Die reale Nachfrage rund um ein Thema aus Sicht von KI-Chatbot-Nutzern verstehen und gezielt auf das eigene Sortiment zuschneiden: Das Modell ruft über den SISTRIX MCP Server mit ai_topicresearch alle Themen zu einem Suchbegriff ab, clustert sie inhaltlich und filtert nur die Cluster mit echtem Produktbezug heraus.
| Zeitaufwand | Zeitersparnis | Schwierigkeit | Einsatz |
|---|---|---|---|
| 1-2 Stunden | 1-2 Tage manuelle Recherche | Mittel | Produkt-Content & Markenrelevanz |
Nutzen
- Reale Nachfrage verstehen: Zeigt, wie Nutzer von KI-Chatbots über ein Thema sprechen, inklusive Suchvolumen je Topic.
- Gezielte Filterung aufs eigene Sortiment: Themen ohne echten Produktbezug lassen sich sauber ausschließen, etwa Leistungen oder Behandlungen, die die eigene Marke gar nicht anbietet.
- Marken-Sichtbarkeit erkennen: Zeigt, in welchen generischen Produkt-Clustern die eigene Marke bereits als führende Marke genannt wird.
- Fertige Prompt-Bibliothek: Liefert pro Topic passende Prompts je KI-Modell, direkt nutzbar für Content-Briefings.
- Redaktionelle Ressourcen richtig priorisieren: Fokus auf Cluster mit echtem Produktbezug statt auf das gesamte, oft deutlich breitere Themenfeld.
Prompt
„1. Rufe ai_topicresearch mit view=overview für [Topic] auf, um Themenanzahl und Journey-Stage-/Intent-Verteilung zu sehen.
2. Hole dir anschließend view=list (limit an die Themenanzahl angepasst) für die Rohliste aller Topics mit Suchvolumen.
3. Cluster die Topics inhaltlich und behalte nur Topics mit Bezug zum Kernthema.
4. Gleiche die Cluster mit dem eigenen Sortiment ab: Welche Cluster passen zu Produkten, die die [Marke] tatsächlich verkauft? Alles rund um Produkte, Behandlungen oder Services, die nicht angeboten werden, konsequent rausfiltern.
5. Vertiefe die 2 bis 3 suchvolumenstärksten Topics je verbliebenem Cluster mit view=topic (topic_label), um Buyer Persona, Emotional Driver, gegebenenfalls genannte Marken und die Prompt-Bibliothek je KI-Modell zu erhalten.“
Ablauf
- Themenraum verstehen (Overview): ai_topicresearch(view: overview, keyword: [Thema]) zeigt die Gesamtzahl der Themen sowie deren Verteilung nach Journey-Stage und Intent. Das zeigt auf einen Blick, ob Nutzer überwiegend informieren oder direkt kaufen wollen.
- Themenliste ziehen und grob clustern: Aus der vollständigen Topic-Liste (view: list) werden inhaltliche Cluster gebildet. Themen ganz ohne Bezug zum Kernthema werden ausgeschlossen.
- Auf das eigene Sortiment filtern: Cluster ohne Bezug zu den tatsächlich angebotenen Produkten oder Leistungen werden konsequent rausgefiltert. Übrig bleiben nur die Cluster mit direktem Produktbezug.
- Top-Themen je Cluster vertiefen: Für die suchvolumenstärksten Topics je verbliebenem Cluster liefert view: topic Buyer Persona, Emotional Driver, gegebenenfalls genannte Marken und die komplette Prompt-Bibliothek je KI-Modell (ChatGPT, AI Mode, Gemini, Copilot, Perplexity, AI Overviews). Bei einem zufriedenstellenden Ergebnis lohnt es sich, die Promptausgabe über den SISTRIX MCP Server auch für die anderen Cluster fortzusetzen.
- Ergebnis dokumentieren: Für eine Prompt-Recherche bieten sich Tabellenformate an. Alle Cluster, Topics und Top-Prompts lassen sich in einer Excel-Tabelle mit mehreren Tabs dokumentieren, zum Beispiel Themen-Übersicht, Cluster-Summary und Top-Prompts je Cluster, direkt nutzbar für Content-Briefings.
Output / Ergebnis
Live-Beispiel: Gefilterte Analyse für das Thema „augenbrauen“ (DE), zugeschnitten auf eine Marke, die nur Augenbrauenstift und -serum verkauft (hier: Benefit Cosmetics):
| Cluster | Beispiel-Inhalt | Suchvolumen | Einordnung |
|---|---|---|---|
| 1. Formen & Styling | Zupfen, Threading, Waxing, Mapping, DIY-Techniken | ~119.000 | Basis-Content |
| 2. Produkte & Tools | Augenbrauenstift, -gel, -pomade, -schere | ~65.700 | Kern-Case (Stift) |
| 3. Wachstum & Pflege-Wirkstoffe | Serum, Rizinusöl, Biotin, Peptide | ~39.800 | Kern-Case (Serum) |
| 4. Benefit-spezifisch | Gimme Brow, Brow Setter, Augenbrauenstift | ~1.050 | Direkter Markentreffer |
💡 Tipp: Filtere konsequent nach dem tatsächlichen Sortiment, nicht nur nach dem Oberthema. Große Themenblöcke, die zwar zum Wortfeld gehören, aber ohne eigenes Angebot dahinter, sind für die Content-Strategie nicht relevant: Sie würden nur Ressourcen binden und den eigenen Fokus verwässern.
Kombinationen und Varianten
★ Kombination: Promptrecherche aus dem AI Check. Nach der Prompt-Recherche für relevante Themen und deren Clusterung lässt sich zusätzlich die Prompt-Recherche auf Basis des eigenen und des Wettbewerber-Promptsets aus dem AI Check einbinden, um ein Gesamtbild zu entwickeln.
- Variante für andere Produktlinien: Das Vorgehen lässt sich eins zu eins auf andere Produktkategorien übertragen, jeweils mit eigenem, aufs Sortiment zugeschnittenem Cluster-Set.
- Variante Wettbewerb: Die Marken-Nennungen aus der Topic-Detailansicht lassen sich als Wettbewerbs-Benchmark in einem separaten Use Case vertiefen.
Beispiel-Analysen zum Download
📊 SISTRIX_MCP_TopicResearch_BenefitAugenbrauen_Cluster.xlsx: Die vollständige Analyse aus diesem Use Case mit drei Tabs, alle relevanten Topics geclustert, eine Cluster-Summary mit Suchvolumen und die Top-3-Themen je Cluster inklusive vollständiger Prompt-Bibliothek je KI-Modell.
Nicht weitergekommen? Unser Support-Team hilft beim Setup des SISTRIX MCP Servers und beantwortet Fragen zur Nutzung mit Claude oder ChatGPT. Support kontaktieren
SISTRIX kostenlos testen
- Kostenloser Testaccount für 14 Tage
- Unverbindlich, keine Kündigung notwendig
- Persönliches Onboarding durch Experten
