سيخبرك العديد من المعلمين أنه بمجرد أن تكتب للبشر ستكون بخير. هذا صحيح جزئيا. في الواقع ، على الرغم من أن خوارزمية LinkedIn ستلتقط المحتوى بناءً على الجودة والأهمية. أعتقد أنه من المهم معرفة كيف يحدد LinkedIn "الجودة والأهمية"
في الواقع ، تقوم الخوارزمية بتقييم محتوى المنصة بناءً على الإرشادات التي يتلقاها من البشر. وبالتالي ، فإن معرفة كيفية عمل الخوارزمية - كما أزعم - أمر بالغ الأهمية للنجاح على LinkedIn. لماذا ا؟ من خلال فهم الخوارزمية في الواقع ، فأنت تفهم ما هو الهدف من المنصة وكذلك كيف تتطور.
بالإضافة إلى ذلك ، حتى لو لم تفعل ذلك خطة لبناء إستراتيجية على LinkedIn ولكنك مستخدم ولديك فضول لمعرفة ما وراء ملف المنصة التي تجاوزت مؤخرًا نصف مليار عضو هذه المقالة لك.
يعد الحفاظ على خلاصة LinkedIn ذات صلة من خلال تحديد المحتوى غير المهني وغير المرغوب فيه أمرًا بالغ الأهمية للحفاظ على جودة تجارب استهلاك المحتوى لأعضائنا. في هذا المنشور ، نصف العمليات والخوارزميات المختلفة التي تحافظ على خلاصتنا خالية من البريد العشوائي وذات صلة بأعضائنا.
وبالتالي ، يتم تقييم أهمية المحتوى عبر Negativa. باختصار ، تحاول خوارزمية LinkedIn في كل مرة فهم ما إذا كان جزء من المحتوى غير مرغوب فيه أم لا:
يفعل ذلك عن طريق إجراء اختبارات صغيرة. بمعنى آخر ، بدلاً من دفع التحديث المنشور إلى معظم ملفات شبكةتبدأ خوارزمية LinkedIn بعدد صغير من الأشخاص ؛ إذا وجد هؤلاء الأشخاص المحتوى ممتعًا. يبدأ التحديد في التوسع. لذلك ، عندما تنشر محتوى على LinkedIn ، فإنه يمر عبر ثلاثة لاعبين رئيسيين:
المستخدمين
خوارزمية
المحررين البشريين
يعطي المستخدمون تصويتهم من خلال الإعجابات والتعليقات والمشاركات. تعمل الخوارزمية كنوع من الوسيط بين المستخدمين والمحررين البشريين للحفاظ على التدفق مستمرًا. عندما يحصل المحتوى على نقاط جودة منخفضة للمحتوى (وهو ما يحاول الإجابة "هل المحتوى جيد؟") ، فإنه يؤدي إلى التحقق من محرر بشري لمعرفة ما إذا كان المحتوى غير مرغوب فيه. إذا نجح المحتوى بدلاً من ذلك في اجتياز نقاط جودة المحتوى التي يتم محوها وعرضها على عدد صغير من المستخدمين الذين يمكنهم التصويت.
بعد التصويت (مع الإعجابات والتعليقات والمشاركات) ، تواصل خوارزميات تصنيف الجودة والتنبؤ بالانتشار إجراء تقييم ، مما يؤدي إلى إجراء فحص من المحررين البشريين مرة أخرى. إذا اجتاز الاختبار (هل المحتوى جيد؟) ، فسيتم مسحه وعرضه مرة أخرى للمستخدمين.
هذا هو السبب في أن نشر الأشياء التي تهم الناس بطريقة ما ، بدلاً من التركيز على الخوارزمية أمر بالغ الأهمية. في الواقع ، إذا كانت رسالتك تنتشر بسرعة كبيرة ولكنها قد تكون غير مرغوب فيها ، فسيظل يتم فحصها من قبل المحررين البشريين الذين قد يخفضون من رتبتها! وذلك لأن تقييم ما إذا كان المحتوى منخفض الجودة أم لا يعتمد أيضًا على عوامل ليس من السهل قياسها.
باختصار ، حتى الآن ، قد يكون خداع الخوارزميات أسهل من خداع المحررين البشريين. ومع ذلك ، تلعب الخوارزميات دورًا مهمًا في تصفية المحتوى. في الواقع ، استخدام البشر للقيام بذلك ، من أجل أ المنصة مع وجود أكثر من نصف مليار مستخدم قد يكون أمرًا مستحيلًا.
ما هي الخطوات التي تتخذها خوارزمية موجز LinkedIn لجعل منشور أو مقالة فيروسية؟
يتمثل دور موجز LinkedIn في توفير محتوى احترافي في الوقت المناسب. ما قد يتم تمريره كمحتوى مقبول على مواقع اجتماعية عامة شبكة قد لا تكون تجربة ممتعة لمهنة اجتماعية شبكة مثل لينكد إن. نود التخلص من أكبر قدر ممكن من المحتوى منخفض الجودة من الموقع. في الوقت نفسه ، لا نريد المبالغة في الحماس بشأن تصفية المحتوى من الموقع ، لأن ذلك قد يؤدي إلى المزيد من الإيجابيات الكاذبة وعدم رضا المستخدم. بعبارة أخرى ، نحن بحاجة للسعي من أجل السمو الدقة والاستدعاء لتصنيفنا ووضع العلامات.
الهدف الرئيسي من LinkedIn هو تقديم "محتوى احترافي في الوقت المناسب". هذا التعريف بالغ الأهمية. في الواقع ، مع اقتراب LinkedIn من Facebook ، فإن الأمر يستحق فهم ذلك ينكدين نموذج الأعمال يختلف تمامًا عنه.
اعتبارًا من عام 2015 (قبل دمج LinkedIn في Microsoft) ، جاء أكثر من 50٪ من إيرادات LinkedIn من التوظيف والاشتراكات المتميزة. بدلاً من ذلك ، إذا نظرنا إلى تدفق عائدات Facebook اعتبارًا من عام 2017 ، يمكنك أن ترى أنها تأتي في الغالب من الإعلانات. لماذا يعد هذا مهمًا على الإطلاق لفهم خوارزمية موجز LinkedIn؟
تتأثر قرارات الشركات ، عن قصد أو بغير قصد ، بالطريقة التي يتم بها تحقيق الدخل. حيث يعتمد Facebook بشكل كبير على خلاصته لتحقيق الدخل. ينكدين أقل من ذلك. وهذا يعني أن LinkedIn تتمتع أيضًا بحرية أكبر في اختيار كيفية تشكيل خلاصتها بطريقة تتماشى بشكل أكبر مع المستخدمين المعتمدين على الاشتراكات ومحترفي الموارد البشرية في النظام الأساسي.
وبالتالي ، تركز خوارزمية LinkedIn على تجنب المحتوى منخفض الجودة في الخلاصة ، مع التأكد من عدم تصفية المحتوى الذي قد يؤدي إلى نتائج إيجابية خاطئة (الحالات التي يبدو فيها شيء ما غير مرغوب فيه ولكنه في الواقع ليس كذلك). كيف تفعل ذلك؟
In التعرف على الأنماط, استرجاع المعلومات و تصنيف ثنائي ، دقة (وتسمى أيضًا التنبؤية الإيجابية القيمة) هو جزء من الحالات ذات الصلة بين الحالات المسترجعة ، بينما تذكر (المعروف أيضًا باسم الحساسية) هو جزء من الحالات ذات الصلة التي تم استردادها من إجمالي عدد الحالات ذات الصلة. لذلك ، تستند كل من الدقة والاسترجاع إلى فهم وقياس الملاءمة.
باختصار ، هذا نوع من آلية التوازن. من ناحية أخرى ، تركز الدقة على إيجاد الحالات ذات الصلة. بينما يركز الاستدعاء على الاكتمال. تخيل ، هناك عشر منشورات تظهر في خلاصتك ، خمسة منها فقط تبدو ذات صلة بك. هذا يعني أن الدقة هي 5/10. باختصار ، تحصل على نصف الوقت الذي تبحث عنه.
ومع ذلك ، تخيل ذلك في الخاص بك شبكة من مائة اتصال في ذلك الوقت تم نشر ثلاثين مشاركة قد تكون ذات صلة بك. ومع ذلك ، لديك خمسة فقط. هذا يعني أن الاسترجاع هو 5/30. كما فاتك XNUMX وظيفة أخرى يحتمل أن تكون ذات صلة.
بمعنى آخر ، تحاول هذه الآلية الإجابة عن سؤالين محددين:
ما مدى فائدة المحتوى المعروض؟
وما مقدار المعلومات ذات الصلة التي يتم عرضها لكل مستخدم؟
آلية FollowFeed من virality
مرة أخرى في عام 2012 ، قدم LinkedIn بنية أساسية للخلاصة تسمى سنسي. كان هذا نظام بيانات موزعًا يدعم أيضًا موجز LinkedIn. كما أوضح موقع LinkedIn ، كان Sensei محرك بحث وقاعدة بيانات. ومع ذلك ، في عام 2014 ، شرع LinkedIn في إنشاء FollowFeed الذي تم إطلاقه في مارس 2016 واليوم يعزز تجربة موجز LinkedIn. لماذا هو مهم على الإطلاق؟
أولاً ، مع FollowFeed تمكن LinkedIn من تحسين أداء الخلاصة مع زيادة عدد المستخدمين (في عام 2016 ، نما LinkedIn إلى أكثر من 400 مليون عضو). ثانيًا ، على الرغم من أن LinkedIn كانت تتوسع من حيث قاعدة المستخدمين ، إلا أنها حسنت أيضًا أهمية خلاصتها من خلال تقديم خوارزميات قادرة على تقديم توصيات محتوى أفضل للمستخدمين في الوقت الفعلي.
يستخدم FollowFeed مفهوم الجدول الزمني (يشارك في مقال ، يتم ذكر العضو في مقال ، إلخ) لتكوين موجز لكل عضو. لإنشاء الخلاصة ، يستخدم LinkedIn ملف نموذج ودعا "مروحة خارج على الكتابة"وهو كما هو موضح:
يتم حساب الخلاصة الخاصة بكل عارض مسبقًا ، وتجسيدها وإبقائها جاهزة للاسترداد باستخدام استعلام بحث بسيط. أصبح هذا ممكنًا عن طريق نشر سجل محتوى في خلاصات مسبقة الصنع لكيانات متعددة.
كيف أنشأ LinkedIn الرسم البياني للنشاط من خطأ للتأكيد على المحتوى العضوي
لينكدين إستراتيجية يعتمد على تفاعل المستخدمين. ال قوة ينكدين - على ما أعتقد - يعتمد على الأعمال نموذج. في الواقع - نظرًا لأن الإعلان هو أحد مصادر الدخل التي يعتمد عليها LinkedIn - يمكن للشركة التركيز على المشاركة دون التأثير كثيرًا على أرباحها النهائية.
• قصة من المشروع الذي استمر لمدة عام تقريبًا خلف الرسم البياني للنشاط في LinkedIn يبدأ بتقرير خطأ ، كما هو الحال عادةً. لاحظنا أنه في بعض الأحيان ، يظهر المحتوى المدعوم (أي إعلان) في المركز الأول في موجز العضو. هذا مخالف لأفضل ممارساتنا الداخلية وهو أمر نحاول جاهدة تجنبه ؛ نريد أن يكون المحتوى العضوي الأكثر إثارة للاهتمام هو أول ما يراه العضو ، وليس إعلانًا.
بمعنى آخر ، بمجرد أن يكتشف فريق LinkedIn أنه من خلال مشاركة برعاية ، يمكنك اختطاف خوارزمية الخلاصة الخاصة به. لقد توصلوا إلى طريقة لتجنب حدوث ذلك بحيث يمكن التأكيد على المحتوى العضوي على المحتوى المدعوم.
ما هو المحتوى العضوي؟
يتكون من أجزاء من المحتوى الذي ينشئه الأعضاء في الخلاصة ، والذي نسميه "الأنشطة". يتم تعريف النشاط بثلاثة مكونات رئيسية: الفاعل ، والفعل ، والمفعول به. مثال في النثر سيكون "شارك Val منشورًا نصيًا" أو "أحب Vivek تعليقًا". نقدم هذه الأنشطة كبطاقات في موجز واجهة المستخدم.
وبالتالي ، في كل مرة تعجبك أو تشارك أو تكتب منشورًا نصيًا ، يمكن تعريف ذلك على أنه نشاط ، والذي سيصنفه LinkedIn على أنه محتوى عضوي.
باختصار ، على ما يبدو ، نظرًا لأن خوارزمية LinkedIn قد توصلت إلى عملية تسمى "زخرفة" محتوى عضوي غير مرغوب فيه ، تمت إزالته قبل أن يتم عرضه على المستخدمين. وبالتالي ، السماح لمحتوى برعاية (إعلان) بالحصول على الشريحة الأولى ، والتي تم حجزها بدلاً من ذلك للمحتوى العضوي.
قبل المضي قدمًا ، ضع هذا في الاعتبار ، ليست كل الإعجابات متساوية.
احذر ، LinkedIn ليس Facebook
عندما تحب ، تشارك أو تنشر شيئًا ما ، فهذا يدخل في الرسم البياني لنشاطك. وبالتالي ، يجب تنفيذ كل من هذه الأنشطة بشكل استراتيجي إذا كنت تستخدم LinkedIn من أجل الأعمال . على سبيل المثال ، إذا كنت تحب شيئًا ما ، فقد ترغب في تجنب الإعجاب بمقطع فيديو للقطط (ما لم تكن بالطبع تبيع إكسسوارات أو طعامًا للقطط).
لماذا ا؟ أولاً ، سيدخل هذا الرسم البياني للنشاط الخاص بك ، وبالتالي يؤثر على خوارزمية الخلاصة وما ستراه بعد ذلك في موجز LinkedIn الخاص بك. ثانيًا ، عندما يعجبك شيء ما ، فهذا بمثابة تصويت / توصية تقدمه إلى شبكة. باختصار ، تزن إعجابك على LinkedIn أكثر بكثير من مجرد إعجاب على Facebook.
وبالتالي ، قبل إبداء الإعجاب بفيديو القطط المضحك التالي (بافتراض أن خوارزمية موجز LinkedIn لا تخفض ترتيبه) ، احذر من ذلك!
قدم LinkedIn أيضًا مفهوم المحتوى منخفض الجودة (يسمى LQ).
تجنب المحتوى منخفض الجودة لتتحول إلى انتشار فيروسي شديد
إذا كانت آلية الدقة والاستدعاء تسمح لخوارزمية LinkedIn بتصفية المحتوى ذي الصلة من خلال محاولة منع المحتوى غير المرغوب فيه أو منخفض الجودة. هناك قضية قابلية التوسع. في الواقع ، كما ينكدين وضعها:
يمكن أن يؤدي وجود عدد قليل من المشاركات منخفضة الجودة إلى انتشار فيروسي كبير إلى استياء عدد كبير جدًا من الأعضاء.
وبالتالي ، نظرًا لأن خطر وجود محتوى منخفض الجودة ينتشر بسرعة كبيرة للغاية ، فإن الخوارزمية تفضل إيقاف أي شيء "مريب" بدلاً من السماح له بالانتشار الفيروسي.
ملخص لينكد إن محتوى الترويج
كما أوضح فريق LinkedIn الهندسي فإن الآلية هي التالية:
عند الخلق
توجد مجموعة من المصنفات التي تصف المحتوى بثلاث طرق:
البريد المزعج
جودة منخفضة
واضح
من المهم أن نفهم أن هذه العملية تحدث في الوقت الفعلي تقريبًا. وبالتالي ، بمجرد الضغط على زر النشر قبل عرض المحتوى على ملف شبكة تم بالفعل تسميته بواسطة خوارزمية LinkedIn.
إذا تم تصنيف المحتوى على أنه محتوى غير مرغوب فيه أو بجودة منخفضة ، فقد يتم تخفيض رتبته أو تمريره إلى محرر بشري. من المهم أن نفهم ذلك كمحترف شبكة ينكدين يحصل على معظم القيمة من الحفاظ على خلاصته نظيفة من البريد العشوائي قدر الإمكان. وبالتالي ، عندما يمكن اعتبار المحتوى غير مرغوب فيه أو ذا جودة منخفضة ، فسيتم تخفيض ترتيبه بدلاً من المخاطرة بانتشاره.
إذا اجتاز المحتوى تقييم نقاط الجودة ، فسيتم مسحه لجمع بعض بيانات الجمهور.
لأنها تجمع الجمهور
في هذه المرحلة ، خوارزمية LinkedIn إحتياجات لجمع البيانات من الجمهور في شخص واحد شبكة لتقييم ما إذا كان المحتوى يستحق. ومع ذلك ، لتجنب خطر وجود محتوى منخفض الجودة ، فإن خوارزمية موجز LinkedIn تحافظ على مراقبة بعض الجوانب:
وصول الملصق الأصلي ،
أعضاء يتفاعلون مع المحتوى ،
والإشارات الزمنية مثل سرعة الإعجابات والمشاركة والتعليقات ،
درجات جودة المحتوى المحسوب
يسمح هذا النوع من الوصفات للخوارزمية بفهم شيئين رئيسيين. أولاً ، إذا كان المحتوى من المحتمل أن ينتشر بسرعة. ثانيًا ، إذا كان المحتوى الذي من المرجح أن ينتشر هو أيضًا محتوى منخفض الجودة. تعمل هذه التحليلات كل بضع ساعات للحفاظ على الخلاصة نظيفة قدر الإمكان.
هناك جانب أبرزه الفريق الهندسي لـ LinkedIn:
يتم تصفية معظم المحتوى الذي يسهل التقاطه في وقت الإنشاء ، مما يترك وراءه حالات يصعب تصنيفها في الخلاصة.
وبالتالي ، مرة أخرى ، عندما تضغط على زر النشر على LinkedIn في وقت الإنشاء ، قد يتم بالفعل فحص المحتوى الخاص بك للتأكد من الجودة قبل أن يتم عرضه على أي شخص. نظرًا لتزايد التعليقات الواردة من أعضاء LinkedIn ، فإن خوارزمية موجز LinkedIn تجمع البيانات لدفع المحتوى عبر ملف شبكة.
يلعب الأعضاء أيضًا دورًا رئيسيًا في تقييم جودة المحتوى
عندما يبلغ الأعضاء عن محتوى منخفض الجودة أو غير مرغوب فيه ، يتم أخذ ذلك في الاعتبار لسببين. أولاً ، لإعادة تقييم المحتوى الذي لم تتمكن خوارزمية التغذية أو المحررين البشريين من اكتشافه وإزالته. ثانيًا ، يتم تغذية هذه البيانات إلى خوارزمية LinkedIn حتى تتمكن من معرفة ما يجده أعضاء LinkedIn ذا قيمة وما هو غير ذلك.
الآن بعد أن عرفنا كيف تعمل الخوارزمية ، كيف يمكنك الاستفادة من LinkedIn شبكة تأثير؟
استفد من تأثير الشبكة لتنمية جمهورك على LinkedIn
ابدأ بتحليل LinkedIn الخاص بك شبكة مع http://socilab.com/#home.
تأكد من توسيع الخاص بك شبكة أنه مهم. ومع ذلك ، فإن الحجم مهم نسبيًا. معرفة من تحتاج إلى التحدث ؛ لبناء الخاص بك العلامة تجارية/ الأعمال أمر بالغ الأهمية. على سبيل المثال ، اعتدت com.socilab لفهم كيف بلدي شبكة متجمعة.
هناك بعض المقاييس التي قد ترغب في مراقبتها للاستفادة من "شبكة التأثير "(على الرغم من أن الأداة التي استخدمتها تحلل فقط 499 اتصالاً كحد أقصى):
الحجم الفعال لشبكتك على LinkedIn
يخبرك هذا أنه ليست كل جهات الاتصال متساوية حيث يتداخل بعضها مع جهات الاتصال الخاصة بك شبكة. قد تضيف تلك التداخلات أقل القيمة من حيث الوصول. ومع ذلك ، قد تكون مهمة أيضًا لبناء قوة العلامة تجارية. وبالتالي ، إذا كنت تحاول إنشاء ملف العلامة تجارية مع وسائل التواصل الاجتماعي ، قد يكون من المنطقي أن يكون لديك مجموعة شبكة بدءًا. ثم كما تعرف في تلك المجموعة ، فمن المنطقي توسيع ذلك شبكة إلى جهات الاتصال التي لا تتداخل للوصول إلى نطاق أكبر.
قيود شبكة LinkedIn
هذا هو الفهرس الذي يقيس مدى توزيعك شبكة. بينما منتشر شبكة قد يكون مفيدًا للانتشار. قد يكون هذا أقل من ذلك لبناء موثوق العلامة تجارية. وبالتالي ، فأنت بحاجة إلى تحقيق التوازن بين هذين الجانبين
كثافة شبكة LinkedIn
يظهر مدى قربك شبكة من حيث العلاقات الفعلية مقارنة بالعلاقات الممكنة. كلما زادت كثافة شبكة كلما زادت معرفة جهات الاتصال الخاصة بك ببعضها البعض. مرة أخرى ، في حين أن هذا قد يكون جيدًا في البداية لتولي مسؤولية ملف محراب، بمجرد أن تصبح معروفًا في ذلك محراب قد ترغب في تقليل كثافة شبكة.
التسلسل الهرمي لشبكة LinkedIn
يقوم التسلسل الهرمي بتقييم مدى اعتمادك على عدد قليل من جهات الاتصال البؤرية (تخيل أن معظم جهات الاتصال الخاصة بك يعرفونك من خلال رئيسك في العمل!). بشكل عام ، تريد الخاص بك شبكة ليتم توزيعها لتجنب الاعتماد على عدد قليل من جهات الاتصال. باختصار ، من حيث التواصل أيضًا ، قد ترغب في تجنب وضع كل بيضك في سلة واحدة.
بين LinkedIn شبكة الاتصال
يخبرك ذلك بفرص التجسير (على سبيل المثال ، أي من جهات الاتصال الخاصة بك قد تجعلك أقرب إلى مجموعة أو جهة اتصال يمكنها توسيع نطاقك شبكة بسرعة). على سبيل المثال ، لاحظت وجود جهتي اتصال في شبكة التي تربطني بصناعة أضعف. أقوم بالاتصال مرة أخرى بجهات الاتصال هاتين لتوسيع نطاق شبكة.
Gennaro هو منشئ FourWeekMBAالتي وصلت إلى حوالي أربعة ملايين رجل أعمال ، من المديرين التنفيذيين والمستثمرين والمحللين ومديري المنتجات ورواد الأعمال الرقمية الطموحين في عام 2022 وحده | وهو أيضًا مدير المبيعات لتوسيع نطاق التكنولوجيا الفائقة في صناعة الذكاء الاصطناعي | في عام 2012 ، حصل جينارو على ماجستير في إدارة الأعمال الدولية مع التركيز على تمويل الشركات واستراتيجية الأعمال.
