AEO-Dashboards für C-Level: 5 KPIs die du wöchentlich reporten musst

Ein wöchentliches AEO-Dashboard für CEOs und CMOs muss in unter sieben Minuten gelesen sein und fünf belastbare Kennzahlen liefern: Citation-Share-of-Voice, LLM-Visibility-Index, Pipeline aus AI-Quellen, Schema-Coverage und Wettbewerbs-Delta. Mehr KPIs sind kontraproduktiv — sie verwässern die Aufmerksamkeit und produzieren Analyseparalyse. Genau diese fünf Werte bilden den Kern jedes performanten C-Level-Reportings.

KPI 1: Citation Share of Voice

Der wichtigste KPI für C-Level ist der Share of Voice in AI-Antworten. Gemessen wird, wie oft die eigene Marke im Vergleich zum gesamten Wettbewerb in den getesteten Prompts erwähnt wird. Bei 200 monitorierten Prompts pro Segment ergibt sich ein klarer Prozentwert — etwa 18 Prozent SoV für die eigene Marke, 35 Prozent für den Marktführer und 12 Prozent für den Hauptverfolger.

Diese Zahl ist deshalb so kraftvoll, weil sie sofort kontextualisiert. Ein C-Level-Verantwortlicher versteht ohne Erklärung, ob das Unternehmen Marktanteile gewinnt oder verliert. AEORadar, Otterly und Profound liefern diese Metrik nativ — wichtig ist die wöchentliche Aktualisierung und das Splitting nach LLM, weil ChatGPT, Perplexity und Gemini stark unterschiedliche SoV-Werte zeigen können.

Ein weiterer Pluspunkt: SoV korreliert über die Zeit hinweg sauber mit Pipeline-Effekten. Wer den SoV über drei Quartale um 5 Prozentpunkte hebt, sieht meist eine Verdoppelung der AI-gestützten Pipeline. Diese Korrelation lässt sich nach 6 bis 9 Monaten Datensammlung belegen und macht den KPI zum Lieblingswert vieler CMOs.

KPI 2: LLM-Visibility-Index pro Engine

Der zweite KPI bricht die Sichtbarkeit nach ChatGPT, Perplexity, Gemini und Claude auf. Das ist entscheidend, weil die Engines unterschiedlich nutzbar sind: Perplexity zitiert mit Links, ChatGPT nicht. Claude wird in Enterprise-Workflows bevorzugt, Gemini in Google Workspace-Kontexten. Ein Index pro Engine zeigt, welche Engine im Aufstieg ist und welche stagniert.

Konkret wird pro Engine ein Score von 0 bis 100 gebildet, der Citations, Position der Nennung in der Antwort und kontextuelle Tiefe gewichtet. Eine reine Markennennung am Ende einer Antwort ist weniger wert als eine ausführliche Empfehlung mit Begründung im ersten Drittel der Antwort. Diese Gewichtung muss im Dashboard transparent sein.

Wichtig ist die Konsistenz der Methodik. Sobald die Berechnung einmal etabliert ist, darf sie nicht ohne Vorankündigung geändert werden — sonst entstehen Brüche in der Zeitreihe. Methodik-Updates gehören dokumentiert und im Dashboard markiert, damit Vergleiche über mehrere Quartale belastbar bleiben.

// Visibility-Index-Berechnung (vereinfacht)
function calcVisibility(mentions) {
  return mentions.reduce((sum, m) => {
    const positionWeight = 1 - (m.position / m.totalPositions);
    const depthWeight = m.contextDepth / 5;
    return sum + (positionWeight * 0.6 + depthWeight * 0.4);
  }, 0) / mentions.length * 100;
}
const chatgpt = calcVisibility(mentions.chatgpt);
const perplexity = calcVisibility(mentions.perplexity);
console.log("ChatGPT Index:", chatgpt.toFixed(1));
console.log("Perplexity Index:", perplexity.toFixed(1));

KPI 3: Pipeline aus AI-Quellen

Der dritte KPI ist die direkt zurechenbare Pipeline aus AI-Citations. Im CRM wird ein Pflichtfeld "Discovery Source" geführt — von Sales bei Erstkontakt ausgefüllt. Optionen: ChatGPT, Perplexity, Gemini, Claude, Direct, Search, Referral. Diese Daten werden wöchentlich aggregiert und zeigen, wie viele SQLs und wie viel Pipeline-Wert aus AI kommen.

Wichtig: Die Pipeline wird mit Marketing-Sourced-Standard-Methodik bewertet — also über die Win-Rate gewichtet, nicht als reine SQL-Zahl. Wer 100 SQLs aus ChatGPT hat, aber nur 5 Prozent Win-Rate, generiert weniger relevante Pipeline als 30 SQLs aus Perplexity mit 25 Prozent Win-Rate. Das Dashboard muss beide Dimensionen zeigen. Ergänzend lohnt sich ein Closed-Won-View, der nur tatsächlich gewonnene Deals nach AI-Discovery-Source aggregiert — diese Zahl überzeugt CFOs deutlich stärker als reine SQL-Counts.

KPI 4: Schema-Coverage pro relevanter URL-Klasse

Der vierte KPI ist technisch, aber zentral. Gemessen wird, welcher Anteil der relevanten URLs — Produktseiten, Vergleichsartikel, FAQs, Landingpages — vollständiges, fehlerfreies Schema-Markup besitzt. Ziel ist 95 Prozent Coverage. Unter 80 Prozent ist das ein klares Indiz für strukturelle Probleme im Content-Production-Workflow.

Die Coverage wird mit Tools wie Merkle Schema Generator, Schema App oder einem Custom-Crawler erhoben. Wichtig ist die Trennung zwischen "Schema vorhanden" und "Schema valide". Ein invalides Schema wird von Crawlern komplett ignoriert — Coverage ohne Validitäts-Check ist Augenwischerei. Im Dashboard wird daher beides parallel angezeigt: prozentuale Coverage und prozentual valides Markup. Erst beide Werte zusammen ergeben ein vollständiges Bild der technischen Reife.

1. Citation SoV: Eigene vs. Wettbewerb in Prompts (Ziel: Top-3 im Segment)
2. LLM-Visibility-Index: Score pro ChatGPT, Perplexity, Gemini, Claude
3. AI-Pipeline: SQLs und ARR-Pipeline mit AI-Discovery-Source
4. Schema-Coverage: Anteil validiert markierter URLs (Ziel: 95%)
5. Wettbewerbs-Delta: SoV-Differenz zu Top-3-Konkurrenten

KPI 5: Wettbewerbs-Delta

Der fünfte und letzte KPI ist das wöchentliche Delta zum stärksten Wettbewerber. Wer den SoV des Marktführers um 2 Prozentpunkte schrumpfen lassen kann, gewinnt strukturell Marktanteile in AI-Antworten. Dieser KPI ist deshalb so wirkungsvoll im Board-Meeting, weil er Wettbewerbsdynamik in einer einzigen Zahl konzentriert — Reduktion des Abstands oder Vergrößerung des Vorsprungs.

Die Profound- und Otterly-Tools liefern diese Vergleichsdaten nativ. Im Dashboard wird das Delta nicht nur als aktueller Wert gezeigt, sondern auch als 4-Wochen-Trend. Eine konstante Reduktion des Delta um 0,3 Prozentpunkte pro Woche entspricht über ein Jahr einer Veränderung von 15 Prozentpunkten — eine substanzielle Marktverschiebung. Zusätzlich empfiehlt sich ein Quartals-Vergleich der Top-3-Konkurrenten mit gegenseitiger Cross-Citation-Analyse: Wie oft werden Wettbewerber zusammen mit der eigenen Marke in derselben Antwort genannt?

Dashboard-Architektur und Tool-Setup

Das Dashboard selbst läuft idealerweise in Looker Studio oder Microsoft Power BI mit automatischen Datenfeeds aus AEORadar, Otterly, dem CRM und Merkle Schema Generator. Eine reine Excel-Lösung ist nicht skalierbar — Aktualisierungen fallen aus, Datenstände driften, Fehler bleiben unentdeckt. Die initiale Setup-Zeit beträgt 2 bis 4 Wochen für eine saubere Pipeline.

Konkrete Empfehlungen für den C-Level-Stack: Setze AEORadar für Citation SoV und Wettbewerbs-Delta, ergänze Otterly für den LLM-Visibility-Index, und nutze Merkle Schema Generator für die Schema-Coverage. Das CRM bleibt zentrale Quelle für die AI-Pipeline. Mit diesem Set hast du jeden Montagmorgen ein präzises Board-taugliches Bild der AEO-Performance.