Wie MADE BY HUMANS 7,7 Millionen Likes messbar machte – und den Monatsreport von Handarbeit befreite

Der Kunde

MADE BY HUMANS macht etwas, das auf den ersten Blick klein wirkt und in der Wirkung groß ist: Die Agentur schreibt Kommentare im Namen ihrer Kunden, nicht auf deren eigenen Kanälen, sondern unter fremden viralen Posts. Dort, wo gerade hunderttausende Menschen mitlesen.

‍

Ein gut platzierter Kommentar unter einem Video mit einer Million Aufrufen bringt einer Marke mehr Sichtbarkeit als ein eigener Post, den nur die bestehenden Follower sehen. Er wirkt nicht wie Werbung, sondern wie ein Mensch, der etwas Witziges sagt. Wenn er funktioniert, sammelt er selbst Likes, klettert nach oben und steht am Ende als meistgelikter Kommentar über tausenden anderen.

Das Team um Gründer Thomas Neander betreut so 14 Marken, vom Lebensmittelhändler über einen Audio-Hersteller bis zum Möbelhaus. Die Copywriter schreiben täglich, über beide Plattformen hinweg, und die besten Kommentare sammeln fünfstellige Like-Zahlen.

‍

Das Geschäftsmodell steht und fällt damit, diese Wirkung zu belegen. Ein Kunde, der monatlich vierstellig zahlt, will sehen, was dabei herauskommt.

Das Problem: Die eigene Arbeit wiederfinden

Hier lag die Schwierigkeit, und sie ist eigentümlich: Ein Kommentar unter einem fremden Post gehört der Agentur nicht. Es gibt kein Dashboard, in dem man nachsehen könnte, wie viele Likes die eigenen Kommentare gesammelt haben. Instagram und TikTok zeigen dem Kommentar-Autor keine Statistik. Man muss zu jedem einzelnen Post zurückgehen, die Kommentarspalte durchsuchen, den eigenen Kommentar finden und die Zahl ablesen.

‍

Genau so lief es. Jeden Monat öffnete jemand aus dem Team einige hundert Links, scrollte durch Kommentarspalten, suchte den eigenen Beitrag, notierte Likes und Antworten in einem Google Sheet. Marke für Marke, Zeile für Zeile. Aus diesen Sheets entstand dann der Monatsreport für den Kunden.

Drei Dinge machten das schmerzhaft:

‍

Es skalierte nicht. Mit jeder neuen Marke wuchs die Handarbeit linear mit. Bei 14 Marken und mehreren hundert Kommentaren pro Marke und Monat war absehbar, wann der Punkt erreicht ist, an dem das Reporting mehr Zeit frisst als die eigentliche Arbeit.

‍

Die Zahlen veralteten sofort. Ein Kommentar sammelt weiter Likes, auch Wochen nach dem Schreiben. Was im Sheet stand, war der Wert vom Tag des Nachschauens. Eine Woche später stimmte er nicht mehr, und niemand hatte die Zeit, noch einmal von vorn anzufangen.

‍

Es war fehleranfällig. Wer dreihundert Kommentarspalten durchsucht, übersieht welche. Und wer Zahlen von Hand abtippt, vertippt sich. Beides fiel nicht auf, weil es keine zweite Quelle gab, gegen die man hätte prüfen können.

Dazu kam ein struktureller Nachteil: Weil die Erfassung so aufwendig war, geschah sie nur einmal im Monat. Zwischen zwei Reports wusste niemand, wie es gerade lief. Weder die Agentur noch der Kunde. Ein Kommentar, der durch die Decke ging, blieb drei Wochen unbemerkt. Ein Monat, der schlecht anlief, ebenfalls.

Die Lösung: Ein Kommentar-Reporting, das sich selbst füllt

bakedwith baute ein System, das den kompletten Weg übernimmt, vom Erfassen des Links bis zum fertigen Kundenreport. Es läuft täglich, ohne dass jemand etwas anstößt.

‍

Schritt 1: Links einsammeln, wo sie entstehen

Der Copywriter schreibt seinen Kommentar und teilt den Link zum Post in eine Telegram-Gruppe, eine je Marke. Mehr passiert für ihn nicht. Ein Bot liest mit, ordnet den Link anhand der Gruppe der richtigen Marke zu und legt ihn ab.

Das klingt banal und ist der entscheidende Punkt: Die Erfassung findet dort statt, wo ohnehin gearbeitet wird. Niemand muss ein zweites Werkzeug öffnen oder abends nachpflegen. Ein Link, der nicht erfasst wird, existiert für das Reporting nicht. Also musste die Hürde auf null.

‍

Schritt 2: Täglich nachsehen, wie es dem Kommentar geht

Einmal pro Nacht läuft ein automatischer Durchgang über alle fälligen Marken. Für jeden Post ruft das System die Kommentare ab und sucht darin den Kommentar der Marke, erkennbar am Konto, unter dem geschrieben wurde.

Findet es ihn, hält es fest: Likes, Antworten, ob der Creator selbst reagiert hat, und auf welchem Platz der Kommentar unter allen anderen steht. Findet es ihn nicht, geht es ein zweites Mal in die Tiefe.

Wichtig dabei ist, was das System nicht speichert: keine fremden Kommentare, keine fremden Profile, keine Daten unbeteiligter Nutzer. Gespeichert wird ausschließlich der eigene Kommentar der Marke. Alles andere wird beim Suchen gelesen und wieder verworfen.

‍

Schritt 3: Verlauf statt Momentaufnahme

Jeder Durchgang schreibt einen neuen Schnappschuss, statt den alten zu überschreiben. Damit entsteht etwas, das es vorher nicht gab: ein Verlauf. Man sieht nicht nur, dass ein Kommentar heute 17.000 Likes hat, sondern auch, dass er vor zwei Wochen bei 3.000 stand.

Das beantwortet Fragen, die im Sheet nicht zu stellen waren: Wie lange sammelt ein Kommentar überhaupt noch Likes? Welche Beiträge tragen lange, welche sind nach drei Tagen tot? Wie entwickelt sich eine Marke über die Monate?

‍

Schritt 4: Der Report, den der Kunde selbst öffnet

Aus diesen Daten entsteht ein Dashboard, in das sich jeder Kunde selbst einloggt und ausschließlich seine eigenen Zahlen sieht. Kein PDF, das jemand monatlich zusammenbaut und verschickt, sondern eine Seite, die immer aktuell ist.

Sie zeigt die Likes im gewählten Zeitraum, den Verlauf über die Monate, die Aufteilung zwischen Instagram und TikTok, den besten Kommentar und die Platzierungs-Verteilung: Wie oft stand ein Kommentar der Marke auf Platz 1 unter allen Kommentaren eines Posts? Bei den 14 Marken zusammen ist das bisher 469 Mal passiert.

Intern sieht das Team mehr: ein Ranking über alle Copywriter hinweg, wer welche Kommentare geschrieben hat und wie sie liefen.

‍

Schritt 5: Die Lücken schließen, die Technik nicht schließen kann

Manche Kommentare findet kein Werkzeug. Sie wurden gelöscht, der Post ist nicht mehr öffentlich, oder er ist so viral, dass der eigene Kommentar zu weit unten steht. Für diese Fälle gibt es eine Arbeitsansicht: eine Liste aller Beiträge, gefiltert nach „offen", mit Feldern zum Nachtragen. Beitrag öffnen, Likes ablesen, eintragen.

Die von Hand eingetragenen Werte fließen genauso in den Report wie die automatischen und sind dort als solche gekennzeichnet. 444 von 19.976 Kommentaren sind so entstanden, also 2,2 Prozent.

‍

Schritt 6: Die Vergangenheit mitnehmen

Ein Reporting, das bei null anfängt, überzeugt niemanden. Deshalb wurden die alten Google Sheets importiert: die komplette Historie zurück bis Oktober 2024, Monat für Monat, mit den damals von Hand gezählten Werten.

Der Kunde sieht am ersten Tag nicht einen leeren Verlauf, sondern zwei Jahre Arbeit.

Die Ergebnisse: Von der Handarbeit zum laufenden System

7,7 Millionen Likes sind erfasst und belegt, über 19.976 Kommentare hinweg. Dazu 16.820 Antworten auf diese Kommentare und 3.861 Fälle, in denen der Creator des Posts selbst reagiert hat. Das ist der stärkste Beleg dafür, dass ein Kommentar in seiner Community angekommen ist.

‍

97,8 Prozent der Kommentare findet das System selbst. Von 19.976 erfassten Kommentaren mussten 444 von Hand nachgetragen werden. Der Rest läuft ohne Zutun.

‍

Der Report ist immer aktuell. Statt einmal im Monat aktualisieren sich die Zahlen täglich. Der Kunde kann jederzeit nachsehen, und die Agentur merkt sofort, wenn ein Kommentar durch die Decke geht.

‍

Das Scraping kostet 332 Dollar, für alles. Über 47 Durchgänge, 14 Marken und knapp 20.000 Kommentare hinweg. Das sind rund 1,7 Cent je erfasstem Kommentar. Zum Vergleich: Eine einzige Arbeitsstunde kostet ein Vielfaches davon.

‍

Neue Marken kosten fast nichts. Marke anlegen, Telegram-Gruppe zuordnen, Handles hinterlegen, und ab dem nächsten Lauf ist sie im System. Der Aufwand pro Marke ist nicht mehr linear, sondern nahezu null.

‍

Der Verlauf ist neu. Zwei Jahre Historie plus tägliche Schnappschüsse ergeben etwas, das im Sheet nie möglich war: die Antwort auf die Frage, ob es besser wird. Über alle Marken hinweg reicht die Datenreihe von Oktober 2024 bis heute.

‍

Die Copywriter-Sicht schafft Vergleichbarkeit. Weil jeder Kommentar seinem Autor zugeordnet ist, sieht das Team, welche Ansätze funktionieren. Nicht nach Gefühl, sondern nach Likes.

‍

Und der vielleicht wichtigste Effekt lässt sich schwer in eine Zahl fassen: Das Reporting ist keine Aufgabe mehr. Es ist keine Deadline am Monatsende, kein Nachmittag, den jemand blockiert. Es passiert.

Was wir gelernt haben

Erfassung muss dort passieren, wo gearbeitet wird. Der Telegram-Bot ist technisch das Einfachste am ganzen System und praktisch das Wichtigste. Hätten wir ein eigenes Formular gebaut, wäre die Hälfte der Links nie erfasst worden. Der Copywriter teilt einen Link, und das tut er ohnehin.

‍

Append-only schlägt Update. Jeden Lauf einen neuen Schnappschuss zu schreiben statt den alten zu überschreiben, kostet Speicherplatz und schenkt einem den kompletten Verlauf. Speicherplatz ist billig. Verlorene Historie bekommt man nie zurück.

‍

Ein Datum ist nicht gleich ein Datum. Der Tag, an dem ein Kommentar geschrieben wurde, der Tag, an dem sein Link erfasst wurde, und der Tag, an dem das System nachgesehen hat, sind drei verschiedene Dinge. Wer sie verwechselt, schiebt Arbeit in den falschen Monat und zerlegt damit den Report. Das sauber zu trennen, klingt nach Kleinkram und ist die Grundlage von allem.

‍

Die Handarbeit muss bleiben dürfen. Kein automatisches System erwischt hundert Prozent. Ein Reporting, das die restlichen zwei Prozent nicht aufnehmen kann, ist unvollständig, und Unvollständigkeit kostet Vertrauen. Die Möglichkeit, von Hand nachzutragen, ist kein Eingeständnis, sondern Teil der Lösung.

‍

Historie ist ein Feature. Der Import der alten Sheets war der unspektakulärste Teil des Projekts und der mit dem größten Effekt auf die Akzeptanz. Ein Dashboard, das bei null anfängt, fühlt sich an wie ein Prototyp. Eines mit zwei Jahren Verlauf fühlt sich an wie ein Werkzeug.

‍

Nur speichern, was man wirklich braucht. Es wäre technisch einfacher gewesen, alle abgerufenen Kommentare zu behalten. Nur die eigenen zu speichern und den Rest zu verwerfen, war die bewusste Entscheidung. Sie macht die Frage nach Datenschutz zu einer, die man in einem Satz beantworten kann.

‍

Der Kunde soll selbst nachsehen können. Ein monatliches PDF ist eine Bringschuld, die jemand erfüllen muss. Ein Login ist ein Angebot, das jederzeit gilt. Der Unterschied wirkt klein und verändert die Beziehung: Der Kunde fragt nicht mehr nach Zahlen, er hat sie.

Sammelt ihr eure eigenen Ergebnisse noch von Hand ein?

Ihr leistet Arbeit, deren Wirkung außerhalb eurer eigenen Systeme entsteht, auf fremden Plattformen, in fremden Kanälen, unter fremden Posts? Und die Auswertung dieser Arbeit frisst jeden Monat Tage, die eigentlich in die Arbeit selbst gehören?

‍

Wir bauen euch ein Reporting, das sich selbst füllt: Erfassung dort, wo ohnehin gearbeitet wird, tägliche Aktualisierung ohne Zutun, ein Kundenzugang statt monatlicher PDFs, und die Möglichkeit, dort von Hand einzugreifen, wo Technik an ihre Grenzen kommt.

‍

Lasst uns in einem unverbindlichen Gespräch über euren konkreten Prozess sprechen.

‍