Hypothese eines Collection Gates oder Source-Level-Filters. Gemeint ist damit keine offiziell bestätigte Google-Funktion, sondern die Beobachtung, dass es Mechanismen geben könnte, die Inhalte eines Publishers oder einer Quelle auf einer übergeordneten Ebene begrenzen – also noch bevor klassische Ranking-Signale zwischen einzelnen Artikeln gegeneinander wirken.

Die praktische Implikation ist wichtig: Discover könnte eben nicht nur nach dem Muster „Artikel A ist besser als Artikel B“ funktionieren, sondern zusätzlich danach, ob eine Quelle, ein Themencluster oder eine Collection in einem bestimmten Kontext überhaupt ausgeliefert werden darf oder soll. Nutzerfeedback wie „keine Inhalte von … anzeigen“ oder andere aggregierte Qualitäts- und Vertrauenssignale könnten dabei auf Quell-Ebene eine größere Rolle spielen, als viele SEOs bislang annehmen.

pCTR: Warum Titel und Bild nicht bloß Deko, sondern wahrscheinlich Bewertungsinput sind

Das pCTR-Modell – also eine Bewertung der erwarteten Klickwahrscheinlichkeit – ist eines der spannendsten Konzepte aus der Analyse. Ob Google intern genau diesen Begriff in genau dieser Form für Discover verwendet, ist offen. Sehr plausibel ist aber, dass Discover Systeme nutzt, die die voraussichtliche Attraktivität und Relevanz einer Card einschätzen.

Laut der Analyse könnten unter anderem folgende Signale hineinspielen:

Titeltext, möglicherweise aus Metadaten wie og:title
Bildqualität oder Hinweise auf schwache Bilddarstellung
Aktualität bzw. Freshness
historische Interaktionswerte
technische Zuverlässigkeit der Card-Darstellung, etwa wenn Bilder sauber geladen werden

Wichtig ist hier die saubere Einordnung: Dass bestimmte Signale im SDK sichtbar übertragen oder referenziert werden, heißt nicht automatisch, dass sie 1:1 direkter Modell-Input sind. Trotzdem ist die Richtung für die Praxis klar: Titel, Bilder und Aktualität sind in Discover höchstwahrscheinlich keine Nebensache.

Das erklärt auch zwei typische Discover-Phänomene:

Gute Inhalte mit schwachem Card-Packaging bekommen möglicherweise gar nicht erst genug Sichtbarkeit, um Performance zu entfalten.
Überzogene oder irreführende Titel können kurzfristig funktionieren, verlieren aber wahrscheinlich an Wert, wenn die anschließenden Nutzersignale nicht passen.

Freshness-Buckets: Warum Discover vermutlich in Zeitfenstern denkt

Ein weiterer spannender Teil der Analyse ist die Vermutung, dass Discover Inhalte nach zeitlicher Frische in bestimmte Gruppen oder Buckets einordnet – etwa in relativ aktuelle, frische und ältere Inhalte. Die oft zitierten Zeiträume wie 1–7 Tage, 8–14 Tage oder 15–30 Tage sind dabei nicht offiziell bestätigt, sondern eher abgeleitete Muster aus beobachteten Signalen.

Trotzdem passt die Grundidee sehr gut zu dem, was viele Publisher in der Praxis erleben: News-artige oder aktuelle Inhalte scheinen in den ersten Tagen eine deutlich höhere Chance auf Discover-Traffic zu haben, während dieser Effekt mit zunehmendem Alter abnimmt.

Das bedeutet aber nicht, dass Evergreen-Content in Discover keine Chance hat. Google selbst weist darauf hin, dass auch ältere Inhalte erscheinen können, wenn sie für einen Nutzer gerade relevant sind. In der Praxis dürfte das heißen: Evergreen braucht entweder eine starke thematische Passung, ein stabiles Interessen-Match oder andere Signale, die ihn im jeweiligen Moment wieder relevant machen. Für News und trendnahe Inhalte scheint es dagegen oft einen natürlichen Zeitvorteil zu geben.

Open Graph: die 6 Tags, die du wirklich sauber haben solltest

Wichtig ist zunächst die fachliche Einordnung: Es gibt keine offizielle Google-Aussage, dass Discover exakt diese sechs Open-Graph-Tags zwingend nutzt oder dass nur diese Tags relevant wären. Die Analyse legt aber nahe, dass bestimmte OG-Signale rund um Titel, Bild und Publisher-Kontext besonders häufig oder besonders sinnvoll sind. Unabhängig davon gilt in der Praxis: Wenn du schon mit Open Graph arbeitest, sollten diese sechs Angaben sauber gepflegt sein.

Diese 6 OG-Tags sind in der Praxis besonders wichtig

og:title Liefert einen klaren, konsistenten Titel für die Vorschau. Selbst wenn nicht jeder Titel 1:1 als Modell-Input genutzt wird, ist dieser Tag für saubere Darstellung und semantische Eindeutigkeit zentral.
og:image Einer der wichtigsten Tags überhaupt. Ohne ein sauberes, hochwertiges Vorschaubild verschenkst du Potenzial bei der Card-Darstellung. Gerade in Discover ist Bildqualität ein massiver Hebel.
og:image:secure_url Sorgt dafür, dass die Bildquelle eindeutig und sicher per HTTPS referenziert wird. Gerade bei CDNs, Weiterleitungen oder gemischten Bildquellen ist das wichtig für konsistente Auslieferung.
og:site_name Hilft dabei, die Quelle bzw. den Publisher-Kontext sauber auszuzeichnen. Das ist nicht automatisch ein direkter Rankinghebel, aber für klare Zuordnung und Markenwahrnehmung nützlich.
og:locale Hilft bei der sprachlichen und regionalen Einordnung eines Inhalts. Besonders auf mehrsprachigen oder international ausgerichteten Seiten sollte dieser Tag konsistent gepflegt sein.
og:type Auch wenn dieser Tag oft technisch nebenher gesetzt wird, gehört er zu einem sauberen OG-Setup dazu. Für redaktionelle Inhalte ist article in vielen Fällen die logische Wahl.

Zusätzlich können – je nach Setup – noch weitere Angaben wichtig sein, etwa strukturierte Bildformate, kanonische Konsistenz, Twitter-Card-Fallbacks oder Paywall-Hinweise in strukturierten Daten. Deshalb sollte man aus dieser Liste nicht die falsche Schlussfolgerung ziehen, dass wirklich nur diese sechs Tags relevant seien. Aber wenn diese sechs nicht sauber gesetzt sind, fehlt dir eine sehr wichtige Grundlage für konsistente Vorschauen.

Was daraus für die Praxis folgt

Für die Discover-Optimierung solltest du Open Graph nicht als kosmetisches Add-on behandeln. Es geht weniger darum, ob ein einzelner OG-Tag „der Rankingfaktor“ ist, sondern darum, ob Titel, Bild, Quelle und Sprache technisch sauber, konsistent und zuverlässig auslesbar sind. Genau diese Konsistenz dürfte in einem System wie Discover sehr viel wert sein.

Personalisierung und Experimente: Warum Discover so volatil bleibt

Discover ist hochgradig personalisiert. Inhalte werden nicht einfach allgemein nach Qualität sortiert, sondern im Kontext von Interessen, Engagement-Signalen, Themenaffinitäten und Verlaufsmustern der Nutzer ausgespielt. Dazu kommen mit hoher Wahrscheinlichkeit fortlaufende Experimente, Feature Flags und Produktanpassungen.

Genau deshalb ist Discover oft so schwer zu „greifen“: Zwei inhaltlich ähnliche Artikel können völlig unterschiedlich performen, weil Zielgruppe, Themenmoment, Bildwirkung, Publisher-Signale und Timing nicht gleich sind. Wer hier nach dem einen universellen Trick sucht, wird fast immer enttäuscht.

Was du aber sehr wohl optimieren kannst, sind die wiederkehrenden Hebel, die in offiziellen Empfehlungen und in solchen Analysen immer wieder auftauchen: starkes Packaging, vertrauenswürdige Titel, große und hochwertige Bilder, technische Sauberkeit, ein klares Themenprofil und konsistente Qualitätsstandards auf Quell-Ebene.

Was das für dich heißt: 7 Dinge, die du sofort prüfen kannst

Hier ist eine kompakte, praxisnahe Liste – bewusst nicht mit 30 Punkten überladen, sondern mit den Hebeln, die am ehesten Wirkung haben:

Sind deine OG-Tags wirklich sauber gepflegt?
Prüfe vor allem og:title, og:image, og:image:secure_url, og:site_name, og:locale und og:type auf News-, Magazin- und Blogseiten.
Sind deine Artikelbilder Discover-tauglich?
Achte auf große, hochwertige Bilder, klare Motive und technische Zuverlässigkeit. Zusätzlich sollte max-image-preview:large korrekt gesetzt sein.
Sind deine Titel neugierig machend, aber nicht irreführend?
Vermeide Übertreibung, künstliche Dramatisierung oder einen Erwartungsbruch zwischen Vorschau und eigentlichem Inhalt.
Nutzt du das Freshness-Fenster aktiv aus?
Gerade bei aktuellen Themen können Distribution, interne Verlinkung, Push über Newsletter oder Social und frühe Sichtbarkeit in den ersten Tagen besonders wichtig sein.
Beobachtest du Source-Level-Signale?
Wenn Discover-Traffic plötzlich nicht nur auf einzelnen URLs, sondern quellenweit einbricht, lohnt sich die Analyse auf Domain-, Verzeichnis- oder Publisher-Ebene.
Gibt es technische Stolpersteine?
Prüfe Bild-Ladeprobleme, fehlerhafte Metadaten, widersprüchliche Canonicals, Paywall-Kennzeichnung und andere Darstellungsprobleme.
Hast du unterschiedliche Content-Formate sauber getrennt?
Klassische Artikel, News, Magazin-Content und Web Stories sollten jeweils ein klares Formatverständnis und eine passende Aufbereitung haben, statt alles in denselben Redaktionsprozess zu pressen.

Fazit: Nützliche Hypothesen statt falscher Gewissheiten

Die beschriebene Discover-Analyse ist spannend, weil sie ein greifbares Modell liefert, wie Auswahl, Bewertung und Ausspielung funktionieren könnten. Genau darin liegt ihr Wert: nicht als offizielle Wahrheit, sondern als fundierte Hypothese mit hoher Praxisrelevanz.

Wer mit Discover arbeitet, sollte deshalb zwei Dinge gleichzeitig tun: Erstens die offiziellen Google-Empfehlungen zu Qualität, hilfreichen Inhalten, großen Bildern und nicht-irreführendem Packaging konsequent umsetzen. Zweitens kann es sehr sinnvoll sein, solche Telemetrie-Analysen als Denkhilfe zu nutzen, um Tests und Audits gezielter aufzusetzen.

Die wichtigste Erkenntnis bleibt: Discover ist sehr wahrscheinlich kein System, das nur „guten Content“ belohnt. Es scheint eher ein Zusammenspiel aus Themenpassung, Personalisierung, technischem Vertrauen, starker Darstellung und positiven Nutzersignalen zu sein. Genau deshalb reichen gute Texte allein oft nicht aus – aber genau deshalb lassen sich auch an mehreren Stellen gleichzeitig echte Verbesserungen erzielen.