Data to AI™ / Gemini/Instagram Public Data
Holen Sie Beiträge von Wettbewerbern und Creatorn ins Terminal oder in die IDE und lassen Sie Gemini die CSVs, Notebooks und Skripte schreiben, auf denen Ihre Marketing-Analysen bereits laufen.
Bessere Antworten, weniger Tokens.
Gemini CLI
Wie oft hat jeder Wettbewerber im September gepostet, und wessen Beiträge bekamen die meisten Likes?
@northpeak_coffee hat am seltensten gepostet, aber im Schnitt die meisten Likes pro Beitrag erhalten. @harbor_roasters postete fast täglich, mit etwa einem Drittel der Likes pro Beitrag.
| Username | Posts | Avg Like Count | Avg Comments Count |
|---|---|---|---|
| @northpeak_coffee Posts | 9 | 4.820 | 212 |
| @harbor_roasters Posts | 27 | 1.610 | 48 |
| @bluestone_brew Posts | 14 | 2.370 | 95 |
Beiträge werden nach Timestamp gezählt; Like Count und Comments Count sind die öffentlichen Gesamtwerte zum Zeitpunkt der Extraktion, gemittelt pro Beitrag.
Instagram Public Data liest, was jeder auf einem öffentlichen Instagram-Profil sieht, das Sie per Benutzername angeben, etwa von einem Wettbewerber, einer Vergleichsmarke oder einem Creator: das Profil mit Follower- und Beitragszahlen sowie die Beiträge mit Likes, Kommentaren und Aufrufen. Für private Konten ist der Connector nicht gedacht.
Frage Posts für alle verfolgten Konten mit Media Id, Timestamp, Media Type, Like Count, Comments Count und View Count ab und speichere sie als data/competitor-posts.csv.
Eine Marketing-Analystin lädt die Datei in ein bestehendes Jupyter-Notebook, das Wochenrhythmus und Reaktion darstellt, statt einen eigenen Scraper zu pflegen.
Vergleiche den Followers Count pro Username zwischen den beiden neuesten Werten von dataddo_extraction_timestamp und gib Konten aus, die sich um mehr als fünf Prozent verändert haben.
Ein Growth Engineer führt den Check jeden Montag im Terminal aus und fügt die Liste ins Team-Update ein, wenn ein Wettbewerber plötzlich Follower gewinnt.
Lies Caption und Like Count aller verfolgten Beiträge der letzten 90 Tage, extrahiere wiederkehrende Keywords und Hashtags und schreibe die wichtigsten Begriffe mit durchschnittlichen Likes in reports/caption-terms.md.
Ein technischer Marketer committet den Bericht ins Content-Repository, damit Texter vor dem nächsten Briefing sehen, auf welche Begriffe die Konkurrenz setzt.
Data to AI™ wird pro Nutzerplatz abgerechnet, wie die KI-Assistenten, die Ihr Team bereits nutzt, mit ~25 % Rabatt bei jährlicher Abrechnung. Sie brauchen individuelle Verträge oder Mengenpreise? Sprechen Sie mit uns über Enterprise.
Stellen Sie Claude, ChatGPT und anderen KI-Tools governte Geschäftsdaten über MCP bereit.
$10.49/Monat
pro Nutzerplatz
Mindestens 3 Nutzerplätze
Stellen Sie Dataddo flexibel in jeder Cloud- oder Hybridumgebung bereit.
Benutzerdefiniert
Wir haben ein Zahlungsmodell, das zu Ihnen passt
| Ohne Dataddo |
Mit Dataddo
|
Ihr Ergebnis | |
|---|---|---|---|
| Daten in den Code bringen | Analysten übertragen Zahlen von Konkurrenzprofilen in eine Tabelle, exportieren sie und laden sie von Hand, bevor eine Analyse laufen kann. | Gemini CLI fragt Posts und Profile über Dataddo ab und schreibt die Datei direkt ins Arbeitsverzeichnis. | Daten landen beim Code |
| Feldnamen in Skripten | Skripte brechen, wenn jemand in einem händischen Export von Konkurrenzdaten eine Spalte umbenennt. | Posts und Profile behalten bei jedem Lauf dieselben Feldnamen, etwa Like Count, Comments Count und Followers Count. | Stabile Eingaben für Skripte |
| Kontrolle im Terminal | Eine eingefügte CSV gibt dem Modell alles auf einmal, und Sie sehen nicht, was es tatsächlich gelesen hat. | Gemini CLI bittet Sie, jeden Dataddo-Tool-Aufruf zu bestätigen, und Sie können pro Tool Always allow wählen, sobald Sie ihm vertrauen. | Jeder Aufruf sichtbar |
| Token-Verbrauch | Gemini verbraucht Tokens, um rohe Instagram Public Data-Spalten zu erkunden, Zeilen zu sichten und neu anzusetzen, bis die Daten verstanden sind. | Felddefinitionen und Beziehungen werden vorab geliefert, sodass das Modell die Erkundung überspringt und direkt antwortet. | Weniger Tokens pro Antwort |
| Antwortqualität | Anfällig für falsche Joins, erfundene Felder und schwer überprüfbare Zahlen. | Antworten auf Basis definierter Felder. Im Dataddo-Benchmark wurden 78,5 % der Fragen korrekt beantwortet, gegenüber 65,5 % mit einfachen CSV-Dateien. | Bessere Antworten |
Die Instagram Public Data-Datensätze, die Marketing-Teams am häufigsten nutzen, mit ihren echten Feldnamen. Gemini fragt sie über die semantische Schicht von Dataddo beim Namen ab.
| Datensatz | Metriken und Attribute |
Fragen Sie Gemini
|
|---|---|---|
| Posts |
|
Welche Videobeiträge, gefiltert nach Media Type, haben den höchsten View Count, und wie lautet ihr Permalink? |
| Profile |
|
Wie hat sich der Followers Count jedes Username zwischen den beiden letzten geplanten Extraktionen verändert? |
Wir haben 43 vorab registrierte Fragen zu drei echten Datensätzen gestellt - Google Search Console, HubSpot-Deals und Google Ads - und dieselben Zeilen auf vier Arten an dasselbe Modell geliefert. Nur die Datenschicht hat sich geändert.
der Fragen richtig beantwortet - der beste der vier getesteten Bereitstellungswege
weniger selbstsicher falsche Antworten - 14,0 % der Durchläufe gegenüber 24,0 % und 26,3 %
mehr richtige Antworten bei unübersichtlichen CRM-Daten - besser bei 8 Fragen, bei keiner schlechter
Dasselbe Modell, dieselben Prompts und dieselben Zeilen in jeder Bedingung; 759 bewertete Durchläufe, Referenzantworten vor dem ersten Durchlauf festgelegt. Allein bei Google Search Console schnitten dokumentierte CSV-Dateien genauso gut ab wie Data to AI™ - der Vorteil entsteht bei unübersichtlicheren Daten wie HubSpot-Deals.
Benchmark lesen →Legen Sie für jeden öffentlichen Username eine Instagram Public Data-Quelle mit Posts und Profile an und verbinden Sie sie in Dataddo mit einem Google Gemini-Ziel oder AI Model. Tragen Sie dataddo unter mcpServers mit httpUrl https://headless.dataddo.com/mcp-data in ~/.gemini/settings.json ein, starten Sie Gemini CLI neu und melden Sie sich mit /mcp auth dataddo an.
Mit dem Schlüssel url weicht Gemini CLI auf SSE aus, was Dataddo nicht unterstützt. Verwenden Sie httpUrl mit https://headless.dataddo.com/mcp-data ohne headers- oder oauth-Block und führen Sie dann /mcp auth dataddo aus.
Ja. Der Agent mode in VS Code liest dieselbe settings.json wie Gemini CLI. In IntelliJ fügen Sie den Dataddo-Server stattdessen zur mcp.json von Gemini Code Assist hinzu und melden sich genauso an.
Nein. Nach der Anmeldung erreicht Gemini jeden Flow und jeden Context, der in diesem Dataddo-Konto mit einem KI-Ziel oder AI Model verbunden ist, nicht nur die von Google Gemini. Berücksichtigen Sie das, wenn Sie ein Konto teilen.
Like Count, Comments Count und View Count sind öffentliche Gesamtwerte zum Zeitpunkt der Extraktion. Keiner der Datensätze nutzt einen Datumsbereich, jeder geplante Lauf aktualisiert sie also, und dataddo_extraction_timestamp zeigt, wann jede Zeile gelesen wurde.
Die Spalte Id in Posts verweist auf die Id in Profile, sodass Gemini jeden Beitrag mit seinem Username und Followers Count verknüpfen kann, während die Media Id den Beitrag selbst kennzeichnet.
Die Zugangsdaten liegen in ~/.gemini/mcp-oauth-tokens.json und werden automatisch erneuert. Läuft eine Sitzung ab oder wird sie widerrufen, führen Sie /mcp auth dataddo erneut aus und melden sich mit Ihrer Dataddo-E-Mail und Ihrem Passwort an.
Nein. Gemini fragt extrahierte Daten über die semantische Schicht nach Entitäts- und Feldnamen ab. Dataddo akzeptiert nie SQL vom Modell, und nichts wird nach Instagram zurückgeschrieben.
