/linkedin-audit · Audit statistique
Maintenu parAleksander SiebertCe qui marche vraiment sur ton compte, à partir de l'export de tes statistiques : médiane, motifs testés par permutation, motifs confondus signalés, et expériences chiffrées avec critère d'échec.
Installer
Comment l'installer sur Claude ?
- 1Téléchargez le fichier du Skill depuis sa fiche
- 2Dans Claude : Réglages → Capacités, activez l'exécution de code
- 3Personnalisation → onglet Skills → « + Ajouter », puis importez le fichier
Disponible sur tous les forfaits, y compris gratuit. Le Skill s'active automatiquement dès qu'une conversation correspond.
Ce que ce Skill change
Le problème
On juge ses posts aux impressions, et on change de stratégie sur la foi de quatre posts.
Avec ce Skill
Un script lit l'export .xlsx, refuse de conclure sous 10 posts, ne garde que les motifs qui passent quatre filtres et dit combien de temps une vraie expérience demanderait.
Ce que tu peux lui demander
Une fois le Skill installé, copie une de ces demandes dans ta conversation.
« Voici l'export de mes statistiques LinkedIn : qu'est-ce qui marche chez moi ? »
« Rien n'a survécu » est aussi une réponse.
Variantes sectorielles
Tu travailles dans un secteur spécifique ? Propose ta variante ou ta propre ressource.Le fichier complet, tel que ton IA le lira (203 lignes). Tu peux l'adapter librement.
- name
- linkedin-audit
- description
- Dit ce qui marche vraiment sur un compte LinkedIn, à partir de ses propres données (export .xlsx des statistiques, CSV, captures), sans conclure trop vite : taux d'engagement défini, médiane et écart absolu médian, bandes (exceptionnel à très faible), top et flop 5 (script) ; motifs testés (formule, format, pilier, longueur, lien, appel à l'action, réponse rapide, jour et créneau horaire en dernier) avec 4 filtres : 5 posts par groupe, effet de 15% au moins, test de permutation, faux positifs attendus, et motifs confondus signalés ; refus sous 10 posts ; « rien n'a survécu » est un résultat ; plan d'expérience chiffré avec critère d'échec écrit avant ; conversations et prospects avant la portée ; page et profil séparés ; leçons proposées pour apprentissages.md. Utilise-le pour « qu'est-ce qui marche chez moi ? », « analyse mes stats LinkedIn », « les carrousels marchent-ils mieux ? ». Pas pour auditer le profil (/linkedin-profile) ni la page (/linkedin-entreprise).
linkedin-audit
La seule source honnête de ce qui marche pour un compte, c'est ce compte. Mais la phrase typique de l'analyse LinkedIn, « les carrousels font ×3 chez moi », repose souvent sur quatre posts. Avec des résultats aussi dispersés, quatre posts montrent un ×3 entre presque n'importe quels groupes. Ce Skill décrit honnêtement, teste avant de conclure, et transforme une intuition en expérience.
À lire avant de commencer : commun/regles.md et commun/preuves.md.
1. Les données
Uniquement celles de l'utilisateur. Rien n'est lu sur LinkedIn (règle 1) : l'extraction de données est interdite (aide LinkedIn a1341387).
| Source | Comment |
|---|---|
| Export des statistiques du profil | Profil, section Statistiques (Analytics), « Afficher toutes les statistiques », bouton Exporter : un fichier .xlsx (aide LinkedIn a704175). audit.py le lit directement ; choisir la feuille avec --feuille |
| Export des statistiques de la page | Page, Statistiques, Exporter (aide LinkedIn a551206) : à auditer à part (--voix page) |
| Un tableau fait à la main | un post par ligne : date, impressions, réactions, commentaires, republications, et si possible enregistrements, envois. Modèle : assets/modele-posts.csv |
| Captures | recopier les chiffres dans le modèle |
L'export ne dit pas quelle formule, quel pilier, quel appel à l'action : le
script les reprend de journal.md (même date) avec --journal. C'est pour ça
que /linkedin-post y écrit une ligne par post publié.
Page et profil ne se mélangent jamais : deux audiences, deux
dénominateurs. Le script le signale (colonne voix).
2. Les métriques, dans l'ordre qui compte
D'après linkedin_metrics_canon.md (alirezarezvani, MIT) :
| Rang | Métrique | Comment |
|---|---|---|
| 1 | conversations entrantes, prospects, opportunités | comptées à la main dans journal.md (contacts, origine) ; c'est l'objectif à 90 jours |
| 2 | taux d'engagement | (réactions + commentaires + republications) / impressions |
| 2 | ratio de commentaires | commentaires / réactions : discussion ou hochement de tête |
| 2 | enregistrements, envois | quand l'export les donne |
| 3 | portée relative | impressions / abonnés (--abonnes) |
| - | abonnés, impressions brutes | vanité : ils dépendent surtout de la taille du compte |
Un post à 900 impressions et 40 commentaires a battu celui à 12 000 impressions et 6.
3. Décrire (script)
python3 scripts/audit.py decrire --fichier export.xlsx --journal ~/.claude/linkedin/journal.md \
[--metrique engagement|commentaires_ratio|portee] [--abonnes {{n}}] [--voix profil]
- Médiane et écart absolu médian, jamais la moyenne : un post qui décolle fait décrire à la moyenne une courbe à laquelle aucun post n'appartient.
- CV robuste = 1,4826 × écart absolu médian / médiane : il sert à dimensionner l'expérience (section 5).
- Bandes : exceptionnel (au-delà de Q3 + 1,5 × écart interquartile), fort (Q3), typique (Q1 à Q3), faible, très faible.
- Top 5 et flop 5 côte à côte.
- Sous 10 posts : description seulement (code 2). Le dire, ne rien conclure.
4. Tester les motifs (script)
python3 scripts/audit.py motifs --fichier export.xlsx --journal ~/.claude/linkedin/journal.md
Facteurs testés, dans cet ordre : formule, format, pilier, longueur, lien
dans le post, appel à l'action, réponse rapide, puis le jour et le
créneau horaire en dernier (c'est la cause qu'on aimerait trouver, et
presque jamais la bonne). Le créneau (matin avant 11 h, midi, après-midi
14 h-18 h, soir) vient de l'heure notée dans journal.md : sans heure, il
n'est pas testé, et l'audit le dit.
Un motif doit passer 4 filtres (references/methode.md) :
- au moins 5 posts dedans et 5 dehors ;
- un écart de médianes d'au moins 15% ;
- un test de permutation : plus grand que 90% de 2 000 tirages au hasard (graine fixe : mêmes données, même verdict) ;
- le décompte des faux positifs : à ce seuil, 10 tests en font passer environ 1 par hasard.
Et le script signale les motifs confondus : « format texte », « réponse rapide » et « jeudi » qui désignent les mêmes posts ne sont qu'un seul signal, dont la cause ne se sépare qu'avec une expérience.
« Rien n'a survécu » est le résultat le plus fréquent et un vrai résultat. Le dire comme tel, sans l'adoucir en demi-conclusion.
Un motif trouvé dans des posts passés reste une hypothèse : les carrousels ont été faits quand il y avait de la matière structurée, sur les sujets les mieux connus, les semaines où il y avait du temps.
5. Transformer un motif en expérience (script)
python3 scripts/audit.py experience --hypothese "{{…}}" --variable "{{…}}" \
--cv {{CV de decrire}} --effet 0.30 --posts-semaine {{n}} --semaines-max 12
Le script calcule les posts par variante, les semaines, l'effet minimal
détectable dans la fenêtre, écrit le critère d'échec avant le premier post
et la ligne pour apprentissages.md (« Expériences en cours »). Protocole :
une seule variable, A et B alternés, résultat regardé à la fin seulement.
Il dira souvent que l'expérience demande plus de posts qu'un trimestre n'en permet. C'est la réponse honnête : tester une variable à gros effet, accepter un seuil plus haut, ou renoncer.
6. Ce qui n'est pas une preuve
- Un post qui a décollé : la cause la plus fréquente d'un changement de stratégie, et l'événement le moins informatif.
- Ce mois-ci contre le mois dernier : saison, actualité, croissance du compte et changements de LinkedIn mélangés.
- Les chiffres de quelqu'un d'autre : autre audience, autre dénominateur, souvent l'échantillon d'un éditeur.
- Un motif cherché après coup jusqu'à ce qu'il apparaisse.
Sortie (format fixe)
Les sections ci-dessous, toujours dans cet ordre, écrites en phrases et en
tableaux courts, pas en sortie brute de script : la personne qui lit est
une marketeuse, pas une statisticienne (« écart typique » plutôt que « MAD »).
Quand des motifs sont confondus, un tableau qui les met côte à côte (voir
references/exemple.md) explique mieux qu'une liste de p-valeurs.
AUDIT · {{n}} posts · {{période}} · {{voix}}
RÉSULTATS QUI COMPTENT
{{conversations entrantes, prospects (journal.md) : n, d'où ils viennent}}
DESCRIPTION
médiane {{x}} · écart absolu médian {{y}} · CV {{z}} · bandes {{…}}
TOP 5 / FLOP 5 (avec formule, format, pilier)
CE QUE DISENT LES DONNÉES
1. {{motif soutenu ou « rien n'a survécu »}} · n = {{a}} contre {{b}} · {{effet}} · {{confondu avec…}}
2. …
Hypothèses, pas conclusions : {{rappel de confusion}}
À TESTER
{{expérience : variable, posts par variante, semaines, critère d'échec}}
ARRÊTER : {{ce qui ne marche pas, avec n}} FAIRE PLUS : {{…}} NE PLUS OPTIMISER : {{jour, heure si rien}}
Proposition pour apprentissages.md : {{1 à 3 lignes, n ≥ 10}}
Les conclusions passent à /linkedin-plan. Sur « oui », les lignes vont dans
apprentissages.md : « Ce qui marche » ou « Ce qui ne marche pas » si le
motif est soutenu et repose sur 10 posts ou plus, « Expériences en cours »
sinon. Un audit qui contredit une ligne existante propose de la retirer.
Erreurs et cas limites
| Cas | Ce qu'on fait |
|---|---|
| Moins de 10 posts | description seule ; « relance dans six semaines » |
| L'export n'a pas de colonne reconnue | --feuille 2, 3… ; sinon le modèle CSV |
| Formule ou pilier absents | --journal ; sinon les motifs ne portent que sur format, longueur, jour |
« À quelle heure publier ? » sans heure dans journal.md |
l'export LinkedIn donne la date du post, pas l'heure [à vérifier] : dire que le créneau n'est pas mesurable, renvoyer au point de départ de /linkedin-plan et faire noter l'heure réelle à partir de maintenant |
| Un post viral écrase tout | la médiane le neutralise ; il apparaît en « exceptionnel », on le lit à part |
| Page et profil dans le même fichier | --voix ; deux audits |
| L'utilisateur veut un benchmark | refuser la comparaison externe ; comparer le compte à lui-même |
Ressources
scripts/audit.py: décrire, motifs, expérience ; lit .xlsx, CSV, JSON.assets/modele-posts.csv: le tableau à remplir à la main.references/methode.md: les 4 filtres, la confusion, l'arithmétique des expériences, sources.references/exemple.md: un audit complet de 14 posts.
Skills liés
/linkedin-plan: reprend les conclusions et l'expérience en cours./linkedin-post: écrit la ligne dejournal.mdqui rend l'audit possible./linkedin-strategie: si l'audit montre que l'objectif à 90 jours n'avance pas, c'est la stratégie qu'on revoit.
Démo bientôt disponible
Une démonstration (demande d'exemple → résultat) arrive prochainement. En attendant, installe le Skill et teste-le sur tes propres cas.
Comment installer le Skill « /linkedin-audit · Audit statistique » ?
En deux minutes, sans code : 1) Télécharge le fichier depuis le bouton « Télécharger » de cette page. 2) Sur Claude : Personnaliser → Skills → importe le fichier (le bouton « Importer dans Claude » t'y emmène directement). Sur ChatGPT, Gemini ou Mistral, suis les étapes de l'encadré « Installer » selon ton IA. 3) Commence à converser : « /linkedin-audit · Audit statistique » s'active dès que ta demande correspond.
« /linkedin-audit · Audit statistique » fonctionne-t-il avec ChatGPT ou seulement Claude ?
Tous nos Skills sont conçus et testés en priorité sur Claude (Anthropic), notre environnement de référence. Il est pleinement compatible avec Claude et Gemini, et partiellement avec ChatGPT et Mistral. Les badges de compatibilité en haut de page indiquent le niveau exact par IA.
Qu'est-ce que « /linkedin-audit · Audit statistique » me fait gagner concrètement ?
Il prend en charge les étapes répétitives de la tâche (structure, vérifications, rédaction) pour que tu te concentres sur les décisions. Les mesures de temps gagné seront publiées à partir des retours des premiers utilisateurs.
Ai-je besoin de compétences techniques pour utiliser « /linkedin-audit · Audit statistique » ?
Non. Aucun terminal, aucune clé API, aucun code à manipuler. Si tu sais télécharger un fichier et l'importer dans ton IA, tu sais utiliser « /linkedin-audit · Audit statistique ». C'est justement la cible : rendre l'IA accessible aux marketeurs non-techniques.
Puis-je modifier « /linkedin-audit · Audit statistique » et l'utiliser pour mes clients ?
Oui. « /linkedin-audit · Audit statistique » est gratuit et open-source (licence MIT). Tu peux le forker, l'adapter à ton entreprise ou à tes clients, et redistribuer ta version, à condition de citer l'auteur original et Join Médicis.
Une autre question ? Écris-nous.
Une erreur, un lien cassé, un souci de sécurité ? Dis-le-nous, on corrige.
Comment ça marche
Un Skill est un mode d'emploi que ton IA garde sous la main. Concrètement :
Tu installes le Skill une seule fois dans ton IA (2 minutes, sans code).
Tu fais ta demande comme d'habitude, en langage courant.
Ton IA reconnaît la tâche et applique la méthode du Skill : même structure, même niveau d'exigence, à chaque fois.