LinkedIn-Daten analysieren und Geschäftschancen mit KI entdecken

Hi und herzlich willkommen zum heutigen Snip. Heute zeige ich dir, wie du deine LinkedIn-Daten analysieren kannst und dein Netzwerk optimal nutzen kannst. Vielleicht hilft es dir auch dabei, Geschäftschancen zu identifizieren oder das eigene Netzwerk strategisch zu erweitern. Und das Tool, was wir dafür nutzen, nennt sich Julius AI. Du bekommst also auch noch einen guten Einblick darüber, wie man mit KI Data Analytics machen kann. Viel Spaß damit. Und zwar schauen wir uns ganz viele verschiedene Dinge an. Hier im Ergebnis, ja, nur ein paar der Charts und der Analysen: Zum einen ganz einfach, wie viele Connections haben wir in den letzten zwölf Monaten hinzubekommen? Dann schauen wir uns beispielsweise an, was die Top-Industrien unserer Kontakte in unserem Netzwerk sind. Wir fragen nach einem ganz bestimmten Business-Ziel, für was wir in unserem Fall Marketing-Entscheidungsträger brauchen, und bekommen hier eine Analyse, wie sich die Entscheidungsträger quasi noch mal auf die verschiedenen Subkategorien aufteilen und wer die wichtigsten Personen sind, mit denen wir unbedingt sprechen müssen. Wir analysieren unsere Nachrichten über die Zeit, also hier sehen wir das Volumen, wann wir wie viel geschickt haben. Hier sehen wir eine Heatmap, was die Themen waren der Nachrichten, die wir geschrieben haben über die Zeit, und noch ganz viel mehr. Jetzt springen wir aber direkt mal rein. So, nun sind wir jetzt auch schon in Julius AI. Julius AI ist eigentlich ein Must-have-Tool für alle Leute, die viel mit Data machen, also Daten analysieren, Charts erstellen wollen und ja, keine Lust haben, selbst Python-Code zu schreiben. Julius ist nicht ganz günstig, kostet im Standard-Plan 30 Euro im Monat. Aber wie gesagt, wenn ihr oft mit Daten hantiert und oft Daten analysiert, dann ist Julius mit Abstand das Beste. Und Julius kann ganz viele Dinge, die eben ChatGPT nicht kann, da ChatGPT eben nicht gut mit großen Datenmengen umgehen kann. Bevor wir jetzt aber hier in Julius reingehen, brauchen wir unsere Daten. Und dafür gehen wir auf unser LinkedIn-Profil und klicken dann hier oben rechts auf unser, ja, Profilfoto und gehen dann auf Einstellungen und Datenschutz. Wenn wir da drauf sind, haben wir hier auf der linken Seite den Punkt Datenschutz. Wenn wir da draufgeklickt haben, sehen wir hier oben bei: So verwendet LinkedIn Ihre Daten: Kopie Ihrer Daten anfordern. Und wenn wir dann da draufklicken, können wir hier, also bei mir ist das jetzt grau hinterlegt, da ich es eben vor Kurzem gemacht habe, hier wählen wir den obersten Punkt aus und klicken dann auf, ja, Archiv herunterladen, Daten herunterladen. Es kann sein, dass das ein bisschen anders heißt bei euch, wenn ihr das noch nie gemacht habt. Dann bekommt ihr in der Regel zwei E-Mails mit Daten. Die erste könnt ihr ignorieren. Es dauert ca. 24 Stunden, bis ihr das komplette Datenarchiv erhaltet per E-Mail. Also ihr könnt nicht sofort loslegen. Dauert, wie gesagt, ca. ein Tag, bis komplett alle Daten per E-Mail zugeschickt werden. So, wenn wir die Daten dann erhalten haben, wir bekommen quasi so eine ZIP-Datei, die wir runterladen können, wenn wir draufklicken in der E-Mail, die wir erhalten. Wenn wir die entzippen, unzippen, dann sehen wir ganz viele verschiedene Daten. Und es sind wirklich alles, was irgendwie LinkedIn über euch hat, von euren eventuell hochgeladenen Kontakten. Uns interessiert jetzt vor allem gleich die Connections. Aber auch eure ganzen Endorsements, die ihr gegeben habt, eure Nachrichten, jede einzelne Nachricht ist hier mit drin, eure Profilinformationen und so weiter und so fort. Also kriegt ihr alle eure Daten, die irgendwie über euch gespeichert sind. Uns interessiert uns zunächst erst mal hier diese Connections. Haben also hier quasi die Info über alle Personen mit LinkedIn-Profil, mit der eventuell der E-Mail-Adresse, wenn die Person angegeben hat, dass man die bekommen kann als Kontakt, des Unternehmens, der Position und am Datum, also das Datum, an dem wir connected haben mit dieser Person. So, wenn wir jetzt wieder in Julius AI sind, klicken wir oben auf New Thread und haben dann hier quasi das klassische Chatfenster. Und genau hier laden wir jetzt unsere Connections-File mit rein. Klicken wir auf Upload Sheet oder auf Google Sheets. Wir klicken auf Connections und geben dann noch ein Prompt hinzu und sagen Julius AI erst mal: Das ist ein Datenexport aller meiner LinkedIn-Kontakte. So, und jetzt sehen wir, wie in der Mitte schon die ersten Analysen stattfinden. Julius versteht oder versucht also erst mal diese File zu verstehen. Das hat jetzt ein bisschen gedauert. Jetzt sagt er, dass er die Daten reingeladen hat und verstanden hat und ich 8.662 Connections habe. Mit so viel Zeilen könnte ChatGPT nicht sinnvoll umgehen. Wenn ihr weniger, deutlich weniger Connections habt, dann könnt ihr so eine Analyse auch mit ChatGPT machen. So, und jetzt hat Julius schon die ersten Analysen selbst gemacht, ohne dass ich danach gefragt habe, und zwar einmal, wie viel neue Connections ich in den letzten zwölf Monaten jeden Monat hinzu bekommen habe. Also sehen irgendwie im Februar 24 waren das wohl 35 und im Oktober 2024 waren es über 100. Dann wird angezeigt, aus welchen Unternehmen die meisten meiner Kontakte kommen. Nummer eins: Bain & Company, mein erster Arbeitgeber, wo ich dreieinhalb Jahre als Consultant gearbeitet habe. Dann interessanterweise aus Wolt und Just Eat Takeaway, beides entfernte Competitor aus meinem Restaurant-Tech-Unternehmen, viele Selbstständige, Google, Uber, McKinsey, Amazon, Gründer, die ihren Unternehmensnamen noch nicht bekannt gegeben haben, SumUp, eine Payment-Firma, weil wir auch in Payment waren mit dem mit der Restaurant-Tech-Firma. Also erst mal generell interessant zu sehen, wo arbeiten eigentlich die meisten meiner Kontakte. Aber fairerweise, von 8.500 Kontakten sind halt 58 bei Bain, ist auch nicht extrem konzentriert. Und dann sehen wir noch die Top Positions. Und noch mal ein Hinweis: Ich habe noch gar nichts gesagt. Also ich habe Julius nicht gesagt: Mache irgendeine Analyse und gib mir diese Daten. Ich habe nur das Datensheet reingedroppt, und Julius versteht automatisch, was coole Analysen wären und gibt mir hier die Informationen. Ich habe sehr viele Founder und Co-Founder in meinem Netzwerk, Partner, Founder CEO, CEO Geschäftsführer, Managing Director, CEO Managing Partners. Und hier noch ein kleiner Analysesatz, dass mein Netzwerk strong entrepreneurial focus hat, also viele Entrepreneurs und ja, generell hier noch ein Mini-Überblick, dass sich die 8.600 Personen, also Mini-Insight, 8.600 Personen in Summe 4.000 oder fast 5.000 unterschiedliche Titel haben und ja, alle Connections bis inklusive dem 13. November hier mit drin sind. Und jetzt werde ich gefragt, ob ich noch spezifische andere Aspekte meines Netzwerks weiter analysieren möchte. Jetzt fragen wir einfach mal: Erstelle ein Chart mit den Top-10-Ländern, aus denen meine Kontakte stammen, sortiert nach Anzahl. Die Frage war eigentlich nicht so richtig schlau oder klar gestellt, denn in den Connections, in der CSV-Datei, die wir runtergeladen haben, steht das Land der Person überhaupt gar nicht mit drin. Und jetzt will ich hier nur mal zeigen, wie Julius trotzdem versucht, 'n Weg zu finden, um an diese Info zu kommen. Hier im ersten Schritt sagt er: Okay, es kann sein, dass die URLs von LinkedIn in quasi der in der URL ein Country-Code mit drin haben. Analysiert das dann, kommt aber nicht wirklich zu einem Ergebnis. Dann sagt er: Okay, wir probieren noch mal was anderes. Und zwar suchen wir irgendwelche common Keywords und Patterns für unterschiedliche Länder, zum Beispiel für Deutschland. Such nach GmbH, AG, Deutschland, German, Berlin, Munich. Wenn es eine UK-Company ist, such nach Limited, London, UK. Wenn es eine US-Company ist, so schau nach Inc. und so weiter und so fort. Und ja, nähert sich quasi dem Problem, um eine Lösung zu finden. Und hat tatsächlich zumindest für 827 deutsche Personen oder 827 Personen gefunden, wo es Hinweise darauf gibt, dass sie in Deutschland sind. Allerdings, klar, sehen wir auch, dass es für 7.333 Personen nicht der Fall ist. Also jetzt keine Frage, die wir ja grundsätzlich mit den Daten beantworten können. Aber trotzdem spannend mal zu sehen, wie ein Julius hier vorgeht, um zum Ergebnis zu kommen. Jetzt stellen wir noch mal eine andere Frage, und zwar: Was sind die Top-10-Branchen, die in meinem Netzwerk am stärksten vertreten sind? Ordne zunächst jeder Person eine Branche zu und zähle dann die Personen je Branche. Zeig mir das Ergebnis in einem Chart. Und hier haben wir jetzt als Ergebnis bekommen: hier erst mal ein Chart. Other, also vielleicht nicht ganz zuordenbar. Sales, Start-ups, Entrepreneurship, Marketing und Media, Tech und Software und so weiter. Hier auch noch mal als Tabelle und dann auch quasi noch mal eine ausgeschriebene Analyse, wo auf die einzelnen Gruppen eingegangen wird und gesagt wird, dass diese Verteilung auf ein stark technologie- und innovationsorientiertes Netzwerk hinweist, mit besonderem Fokus auf Entrepreneurship und digitalen Medien. Jetzt werde ich auch noch gefragt: Möchten Sie eine detailliertere Analyse bestimmter Branchen oder sollen wir untersuchen, wie sich diese Verteilung über die Zeit entwickelt hat? Und die Idee, das Ganze zu übersuchen untersuchen, wie sich die Verteilung über die Zeit entwickelt hat, schauen wir uns doch einfach mal an. So, und hier sehen wir jetzt, dass er im Ergebnis mir gezeigt hat, wie viel neue Connections, also an der Y-Achse stehen die neuen Connections, die jeden Monat hinzugekommen sind. Wir haben also hier rechts können wir mit dem Color-Code sehen. Das ist jetzt wahrscheinlich eine Info, die jetzt ein bisschen witzlos ist und ja, nicht nicht superwichtig. Hier ist noch mal ein anderes Chart, was im Wesentlichen das Gleiche zeigt, aber halt in einem Barchart und nicht in so einem, ja, Flowchart oder wie auch immer man das nennt. Und auch die Analyse aber jetzt unten drunter ist wieder relativ spannend. Und zwar bekomme ich hier gesagt, welche Bereiche am schnellsten wachsen, also Marketing und Media und Tech und Software. Ich bekomme beispielsweise gesagt, dass der Anteil von Financial Services in letzter Zeit etwas zurückgegangen ist, was bestimmt auch stimmt, da ich nicht mehr in dem Bereich arbeite. Und ja, werde jetzt hier wieder gefragt, ob ich hier noch weiter einsteigen möchte, um saisonale Muster zu erkennen, Korrelation zwischen verschiedenen Branchen oder Detailanalysen einer spezifischen Branche. Also ich kann hier noch mal deutlich tiefer einsteigen, wenn ich das gerne möchte. Jetzt stelle ich aber mal eine ganz andere Frage, und zwar: Was sind die Top-10-Fähigkeiten und -Expertisen in meinem Netzwerk, die am häufigsten vertreten sind? Und zwar muss Julius jetzt verstehen: Okay, was haben die Leute eigentlich für Rollen und was können die Leute wahrscheinlich in ihren Rollen? So, und hier sehen wir jetzt im Ergebnis: Sehr viele Personen haben Leadership-Skills, dann Sales, Data. Und auch hier gibt es eigentlich wieder eine gute Zusammenfassung. Und zwar sehen wir hier zunächst, dass jeder Person ein Skill zugewiesen wurde. Ich hätte jetzt Julius auch noch sagen können, dass jeder Person bis zu drei unterschiedliche Skills geben könnte. Dann würde das Ganze noch mal ein bisschen unterschiedlich aussehen. Aber so ist Julius jetzt vorgegangen, dass eben jemand, der eine C-Level-Rolle hat, Leadership bekommt und jemand, der im Sales arbeitet, die ein Sales-Skill hier bekommt. Wie jetzt eine Person, die in CSO ist, bewertet wurde, das kann ich nicht genau sagen. Das könnte man aber auch herausfinden, indem man jetzt zum Beispiel nach einer genauen Person fragt oder eben hier noch mal in den Code ein bisschen genauer einsteigt, der dahin zugeführt hat. Und ja, es gibt hier auch wieder eine Synthese, eine Zusammenfassung, dass quasi die hohe Leadership-Kompetenz auf ein sehr seniorlastiges Netzwerk hindeutet und fragt mich hier wieder, ob ich irgendwo noch weiter einsteigen möchte, um noch mehr Infos zu bekommen und einen weiteren Deep-Dive zu machen. So, jetzt wollen wir das aber mal für ein konkretes Business-Thema nutzen, also nicht nur irgendwie unsere unser Netzwerk analysieren, sondern wir wollen Infos rausbekommen, die uns helfen für unsere unser eigenes Business für die nächsten Steps. Und zwar habe ich hier gepromptet: Im Januar 2025 starten wir den snipKI-Führerschein mit Fokus auf Marketingagenturen und Marketingabteilungen. Liste alle Entscheidungsträger aus Marketingagenturen und Marketingabteilungen in Deutschland, Österreich und der Schweiz auf, die ich anschreiben sollte. Hier muss man bedenken, wir haben begrenzte Informationen hier mit reingegeben. Wir haben nicht die Detailprofile logischerweise jeder einzelnen Person zur Verfügung. Hier muss Julius also wieder über die Firmen, Unternehmensnamen und über die Titel gehen, um die relevanten Personen zu finden. So, und jetzt schauen wir uns mal an, was Julius gemacht hat. Zunächst wurden die Keywords definiert für Marketing-Rollen und Decision-Makers. Julius hat also quasi gesagt: Okay, nach was muss ich suchen, um zu entscheiden, ob die Person eine relevante Person ist? Und ist dann quasi eingestiegen und hat jede einzelne Person analysiert und hat dann noch überlegt, ob die Person einer Agentur zuzuordnen ist oder einer allgemeinen Marketing-Position oder im Brand-Management arbeitet oder im Marketing-Department. Und hat das dann hier noch mal aufgelistet. Hat uns dann einige Leute noch genannt, die ich jetzt hier einfach mal überspringe. Und ja, gibt dann noch so ein paar Tipps, fragt mich, ob ich eine komplette Liste haben will aller Personen, ob ich das irgendwie noch geografisch gesplittet haben möchte, ob ich die Liste einfach als Excel runterladen möchte und so weiter und so fort. Also es wurden zusammengefasst 51 relevante Entscheidungsträger in 44 unterschiedlichen Unternehmen rausgesucht, also eigentlich genau das, was ich brauche. So, was hier auch noch dabei ist bei dem Export, ist jede einzelne Nachricht, die ich je geschickt habe oder die ich je bekommen habe. Und was wir jetzt machen können, also datenschutzrechtlich würde ich die jetzt nicht einfach irgendwo reinladen. Allerdings können wir ja die Personennamen rauslöschen, sowohl den Sender als auch den Empfänger, und können so die Inhalte der Nachrichten analysieren. Zum Beispiel, wenn wir gerne wissen würden, was über was wir so im Schnitt sprechen, was die Gesprächsthemen sind, können wir da eine interessante Analyse fahren. Und genau das machen wir jetzt. Im ersten Schritt würde ich die Namen rauslöschen und dann auch gleich die File in Julius reinladen. So, und ich habe jetzt hier die gecleanten Nachrichten und zwar nur die aus 2024 hochgeladen. Sind immer noch über 2.300 Nachrichten. Und also alle Namen und so weiter habe ich entfernt. In der Regel habe ich auch keine irgendwie confidential Information, die ich in LinkedIn-Nachrichten austausche. Ihr müsst natürlich selbst überlegen, ob ihr euch damit wohlfühlt, ob da irgendwelche Informationen drin sind, die ihr vielleicht vorher rausnehmen wollt, schwärzen wollt. Ihr könnt ja vorher, wenn ihr wisst, ihr habt mit gewissen Personen sehr confidential Informationen ausgetauscht, dann müsst ihr natürlich vorher eure Daten cleanen, bevor ihr hier was reinladet. Wie gesagt, Julius lernt auch nicht damit, aber natürlich geht das Ganze irgendwie auf einen US-Server. Dem müsst ihr euch hier auf jeden Fall bewusst sein. Und jetzt sehen wir hier, dass ohne, ich habe nur gesagt: Hier sind alle meine Nachrichten, die ich mit verschiedenen Personen in 24 auf LinkedIn geschrieben habe. Ich habe noch keine Angaben gemacht, was ich gerne analysieren möchte. Und dann geht hier alles Mögliche an Python-Script los und bzw. Analysen. Und am Ende bekommen wir unaufgefordert die ersten interessanten Analysen. Und die erste Analyse hier ist, wie viele Nachrichten ich quasi über das Jahr 2024 geschrieben habe. Wir können hier auf Static klicken, können aber auch auf Interactive klicken, haben also hier die Möglichkeit, über Interactive quasi auf die einzelnen Daten zu gehen und dann ja, die die Anzahl der geschriebenen Nachrichten zu sehen. Also ist auch relativ spannend. Also insgesamt 2.330 Nachrichten in 674 einzigartigen Unterhaltungen, durchschnittlich acht Nachrichten pro Tag, Höchstwert 41 an einem Tag, aktive Kommunikation an 293 Tagen, was fast jeder Tag wahrscheinlich ist. Thematische Schwerpunkte, was auch spannend ist: Meetings, Calls, klar, ja: Wollen wir mal quatschen? Wann hast du Zeit? Bitte schick mir mal dein Calendly. Mögliche Partnerschaften. Plattform ist ganz klar snipKI. Fragen ist natürlich sehr generisch, Interesse auch, Preiskosten, klar, kann sich irgendwie auf ein Produkt beziehen. Und jetzt natürlich interessant hier auch, dass er den KI-Führerschein hier schon rausstellt. Dann auch eine interessante Analyse: Die Nachrichten nach Tageszeit. Wir sehen, in der Nacht schreibe ich relativ wenig Nachrichten, aber auch teilweise, die meisten Nachrichten morgens um 8:00 Uhr und ja, dann geht's über den Tag wieder runter, bis wir dann um Mitternacht nur noch sehr wenige Nachrichten haben. So, und jetzt bekommen wir wieder gewisse Fragen, ob wir irgendwo weiter einsteigen wollen, tiefer gehen wollen. Mich interessiert jetzt aber, wie sich meine Gesprächsinhalte von Monat zu Monat verändert haben. So, und hier sehen wir jetzt, dass eine Heatmap erstellt wurde. Wir also in jedem einzelnen Monat sehen, welche Themen am meisten besprochen wurden. Und das ist eine eine absolute Heatmap, also in dem Monat Januar waren es relativ wenig Nachrichten, deswegen gibt's keine dunkelrote Einfärbung hier. Wir sehen, dass so 37 Nachrichten zu einem Thema in einem Monat das Peak sind. Und davon ableitend, wie wir auf der rechten Seite sehen, färbt er quasi diese ganze Karte ein. So, jetzt möchte ich aber vielleicht keine Heatmap, sondern möchte so ein 100%-Stacked-Bar der Gesprächsthemen in jedem einzelnen Monat. Da fragen wir jetzt einfach mal danach. Und jetzt, bevor wir zum Stacked-Bar kommen, hier noch ein Ergebnis, was ich gerade noch gar nicht gesehen habe: die Evolution der Hauptthemen. Q1: Fokus auf Netzwerkaufbau und Support. Verstärkter Vertriebsfokus in Q2, in Q3 Produkt- und Preisgestaltung, in Q4 Konsolidierung aller Themenbereiche. Gut, ob das jetzt so ja so insightful ist, muss man selbst entscheiden. So, und auch hier sehen wir jetzt im 100%-Stacked-Bar, wie sich die Gesprächsthemen über die Zeit verändert haben. Und wir sehen, dass jetzt hier im November 24 der KI-Führerschein ganz neu dazugekommen ist. Und haben hier quasi noch ein bisschen weiteren Breakdown und können noch weiter einsteigen. Haben hier jetzt quasi je Quartal noch ein Ergebnis, eine Zusammenfassung. Sehen also, dass Julius wirklich wie ja, ein kleiner cooler Data-Analyst-Praktikant arbeitet, der mir nicht einfach nur irgendwelche Charts gibt, sondern der immer mitdenkt und ja, mir Vorschläge für weitere Analysen gibt und das Ganze auch irgendwie zusammenfasst und logische, ja, Ableitungen aus den Daten zieht, was sehr spannend ist. Ja, und das war's auch schon. Wir haben gelernt, wie man mit Julius AI sein LinkedIn-Netzwerk effektiver nutzen kann. Und du kannst entweder gezielt nach Geschäftsmöglichkeiten suchen, generell einfach versuchen, dein Netzwerk ein bisschen besser zu verstehen, potenzielle Kunden oder Partner identifizieren. Und ja, Julius AI als Tool superspannend, der kleine Data Analyst in your in your Pocket, sozusagen. Und probiere das Tool gerne aus, analysiere deine Daten und lass uns gerne wissen, was du für spannende Erkenntnisse über dein Netzwerk gewonnen hast. Und ja, bis zum nächsten Mal.