Waktu Dwell LinkedIn menjelaskan

Dwell Time LinkedIn mirip dengan diskusi seks antara remaja praremaja: semua orang membicarakannya tetapi tidak ada yang benar-benar tahu apa itu.

Sudah waktunya untuk mengklarifikasi ini sedikit. Dan beri tahu Anda apa artinya sebenarnya!

Bagaimana algoritma bekerja sejauh ini?

Sebelum berbicara tentang “ Dwell Time “, penting untuk berbicara tentang cara kerja algoritma. Saya sudah membuat artikel mendetail tentang masalah ini, tetapi ini ringkasannya.

Ribuan orang memposting di LinkedIn setiap hari.

Setiap hari jutaan posting terlihat di LinkedIn.

Untuk menghubungkan keduanya: sebuah algoritma yang akan menentukan siapa yang harus melihat postingan siapa.

Karena Linkedin menghasilkan uang dari iklan, dan ini ditampilkan setiap 5 posting, maka perlu untuk menggulir posting sebanyak mungkin agar pengguna menghasilkan pendapatan maksimum.

Ini berarti menunjukkan posting yang paling menarik.

Tetapi karena algoritme tidak cukup pintar untuk memahami konten suatu kiriman dan menentukan apakah itu "menarik", itu akan didasarkan pada interaksi pengguna dengan kiriman tersebut (bersama dengan kriteria lain seperti tautan eksternal, video, gambar dll… yang dapat memengaruhi jangkauan).

Hingga saat ini, interaksi yang dipelajari oleh algoritme berhubungan dengan keterlibatan: jumlah suka yang diterima dan jumlah komentar yang dipublikasikan di awal kehidupan postingan. Komentar memiliki bobot yang jauh lebih besar daripada suka.

Kemudian tibalah Waktu Tinggal…

Mengapa Waktu Tinggal?

Ada dua alasan utama Dwell Time . Yang pertama adalah yang paling penting dan versi resmi.

Yang kedua adalah sekunder dan tidak resmi.

Anda harus tahu bahwa di jejaring sosial, kami mengamati distribusi berikut:

• 1% pengguna menerbitkan,
• 10% pengguna terlibat (suka atau komentar),
• 90% pengguna mengonsumsi konten tanpa berinteraksi.

LinkedIn, oleh karena itu, bertanya: bagaimana cara memperhitungkan pendapat 90% yang tidak berinteraksi? Bagaimana kami mendapatkan perilaku 90% untuk membantu kami menentukan kualitas sebuah postingan?

Di sisi lain, tindakan keterlibatan bersifat biner. Ini menimbulkan dua masalah:

• Mereka tidak linier. 1 suka bernilai 1 suka, 1 komentar bernilai 1 komentar. Namun, saya akan memberikan like yang sama pada konten yang membuat saya tersenyum atau pada postingan terbaik yang pernah saya baca dalam hidup saya. ️
• mereka mudah dipalsukan: Saya bisa meminta orang yang saya kenal untuk mengeposkan suka atau komentar atau menggunakan pod untuk secara artifisial meningkatkan jangkauan konten saya.

Poin kedua ini sesuai dengan alasan tidak resmi: untuk membatasi dampak pods .

Mengukur kualitas postingan dan karenanya menentukan jangkauan organiknya dengan apa yang oleh para insinyur LinkedIn disebut sebagai "tindakan viral" adalah perkiraan yang terlalu kasar.

Mereka juga menjelaskan bahwa klik pada link atau “see more” dari postingan dapat menjadi indikator yang menyesatkan karena pengguna dapat langsung meninggalkan halaman terbuka atau tidak membaca sisa postingan.

Demikian pula, indikator seperti berbagi tidak terlalu dapat diandalkan karena tidak mungkin menganalisis komentar yang terkait dengan berbagi secara objektif. Apakah berbagi untuk mencela seseorang atau menyoroti konten berkualitas?

Saatnya menemukan indikator lain dan memasukkan sedikit Kecerdasan Buatan dalam semua ini.

Dwell Time = waktu yang dihabiskan untuk sebuah postingan?

Anda mungkin tidak berada di pos ini secara kebetulan. Dan bagi Anda, Dwell Time tentunya identik dengan “waktu yang dihabiskan untuk memposting”.

Ini adalah perkiraan yang hampir benar. Mari saya jelaskan.

Untuk memberi bobot pada perilaku pengguna yang tidak berinteraksi dan mendapatkan indikator yang lebih andal dan linier, teknisi LinkedIn berusaha mempelajari jenis interaksi lain: waktu yang dihabiskan untuk memposting.

Memang, mereka mengukur bahwa semakin banyak waktu yang kita habiskan untuk sebuah postingan, semakin tinggi kemungkinan untuk memposting komentar atau suka.

Pemikirannya berjalan:

“Karena semakin banyak waktu yang saya habiskan untuk sebuah postingan, semakin tinggi kemungkinan saya akan terlibat dalam postingan tersebut dan keterlibatan tersebut merupakan tanda utama ketertarikan pada konten, dapat dikatakan bahwa semakin banyak waktu yang saya habiskan untuk postingan tersebut, semakin lebih saya tertarik.

(Itu alasan yang cukup mendasar dan logis, tetapi di balik semua itu ada algoritma yang indah dan fungsi matematika yang menakutkan ).

Para insinyur membagi waktu yang dihabiskan di pos menjadi dua bagian:

• yang saat kami menggulir feed berita LinkedIn, dari saat separuh postingan terlihat
• yang setelah mengklik "Lihat lebih banyak"

Oleh karena itu, waktu yang dihabiskan untuk posting akan secara positif atau negatif memengaruhi algoritme dan ruang lingkup publikasi.

Ada apa di balik semua ini?

Gagasan artikel ini adalah untuk menyederhanakan yang dihasilkan oleh tim teknik LinkedIn. Jadi saya tidak akan menunjukkan kepada Anda semua rumus matematika di baliknya.

Namun tetap menarik untuk memahami apa yang ada di balik Dwell Time karena ini lebih kompleks dari sekadar “waktu yang dihabiskan untuk sebuah postingan”.

Dalam artikel mereka, para insinyur menyajikan kasus khusus yang mereka pelajari untuk mengintegrasikan waktu yang dihabiskan untuk sebuah pos dalam algoritme. Yang menunjukkan bahwa ini bukan satu-satunya pemodelan yang ikut bermain.

Dengan demikian, mereka mengintegrasikan " kemungkinan bahwa sebuah posting dilewatkan tanpa dibaca ". Ini adalah periode waktu yang cukup singkat, di bawahnya kemungkinan melakukan pertunangan di pos mendekati nol.

Dengan kata lain, periode waktu ini sesuai dengan yang diperlukan otak saya untuk menentukan apakah saya akan tertarik dengan postingan tersebut atau tidak. Jika saya tinggal lebih sedikit dari periode waktu ini, tidak ada kemungkinan saya akan terlibat di pos tersebut.

Dengan demikian, mereka mengintegrasikan gagasan "Pos yang dilewati" yang juga akan memengaruhi algoritme.

Perhatikan bahwa periode waktu ini hampir sama untuk berbagai jenis posting (video, gambar, artikel, file pdf…), yang memfasilitasi pemodelan dan penggunaan indikator ini.

Penggunaan modelling ini pada tampilan postingan

Perlu dipahami bahwa LinkedIn tidak berfungsi dalam hal "apakah postingan ini layak untuk dilihat?" tetapi “postingan apa yang paling relevan untuk ditampilkan kepada pengguna ini?”

Dengan demikian, algoritme akan mengintegrasikan kriteria yang berbeda, seperti profil pengguna, viralitas postingan (jumlah suka dan komentar), afinitas pengguna dengan pembuat postingan, dan indikator lain seperti waktu.

Dengan menggabungkan kriteria-kriteria tersebut, maka akan ditentukan probabilitas bahwa Anda akan membaca suatu postingan dan kemudian memprioritaskan postingan yang memiliki probabilitas tertinggi untuk membuat Anda berhenti membacanya.

Pembaruan algoritme ini akan meningkatkan kualitas umpan berita secara signifikan dengan mengurangi jumlah postingan yang “dilewati” dan karenanya meningkatkan relevansi konten yang ditawarkan.

Artikel ini ditulis berdasarkan artikel yang ditulis oleh tim insinyur LinkedIn yang bertanggung jawab atas algoritme publikasi dan Waktu Tunggu. Saya mencoba mensintesakannya dengan menggambar informasi yang paling penting sambil berusaha sejelas mungkin, berdasarkan penjelasan mereka. Sayangnya itu adalah satu-satunya sumber LinkedIn resmi tentang masalah ini.

Cara algoritme bekerja dan integrasi Dwell Time yang tepat ke dalam jangkauan publikasi tidak diungkapkan sepenuhnya. Pemodelan ini mengintegrasikan fungsi matematika yang kompleks dan pembelajaran mesin.

Jadi itu jauh lebih kompleks daripada sesuatu yang biner.

Tim teknik mengatakan bahwa akan ada pembaruan berkelanjutan untuk algoritme ini, untuk meningkatkan saran dan membuatnya lebih relevan.

Menghadapi perkembangan tersebut, kunci suksesnya tetap pada kualitas konten. Semakin banyak algoritme memahami seberapa besar pengguna menghargai suatu konten, semakin kualitas yang terakhir akan diutamakan dalam algoritme.

Namun, ada beberapa praktik bagus yang dapat membantu Anda memanfaatkan Waktu Tunggu. Saya akan memberitahu Anda tentang hal itu dalam sebuah artikel segera.

Sementara itu, jangan ragu untuk menghubungi saya di LinkedIn untuk mendiskusikan artikel tersebut dan memberi tahu saya jika ada yang tidak jelas.