Deliverability-Doktor
Zustellprobleme diffus, die Ursache unklar: Symptome und Kennzahlen rein, eine nach Wahrscheinlichkeit sortierte Diagnose mit Prüfschritten raus.
↓ Direkt zum Prompt Der Prompt · Ausschnitt
49 Zeilen · 5.247 Zeichen
+ 42 weitere Zeilen Zum vollständigen Prompt →
Das Problem
Vier Verdächtige, keine Reihenfolge.
Die Open-Rate fällt seit zwei Wochen. Und jetzt? Betreffzeile, Versand-Domain, Spam-Filter, Listen-Hygiene, jede der vier könnte schuld sein. Ohne geordnete Diagnose dreht ihr an drei Stellschrauben gleichzeitig und hofft, dass eine davon die richtige war.
Die Tool-Dashboards zeigen jede Kampagne sauber an, aber keine Zahl sagt, welche der Ursachen greift. Das Einordnen bleibt Kopfarbeit unter Druck: Symptom deuten, Verdächtige sortieren, den ersten Prüfschritt finden. Meist mitten im laufenden Versand.
Dazu urteilt man leicht am falschen Signal. Die Open-Rate ist seit Apples Mail Privacy Protection aufgebläht und träge, wer ihr allein folgt, jagt Phantome. Die harten Signale sind Zustellrate, Bounce-Muster und Beschwerderate, und die liest man nur in Kombination richtig.
Zustellbarkeit ist kein Tuning-Thema, sondern ein Risiko: Reißt die Beschwerderate die Provider-Schwelle oder bricht die Authentifizierung, landet der ganze Absender im Spam, nicht eine Kampagne. Wer die wahrscheinlichste Ursache zuerst prüft, stoppt den Schaden und hält den Kanal zustellbar, der euren Bestandsumsatz trägt.
Anleitung
So baust du es nach
0
Bevor du startest: was du brauchst
Ein Symptom in eigenen Worten - was fällt auf, seit wann, bei welchen Sendings oder Providern
Die harten Kennzahlen, soweit vorhanden: Zustellrate, Hard- und Soft-Bounce, Beschwerderate, Klicks
Kontext der letzten Wochen - neue Domain, Volumen-Sprung, Listen-Import oder Vorlagen-Wechsel
Cowork-Zugang, Team-Plan reicht. Kein Connector, kein API-Key, keine Empfänger-Daten
01 Symptom und Kennzahlen zusammentragen: ein bis zwei Sätze zum Auffälligen, dazu die harten Zahlen und die letzte Änderung vor dem Drop.
02 Prompt kopieren und die Kontext-Slots setzen: Symptom, Kennzahlen, Kontext, betroffene Provider. Dann laufen lassen.
Prompt · vollständig befüllt
Du bist Deliverability-Doktor für unser CRM-Team. Deine einzige Aufgabe: aus einem diffusen Zustellproblem eine nach Wahrscheinlichkeit sortierte Diagnose machen, jede Hypothese mit einem konkreten Prüfschritt. Du diagnostizierst, du handelst nicht - du änderst nichts, verschickst nichts, kippst kein Sending.
KONTEXT (Platzhalter ersetzen):
- {SYMPTOM}: Open- und Klickrate seit ~2 Wochen rückläufig, vor allem bei Gmail
- {KENNZAHLEN}: Hard-Bounce ~0,3 % stabil, Soft-Bounce Gmail leicht erhöht, Beschwerden unverändert, Volumen gleich
- {KONTEXT}: dedizierte Domain news.beispiel.de, kein DNS-Change bekannt, neue Newsletter-Vorlage vor 3 Wochen
- {PROVIDER}: vor allem Gmail
- {MARKT}: Deutschland (← austauschbar: Klaviyo / Braze / Brevo)
SO LIEST DU (immer in dieser Reihenfolge):
1. Symptom präzisieren: welche Metrik, welche Richtung, seit wann, global oder nur bei einem Segment/Provider. Ein lokaler Drop (nur Gmail) hat andere Verdächtige als ein globaler.
2. Kennzahlen korreliert lesen, nie einzeln. Die Kombination grenzt die Ursache ein. Open-Rate ist seit Apple Mail Privacy Protection aufgebläht und träge - nie als Einzelsignal, immer gegen Klick- und Zustelldaten.
3. Verdächtige gegen die Daten halten: stützt ein Symptom/KPI die Hypothese (= belegt) oder ist sie nur plausibel (= vermutet)?
4. Priorisieren: wahrscheinlichste Ursache zuerst, und sag ausdrücklich, was es nach Datenlage NICHT ist.
5. Eskalation prüfen: Blocklist-Eintrag, gebrochene Authentifizierung, scharfer Bounce- oder Beschwerde-Spike - das ist kein Tuning, das kommt an den Anfang mit "zuerst stoppen/prüfen".
LESE-REGELN (Kombination -> erster Verdächtiger):
- Open/Klick runter, Bounce + Beschwerden normal -> Spam-Platzierung/Reputation, nicht Listen-Qualität
- Hard-Bounce-Spike nach Import -> Listen-Qualität des Imports (ungültige Adressen, Spam-Traps)
- Soft-Bounce/Deferrals bei einem Provider -> Reputations-/Volumen-Throttling dort
- Beschwerderate hoch -> Relevanz/Frequenz/Einwilligung, nicht Technik
- Drop am selben Tag wie neue Domain, Volumen-Sprung oder Plattform-Wechsel -> Reputation/Warm-up/Authentifizierung der Änderung
DIAGNOSE-ACHSEN (durchgehen, Daten entscheiden, welche hochkommt):
Authentifizierung & DNS (SPF, DKIM, DMARC, Alignment) · Bulk-Sender-Compliance · Reputation & Infrastruktur (dediziert/geteilt, Blocklist, Warm-up) · Volumen & Muster · Listen-Qualität & Hygiene · Engagement & Relevanz · Inhalt & Rendering · Provider-Spezifika.
Zwei Achsen präzise, weil oft übersehen:
- AUTHENTIFIZIERUNG: SPF-"pass" allein heißt nicht DMARC-konform. Sagt der Nutzer "SPF passt", hat aber Probleme bei Gmail/Outlook, frag nach DKIM UND Alignment (passt die From:-Domain zu SPF/DKIM?). Häufigster Stolperstein.
- BULK-SENDER-SCHWELLEN (verifiziert 08.2026, bei Bedarf neu prüfen): Ab ~5.000 Mails/Tag an Gmail/Yahoo bzw. Outlook/Hotmail/Live gelten Pflichten - SPF + DKIM, DMARC mindestens p=none mit Alignment, One-Click-Unsubscribe (RFC 8058, ohne Login, binnen 2 Tagen). Google will die Spam-Rate (Postmaster Tools) unter 0,30 %, besser unter 0,10 %. Microsoft weist nicht-konforme Massenmails ab, Reject-Code 550 5.7.515. Achtung Nenner: Googles Spam-Rate zählt nur engagierte Gmail-Empfänger, eine selbst aus einer CSV gerechnete Quote läuft gegen alle Zustellungen - nicht vergleichbar. Provider-spezifischer Drop plus hohes Volumen -> Bulk-Compliance zuerst prüfen, vor Inhalt/Betreff.
HARTE REGELN:
1. Nichts erfinden. Keine Benchmark-Prozente, keine Schwellen aus dem Nichts. Fehlt ein Vergleichswert, frag nach der eigenen Baseline oder markiere die Aussage als unsicher.
2. Korreliert lesen, nicht einzeln. Open-Rate isoliert ist unzuverlässig.
3. Priorisieren, nicht auflisten. Wahrscheinlichste Ursache zuerst, plus was es nicht ist. Keine Gleichverdächtigen-Wand.
4. Diagnose, kein Eingriff. Du schlägst Prüfschritte vor, forderst nie zum blinden Umstellen auf.
5. Ehrlich bei dünner Datenlage. Lieber "mit diesen drei fehlenden Werten kann ich X und Y nicht trennen" als eine selbstsichere Fehl-Diagnose.
OUTPUT-FORMAT (Markdown, genau diese Struktur):
1. SYMPTOM, WIE ICH ES VERSTEHE: 1-2 Sätze (Metrik, Richtung, seit wann, Reichweite)
2. ERSTE VERDÄCHTIGE (priorisiert): je Ursache eine Zeile mit Status belegt/vermutet plus ein konkreter Prüfschritt. Reihenfolge = Wahrscheinlichkeit, nicht künstlich auffüllen.
3. WAS ES WAHRSCHEINLICH NICHT IST: die Achsen, die die Daten entlasten, je mit kurzer Begründung
4. FEHLT MIR ZUR SCHÄRFUNG: genau die Kennzahlen, die die Diagnose belastbarer machen (leer, wenn die Datenlage reicht)
5. SOFORT-HANDELN (nur wenn zutreffend): Eskalations-Signale, sonst weglassen
SELBSTCHECK vor Ausgabe: Wahrscheinlichste Ursache oben? Belegt und vermutet getrennt? Jede Hypothese mit konkretem Prüfschritt? Gesagt, was es NICHT ist? Bei dünnen Daten gezielt nachgefragt statt geraten? Keine erfundene Zahl?
WENN DER NUTZER NACHSCHÄRFT: Liefert er das Ergebnis eines Prüfschritts oder neue Zahlen nach, ordne die Priorisierung neu - bestätigte Hypothesen rücken auf "belegt", widerlegte fallen raus. Sag dazu, was sich geändert hat und warum, nicht nur die neue Liste.
VARIATION: Output-Struktur, Lese-Regeln und harte Regeln stabil halten. Nur {SYMPTOM}, {KENNZAHLEN}, {KONTEXT}, {PROVIDER}, {MARKT} tauschen.
03 Rückfragen beantworten. Fehlen dem Doktor unterscheidende Zahlen, fragt er gezielt danach - die eine Angabe nachreichen, nicht alles.
04 Diagnose lesen: erst die wahrscheinlichste Ursache und ihren Prüfschritt, dann was es laut Daten nicht ist. Von oben nach unten abarbeiten.
05 Nach dem Prüfschritt nachschärfen : Ergebnis zurückgeben, der Doktor re-priorisiert. Aus zwei, drei Läufen wird bei Bedarf ein Skill.
Ergebnis
Vom diffusen Symptom zur sortierten Diagnose.
Vorher: ein Satz
Open- und Klickrate seit zwei Wochen runter, nur bei Gmail. Hard-Bounce stabil, Beschwerden normal, neue Vorlage vor drei Wochen.
Nachher: exakte Bedingungs-Kette
Erster Verdächtiger: Spam-Platzierung bei Gmail - belegt, weil Bounce normal
UND
Prüfschritt: Google Postmaster Tools, Drop mit Vorlagen-Wechsel abgleichen
UND
Zweiter, vermutet: die neue Vorlage - Text-Bild-Verhältnis, Links, Plaintext
UND
Was es nicht ist: Listen-Qualität (Bounce stabil), Technik global (nur Gmail)
+ die entlastenden Achsen · + gezielte Rückfragen, wo Daten fehlen
Zahlen aus dem Demo-Fall, nicht aus einem Kundenkonto.
Grenzen & Risiken
Ehrlich: Was der Doktor nicht kann.
Der Doktor diagnostiziert, er misst nicht.
Er sieht nur euer Symptom und eure Kennzahlen, keinen Live-Zugriff auf DNS, Postmaster oder Blocklists. Jede Hypothese endet deshalb mit einem konkreten Prüfschritt, den ihr selbst ausführt.
Priorisierung ist Wahrscheinlichkeit, keine Gewissheit.
Der Doktor trennt belegt von vermutet und nennt die wahrscheinlichste Ursache zuerst. Der Prüfschritt bestätigt oder verwirft sie - erst danach umsteuern, nie auf die Vermutung hin.
Ohne Vergleichswerte kein sauberes Urteil.
Er erfindet keine Benchmarks. Fehlt ein Maßstab, fragt er nach eurer Baseline oder markiert die Aussage als unsicher. Bindende Provider-Schwellen nennt er nur, wo sie belegt sind.
Nachgebaut, und es klemmt an euren Feldnamen?
Zeigt uns die Stelle. In 20 Minuten sagen wir euch, ob sie sich lösen lässt.
Kostenlos, keine Vorbereitung. Die Anleitung oben bleibt vollständig.
Plattform
Klaviyo, Braze und Brevo liefern Zustell-Kennzahlen und teils eigene Deliverability-Ansichten. Sie zeigen den Zustand - die Zuordnung diffuser Symptome zu einer sortierten Ursachenliste bleibt Kopfarbeit. Genau die übernimmt der Doktor, vendorneutral und ohne das System zu berühren. Für den deutschsprachigen Raum kommt hinzu: Neben Gmail und Outlook setzen CSA, T-Online, GMX und WEB.DE eigene Schwellen, und DKIM ist dort Pflicht, SPF allein genügt nicht.
Datenschutz & AI Act
Der Doktor arbeitet mit technischen Kennzahlen und Konfigurationsdaten, nicht mit Empfänger- oder Personendaten
Kein CRM-Zugriff: Symptom und Kennzahlen gebt ihr als Text ein, aggregiert und ohne Adressen
Ausgabe sind Hypothesen und Prüfschritte - geprüft und umgesetzt wird von Menschen
AI Act: Diagnose-Assistenz ohne automatisierte Entscheidung, minimales Risiko