Eine Buyer Persona erstellst du mit KI belastbarer aus dem, was deine Kundschaft bereits gesagt hat, als aus einem Fragebogen allein. In einer Community liegt dieses Material bereit: Beiträge, Kommentare, Call-Transkripte und die Antworten auf deine Beitrittsfragen. Die KI zerlegt es in kleine Notizen, verlinkt sie und teilt die Personen in zwei Gruppen, Käufer und Nicht-Käufer. Die Persona entsteht aus dem Unterschied zwischen beiden Gruppen, nicht aus dem Durchschnitt aller Mitglieder. Danach prüft eine getrennte Rolle jede Aussage rückwärts gegen ihre Quelle. Heraus kommt ein Kundenavatar mit Beleg: was Käufer vorher schon hatten, wann sie entscheiden und warum andere nicht kaufen. Wenn du das nachbaust, gehören Einwilligung, Pseudonymisierung und ein lokaler Transkriptionsweg vor den ersten Schritt. Eine Grenze bleibt: Du siehst nur Menschen, die in der Community aktiv waren.
Mit meiner Belegschaft habe ich so eine Coaching-Community aus meinem Kundenkreis mit kostenlosem und bezahltem Bereich ausgewertet, Käufer gegen Nicht-Käufer, und das Ergebnis danach mit meiner eigenen Community abgeglichen. Beide Fälle stehen unten, anonym und ohne Kennzahlen des Kunden, weil es um die Methode geht. Wie der Rest meiner Community-Arbeit zwischen mir und den KI-Mitarbeitern aufgeteilt ist, steht in Community Management mit KI-Mitarbeitern.
Warum Community-Daten die bessere Grundlage sind
Die klassische Buyer Persona entsteht am Schreibtisch: Alter, Beruf, Hobbys, ein erfundener Vorname. Das Ergebnis beschreibt häufig das Wunschbild des Anbieters. Eine Community liefert etwas anderes, nämlich Sätze, die Menschen gesagt haben, lange bevor sie gekauft haben, und daneben die Information, wer später gekauft hat.
Der entscheidende Schritt ist der Vergleich. Wenn du nur die Käufer beschreibst, bekommst du eine Liste von Merkmalen, die Nicht-Käufer oft genauso haben. Erst der Abgleich zeigt, was Käufer von den anderen trennt, und genau diese Frage soll eine Persona für Angebot, Beitrittsfrage oder Anzeige beantworten.
Ich habe den Anspruch in meiner Community einmal so formuliert: „Der Knowledge Graph allein ist wertlos, wenn man keine Erkenntnisse und Entscheidungen daraus ableitet.“ Die Leitfragen standen im selben Beitrag: „Wer hat gekauft und warum? Welche Probleme hatten die Käufer vorher? Wo stehen Mitglieder, die noch nicht gekauft haben?“
Der Unterschied zur Zielgruppenanalyse für Anzeigen: Dort geht es um die Sprache des Marktes vor dem ersten Kontakt, beschrieben in Zielgruppenanalyse für Werbeanzeigen. Hier geht es um Menschen, die schon da sind, und um die Frage, was die Käufer unter ihnen ausmacht.
Der Rohstoff: was in deiner Community schon liegt
Skool erlaubt höchstens drei Beitrittsfragen. Wie du sie so baust, dass die Antworten später auswertbar sind, steht in Skool Onboarding: die ersten sieben Tage. Für Beiträge und Kommentare nennt Skools Hilfezentrum keinen Export, Stand September 2026.
Mein Rat für jeden Weg: Lies den Feed nicht mit einem Werkzeug automatisch aus. Skools Nutzungsbedingungen untersagen den Zugriff mit „robot, spider, web crawler, extraction software, automated process“, um Inhalte „to scrape, copy or monitor“, und die Platform Policy verbietet „scraping data or making automation requests“. Es gibt Anbieter inoffizieller Schnittstellen, die genau das versprechen; sie berühren diese Regeln. Was offiziell geht, steht in Skool API und Automatisierung: was geht. Das Prinzip funktioniert genauso mit Circle, Discord oder einer Facebook-Gruppe, nur die Wege zu den Daten sind dort andere.
Buyer Persona erstellen mit KI: die Methode in fünf Schritten
Ein Knowledge Graph klingt nach Datenbank. Ich habe das in einem Community-Beitrag so entzaubert: „Die fancy drehende Wolke aus den viralen Reels ist in Wahrheit ein langweiliger Ordner voller Textdateien. Die Magie steckt in den Verlinkungen: Atomic Notes, jede Notiz kennt ihre Nachbarn.“ So baust du es nach:
- Rohdaten vorbereiten. Transkripte und Beiträge als Textdateien in einen Ordner. Sprecherbezeichnungen vereinheitlichen, Namen durch Pseudonyme ersetzen, bevor ein Cloud-Modell den Text sieht.
- In Atomic Notes zerlegen. Eine Notiz je Frage, Einwand, Erfolg, Thema und Call. Die KI arbeitet in Abschnitten und macht einen zweiten Durchgang für das, was sie im ersten übersehen hat. Ähnliche Fragen werden zu einer Kernfrage gebündelt.
- Verlinken. Wikilinks zwischen den Notizen: Frage zu Call, Frage zu Thema, Person zu Frage. Die Prüfregel heißt: keine Waisen, jede Notiz hat Nachbarn. Eine Graphdatenbank brauchst du dafür nicht, ein Ordner mit Markdown-Dateien in einem Notizprogramm wie Obsidian zeigt das Netz von selbst.
- Kohorten bilden. Jede Person bekommt ein Etikett: Käufer oder Nicht-Käufer, bei Bedarf feiner, etwa Käufer aus dem Gratisbereich und Direkt-Käufer. Dann stellst du jeder Gruppe dieselben Leitfragen.
- Rückwärts prüfen. Eine getrennte Rolle mit eigener Anweisung nimmt jede Aussage und sucht die Stelle in der Quelle. Was nicht trägt, fliegt raus oder wird korrigiert. Erst danach schreibt die KI die Persona.
Im Hot Seat habe ich dazu geraten, lieber mehrere kleine, getrennte Graphen zu bauen als „einen großen Topf“, weil sich Aussagen aus verschiedenen Quellen sonst widersprechen. Wie du Knotentypen und Beziehungen sauber modellierst, falls du doch eine Graphdatenbank willst, steht in Knowledge Graph aus Calls erstellen.
Welches Modell arbeitet und wer prüft
Im Kundenfall lief vor dem großen Durchgang ein Pilot: dasselbe Material, einmal mit einem stärkeren Claude-Modell, einmal mit einem kleineren. Das stärkere fand deutlich mehr Fragen. Das kleine übersah nicht nur mehr, es lieferte auch Fragen, die so nie gestellt worden waren. Deshalb lief die ganze Extraktion mit dem stärkeren Modell.
Danach kam die Prüfung, und sie war genauso ernst gemeint wie die Extraktion. Getrennte Prüf-Agenten haben jedes extrahierte Objekt gegen die Transkripte gehalten. Die meisten Fehler waren Feinheiten bei Zeitmarken, dazu fehlten Objekte, die der erste Lauf übersehen hatte. Weitere Agenten haben korrigiert, und am Ende gab es keine toten Links mehr im Ordner. Die eigentliche Auswertung lief dann als Fächer: mehrere Unteragenten lieferten Teilbefunde zu festen Leitfragen, die Zusammenführung lief in der Hauptsitzung.
Für dich heißt das: Plane den Pilot und die Prüfung als eigene Schritte ein. Eine Persona aus einem ungeprüften Lauf klingt überzeugend und kann trotzdem auf erfundenen Sätzen stehen.
Sechs Muster aus dem Vergleich von Käufern und Nicht-Käufern
Diese Muster kamen aus dem Kundenfall, einer Coaching-Community mit kostenlosem und bezahltem Bereich. Sie gelten für diesen Fall; ob sie bei dir genauso aussehen, zeigt erst deine eigene Auswertung.
Die Analyse hatte klare Grenzen: Sichtbar waren nur Menschen, die geschrieben oder gesprochen haben, „Käufer“ war ein Näherungswert aus der Aktivität im bezahlten Bereich und kein Zahlungsdatensatz, und die Zuordnung von Personen über Quellen hinweg war heuristisch.
Warum Kunden nicht kaufen: meistens fehlt eine Stufe
Für die Persona halte ich das vierte Muster für das wichtigste. Käufer und Nicht-Käufer wünschten sich dasselbe Ergebnis. Der Unterschied lag davor: Käufer hatten schon ein Angebot, setzten schon um, ohne das Ergebnis zu erreichen, hatten schon Geld investiert und hatten eine Frist. Wer nicht kaufte, stand meist eine Stufe früher.
Daraus wird die Persona zu einer Liste von Qualifiern statt zu einem Porträt. Nicht Alter, Beruf und Hobby, sondern: Hat schon ein Angebot. Setzt schon um. Hat schon investiert. Hat einen Termin, bis zu dem es klappen soll. Diese vier Punkte kannst du als Beitrittsfrage stellen, in einem Erstgespräch abfragen und in einer Anzeige ansprechen.
Für Anzeigen folgten daraus drei Regeln: auf die Merkmale der Käufer zielen statt auf die Gratis-Persona, die Lage benennen, in der jemand schon handelt und trotzdem nicht weiterkommt, statt das Wunschziel zu versprechen, und ruhig statt marktschreierisch klingen, weil der ruhige Ton in der Analyse als Kaufgrund auftauchte. Wie das bei einer Skool-Community in der Praxis aussieht, steht in Skool-Community mit Meta Ads bewerben. Was die Muster für dein Preismodell bedeuten, steht in Skool: kostenlose oder bezahlte Community?.
Datenschutz: der saubere Weg, wenn du das nachbaust
Beiträge, Transkripte und Beitrittsantworten sind personenbezogene Daten im Sinne der DSGVO, auch in einer geschlossenen Gruppe. Wer nichtöffentlich gesprochene Worte unbefugt aufnimmt, macht sich nach § 201 StGB strafbar. Die Reihenfolge, die ich dir empfehle:
- Einwilligung vor der Aufnahme, mit dem Zweck: Auswertung für Angebot und Kommunikation. Die Einwilligung ist eine der Rechtsgrundlagen nach Art. 6 DSGVO.
- Lokal transkribieren, etwa mit Whisper auf dem eigenen Rechner, damit das Rohtranskript nicht in eine Cloud geht.
- Pseudonymisieren, bevor ein Cloud-Modell den Text sieht: Namen zu Rollen, Firmen zu Branchen, Privates wie Gesundheit oder Finanzen raus.
- Aggregiert auswerten: Muster statt Zitate. Zitate von Mitgliedern verwende ich nur mit Einverständnis, der Vorname reicht dann.
- Löschbar bleiben: Du weißt jederzeit, welcher Call zu welcher Person gehört.
Pseudonymisierte Daten bleiben personenbezogen, solange eine Zuordnung möglich ist (Erwägungsgrund 26 DSGVO). Das Verfahren Schritt für Schritt steht in Gesprächsanalyse mit KI: das Muster-Register, die Rechtslage in Gespräche transkribieren: was rechtlich gilt. Ich bin Entwickler, kein Anwalt, das hier ist keine Rechtsberatung.
Übertragen auf meine eigene Community
Die Merkmale aus dem Kundenfall übernehme ich nicht, den Mechanismus schon. Susi hat im August die Transkripte unserer Kaffee-Calls und die Beiträge im Feed ausgewertet und daraus einen kleinen Graphen gebaut. Der Kernbefund in ihren Worten: „Die Community besteht nicht aus KI-Neugierigen, sondern aus zahlenden Claude-Besitzern, die ihr Abo nicht ausgereizt bekommen.“ Die Fragen, die immer wiederkamen: welches Abo und welches Modell, Chat oder Cowork oder Code, warum Claude „vergisst“, wie man einen KI-Mitarbeiter aufsetzt, wie KI-Texte nicht nach KI klingen, wie man Wissen strukturiert, und Datenschutz.
Die zweite Quelle ist die Beitrittsfrage „Was willst du mit Claude als erstes angehen?“. Die meisten Käufer aus meinem Werbetest haben sinngemäß geantwortet: Mitarbeiter bauen, den ersten Mitarbeiter. Das ist ein Satz in ihren Worten, den mir keine Persona-Vorlage geliefert hätte.
Und eine Lehre aus dem Gegenteil: Meine eigene Umfrage „Was hat dir hier konkret Zeit gespart?“ blieb ohne Antwort. Die echten Erfolgsgeschichten kamen ungefragt, in Beiträgen, in denen Mitglieder ihre Ergebnisse gezeigt haben. Beobachten liefert mehr als Fragen. Welche Zahlen Skool dazu selbst liefert, steht in Skool Analytics: Posts und Mitglieder lesen.
Bei mir macht das Susi, die Entscheidung bleibt bei mir
Susi ist meine KI-Mitarbeiterin für Meta Ads, und bei ihr gehört die Persona zum Vorlauf, bevor ein Anzeigentext entsteht. Sie hat die Community-Analyse im Kundenfall gefahren, die Kaffee-Calls meiner Community ausgewertet und aus den Mustern Regeln für Anzeigen abgeleitet. Was sie baut, startet im Werbekonto pausiert. Live schalte ich, und welche Schlüsse ein Angebot verändern, entscheide ich.
Wenn du Gespräche auswerten willst, bildet Gustav den Ablauf aus dem Datenschutz-Abschnitt als fertige Rolle ab, mit Auswertung in kleinen Etappen und Stichproben nach jeder Etappe. Wer erstellt, prüft nicht selbst, das ist bei mir Hausregel für alles, was das Haus verlässt.
Häufige Fragen
Wie erstelle ich eine Buyer Persona mit KI?
Sammle echtes Material aus deiner Community, also Beitrittsantworten, Call-Transkripte und Beiträge, und markiere, wer gekauft hat. Lass die KI das Material in kleine, verlinkte Notizen zerlegen und beide Gruppen mit denselben Leitfragen vergleichen. Die Persona beschreibt den Unterschied. Eine getrennte Prüfrolle hält danach jede Aussage gegen die Quelle.
Was ist der Unterschied zwischen Buyer Persona und Kundenavatar?
Im Alltag meinen beide dasselbe: eine Beschreibung der Menschen, die bei dir kaufen. Entscheidend ist die Grundlage. Ein Kundenavatar vom Schreibtisch beschreibt oft das Wunschbild. Eine Persona aus Community-Daten beschreibt, was Käufer von Nicht-Käufern trennt, mit Belegstelle für jede Aussage. Diese Fassung kannst du in Beitrittsfragen und Anzeigen direkt verwenden.
Warum kaufen Kunden nicht, obwohl sie in der Community aktiv sind?
Im Kundenfall wollten Nicht-Käufer dasselbe wie Käufer, standen aber eine Stufe früher: noch kein Angebot, noch nicht am Umsetzen, noch nichts investiert, keine Frist. Dazu kam, dass Käufe sich an Event-Tagen bündelten und ein kleines Einstiegsangebot Kaufenergie abfing. Ob das bei dir gilt, zeigt erst der Vergleich deiner eigenen Gruppen.
Darf ich Beiträge aus meiner Community mit KI auswerten?
Das hängt von Rechtsgrundlage, Einwilligung und den Regeln der Plattform ab. Bei Skool verbieten die Nutzungsbedingungen das automatische Auslesen des Feeds. Nutze offizielle Wege wie den Export der Beitrittsantworten und eigene Aufzeichnungen mit Einwilligung, pseudonymisiere vor der Auswertung und halte Ergebnisse aggregiert. Das ist keine Rechtsberatung.
Wie du weitermachst
Exportiere die Antworten auf deine Beitrittsfragen und markiere daneben, wer gekauft hat. Leg beide Gruppen in zwei Dateien und lass Claude drei Unterschiede nennen, jeden mit der Zeile, aus der er stammt. Dann prüfst du selbst drei zufällige Aussagen gegen die Quelle. Hält das, hast du den Kern deiner Persona; wenn nicht, weißt du, wo die Methode nachgeschärft werden muss. Wie Susi und Gustav dabei arbeiten und wie du sie für deine eigene Community einsetzt, zeige ich in Claude Practitioners. Mit deiner ersten Auswertung bist du dort nicht allein: In den Calls gehen wir solche Vergleiche gemeinsam durch.
