Influencer Engagement Rate berechnen: Formeln, Benchmarks und Interpretation

Es gibt nicht "die eine" Engagement-Rate-Formel. Verschiedene Formeln messen verschiedene Dinge:

Formel 1: ER by Follower (Standard-Formel)
(Likes + Comments) ÷ Follower × 100
Oder erweiterter: (Likes + Comments + Saves + Shares) ÷ Follower × 100

Wann nutzen: Für grobe Creator-Vergleiche. Problem: Berücksichtigt nicht wie viele Follower den Post tatsächlich gesehen haben. Creator mit vielen inaktiven Followern hat niedrigere ER trotz normaler absoluter Engagement-Zahlen.

Formel 2: ER by Reach (genauere Formel)
(Likes + Comments + Saves + Shares) ÷ Reach × 100

Wann nutzen: Wenn Creator Analytics-Zugang hat und Reach-Daten teilt. Realistischere Messung weil auf die Menschen bezogen die den Post wirklich gesehen haben. Typisch 3–5× höher als ER by Follower.

Formel 3: ER by Impressions
(Likes + Comments + Saves) ÷ Impressions × 100

Wann nutzen: Für Paid-Content-Performance-Messung. Impressions = alle Ansichten (inkl. mehrfacher Ansichten desselben Nutzers), daher niedrigste ER-Werte aller Formeln.

Formel 4: Average ER über mehrere Posts
Für Creator-Auswahl immer Durchschnitt über 10–20 Posts nehmen, nicht einzelnen Post. Einzelne viral gegangene Posts verzerren ER erheblich.

ER-Benchmarks variieren stark nach Plattform und Creator-Größe. Aktuelle DACH-Benchmarks 2025:

Instagram ER by Follower (Likes + Comments):

• Nano (1k–10k): 5–15 %
• Micro (10k–100k): 2–6 %
• Mid-Tier (100k–500k): 1–3 %
• Macro (500k–1M): 0,5–1,5 %
• Mega (1M+): 0,3–1 %

TikTok ER by Views (Likes + Comments + Shares):
TikTok-ER wird auf Views bezogen, nicht Follower (weil TikTok FYP-basiert distribuiert):

• Alle Creator-Größen: 3–8 % ist gut, über 8 % ist stark
• Varianz ist höher als Instagram wegen viralem Potenzial

YouTube ER by Views (Likes + Comments):

• YouTube ER ist strukturell niedriger als andere Plattformen
• 0,5–2 % ist gut für Long-Form-Content (Subscribers)
• Über 2 % ist stark

LinkedIn ER by Impressions:

• 1–5 % ist sehr gut für LinkedIn-Content
• Unter 0,5 % ist unterdurchschnittlich

Brands sind oft verwirrt wenn Modash, HypeAuditor und Instagram-Insights verschiedene ER-Werte für denselben Creator zeigen. Die Ursachen:

Unterschiedliche Formeln:
Modash nutzt primär (Likes + Comments) ÷ Follower. HypeAuditor nutzt eine gewichtete Formel die Saves und Video-Views einbezieht. Instagram Insights zeigt (Likes + Comments + Saves + Shares) ÷ Reach. Alle drei sind "richtig" — sie messen verschiedene Dinge.

Verschiedene Zeiträume:
Manche Tools berechnen ER auf Basis der letzten 20 Posts, andere auf Basis der letzten 30 Tage, wieder andere auf Basis der letzten 90 Tage. Creator deren ER sich über Zeit verändert (z.B. wachsender Creator) hat bei verschiedenen Zeiträumen verschiedene ER-Werte.

Verschiedene Post-Typen:
Tools die Reels, Stories, Feed-Posts und Videos zusammenwürfeln haben andere ER-Werte als Tools die nur Feed-Posts analysieren. Stories mit hohen Reply-Rates erhöhen ER wenn einbezogen.

Empfehlung für konsistente Messung:
Ein Tool wählen und konsequent verwenden. Eigene ER-Berechnung: Excel mit Post-Daten vom Creator, dann eigene Formel anwenden. Das gibt volle Kontrolle und Konsistenz über alle Creator-Vergleiche.

Was hohe ER bedeutet:

• Aktive, involvierte Audience
• Vertrauensbeziehung zwischen Creator und Followern
• Content resoniert mit dem Netzwerk
• Günstige Voraussetzungen für Brand-Messaging-Transport

Was hohe ER NICHT garantiert:

• Conversion (Kauf) durch gesponserten Content
• Dass die Audience zur Brand-Zielgruppe gehört
• Dass der Creator für den spezifischen Produkttyp effective ist
• Dass die ER auf Branded Content genauso hoch ist wie auf organischen Content

ER-Reduktion durch Branded Content:
Standard-Erwartung: Branded Content performt 20–40 % schlechter in ER als organischer Content desselben Creators. Wenn Creator-ER für organischen Content 5 % ist, sollte man für gesponserten Content 3–4 % erwarten. Wenn Branded ER unter 40 % des organischen Wertes liegt: Creator hat Probleme mit Paid-Content-Integration.

ER allein ist kein ausreichendes Auswahlkriterium. Vollständiges Bewertungs-Framework:

Gewichtetes Score-System (Beispiel):

• Nischen-Relevanz (Themen-Passung zum Produkt): 30 %
• Audience-Demographie-Match (Alter, Geo, Kaufkraft): 25 %
• Engagement Rate (nach obigen Benchmarks): 20 %
• Content-Qualität (visuell, sprachlich, Authentizität): 15 %
• Historische Branded-Content-Performance: 10 %

Gesamt-Score 0–100 für jeden Creator. Cutoff für Deal-Consideration: über 70 Punkte. Dieses System vermeidet sowohl ER-Overweighting als auch das Ignorieren von ER als relevante Metrik.

Minimale ER-Schwellenwerte als Disqualifikationskriterium:
Statt ER als Hauptkriterium: Als Mindestanforderung setzen. Beispiel: "Micro-Creator muss mindestens 2 % ER haben. Darunter: kein Deal unabhängig von anderen Faktoren." Dieses Minimum-Screening ist effizienter als ER als Hauptauswahlkriterium.

Gekaufte Interaktionen (Likes, Comments, Follower) können ER künstlich erhöhen. So erkennt man Fake-ER:

Like-to-Comment-Verhältnis:
Normales Verhältnis: 1 Kommentar pro 30–80 Likes. Auffällig: 500 Likes, 400 Kommentare (alle kurz und generisch). Auffällig anders: 10.000 Likes, 3 Kommentare (Engagement unnatürlich einseitig).

Kommentar-Qualität:
Echte Kommentare sind spezifisch zum Content: "Dieses Rezept habe ich ausprobiert, es war fantastisch!". Bot-Kommentare sind generisch: "Amazing! 🔥", "Great content!", "Love this ❤️". Wenn 80 %+ der Kommentare generisch und ohne Bezug zum Content sind: Bot-Kommentare.

Follower-Wachstums-Muster:
Plötzliche Sprünge (+5.000 Follower in 48 Stunden ohne virales Video) sind verdächtig. Natürliches Wachstum ist graduell. HypeAuditor und Modash zeigen Follower-Growth-Graphs die solche Spikes sichtbar machen.

ER-Konsistenz:
Accounts mit gekauftem Engagement haben oft inkonsistente ER: Ein Post hat 8 % ER, der nächste 0,2 % ER. Das ist unnatürlich — Bots werden in Pulsen gekauft, nicht kontinuierlich. Natürliche Creator haben relativ stabile ER mit normaler Varianz von ±30 %.