通过数据分析探索我的 LinkedIn 之旅

原文：towardsdatascience.com/exploring-my-linkedin-journey-through-data-analysis-c03f614000cd

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/4f8fdabc7d0d44cdb7ff66e59a5c84e7.png

标签网络图可视化 - 图片由作者提供

简介

今天，LinkedIn 是领先的职业社交平台。我在那里开始了我的旅程，好几年前，我分享了我的工作和职位信息。然而，在过去的一年里，我决定更专注于创建与我新的数据与分析工作经历相关的内 容。具体来说，我一直在发布和分享关于领导力、团队发展和地理空间分析的故事，包括数据可视化和图论。

从 LinkedIn（LI）中，你可以提取各种统计数据，如曝光次数、互动次数和每日粉丝增长。此外，还有一个 LI API 可以用来获取更详细的统计数据。在过去的一年里，我收集了自己 LinkedIn 帖子的数据，目的是展示如何将数据分析应用于此类数据集。在这篇文章中，我将分享我通过一年跟踪我的 LinkedIn 活动所学到的东西。

在第一部分，我将讨论诸如受众、测量、收集数据、工具和标准等软性因素。然后，我将提供更详细的数据导向分析，包括几个数据结果。帖子在几周内的表现如何？一个人如何找出标签的工作方式？这些将是最后两个部分的主题。如果你对此感兴趣，请考虑点赞、关注或在 medium 上分享。

---

受众 - 互动 - 测量

在 LinkedIn（LI）上，你可以通过诸如被动曝光（即你的帖子被展示给其他人的次数）和主动参与度指标（如点赞、评论和分享）等指标来衡量帖子的成功。例如，我过去一年分享了一篇关于代码质量和可读性的帖子，你可以从下面的屏幕截图中看到。LinkedIn 算法会影响有多少人能看到你的帖子，但你收到的点赞数量取决于你的受众。为了更好地理解这个算法和我的受众的偏好，我过去一年收集了自己的数据集并对其进行了分析，以识别模式和趋势。现在，让我更详细地描述这个数据集。

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/64f50c1f3cb6c8b1eaa0e1f2d9ba3d3e.png

屏幕截图展示了一篇关于代码可读性的帖子，图片由 midJourney.ai 生成 - 图片由作者提供。

---

数据描述

起始点：我已经收集了我个人社交媒体帖子中的面板数据，这些数据包括每条帖子的发布时间和日期、当时我的粉丝数量、帖子的内容（例如，前一小时发生了什么，主要话题类别，是否包含图片），以及我对帖子成功程度的个人印象。这个数据集以表格形式呈现，以便进行分析。