LSI-trefwoorden in 2026: De waarheid die Google nooit bevestigde
LSI Keywords in 2026: De Waarheid die Google Nooit heeft Bevestigd
Als je enig tijd in SEO-kringen hebt doorgebracht, heb je iemand horen aanbevelen "LSI-trefwoorden" met het vertrouwen van een ontwikkelaar die versiebeheer aanbeveelt. Het probleem? Google heeft nooit Latent Semantic Indexing gebruikt. Niet in 2010, niet in 2019 toen John Mueller dit expliciet zei, en ook niet nu. Toch weigert de term te verdwijnen. Het duikt op in SEO-tools, blogposts en clientrapportages als een zombieconcept dat blijft voortschuifelen omdat niemand wil toegeven dat ze een verzonnen term hebben gebruikt.
Ik heb in de loop der jaren tientallen inhoudsintensieve sites gebouwd en geoptimaliseerd, en ik kan je zeggen: het idee achter LSI-trefwoorden is niet verkeerd. Het behandelen van verwante concepten helpt je inhoud beter te ranken. Maar het noemen van die concepten "LSI-trefwoorden" is als je Tesla een paardenkoets noemen omdat beide wielen hebben. De onderliggende technologie is volledig anders, en het onderscheid is belangrijk als je een echte SEO-strategie wilt opbouwen in plaats van achter spoken aan te gaan.
TL;DR: LSI (Latent Semantic Indexing) is een tekstanalysatechniek uit de jaren tachtig die Google nooit heeft gebruikt. De SEO-industrie adopteerde de term om semantisch gerelateerde woorden te beschrijven, maar Google vertrouwt op BERT, MUM en neural matching. Stop met het zoeken naar "LSI-trefwoorden" en begin met het opbouwen van thematische diepte, het afstemmen op gebruikersintentie en het schrijven van inhoud die entiteiten en concepten natuurlijk behandelt. Dat is wat eigenlijk rangschikkingen in 2026 verbetert.
Inhoudsopgave
- Wat zijn LSI-trefwoorden eigenlijk?
- Waarom praat de SEO-industrie nog steeds over LSI?
- Heeft Google ooit bevestigd LSI te gebruiken?
- Wat gebruikt Google eigenlijk om inhoud te begrijpen?
- Wat moet je doen in plaats van LSI-trefwoorden te targeten?
- Hoe vind je semantisch gerelateerde termen die echt helpen?
- Werken LSI-trefwoordgeneratortools eigenlijk?
- Hoe verschilt semantische SEO van trefwoordvulling?
- Veelgestelde vragen
Wat zijn LSI-trefwoorden eigenlijk?
LSI-trefwoorden zijn een mythe die op echte technologie is gelaagd. Latent Semantic Indexing is een wiskundige techniek uit 1988 die Singular Value Decomposition (SVD) gebruikt om patronen te vinden in hoe termen samen voorkomen in een statische verzameling documenten. Het werd gepatenteerd door onderzoekers van Bell Labs, onder wie Susan Dumais, en was ontworpen voor kleine, vaste documentenverzamelingen -- denk aan academische papierdatabases, niet het live web.
Dit is de technische realiteit die de meeste SEO-artikelen overslaan: LSI vereist dat de hele documentenverzameling tegelijk wordt verwerkt. Je bouwt een term-documentmatrix, decomponeert deze, en dan kun je latente relaties tussen termen identificeren. Het sleutelwoord hier is statisch. Telkens wanneer een nieuw document aan de verzameling wordt toegevoegd, zou je theoretisch de hele matrix opnieuw moeten berekenen.
Google's index bevat honderden miljarden pagina's en verandert constant. LSI op die schaal uitvoeren is niet alleen impractisch -- het is architecturaal incompatibel met hoe een modern zoekmachine werkt.
Dus wanneer SEO-blogs je zeggen om "LSI-trefwoorden voor je inhoud te vinden," bedoelen ze eigenlijk "vind semantisch gerelateerde termen." Dat is een geldige strategie. Maar het heeft niets te maken met Latent Semantic Indexing als technologie.
De tijdlijn van een misverstand
| Jaar | Gebeurtenis | Wat gebeurde eigenlijk |
|---|---|---|
| 1988 | LSI gepatenteerd door Bell Labs-onderzoekers | Ontworpen voor statische documentenopvraging in academische/enterprise-instellingen |
| 2004 | Google's "Brandy"-update | SEO-ers gingen ervan uit dat verbeteringen in gerelateerde-term-ranking betekenden dat LSI in spel was |
| 2013 | Hummingbird-update | Google verschoof naar het begrijpen van query-intentie, niet alleen het matchen van trefwoorden |
| 2018-2019 | BERT-rollout | Google bevestigde NLP-gebaseerd begrip; John Mueller zei dat Google LSI niet gebruikt |
| 2021 | MUM aangekondigd | Multimodale begripsvermogen distantieerde Google verder van enige LSI-eratechnologie |
| 2026 | Vandaag | SEO-tools vermarkten nog steeds "LSI-trefwoordgenerators" ondanks nul bewijs dat Google LSI gebruikt |
De kloof tussen de technologie en de marketingterm is ongeveer 38 jaar groot.
Waarom praat de SEO-industrie nog steeds over LSI?
De term blijft bestaan omdat het technisch klinkt en een eenvoudige naam geeft aan een complex concept. Een klant vertellen "gebruik semantisch gerelateerde termen om thematische autoriteit op te bouwen en latente intentiesignalen af te stemmen" is moeilijker te verkopen dan "voeg LSI-trefwoorden toe aan je inhoud." De afkorting klinkt wetenschappelijk. Het voelt alsof je een code hebt gekraakt.
Er is ook een economische prikkel. Meerdere SEO-tools hebben hele functies rond "LSI-trefwoordontdekking" gebouwd. Als ze zouden toegeven dat de term zinloos is in de context van Google's algoritme, zouden ze die functies moeten rebrand. Dat gebeurt niet wanneer "LSI" nog steeds zoekvolume genereren.
Bill Slawski, de overleden SEO-patentonderzoeker, zei het duidelijk: er zijn geen patenten die uitleggen hoe LSI-trefwoorden werken met Google's zoekmachine omdat ze nooit voor dat doel werden gepatenteerd. Er is geen Wikipedia-artikel over "LSI-trefwoorden" als SEO-concept. Het hele kader bestaat alleen in de echokamer van de SEO-industrie.
Ik ben in vergaderingen geweest waar iemand vol vertrouwen een "LSI-trefwoordstrategie" presenteerde en niemand tegenstand bood omdat de term zo vaak was herhaald dat het waar leek. Zo kristalliseren mythen uit. Herhaling, niet bewijs.
Heeft Google ooit bevestigd LSI te gebruiken?
Nee. Google heeft het gebruik van LSI meerdere keren expliciet ontkend. John Mueller stelde in 2019: "We do not use Latent Semantic Indexing." Dat is zo duidelijk als het maar kan zijn.
Danny Sullivan, Google's Search Liaison, heeft mensen op dezelfde manier van het concept weggeleid. De boodschap van Google is consistent geweest: ze gebruiken hun eigen systemen voor natuurlijke taalverwerking, niet een techniek uit 1988.
Dit is interessant. Google geeft echt om semantische relaties tussen termen. Ze gebruiken alleen LSI niet om ze te vinden. Wanneer je naar "appel" zoekt en Google erachter komt of je het fruit, het bedrijf of het platenlabel bedoelt, dat is niet LSI aan het werk. Dat is entiteitherkenning, kennisgraafrelaties en neurale taalmodellen die iets veel geavanceerdders doen.
De verwarring ontstaat doordat twee ideeën worden vermengd:
- De techniek (Latent Semantic Indexing) -- niet gebruikt door Google
- Het principe (gerelateerde termen helpen zoekmachines context te begrijpen) -- absoluut gebruikt door Google, via verschillende technologie
Je kunt #2 omarmen zonder te doen alsof #1 er iets mee te maken heeft.
Wat gebruikt Google eigenlijk om inhoud te begrijpen?
Google gebruikt BERT, MUM, neural matching en de Knowledge Graph om inhoud semantisch te begrijpen. Deze systemen zijn orders of magnitude geavanceerder dan LSI en werken op webschaal in real-time.
Laat me deze op een manier uitleggen die eigenlijk nuttig is voor contentstrategie:
BERT (Bidirectional Encoder Representations from Transformers)
Uitgerold in 2019, stelt BERT Google in staat de betekenis van woorden in context te begrijpen door te kijken naar de woorden die ervoor en erna komen. Voordat BERT kwam, verwerkte Google query's meestal van links naar rechts. Een query als "kan je medicijnen voor iemand uit de apotheek halen" zou oudere systemen verwarren omdat ze de nuance van "voor iemand" zouden missen. BERT vangt dat.
Voor je inhoud betekent dit dat Google kan begrijpen wat je zegt, zelfs als je niet de exacte queryuitdrukking gebruikt. Schrijf natuurlijk. Leg concepten uit. BERT beloont duidelijkheid.
MUM (Multitask Unified Model)
Aangekondigd in 2021 en progressief geïntegreerd sinds, is MUM 1.000 keer krachtiger dan BERT volgens Google's eigen claims. Het begrijpt informatie in meerdere talen, kan tekst en afbeeldingen verwerken, en handelt complexe query's af die informatie van meerdere bronnen moeten synthetiseren.
MUM is waarom een enkele goed geschreven pagina over, zeg, headless CMS-architectuur kan ranken voor tientallen gerelateerde query's -- zelfs die niet letterlijk in je inhoud voorkomen.
Neural Matching
Actief sinds 2018, helpt neural matching Google concepten aan query's te relateren, zelfs wanneer de exacte woorden niet overlappen. Google gaf het voorbeeld van een zoekopdracht naar "waarom ziet mijn televisie er raar uit" die overeenkomt met resultaten over het "soap opera-effect" -- een verbinding die alleen sleutelwoordmatching nooit zou maken.
De Knowledge Graph
Google's Knowledge Graph bevat miljarden entiteiten (mensen, plaatsen, dingen, concepten) en de relaties daartussen. Wanneer je schrijft over "Next.js", weet de Knowledge Graph dat het een React-framework is gemaakt door Vercel, gebruikt voor server-side rendering en statische generatie. Gerelateerde entiteiten natuurlijk vermelden -- React, Vercel, SSR, ISR -- signaleert dat je inhoud echte diepte heeft.
| Technologie | Geïntroduceerd | Wat het doet | Schaal |
|---|---|---|---|
| LSI | 1988 | Co-occurrence-analyse op statische documentenverzamelingen | Kleine, vaste verzamelingen |
| BERT | 2019 | Bidirectioneel contextueel woordbegrip | Toegepast op elke Engelse query tegen 2020 |
| Neural Matching | 2018 | Concept-to-query-matching buiten exacte woorden | Beïnvloedt 30%+ van query's (Google's 2019-cijfer) |
| MUM | 2021 | Multimodale, meertalig begrip | 1.000 keer BERT's vermogen |
| Knowledge Graph | 2012 | Entiteits- en relatiemapping | 500+ miljard feiten vanaf 2023 |
Dit is de stack waarmee je inhoud concurreert. Optimaliseren voor "LSI-trefwoorden" is als voorbereiden op een vuistgevecht terwijl iedereen anders neurale netwerken meebracht.
Wat moet je doen in plaats van LSI-trefwoorden te targeten?
Bouw thematische autoriteit op via entiteitsdekking, intentieafstemmming en gestructureerde inhoud die echte vragen beantwoordt. Hier is een praktisch kader dat ik op elk contentproject gebruik:
1. Map entiteiten, niet alleen trefwoorden
Voordat je schrijft, identificeer de entiteiten die bij je onderwerp horen. Entiteiten zijn de specifieke mensen, tools, concepten, normen en organisaties die een expert natuurlijk zou noemen.
Bijvoorbeeld, als ik een gids over Next.js-ontwikkeling schrijf, omvat mijn entiteitskaart: React, Vercel, SSR, SSG, ISR, App Router, Server Components, Turbopack, edge-functies, Middleware, enzovoort. Dit zijn geen "LSI-trefwoorden." Ze zijn de bouwstenen van echte expertise.
## Entiteitsmapping voor "headless CMS"-inhoud
Kernentiteiten:
- Contentful, Sanity, Strapi, Payload CMS
- REST API, GraphQL
- Content-modellering, gestructureerde inhoud
- Jamstack, statische site-generatie
- Next.js, Astro, Remix
- Webhooks, preview-modus, conceptinhoud
- Content delivery network (CDN)
Gerelateerde concepten:
- Ontkoppelde architectuur
- Redactionele werkstroom
- Lokalisatie / i18n
- Headless commerce
Wanneer je inhoud natuurlijk naar deze entiteiten verwijst, herkennen Google's systemen diepte. Geen LSI nodig.
2. Stem af op de echte zoekintentie
Elke query heeft een intentie: informatief, navigatief, transactioneel, of commerciële onderzoek. Je inhoud moet die intentie afstemmen, niet alleen gerelateerde woorden opnemen.
Ik heb pagina's gezien die 50 "semantisch gerelateerde termen" in een artikel stopten en toch op pagina 3 rankte omdat de inhoud niet antwoordde op wat de zoeker eigenlijk wilde. Een pagina gericht op "beste headless CMS 2026" heeft vergelijkingstabellen, prijsgegevens en opinionerede aanbevelingen nodig -- niet een 3.000 woord essay over de geschiedenis van contentmanagement.
3. Gebruik onderwerpsclusters, niet trefwoordlijsten
Bouw een ankerpagina die een breed onderwerp behandelt, maak vervolgens clusterpagina's die diep ingaan op subtopics. Link ze samen met contextgevoelige interne links.
Dit doen we bij Social Animal voor klanten die contentgestuurde SEO nodig hebben gekoppeld aan headless-architectuur. Een ankerpagina over Astro-ontwikkeling linkt naar clusterpagina's over Astro-inhoudscolecties, Astro + Sanity-integratie, Astro-prestatietest, enzovoort. Elke pagina versterkt de ander. Google ziet het patroon en beloont de thematische autoriteit.
4. Schrijf voor mensen die toevallig zoekmachines gebruiken
Dit klinkt voor de hand liggend, maar het is het onderdeel dat de meeste mensen overslaan. Als je inhoud klinkt alsof deze uit de uitvoer van een trefwoordtool is samengesteld, zullen zowel lezers als Google dit opmerken. Google's Helpful Content-systeem, verfijnd door meerdere updates in 2023-2025, richt zich specifiek op inhoud die zoekmachines boven menselijke lezers prioriteert.
Vraag jezelf af: zou iemand die dit onderwerp al kent mijn inhoud nuttig vinden? Als het antwoord nee is, zal je semantische strategie je niet redden.
Hoe vind je semantisch gerelateerde termen die echt helpen?
Gebruik Google's eigen functies, competitoranalyse en tools voor entiteitextractie in plaats van "LSI-generatoren." Hier is mijn werkelijke workflow:
Stap 1: Mijn Google's SERP-functies
Zoek je doelquery en kijk naar:
- People Also Ask-velden -- Dit zijn vragen die Google al met je onderwerp heeft geassocieerd. Elk ervan kan een sectie zijn die je inhoud nodig heeft.
- Verwante zoekopdrachten -- Gevonden aan de onderkant van de SERP. Deze onthullen intentieverschuivingen die Google verwacht.
- Autocomplete-variaties -- Begin je query in te typen en zie wat Google voorspelt. Dit zijn hoog-signaal termen.
- Inhoud van uitgelichte fragmenten -- Welke termen verschijnen in het huidige fragment? Google vertelt je wat het het beste antwoord beschouwt.
Stap 2: Analyseer top-ranking inhoud
Trek de top 5 pagina's die voor je doelquery ranken. Kijk naar:
- Welke H2/H3-koppelingen ze gebruiken
- Welke entiteiten en concepten ze behandelen die je niet hebt
- Welke vragen ze beantwoorden
- Welke gegevens of voorbeelden ze opnemen
Ik doe dit meestal handmatig in plaats van me op tools te verlaten, omdat geautomatiseerde extractie context mist. Maar tools als Surfer SEO, Clearscope, of Frase kunnen het proces versnellen als je hun suggesties niet als optimalisatievereisten behandelt.
Stap 3: Gebruik Google's NLP API voor entiteitextractie
Google's Cloud Natural Language API stelt je in staat tekst te analyseren en entiteiten uit te extraheren met saliëntscore's. Voer je concurrent's inhoud erdoorheen en je ziet precies welke entiteiten Google op hun pagina als belangrijkst beschouwt.
from google.cloud import language_v1
client = language_v1.LanguageServiceClient()
document = language_v1.Document(
content="Je competitortekst hier",
type_=language_v1.Document.Type.PLAIN_TEXT
)
response = client.analyze_entities(document=document)
for entity in response.entities:
print(f"{entity.name}: {entity.salience:.4f} ({entity.type_.name})")
Dit geeft je een datagestuurde entiteitskaart. Geen giswerk, geen "LSI-generatoren" -- gewoon wat Google's eigen NLP als relevant beschouwt.
Stap 4: Controleer je dekkingsgaten
Vergelijk je entiteitskaart met je concept. Zijn er belangrijke entiteiten die je hebt gemist? Vragen die je niet hebt beantwoord? Subtopics waar je overheen bent gegaan? Vul die gaten in en je hebt inhoud die het onderwerp echt behandelt, niet inhoud die kunstmatig met gerelateerde termen is gevuld.
Werken LSI-trefwoordgeneratortools eigenlijk?
De meeste LSI-trefwoordgeneratortools zijn gerebrande gerelateerde-term-zoekers die niets met echte Latent Semantic Indexing te maken hebben. Sommige geven bruikbare resultaten; veel geven ruis.
Tools als LSIGraph, LSI Keyword Generator en vergelijkbare producten schrapen meestal Google Autocomplete, verwante zoekopdrachten, of gebruiken basisanalyse van co-occurrence. De resultaten kunnen nuttig zijn als je ze als brainstorminghulpmiddelen behandelt in plaats van optimalisatiechecklisten.
Hier is mijn eerlijke beoordeling van veelgebruikte toolcategorieën:
| Tooltype | Voorbeelden | Nuttig? | Waarom / Waarom niet |
|---|---|---|---|
| "LSI"-generatoren | LSIGraph, LSI Keyword Generator | Tot op zekere hoogte | Retourneer gerelateerde termen, maar naamgeving is misleidend; resultaten zijn vaak oppervlakkig |
| Content-optimalisatie | Surfer SEO, Clearscope, Frase | Ja | Vergelijk je inhoud met top-ranking pagina's; suggereer entiteits-/termentekorten |
| Google's eigen tools | People Also Ask, Verwante zoekopdrachten | Erg | Direct signaal van Google over wat het met je query associeert |
| NLP API's | Google Cloud NLP, IBM Watson NLU | Erg | Extraheer entiteiten en salience uit competitorinhoud |
| AI-assistenten | ChatGPT, Claude | Nuttig voor brainstormen | Goed voor het genereren van entiteitskaarten en vragenlijsten; valideer tegen echte SERP's |
Het beste tool is eerlijk gezegd gewoon de top 10 resultaten voor je query met kritische ogen lezen. Wat behandelen ze allemaal? Wat bevat de #1 resultaat dat #10 niet bevat? Die gapanalyse is meer waard dan alle trefwoordtool-uitvoer.
Hoe verschilt semantische SEO van trefwoordvulling?
Semantische SEO bouwt thematische diepte op door gerelateerde concepten natuurlijk te behandelen, terwijl trefwoordvulling de termfrequentie kunstmatig opblaast zonder waarde toe te voegen. Ze zijn tegengestelden ondanks oppervlakkig vergelijkbaar advies.
Het verschil zit in intentie en uitvoering:
- Trefwoordvulling: "Onze headless CMS-ontwikkelingservice biedt headless CMS-oplossingen voor headless CMS-behoeften. Als je een headless CMS nodig hebt, bouwt ons headless CMS-team headless CMS-websites."
- Semantische SEO: "We bouwen headless CMS-architecturen met tools als Sanity en Contentful, verbonden met front-end-frameworks als Next.js of Astro via GraphQL API's. Deze ontkoppelde aanpak geeft redactionele teams een vertrouwde contentworkflow terwijl ontwikkelaars sneller schepen met modern gereedschap."
Beide alinea's vermelden "headless CMS" meerdere keren. Maar de tweede bevat betekenisvolle entiteiten (Sanity, Contentful, Next.js, Astro, GraphQL), richt zich op een echt publiek en legt echte concepten uit. Google's systemen kunnen het verschil zien.
Een goed vuistregel: als het verwijderen van een willekeurige zin uit je inhoud het minder nuttig zou maken voor een lezer, is het waarschijnlijk goed semantische SEO. Als het verwijderen het begrip van de lezer helemaal niet zou veranderen, kan het vulling zijn.
Praktische checklist voor semantische SEO voor 2026
Dit is wat ik echt doe voordat ik welk stuk inhoud ook publiceer:
- Definieer de primaire intentie -- Wil de zoeker leren, vergelijken of kopen? Structureer de inhoud dienovereenkomstig.
- Bouw een entiteitskaart -- Zet 15-25 entiteiten op (mensen, tools, concepten) die een expert natuurlijk zou noemen.
- Schets met vragen -- Gebruik People Also Ask en competittor H2's om secties rond echte vragen te structureren.
- Schrijf het eerste concept zonder enige trefwoordtool te controleren -- Behandel het onderwerp gewoon grondig.
- Voer een dekkingsgapanalyse uit -- Vergelijk met de top 3 ranking pagina's. Wat heb ik gemist?
- Controleer entiteitssalience -- Voer mijn concept door Google's NLP API. Zijn de juiste entiteiten prominent?
- Voeg gestructureerde gegevens toe -- FAQ-schema, artikelschema, breadcrumbs. Help Google je inhoudsstructuur te parseren.
- Link interne gerelateerde pagina's -- Verbind deze inhoud met je onderwerpcluster. Elke pagina moet linken naar en van gerelateerde inhoud.
Deze workflow heeft consistent beter gepresteerd dan "LSI-trefwoordoptimalisatie"-strategieën op elk project dat ik aan heb gewerkt. De sites die we bij Social Animal bouwen -- of het nu een Next.js-site, een Astro-project of een headless CMS-integratie is -- volgen allemaal deze aanpak voor hun contentstrategie.
Veelgestelde vragen
Wat zijn LSI-trefwoorden? LSI-trefwoorden verwijzen naar Latent Semantic Indexing, een tekstanalysatechniek uit 1988. In SEO beschrijft de term onjuist semantisch gerelateerde woorden. Google heeft bevestigd dat het LSI-technologie niet in zijn zoekmachine-algoritme gebruikt.
Heeft Google ooit Latent Semantic Indexing gebruikt? Nee. Google's John Mueller stelde in 2019 dat Google LSI niet gebruikt. De verwarring begon rond 2004 toen Google's Brandy-update het begrip van gerelateerde termen verbeterde, maar die update gebruikte volledig andere technologie.
Wat verving LSI-trefwoorden in moderne SEO? Google gebruikt BERT (2019), MUM (2021), neural matching (2018) en de Knowledge Graph om inhoud semantisch te begrijpen. Deze AI-gebaseerde systemen verwerken taal contextueel op webschaal, iets wat LSI nooit was ontworpen om te doen.
Moet ik nog steeds semantisch gerelateerde termen in mijn inhoud gebruiken? Ja, maar niet vanwege LSI. Google's NLP-systemen belonen inhoud die onderwerpen grondig behandelt met relevante entiteiten en concepten. Schrijf natuurlijk, behandel subtopics die een lezer zou verwachten, en je signaleert thematische diepte.
Zijn LSI-trefwoordgeneratortools het waard om te gebruiken? De meeste zijn gerebrande gerelateerde-term-zoekers. Ze kunnen helpen bij brainstormen, maar behandel hun uitvoer niet als optimalisatievereisten. Google's People Also Ask, Verwante zoekopdrachten en NLP API's bieden betrouwbaardere semantische signalen.
Wat is het verschil tussen LSI-trefwoorden en semantische trefwoorden? LSI-trefwoorden verwijzen naar een specifieke technologie van 1988 die Google niet gebruikt. Semantische trefwoorden beschrijven conceptueel gerelateerde termen die zoekmachines helpen context te begrijpen. Het concept is vergelijkbaar, maar de technische basis is volledig anders.
Hoe verhoudt thematische autoriteit zich tot semantische SEO? Thematische autoriteit wordt opgebouwd wanneer je site een onderwerp uitvoerig behandelt in meerdere onderling gelinkte pagina's. Google's systemen herkennen dit patroon via entiteitsco-occurrence en clusteranalyse, en belonen sites die echte expertise demonstreren.
Wat is de snelste manier om semantische SEO op bestaande inhoud te verbeteren? Controleer je top 20 pagina's tegen ranking competitors. Identificeer ontbrekende entiteiten, onbeantwoorde vragen en intentiefouten. Het toevoegen van 2-3 ontbrekende subtopics per pagina levert meestal meetbare rankingverbeteringen op binnen 4-8 weken.