Engager auf den eigenen LinkedIn-Posts in Termine verwandeln
Wer unter Ihrem eigenen LinkedIn-Post kommentiert oder liket, ist bereits ein warmer Lead. Das konkrete Playbook, live an einem echten Proseller-Beispiel: Tabellen-Spalten, Sequenz-Aufbau, echte Zahlen.
Nicht der fremde Feed, der eigene Post
LinkedIn Keyword-Monitoring beobachtet den ganzen Feed nach Kaufsignalen zu bestimmten Begriffen — überall auf LinkedIn, unabhängig davon, wer gepostet hat. Dieses Playbook ist enger und dadurch wärmer: Es nimmt ausschließlich die Menschen, die auf Ihre eigenen Posts reagiert haben — liken, kommentieren — und macht aus ihnen eine Ansprache-Liste. Kein Ratespiel über Interesse: Die Person hat sich bereits öffentlich zu genau dem Thema geäußert, über das Sie gerade posten.
Am konkreten Beispiel unten sehen Sie eine echte, laufende Umsetzung bei Proseller AG — inklusive der Zahlen, die dabei tatsächlich herauskommen, nicht der erhofften.
Schritt 1: Die Engager-Tabelle aufsetzen
Der Ausgangspunkt ist eine Tabelle mit einer Quelle, die Post-Reaktionen einsammelt: Für jeden neuen Post des Absenders werden Liker und Kommentatoren automatisch als neue Zeilen angelegt. Bei Proseller läuft das für die Posts von “Alfred Rossi” (der LinkedIn-Absender-Persona des Unternehmens) — die Tabelle dahinter hat nach mehreren Wochen Laufzeit 4.185 Zeilen gesammelt.
Die Spaltenstruktur, die die Rohdaten in ansprechbare Leads verwandelt:
- Name, LinkedIn, Position, Firma, Headline — automatisch aus dem LinkedIn-Profil aufgelöst, sobald die Reaktion einläuft.
- Reaktion + Post — hält fest, was die Person getan hat und worauf: “LIKE auf Post von Alfred…”, “EMPATHY auf Post von…”, “PRAISE auf…”. Bei Proseller kommen alle vier LinkedIn-Reaktionstypen (Like, Praise, Empathy, Entertainment) tatsächlich vor — das ist der konservierte Kontext, der später den Opener trägt.
- Qualifizierung — eine KI-Spalte, die Position, Firma und Headline gegen das ICP prüft und in Klartext begründet, warum ja oder nein.
- Anrede — generiert automatisch die korrekte Anrede-Form (“Sehr geehrte Frau…”, “Sehr geehrter Herr…”) aus dem aufgelösten Namen.
- Qualifiziert? — das binäre Gate (Ja/Nein), das entscheidet, ob eine Zeile überhaupt in die Sequenz darf.
- Intent, Gesamt-Score — zusätzliche Gewichtung, wenn Sie über ein reines Ja/Nein hinaus priorisieren wollen.
- Enroll — die terminale Spalte: Erst ihr Ausführen schreibt die Zeile tatsächlich in eine Sequenz ein. Nichts passiert automatisch vorher.
Praktischer Hinweis aus der Praxis: Von 4.185 gesourcten Zeilen sind 131 als “Failed” markiert — die Anreicherung schlägt bei manchen Profilen fehl (privates Profil, gelöschter Account, nicht auflösbare Firma). Das ist normal, keine Fehlkonfiguration.
Schritt 2: Die Sequenz — Graph statt starrer Liste
Die eigentliche Ansprache läuft als Graph, nicht als lineare Schritt-Liste — das erlaubt Bedingungen (schon vernetzt? schon geantwortet?) statt jeder Person exakt dieselbe Kette aufzuzwingen.
Der Ablauf bei Proseller, Knoten für Knoten:
- Start → Bedingung: „Keine Nachricht im Verlauf”. Wer schon einmal angeschrieben wurde, wird nicht doppelt bearbeitet.
- Bedingung: „Auf LinkedIn vernetzt”. Schon vernetzte Kontakte bekommen direkt Schritt 3, alle anderen zuerst eine Einladung.
- LinkedIn-Einladung ohne Note — höhere Annahmequote als eine Einladung mit Text.
- Bedingung: „Verbindung angenommen” — mit einem 14-Tage-Fenster. Nicht angenommen innerhalb der Frist heißt: Ende, kein weiterer Touch.
- Dankes-Nachricht nach Annahme, referenziert die Vernetzung.
- CTA-Nachricht — hier läuft der A/B-Split (nächster Abschnitt).
Schritt 3: CTA gegeneinander testen, aber die Fallzahl ernst nehmen
Zwei CTA-Varianten liefen gegeneinander: ein Playbook-Angebot gegen eine “KI-Sales-Agenten”-Vorstellung.
| Variante | Leads | Antworten | Quote | Sicher zwischen |
|---|---|---|---|---|
| KI-Sales-Agenten | 14 | 11 | 78,6 % | 52,4–92,4 % |
| Playbook-Angebot | 13 | 7 | 53,8 % | 29,1–76,8 % |
Das Produkt selbst markiert das Ergebnis als “No proven difference yet” — zu Recht: Bei sich überlappenden Konfidenzintervallen ist die höhere Quote noch kein Beweis, sondern kann Zufall sein. Die eigene Einschätzung im Tool: um bei einer Ausgangsquote von rund 4 % eine Verdopplung statistisch zu belegen, braucht ein Zwei-Arm-Test etwa 500 Leads je Arm — hier liefen zum Zeitpunkt der Auswertung 27 insgesamt. Die Lehre daraus: Ein A/B-Test mit wenigen Dutzend Leads ist eine erste Richtungsanzeige, kein Urteil. Erst bei mehreren Hundert Leads pro Arm wird die Quote belastbar.
Was am Ende wirklich rauskommt
Die 30-Tage-Aggregation über die gesamte Sequenz, nicht nur den A/B-Test:
- 2.690 Leads sind insgesamt je durch die Sequenz gelaufen, 641 laufen aktuell mit der bisherigen Fassung weiter.
- In den letzten 30 Tagen: 63 Erstkontakte, 22 Antworten — eine Antwortquote von 34,9 %, davon 17,5 % positiv.
- Konversion je Knoten zeigt, wo die Quote tatsächlich entsteht: Die LinkedIn-Einladung selbst holt 31 % Antwortquote auf 58 Versendungen; die Dankes-Nachricht danach nur noch 16,7 % auf 18 Versendungen. Der stärkste Hebel liegt am Anfang der Kette, nicht am Ende.
- 73 Fehler und 548 gestoppte Leads sind Teil des Betriebs, nicht ein Ausreißer — LinkedIn-Automatisierung hat eine reale Fehlerquote (abgelehnte Einladungen, entzogene Profile, Rate-Limit-Bremsen).
Zur Einordnung: Das ist deutlich über der kalten LinkedIn-Baseline von 26,2 % (siehe Keyword-Monitoring-Playbook) — und ein anderes Bild als das Proseller-Signal-Playbook mit 13 %, das breiter über den gesamten Feed nach Keywords sucht statt eng auf die eigene Post-Reaktion zu zielen. Je enger das Signal am eigenen Content hängt, desto höher offenbar die Quote — aber auch hier gilt: eine einzelne Sequenz bei einem Kunden ist ein Beispiel, kein statistischer Beweis über alle Branchen.
Die eingebaute Sicherheitsbremse: manuelle Freigabe
Bevor irgendetwas versendet wird, liegt eine harte Gate-Bedingung dazwischen: “Manuelle Freigabe: neue Leads warten hier, bis Sie sie freigeben. Nichts sendet ungeprüft.” Im Screenshot oben warten 33 vorformulierte Nachrichten auf Sichtprüfung, mit Klartext-Vorschau jeder einzelnen Nachricht, bevor ein Klick sie freigibt.
Ein konkreter Fehler, den die Freigabe-Ansicht selbst anzeigt: “Unaufgelöste Platzhalter im Schritt-Text: {{cell.anrede}}.” Das heißt, die Anrede-Spalte war für diese Zeile leer oder der Lauf ist an der Stelle hängengeblieben — ohne die manuelle Prüfung wäre eine Nachricht mit einem sichtbaren {{cell.anrede}} statt einer echten Anrede rausgegangen. Das ist der Grund, warum die Bremse existiert.
Rate-Limits ehrlich einplanen
Die Warteschlange zeigt auch die reale Kapazitätsgrenze: 141 Leads warten, 11 pro Tag möglich, 9 Wochen Rückstand, das Wochenlimit ist der bindende Engpass, 46 diese Woche noch übrig. Das ist kein Software-Fehler, sondern LinkedIns eigene Grenze für Verbindungsanfragen pro Konto und Tag. Wer diese Methodik aufsetzt, sollte von Anfang an einplanen, dass die Warteschlange schneller wächst als sie sich abbaut, sobald ein Post viral geht — Priorisierung nach Qualifizierungs-Score wird dann zur echten Notwendigkeit, nicht zur Kür.
So bauen Sie das selbst — mit unserem Stack oder jedem anderen
Die Methodik ist werkzeugunabhängig, auch wenn das Beispiel oben mit GTM Goat läuft:
Mit GTM Goat: Tabelle mit einer Post-Engager-Quelle anlegen → Spalten für Anreicherung, Qualifizierung und Anrede als KI-Spalten hinzufügen → Sequenz im Graph-Modus mit Bedingungsknoten bauen → manuelle Freigabe aktiv lassen, bis Sie der automatischen Freigabe vertrauen.
Ohne GTM Goat, mit generischen Werkzeugen: LinkedIn zeigt Ihnen unter jedem eigenen Post, wer reagiert hat — das lässt sich manuell exportieren oder mit einem LinkedIn-Automatisierungstool (z. B. Expandi, Waalaxy, HeyReach) als Liste ziehen. Eine einfache Tabelle (Google Sheets reicht) mit den Spalten Name/Firma/Reaktion/Qualifiziert-Ja-Nein ersetzt die KI-Spalten durch eine manuelle Durchsicht — langsamer, aber mit identischer Logik: nur reagieren, wer öffentlich Interesse gezeigt hat, den Bezug im Opener nennen, nie automatisch ohne Sichtprüfung senden.
In beiden Fällen gilt dieselbe Grenze: LinkedIns Tageslimit für Verbindungsanfragen gilt unabhängig vom Werkzeug.
Nächster Schritt
Wenn Sie diese Schleife nicht selbst pflegen, sondern betrieben haben möchten: GTM Goat ansehen oder 4 Wochen kostenlos testen. Für die breitere, keyword-basierte Variante über den ganzen Feed siehe LinkedIn Keyword-Monitoring.
Datenherkunft: Proseller-Workspace, live erhoben per Playwright-Walkthrough der Produktoberfläche (app.cegtec.net/app/proseller, 2026-08-29) — Sequenz “[Alfreds Posts] Engager · CTA-A/B”, Tabelle “Post von Alfred — Engager”. Freigabe zur Nennung von Luca bestätigt. Alle Personendaten (Namen, Firmen, Nachrichtentexte mit Namensbezug) in den Screenshots sind unkenntlich gemacht.