Webinar-Themenblock · KI im Marketing und Verkauf
LinkedIn bewertet seine Mitglieder: nach Bekanntheit, nach Fachwissen, nach Kaufkraft. Wer den eigenen Datenexport liest, sieht diese Einordnung schwarz auf weiss. Dieser Block zeigt, wie die Analyse funktioniert, welche Prompts dabei helfen und wie daraus eine Strategie wird.
00 · Video
Janet und Roger zeigen Dir Schritt für Schritt, wie Du Deinen Export liest und was die Scores bedeuten.
Ausgangspunkt
Wer auf LinkedIn als Expert:in gelten will, wird zuerst von einer Maschine eingeordnet. Erst danach von Menschen.
Ein Mensch liest eine Headline und glaubt sie. Ein Modell vergleicht: Was steht in den Positionen? Worüber schreibt die Person seit Jahren? Wer bestätigt das? Wenn diese Signale auseinanderlaufen, gewinnt die Vergangenheit gegen die Selbstbeschreibung.
Das hat Folgen für Sichtbarkeit, Suche und Empfehlungen. Wer seine Positionierung verändert hat, etwa vom Marketing zur KI oder von der Linie zur Beratung, wird oft noch Jahre später in der alten Rolle gelesen. Der Datenexport macht diese Verzögerung sichtbar und messbar.
Schritt 1
| Datei | Was sie zeigt | Wofür |
|---|---|---|
| Inferred Credibility Scores.csv | Bekanntheits- und Fachwissens-Scores, mit Datum pro Messung | Wie LinkedIn deine Expertise einstuft |
| Inferences_about_you.csv | Abgeleitete Interessen und Merkmale, mit Erklärung | Was LinkedIn über dich vermutet |
| Ad_Targeting.csv | Werbesegmente, Interessen, Skills, Standorte | Wie du an Werbetreibende verkauft wirst |
| LAN Ads Engagement.csv | Werbung, die dir ausserhalb von LinkedIn gezeigt wurde | Wie weit dein Profil reicht |
| Positions.csv, Skills.csv, Honors.csv, Publications.csv | Struktur deines Profils | Ursachen der Scores finden |
| Recommendations_Received.csv, Endorsement_Received_Info.csv | Bestätigung durch Dritte | Validierung prüfen |
| Ordner Articles | Deine Langform-Beiträge und Newsletter-Ausgaben | Themenschwerpunkt über die Zeit |
Nicht jedes Konto enthält jede Datei. Die Credibility Scores tauchen in Exporten erst seit 2026 auf und fehlen bei manchen Konten.
Schritt 2
Die Score-Datei ist eine lange Tabelle. Jede Zeile ist eine Bewertung, jede Spalte ein Messzeitpunkt. So sieht der Aufbau aus (Werte erfunden):
ScoreType,Topic,Category,Range,2026-09-14,2026-08-17 Notability,,Event speaker,0-5 (integer),3,3 Notability,,Honors,0-5 (integer),1,1 Notability,,Aggregated notability score,0-5 (continuous),1.62,1.70 Knowledge,AI Tools & Applications,Topic score,,-0.79,0.33 Knowledge,AI Tools & Applications,Topic normalized score,"1-4 (continuous, 2 decimals)",2.31,2.52 Knowledge,Digital Strategy,Role and scope,1-4 (integer),4,4 Knowledge,Digital Strategy,Validation and influence,1-4 (integer),3,3
Die Kategorien passen auffällig genau zu einzelnen Profilbereichen. Diese Zuordnung ist hergeleitet, nicht von LinkedIn bestätigt.
Positions, Headline →
Role and scope, Tenure
Was du seit wann machst
Articles, Posts, Kommentare →
Content and output, Topic scores
Worüber du tatsächlich schreibst
Education, Certifications →
Education and credentials
Formale Nachweise
Recommendations, Endorsements →
Validation and influence
Wer dich bestätigt
Honors, Publications →
Honors, Academic contributions
Strukturierte Belege
Featured, Medienlinks →
Media recognition
Erwähnungen, die maschinenlesbar sind
Einordnung
LinkedIn legt die Scores im Export offen, erklärt sie aber nirgends. Belegt ist das Umfeld: welche Profildaten das Ranking nutzt und wie Werbung ausgesteuert wird.
| Aussage | Status | Grundlage |
|---|---|---|
| Das Feed-Ranking nutzt Berufserfahrung, Skills, Ausbildung und Headline | offiziell | LinkedIn Engineering Blog, März 2026 |
| Demografische Merkmale fliessen nicht ins Ranking ein | offiziell | LinkedIn Engineering Blog, März 2026 |
| Ältere Interaktionen verlieren nach rund 60 Tagen die Hälfte ihres Einflusses | offiziell | Forschungspapier, Februar 2026 |
| Profildaten werden standardmässig für KI-Training genutzt (Widerspruch möglich) | offiziell | Datenschutzrichtlinie, seit 3. November 2025, auch für die Schweiz |
| Abgeleitete Interessen werden an Werbetreibende vermarktet | offiziell | Beschreibungen in der Datei selbst |
| Die Credibility Scores beeinflussen Suche, Feed oder Empfehlungen | Hypothese | Naheliegend, aber nicht dokumentiert |
| Profilbereiche speisen die einzelnen Prüfdimensionen | Hypothese | Hergeleitet aus Struktur und Werten |
Schritt 3
Alle Prompts folgen dem GCES-Schema. Sie funktionieren in jedem KI-Assistenten, der CSV-Dateien lesen kann. Reihenfolge einhalten: Jeder Prompt baut auf dem Ergebnis des vorherigen auf.
Prompt 1 · Inventar
Ziel: Verschaffe mir einen Überblick über meinen LinkedIn-Datenexport. Kontext: Ich lade dir die Dateien hoch. Mich interessiert nur, was LinkedIn über mich ableitet oder bewertet, nicht meine Kontakte oder Nachrichten. Format: Tabelle mit Spalten Datei, Inhalt in einem Satz, Anzahl Zeilen, Relevanz fürs Profiling (hoch/mittel/tief). Quelle: Nur die hochgeladenen Dateien. Wenn eine Datei fehlt, sag es, statt zu raten.
Prompt 2 · Scores
Ziel: Lies die Datei "Inferred Credibility Scores.csv" aus und erkläre meine Einstufung. Kontext: Jede Spalte ab der fünften ist ein Messdatum, die neueste steht links. Leere Zellen heissen: an diesem Tag nicht gemessen. Format: 1. Notability: alle Teilwerte, Gesamtwert, Stufe, Veränderung seit der ersten Messung. 2. Knowledge: die 10 höchsten und 5 tiefsten Themen (normierter Wert, neueste Messung). 3. Fachgebiete: Tabelle mit den fünf Prüfdimensionen pro Fachgebiet. 4. Auffälligkeiten: Welche Werte haben sich verändert, und betrifft das viele Themen gleichzeitig? Quelle: Nur die Datei. Rechne mit Code, nicht im Kopf.
Prompt 3 · Herleitung
Ziel: Finde für jeden auffällig tiefen oder hohen Score eine plausible Ursache in meinem Profil. Kontext: Vergleiche die Scores mit Positions, Skills, Honors, Publications, Certifications, Recommendations_Received und dem Ordner Articles (Themen nach Jahr). Format: Tabelle Score, Wert, vermutete Ursache, Beleg aus der Datei. Kennzeichne jede Ursache als "belegt" (direkt aus den Daten ablesbar) oder "Hypothese". Quelle: Nur meine Dateien. Keine Annahmen über LinkedIns Algorithmus als Tatsache darstellen.
Prompt 4 · Werbeprofil
Ziel: Zeig mir, wie LinkedIn mich für Werbetreibende einordnet. Kontext: Dateien Ad_Targeting, Inferences_about_you, LAN Ads Engagement. Format: (1) Segmente und abgeleitete Merkmale, die mich überraschen könnten. (2) Interessen und Skills, die nicht zu mir passen. (3) Wo ausserhalb von LinkedIn mir Werbung gezeigt wurde. (4) Welche Einstellungen ich unter "Werbedaten" anpassen kann. Quelle: Nur die Dateien. Bei Einstellungen nur nennen, was du sicher weisst, sonst als offen markieren.
Prompt 5 · Lücke
Ziel: Vergleiche meine LinkedIn-Einstufung mit meiner Zielpositionierung. Kontext: Ich will wahrgenommen werden als [ROLLE] für [THEMA], meine Zielgruppe sind [ZIELGRUPPE]. Nutze die Ergebnisse aus den vorherigen Schritten. Format: (1) Abstand zwischen Selbstbild und Score pro Kernthema. (2) Die drei grössten Lücken, sortiert nach Wirkung. (3) Für jede Lücke: Hebel im Profil und Hebel im Content. Quelle: Meine Daten und meine Angaben oben. Wo du schätzt, sag es.
Prompt 6 · Profil
Ziel: Erstelle eine Checkliste für mein Profil, die meine Lücken schliesst. Kontext: Die Zielpositionierung und Lücken aus dem vorherigen Schritt. Umsetzung innert 30 Tagen. Format: Checkliste mit Bereich (Headline, Positionen, Skills, Honors, Publications, Featured, Empfehlungen, Zertifikate), konkreter Änderung und welchem Score sie hilft. Für die Headline drei Varianten unter 220 Zeichen. Quelle: Nur Angaben, die in meinem Profil oder von mir belegt sind. Nichts erfinden.
Prompt 7 · Themen
Ziel: Entwickle 4 bis 5 Themenblöcke für meinen LinkedIn-Auftritt. Kontext: Zielpositionierung und Lücken wie oben. Alte Themen, die nicht mehr passen, sollen nur noch als Anwendungsfeld des Kernthemas vorkommen. Format: Tabelle Block, Kernfrage, Anteil in Prozent, welcher Score davon profitiert. Danach pro Block 6 Inhaltsideen, die auf meiner echten Arbeit beruhen (Projekte, Methoden, Erfahrungen). Quelle: Meine Artikel und Positionen als Material. Keine generischen Ideen ohne Bezug zu mir.
Prompt 8 · Messung
Ziel: Erstelle einen Messplan für die nächsten 12 Monate. Kontext: Ich mache alle drei Monate einen neuen Export. Die heutigen Werte aus Prompt 2 sind der Ausgangspunkt. Format: Tabelle Kennzahl, Wert heute, Ziel in 6 Monaten, Ziel in 12 Monaten. Ergänze eine Geschäftskennzahl (zum Beispiel Anfragen über LinkedIn), die ich selbst erfassen muss. Quelle: Meine Scores. Ziele realistisch setzen und kurz begründen.
Schritt 4
Die Analyse beantwortet, wie LinkedIn dich liest. Die Strategie entscheidet, wie du das in zwölf Monaten verschiebst. Das Profil wirkt schnell, Inhalte wirken langsam. Deshalb kommt das Profil zuerst.
Woche 1
Ausgangslage
Scores, Lücken und Ursachen festhalten. Das ist der Basiswert für jede spätere Messung.
Woche 1 bis 2
Zielbild
Ein Positionierungssatz, eine Kernfrage, drei Zielgruppen in klarer Reihenfolge.
Woche 2 bis 6
Profil-Hebel
Headline, Positionen, Skills, Honors, Publications. Empfehlungen gezielt einholen.
ab Woche 4
Themenblöcke
4 bis 5 Blöcke mit festem Anteil. Jeder Beitrag gehört zu genau einem Block.
laufend
Rhythmus
3 bis 4 Beiträge pro Woche, Formate fest zugeordnet, täglich gezielt kommentieren.
alle 3 Monate
Messung
Neuer Export, gleiche Werte vergleichen, Anteile der Blöcke nachjustieren.
Sie will als Expertin für KI in der Buchhaltung gebucht werden. Der Export zeigt: "Accounting" bei 3.4, "AI Tools" bei 1.9, Validation bei 2. Ihre Positionen beschreiben 15 Jahre klassische Treuhand, kein einziges Projekt mit KI.
| Befund | Profil-Hebel | Content-Hebel |
|---|---|---|
| KI kommt im Profil nicht vor | Aktuelle Position um zwei KI-Projekte ergänzen, Top-Skills umstellen | Block "KI im Monatsabschluss" mit 30 % Anteil |
| Validation tief | Fünf Kund:innen um Empfehlungen bitten, die KI konkret nennen | Fallbeispiele mit Freigabe, Kund:innen markiert |
| Fachwissen stark, aber alt | Bisherige Positionen als Fundament formulieren | Block "Was KI in der Buchhaltung nicht kann" verbindet beides |
Vorsicht
Hinweis
Die Scores sind nicht dokumentiert. Jede Erklärung, wie sie entstehen und wofür sie verwendet werden, ist eine Herleitung. Sie kann sich mit jedem Modell-Update ändern.
Die Plattform liest deine Geschichte, bevor sie deine Headline glaubt. Wer seine Positionierung ändern will, muss beides verändern.
Selbstlernkurs · Ab 20. Oktober
Jetzt weisst du, wie LinkedIn dich liest. Im Kurs LinkedIn Power: Das Umsatzsystem lernst du, wie du daraus Sichtbarkeit bei kaufbereiten Menschen machst. Nicht durch mehr Content, sondern durch ein klares System.
58
Lektionen, über 10 Stunden Video
24
Monate Zugriff
2026
Updates inklusive
Sicherer Kauf über Digistore24 · 14 Tage Widerrufsrecht · Rechnung inklusive
FAQ
Ja. Jedes Mitglied kann den eigenen Export jederzeit kostenlos anfordern. Das vollständige Archiv ist in der Regel innert 24 Stunden bereit.
Die Datei taucht erst seit 2026 in Exporten auf und ist nicht bei allen Konten enthalten. Fordere das grössere Gesamtarchiv an, nicht nur einzelne Kategorien. Fehlt sie trotzdem, funktionieren die Prompts 1, 4 und 5 bis 7 auch ohne Scores.
Jeder Assistent, der CSV-Dateien lesen und Code ausführen kann, zum Beispiel ChatGPT, Claude oder Gemini. Wichtig ist, dass er rechnet statt schätzt. Für sensible Daten ein Tool oder einen Tarif ohne Training auf Nutzerdaten wählen.
Nur die nötigen Dateien. Nachrichten, Kontakte, Telefonnummern und Logins mit IP-Adressen gehören nicht in ein KI-Tool. Sie sind für die Analyse unnötig.
Indirekt ja: über Profil und Inhalte. Das Profil wirkt schnell, Inhalte wirken langsam. Weil die Scores relativ sind, zeigt sich ein echter Trend aber erst über mehrere Exporte.
Alle drei Monate. So siehst du, ob sich deine Positionierung verschiebt, und erkennst Neukalibrierungen, wenn viele Themen am selben Tag fallen.
Wer LinkedIn systematisch als Marketing- und Vertriebskanal nutzen will, findet im Kurs LinkedIn Power: Das Umsatzsystem das komplette System: 58 Lektionen, über 10 Stunden Video, für einmalig 599 €.
Über die Autor:innen
Dieser Themenblock entstand im Rahmen von KI-Power.me: praktische KI für den Arbeitsalltag, kompakt, anwendbar und ohne Hype.
Co-Host des Podcasts "KI Kann ich" und Teil von KI-Power.me.
KI-Berater, Keynote Speaker, Dozent und Buchautor aus Zürich. Er begleitet über 60 Unternehmen bei der Einführung von KI, hält jährlich über 100 Keynotes und unterrichtet an mehreren Schweizer Hochschulen. Über 14 Bücher.
"Künstlich ist die Maschine. Intelligenz muss vom Menschen kommen."
Quellen