Social-Media-Analytics mit Claude oder ChatGPT auswerten

Social-Media-Analytics mit Claude oder ChatGPT auszuwerten ist eine Abfolge aus drei Schritten: Exportiere deine Daten auf Post-Ebene als Tabelle, übergib sie mit einem Prompt, der die Frage, die Definitionen und den geschäftlichen Kontext benennt, und behandle dann alles, was zurückkommt, als zu prüfende Hypothese statt als Erkenntnis. Der Assistent hat keine Live-Verbindung zu deinen Accounts und keine Erinnerung an dein Quartal — er liest ausschließlich das, was du ihm gibst. So eingesetzt ist er tatsächlich schnell im mühsamen Mittelteil eines Monats-Reviews: achtzig Zeilen nach Content-Typ gruppieren, sie auf vier verschiedene Arten ranken und beschreiben, welche Form das ergibt, was er sieht.

Wir haben bereits einen konzeptionellen Beitrag dazu, wo KI in Social-Media-Analytics hilft und wo sie zu weit geht. Das hier ist das praktische Gegenstück — die Exporte, die Prompts und die konkreten Arten, wie dieser Workflow schiefgeht.

Was der Assistent sehen kann – und was nicht

Aus „er liest nur, was du einfügst" folgen drei Dinge, und jeder Fehler in diesem Workflow lässt sich darauf zurückführen, eines davon vergessen zu haben.

Er hat keinen Zugriff auf deine Accounts. Was nicht in deinem Export steht, existiert nicht. Wenn du Reichweite einfügst, aber keine Followerzahl, benutzt jede Engagement-Rate, die er produziert, einen Nenner, den du ihm nie gegeben hast — er hat ihn also erfunden.

Er weiß nichts über dein Geschäft. Er weiß nicht, dass du im Juni neun Tage im Urlaub warst, dass ein Post von einem viel größeren Account geteilt wurde oder dass dein April-Spike ein Produkt-Launch war. Nicht genannter Kontext wird zu einer geratenen Erklärung.

Er hat keinen Benchmark für deine Nische. Er hat ein grobes Gefühl dafür, wie Social-Media-Zahlen aussehen, und das ist nicht dasselbe wie zu wissen, was für einen B2B-Account mit 4.000 Followern in der Industriesoftware gut ist. Frag ihn nach einem Branchendurchschnitt, und du bekommst meistens eine selbstsichere, plausible, unbelegte Zahl.

Wenn das zugrunde liegende Vokabular noch wackelt — Reichweite versus Impressionen, wodurch eine Engagement-Rate eigentlich teilt —, lies zuerst den Einsteiger-Leitfaden zu Social-Media-Analytics und halte den Glossareintrag zu Social-Media-Analytics offen. Der Assistent benutzt deine Begriffe bereitwillig genauso falsch, wie du sie benutzt.

Schritt 1: Die richtige Tabelle exportieren

Der größte einzelne Qualitätshebel ist die Granularität der Daten. Eine Zeile pro Post schlägt eine Zeile pro Woche, jedes Mal. Wochenzusammenfassungen erlauben dem Modell, einen Trend zu beschreiben; Zeilen auf Post-Ebene erlauben ihm, die Ursache zu finden.

Ziel sind diese Spalten, egal aus welcher Quelle:

Die letzte Zeile zählt mehr, als die meisten erwarten. Wenn du im Zeitraum Follower dazugewonnen hast, tragen spätere Posts einen größeren Nenner — eine gleichbleibende Engagement-Rate ist dann in Wahrheit ein Rückgang. Oder eine Verbesserung, je nachdem, welchen Nenner du gewählt hast. Schreib es explizit dazu; unser Engagement-Rate-Rechner zeigt, wie weit sich die Antwort mit der Formel verschiebt.

Zieh den Export so, wie es dein Stack hergibt. Native Insights liefern dir eine Plattform nach der anderen; ein Scheduler liefert dir die Posts, die du tatsächlich veröffentlicht hast, samt Ergebnissen — in SocialKit stehen die Post-Analytics direkt neben jedem Kalendereintrag, und die API plus Webhooks in jedem Plan lassen dich das Ziehen in ein Sheet automatisieren. So oder so: Übergib eine CSV oder eine eingefügte Tabelle, niemals einen Screenshot. Modelle lesen Zahlen aus Bildern unzuverlässig, und eine falsch gelesene Ziffer pflanzt sich durch jede nachfolgende Berechnung fort.

Beide Assistenten akzeptieren Datei-Uploads und können Code über eine Tabelle laufen lassen, statt sie nur zu überfliegen. Bezeichnungen und Plan-Verfügbarkeit ändern sich; prüfe Stand Juli 2026, was dein Plan enthält, und bevorzuge den Code-Weg für jede Rechnerei über mehr als eine Handvoll Zeilen.

Schritt 2: Briefe es, bevor du irgendetwas fragst

Starte mit einer Setup-Nachricht, die das gesamte Gespräch einschränkt. Das ist der wirkungsvollste Absatz im ganzen Workflow — und die meisten springen direkt zur Frage.

Du hilfst mir, einen Monat Social-Media-Performance zu reviewen.
Angehängt ist eine CSV: eine Zeile pro Post, 63 Posts, 1. bis 30. Juni 2026,
nur Instagram und LinkedIn.

Definitionen, die ich benutze:
- Engagement-Rate = (Likes + Kommentare + Shares + Saves) / Reichweite
- Reichweite sind eindeutige Accounts, nicht Impressionen
- „Säule" ist mein eigener Themen-Tag, einer von vier Werten

Kontext, den du nicht hast: Zwischen dem 12. und 20. Juni habe ich nichts
veröffentlicht (Urlaub). Das Karussell vom 3. Juni wurde von einem
Partner-Account mit einem viel größeren Publikum geteilt, behandle es also
als Ausreißer, nicht als wiederholbares Ergebnis.

Regeln für dieses gesamte Gespräch:
1. Nenne niemals eine Zahl, die nicht aus den angehängten Daten berechnet ist.
2. Wenn ich etwas frage, was die Daten nicht beantworten können, sag das,
   statt zu schätzen.
3. Zeige die Rechnung zu jeder Zahl, die du nennst.
4. Markiere jede Gruppe mit weniger als 5 Posts als zu klein für Schlüsse.
5. Unterscheide „X hängt mit Y zusammen" von „X hat Y verursacht". Behaupte
   niemals Kausalität.

Regel 1 und 4 räumen die meisten der unten beschriebenen Fehlermodi ab. Regel 3 ist das, was eine Überprüfung in unter fünf Minuten möglich macht. Wenn du regelmäßig Prompts schreibst, ist das schlicht ein Constraint-Block in dem Sinne, den unser Leitfaden zu KI-Prompt-Frameworks für Social Media beschreibt — Rolle, Daten, Definitionen, Regeln, Aufgabe.

Schritt 3: Vier Prompts, die den Großteil der Arbeit machen

Das Monats-Review

Fasse den Monat in dieser Reihenfolge zusammen:
1. Was veröffentlicht wurde: Anzahl nach Plattform, nach Format, nach Säule.
2. Die fünf besten und fünf schlechtesten Posts nach Engagement-Rate, mit
   den Rohzahlen.
3. Jede Gruppierung, bei der der Unterschied zwischen den Gruppen groß
   genug ist, um ihn zu untersuchen, mit Stichprobengrößen.
4. Drei Fragen, die diese Daten aufwerfen und selbst nicht beantworten
   können.
Empfiehl noch nichts.

Die Empfehlung zurückzuhalten ist Absicht. Fragst du im selben Atemzug wie nach der Zusammenfassung auch nach Rat, bekommst du Rat, der von den allgemeinen Vorannahmen des Modells über Social Media geprägt ist statt von deiner Tabelle. Punkt 4 ist der nützlichste Abschnitt der ganzen Ausgabe — dort taucht „deine Donnerstags-Posts liefen gut, aber vier von sechs waren Karussells, ich kann Tag und Format also nicht trennen" auf.

Die Frage nach dem Content-Mix

Gruppiere jeden Post nach Säule, dann nach Format, dann nach Säule x Format.
Gib für jede Gruppe an: Anzahl Posts, Median der Engagement-Rate und die
Spannweite. Nutze den Median, nicht den Mittelwert. Sag mir, welche Gruppen
zu klein für ein Urteil sind. Sag mir dann, welche einzelne Gruppierung die
meiste Varianz in der Performance erklärt, und wie sicher du dir bist.

Median statt Mittelwert ist hier entscheidend. Ein einziges vom Partner geteiltes Karussell zieht einen Mittelwert nach oben und erfindet eine Content-Säule, die in Wahrheit gar nicht funktioniert.

Die Frage nach dem Timing

Gruppiere Posts nach Wochentag und nach Stunden-Bucket. Nenne für jedes
Bucket die Anzahl Posts und den Median der Engagement-Rate. Weise explizit
darauf hin, wo Content-Typ mit Timing vermengt ist — z. B. wenn alle meine
Reels an denselben zwei Tagen rausgingen. Empfiehl keinen Posting-Plan,
wenn die Stichprobe pro Bucket unter 5 Posts liegt.

Dieser Prompt liefert fast immer „deine Buckets sind zu dünn" zurück, und das ist für einen normalen Posting-Monat die richtige Antwort — und der Grund, warum Empfehlungen zur besten Posting-Zeit aus weit mehr Daten gebaut werden, als ein einzelner Account erzeugt. Behandle deine eigene Timing-Analyse als Stichentscheid obendrauf auf einen plattformweiten Ausgangspunkt, nicht als dessen Ersatz.

Das Pre-Mortem

Nimm die stärkste Behauptung, die du gerade aufgestellt hast. Argumentiere
dagegen. Welche andere Erklärung passt genauso gut zu denselben Daten? Was
müsste ich messen, um die beiden auseinanderzuhalten?

Ein Modell mit sich selbst streiten zu lassen ist die billigste verfügbare Qualitätskontrolle. Es fördert regelmäßig genau die Störgröße zutage, über die die erste Antwort hinweggegangen ist.

Benchmark-Fragen brauchen eine Quelle, die du lieferst

„Sind 4,2 % Engagement-Rate gut für Instagram?" ist die Frage, die alle stellen — und die, die dieses Setup am schlechtesten beantwortet. Die ehrliche Antwort lautet: Engagement-Benchmarks schwanken enorm nach Branche, Accountgröße, Region und — entscheidend — danach, welchen Nenner die Quelle benutzt hat. Ein Modell, das man kalt fragt, produziert eine Zahl, die recherchiert klingt und es nicht ist.

Zwei Wege zu einer echten Antwort:

• Nutze deine eigene Historie als Benchmark. Füge drei oder sechs Monate ein statt einen. Aus „Ist das gut?" wird „Ist das besser als mein eigener Median, und ist der Unterschied größer als das Rauschen von Monat zu Monat?" Diese Frage können die Daten tatsächlich beantworten.
• Bring den externen Benchmark selbst mit. Wenn du einen veröffentlichten Branchenreport hast, füge die relevanten Zahlen ins Gespräch ein — zusammen damit, wie diese Quelle Engagement-Rate definiert — und lass das Modell Gleiches mit Gleichem vergleichen. Es wird damit zum Prüfer für Einheiten und Definitionen, und diesen Job macht es gut.

Welche Zahlen überhaupt einen Benchmark verdienen, ist eine eigene Entscheidung — unsere Übersicht der Social-Media-KPIs, die wirklich zählen ist ein besserer Startpunkt als ein Prozentwert, den jemand auf einer Folie zitiert hat.

Fünf Fallen

Erfundene Zahlen. Der häufigste Fehler ist ein Wert, der im Fließtext auftaucht, aber nirgends in deinen Daten — eine Summe, die nie gebildet wurde, eine prozentuale Veränderung gegen eine Basis, die du nie geliefert hast. Regel 1 im Briefing reduziert das; zwei Stichproben pro Session fangen den Rest ab.

Rechen-Drift. Kopfrechnen über Dutzende Zeilen erzeugt kleine Fehler, die sich aufaddieren. Wenn dein Assistent Code über die Datei laufen lassen kann, bestehe darauf — und lass dir die Rechnung zeigen.

Korrelation, erzählt als Geschichte. „Deine How-to-Posts performen besser, weil dein Publikum Weiterbildung will" sind zwei Behauptungen: ein Muster (in Ordnung, wenn es in den Daten steht) und ein Mechanismus (erfunden). Der Mechanismus ist der Teil, der sich nach Erkenntnis anfühlt — und der Teil, für den es keinerlei Beleg gibt. Formuliere jeden Befund erst zu „X ging im Juni mit Y einher" um, bevor du danach handelst, und prüfe dann, ob sich genau diese Posts noch in etwas anderem unterscheiden: Länge, Format, ob sie einen Link enthielten.

Kleine Stichproben. Vier Posts in einem Bucket sind eine Anekdote. Rankings auf Basis dünner Gruppen sind größtenteils Rauschen — und das Modell rankt sie trotzdem, wenn du es ihm nicht verbietest.

Survivorship-Bias und Gefälligkeit. Dein Export enthält nur, was du veröffentlicht hast; über Formate, die du nie ausprobiert hast, kann er dir also nichts beibringen. Und das Modell übernimmt gern dein Framing: Fragst du „Warum liefen Karussells besser?", bekommst du Gründe, auch wenn sie es gar nicht taten. Frag stattdessen „Liefen Karussells besser, und um wie viel?". Dieselbe Fehlerkategorie, wie eine KI-Performance-Prognose als Zusage statt als grobe Richtung zu nehmen.

Der Fünf-Minuten-Check

Bevor irgendein Befund das Chatfenster verlässt, mach das hier:

1. Rechne zwei Zahlen von Hand nach. Nimm eine Hauptkennzahl und eine stützende Zahl. Stimmt eine von beiden nicht, verwirf die gesamte Antwort und fang mit dem Code-Weg neu an.
2. Prüfe jede Behauptung gegen eine Spalte. Bezieht sich eine Aussage auf etwas, das du nicht geliefert hast, ist sie generiert.
3. Prüfe die Stichprobengröße hinter jeder Empfehlung. Unter fünf Posts ist es eine Hypothese zum Testen, keine Änderung zum Umsetzen.
4. Streiche die kausale Sprache. Aus „weil" wird „gleichzeitig mit".
5. Ergänze, was du weißt und das Modell nicht. Den Urlaub, den Launch, den Ausfall. Das ist der Schritt, der aus einer Zusammenfassung eine Analyse macht.

Mach das einmal, und die Ausgabe kann bedenkenlos in einen Report. Unser Leitfaden zum Erstellen eines Social-Media-Reports behandelt die Struktur, die Kunden erwarten, und die Schritt-für-Schritt-Anleitung wie du einen Social-Media-Report aus Analytics baust zeigt, wie du ihn aus den Rohzahlen zusammensetzt. Die KI entwirft den Kommentar; die Behauptungen gehören dir.

Führe die Erkenntnisse zurück in das, was du veröffentlichst

Eine Analyse, die den Kalender des nächsten Monats nicht verändert, ist ein Hobby. Aus jedem Review sollten zwei Entscheidungen herauskommen.

Content-Mix. Wenn sich eine Kombination aus Säule und Format über zwei aufeinanderfolgende Monate mit einer anständigen Stichprobe dahinter hält, verschiebe ein paar Slots dorthin und markiere die Änderung im Kalender, damit das Review im nächsten Monat sie sehen kann. Immer nur eine Änderung auf einmal, sonst kannst du das Ergebnis nicht zuordnen.

Timing. Verschiebe einen Slot, nicht den ganzen Plan, und lass ihn einen vollen Zyklus laufen. In SocialKit ist das ein Ziehen im visuellen Kalender, mit Empfehlungen zur besten Posting-Zeit als voreingestellter Ausgangsposition und den Post-Analytics auf der anderen Seite, die sagen, ob die Verschiebung etwas gebracht hat. Die Pläne sind flach — alle 11 unterstützten Plattformen in jedem einzelnen, ab €29/Monat für Solo oder €17.40/Monat bei jährlicher Abrechnung, Stand Juli 2026, mit 7 Tagen Testphase. Social Listening, Competitor-Benchmarking und Inbox-Management gibt es bewusst nicht, „warum hat sich das Sentiment verschoben" bleibt also komplett außerhalb dieses Loops.

Sobald das eine monatliche Gewohnheit ist, lohnt sich vor allem beim Export die Automatisierung: Schieb die Post-Daten über die API in ein Sheet und richte den Assistenten dann auf dieses Sheet. Das ist die bescheidene Variante davon, ein eigenes Analytics-Dashboard zu bauen, und sie reicht meistens aus.

Fang hier an

Der erste Durchlauf dauert etwa eine Stunde; jeder danach zwanzig Minuten.

1. Exportiere den letzten Monat auf Post-Ebene, eine Zeile pro Post, mit den Spalten aus der Tabelle oben. Ergänze deinen eigenen Säulen-Tag von Hand, wenn ihn nichts mitliefert.
2. Schreib den Briefing-Block einmal und speichere ihn. Du benutzt ihn jeden Monat wieder, mit zwei geänderten Zeilen.
3. Lass den Monats-Review-Prompt laufen, danach den Content-Mix-Prompt. Frag noch nicht nach Empfehlungen.
4. Lass das Pre-Mortem auf die stärkste Behauptung los.
5. Mach den Fünf-Minuten-Check. Rechne zwei Zahlen von Hand nach.
6. Wähle genau eine Änderung am Content-Mix und eine am Timing. Trag beide im Kalender ein.
7. Häng nächsten Monat die Datei des Vormonats dazu, damit der Vergleich gegen deine eigene Historie läuft statt gegen einen Benchmark, den niemand belegen kann.