id
frenesitptdeplnlru

Penjelasan tentang Dwell Time LinkedIn

show table of contents

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

Inilah saatnya untuk sedikit mengklarifikasi hal ini. Dan memberi tahu Anda apa arti sebenarnya!

Running Out Waiting GIF by General Hospital

Bagaimana cara kerja algoritme sejauh ini?

Sebelum berbicara tentang“Dwell Time“, penting untuk membicarakan tentang cara kerja algoritme. Saya sudah membuat artikel mendetail mengenai subjek ini, tetapi berikut ini ringkasannya.

Ribuan orang memposting di LinkedIn setiap hari.

Setiap hari jutaan postingan terlihat di LinkedIn.

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

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

Ini berarti menampilkan postingan yang paling menarik.

Tetapi karena algoritme tidak cukup pintar untuk memahami konten postingan dan menentukan apakah itu “menarik”, itu akan didasarkan pada interaksi pengguna dengan postingan (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 diterbitkan di awal kehidupan posting. Komentar memiliki bobot yang jauh lebih besar daripada suka.

Kemudian datanglah Dwell Time…

Mengapa Dwell Time?

Ada dua alasan utama untuk 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 mempublikasikan,
  • 10% pengguna terlibat (suka atau komentar),
  • 90% pengguna mengonsumsi konten tanpa berinteraksi.

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

Figure It Out What GIF by CBC

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

  • Mereka tidak linier. 1 like bernilai 1 like, 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 saja meminta orang yang saya kenal untuk memposting suka atau komentar atau menggunakan pod untuk meningkatkan jangkauan konten saya secara artifisial.

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

Oleh karena itu, mengukur kualitas postingan dan oleh karena itu mendefinisikan jangkauan organiknya dengan apa yang oleh para insinyur LinkedIn disebut “tindakan viral” adalah perkiraan yang terlalu kasar.

Mereka juga menjelaskan bahwa klik pada tautan atau “lihat lebih lanjut” dari posting dapat menjadi indikator yang menyesatkan karena pengguna dapat segera meninggalkan halaman yang terbuka atau tidak membaca sisa posting.

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

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

Dwell Time = waktu yang dihabiskan untuk sebuah postingan?

Anda mungkin tidak berada di pos ini hanya karena kebetulan. Dan bagi Anda, Dwell Time tentu identik dengan “waktu yang dihabiskan untuk posting”.

Ini adalah perkiraan yang hampir benar 😁. Biar saya jelaskan.

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

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

dwell-time linkedin

Pemikirannya berjalan:

“Karena semakin banyak waktu yang saya habiskan untuk sebuah postingan, semakin tinggi kemungkinan saya akan terlibat pada postingan tersebut dan keterlibatan itu merupakan tanda utama ketertarikan pada konten, maka dapat dikatakan bahwa semakin banyak waktu yang saya habiskan untuk postingan tersebut, semakin 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 untuk posting menjadi dua bagian:

  • yang ketika kita menggulir umpan berita LinkedIn, dari saat setengah dari posting terlihat
  • yang satu setelah mengklik “Lihat lebih lanjut”

Oleh karena itu,waktu yang dihabiskan untuk postingan akan mempengaruhi algoritme secara positif atau negatif, dan oleh karena itu, ruang lingkup publikasi.

Apa yang ada di balik semua ini?

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

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

linkedin so much fun GIF by Stoneham Press

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

Dengan demikian, mereka mengintegrasikan“probabilitas bahwa sebuah postingan dilewatkan tanpa dibaca“. Ini adalah periode waktu yang cukup singkat, di bawahnya probabilitas membuat keterlibatan pada postingan mendekati nol.

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

Dengan demikian, mereka mengintegrasikan gagasan “Skipped post” yang juga akan memengaruhi algoritme.

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

Penggunaan pemodelan ini dalam tampilan postingan

Perlu dipahami bahwa LinkedIn tidak bekerja 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 penulis postingan dan indikator lain seperti waktu dalam sehari.

Dengan menggabungkan kriteria-kriteria ini, ini akan menentukan probabilitas bahwa Anda akan membaca postingan yang diberikan dan kemudian memprioritaskan postingan yang memiliki probabilitas tertinggi untuk membuat Anda berhenti membacanya.

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

Artikel ini telah ditulis berdasarkan artikel yang ditulis oleh tim insinyur LinkedIn yang bertanggung jawab atas algoritma publikasi dan Dwell Time. Saya mencoba mensintesisnya dengan menarik informasi yang paling penting sambil berusaha sejelas mungkin, berdasarkan penjelasan mereka. Sayangnya, artikel ini adalah satu-satunya sumber resmi LinkedIn tentang masalah ini.

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

Jadi ini 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 ini, kunci suksesnya tetap pada kualitas konten. Semakin banyak algoritme memahami seberapa besar pengguna menghargai suatu konten, semakin banyak kualitas konten yang akan diutamakan dalam algoritme.

Namun, ada beberapa praktik baik yang dapat membantu Anda memanfaatkan Dwell Time. Saya akan memberitahukannya dalam sebuah artikel segera. 😉

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

Convert more leads into clients with these 7 secret B2B prospecting messages 🚀

Enter your first name and email address  to receive the 11 page digital book now:

Where do we have to send it now?