Ich war lange Zeit weg, weil ich überraschenderweise mit SEO beschäftigt war. Ich unterbreche diese Workaholic-Trance, die von Internet-Linkbuilder-Beton-Mist durchsetzt ist, um zurückzukommen und das Thema Entitäten in der SEO etwas ausführlicher zu behandeln.
Vor einem Jahr habe ich viel über MREID geschrieben – das heißt, dass alles in den Augen von Google eine Nummer hat. Dazu gehören Krankheiten, historische Ereignisse, Menschen, Marken usw. usw.
In diesem Artikel geht es zwar um die MREID selbst (die sich in der Dokumentation inzwischen unter dem prägnanteren Akronym mid etabliert hat), aber eigentlich geht es um die Entitäten selbst – die von Google vergebenen IDs sind nur der Aufrufcode für die Entitäten.
Was ist also das Konzept der Entität in SEO?
Wie kann man das Wort Entität übersetzen?
Entity ist einfach eine Einheit, eine Entität im Englischen. Es gibt wahrscheinlich keine bessere Übersetzung für dieses Wort als die wörtliche.
Noch präziser ist die Einheit des Wissens.
Obwohl noch erstaunlich wenig über das Thema Entitäten gesprochen wird, bin ich bereits auf die Übersetzung von Entitäten als Entitäten gestoßen.
Obwohl diese Übersetzung in einigen Bereichen der Informatik genau für bestimmte Wissenseinheiten verwendet wird, wird sie z. B. auch bei der Zeichenkodierung (HTML-Entities) eingesetzt, und das kann etwas durcheinander geraten.
Nun, mit der Zeit werden die Sprachbenutzer die für sie bequemste Form wählen.
Spis treści
Was sind Entitäten in SEO?
Wissenseinheiten sind in der Tat der beste Begriff für Entitäten sowohl in semantischer als auch in inhaltlicher Hinsicht. Das liegt daran, dass es sich um strukturierte Wissensbereiche handelt, die ein einzelnes Element beschreiben.
Das könnte sein:
- Person
- Fußballmannschaft
- Wetterphänomen
- wissenschaftliche Theorie
- Meilenstein
- Unternehmen
- Produkt
- Film
- Farbe
- Planet
- Datum
- physikalisches Gesetz
- chemisches Element
- Krankheit
- usw.
Wie wir sehen, kann eine Wissenseinheit alles sein, was auf strukturierte Weise beschrieben werden kann, z. B.
Nazwa: FC Barcelona Rodzaj: drużyna piłkarska; profesjonalna drużyna sportowa; klub sportowy Data powstania: 29-11-1899 Pełna nazwa: Futbol Club Barcelona Kraj: Hiszpania Stadion: Camp Nou Sport: piłka nożna
Google erfasst jede Wissenseinheit mit verschiedenen Datentypen:
- Name
- ID (in dem Artikel von vor einem Jahr schreibe ich über MREID, in der API erscheint es in der Mitte – nennen Sie es, wie Sie wollen)
- Klasse – kurz gesagt: was ein Objekt ist, z. B. ein Film
- Attribut – z. B. Anzahl der Minuten der Filmdauer, Erscheinungsdatum
- Beziehung – die Art und Weise, in der ein Objekt mit einer anderen Wissenseinheit verbunden ist (z. B. sind Pulp Fiction und Quentin Tarantino durch die Beziehung zum Regisseur verbunden)
- Relevanz – Bewertung der Relevanz eines bestimmten Links, z. B. Schwarz ist eine Farbe mit 0,99, aber ist Pulp Fiction definitiv eine Komödie?
Wichtig ist, dass in den meisten Fällen Wissenseinheiten mit anderen Wissenseinheiten beschrieben werden, z. B. wird für die Entität Pulp Fiction als Regisseur die Entität Quentin Tarantino notiert.
Dies ist zwar eine einfache Definition, aber dieser Ansatz der Informationserfassung, der auf strukturierten Daten und nicht auf einfachen Zeichenketten beruht, hat unglaubliche Auswirkungen.
Warum revolutioniert die entitätenorientierte Suche das Information Retrieval?
Am Anfang war das Wort. In der alten Version von Google war Text verfügbar. Die Texte, die auf Millionen von Websites zu finden sind, wurden von Robotern wie mittelalterlichen Mönchen auswendig gelernt, transkribiert und kopiert.
Diese Mönche, d. h. unsere Roboter und Google-Server, konnten sich nicht an all die umgeschriebenen und kopierten Bücher erinnern. Der Text blieb daher in den Regalen der großen Bibliotheken hängen.
Wenn ein Benutzer eine Suche durchführte, z. B. nach Informationen über ein Viertelzoll-Gitter für eine Erntemaschine, konnte ihm keiner der Mönche antworten, weil Mönche nichts über Viertelzoll-Gitter für eine Erntemaschine wissen. Die Mönche konnten in der Bibliothek nur ein Buch über Erntemaschinen und ein Buch über Spaliere finden und in beiden Büchern etwas über Viertelzoll-Elemente nachschlagen.
Bei der Entwicklung der Suchmaschine ging es den Mönchen nur darum, Informationen immer schneller zu finden, sie immer geschickter zu katalogisieren, die Qualität der Bücher zu beurteilen, in denen man nach Informationen sucht, sie immer geschickter in den Regalen zu ordnen, damit sie später leichter gefunden werden können. Genau das und noch viel mehr.
Und hier endet die Analogie zu den mittelalterlichen Schriftgelehrten, denn plötzlich gibt es eine Revolution. Die entitätenorientierte Suche und ganz allgemein die Idee, Informationen nicht als Textsammlung, sondern als Cluster strukturierten Wissens zu erfassen, hat die Suche unwiderruflich verändert. Damit ist die Google-Datenbank zu einem allumfassenden, autarken Buch geworden, das nur noch in Fußnoten auf andere Bücher verweist. Aber das ist noch nicht alles.
Google erwarb Freebase im Jahr 2010 und entwickelt es nun in Knowledge Graphs weiter und stellt sogar einen Teil davon über eine API zur Verfügung. Dies gibt uns einen Einblick in das, was Google bereits weiß. Und er weiß viel, und das zeigt sich auch täglich in den SERP:
Oben sehen wir ein Beispiel für den alten Ansatz der Informationsbeschaffung. Google hat unter Berücksichtigung einer Reihe von Ranking-Faktoren entschieden, dass dieser Artikel der relevanteste ist. OK, wir diskutieren jetzt nicht über die Qualität der Ergebnisse, sondern über die Art und Weise, wie sie ausgewählt und präsentiert werden.
Google hat sich aus mehreren Gründen für diesen Artikel entschieden, aber die meisten Gründe liegen in der Logik des Textes. Google hat uns mit diesem Beispiel nicht gezeigt, dass es das Thema versteht, wir wissen nicht einmal, dass es weiß, dass es um Filme geht. Vielleicht weiß er es, vielleicht weiß er es nicht, das ist schwer zu sagen.
Außerdem hat er das Wort Polen hervorgehoben, was zeigt, dass ihm dieses Ergebnis einfach wichtig erschien, auch wenn es für unsere Untersuchung keinen Sinn ergibt.
Und nun, als Kontrast dazu:
Hier basiert das Snippet bereits auf bestimmten Wissenseinheiten. Google bietet keine Zeichenfolge als Antwort auf eine Suchanfrage, sondern konkrete Filmvorschläge.
Er hat sie ausgewählt, weil die Wissenseinheit die Information enthält, dass der Film polnisch ist und dass er die besten Kritiken hat.
Wenn wir sie anklicken, erhalten wir natürlich ausführliche Informationen zu jedem Film:
Allein aus diesem einen Beispiel lernen wir vier absolut entscheidende Lektionen über die Auswirkungen von Entitäten auf die Suche:
Erstens: Dieser Ansatz zwingt Sie dazu, nach einem anderen Weg zu suchen, um Null-Klick-Suchen zu vermeiden
Ich möchte mich heute nicht darauf konzentrieren, aber die Schlussfolgerung ist einfach: Sie können mehrstellige Budgets für Whitepress ausgeben, aber dennoch kann Top 1 für diese Art von Phrasen aufgrund von Null-Klick-Suchen eine riskante Investition sein. Seien wir ehrlich: Für viele Branchen ist es an der Zeit, eine Strategie zu entwickeln, um dort aufzutauchen, wo Netflix in der obigen Grafik zu sehen ist, anstatt fabelhafte Summen für die Top 10 auszugeben. Man kann die Realität buchstabieren, aber nicht unbegrenzt. Amen.
Zweitens: Die Präsentation der Daten ändert sich
Eine triviale und offensichtliche Schlussfolgerung, aber sind die Konsequenzen offensichtlich? Und diese sind recht umfangreich, denn zum Beispiel:
- eine völlige Änderung der Art und Weise, wie Informationen gesucht werden, in der Erwartung, dass ein anderes Suchergebnis als zuvor erzielt wird (bye-bye, long tails),
- eine Veränderung der Art und Weise, wie Informationen konsumiert werden, von umfangreicheren Textformen hin zu trockenen Fakten und Zusammenfassungen in Form von kurzen Snippets,
- eine völlige Neudefinition der Art des Suchprozesses.
Mit letzterem meine ich den Wechsel von einem Inbound-Modell zu einem viel umfassenderen Modell. Hier wird einem Nutzer, der nach Informationen über einen Film sucht, sofort ein Foto des Regisseurs und der gesamten Besetzung präsentiert, eine Einladung, sich den Film anzusehen, den Trailer anzuschauen, die Suche nach verwandten Informationen fortzusetzen, usw.
Das klassische Suchmaschinenmodell des Inbound-Marketings, bei dem der Nutzer kommt und die Inhalte auf eigenen Wunsch abruft, wird also erweitert – jetzt kommen die Inhalte zum Nutzer, der kaum Zeit hat, sein Interesse daran zu bekunden. Es ist nicht mehr nur eine kleine Box mit „People Also Ask“.
Drittens: Die Stärke von Wissenseinheiten liegt vor allem in den Beziehungen zwischen ihnen
Was wären die Entitäten, wenn Google nicht verstehen würde, wie sie miteinander verbunden sind? Ich denke, in der Beziehung zwischen ihnen liegt die ganze Stärke der Idee.
Stellen Sie sich eine solche Sammlung von Wissenseinheiten vor:
Nazwa: Adam Mickiewicz Zawód: pisarz Kraj: Polska Miejsce urodzenia: Nowogródek Miejsce śmierci: Konstantynopol Wykształcenie: Uniwersytet Wileński Nazwa: Józef Ignacy Kraszewski Zawód: pisarz Kraj: Polska Miejsce urodzenia: Warszawa Miejsce śmierci: Genewa Wykształcenie: Uniwersytet Wileński
Wenn Google die Beziehung zwischen diesen Wissenseinheiten nicht verstehen würde, wäre es nur möglich, einfache Informationen zu erhalten, z. B:
Zapytanie: polski pisarz urodzony w Nowogródku Odpowiedź: Adam Mickiewicz
oder
Zapytanie: sławni absolwenci uniwersytetu wileńskiego Odpowiedź: Adam Mickiewicz;Józef Ignacy Kraszewski
Eine solche Abfrage ist jedoch nur dann möglich, wenn wir die Beziehungen zwischen den Wissenseinheiten verstehen und sie weiter analysieren:
Zapytanie: sławni Polscy pisarze zmarli poza Polską Odpowiedź: Adam Mickiewicz;Józef Ignacy Kraszewski
Der Schlüssel zum Erfolg einer solchen Abfrage ist, dass die Daten zu jeder Person nicht nur strukturiert, sondern auch verknüpft sind.
Die Tatsache, dass unsere Probanden polnische Schriftsteller sind und einen Abschluss an der Universität Warschau gemacht haben, ist ein direktes Ergebnis der Daten.
Die Tatsache, dass sie außerhalb Polens starben, ist auf die Tatsache zurückzuführen, dass in der Passage:
Miejsce śmierci: Genewa
…Genf ist keine bloße Aneinanderreihung von Zeichen, sondern eine eigenständige Einheit des Wissens.
Google weiß also nicht nur, dass Kraszewski in Genf gestorben ist. Google weiß, dass Kraszewski in Genf gestorben ist, einer Stadt in der Schweiz (nicht in Polen), mit 200 000 Einwohnern, Hauptstadt des Kantons Genf, französischer Amtssprache, usw…. Mickiewicz starb in Konstantinopel, dem historischen Namen von Istanbul, das in der Türkei liegt.
Dies verändert den Charakter der Dinge völlig; das Verständnis der Beziehungen zwischen den verschiedenen Einheiten eröffnet weitere ungeahnte Ebenen des Wissens und des Zugangs zu Daten.
Viertens: Es ist nicht klar, was ein Rankingfaktor ist und was nicht.
Gehen wir davon aus, dass wir es irgendwie schaffen werden, ein Stück von diesem Kuchen abzubekommen.
Um das Beispiel der Filmindustrie weiter zu verwenden, werden wir es schaffen, mit unserer Website als integralem Bestandteil des Wissens über einen bestimmten Film in den Wissensgraphen einzusteigen.
Was nun? Nun, irgendwie muss man dafür sorgen, dass man so oft wie möglich auftaucht, solange man dort ist. Ist es möglich, Wissenseinheiten zu positionieren?
Theoretisch ja, vor allem in Nischen, in denen Google weniger Signale und Quellen hat, um Wissen zu sammeln – und die daher leichter zu manipulieren sind.
Wie das geht – das werden Ihnen wahrscheinlich in ein paar Jahren alle möglichen Spezialisten beschreiben, wenn sie erwachen: Inhalt, Strukturdaten und weiß Gott was noch.
Und ich möchte nur auf ein Problem hinweisen.
Wenn es bei der Suchmaschinenoptimierung in etwa zehn Jahren darum gehen wird, in Wissensgraphen „hineinzuspringen“ und sie zu fördern*, dann wird das, was wir heute als Ranking-Signal kennen, seine Bedeutung verlieren.
Denn was nützen unsere Bemühungen, wenn nicht die Phrase:
… werden die wichtigsten sein:
… und das ist etwas, das wir wahrscheinlich nicht überspringen werden.
Einfacher ausgedrückt: Zu der Frage, ob der kommende Sonntag kommerziell ist, können einige Fachleute heute jede Woche eine neue Dissertation schreiben. Allerdings wird es bald nur noch eine Antwort auf die Frage geben, ob 2 + 2 gleich 4 ist.
Nüchterne Fakten übertrumpfen Positionskombinationen. Eine gute Nachricht für die Nutzer, eine etwas schlechtere für uns 🙂
* Das ist eigentlich keine dumme Idee. Könnte dies das SEO der Zukunft sein, dass für jedes beworbene Produkt, jeden Artikel oder jede Dienstleistung so etwas wie ein Wissensgraph erstellt wird und nur noch die Daten aufpoliert und eventuell ergänzt werden müssen? Das klingt recht realistisch, aber natürlich ist das nur Wahrsagerei.
Wie Google sein größtes Problem mit der entitätsorientierten Suche in Angriff genommen hat
Zu Beginn habe ich die Analogie zu Googles ursprünglicher Technologie eingeführt und Bots mit mittelalterlichen Mönchen verglichen, die Texte in Büchern niederschrieben und ordneten.
Heute ist Google ein derartiges Superhirn, dass das wichtigste Wissen aus diesen Büchern bereits assimiliert wurde und sofort abrufbar ist.
Zwei Probleme blieben.
Erstens gibt es immer noch einen sehr, sehr großen Teil dieses Wissens, der nur in Büchern festgehalten ist. Das liegt daran, dass Google Wissen, das in irgendeiner Weise strukturiert war, leicht assimilieren konnte. Was bleibt, ist eine riesige Menge an Wissen, gekritzelt in Manuskripten, fremden Sprachen, unlesbar.
Wir haben es also mit einer Art Zweiteilung der Datenbank zu tun: Einerseits verfügt Google über eine hochmoderne Datenbank mit Entitäten, die es überarbeiten, kombinieren und an eine Anfrage anpassen kann, und andererseits über eine riesige, unstrukturierte Textsammlung, in der es mehr oder weniger effizient nach Antworten auf Fragen der Nutzer sucht. Und ich vermute, dass die letztgenannte Art von Datensätzen in den meisten Sprachen (einschließlich Polnisch) viel umfangreicher ist als die erstgenannte.
Und das ist noch nicht einmal das wichtigste Problem – diese Koexistenz dieser verschiedenen Datentypen gibt es schon seit langem, und die Welt ist nicht zusammengebrochen.
Das wichtigste Problem von Google ist die Zusammenführung dieser Ressourcen. Abbildung von strukturiertem und unstrukturiertem Wissen. Und genau das geschieht: Vor unseren Augen werden immer mehr Begriffe und Abfragen ihre Wissensgraphen, ausgefeilte Snippets oder einfach sofortige datengestützte Antworten erhalten.
Auf die Frage, wie Google das macht, gibt es natürlich nur eine Antwort: künstliche Intelligenz. Da solche trivialen Antworten jedoch niemanden zufrieden stellen, beschloss ich, der Sache weiter nachzugehen.
Was uns die Cloud Natural Language API verrät
Wo suchen Sie nach Informationen darüber, woran Google arbeitet und was in den nächsten Jahren im Bereich SEO angesagt sein wird?
- Google-Pressemitteilungen und ihre Blogs?
- Dokumentation der geförderten Projekte (z. B. AMP)?
- Industrie-Blogs?
- Ihre eigene Intuition?
- Google-Patente?
Alles sehr gute Möglichkeiten, vor allem, wenn Sie die reinen PR-Aktivitäten aussondern und die meiste Zeit mit dem Studium von Patenten verbringen.
Es gibt jedoch noch einen weiteren Tipp, der oft übersehen wird, und zwar die APIs und ihre Dokumentation.
Für unser Thema wäre es am sinnvollsten, sich mit der Knowledge Graph Search API zu befassen, über die wir nach Daten zu bestimmten Wissenseinheiten suchen können.
Ich kann nur empfehlen, mit diesem Wunderwerk zu spielen, aber darum geht es mir heute nicht.
Konzentrieren wir uns auf die Cloud Natural Language API. Es handelt sich um einen Dienst, der es ermöglicht, künstliche Intelligenz zu nutzen, um Inhalte allein auf der Grundlage von Text zu verstehen.
So viel kann Google bereits tun. Die API kann allein mit reinem Text arbeiten:
- Stimmungsanalyse – Bewertung der wichtigsten Emotionen, die den Text begleiten, mit Schwerpunkt auf den Polen: positiv, neutral, negativ.
- Entitätsanalyse – „extrahiert“ und erkennt alle erkannten Entitäten aus dem Text
- Entity Sentiment Analysis – extrahiert alle identifizierten Entitäten aus dem Text und liefert Informationen über die Emotion, mit der sie bezeichnet werden (positiv, neutral, negativ)
- Syntaktische Analyse – Zerlegung des Textes in Sätze und/oder Tokenisierung und anschließende Rückgabe von Kontextinformationen zu Sätzen/Tokens
- Inhaltsklassifizierung – gibt dem Inhalt eine Kategorie.
Hier haben wir also ein Werkzeug, das Wissenseinheiten aus einem einfachen Text extrahiert. Zum Beispiel der Satz:
President Trump will speak from the White House, located at 1600 Pennsylvania Ave NW, Washington, DC, on October 7.
… kehrt zurück:
{
"entities": [
{
"name": "Trump",
"type": "PERSON",
"metadata": {
"mid": "/m/0cqt90",
"wikipedia_url": "https://en.wikipedia.org/wiki/Donald_Trump"
},
"salience": 0.7936003,
"mentions": [
{
"text": {
"content": "Trump",
"beginOffset": 10
},
"type": "PROPER"
},
{
"text": {
"content": "President",
"beginOffset": 0
},
"type": "COMMON"
}
]
},
{
"name": "White House",
"type": "LOCATION",
"metadata": {
"mid": "/m/081sq",
"wikipedia_url": "https://en.wikipedia.org/wiki/White_House"
},
"salience": 0.09172433,
"mentions": [
{
"text": {
"content": "White House",
"beginOffset": 36
},
"type": "PROPER"
}
]
},
{
"name": "Pennsylvania Ave NW",
"type": "LOCATION",
"metadata": {
"mid": "/g/1tgb87cq"
},
"salience": 0.085507184,
"mentions": [
{
"text": {
"content": "Pennsylvania Ave NW",
"beginOffset": 65
},
"type": "PROPER"
}
]
},
{
"name": "Washington, DC",
"type": "LOCATION",
"metadata": {
"mid": "/m/0rh6k",
"wikipedia_url": "https://en.wikipedia.org/wiki/Washington,_D.C."
},
"salience": 0.029168168,
"mentions": [
{
"text": {
"content": "Washington, DC",
"beginOffset": 86
},
"type": "PROPER"
}
]
}
{
"name": "1600 Pennsylvania Ave NW, Washington, DC",
"type": "ADDRESS",
"metadata": {
"country": "US",
"sublocality": "Fort Lesley J. McNair",
"locality": "Washington",
"street_name": "Pennsylvania Avenue Northwest",
"broad_region": "District of Columbia",
"narrow_region": "District of Columbia",
"street_number": "1600"
},
"salience": 0,
"mentions": [
{
"text": {
"content": "1600 Pennsylvania Ave NW, Washington, DC",
"beginOffset": 60
},
"type": "TYPE_UNKNOWN"
}
]
}
}
{
"name": "1600",
"type": "NUMBER",
"metadata": {
"value": "1600"
},
"salience": 0,
"mentions": [
{
"text": {
"content": "1600",
"beginOffset": 60
},
"type": "TYPE_UNKNOWN"
}
]
},
{
"name": "October 7",
"type": "DATE",
"metadata": {
"day": "7",
"month": "10"
},
"salience": 0,
"mentions": [
{
"text": {
"content": "October 7",
"beginOffset": 105
},
"type": "TYPE_UNKNOWN"
}
]
}
{
"name": "7",
"type": "NUMBER",
"metadata": {
"value": "7"
},
"salience": 0,
"mentions": [
{
"text": {
"content": "7",
"beginOffset": 113
},
"type": "TYPE_UNKNOWN"
}
]
}
],
"language": "en"
}
Was ist hier los? Anhand eines einzigen Satzes haben wir mit Hilfe der API die Sprache ermittelt, festgestellt, um wen es in dem Text geht, welche Funktion diese Person hat, wo sie sich aufhält, den Namen des Ortes und seine genaue Adresse.
Und das sind keine von der Realität abgehobenen Zahlen. Mit Hilfe der ID können wir sie weiter zuordnen und die verschiedenen Texte zu einem einzigen Bedeutungsblock zusammenfügen.
Ba, nicht viel. Wenn wir zum Beispiel am Anfang eines Satzes hinzufügen würden. „Unser geliebter Herr Präsident Trump…“ und statt der analyzeEntities-Methode die analyzeEntitySentiment-Methode verwenden, dann würde Google zusätzlich noch unsere Einstellung zu Trump bewerten (und übrigens auch eine neutrale Einstellung zur Pennsylvania Avenue, dem Weißen Haus und dem Datum des 7. Oktober 😉 ).
Google kann bereits so viel tun, und wir sollten nicht vergessen, dass es sich um eine öffentlich zugängliche Technologie handelt. Was „unter der Haube“ vor sich geht und welche neuen Fähigkeiten zur Kategorisierung und zum besseren Verständnis von Texten bereits getestet werden, wissen wir nicht.
Es ist daher nur eine Frage der Zeit, bis das gesamte Wissen, zu dem Google Zugang hat, systematisiert wird – und mit der Zeit kann sich dieser Prozess nur beschleunigen.
Na gut, aber was kommt jetzt?
Nun, nichts. Es handelt sich um eine Revolution, die sich langsam vollzieht, aber sie ist schon seit langem im Gange. Zu diesem Thema ist so viel passiert, dass ich beschlossen habe, es zusammenzufassen und zu diskutieren, wobei ich mich auf die Ursachen und nicht auf die Symptome konzentriere.
Und was diese Symptome sind, muss wohl niemandem mehr erklärt werden: 65 % der Suchanfragen werden im Jahr 2020 nicht zu einem Klick führen. Ich könnte Screenshots einfügen, die zeigen, wie sich Googles Konzentration auf Entitäten auf diesen Zustand auswirkt, aber da Sie diesen Teil des Artikels erreicht haben, sind Sie sich dessen wahrscheinlich bewusst.
Obwohl Entity Oriented Search alle bisherigen SEO-Dogmen auf den Kopf stellt, werden Spezialisten sicherlich versuchen, Wissenseinheiten anzuzapfen, so dass ihre Kunden in gewisser Weise ein Teil davon sind (ich versuche es bereits, aber ohne Techniken unter dem dunklen Hut ist es nicht einfach 😉 ). Die Konservativen werden sich bis zur letzten Minute mit diesem Thema beschäftigen. Und ich denke, wir sollten unser eigenes Ding machen, aber im Hinterkopf einen Plan haben, eine Strategie, die es uns schließlich ermöglicht, in diese neuen Bereiche des sich entwickelnden Google-Ökosystems einzudringen.
Denn mit Google ist es ein bisschen so, als würde ein phlegmatischer Revolverheld eine Bank ausrauben. Er kommt mit einer Waffe, langsam, nicht in Eile, er erschrickt ein bisschen, redet ein bisschen, schaut, probiert sie an, erschrickt wieder…. aber wenn er schießt, tötet er trotzdem 🙂 Es ist besser, auf einen solchen Schuss vorbereitet zu sein, zumal Google uns viel Zeit dafür lässt.
