Das ist die Frage, die man sich zu wenig stellt.
Du siehst 142 Likes und denkst: "Nice!"
Aber:
Wie viele davon sind deine Zielgruppe?
Wie viele sind potenzielle Kunden?
Wie viele sind einfach nur... irgendwer?
Die brutale Wahrheit:
Bei vielen Posts sind es nur 15-20% Zielgruppe.
Die anderen 80%? Streuverlust.
(Im vorletzten Post war der Wunsch nach mehr LinkedIn Posts, deshalb der Beitrag)
🤔 Das Problem: Du kopierst die Oberfläche, nicht die Struktur
Du scrollst durch LinkedIn.
Du siehst Posts von Top-Performern. Viral. Hunderte Likes.
Und du versuchst zu kopieren:
Den Hook-Style
Die Formatierung
Die Emoji-Nutzung
Aber du kopierst nur die Oberfläche.
Du siehst nicht:
❌ Welches Storytelling-Framework dahintersteckt
❌ WARUM gerade dieses Framework bei dieser Zielgruppe funktioniert
❌ Welche Metapher die richtige Denkweise triggert
❌ Wie sie Hook-Type und Bedürfnis matchen
Du kopierst den Content.
Aber nicht die Struktur.
Und noch schlimmer:
Du denkst: "Das funktioniert bei ihm, also funktioniert es auch bei mir."
Aber das stimmt nicht.
Weil deine Zielgruppe anders ist. Weil dein Thema anders ist. Weil die Bedürfnisse anders sind.
💡 Die Lösung: Lerne von den Besten – aber lerne das Richtige
Hier ist meine These:
Die besten LinkedIn-Storyteller nutzen nicht EIN Framework.
Sie nutzen das RICHTIGE Framework für:
Das richtige Thema
Die richtige Zielgruppe
Das richtige Bedürfnis
Und genau DAS kannst du lernen.
Nicht durch Raten. Nicht durch "Bauchgefühl".
Sondern durch Reverse-Engineering mit System.
🔬 Wie ich Top-Performer reverse-engineere
Ich habe ein System gebaut, das LinkedIn-Posts der besten Storyteller analysieren kann.
Da ich, fast jeden Tag, einfach teile an den Themen denen ich aktuell arbeite, ist das nicht fokussiert, deshalb wollte ich meine Posts ganz genau analysieren, welche Storytelling Frameworks ich nutze, welche Metaphern, wie ich vorgehe (meist unbewusst). Die wenigsten Post schreibt bei mir die KI. Am meisten dann solche Inhalte wo ich etwas gebaut habe und dann der KI sage, stelle das vor.
Beispiel einer Analyse
Also brauche ich eine Analyse.
Nicht oberflächlich.
Sondern strukturell.
Was das System macht:
0) Ich gebe eine LinkedIn url ein, die ich scrapen möchte in einem Python Script (Details kommen weiter unten). Scraping aller Posts
Das Python Script ruft den Apify (ein Scraping Dienst) Actor auf. Hier mein Profil.
1) Scrapet ALLE Liker eines Posts (Schleife über die ganzen Posts)
Nicht nur die ersten 20, die LinkedIn dir zeigt.
ALLE.
Post mit 427 Likes? → Alle 427 Details die man braucht.
Warum das wichtig ist:
Weil du dann siehst:
Welche Zielgruppe erreicht dieser Post wirklich?
Welche Branchen dominieren?
Welches Karriere-Level engaged?
Du siehst, ob der Post wirklich funktioniert – oder nur viele Random-Likes hat.
Der Actor holt sich zu jedem Post alle Likers. Wichtig: “No Cookies” davon bekommt LinkedIn nichts mit.
2) Analysiert das Storytelling systematisch
Eine KI (Claude 3.7 Sonnet, günstig, man kann auch lokale KI nehmen) identifiziert:
Storytelling-Framework:
Problem-Solution?
Hero's Journey?
Before-After-Bridge?
Challenge-Outcome?
Contrarian-Stance?
Hook-Type:
Frage? Statement? Zahl? Story? Problem?
Metaphern & Analogien:
Welche wurden verwendet?
Aus welchem Kontext? (Business, Sport, Alltag, Prozess, Reise)
Struktur-Qualität:
Roter Faden?
Dramaturgie?
Spannungsbogen?
Emotionale Balance:
Wie viel % emotional vs. fachlich?
Fachbegriff-Dichte:
Wie viele Branchen-Fachbegriffe?
Sweet Spot oder zu viel/wenig?
3) Matched Framework mit Zielgruppe
Hier wird's interessant.
Das System analysiert nicht nur "welches Framework wurde genutzt".
Sondern: "Welches Framework funktioniert bei welcher Zielgruppe?"
Beispiel:
Post A nutzt Hero's Journey:
427 Likes
Zielgruppe: Career-Switcher, Gründer
Match-Score: 68%
Post B nutzt Hero's Journey:
143 Likes
Zielgruppe: C-Level mit akutem Problem
Match-Score: 28%
Gleiche Technik. Komplett unterschiedliche Results.
Warum?
Weil die Zielgruppen unterschiedliche Bedürfnisse haben.
4) Findet Patterns über alle Posts
Das System analysiert nicht nur einen Post.
Es analysiert alle Top-Posts und findet Patterns:
Für deine spezifische Zielgruppe:
Welches Framework hat den höchsten Match?
Welche Metaphern resonieren?
Welcher Hook-Type funktioniert wann?
Wie viele Fachbegriffe sind optimal?
Was ist der Unterschied zwischen "vielen Likes" und "richtigen Likes"?
Das Ergebnis:
Ein personalisierter Intelligence-Report:
"Bei DEINER Zielgruppe (C-Level Immobilien) funktioniert:
Problem-Solution Framework (58% Match)
Business-Alltags-Metaphern (61% Match)
Problem-Statement-Hook bei akutem Bedürfnis (62% Match)
3-4 Fachbegriffe pro Post (Sweet Spot)"
5) Generiert deinen personalisierten Report
Das System gibt dir nicht "allgemeine Tipps".
Es gibt dir dein Playbook:
Was funktioniert bei DEINER Zielgruppe?
Welche Frameworks passen zu DEINEN Themen?
Welche Bedürfnisse haben DEINE Leute?
Das läuft automatisch.
Du gibst URLs ein → 30 Min später → Dein personalisierter Report.
🔥 Was ich über die Besten gelernt habe
Hier ist die wichtigste Erkenntnis vorweg:
Es gibt KEIN "bestes" Storytelling-Framework.
Die Top-Performer nutzen unterschiedliche Frameworks – je nach Thema, Zielgruppe und Bedürfnis.
🎯 Erkenntnis #1: Framework ≠ Framework – Kontext ist alles
Was die Analyse zeigt:
Das gleiche Framework funktioniert komplett unterschiedlich je nach:
Thema (Was kommuniziere ich?)
Zielgruppe (Wen spreche ich an?)
Bedürfnis (Was brauchen sie gerade?)
Beispiel: Hero's Journey
✅ Funktioniert gut für:
Persönliche Transformations-Stories
"Wie ich X gelernt habe"-Content
Wenn die Zielgruppe Inspiration sucht
Zielgruppe: Career-Switcher, Gründer, Menschen in Veränderung Thema: "Meine Reise von X nach Y" Match-Score: 65-70%
❌ Funktioniert NICHT für:
Konkrete Business-Probleme lösen
Wenn die Zielgruppe schnelle Lösungen sucht
Zielgruppe: C-Level mit akutem Problem Thema: "Wie du X optimierst" Match-Score: 25-30%
Stattdessen für akute Probleme:
✅ Problem-Solution Framework
"Deine LinkedIn-Posts erreichen die falsche Zielgruppe.
Das Problem: Du siehst nur Likes, nicht WER liked.
Die Lösung: Ein System, das alle Liker analysiert
und dir zeigt, welche Frameworks bei deiner
Zielgruppe funktionieren."
Match-Score bei C-Level mit akutem Problem: 58-62%
Die Lektion:
Es gibt nicht "das beste Framework".
Es gibt nur: "Das richtige Framework für die richtige Situation".
🎨 Erkenntnis #2: Unterschiedliche Zielgruppen = unterschiedliche Frameworks
Was die Top-Performer wissen:
Zielgruppe | Best Framework | Warum? | Match |
|---|---|---|---|
C-Level mit Problem | Problem-Solution | Wollen schnelle Lösung, keine Story | 58-62% |
Gründer/Career-Switcher | Hero's Journey | Suchen Inspiration & Identifikation | 65-70% |
Operators/Manager | Before-After-Bridge | Brauchen Proof & konkrete Results | 55-60% |
Skeptiker | Challenge-Outcome | Wollen sehen: "Geht das wirklich?" | 52-58% |
Beispiel aus der Praxis:
Post an C-Level (Problem-Solution):
"Dein Content erreicht die falschen Leute.
[Problem detailliert beschreiben]
Hier ist die Lösung:
[Konkrete 3-Schritte-Lösung]"
Match bei C-Level: 61%
Post an Gründer (Hero's Journey):
"Vor 3 Jahren stand ich vor der gleichen Herausforderung.
[Persönliche Story]
Was ich gelernt habe:
[Framework]
Heute sieht es so aus:
[Transformation]"
Match bei Gründern: 68%
Gleiche Kernaussage. Unterschiedliche Verpackung.
🍽️ Erkenntnis #3: Metaphern müssen zur Denkweise passen
Was ich gelernt habe:
Metaphern funktionieren nur, wenn sie zur mentalen Welt deiner Zielgruppe passen.
Für Unternehmer/C-Level:
✅ Business-Alltags-Metaphern (Match: 60-65%)
Restaurant ("ohne Feedback kochen")
Hausbau ("ohne Plan bauen")
Investment ("ohne Due Diligence investieren")
Warum? Weil sie in Geschäftsmodellen denken.
Beispiel:
"LinkedIn ohne Analyse ist wie ein Restaurant ohne Feedback.
Du kochst. Du servierst.
Aber du weißt nicht, ob es schmeckt."
Für Operators/Manager:
✅ Prozess-Metaphern (Match: 55-60%)
Produktionslinie ("Qualitätskontrolle fehlt")
Dashboard ("ohne Metrics fahren")
System ("ohne Monitoring laufen lassen")
Warum? Weil sie in Prozessen denken.
Für Career-Switcher:
✅ Reise-Metaphern (Match: 58-63%)
"Der Weg von X nach Y"
"Die Brücke zwischen Alt und Neu"
"Der erste Schritt"
Warum? Weil sie sich in einer Transition befinden.
Was überraschend NICHT funktioniert:
❌ Sport-Metaphern für C-Level (Match: 35-40%)
"Wie ein Marathon laufen"
"Wie ein Fußballspiel gewinnen"
Warum nicht?
Zu generisch. Kein direkter Business-Kontext.
Die Pattern:
Metaphern müssen zur Denkweise der Zielgruppe passen, nicht zu deiner.
❓ Erkenntnis #4: Hook-Type muss zum Bedürfnis matchen
Was die Besten anders machen:
Sie wählen den Hook-Type basierend auf dem aktuellen Bedürfnis der Zielgruppe.
Wenn die Zielgruppe ein akutes Problem hat:
✅ Problem-Statement Hook
"Deine LinkedIn-Posts erreichen die falsche Zielgruppe."
Match bei Leuten MIT Problem: 62%
Wenn die Zielgruppe neugierig ist (kein akutes Problem):
✅ Frage-Hook
"Weißt du, wer deine LinkedIn-Posts wirklich liked?"
Match bei Leuten OHNE akutes Problem: 58%
Wenn die Zielgruppe skeptisch ist:
✅ Zahl/Daten-Hook
"Ich habe 50 Top-Performer analysiert.
Hier ist, was sie anders machen:"
Match bei Skeptikern: 55%
Wenn die Zielgruppe Inspiration sucht:
✅ Story-Hook
"Vor 3 Jahren stand ich vor dem gleichen Problem wie du..."
Match bei Menschen in Transition: 68%
Die Pattern:
Akutes Problem → Problem-Statement Hook
Neugier → Frage-Hook
Skepsis → Daten/Beweis-Hook
Inspiration → Story-Hook
Es gibt nicht "den besten Hook".
Es gibt: "Den richtigen Hook für das richtige Bedürfnis".
📊 Erkenntnis #5: Fachbegriffe richtig dosieren
Was die Analyse zeigt:
Fachbegriffe sind ein Filter – aber die Dosierung entscheidet über Reichweite vs. Präzision.
Zu wenig Fachbegriffe (0-1):
Viele Likes
Niedrige Zielgruppen-Präzision (20-30%)
Gut für: Reichweite, Awareness
Zu viele Fachbegriffe (8+):
Wenige Likes
Sehr hohe Zielgruppen-Präzision (80-90%)
Gut für: Expertenpositionierung, Nische
Problem: Zu wenig Reach
Sweet Spot (3-5 Fachbegriffe):
Moderate Likes
Hohe Zielgruppen-Präzision (60-70%)
Das ist das Ziel für B2B
Beispiele:
❌ Zu generisch (0 Fachbegriffe):
"Gute Kommunikation auf LinkedIn ist wichtig."
→ 427 Likes, 22% Zielgruppe
❌ Zu fachlich (10+ Fachbegriffe):
"DCF-Modellierung in der Immobilien-Bewertung:
Cap-Rate-Kompression durch Yield-Spread-Arbitrage
bei WACC-adjustierten Terminal-Values"
→ 23 Likes, 92% Zielgruppe (aber zu wenige!)
✅ Sweet Spot (3-4 Fachbegriffe):
"ROI-Optimierung in der Projektentwicklung:
Warum deine Renditeerwartungen unrealistisch sind."
→ 143 Likes, 68% Zielgruppe
Die Regel:
3-5 Fachbegriffe pro Post = Sweet Spot für B2B-Zielgruppen
🎯 Meta-Erkenntnis: Das System zeigt dir DEINE Patterns
Hier ist das Wichtigste:
Die "Erkenntnisse" oben sind Beispiele aus analysierten Posts.
Deine Patterns werden anders aussehen.
Weil:
Deine Zielgruppe ist anders
Deine Themen sind anders
Deine Positionierung ist anders
Das System zeigt dir:
"Bei DEINER Zielgruppe funktioniert Framework X mit Metapher Y und Hook-Type Z"
Nicht generisch.
Personalisiert für deine Situation.
🛠️ Wie das System funktioniert (Technical Overview)
Kurz zur Technik (ohne zu tief einzusteigen):
Das System ist ein Python-Programm in 5 Schritten:
Schritt 0: Posts von einer URL sammeln (in dem Fall von mir, kann man auch über LinkedIn direkt, war hier für mich angenehmer)
Schritt 1: URLs sammeln
Nutzt alle Posts aus Schritt 0 (oder eine Auswahl), die du analysieren willst
Top-Performer aus deiner Branche
Oder deine eigenen Posts zum Vergleich
Schritt 2: Liker scrapen (Kann man auch mit Screenshots machen über die Oberfläche in LinkedIn) und mit der Hand analysieren.
Hier eine technische Möglichkeit, wenn man in anderen Ländern wohnt.
Nutzt Apify in allen Schritten (professioneller Web-Scraper)
Holt ALLE Liker (nicht nur die ersten 20)
Extrahiert automatisch: Name, Jobtitel, Unternehmen
Funktioniert mit Pagination (auch bei 500+ Likes)
Schritt 3: KI-Analyse
Claude 3.7 analysiert jeden Post
Identifiziert Framework, Hook, Metaphern
Matched Liker gegen Zielgruppe
Berechnet Match-Score
Schritt 4: Pattern-Recognition
Vergleicht alle Posts
Findet: Was funktioniert bei welcher Zielgruppe?
Identifiziert: Welche Kombinationen haben höchsten Match?
Schritt 5: Report generieren
Kompletter Intelligence-Report
"Framework X + Metapher Y = 68% Match bei Zielgruppe Z"
Konkrete, personalisierte Empfehlungen
Das Ganze läuft automatisch.
Du gibst URLs ein → 30 Min später → Dein Report.
💰 Was kostet das?
Für ~50 Top-Performer-Posts analysieren:
Apify (Liker scrapen): ~$6
Claude API (KI-Analyse): ~$3.50
Total: ~$10
Pro Post: ~$0.20
Vs. manuell:
50 Posts analysieren = ~10 Stunden Arbeit
Bei $50/h = $500
Ersparnis: 98%
Plus: Du bekommst Patterns, die du manuell nie erkennen würdest.
💻 Unter der Haube: Das Python-Script
Warum Python?
Das komplette System läuft als ein einziges Python-Script: linkedin_analyzer.py
Python war die logische Wahl, weil:
✅ Sowohl Apify als auch Anthropic haben offizielle Python-SDKs
✅ Die Datenverarbeitung (Pandas) ist einfach und schnell
✅ Der Code ist auch für Nicht-Programmierer lesbar
✅ Es läuft auf jedem System (Mac, Windows, Linux)
Das komplette Script ist ~500 Zeilen Code. Eine Datei. Keine komplexe Architektur.
Die 3 Kern-Funktionen:
1) scrape_all_likers(post_url) – Holt wirklich ALLE Liker durch Pagination
Diese Funktion ruft den Apify Actor in einer Schleife auf. Bei jedem Request wird page_number um 1 erhöht (1, 2, 3, ...). Die Schleife stoppt, wenn eine Seite leer zurückkommt. So bekommst du bei einem Post mit 427 Likes nicht nur die ersten 100, sondern alle 427.
Beispiel: Post mit 427 Likes → 5 Requests (100, 100, 100, 100, 27) → Alle erfasst.
2) analyze_post_complete(content, likers) – KI-Analyse in einem API-Call
Diese Funktion schickt Post-Inhalt UND die Liker-Liste (Top 30, oder alle) in EINEM Request an Claude. Die KI analysiert beides parallel: Storytelling-Framework + Zielgruppen-Match. Das spart Kosten (~$0.07 statt 2× $0.05) und Zeit.
Der Prompt ist strukturiert: Die KI bekommt exakte Anweisungen, was sie identifizieren soll, und gibt strukturiertes JSON zurück. Kein Raten, kein Freetext.
3) identify_patterns(all_analyses) – Pattern-Recognition über alle Posts
Diese Funktion nimmt alle einzelnen Analysen und sucht Korrelationen: "Welches Framework hat bei welcher Zielgruppe den höchsten durchschnittlichen Match-Score?" Sie grouped nach Framework, Metapher-Type, Hook-Type und berechnet Durchschnittswerte.
Das Ergebnis: "Problem-Solution bei C-Level = avg. 61% Match (Sample Size: 23 Posts)"
🎯 Wie du es nutzen kannst
Option 1: Von den Besten lernen
Step 1: Identifiziere Top-Performer in deiner Branche
Wer sind die LinkedIn-Stars in deinem Bereich?
Immobilien? → Finde die Top 10 Immobilien-Influencer
SaaS? → Finde die Top 10 SaaS-Founder
Consulting? → Finde die Top 10 Consultants
Step 2: Sammle ihre viralen Posts
Geh auf ihre Profile.
Exportiere die URLs ihrer Top-Posts (nach Likes sortiert).
10-20 Posts pro Person reichen.
Step 3: Analysiere sie mit dem System
Lade die URLs ins System.
Definiere deine Zielgruppe.
Lass es scrapen und analysieren.
Step 4: Verstehe die Patterns
Der Report zeigt dir:
✅ Welche Frameworks funktionieren bei deiner Zielgruppe
"Problem-Solution bei C-Level: 61% Match
Hero's Journey bei C-Level: 28% Match"
✅ Welche Metaphern resonieren
"Business-Metaphern: 63% Match
Sport-Metaphern: 38% Match"
✅ Welche Hook-Types die Richtigen triggern
"Problem-Statement: 62% bei akutem Bedürfnis
Frage: 58% bei Neugier
Story: 68% bei Inspiration"
✅ Fachbegriff-Sweet-Spot
"3-4 Fachbegriffe = 68% Match
0-1 Fachbegriffe = 24% Match
8+ Fachbegriffe = 89% Match (aber nur 23 Likes)"
Step 5: Kopiere die Struktur, nicht den Content
Jetzt weißt du:
"Für meine Zielgruppe funktioniert: Problem-Solution + Business-Metapher + Problem-Hook + 3-4 Fachbegriffe"
Das ist dein Framework-Template.
Option 2: Eigene Posts optimieren
Step 1: Exportiere deine letzten 20-50 Posts
LinkedIn CSV-Export, Apify oder mit Tools wie Phantombuster.
Step 2: Analysiere sie mit dem System
Lass das System alle deine Posts durchgehen.
Step 3: Identifiziere dein Winning-Template
Der Report zeigt:
Post #7: 68% Match
- Framework: Problem-Solution
- Metapher: Restaurant
- Hook: Problem-Statement
- Fachbegriffe: 4
Post #12: 23% Match
- Framework: Hero's Journey
- Metapher: Sport
- Hook: Story
- Fachbegriffe: 0
Klartext: Post #7 ist dein Template. Post #12 funktioniert nicht.
Step 4: Vergleiche mit Top-Performern
Nutze jetzt Option 1:
Analysiere Top-Performer und vergleiche:
"Was machen die anders als ich bei Posts mit hohem Match?"
Step 5: Optimiere kontinuierlich
Analysiere monatlich deine neuen Posts.
Tracke: Wird mein Match-Score besser?
Baue dein personalisiertes Playbook auf.
🎓 Was ich daraus gelernt habe
Nach hunderten analysierten Top-Performer-Posts eine Erkenntnis:
Die erfolgreichsten LinkedIn-Creator haben kein "Geheimnis".
Sie nutzen bewährte Frameworks.
Aber sie wenden sie richtig an:
Hero's Journey → für die richtige Zielgruppe (Career-Switcher, nicht C-Level)
Business-Metaphern → für Unternehmer (nicht für alle)
Problem-Hook → bei akutem Bedürfnis (nicht immer)
3-4 Fachbegriffe → Sweet Spot für B2B (nicht 0, nicht 10)
Sie matchen:
Framework mit Zielgruppe
Metapher mit Denkweise
Hook mit Bedürfnis
Fachbegriffe mit Positionierungsziel
Und das Beste:
Du kannst diese Patterns lernen.
Nicht durch Raten. Nicht durch blindes Kopieren.
Sondern durch Reverse-Engineering mit System.
🚀 Der Unterschied
Vorher:
"Hmm, welches Framework soll ich nutzen?"
"Der nutzt Hero's Journey, das kopiere ich."
"Mal schauen, ob es funktioniert."
Genau das kann man auch der KI überlassen, das man in einem Workflow die KI entscheiden lässt
Nachher:
"Bei meiner Zielgruppe (C-Level ) funktioniert:
Problem-Solution Framework (58% Match)
Business-Metaphern (61% Match)
Problem-Hook bei akutem Bedürfnis (62% Match)
3-4 Fachbegriffe (Sweet Spot: 68% Match)"
Das ist mein Playbook.
Nicht geraten. Nicht kopiert.
Datenbasiert und personalisiert für meine Situation.
💬 Meine Frage an dich:
Wenn du die LinkedIn-Strategie von EINEM Top-Performer aus deiner Branche reverse-engineeren könntest:
Wen würdest du wählen?
Und warum gerade den? 👇
P.S. Die größte Erkenntnis für mich:
Die Besten nutzen nicht mehr Storytelling-Techniken.
Sie nutzen die richtigen Techniken für:
Das richtige Thema
Die richtige Zielgruppe
Das richtige Bedürfnis
Es gibt kein "One-Size-Fits-All".
Nur: "Right-Pattern-For-Right-Audience-For-Right-Situation".