Was der Moz Spam Score wirklich misst
Der Moz Spam Score misst keinen Spam, er schätzt eine Wahrscheinlichkeit. Moz führte die Metrik 2015 als Zählung von 17 Flags ein, also strukturellen Auffälligkeiten, die statistisch mit abgestraften Domains korrelierten. 2019 ersetzte Moz dieses Zählsystem durch ein Machine-Learning-Modell, das einen Prozentwert von 1 bis 100 ausgibt (Quelle: Moz Help Hub). Dieser Wert beantwortet eine einzige Frage: Welcher Anteil der Domains mit einem vergleichbaren Profil wurde im Moz-Index als penalisiert oder aus dem Google-Index entfernt beobachtet?
Ein Score von 30 % bedeutet also nicht, dass eine Domain zu 30 % aus Spam besteht. Er bedeutet, dass dreißig von hundert strukturell ähnlichen Seiten in der Vergangenheit Probleme hatten. Das ist eine Korrelation, kein Urteil, und vor allem kein Signal, das Google selbst berechnet oder nutzt. Wer den Score wie eine Schulnote liest, missversteht ihn auf einer fundamentalen Ebene.
Er gehört in dieselbe Kategorie wie das Domain Rating von Drittanbietern: ein vom Toolhersteller modelliertes Signal, brauchbar zur Vorsortierung, wertlos als Beweis. Aus eigener Audit-Erfahrung ist der häufigste Fehler im Briefing nicht ein zu hoher Score, sondern die Annahme, dieser Wert sei eine objektive Realität statt eine Schätzung eines einzelnen Anbieters.
Wie der Spam Score 2026 berechnet wird
Das ML-Modell hinter dem Score wertet eine Reihe von Signalen aus, die Moz nie vollständig offenlegt, deren Logik aber bekannt ist: unnatürlich schnelles oder schubweises Linkwachstum, eine Diskrepanz zwischen Domainname und tatsächlichem Inhalt, dünner oder duplizierter Content, fehlende oder rein generische Kontaktangaben, eine auffällige Konzentration exakter Ankertexte und ein Verhältnis von ein- und ausgehenden Verlinkungen, das nicht zur Größe der Domain passt. Keines dieser Signale ist für sich ein Beweis, das Modell aggregiert sie zu einer Wahrscheinlichkeit.
Wichtig für die Praxis: Der Spam Score wird primär auf Domain-Ebene berechnet, nicht für jede einzelne URL. Wer eine konkrete Unterseite bewertet, kombiniert ihn deshalb sinnvoll mit Metriken wie dem seitengenauen Linkwert. Ausgelesen wird der Score über die MozBar-Erweiterung, den Link Explorer oder die Moz-API, jeweils mit demselben Datenstand. Alternative Checker Dritter schätzen ihn nach, greifen aber nicht auf den Moz-Index zu, ihre Werte weichen daher regelmäßig ab.
Die im deutschsprachigen Raum oft zitierte Zahl von «27 Signalen» vermischt das alte Flag-System mit dem neuen Modell. Praktisch relevant ist nicht die exakte Signalanzahl, sondern die Erkenntnis, dass es sich um ein Korrelationsmodell handelt. Man kann es nicht im Detail reverse-engineeren, und das muss man auch nicht.
Wo der Spam Score in einer Netlinking-Operation zählt
In einer Kampagne taugt der Spam Score zu genau einer Sache: der schnellen Vorqualifizierung einer potenziellen Linkquelle. Wer hunderte Verlags-Domains sichtet, nutzt ihn als ersten Filter, um klare Ausreißer auszusortieren. Eine Domain mit 2 % neben einer mit 48 % ist ein Flag, dem man nachgeht, kein automatisches Aus.
Als Einzelentscheidung ist die Metrik zu schwach. Eine seriöse Quellenauswahl prüft den Score immer im Bündel mit der Zahl und Qualität der verweisenden Domains, dem realen organischen Trafficverlauf und der Ankertext-Verteilung. Erst dieses Zusammenspiel trennt eine echte Redaktion von einem aufgeblasenen Linknetzwerk. Wer Quellen über eine Kampagne über mehrere Medien hinweg steuert, baut den Score in eine Scorecard ein, statt ihn isoliert zu gewichten.
Bei einem im Eigenbetrieb geführten Netzwerk wie Stringer prüfen wir Quellen ohnehin manuell und kennen jede Redaktion, der Spam Score wird hier zur Plausibilitätskontrolle, nicht zur Entscheidung. Anders sieht es aus, wenn man einen Backlink direkt bei einem Verlag einkauft, dessen Historie man nicht kennt: Dann ist der Score eines von mehreren Warnlichtern, die eine tiefere Prüfung auslösen.
Interpretation: was ein hoher oder niedriger Wert bedeutet
Hier liegt das größte Missverständnis. Die populären Schwellen «0-3 sicher, 4-7 Vorsicht, 8-10 hohes Risiko» stammen aus der Flag-Ära mit der alten 0-17-Skala. Seit dem Update von 2019 ist der Score ein Prozentwert von 1 bis 100, diese alten Buckets passen schlicht nicht mehr. Wer 2026 noch in der 0-10-Logik denkt, arbeitet mit einer Skala, die es so nicht mehr gibt.
Dieses Video von Moz erklärt die Interpretation des Scores visuell und vertieft das Verständnis für die Bewertungsskala.
Praktisch sinnvoll ist eine andere Lesart. Ein einstelliger Prozentwert ist unauffällig und braucht keine Aufmerksamkeit. Im mittleren Bereich, grob ab 30 %, lohnt sich ein genauer Blick, aber als Anlass zur Prüfung, nicht zur Ablehnung. Hohe Werte gegen 100 % sind ein deutliches Signal, das man nur ignoriert, wenn ein nachvollziehbarer Grund vorliegt. Genau diese Grauzonen entstehen oft bei Domains, die mit dem Modell schlecht harmonieren: junge Seiten, fremdsprachige Auftritte, sehr spitze Nischen mit wenig Verlinkung. Ein hoher Score ist eine Hypothese, kein Befund.
Spam Score senken: was wirklich funktioniert
Die meistgestellte Frage im deutschsprachigen Raum lautet, wie man den eigenen Spam Score reduziert. Die ehrliche Antwort: meist gar nicht direkt. Der Score ist reaktiv, er bildet ab, was das Modell an der Domain sieht, man kann ihn nicht per Knopfdruck drücken. Wirkung haben nur die Ursachen.
Diese ergänzenden Tipps zur Senkung des Scores vertiefen die folgende Anleitung.
Der erste Hebel ist das eingehende Linkprofil. Wirklich toxische Links, also solche aus offensichtlichen Linkfarmen oder kompromittierten Seiten, identifiziert man über den Moz Link Explorer und die Google Search Console im Abgleich. Hier ist eine senior Position nötig: Das massenhafte Disavow, das viele noch reflexhaft betreiben, ist 2026 in den allermeisten Fällen überflüssig. Google ignoriert minderwertige Links laut Search-Central-Dokumentation automatisch, das Disavow-Tool ist primär für Fälle mit manueller Maßnahme oder konkreter Selbstbeteiligung an unnatürlichem Linkbuilding gedacht. Wer ohne Not ganze Listen disavowt, kann sich legitime Signale wegschneiden.
Der zweite Hebel ist die Substanz der Domain selbst: einzigartiger, relevanter Content statt dünner Seiten, saubere Kontakt- und Impressumsangaben, eine zum Inhalt passende Struktur. Das senkt nicht den Score als Selbstzweck, es beseitigt die Muster, auf die das Modell reagiert. Genau deshalb ist Spam-Score-Optimierung in der Praxis identisch mit guter Grundhygiene, nicht mit einem eigenen Maßnahmenkatalog.
Häufige Fehler und Mythen
Der hartnäckigste Mythos: Der Spam Score sei ein Google-Rankingfaktor. Er ist es nicht. Google hat keinen Zugriff auf eine Moz-Metrik und verwendet sie nicht. Ein hoher Score korreliert mit Problemen, er verursacht sie nicht und beweist sie auch nicht. Daraus folgt der zweite Fehler: einen erhöhten Wert mit einer Abstrafung gleichzusetzen. Eine Domain mit 40 % kann völlig sauber ranken, eine mit 5 % kann deindexiert sein.
Der dritte Fehler ist der Drang, den eigenen Score zwingend auf null bringen zu wollen. Das ist weder möglich noch nötig. Selbst völlig legitime Seiten zeigen einen Restwert, weil das Modell mit Wahrscheinlichkeiten arbeitet. Und der vierte, teuerste Fehler ist das Overdisavowing, das gewachsene Linkprofile beschädigt, um eine Drittanbieter-Zahl zu schönen, die Google nie sieht.
Sinnvoll bleibt der Score als ein Indikator unter mehreren. Im Zusammenspiel mit Trust- und Flow-Signalen wie dem Citation Flow und einer manuellen Sichtung ergibt er ein nützliches Bild. Allein gelesen führt er fast immer in die Irre. Wer das verinnerlicht, nutzt ihn so, wie er gemeint ist: als schnellen Filter, nicht als Wahrheit.