Schema Markup Deep-Dive: Restaurant + Menu + Review kombinieren

Ein veganes Café mit 8 Tischen in Bornova/Izmir steht bei der ChatGPT-Anfrage "Izmir veganer Brunch" auf Platz 3 — nicht wegen Social Media, sondern weil thMenu im Hintergrund ein kombiniertes Schema-Markup ausspielt. So fügt man Restaurant, Menu und Review in einem JSON-LD-Block zusammen.

Warum ein Block, drei Schemas?

Wenn Restaurant, Menu und Review in getrennten Script-Tags stehen, parsen LLMs wie ChatGPT und Perplexity oft nur den ersten Block. Die Lösung: ein einziges @graph-Array mit drei Knoten, über @id verknüpft.

So holt sich das LLM Adresse, drei Brunchgerichte, das Vegan-Flag und das 4.7-Sterne-Rating in einem Durchgang. Bei getrennten Blöcken landet meistens nur der Restaurant-Teil in der Antwort.

Das JSON-LD-Skelett

thMenu generiert automatisch diese Struktur:

• Restaurant-Knoten: name, address, servesCuisine, priceRange, image, aggregateRating, hasMenu-Referenz.
• Menu-Knoten: hasMenuSection mit MenuItem-Objekten (name, description, offers.price, suitableForDiet).
• Review-Knoten: itemReviewed verweist auf die Restaurant-ID, mit 3-5 aktuellen Bewertungen.

Validierung für LLMs und klassisches SEO

Prüfe nach dem Deployment drei Stellen: Google Rich Results Test, Schema.org Validator und schließlich ChatGPT selbst — frag das LLM nach deinem Restaurant und sieh, wie die Daten in die Antwort einfließen.

thMenu berechnet das aggregierte Rating nur aus Feedback der letzten 90 Tage; alte oder markierte Bewertungen werden ausgeschlossen — so bleibst du innerhalb der Google-Richtlinien.

FAQ

Wann erscheinen Schema-Updates in der AI-Suche? Bei Google 1-3 Wochen, bei ChatGPT/Perplexity 7-21 Tage.

Riskiere ich eine Fake-Rating-Strafe? Nein, wenn deine Bewertungen echt sind und reviewCount stimmt.

Muss ich jedes Gericht listen? Nein — die Top 20-30 reichen aus.

Hilfreich? Teilen Sie es.