Social-Media-Analyse-Prompts: Von Beitragsdaten zu nächsten Schritten

Eine Beitragstabelle vorbereiten, die die KI wirklich vergleichen kann

Du hast Beiträge eines Monats und eine Frage: Was verdient einen weiteren Versuch? Beginne mit 10 bis 30 aktuellen Beiträgen einer Plattform. Das ist ein handhabbarer Einstieg, keine statistische Mindestgröße. Nimm auch Beiträge mit wenig Resonanz auf. Eine Tabelle nur mit Erfolgen erklärt lediglich deren Gemeinsamkeiten.

Exportiere den verfügbaren Beitragsbericht oder übertrage zugängliche Felder in eine Tabelle. Öffne in YouTube Studio Analytics, wähle Advanced Mode oder See more, stelle Bericht und Daten ein und nutze Export current view. Studio wird aktualisiert; die Oberfläche kann abweichen. Auch für Instagram und TikTok lässt sich die Tabelle aus verfügbaren Beitragsanalysen erstellen, ohne einen universellen Exportknopf vorauszusetzen.

YouTube-Hilfe: Erweiterter Modus und Berichtsexport ↗

Nutze eine Zeile je Beitrag und behalte die genauen Metriknamen der Plattform. Ergänze Thema, Format, Einstieg und Länge kurz selbst, falls sie fehlen. OpenAI empfiehlt klare Spaltennamen und einen Datensatz pro Zeile. Genaue Zahlen lassen sich in Tabellen oder Texttabellen leichter prüfen als auf Screenshots.

OpenAI-Hilfe: Datenanalyse mit ChatGPT ↗

Zum Datumsbereich fehlt noch ein Detail

Ein Oktoberbericht kann Beiträge vom 1. und 28. Oktober mischen. Ihre Summen hatten unterschiedlich lange Zeit zu wachsen. Erfasse Berichtsdatum und Messfenster jedes Beitrags, etwa die ersten sieben vollständigen Tage. Das ist ein Beispiel, keine Plattformregel. Kennzeichne reine Gesamtsummen und vergleiche ähnlich alte Beiträge vorsichtig. Aufrufe durch Tage zu teilen ist allein keine faire Korrektur.

Kennzeichne bezahlte Werbung und Kooperationen getrennt. Vergleiche Plattformen und unvereinbare Aufrufdefinitionen separat. Ein YouTube Short und ein Instagram-Karussell können trotz gleichen Themas unterschiedliche Fragen beantworten.

Scrolle seitlich, um alle Spalten zu lesen.

post_id,platform,published_at,report_start,report_end,measurement_window,topic,format,hook,duration_seconds,paid,collaboration,views_metric,reach,likes,comments,shares,saves,avg_watch_seconds,retention_metric,post_attributed_follows

Ersetze views_metric durch die Metrik deines Berichts. Entferne nicht lieferbare Spalten oder lasse sie mit Begründung null. Ein leeres Feld bedeutet nicht, dass niemand den Beitrag gespeichert hat.

Vier Prompts für deine Wochenanalyse kopieren

Führe sie nacheinander im selben Gespräch aus oder hänge die geprüfte Tabelle in einem neuen Chat erneut an. Ersetze die Klammern durch Ziel und Daten. Kann der Assistent nicht rechnen, erledige die Mathematik in der Tabelle und lass ihn geprüfte Ergebnisse interpretieren.

1. Daten vor der Leistungsanalyse prüfen

Diese erste Prüfung findet Probleme, die spätere Empfehlungen sicherer erscheinen lassen können, als sie sind. Lass zuerst einen Datenqualitätsbericht erstellen, dann Inhaltstipps.

Hilf mir, die Daten meiner eigenen Social-Media-Beiträge zu prüfen. Arbeite ausschließlich mit der angehängten oder eingefügten Tabelle.

EINGABEN
Plattform- und Kontokontext: [platform, niche, audience]
Ziel: [one goal, such as more saves per account reached]
Berichtszeitraum und Zeitzone: [start, end, timezone]
Messzeitraum pro Beitrag: [for example, first 7 complete days; or lifetime totals with capture date]
Kennzahlendefinitionen und Einheiten: [paste the report's definitions]
Beitragstabelle: [paste or attach]

Gib zuerst einen Bericht zur Datenqualität zurück, keine Inhaltsempfehlungen:
- Bestätige die Anzahl der gelesenen Zeilen, die eindeutigen Beitrags-IDs, die enthaltenen Datumsangaben und etwaige ungelesene Zeilen.
- Liste doppelte IDs, fehlende Felder, uneinheitliche Einheiten, unmögliche Werte und Nenner mit dem Wert null auf. Lösche oder korrigiere keine Zeilen stillschweigend.
- Behandle null oder leere Felder als nicht verfügbar, nicht als den Zahlenwert null. Behalte gemeldete Nullwerte bei.
- Trenne Plattformen, Formate, Messzeiträume, bezahlte Beiträge und Kooperationen, wenn der Vergleich dies erfordert.
- Unterscheide einem Beitrag zugerechnete neue Follower von der Veränderung der Followerzahl des gesamten Kontos.
- Erkläre, welche Vergleiche möglich sind und für welche bessere Daten nötig sind.

Gib Folgendes zurück: Problem | betroffene Beitrags-IDs | Auswirkung | Korrektur oder Frage an mich.
Bitte mich, wesentliche Probleme zu klären, bevor du fortfährst. Erfinde niemals fehlende Kennzahlen und behaupte nicht, mein Konto verbunden zu haben.

2. Muster bis zu einzelnen Beiträgen zurückverfolgen

Ein hilfreiches Muster beruht auf einem sichtbaren Vergleich. Fordere Zeilen und Gruppengrößen an, um wiederholte Signale von einem einzelnen Ausreißer zu unterscheiden.

Vergleiche anhand der oben geprüften Tabelle und Definitionen die Beiträge im Hinblick auf mein angegebenes Ziel.

REGELN
Verwende nur Gruppen mit kompatiblen Plattformen, Formaten und Messzeiträumen. Nenne ausgeschlossene Zeilen und die Gründe dafür. Ergänze keine fehlenden Daten.
Nenne jeden Zähler, Nenner, jede Einheit und jede Formel, bevor du eine Rate berechnest. Wenn der Nenner null ist oder fehlt, gib an, dass die Rate nicht berechenbar ist.
Gib für jede Gruppe Stichprobengröße, Median und Spannweite der Zielkennzahl an. Zeige die zugrunde liegenden Beitrags-IDs und die berechneten Werte.
Behalte Ausreißer im ersten Ergebnis bei. Zeige zusätzlich, wie sich der Vergleich ohne die einzelne höchste Beobachtung verändert, und kennzeichne dies klar als Sensitivitätsprüfung. Entferne einen Beitrag nicht allein wegen seiner schwachen Leistung.
Vergleiche Themen oder Formate nur, soweit die verfügbaren Zeilen dies zulassen. Behandle Gruppen mit wenigen Beiträgen als Anhaltspunkte für weitere Tests.

AUSGABE
Bis zu 3 Beobachtungen, jeweils mit:
- verglichenen Gruppen, Stichprobengrößen, Messzeitraum und Beitrags-IDs
- den Zahlen und der Berechnung, die die Beobachtung stützen
- anderen plausiblen Erklärungen oder Störfaktoren
- einer Frage für die nächste Untersuchung

Trenne Beobachtungen von Hypothesen. Behaupte weder eine Ursache im Algorithmus noch eine ideale Veröffentlichungszeit, eine nicht sichtbare Zuschauerbindung oder einen garantierten Sieger. Zeige den Berechnungscode, falls du welchen verwendet hast.

3. Einen ungewöhnlich starken oder schwachen Beitrag untersuchen

Ein Ausreißer ist Anlass, Beitrag und Umstände anzusehen. Zahlen allein zeigen nicht, ob Einstieg, Thema oder Ausspielungsbedingungen den Unterschied erklären.

Untersuche den Beitrag [post_id] im Vergleich zu vergleichbaren Beiträgen in der geprüften Tabelle.

Gib eine kompakte diagnostische Notiz zurück:
1. Beschreibe, was zahlenmäßig ungewöhnlich ist, und nenne die Vergleichsgruppe, Stichprobengröße, Kennzahlendefinition und den Messzeitraum.
2. Prüfe, ob das Alter des Beitrags, bezahlte Werbung, eine Kooperation, das Format, die Dauer oder fehlende Daten den Unterschied erklären könnten.
3. Trenne das, was die Tabelle zeigt, von Hypothesen, für die der tatsächliche Inhalt oder private Analysedaten erforderlich sind.
4. Sage mir, welchen konkreten Beitrag, Einstiegssatz, Zeitstempel, welche Zugriffsquelle oder welches Analysefeld ich als Nächstes prüfen soll und warum.
5. Schlage nur dann eine inhaltliche Änderung zum Testen vor, wenn die verfügbaren Belege eine nützliche Hypothese stützen.

Leite aus der durchschnittlichen Wiedergabedauer keine Zuschauerbindungskurve ab, rechne kontoweit gewonnene Follower nicht einem einzelnen Beitrag zu und diagnostiziere aus niedrigen Aufrufzahlen keine Einschränkung. Wenn der Vergleich ungültig ist, erkläre, was ihn brauchbar machen würde.

4. Die Analyse in Tests für nächste Woche umsetzen

Entscheide, was du nächste Woche produzierst und wann du das Ergebnis prüfst.

Entwickle aus den oben belegten Beobachtungen höchstens 3 umsetzbare Inhaltstests für nächste Woche.

EINGABEN
Beiträge, die ich erstellen kann: [number and formats]
Produktionsgrenzen: [time, budget, footage]
Zu bewahrende Fakten und Versprechen an das Publikum: [list]
Kennzahl und Formel, die ich verwenden werde: [one primary metric]
Messzeitraum und Auswertungsdatum: [window, date, timezone]

Gib für jeden Test Folgendes zurück:
- die Beobachtung und die Beitrags-IDs, aus denen er hervorgeht
- die ausdrücklich als solche gekennzeichnete Hypothese
- die eine Variable, die verändert werden soll
- einen Vergleichsbeitrag oder eine passend zusammengestellte Vergleichsgruppe mit weitgehend gleichen wichtigen Bedingungen
- ein konkretes Briefing für den nächsten Beitrag: Publikumsfrage, Einstieg, Auflösung, Format
- die primäre Kennzahl, Formel, den Messzeitraum und eine Kontrollkennzahl zur Absicherung
- eine Entscheidungsregel, die ich vor der Veröffentlichung festlege, sowie das, was weiterhin nicht eindeutig wäre
- welche Belege ich sammeln muss und wann ich sie auswerten soll

Erfinde keine Ergebnisse, Vergleichswerte, Gewissheit oder allgemeingültige Schwelle für eine Steigerung. Wenn ich zu wenige vergleichbare Beiträge habe, schlage eine kleine explorative Beitragsserie vor und erkläre, was sie mir zeigen kann und was nicht. Überlasse die Veröffentlichung und die endgültigen Entscheidungen mir.

Wie aus einer Analyse ein Inhaltstest wird

Konstruiertes Beispiel

Ein Koch-Creator möchte mehr Speicherungen je erreichtem Konto. Alle vier Beiträge stammen von derselben Plattform, sind organisch und ohne Kooperationen. Jede Zeile umfasst die ersten sieben vollständigen Tage nach Veröffentlichung. Nutze die Zahlen zur Rechenkontrolle, nicht als Leistungsziel.

Scrolle seitlich, um alle Spalten zu lesen.

C hat insgesamt die meisten Speicherungen, B und D aber die höhere Speicherquote. Bei C gilt 80 ÷ 10,000 × 100 = 0.8%. Die beiden Beiträge zu Zutatenalternativen erreichen jeweils 2.5%. Das liefert ein Thema für ein auf Speicherungen ausgerichtetes Ziel. Warum sie gespeichert wurden und ob eine weitere Alternative ähnlich wirkt, bleibt zu untersuchen.

Teste ein weiteres Reel zu Zutatenalternativen mit gleicher Länge und Ergebnisdarstellung. Ändere nur den Einstieg: Zeige die fertige Alternative vor der Erklärung. Vergleiche es im selben Sieben-Tage-Fenster mit B und D. Nutze Speicherungen ÷ Reichweite als Hauptmetrik und Reichweite als Kontrollmetrik, damit eine hohe Quote bei kaum Ausspielung nicht automatisch als Erfolg gilt.

Notiere vor der Veröffentlichung, welches Ergebnis eine Wiederholung rechtfertigt und wann ein weiterer Versuch nötig ist. Werden nur wenige Konten erreicht, bleibt das Ergebnis explorativ. Wiederhole den Vergleich mit einem ähnlichen Beitrag, statt aus einem einzelnen Prozentwert eine neue Strategie abzuleiten.

Zur Wahl des Nenners lies unseren Leitfaden zu Speicherquote und Aufrufen.

Die Antwort prüfen, bevor du Inhalte änderst

Prüfe stichprobenartig die Zeilen hinter der stärksten Empfehlung. Rechne eine Quote nach, kontrolliere Gruppengröße und einheitliches Beobachtungsfenster. OpenAI empfiehlt, generierten Code, Ausgaben und Annahmen zu prüfen. Wirkt das Ergebnis zu glatt, fordere Code oder Zwischentabelle an.

OpenAI-Hilfe: Datenanalyse mit ChatGPT ↗

Die Rechnerquote beantwortet eine andere Frage als das Speicherquoten-Beispiel. Benenne bei Vergleichen Zähler und Nenner. Vergleiche nie eine reichweitenbezogene Speicherquote mit einem followerbezogenen Interaktionsbenchmark.

Wenn die Tabelle eine Inhaltsfrage aufwirft, öffne den Beitrag. Kabos AI Video Analyzer kann zeitmarkiertes Inhaltsfeedback zu einem öffentlichen TikTok, Reel oder Short liefern. Nutze es für eine Schnitt-Hypothese; es liefert keinen privaten Bindungsbericht und beweist keine Ursache einer Leistungsänderung.

Den Inhalt des öffentlichen Videos prüfen

Auch Aussagen zu Veröffentlichungszeiten verlangen Vorsicht. Erschienen alle Tutorials morgens und alle Montagen nachts, trennt die Tabelle Zeit und Format nicht. Vergleiche ähnliche Inhalte, bevor du den gesamten Zeitplan umstellst. Warum dasselbe Video unterschiedliche Aufrufzahlen erhält

Bewahre geprüfte Tabelle, verwendete Antwort und gewählten Test zusammen auf. Ergänze nächste Woche Zeilen mit denselben Definitionen und Messfenstern. Die Analyse hilft, wenn du Vorhersagen mit tatsächlichen Ergebnissen vergleichen kannst, auch mit uneindeutigen.

Quellen und Methode

Produkt- und Exportdetails am 22. Oktober 2026 geprüft. OpenAI dokumentiert strukturierte Eingaben, codegestützte Analyse und Rechenkontrolle. YouTube beschreibt den Export der aktuellen Analytics-Ansicht. Nutze auf anderen Plattformen zugängliche Beitragsberichte. Prompts, Vergleichshinweise und Kochbeispiel stammen von der Kabo-Redaktion. Ergebnisse hängen von Daten und Modell ab.

• OpenAI-Hilfe: Datenanalyse mit ChatGPT ↗
• YouTube-Hilfe: Erweiterter Modus und Berichtsexport ↗