LinkedIn’s wachttijd uitgelegd

LinkedIn’s Dwell Time is een beetje als een seksdiscussie tussen prepuberale tieners: iedereen heeft het erover maar niemand weet echt wat het is. 🤪

Het is tijd om dit wat op te helderen. En vertellen wat het echt betekent!

Hoe werkt het algoritme tot nu toe?

Voordat we het over“Dwell Time” hebben, is het belangrijk om te vertellen hoe het algoritme werkt. Ik heb er al een gedetailleerd artikel over geschreven, maar hier is een samenvatting.

Duizenden mensen posten elke dag op LinkedIn.

Elke dag worden miljoenen berichten gezien op LinkedIn.

Om die twee te verbinden: een algoritme dat bepaalt wie wiens bericht moet zien.

Aangezien Linkedin geld verdient aan advertenties, en die worden om de 5 posts getoond, is het noodzakelijk om zoveel mogelijk posts te scrollen voor gebruikers om maximale inkomsten te genereren.

Dit betekent dat de meest interessante posts worden getoond.

Maar aangezien het algoritme niet slim genoeg is om de inhoud van een bericht te begrijpen en te bepalen of het “interessant” is, zal het gebaseerd zijn op de interacties van gebruikers met het bericht (samen met andere criteria zoals een externe link, een video, een afbeelding enz… die het bereik kunnen beïnvloeden).

Tot nu toe kwamen de door het algoritme bestudeerde interacties overeen met het engagement: het aantal ontvangen “likes” en het aantal commentaren aan het begin van de levensduur van het bericht. Reacties hebben een veel groter gewicht dan ‘likes’.

Toen kwam Dwell Time…

Waarom wachttijd?

Er zijn twee belangrijke redenen voor Dwell Time. De eerste is de belangrijkste en de officiële versie.

De tweede is secundair en onofficieel.

Je moet weten dat we op een sociaal netwerk de volgende verdeling waarnemen:

• 1% van de gebruikers publiceert,
• 10% van de gebruikers gaat de dialoog aan (like of commentaar),
• 90% van de gebruikers consumeren inhoud zonder interactie.

LinkedIn vroeg zich daarom af: hoe kunnen we rekening houden met de mening van de 90% die geen interactie heeft?🤨 Hoe krijgen we het gedrag van de 90% mee om de kwaliteit van een bericht te bepalen?

Anderzijds zijn engagementacties binair. Dit levert twee problemen op:

• Ze zijn niet lineair. 1 like is 1 like waard, 1 comment is 1 comment waard. Ik zal echter dezelfde like plaatsen op inhoud die me deed glimlachen of op de beste post die ik ooit in mijn leven heb gelezen. ☝️
• ze zijn makkelijk te faken: Ik kan gewoon mensen die ik ken vragen om likes of opmerkingen te plaatsen of pods gebruiken om het bereik van mijn content kunstmatig te vergroten.

Dit tweede punt komt overeen met de onofficiële reden: de impact van pods beperken.

De kwaliteit van een post meten en dus het organische bereik ervan bepalen aan de hand van wat LinkedIn-ingenieurs “virale acties” noemen, is dus een te grove benadering.

Zij leggen ook uit dat klikken op een link of “zie meer” van de post misleidende indicatoren kunnen zijn, omdat de gebruiker de geopende pagina onmiddellijk kan verlaten of de rest van de post niet kan lezen.

Evenzo zijn indicatoren zoals delen niet erg betrouwbaar omdat het onmogelijk is het commentaar dat met delen gepaard gaat objectief te analyseren. Is het delen om iemand aan de kaak te stellen of om inhoud van hoge kwaliteit onder de aandacht te brengen?

Het is tijd om andere indicatoren te vinden en een kleine dosis Artificial Intelligence in dit alles te stoppen. 😉

Dwell Time = tijd besteed aan een post?

Je bent waarschijnlijk niet toevallig op deze post. En voor jou is Dwell Time zeker synoniem met “tijd besteed aan de post”.

Het is een benadering die bijna waar is 😁. Ik zal het uitleggen.

Om gewicht te geven aan het gedrag van gebruikers die geen interactie hebben en een meer betrouwbare en lineaire indicator te krijgen, gingen de ingenieurs van LinkedIn op zoek naar een ander soort interactie: de tijd besteed aan de post.

Ze maten inderdaad dat hoe meer tijd we aan een bericht besteedden, hoe groter de kans was dat we een commentaar of een like plaatsten.

De gedachte gaat:

“Aangezien hoe meer tijd ik aan een bericht besteed, hoe groter de kans is dat ik me met het bericht bezighoud en dat betrokkenheid een belangrijk teken is van interesse in de inhoud, kan worden gezegd dat hoe meer tijd ik aan het bericht besteed, hoe meer ik geïnteresseerd ben.”

(Dat is nogal een basale en logische redenering, maar achter dat alles zitten prachtige algoritmes en angstaanjagende wiskundige functies 😜).

De ingenieurs verdeelden de tijd die ze aan de post besteedden in twee delen:

• die wanneer we door de LinkedIn news feed scrollen, vanaf het moment dat de helft van de post zichtbaar is
• die na het klikken op “See more”

De tijd besteed aan de post zal dus het algoritme en daarmee de omvang van de publicatie positief of negatief beïnvloeden.

Wat zit hierachter?

Het idee van dit artikel is om het door het engineeringteam van LinkedIn geproduceerde artikel te vereenvoudigen. Ik ga dus niet alle wiskundige formules erachter laten zien.

Maar het blijft interessant om te begrijpen wat er achter de Dwell Time zit, want het is complexer dan gewoon “de tijd die aan een bericht wordt besteed”.

In hun artikel presenteren de ingenieurs een specifiek geval dat ze bestudeerden om de tijd besteed aan een bericht te integreren in het algoritme. Wat suggereert dat dit niet de enige modellering is die in het spel komt. 🤔

Ze integreren dus de“kans dat een post wordt gepasseerd zonder gelezen te worden”. Dit is een vrij korte periode, waaronder de kans op een engagement op de post bijna nul is.

Met andere woorden, deze periode komt overeen met de tijd die mijn hersenen nodig hebben om te bepalen of ik al dan niet geïnteresseerd ben in het bericht. Als ik korter blijf dan deze periode, is er geen kans dat ik de post zal volgen.

Zij integreren dus het begrip “overgeslagen bericht” dat ook het algoritme zal beïnvloeden.

Merk op dat deze periode bijna gelijk is voor de verschillende soorten berichten (video, afbeelding, artikel, pdf-bestand…), wat de modellering en het gebruik van deze indicator vergemakkelijkt.

Het gebruik van deze modellering bij het verschijnen van berichten

Men moet begrijpen dat LinkedIn niet werkt in termen van “verdient deze post het om gezien te worden?” maar “wat is de meest relevante post om aan deze gebruiker te tonen?”

Het algoritme integreert dus verschillende criteria, zoals het gebruikersprofiel, de viraliteit van de post (aantal likes en commentaren), de affiniteit van de gebruiker met de auteur van de post en andere indicatoren zoals het tijdstip van de dag.

Door deze criteria te combineren, bepaalt het de waarschijnlijkheid dat u een bepaald bericht zult lezen en geeft het vervolgens voorrang aan de berichten die de grootste waarschijnlijkheid hebben dat u stopt om ze te lezen.

De update van dit algoritme zou de kwaliteit van de nieuwsfeed aanzienlijk hebben verhoogd door het aantal “overgeslagen” berichten te verminderen en daardoor de relevantie van de aangeboden inhoud te verhogen.

Dit artikel is geschreven op basis van het artikel van het LinkedIn-team van ingenieurs belast met het publicatiealgoritme en de Dwell Time. Ik heb geprobeerd het samen te vatten door de belangrijkste informatie eruit te halen en tegelijkertijd te proberen zo duidelijk mogelijk te zijn, op basis van hun uitleg. Helaas is het de enige officiële LinkedIn bron over dit onderwerp.

De manier waarop het algoritme werkt en de exacte integratie van Dwell Time in het bereik van publicaties wordt niet volledig bekendgemaakt. De modellering integreert complexe wiskundige functies en machine learning.

Het is dus veel complexer dan iets binairs.

Het engineeringteam zei dat er voortdurend updates zullen komen voor dit algoritme, om de suggesties te verbeteren en relevanter te maken.

Tegenover deze ontwikkelingen blijft de sleutel tot succes de kwaliteit van de inhoud. Hoe meer het algoritme begrijpt hoezeer gebruikers een inhoud waarderen, hoe meer de kwaliteit ervan voorrang zal krijgen in het algoritme.

Er zijn echter een paar goede praktijken die je kunnen helpen om te profiteren van Dwell Time. Daarover vertel ik je binnenkort in een artikel. 😉

Aarzel in de tussentijd niet om contact met me op te nemen op LinkedIn om het artikel te bespreken en me te vertellen als iets niet duidelijk is.