Projekt auf einen Blick
🎯
Ziel
Automatisierte Erfolgsmessung statt manueller Auswertung.
👥
Zielgruppe
Eigene Social-Media-Kanäle, KI-gestützt betrieben.
🛠️
Technologien
n8n, Meta Graph API, Postgres, OpenAI.
✅
Status
Läuft täglich, produktiv im Einsatz.
Die Ausgangslage
Eine strukturierte Erfolgsmessung fehlte bisher, obwohl mehrere meiner Social-Media-Kanäle bereits KI-gestützt und automatisiert laufen (siehe „Social Media & KI"). Statt gelegentlich in die Meta Business Suite zu schauen, sollte ein Bot täglich Kennzahlen sammeln und daraus regelmäßig einen Bericht mit klaren Empfehlungen liefern.
Die Herausforderung
Instagram und Facebook liefern unterschiedliche Kennzahlen und definieren manche Metriken unterschiedlich. Nicht alle Werte stehen auf beiden Plattformen gleichermaßen zur Verfügung. Eine gemeinsame Scoring-Formel hätte dadurch zu Verzerrungen geführt oder hätte wichtige Informationen unberücksichtigt gelassen.
Zusätzlich brauchten die drei Datentypen – Verlaufsdaten, Post-Metriken, Kommentare – jeweils eine andere Speicherlogik. Eine einzige Tabellenform für alles hätte entweder Duplikate oder Datenverlust bedeutet.
Die Lösung
Drei getrennte Postgres-Tabellentypen decken die drei Datenarten ab. Ergänzend dazu gibt es zwei getrennte Scoring-Ranglisten: Instagram wird stärker reichweitenbasiert bewertet, Facebook engagementbasiert. Ein Collector-Workflow sammelt täglich die Kennzahlen, ein Report-Workflow generiert daraus wöchentlich und monatlich mithilfe von KI Berichte mit konkreten Empfehlungen.
Die Umsetzung
Architektur: Drei Workflows
Der Bot besteht aus drei getrennten n8n-Workflows, die unterschiedlich oft laufen:
01
Collector – täglich
Holt Insights von der Meta Graph API für Instagram und Facebook und schreibt sie strukturiert in Postgres.
02
Report – wöchentlich & monatlich
Berechnet Scores aus den gesammelten Daten und lässt eine KI daraus Top-/Flop-Analyse, Content-Empfehlungen und Reel-Ideen generieren.
03
DB-Setup – einmalig
Legt die Tabellenstruktur in Postgres an, danach bleibt der Workflow inaktiv.
Datenmodell
Drei Tabellentypen mit unterschiedlichem Zweck – plus eine bewusst getrennte Scoring-Logik für beide Plattformen:
📈
Zeitreihen-Tabelle
Ein Datensatz pro Tag und Plattform – zeigt die Entwicklung der Account-Insights über die Zeit.
🔄
Upsert-Tabelle
Posts und Post-Metriken, kein Zeitverlauf – gemeinsam für Instagram und Facebook, ein Datensatz pro Post.
💬
Append-only-Tabelle
Kommentare werden fortlaufend ergänzt, Dedupe läuft über eine eindeutige ID.
⚖️
Getrennte Scoring-Logik
Unterschiedliche Plattformmetriken erfordern getrennte Scores für Instagram und Facebook.
Tools & Technik
Vier Bausteine, die zusammen den kompletten Ablauf von Datensammlung bis KI-Bericht abdecken:
Ergebnis & Mehrwert
✦ Kurz gesagt
Automatisierte Erfolgsmessung statt Bauchgefühl
Der Bot läuft seit Mai 2026 täglich und wertet ~20-40 Posts/Monat aus. Ergebnis ist ein wöchentlicher/monatlicher Bericht mit Top-/Flop-Posts, konkreten Reel-Ideen und einer Einschätzung, wie Reichweite und Community-Engagement zueinander stehen – automatisiert statt manuell zusammengetragen.
Erkenntnisse
Eine Erkenntnis aus diesem Projekt: Zwei getrennte Ranglisten sind aussagekräftiger als eine erzwungene gemeinsame Kennzahl – auch wenn der Impuls, eine gemeinsame Metrik für beide Plattformen zu bauen, zunächst groß war.
Mir ist außerdem klar geworden, wie wichtig die Wahl der richtigen Speicherlogik pro Datentyp ist: Zeitreihe, Upsert und Append-only lösen jeweils ein anderes Problem. Eine einzige Tabellenform für alles hätte entweder Duplikate verursacht oder wichtige Verlaufsdaten verloren.
Verwandte Projekte
Mehr zu den KI-gestützten Kanälen dahinter gibt es im Artikel Social Media & KI.
Social Media Insights Bot
Ersetzt die manuelle Auswertung von Social-Media-Kennzahlen. Ein täglicher Collector sammelt Instagram- und Facebook-Insights, ein KI-Bericht liefert wöchentlich und monatlich Top-/Flop-Analysen, Content-Empfehlungen und Reel-Ideen.
Projekt auf einen Blick
Die Ausgangslage
Eine strukturierte Erfolgsmessung fehlte bisher, obwohl mehrere meiner Social-Media-Kanäle bereits KI-gestützt und automatisiert laufen (siehe „Social Media & KI"). Statt gelegentlich in die Meta Business Suite zu schauen, sollte ein Bot täglich Kennzahlen sammeln und daraus regelmäßig einen Bericht mit klaren Empfehlungen liefern.
Die Herausforderung
Instagram und Facebook liefern unterschiedliche Kennzahlen und definieren manche Metriken unterschiedlich. Nicht alle Werte stehen auf beiden Plattformen gleichermaßen zur Verfügung. Eine gemeinsame Scoring-Formel hätte dadurch zu Verzerrungen geführt oder hätte wichtige Informationen unberücksichtigt gelassen.
Zusätzlich brauchten die drei Datentypen – Verlaufsdaten, Post-Metriken, Kommentare – jeweils eine andere Speicherlogik. Eine einzige Tabellenform für alles hätte entweder Duplikate oder Datenverlust bedeutet.
Die Lösung
Drei getrennte Postgres-Tabellentypen decken die drei Datenarten ab. Ergänzend dazu gibt es zwei getrennte Scoring-Ranglisten: Instagram wird stärker reichweitenbasiert bewertet, Facebook engagementbasiert. Ein Collector-Workflow sammelt täglich die Kennzahlen, ein Report-Workflow generiert daraus wöchentlich und monatlich mithilfe von KI Berichte mit konkreten Empfehlungen.
Die Umsetzung
Architektur: Drei Workflows
Der Bot besteht aus drei getrennten n8n-Workflows, die unterschiedlich oft laufen:
Datenmodell
Drei Tabellentypen mit unterschiedlichem Zweck – plus eine bewusst getrennte Scoring-Logik für beide Plattformen:
Tools & Technik
Vier Bausteine, die zusammen den kompletten Ablauf von Datensammlung bis KI-Bericht abdecken:
Ergebnis & Mehrwert
Der Bot läuft seit Mai 2026 täglich und wertet ~20-40 Posts/Monat aus. Ergebnis ist ein wöchentlicher/monatlicher Bericht mit Top-/Flop-Posts, konkreten Reel-Ideen und einer Einschätzung, wie Reichweite und Community-Engagement zueinander stehen – automatisiert statt manuell zusammengetragen.
Erkenntnisse
Eine Erkenntnis aus diesem Projekt: Zwei getrennte Ranglisten sind aussagekräftiger als eine erzwungene gemeinsame Kennzahl – auch wenn der Impuls, eine gemeinsame Metrik für beide Plattformen zu bauen, zunächst groß war.
Mir ist außerdem klar geworden, wie wichtig die Wahl der richtigen Speicherlogik pro Datentyp ist: Zeitreihe, Upsert und Append-only lösen jeweils ein anderes Problem. Eine einzige Tabellenform für alles hätte entweder Duplikate verursacht oder wichtige Verlaufsdaten verloren.
Verwandte Projekte
Mehr zu den KI-gestützten Kanälen dahinter gibt es im Artikel Social Media & KI.