Structured Data Engineering · Aktualisiert April 2026

Schema.Als Graph,nicht Fragment.

Als technischer SEO-Architekt biete ich Ihnen die komplette Schema.org-Implementation als Projekt-Service an: Ich liefere einen produktions-ready JSON-LD-Graph mit @id-Verknüpfungen für Person, Organization, Article, Product, FAQPage, HowTo - validiert, deployed, CI-gegated. Unterstützte Stacks: Next.js, Nuxt, Astro, WordPress, Shopify, HubSpot, plus GTM-Fallback für Legacy.

Schema-Audit anfragen →Typen ansehen
Kerntypen
OrganizationPersonArticleProductFAQPageHowTo
Murat Ulusoy
JSON-LD Graph
„Schema ohne @id-Graph ist wie ein Satz ohne Syntax."
Murat Ulusoy
CEO · Head of SEO · SUMAX
Validiert100 %
30+
Schema-Typen
@id
Graph-Kohärenz
100 %
Validiert
CI-Gate
Deployment
01 - Schema-Typen

Kern-Stack für SEO & GEO.

01

Organization

Name, logo, url, sameAs, founder, foundingDate, knowsAbout, identifier (LEI/HRB).

02

Person

name, jobTitle, worksFor, sameAs (LinkedIn/ORCID), alumniOf, knowsLanguage.

03

Article / BlogPosting

headline, author (@id), datePublished, dateModified, articleSection, mentions.

04

Product

name, brand (@id), sku, gtin, offers, aggregateRating, review, isVariantOf.

05

FAQPage

mainEntity: Question + acceptedAnswer. Höhere LLM-Zitierwahrscheinlichkeit bei präziser Claim-Answer-Struktur.

06

HowTo

step, supply, tool, totalTime. Für Tutorial-Inhalte - LLMs ziehen HowTo-Strukturen häufig als Antworten.

07

LocalBusiness

address, geo, openingHours, telephone, priceRange. Grundlage für Local Knowledge Panels.

08

BreadcrumbList

Positionierte URL-Hierarchie. Pflicht für informationale Hubs.

09

Event / Course / JobPosting

Domain-spezifische Typen mit Rich-Result-Potenzial.

02 - Definition

Was Schema-Implementation 2026 wirklich bedeutet.

Schema-Implementation 2026 ist kein einmaliges Plugin-Setup mehr - sie ist Structured-Data-Engineering als laufender Prozess. Im Zentrum steht JSON-LD (JavaScript Object Notation for Linked Data) als von Google bevorzugtes Format gegenüber Legacy-Ansätzen wie Microdata oder RDFa. Während Microdata Schema-Properties direkt in HTML-Attribute (itemprop, itemscope) verschachtelt und damit Templates fragil macht, läuft JSON-LD als eigenständiger script-Block - sauber getrennt von Content, einfacher zu warten, prädestiniert für Headless- und JAMstack-Architekturen. Entscheidend ist die Architektur als @id-Graph: Statt isolierter Schema-Fragmente verknüpft ein Mini-Knowledge-Graph alle Entities der Domain über stabile @id-URIs. Article referenziert Person (Author) per @id, Organization per publisher-@id, alles auf einem konsistenten Knoten. Erst durch sameAs-Cluster (LinkedIn, Wikidata, Wikipedia, Crunchbase, ORCID) wird die Entity für Googles Knowledge Graph als verifizierter Knoten lesbar - Voraussetzung für Knowledge-Panel-Emergenz und Citation-Wahrscheinlichkeit in AI Overviews. Klassische Rich Results (Sterne, FAQ, HowTo) wurden zwar reduziert, dafür ist Schema heute zentraler GEO-Hebel: ChatGPT, Perplexity und Google AI Overviews ziehen strukturierte Daten als hochsignifikantes Entity-Signal heran. Professionelle Schema-Implementation 2026 verlangt Entity-zentrierte Modellierung, Wikidata-Verknüpfung, Validation gegen Schema.org-Vokabular und Rich Results Test, und vor allem CI/CD-Integration mit automatisierten Quality Gates - jedes Deployment durchläuft ein Validierungs-Set, bevor es in Production geht. Schema ist 2026 Engineering-Disziplin, nicht Plugin-Konfiguration.

FORMAT

JSON-LD-Architektur

Eigenständiger script-Block mit application/ld+json, getrennt von HTML-Templates. Komplette Graphen statt verschachtelter Microdata-Attribute - prädestiniert für Headless, Next.js, Astro.

GRAPH

Entity-Verknüpfung

@id-URIs als Anker, sameAs-Cluster zu Wikidata, LinkedIn, ORCID, Crunchbase. Article referenziert Author per @id, Organization per publisher-@id. Knowledge-Graph-Lesbarkeit als Ziel.

PIPELINE

CI/CD-Integration

Schema-Generierung als Build-Step, Versionierung im Repo, automatisierte Validation gegen Rich Results Test und Schema.org Validator vor jedem Deployment in Production.

QUALITY

Quality Gates

Validation-Pass-Rate, @id-Kohärenz-Prüfung, Property-Coverage-Threshold, Schema-Drift-Detection nach Content-Updates. Deployment-Block bei Validation-Fehlern.

03 - Phasen

Vier Phasen bis Produktion.

Jede Schema-Implementation folgt einer dokumentierten Phasenlogik mit klaren Übergabepunkten - vom initialen Crawl-Audit über Schema-Design und Deployment bis zu kontinuierlichem Drift-Monitoring. Die Phasen werden an Stack-Komplexität und Content-Frequenz angepasst.

01

Audit & Gap-Analyse

Crawl aller URLs, Extraktion bestehender Schema-Blöcke, Validitäts-Check, @id-Kohärenz-Prüfung, Property-Coverage-Analyse, Wettbewerber-Schema-Vergleich, Priorisierungs-Matrix.

CrawlerValidatorCoverage
02

Schema-Design

Entity-Mapping, @id-Namespace-Definition, Property-Matrix pro Content-Typ, Vererbungsregeln für Template-Injection, sameAs-Cluster-Strategie, Wikidata-Verknüpfung.

@id-NamespaceInheritancesameAs
03

Implementation

CMS-Plugin, Template-Injection (Next.js/Nuxt/Astro) oder GTM-Fallback. Version-Control im Repo, Review-Gates im PR-Workflow, automatisierte Validation in der Deployment-Pipeline.

Next.jsWordPressGTM
04

Monitoring

Rich-Result-Test automatisiert in CI, Graph-Kohärenz-Gate, Monitoring auf Schema-Drift nach Content-Updates, monatlicher Coverage-Report, Alerts bei Validation-Regressions.

CI/CDDrift-WatchAlerts
04 - Schema-Typen

Sechs Kerntypen mit Property-Tiefe.

Jeder Schema-Typ hat eine eigene Property-Logik. Erst saubere Property-Coverage macht Schema-Blöcke für Knowledge Graph und LLMs lesbar - generische Minimal-Implementierungen bleiben Fragmente. Diese sechs Kerntypen decken 90 % der typischen Domain-Architekturen ab.

01 - ENTITY ROOT

Organization

Pflicht-Properties: name, url, logo, sameAs (LinkedIn, Wikidata, Crunchbase), founder, foundingDate. Erweitert: identifier (LEI, HRB, DUNS), knowsAbout, areaServed, contactPoint, address. Root-Entity für jeden @id-Graph.

02 - AUTHORITY

Person

Pflicht: name, jobTitle, worksFor (@id zu Organization), sameAs (LinkedIn, ORCID, Wikidata, Mastodon). E-E-A-T-Hebel: alumniOf, knowsAbout, knowsLanguage, award, hasCredential. Author-Entity für Article.

03 - COMMERCE

Product

Pflicht: name, brand (@id), sku, gtin, offers (price, priceCurrency, availability, priceValidUntil). Rich-Result-relevant: aggregateRating, review, isVariantOf, hasMerchantReturnPolicy, shippingDetails.

04 - EDITORIAL

Article / BlogPosting

Pflicht: headline, author (@id zu Person), publisher (@id zu Organization), datePublished, dateModified, image. GEO-relevant: articleSection, mentions (@id zu erwähnten Entities), about, citation.

05 - DIALOG

FAQPage / HowTo

FAQPage: mainEntity (Question + acceptedAnswer). HowTo: step, supply, tool, totalTime, estimatedCost. Höchste LLM-Citation-Wahrscheinlichkeit bei präziser Claim-Answer-Struktur und Prozedural-Logik.

06 - YMYL

MedicalEntity

Subtypen: MedicalCondition, Drug, MedicalProcedure, MedicalGuideline. Pflicht: code (ICD-10, SNOMED), guideline, recognizingAuthority, evidenceLevel. YMYL-relevant - höchste E-E-A-T-Anforderung.

05 - Abgrenzung

Manuell, Plugin, SaaS oder Custom Engineering?

Vier verschiedene Implementierungspfade mit sehr unterschiedlichen Cost-Outcome-Profilen. Die Wahl hängt von Stack-Komplexität, Content-Frequenz, Team-Reife und Anspruch an @id-Graph-Kohärenz ab. Custom Schema Engineering ist die Antwort, wenn Knowledge-Graph-Wirksamkeit und CI/CD-Integration ernsthaft verfolgt werden.

KriteriumManuelle ImplementationCMS-PluginsAutomated SaaSCustom Schema Engineering
@id-Graph-KohärenzTheoretisch, schwer skalierbarSelten, meist Fragment-OutputTeilweise, Template-gebundenVoll, als Architektur-Prinzip
WartungHoher Aufwand pro URLAuto, aber Black-BoxAuto via Vendor-UpdatesCI/CD-gegated, versioniert
ValidationManuell pro ReleasePlugin-abhängig, meist fehlendSaaS-internAutomatisierte Quality Gates
Custom Schema-TypenVoll möglichEingeschränkt (Plugin-Scope)Vendor-Roadmap-abhängigVoll möglich, inkl. Branchenlogik
sameAs & WikidataManuellSeltenSeltenStrategisches Cluster
Geeignet fürSingle-Page-SitesStandard-CMS, kleine SitesE-Commerce-StandardfälleEnterprise, Multi-Market, GEO
06 - Investment

Drei Engagement-Modelle.

Investmentlogik richtet sich nach Stack-Komplexität, Anzahl Content-Typen, internationaler Asymmetrie und Maintenance-Tiefe. Alle Modelle inkludieren Validation gegen Rich Results Test und Schema.org Validator, dokumentierten @id-Namespace und einen Hand-Off-Plan. Konkrete Konditionen werden im Scope-Gespräch nach Stack-Discovery definiert.

SPRINT

Audit-Sprint

4-6 Wochen, fester Scope. Crawl- und Validierungs-Audit, Gap-Analyse, Property-Coverage-Report, Wettbewerber-Vergleich, priorisierter Implementation-Plan.

  • Crawl aller URLs + Schema-Extraktion
  • Validation gegen Rich Results Test
  • @id-Kohärenz-Prüfung
  • Implementation-Roadmap
PROJECT

Implementation-Project

8-16 Wochen. Schema-Design, Template-Injection, CI/CD-Integration, Quality Gates, sameAs-Cluster-Aufbau, Wikidata-Verknüpfung, Production-Deployment.

  • @id-Namespace + Property-Matrix
  • Template-Injection (Next.js/WP/Shopify)
  • CI/CD-Validation-Gates
  • sameAs-Cluster + Wikidata
RETAINER

Continuous Schema Engineering

Retainer 6-12 Monate. Drift-Monitoring, Quality-Gate-Wartung, neue Schema-Typen pro Roadmap, Wettbewerber-Tracking, monatlicher Coverage-Report.

  • Schema-Drift-Monitoring
  • Neue Content-Typen onboarden
  • Wettbewerber-Schema-Tracking
  • Monatliches Executive-Reporting
07 - Verwandt

Schema im größeren Stack.

◎

Entity SEO

Schema ist das Werkzeug - Entity-Klarheit das Ziel.
◆

SEO & GEO Flagship

Wie Schema Citations in generativen Systemen verstärkt.
▲

Knowledge Panel

Schema als Pflicht-Fundament für Panel-Emergenz.
■

Schema-Tools

Kostenfreie Generatoren und Validatoren.
●

Glossar - E-E-A-T

Wie Schema E-E-A-T-Signale stärkt.
◦

Glossar - llms.txt

Schema-komplementäre LLM-Anweisung.
08 - FAQ

Häufige Fragen.

Antworten auf die häufigsten Fragen zu Schema.org-Implementation, JSON-LD-Architektur und Continuous Schema Engineering. Weitere Fragen werden im Scope-Gespräch geklärt.

Was ist JSON-LD?

JSON-LD (JavaScript Object Notation for Linked Data) ist das von Google bevorzugte Format für strukturierte Daten. Eingebettet als script-Block mit MIME-Typ application/ld+json - getrennt von HTML-Templates, wartungsarm, prädestiniert für Headless- und JAMstack-Architekturen.

JSON-LD vs. Microdata - was ist besser?

JSON-LD ist 2026 vorzuziehen. Microdata verschachtelt Properties direkt in HTML-Attribute (itemprop, itemscope) - das macht Templates fragil. JSON-LD läuft als eigener Block, kann komplette Graphen darstellen, ist von Google explizit empfohlen. Microdata bleibt Legacy-Lösung.

Was ist ein @id-Graph?

Verknüpfter Schema-Graph über stabile @id-URIs - Article referenziert Person (Author) und Organization (Publisher) per @id. Das ergibt einen konsistenten Mini-Knowledge-Graph pro Domain. Voraussetzung für Knowledge-Graph- und LLM-Lesbarkeit.

Wie verhält sich Schema zum Knowledge Graph?

Schema-Markup ist das wichtigste deklarative Signal an Googles Knowledge Graph. Über sameAs-Properties verknüpfen Sie zu Wikidata, LinkedIn, Crunchbase, ORCID. Erst dann wird Ihre Entity als verifizierter Knoten lesbar - Voraussetzung für Knowledge-Panel-Emergenz.

Welche Rich Results funktionieren 2026 noch?

Aktiv: Product, Recipe, Event, JobPosting, Course, Movie, BreadcrumbList, Article, LocalBusiness, VideoObject. Reduziert: FAQPage (nur Behörden/Health), HowTo (Mobile entfernt). Wichtiger als Rich Results sind heute Knowledge-Graph-Signale und LLM-Entity-Resolution.

Welche Tools werden zur Validation genutzt?

Rich Results Test + Schema.org Validator (validator.schema.org) + Bing Webmaster Markup Validator + eigener Graph-Kohärenz-Parser für @id-Referenzen und Property-Coverage, automatisiert als CI-Gate vor jedem Deployment.

Was bedeutet Schema für GEO und LLM-Citations?

Generative Engines (ChatGPT, Perplexity, Google AI Overviews) ziehen Schema-strukturierte Daten als hochsignifikantes Entity-Signal heran. FAQPage mit präziser Claim-Answer-Struktur erhöht Citation-Wahrscheinlichkeit. Person/Organization mit sameAs-Cluster werden als verifizierte Entities interpretiert.

Wie wird Schema-Maintenance organisiert?

Drei Säulen: Schema-Drift-Monitoring nach Content-Updates, CI/CD-Validation-Gates vor jedem Deployment, quartalsweise Schema-Audits mit Coverage-Report. Schema ist kein Einmal-Projekt, sondern laufender Engineering-Prozess.

Welche KPIs misst eine Schema-Implementation?

Primär: Validation-Pass-Rate (Ziel 100 %), @id-Graph-Kohärenz, Property-Coverage pro Content-Typ, Rich-Result-Impressions in Search Console. Sekundär: Knowledge-Panel-Emergenz, Citation-Rate in AI-Suchsystemen, sameAs-Cluster-Größe, Wikidata-Verknüpfung.

Was kostet eine professionelle Schema-Implementation?

Investment richtet sich nach Stack-Komplexität, Anzahl Content-Typen, Internationalisierung und Maintenance-Tiefe. Drei Modelle: Audit-Sprint (4-6 Wochen), Implementation-Project (8-16 Wochen), Continuous Schema Engineering (Retainer, 6-12 Monate). Konditionen nach Stack-Discovery.

Wie läuft das Onboarding ab?

Vier Schritte über die ersten 14 Tage: Stack-Discovery (CMS, Frameworks, Pipeline), Crawl- und Validierungs-Audit aller URLs, Gap-Analyse mit Property-Matrix pro Content-Typ, Implementation-Plan mit @id-Namespace und Inheritance-Regeln. Anschließend startet die Implementation- oder Engineering-Phase.

Let's talk

Ihr Schema - Graph oder Fragmente?

30 Minuten: Live-Audit Ihrer aktuellen Schema-Implementierung, Gap-Diagnose, Scope-Vorschlag.

Schema-Audit anfragen →+49 231 · 317 017 · 30