## [LinkedIn: Sådan vender du din skyggeprofil til din fordel](/da/node/228) *Indsendt af Lennart den fre, 22 maj 2026 - 12:16* ![LinkedIns skygge-CRM på dig er en gratis markedsanalyse — sådan vender du den til din fordel](/sites/default/files/styles/wide/public/2026-05/composite_7.png.webp?itok=s1PYvftL) Tidligere i dag skrev jeg om hvordan jeg hentede min egen LinkedIn-skyggeprofil ud via DMA-portability-API'et. Hvor ubehageligt det er at se sig selv klassificeret af en algoritme. Hvad de ved om dig, du ikke ved selv. Det er den ene halvdel af historien. Den anden halvdel — den jeg har brugt morgenen på — er at LinkedIns skygge-profil faktisk er et arbejdsværktøj, hvis man læser den med en sælgerhat på. De har gratis lavet en markedsanalyse på mig, som jeg ellers ville have betalt et bureau for. Den ligger i klartekst i `AD_TARGETING.json`, `INFERENCE_TAKEOUT.json` og en håndfuld andre filer på min disk lige nu. Her er fire måder den data er mere værdifuld for mig end for LinkedIns annoncører. ## 1. Mismatch-listen viser hvor profilen ikke sælger det du sælger Jeg trak feltet "Job Titles" ud fra `AD_TARGETING` — det er de jobtitler LinkedIn placerer mig under når annoncører køber målgrupper. Listen for mig ser sådan ud: > Developer; Editor; Writing Specialist; Science Specialist; Specialist; Freelance Developer; Freelance Bemærk hvad der ikke er på listen. Ikke "AI Advisor". Ikke "Consultant". Ikke "Strategy". LinkedIns algoritme har ikke fanget at jeg de seneste to år har bevæget mig fra at være journalist og udvikler til at være strategisk AI-rådgiver. Den ser stadig journalisten. Jeg sammenlignede det med endorsement-historikken — også fra eksporten. Top ti ser sådan ud: Journalism (37), Online Journalism (34), Storytelling (19), News Writing (19), Newspapers (11), Publications (11), Editorial (10), Editing (9), Social Media (8), Science Journalism (7). 167 endorsements på journalistik-skills af i alt 239. Det er svaret på hvorfor algoritmen ikke ser mig som rådgiver: profilens evidence stack peger en anden vej. Jeg har ikke ryddet op. Min profil sælger ikke det jeg sælger. Hvis du selv trækker dataen ud, har du på fem minutter en mismatch-liste der fortæller dig præcis hvilken rolle din profil signalerer kontra hvilken rolle du gerne vil tilbydes. Hvert mismatch er en marketing-opgave med klar prioritet. ## 2. Den vigtigste købsprofil er din egen Feltet "High Value Audience Segments" fortæller dig hvilke premium-målgrupper du selv matcher for annoncører: > Small Business Owners; Senior Tech Decision Makers; Automotive Enthusiasts; High Net Worth Individuals; Working Professionals Det er en gave. For folk der ligner mig statistisk er folk der køber som mig. Hvis jeg vil sælge rådgivning til SMV-ejere, behøver jeg ikke gætte på hvordan en SMV-ejer tænker — jeg er klassificeret som én. Mine egne klikmønstre, hashtag-engagement og indholdspræferencer fra `ADS_CLICKED` og `ALL_LIKES` er ikke længere bare adfærd. De er en ICP-skabelon på mig selv som proxy for min målgruppe. Konkret: jeg kan trække de annoncer ud jeg har klikket på (513 stk. i mit tilfælde) og spørge "hvad var krogen?". Det er ikke statistisk videnskab. Det er kvalitativ research på den rigeste mulige stikprøve: dig selv. Du har 100% adgang til motiverne bag hvert klik. ## 3. Den glemte database Domænet `CONTACTS` på min konto rummer 2.605 kontakter. Det er alle de personer jeg igennem femten år har importeret fra en eller anden telefonbog eller integration. De fleste af dem har jeg glemt at jeg overhovedet havde i mit netværk. Det er en sovende CRM-database. Ikke alle er kunder. De fleste er ikke. Men en hurtig krydsreference mod min nuværende ICP — danske SMV-CEO'er i tech-tunge brancher — ville sandsynligvis afsløre tyve til halvtreds varme leads jeg aldrig har kontaktet, fordi jeg har glemt at de var i mit netværk. Det er det modsatte af cold outreach. Det er "vi har faktisk hilst på hinanden i 2017"-outreach. Konverteringsraten på den slags er en helt anden størrelse. Og det er kun fordi LinkedIn har gemt det for mig i et felt jeg indtil i går ikke vidste eksisterede. ## 4. Gratis tredjeparts-validering I `INFERENCE_TAKEOUT` står den jeg citerede i går: > Active contributor on LinkedIn, such as in feed and in groups, who regularly influences public opinion and public policy. Når jeg selv skriver "påvirker offentlig mening" på min hjemmeside, lyder det som markedsføring. Når LinkedIn skriver det om mig — uafhængigt, baseret på adfærdsdata over år — er det noget andet. Det er en kategori jeg er placeret i på algoritmisk grundlag, ikke fordi jeg har hævdet det. Det er værdi som credential. Ikke noget jeg vil bruge i citationsform — det ville være underligt at citere LinkedIns egen klassifikation af mig som bevis på noget. Men det er en bekræftelse jeg kan tage med mig ind i salgs-samtaler: når en SMV spørger "hvorfor skal jeg lytte til lige dig om strategisk kommunikation om AI?", har jeg ikke kun mine egne fortællinger. Jeg har en uafhængig adfærdsanalyse. Hvis du har bygget et brand over år, er der med stor sandsynlighed lignende klassifikationer af dig i din egen `INFERENCE_TAKEOUT`. Det er værd at lede efter. ## Hvad SMV'er bør tage med Pointen handler ikke om LinkedIn. Den handler om at I næsten helt sikkert har samme slags afledte data om jer selv og jeres kunder — i jeres CRM, i jeres email-platform, i jeres analytics — som I ikke aktivt udnytter. Tre konkrete spørgsmål er værd at stille på næste ledermøde: **Hvor er der mismatch mellem hvordan vi gerne vil ses og hvordan vores systemer klassificerer os?** Hubspot, Salesforce og lignende har ofte interne kategorier på jeres kontakter som er forældede med flere år. Det styrer hvilke kampagner der trigger. **Hvilke kundedata om os selv har vi liggende som vi behandler som affald?** Jeres egne logfiler, kundesupport-historik og medarbejderfeedback indeholder en analyse af jeres organisation som I ofte ikke læser. Vi har klienter for hvem det at læse ét års intern Slack-kommunikation har afsløret mønstre der ændrede salgsstrategien. **Hvilke kontakter har vi glemt vi har?** Den simple øvelse: træk en liste over alle e-mail-modtagere de seneste fem år. Krydsreference med jeres nuværende kunder. Forskellen er ofte 5-10x kundebasen i potentielle leads I aldrig har fulgt op på. De afledte data om jer findes allerede. De er ofte gratis at læse. Det eneste der mangler er at I beslutter at se dem som data og ikke som støj. LinkedIn har givet mig en gratis markedsanalyse på mig selv. Jeres systemer har givet jer en på jeres organisation. Spørgsmålet er kun om I gider åbne filen.