Redaktionsplan-Optimierung per KI

Das echte Ausmaß des Problems

Wie oft Redaktionen mit ihrer Themenwahl danebenliegen, hat unseres Wissens niemand für deutsche Verlage belastbar erhoben. Matthias’ Mittwoch zeigt aber das Muster, das jede Redaktion aus ihren eigenen Analytics kennt: Das Thema, dem man am wenigsten zutraut, läuft am besten, und umgekehrt. Ob das bei euch Zufall ist oder ein wiederkehrendes Muster, lässt sich in den eigenen Daten nachsehen.

Hinzu kommt ein Timing-Problem: Google Trends, Social Media und Suchanfragen signalisieren ein Thema oft Tage, bevor es seinen Weg in den Redaktionsplan findet. Bis dahin haben größere Portale den Such-Traffic bereits abgegriffen.

Was fehlt, ist nicht Journalismus-Kompetenz, sondern systematische Datengrundlage:

• Historische Performance: Welche Themen-Kategorien performen wirklich in eurer Leserschaft? (Nicht gefühlt, gemessen)
• Trend-Früherkennung: Welche Suchbegriffe wachsen schnell? Welche sozialen Signale sind neu?
• Saisonalität: Q4 mögen Geschenkratgeber, Januar liebt Self-Improvement, diese Muster sind messbar
• Konkurrenz-Gaps: Welche Themen decken internationale Competitor ab, aber deutsche Publisher nicht?
• Lese- und Monetarisierungsmuster: Nicht alle Themen generieren gleichviel Werbeeinnahmen pro Abruf, manche Kategorien sind wertvoller

Ohne Daten ist Redaktionsplanung ein gut gemeintes Ratespiel, das funktioniert, bis es nicht mehr funktioniert.

Mit vs. ohne KI, ein ehrlicher Vergleich

Für die Abrufsteigerung nennen wir bewusst keine Zahl. Eine unabhängige Erhebung, wie stark datengestützte Themenwahl die Abrufe deutscher Verlage erhöht, kennen wir nicht. Die Rechnung weiter unten zeigt, welche Steigerung nötig wäre, damit sich das System trägt.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Das System erspart Zeit in Meetings, die Daten-Analyse läuft vorab, nicht während des Treffens. Aber die eigentliche Redaktionsarbeit (Schreiben, Recherche, Interview) wird nicht schneller. Der Gewinn liegt bei 15–60 Minuten Meetingzeit pro Woche, mal der Zahl der Teilnehmenden, nicht in der Produktion. Wenn dein Bottleneck die Schreibkapazität ist (und nicht die Themenauswahl), spart das System weniger Zeit als z.B. ein Schreib-KI-Assistent.

Kosteneinsparung, niedrig (2/5) Der Nutzen ist indirekt: bessere Themen-Auswahl führt zu höheren Abrufen, höhere Abrufe führen zu höheren Werbeeinnahmen. Aber dieser Weg ist länger und weniger sicher als direkte Kostenersparnisse. Ein Fachverlag mit 10.000 täglichen Abrufen, der seinen Traffic um angenommene 25 % steigert, generiert 2.500 zusätzliche Abrufe täglich, bei angenommenen 3–7 € je 1.000 Abrufe also 2,5 mal 3–7 € = 7,50–17,50 € Werbeumsatz pro Tag. Das ist Umsatz, kein Gewinn, der Vermarkter behält einen Anteil, und es ist nicht dasselbe wie “wir sparen Kosten”.

Schnelle Umsetzung, mittel (3/5) Das System braucht 8–10 Wochen, bis es live ist. Warum? Deine historischen Daten müssen aufbereitet werden (Google Analytics, CMS-Daten, Search Console-Integrationen, Event-Kalender-Setup). Das ist handwerklich machbar, aber nicht trivial. Ein SEO-Tool oder Newsletter-Manager können in Tagen live sein, dieses System braucht einen methodischen, systematischen Aufbau mit Validierung jeder Datenquelle. Größere Verlage mit fragmentierter IT-Infrastruktur sehen hier 12–14 Wochen.

ROI-Sicherheit, niedrig (2/5) Abrufzahlen sind direkt messbar. Aber: ob die Steigerung vom System kommt oder von besserer Schreibqualität, mehr Promotion, einem Google-Update oder einfach der Saison, ist schwer zu isolieren. Belastbare Daten zur Wirkung gibt es nicht, und die nötige Steigerung (siehe Rechnung) ist so groß, dass ein ausbleibender Effekt den Fall kippt.

Skalierbarkeit, hoch (4/5) Das System skaliert sehr gut. Ein Dashboard, das alle Ressorts Daten liefert, funktioniert für 3 Ressorts genauso wie für 10. Zusätzliche Datenquellen (Paywall-Analytics, Affiliate-Daten, Advertiser-Performance) kosten wenig extra. Ein großer Multi-Ressort-Verlag sieht hier seinen Hauptvorteil: systematische Planung über alle Abteilungen hinweg.

Richtwerte, stark abhängig von Newsroom-Größe, Editorial-Struktur und Analytics-Reife des Verlags.

Was das System konkret macht

Moderne Redaktionsplanungs-Systeme kombinieren vier Datenströme in Echtzeit, um Redaktionen von reaktivem Bauchgefühl zu datenbasierter Planung zu verschieben:

1. Historische CMS-Performance (eigene Daten) Das System analysiert alle eigenen Artikel der letzten 12 Monate nach: durchschnittliche Abrufzahlen pro Kategorie/Autor/Thema, Absprungrate, Lese-Tiefe, Verweildauer. Zusätzlich wird untersucht, welche Themen-Kombinationen gut funktionieren (z.B. “Interview + Technologie” schlägt “News + Technologie”). Resultat: Ein Kategorie-Score, der zeigt: “Tech-Ratgeber performen bei eurer Leserschaft 40 % besser als Lifestyle-Features, und Interviews in dieser Kategorie sind 1,8x erfolgreicher.” Diese Erkenntnis ist für jeden Verlag individuell, zwei Fachverlage können völlig unterschiedliche Performance-Profile haben.

2. Google Trends + Suchtrends (extern, aggregiert) Das System beobachtet kontinuierlich, welche Suchbegriffe exponentiell wachsen, im 7-Tage-, 30-Tage- und Jahres-Vergleich. Wenn ein Thema plötzlich 5x häufiger gesucht wird als letzte Woche, wird das sofort markiert und der Redaktion gemeldet. Das ist wertvoll: Oft bleiben ein paar Tage, bevor größere Portale den Such-Traffic dominieren. Zusätzlich Social-Listening (optional, über Tools wie Brandwatch oder direkte X-API): Welche Hashtags/Begriffe trenden auf X, LinkedIn, Instagram? Welche User-Sentiments entstehen gerade? Das zeigt nicht nur, was relevant ist, sondern auch, wie emotional die Leserschaft darauf reagiert.

3. Event-Kalender und saisonale Muster (strukturiert) Feste Termine, Gesetzesänderungen, Konferenzen, Produktankündigungen, Wahlen, werden vorab eingepflegt. So können Artikel geplant werden, statt reaktiv veröffentlicht. Zusätzlich lernt das System saisonale Muster: “Im Januar steigt das Suchinteresse an Vorsatz-Themen, im Juli an Reise-Inhalten.” Das ermöglicht proaktive Planung Monate im Voraus, nicht Wochen.

4. Konkurrenz-Indexierung (optional, bezahlt) Tools wie Semrush oder Ahrefs zeigen kontinuierlich, welche Themen Konkurrenten in Google ranken, wie oft die Artikel geteilt werden und wie schnell neue Konkurrenz-Artikel ranken. Das System kann markieren: “Dieses Thema ist in Top-5-Rankings präsent, aber ihr habt keinen Artikel dazu, das ist ein Markt-Gap.” Umgekehrt warnt es: “Ihr rankt auf Position 1 für Thema X, aber die Konkurrenz schreibt aggressiv, ein Update ist bald nötig.”

Die Magie: Automatische Priorisierung Das System kombiniert diese Signale in einen Score pro Themen-Idee. Die Gewichte sind konfigurierbar je nach Verlag-Strategie:

Themen-Score = (historische Kategorie-Performance × 0,4) 
             + (Trend-Wachstum-Rate × 0,3) 
             + (Saisonalitäts-Faktor × 0,2)
             + (Werbe-CPM-Potenzial × 0,1)

Ein Verlag mit Fokus auf virale Inhalte würde die Trend-Gewichtung erhöhen. Ein Fachverlag mit Paywall-Modell würde stärker auf Engagement-Metriken gewichten. Das System ist nicht starr.

Resultat: Eine priorisierte Liste am Montagmorgen, bevor das Planungsmeeting startet. Die Top-10-Ideen haben eine datenbasierte Begründung, nicht nur Meinung. Jede Empfehlung kommt mit Kontext und Bandbreite: “Dieses Thema dürfte 2.500–4.500 Abrufe bringen, weil es zu eurer stärksten Kategorie passt und der Suchtrend steigt.” Eine Bandbreite ist ehrlicher als eine Punktzahl, denn wie Matthias’ Lokal-Artikel zeigt, liegen einzelne Artikel oft weit neben dem Kategorieschnitt.

Konkrete Werkzeuge, was wann passt

Google Analytics 4 + Google Trends (kostenlos) Der Minimalaufbau: Google Analytics zeigt historische Performance auf der Granularität von Artikel, Kategorie, Autor, Google Trends API zeigt Suchvolumen-Trends in Echtzeit. Google Trends zeigt dabei relatives Suchinteresse, kein absolutes Suchvolumen, und die offizielle API gibt es seit 2025 nur als Alpha über eine Warteliste. Ohne Zugang exportierst du CSV-Dateien aus der Weboberfläche. Mit etwas Python/Google-Sheets-Automation lässt sich ein einfaches Dashboard bauen, das täglich aktualisiert. Kosten: 0 € Lizenz, Aufwand: 20–40 Stunden einmalig für Setup und Validierung. Beste Option für kleinere Verlage (50 bis 100 Artikel im Monat), die mit bestehenden Tools starten und Budget sparen möchten. Nachteil: Manuelle Aktualisierung der Event-Kalender nötig.

Make.com oder n8n Make.com kostet im Core-Plan 9 USD im Monat bei Jahreszahlung. n8n gibt es in der Cloud ab 20 € im Monat oder kostenlos selbst gehostet. Workflow-Automatisierung: Verbindet Google Analytics, Google Trends API, CMS-Daten (WordPress REST API, custom APIs) und Slack/Email. Täglich ein automatisierter Report ins Planungs-Channel. Konfigurierbare Alerts: “Wenn ein Trend in 7 Tagen um mehr als 200 % wächst, Nachricht an @redaktion.” Keine Code-Kenntnisse nötig, wenn der Workflow vorab von einer Agentur oder Freelancer konfiguriert wird. Mittleres Setup (40–80 Stunden). n8n ist besser, wenn Datensicherheit kritisch ist (selbst gehostet möglich).

ChatGPT oder Claude mit Custom Instructions (kostenlos oder Einzelabo) ChatGPT Plus kostet 23 € im Monat. Claude Pro kostet 20 € im Monat. Post-Verarbeitung und Kontextualisierung: Der Workflow liefert Rohdaten (CSV, JSON aus Google Sheets), ein LLM-Prompt mit System-Instructions interpretiert sie, ordnet sie gegen die letzten Wochen ein und schreibt eine verständliche, umsetzbare Empfehlung. Beispiel: “Basierend auf Google Trends (+450 % in 7 Tagen), euren historischen Daten (KI-Themen performen 3.2x besser), und aktuellem News-Zyklus, hier sind die Top-5-Themen für nächste Woche mit geschätztem Traffic-Potenzial und Publikations-Timing.” Spart 15–20 Minuten Interpretation und Storytelling pro Woche, macht das System für Redakteure greifbar.

Semrush (Pro 139 USD/Monat) oder Ahrefs (Lite 119 €/Monat) Konkurrenz-Content-Intelligence: Zeigt, welche Themen Konkurrenten ranken, mit Traffic-Estimates und Backlink-Daten. APIs erlauben die Integration in Make oder n8n. Optional, aber wertvoll, wenn dein Markt hart umkämpft ist, z.B. Fintech, Immobilien, E-Commerce-Nischen.

NewsWhip oder Chartbeat (für größere Häuser) Chartbeat nennt keine Listenpreise, kleinere Publisher starten ab rund 500 USD im Monat, mittlere Häuser zahlen 1.000–3.000 USD im Monat. NewsWhip nennt Preise nur auf Anfrage. Dedicated Content-Intelligence-Suites mit vorgebauten Pipelines für Verlage. Real-time-Alerts zu neuen Trends, Nachverfolgung der Social-Performance, Konkurrenz-Monitoring. Dashboard zeigt “Was wird gerade viral?” und “Wer dominiert diese Kategorie?” Höchster Komfort und Funktionsbreite, aber für Kleine/Mittlere wirtschaftlich schwer zu rechtfertigen. Beste Option für Großverlage mit 3+ Redaktionen und 500+ Artikel/Monat.

Zusammenfassung nach Größe:

• Kleiner Verlag (unter 50 Artikel/Monat): eigene Analytics und Google Trends von Hand anschauen, ein System lohnt noch nicht (siehe Ausschlusskriterien)
• Klein- bis Mittelverlage (50–300 Artikel/Monat): Google Trends + Analytics 4 + Make.com Workflow + Claude API für die Interpretation, halbautomatisiert. Make Pro kostet 16 USD im Monat, die API wenige Euro, zusammen rund 20–50 € im Monat.
• Große Verlage (300+ Artikel/Monat, mehrere Ressorts): NewsWhip oder Chartbeat als Kernplattform, optional ergänzt durch Semrush oder Ahrefs. Chartbeat liegt für mittlere Häuser bei 1.000–3.000 USD im Monat.
• DIY-Techniker: n8n self-hosted + Python-Scripts + Claude API = minimal Kosten, maximale Kontrolle, aber 80–120 Stunden Setup

Datenschutz und Datenhaltung

Das System nutzt zu 80 % eigene, aggregierte Daten (Google Analytics 4 auf eurer Domain, CMS-Metriken). Diese fallen unter euren Standard-DPA-Prozess mit Google und sind kein zusätzliches DSGVO-Risiko.

Externe Quellen (Google Trends, Social-Listening, Konkurrenz-Monitoring) sind öffentliche Daten, keine Personendaten. Trending-Topics sind anonyme Aggregate von Suchanfragen, nicht einzelne User-Daten.

Die Ausnahme: Wenn ihr Paywall-Daten oder User-Segmentierung (z.B. “Wie performen Inhalte bei Premium-Abos?”) einspielt, fließen potentiell pseudonymisierte User-Merkmale ins System. Hier sollte ein Datenschutzbeauftragter kurz abstimmen.

AVV: Google, Chartbeat und n8n stellen Auftragsverarbeitungsverträge bereit, Make.com für kleinere Pläne auf Anfrage über den Support, bei NewsWhip vor Vertragsunterzeichnung ausdrücklich anfordern. Google und Chartbeat verarbeiten in den USA, Make.com standardmäßig ebenfalls (die EU-Region muss beim Einrichten gewählt werden), n8n lässt sich selbst hosten.

Was es kostet, realistisch gerechnet

Einmalige Kosten

• Setup: Daten-Strukturierung, API-Konfiguration, Workflow-Aufbau (40–80 Stunden intern oder Freelancer). Bei Freelancer-Rate (80 €/Std.): 3.200–6.400 €
• Schulung des Teams (4–8 Stunden): 0–500 € (intern kostenlos, extern optional)
• Tool-Lizenzen für den Pilot: Google-Tools kostenlos, bei Bedarf Make.com Core für 9 USD im Monat

Laufende Kosten pro Monat

• Google Analytics 4: kostenlos (GA4 360 für Großverlage nur auf Anfrage, in der Praxis grob ab 50.000 USD im Jahr)
• Google Trends: kostenlos, die offizielle API gibt es als Alpha nur über eine Warteliste
• Make.com: Core 9 USD oder Pro 16 USD im Monat bei Jahreszahlung, jeweils für 10.000 Credits, für tägliche Reports reicht das meist
• Optional: Chartbeat für mittlere Häuser 1.000–3.000 USD im Monat, NewsWhip nur auf Anfrage
• Optional: Semrush Pro für Konkurrenz-Daten, 139 USD im Monat
• Wartung/Optimierung: 2–4 Std./Monat intern oder 200–400 € extern bei Freelancer-Support

ROI-Rechnung (Schwellenrechnung) Ein Fachverlag mit 16.000 Abrufen am Tag (zum Beispiel 8.000 Leser mit je 2 Abrufen) und angenommenen 4,50 € Werbeumsatz je 1.000 Abrufe:

Ausgangslage:

• 16.000 Abrufe mal 4,50 € je 1.000 = 72 € Werbeumsatz am Tag, rund 2.160 € im Monat
• Jedes Prozent mehr Abrufe bringt 0,72 € am Tag, rund 22 € im Monat

Kosten:

• Einrichtung: 3.200–6.400 € (40–80 Freelancer-Stunden mal 80 €), auf zwei Jahre verteilt 133–267 € im Monat
• Laufend: rund 10–15 € Make.com plus Wartung, 2–4 Stunden intern (bei 50 € je Stunde 100–200 €, Zeit statt Rechnung) oder 200–400 € extern, zusammen 110–415 € im Monat

Was das System leisten muss:

• Nur für die laufenden Kosten: 110–415 € geteilt durch 22 € sind 5–19 % mehr Abrufe auf der ganzen Seite
• Mit der Einrichtung, verteilt auf zwei Jahre: weitere 6–12 %, zusammen 11–31 %
• Und das aus besserer Themenwahl, die nur neue Artikel betrifft, nicht Archiv und Startseite. Die ersten zwei bis drei Monate nach dem Start bringen noch nichts.

Einordnung: Ob eine datengestützte Themenwahl 11–31 % mehr Abrufe bringt, ist nicht belegt. Dazu kommt: Werbeumsatz ist Umsatz, kein Gewinn, der Vermarkter behält seinen Anteil. Für einen Verlag dieser Größe ist die Werberechnung deshalb bestenfalls knapp. Sie wird besser, je mehr Abrufe ein Haus hat, weil die Einrichtung gleich bleibt. Bei einem Abo-Modell zählt nicht der Abruf, sondern ob die Themen Abschlüsse bringen, dann gehört die Abo-Conversion in die Rechnung.

Die Wirkung misst du so: Vor dem Start drei Monate Abrufe je neuem Artikel festhalten, nach dem Start drei Monate, und mit dem Vorjahreszeitraum vergleichen, damit die Saison nicht als Erfolg zählt.

Drei typische Einstiegsfehler

1. Zu viele Datenquellen gleichzeitig einbinden. Der Impuls: “Wir möchten Google Trends, Paywall-Daten, Social-Signals, Konkurrenz-Daten und CMS-History kombinieren.” Das ist technisch möglich, aber die Komplexität explodiert. Der Redakteur schaut sich den Report an und versteht nicht, wo die Zahl herkommt. Besser: Mit 2–3 Quellen starten (Google Trends + eigene Analytics + Event-Kalender), dann iterativ erweitern.

2. Das System entgegen Empfehlungen einsetzen. “Der Score sagt, das Thema läuft nicht gut, aber wir schreiben es trotzdem.” Das ist okay manchmal, der Redakteur hat Kontextinformationen (z.B. ein Breaking News). Aber wenn der Redakteur immer gegen das System entscheidet, ist das System nutzlos. Besser: Das System als Debattierpartner nutzen, nicht als Veto-Punkt.

3. Keine Feedback-Schleife einbauen. Das System macht eine Vorhersage (z.B. “Das Thema wird 3.000 Abrufe bringen”). Danach wird die Realität (1.500 oder 5.000) nicht ins System zurückgespielt. So wird das System nie besser. Besser: Monatlich die Predictions mit Realität vergleichen (“Wir lagen 20 % daneben”) und die Gewichte nachjustieren.

Was mit der Einführung wirklich passiert, und was nicht

Die erste Phase ist vielversprechend. Das System empfiehlt das Tech-Thema, der Artikel wird veröffentlicht, und, siehe da, 4.200 Abrufe statt erwartet 3.200. Das Team zieht mit.

Dann kommt die Realität. Nicht alle Vorhersagen stimmen. Ein Thema mit hohem Score bleibt unter den Erwartungen, weil der Titel schwach ist oder der Zeitpunkt ungünstig. Ein Thema mit niedrigem Score verbreitet sich viral über Social Media. Das System wird verdächtigt: “Ist das wirklich akkurat?”

Das ist normal. Das System ist nicht magisch, es ist ein Wahrscheinlichkeitswerkzeug. Wie oft es richtig liegt, weißt du erst, wenn du jede Prognose mit dem echten Ergebnis vergleichst.

Was oft passiert:

• Monat 1–2: Enthusiasmus, alles wird nach Empfehlung geschrieben
• Monat 3–4: Erste Mismatches, Vertrauen sinkt
• Monat 5+: Wenn das Team die Feedback-Schleife aktiv nutzt (Vorhersagen vs. Realität vergleicht) und die Gewichte nachjustiert, werden die Prognosen besser, und das System wird wieder genutzt.

Strukturelle Hilfen, die funktionieren:

• Dem System nicht alles anvertrauen: Es sollte die Diskussion informieren, nicht ersetzen. Gute Redakteure haben Kontext-Wissen, das Daten nicht haben. Ein System kann nicht wissen, dass dein Top-Autor gerade krank ist oder dass ein geplantes Interview abgesagt wurde.
• Monatliche Genauigkeitsprüfung: “Wie waren wir diesen Monat in den Vorhersagen?”, macht die Verbesserungen sichtbar. Eine einfache Gegenüberstellung: Vorhergesagter Score vs. tatsächliche Performance, damit sieht jeder Redakteur, dass das System wirklich lernt.
• Konflikt-Protokoll: Wenn ein Redakteur gegen die Empfehlung entscheidet, kurz dokumentieren (warum), später in der Feedback-Schleife lernen. “Artikel wurde trotz niedrigem Score geschrieben weil: Breaking News.” So sieht das System, wann Domain-Knowledge Daten übertrumpft.
• Transparent mit Unsicherheit umgehen: “Das Modell rechnet mit 1.500–4.500 Abrufen” ist ehrlicher und hilfreicher als eine exakte Zahl. Das baut Vertrauen, statt es zu zerstören.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Der Redakteur sollte entscheiden, nicht ein Algorithmus.” Das System ersetzt nicht die redaktionelle Entscheidung, es informiert sie. Ein guter Redakteur kennt seinen Markt besser als jedes Modell. Das System sagt “dieses Thema ist wahrscheinlich interessant”, der Redakteur weiß, ob es auch wertvoll ist. Das ist keine Entscheidungs-Abgabe, das ist bessere Informationsbasis.

„Wir optimieren damit für Klickzahlen, nicht für Qualität.” Das ist real. Ein System, das nur auf Abrufe optimiert, kann zu Click-Bait-Tendenzen führen. Die Lösung: Das Modell um Qualitäts-Indikatoren erweitern. Nicht nur “Abrufe”, sondern “Abrufe von Lesern, die danach auf 3+ weitere Artikel gehen” (Engagement statt bloßer Traffic). Oder: “Artikel, bei denen die Verweilzeit > 2 Minuten ist.” Dann optimiert sich das System auch auf Leser-Zufriedenheit.

„Das braucht zu lange bis Betrieb.” 8–10 Wochen sind länger als bei einem SEO-Tool, aber kürzer als bei einem voll individuellen Newsroom-System. Wenn der Aufwand die Hürde ist: Mit Google Trends + Google Sheets-Automation starten (3–4 Wochen) und später ausbauen.

Woran du merkst, dass das zu dir passt

• Dein Verlag veröffentlicht mindestens 50 Artikel im Monat, darunter ist die Datengrundlage für Muster zu dünn
• Ihr nutzt Google Analytics 4 aktiv und habt CMS-Integration (WordPress, custom CMS, etc.), ohne historische Daten zu starten ist fast unmöglich. Bestehendes GA4-Setup ist Fundament.
• Mindestens eine Person (nicht Team) hat Hauptverantwortung für Content-Strategie/Redaktionsplanung, die diese Person trägt Ownership für die wöchentliche Planung, was das System ernst nimmt
• Ihr werdet zu mind. 30 % über Werbung monetisiert, das ROI-Modell funktioniert dann am besten. Reine Paywall-Verlage sollten ein anderes Optimierungs-Kriterium nutzen.
• Die Redaktion ist offen für datenbasierte Inputs, wenn das Team grundsätzlich gegen “Algorithmen in redaktionellen Entscheidungen” ist, wird das nichts. Test: Frag in einem Meeting “Was sagt Google Trends dazu?” Wenn die Reaktion Neugier ist, seid ihr bereit. Wenn der Groll spürbar ist, investiere erst in Veränderungsarbeit.
• Du siehst regelmäßig, dass gute Themen schlecht laufen oder schwache Themen überraschend viral gehen, das deutet auf eine fehlende Feedback-Schleife hin, die dieses System schließen kann.

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Weniger als 50 Artikel im Monat. Die Datengrundlage ist zu klein, um statistisch signifikante Muster zu erkennen. Die Varianz in einzelnen Artikel-Erfolgen überlagert System-Effekte. Besser: Bei neuen Artikeln intuitiv bessere Timing-Entscheidungen treffen (basierend auf Google Trends-Eyeball), bevor ein komplexes automatisiertes System investiert wird.

2. Keine zuverlässigen Analytics oder fragmentiertes Tech-Setup. Wenn euer CMS nicht mit Google Analytics verbunden ist, oder ihr nutzt ein proprietary CMS ohne API-Zugriff, ist das Fundament zu schwach. Erst Analytics aufräumen und zentralisieren (2–3 Monate Arbeit), dann ein Planungssystem bauen. Ein System braucht saubere, konsistente Daten, Garbage in, Garbage Out gilt hier überproportional.

3. Reine Paywall-Monetarisierung, kein Display-Werbe-Anteil. Der ROI-Fall in dieser Anleitung basiert auf Werbe-CPM-Steigerung durch mehr Traffic. Wenn 80–100 % eurer Einnahmen aus Abo-Abschlüssen kommen, ist die Logik anders: Ein System sollte dann auf “Engagement und Retention” optimieren, nicht auf “Traffic-Volumen”. Das braucht ein ganz anderes Modell.

Das kannst du heute noch tun

Öffne Google Analytics 4 eurer Website (oder richte es jetzt ein, falls noch nicht vorhanden). Gehe zu “Berichte” → “Engagement” → “Seiten und Bildschirme”. Sortiere nach “Engagements” oder “Users” für die letzten 30 Tage. Schau dir an: Welche Content-Kategorien/Artikel sind Top-10?

Parallel: Öffne Google Trends und gib die Stichworte deiner zehn stärksten Artikel ein. Vergleiche: Wo lag das Suchinteresse vor 1, 3 und 12 Monaten? Fiel euer Erfolgsartikel mit einem Trend-Ausschlag zusammen?

Diese Mini-Analyse dauert 20 Minuten und zeigt dir, ob eine datengetriebene Planung für euch sinnvoll wäre.

Hier ist ein Prompt für die erste Themenpriorisierung ohne System:

Quellen & Methodik

• Abrufsteigerung durch datengestützte Planung: Eine unabhängige Erhebung für deutsche Verlage kennen wir nicht. Deshalb rechnet diese Seite mit einer Schwelle statt mit einer Wirkung.
• Werbeumsatz je 1.000 Abrufe: 4,50 € (und 3–7 € in der Einschätzung) sind Annahmen zum Nachrechnen, setze deine eigenen Werte ein.
• Preise Chartbeat, NewsWhip, Google Analytics 360, Semrush, Make.com, n8n: laut unseren Toolseiten (Stand Juni bis September 2026).
• Google Trends API: offizielle Alpha seit 2025, Zugang über Warteliste, laut unserer Toolseite.