Hi und herzlich willkommen beim heutigen Snip! Heute zeige ich dir, wie du deine Top 50 LinkedIn-Posts mit KI analysieren kannst,
um daraus Ableitungen oder Anleitungen zu erstellen, die du dann wiederum verwenden kannst, um zukünftige Posts zu schreiben
und so hoffentlich nur noch Posts schreibst, die maximal viel Engagement und Impressions erzielen.
So, und zwar gehen wir da im ersten Schritt auf unser LinkedIn-Profil, klicken dann oben links auf unseren Namen.
Dann öffnet sich hier eine neue Seite. Da klicken wir auf „Alle Analysen anzeigen“,
sehen dann verschiedene Analysen. Uns interessieren hier die Impressionen, da klicken wir dann noch mal drauf
und wählen dann hier oben die letzten 365 Tage aus.
Und können jetzt hier oben auf „Exportieren“ klicken und dann laden wir eine Excel-Datei runter.
Und jetzt haben wir hier verschiedene Tabs. Das Tab, was uns interessiert, ist das Tab „Top-Beiträge“.
Und hier haben wir jetzt die URLs, also die Links zu jedem unserer LinkedIn-Beiträge, und zwar sortiert auf der linken Seite nach den Interaktionen und auf der rechten Seite nach den Impressions.
In der Regel sind das fast die gleichen, denn die Beiträge mit vielen Impressions haben oft auch viele Interaktionen.
Könnt ihr so ein bisschen entscheiden, was euch wichtiger ist.
Und zwar gibt's jetzt verschiedene Wege. Der manuelle Weg wäre, diese einzelnen Links anzuklicken. Zum Beispiel wenn wir jetzt hier unseren bestperformenden Beitrag anklicken,
dann öffnet er sich auf LinkedIn – in dem Fall hier ein Post mit Jens und mir, unserem Maskottchen Nala, auf dem Weg zum Notar bei der Gründung von snipKI –
und da könnten wir jetzt den Text rauskopieren, da wir jetzt erstmal nur den Text analysieren und nicht die Fotos, und dann 50-mal die Texte kopieren und in ein Dokument kopieren.
Es gibt auch noch einen einfacheren Weg oder es gibt verschiedene Wege, diese Links zu scrapen. Ich habe das Ganze mit Clay gemacht, weil in Clay es auch wiederum einen Website-Scraper gibt,
der dann eben die Inhalte raus... ja, runterscrapt und eben hier in unserem Clay-Table zusammenfasst.
Wie das geht, also wie ich generell Inhalte von Webseiten scrape, entweder mit hier in dem Fall Zenrows oder aber mit einem Agent, den ich auf die Webseite schicke, der mir dann Informationen bringt, dazu gibt's auch noch ein weiteres Snip über Clay.
Der Fokus dieses Snips ist aber nicht Website-Scrapen, sondern wie ich Posts analysiere. Also haben wir hier in der Übersicht eben alle unsere Top-50-Performing-Posts.
Ihr könntet hier natürlich auch anders vorgehen. Ihr könntet beispielsweise nicht nur eure eigenen Posts analysieren,
sondern könntet beispielsweise 50 bis 100 Posts analysieren vielleicht von euren Wettbewerbern oder euren Vorbildern und könntet sagen: „Okay, so möchte ich gerne schreiben“
und könnt quasi diese Posts als Grundlage nehmen. Müsstet dann quasi nur im nächsten Schritt den Prompt ein bisschen anpassen. Spielt natürlich keine Rolle, ob es eure eigenen sind oder andere super-performing Posts.
Vielleicht könnte ich sagen: Ich würde gern so gut performen wie Jens auf LinkedIn und könnte mir dann quasi seine Posts scrapen oder eben einzeln kopieren und in so eine Tabelle übertragen
und dann die Analyse machen und daraus eben ja, Richtlinien für meine zukünftigen Posts ableiten.
Und jetzt sind wir hier auf ChatGPT. Natürlich hättet ihr auch Claude verwenden können. Die Datenmenge mit den 50 Posts ist im Context Window von allen Modellen eigentlich.
Also ihr müsst hier nicht auf ein AI Studio oder so zurückgreifen. 50 Posts Text bekommen alle Modelle sehr gut hin.
Und im ersten Schritt laden wir jetzt hier die Excel-Datei rein, die wir uns gerade angeschaut haben, und nehmen dann folgenden Prompt... wir sagen hier dem Modell,
dass das eben 50 erfolgreiche LinkedIn-Posts aus dem Jahr 24 bzw. könnt ihr auch reinschreiben aus den letzten zwölf Monaten analysiert werden sollen
und Empfehlungen zur Maximierung des Engagements für unsere zukünftigen Beiträge gegeben werden soll.
Und als Input haben wir die Excel-File mit verschiedenen Spalten, also den Beitrag, die Impressions, den Content. Da erklären wir einfach noch mal so ein bisschen, was hier in der hochgeladenen Excel-File mit drin ist.
Und die Schritte sind: Die File soll natürlich erstmal analysiert werden, die Metriken sollen analysiert werden.
Wir haben in unserem Fall die Interactions und die Impressions beide mit reingenommen, weil ich gesehen habe, dass es wirklich fast eine Eins-zu-eins-Korrelation gab
und ich quasi aus der ursprünglich runtergeladenen File einfach die Impressions neben die Interaktionen gelegt habe und ja, so noch einen weiteren Datenpunkt habe.
Wir geben hier an, dass natürlich die Best-Performing-Posts die Posts oben sind und dass sie natürlich mehr gewichtet werden sollen als die unteren.
Das ist natürlich auch ein bisschen die Frage, was ihr für eine Analyse macht. Wenn ihr eure Top 50 nehmt, ist das natürlich relevant.
Wenn ihr sagt: „Ich suche mir jetzt super-performing Posts von einem Influencer raus und ich nehme 50 Posts und die sind alle irgendwie gleich gut gelaufen“, dann ist der Satz natürlich nicht relevant.
Und hier sagen wir: Es sollen die Posts analysiert werden auf Basis von Elementen und Charakteristika wie die Beitragslänge, Hashtags,
Arten von Inhalten, also persönliche Geschichten, ob es irgendwelche Branchen-Insights waren, Ton und Schreibstil und eben ja, so CTAs.
Wir haben hier den Hinweis noch mal hinzugegeben, dass quasi Medien nicht analysiert werden können oder sollen, da wir ja hier einen reinen Textinhalt mit reingegeben haben.
Und auf Basis dieser Inputs und der Analyse möchten wir eben Tipps und Tricks zur optimalen Beitragslänge, Best Practices für die Nutzung von Hashtags,
für die Arten von Inhalten, die besonders gut ankommen bei meiner Zielgruppe.
Und das ist natürlich wieder so ein bisschen das Thema: Wenn ihr die Posts von jemand anderem analysiert, hat diese andere Person vielleicht eine andere Zielgruppe als ihr.
Das heißt, nur weil ihr irgendwas ableitet daraus, heißt das immer noch nicht genau, dass das auch eurer Zielgruppe entspricht. Das solltet ihr immer berücksichtigen.
Und das ist eben der Vorteil, wenn ihr eure Top 50 Posts analysiert, dass ihr wisst, dass es auch eure Zielgruppe ist.
Aber eventuell wollt ihr auch neue Zielgruppen erreichen. Also ist immer so ein bisschen die Frage, was das Ziel dieser Analyse ist oder euer persönliches Ziel eben auf LinkedIn.
Klar, Ton und Schreibstil möchten wir gerne Tipps und Tricks bekommen und Strategien zur Förderung von Interaktionen.
Und dann sollen die Ergebnisse in einem bestimmten Format wiedergegeben werden. Da springen wir jetzt nicht weiter rein. Wie gesagt, den Prompt findet ihr wie immer unter diesem Snip.
Und jetzt schicken wir das Ganze mal ab. Wir sehen, dass hier oben immer so ein kleiner Preview in die Daten zu sehen ist bzw. das ganze Sheet reingeladen ist.
Und jetzt ChatGPT beginnt das Ganze zu analysieren.
Im ersten Teil haben wir jetzt eine gewisse Analyse eben zu den bestehenden Daten, was es für inhaltliche Muster gibt, wie die Engagement Rates sind, wie lang unsere Beiträge waren,
was wir für einen Ton und Stil nutzen, wie wir Hashtags nutzen, wie wir CTAs nutzen und so weiter und so fort.
Und das Wichtige für uns ist ja – im Zweifel kennen wir unsere Beiträge –, sind vor allem jetzt hier die Empfehlungen.
Und zwar steht hier, dass die optimalen Beiträge kurz und prägnant sein sollen, zwischen 100 und 150 Wörter, dass wir einen persönlichen, konversationellen Ton verwenden sollen,
wir auch Emojis nutzen können, aber eben nicht zu viele, auf was für inhaltliche Schwerpunkte wir uns fokussieren sollen, was wir mit den Hashtags machen sollen, was für Engagement-Techniken wir wählen sollen und so weiter und so fort.
Und wir können jetzt quasi diese Empfehlungen nutzen, wenn wir beispielsweise ein GPT bauen oder Claude Projects und das nutzen möchten, um eben regelmäßig unsere Posts zu schreiben,
könnten wir quasi diese Vorschläge eben direkt hier mit reinnehmen.
Ja, und das war's auch schon. Eine große Stärke von LLMs ist, dass sie eben große Mengen an Daten analysieren und verstehen können, viel besser als wir Menschen das können.
Und wir haben eben heute unsere Top 50 LinkedIn-Beiträge analysiert, um da sogenannte Patterns zu erkennen und Empfehlungen auszustellen für unsere zukünftigen LinkedIn-Beiträge.
Und das Ganze könnt ihr natürlich auch noch weiterdenken. Das funktioniert natürlich nicht nur mit euren LinkedIn-Beiträgen, das funktioniert auch mit LinkedIn-Beiträgen von anderen Leuten.
Das funktioniert mit euren Social-Media-Posts, also überall, wo ihr aus einer großen Anzahl an unterschiedlichen Textbeiträgen so eine Art Best-of abstrahieren wollt, da ist KI eben sehr gut.
Und für die LinkedIn-Beiträge funktioniert das auf jeden Fall klasse. Ich hoffe, dass ihr damit die Engagements und die Follower-Zahlen in Zukunft noch ein bisschen nach oben treiben könnt.
Viel Spaß damit!
