Comprensió de l'algorisme de classificació de feeds de notícies de Facebook

Facebook integració personal

Aconseguir la visibilitat de la vostra marca als canals de notícies del vostre públic objectiu és el màxim assoliment per als professionals del màrqueting social. Aquest és un dels objectius més importants, i sovint esquius, de l’estratègia social d’una marca. Pot ser especialment difícil a Facebook, una plataforma que té un algorisme elaborat i en constant evolució dissenyat per servir al públic el contingut més rellevant.

EdgeRank era el nom que es va donar a l'algorisme de feeds de notícies de Facebook anys enrere i, tot i que ara es considera obsolet a nivell intern, el nom ha perdurat i continua essent utilitzat pels venedors. Facebook encara utilitza els conceptes de l’algoritme EdgeRank original i el marc en què es va construir, però d’una manera nova.

Facebook s’anomena algorisme de classificació de feeds de notícies. Com funciona? Aquí teniu les respostes a les vostres preguntes bàsiques:

Què són els cantells?

Qualsevol acció que faci un usuari és una possible font de notícies i Facebook crida aquestes accions vores. Sempre que un amic publica una actualització d'estat, comenta l'actualització d'estat d'un altre usuari, etiqueta una foto, s'uneix a una pàgina de marca o comparteix una publicació, genera una vora, i una història sobre aquest avantatge podria aparèixer potencialment al feed de notícies personals de l'usuari.

Seria extremadament aclaparador que la plataforma mostri totes aquestes històries al canal de notícies, de manera que Facebook creés un algoritme per predir l’interessant que serà cada història per a cada usuari. L’algorisme de Facebook s’anomena “EdgeRank” perquè classifica les vores i després les filtra al canal de notícies d’un usuari per mostrar les històries més interessants per a aquest usuari en particular.

Què és el Framework EdgeRank original?

Les tres parts principals originals de l'algorisme EdgeRank són puntuació d’afinitat, pes de la vorai decadència del temps.

La puntuació d’afinitat és la relació entre una marca i cada fan, mesurada per la freqüència amb què un fan veu i interactua amb la vostra pàgina i publicacions, a més de com interactueu recíprocament amb ells.

El pes de les vores es mesura compilant els valors de les vores o accions que fa un usuari, a excepció dels clics. Cada categoria d'arestes té un pes per defecte diferent, per exemple, els comentaris tenen valors de pes superiors a gustos perquè mostren una major implicació de l’afició. En general, podeu suposar que les vores que triguen més a realitzar-se solen pesar més.

La decadència temporal es refereix a quant de temps ha estat viva l’aresta. EdgeRank és una puntuació corrent, no és una cosa única. Així, com més recent sigui la vostra publicació, més alta serà la vostra puntuació EdgeRank. Quan un usuari inicia sessió a Facebook, la seva font de notícies s’omple de contingut amb la puntuació més alta en aquest moment concret.

fórmula de facebook edgerank

Crèdit de la imatge: EdgeRank.net

La idea és que Facebook premiï les marques que construeixen relacions i posin el contingut més rellevant i interessant a la part superior de la notícia d’un usuari perquè les publicacions s’adaptin específicament a elles.

Què ha canviat amb Facebook Edgerank?

L’algoritme ha canviat lleugerament, aconseguint una actualització amb noves funcions, però la idea continua sent la mateixa: Facebook vol oferir als usuaris contingut interessant perquè continuïn tornant a la plataforma.

Una característica nova, la història de cops, permet reapareixer històries que la gent no originàriament es desplaçava cap avall prou lluny per veure-la. Aquestes històries apareixeran a prop de la part superior del feed de notícies si encara estan aconseguint molts compromisos. Això vol dir que les publicacions de pàgines populars podrien tenir més possibilitats de mostrar-se fins i tot si tenen poques hores (canviant l’ús original de l’element de decadència temporal) anant a la part superior del canal de notícies si les històries segueixen rebent un nombre elevat d’agrades i comentaris (encara s’utilitzen elements de puntuació d’afinitat i pes de vora). Les dades han suggerit que això mostra al públic les històries que volen veure, fins i tot si se les va perdre la primera vegada.

Altres funcions estan destinades a permetre als usuaris veure les publicacions de les pàgines i els amics que desitgen de manera més oportuna, especialment amb temes de tendència. Es diu que el contingut particular només és rellevant en un termini determinat, de manera que Facebook vol que els usuaris el vegin mentre sigui rellevant. Quan un amic o una pàgina estigueu connectat a publicacions sobre alguna cosa que actualment és un tema candent de conversa a Facebook, com ara un esdeveniment esportiu o l'estrena de la temporada de programes de televisió, és més probable que aparegui més amunt al vostre feed de notícies de Facebook, de manera que pugueu veure-ho abans.

És més probable que les publicacions que generin una interacció elevada poc després de la publicació es mostrin al feed de notícies, però no és tan probable si l’activitat baixa ràpidament després de la publicació. El pensament darrere d’això és que si la gent interacciona amb la publicació just després de publicar-la però no poques hores després, la publicació va resultar més interessant en el moment en què es va publicar i, potencialment, menys interessant en una data posterior. Aquesta és una altra manera de mantenir oportú, rellevant i interessant el contingut de la notícia.

Com puc mesurar la meva analítica de feeds de notícies de Facebook?

No hi ha cap eina de tercers disponible per mesurar la puntuació EdgeRank d'una marca, ja que gran part de les dades són privades. Un real Puntuació EdgeRank no existeix perquè cada fan té una puntuació d’afinitat diferent amb la pàgina de la marca. A més, Facebook manté l'algoritme en secret i el canvia constantment, cosa que significa que el valor dels comentaris en comparació amb els m'agrada canvia constantment.

La forma més eficaç de mesurar l’impacte de l’algoritme aplicat al vostre contingut consisteix a veure quantes persones heu assolit i quina interacció heu rebut a les vostres publicacions. Eines com SumAll Facebook Analytics englobeu aquestes dades en un document complet analítica tauler perfecte per mesurar i fer el seguiment d’aquestes mètriques.

Què et sembla?

Aquest lloc utilitza Akismet per reduir el correu no desitjat. Esbrineu com es processa el vostre comentari.