LinkedIn’s Dwell Time немного напоминает обсуждение секса между подростками-подростками: все говорят об этом, но никто толком не знает, что это такое. 🤪

Пришло время немного прояснить этот вопрос. И рассказать вам, что это на самом деле значит!

Как работает алгоритм?

Прежде чем говорить о“Dwell Time“, важно рассказать о том, как работает алгоритм. Я уже писал подробную статью на эту тему, но вот краткое изложение.

Тысячи людей ежедневно публикуют сообщения на LinkedIn.

Каждый день на LinkedIn просматриваются миллионы сообщений.

Чтобы соединить эти два понятия: алгоритм, который будет определять, кто должен увидеть чей пост.

Поскольку Linkedin зарабатывает на рекламе, а она показывается через каждые 5 сообщений, для получения максимального дохода пользователям необходимо прокручивать как можно больше сообщений.

Это означает показ самых интересных постов.

Но поскольку алгоритм недостаточно умен, чтобы понять содержание поста и определить, является ли он “интересным”, он будет основываться на взаимодействии пользователей с постом (наряду с другими критериями, такими как внешняя ссылка, видео, изображение и т.д., которые могут повлиять на охват).

До сих пор взаимодействие, изучаемое алгоритмом, соответствовало вовлеченности: количеству полученных лайков и количеству комментариев, опубликованных в начале жизни поста. Комментарии имеют гораздо больший вес, чем лайки.

Затем появился показатель Dwell Time…

Почему Dwell Time?

Есть две основные причины появления Dwell Time. Первая – самая важная и официальная версия.

Вторая – второстепенная и неофициальная.

Следует знать, что в социальной сети мы наблюдаем следующее распределение:

• 1% пользователей публикуют,
• 10% пользователей взаимодействуют (ставят лайк или комментируют),
• 90% пользователей потребляют контент, не взаимодействуя с ним.

Поэтому LinkedIn задался вопросом: как учесть мнение тех 90%, которые не взаимодействуют? 🤨 Как нам получить поведение этих 90%, чтобы помочь нам определить качество поста?

С другой стороны, действия по взаимодействию являются бинарными. Это создает две проблемы:

• Они не являются линейными. 1 лайк стоит 1 лайка, 1 комментарий стоит 1 комментария. Однако я поставлю такой же лайк на контент, который заставил меня улыбнуться, или на лучший пост, который я когда-либо читал в своей жизни. ☝️
• их легко подделать: Я могу просто попросить знакомых поставить лайк или комментарий или использовать подкасты, чтобы искусственно увеличить охват своего контента.

Этот второй момент соответствует неофициальной причине: ограничить влияние капсул.

Поэтому измерение качества сообщения и, следовательно, определение его органического охвата по тому, что инженеры LinkedIn называют “вирусными действиями”, является слишком грубым приближением.

Они также объясняют, что клики по ссылке или “увидеть больше” поста могут быть вводящими в заблуждение показателями, поскольку пользователь может сразу же покинуть открытую страницу или не читать остальную часть поста.

Аналогично, такие показатели, как совместное использование, не очень надежны, потому что невозможно объективно проанализировать комментарий, связанный с совместным использованием. Делятся ли они для того, чтобы обличить кого-то или выделить качественный контент?

Пришло время найти другие показатели и добавить во все это небольшую дозу искусственного интеллекта 😉

Dwell Time = время, проведенное над постом?

Скорее всего, вы попали на этот пост не случайно. И для вас Dwell Time, безусловно, является синонимом “времени, проведенного над постом”.

Это приближение, которое почти верно 😁. Позвольте мне объяснить.

Чтобы придать вес поведению пользователей, которые не взаимодействуют, и получить более надежный и линейный показатель, инженеры LinkedIn попытались изучить другой тип взаимодействия: время, проведенное над постом.

Действительно, они измерили, что чем больше времени мы тратим на пост, тем выше вероятность того, что мы опубликуем комментарий или лайк.

Мысль такова:

“Чем больше времени я трачу на пост, тем выше вероятность того, что я буду вовлечен в пост, а вовлеченность является основным признаком интереса к контенту, поэтому можно сказать, что чем больше времени я трачу на пост, тем больше я заинтересован”

(Это довольно простые и логичные рассуждения, но за всем этим стоят красивые алгоритмы и пугающие математические функции 😜).

Инженеры разделили время, проведенное за постом, на две части:

• тот, когда мы прокручиваем ленту новостей LinkedIn, с момента, когда видна половина поста
• после нажатия на кнопку “Посмотреть еще”

Время, потраченное на пост, положительно или отрицательно влияет на алгоритм и, соответственно, на объем публикации.

Что стоит за всем этим?

Идея этой статьи состоит в том, чтобы упростить статью, подготовленную инженерной командой LinkedIn. Поэтому я не собираюсь показывать вам все математические формулы, стоящие за этим.

Но все же интересно понять, что стоит за показателем Dwell Time, потому что он сложнее, чем просто “время, проведенное над постом”.

В своей статье инженеры представляют конкретный случай, который они изучали, чтобы интегрировать время, проведенное над постом, в алгоритм. Это говорит о том, что это не единственная модель, которая используется в работе. 🤔

Таким образом, они интегрируют“вероятность того, что пост пройдет мимо, не будучи прочитанным“. Это довольно короткий промежуток времени, ниже которого вероятность вовлечения в пост близка к нулю.

Другими словами, этот период времени соответствует тому, который необходим моему мозгу, чтобы определить, заинтересует меня этот пост или нет. Если я остаюсь меньше этого периода времени, вероятность того, что я заинтересуюсь постом, равна нулю.

Таким образом, они вводят понятие “Пропущенный пост”, которое также будет влиять на алгоритм.

Обратите внимание, что этот период времени практически одинаков для разных типов постов (видео, изображение, статья, pdf-файл…), что облегчает моделирование и использование этого показателя.

Использование данного моделирования при появлении постов

Следует понимать, что LinkedIn работает не с точки зрения “заслуживает ли этот пост быть увиденным?”, а с точки зрения “какой пост наиболее релевантен для показа данному пользователю?”

Таким образом, алгоритм будет интегрировать различные критерии, такие как профиль пользователя, вирусность поста (количество лайков и комментариев), близость пользователя к автору поста и другие показатели, такие как время суток.

Комбинируя эти критерии, он определит вероятность того, что вы прочитаете данное сообщение, а затем расставит по приоритетам те сообщения, которые с наибольшей вероятностью заставят вас остановиться и прочитать их.

Обновление этого алгоритма позволило бы значительно повысить качество новостной ленты за счет уменьшения количества “пропущенных” сообщений и, следовательно, повысить релевантность предлагаемого контента.

Эта статья была написана на основе статьи, написанной командой инженеров LinkedIn, отвечающих за алгоритм публикации и Dwell Time. Я попытался синтезировать ее, извлекая наиболее важную информацию и стараясь быть как можно более понятным, основываясь на их объяснениях. К сожалению, это единственный официальный ресурс LinkedIn по данной теме.

Способ работы алгоритма и точная интеграция Dwell Time в охват публикаций раскрыты не полностью. Моделирование объединяет сложные математические функции и машинное обучение.

Так что это гораздо сложнее, чем что-то двоичное.

Команда инженеров заявила, что в этот алгоритм будут постоянно вноситься обновления, чтобы улучшить предложения и сделать его более релевантным.

Перед лицом этих изменений ключом к успеху остается качество контента. Чем больше алгоритм будет понимать, насколько пользователи ценят тот или иной контент, тем больше качество последнего будет превалировать в алгоритме.

Однако есть несколько хороших практик, которые помогут вам воспользоваться преимуществами Dwell Time. Я расскажу вам об этом в одной из статей. 😉

А пока не стесняйтесь связаться со мной на LinkedIn, чтобы обсудить статью и рассказать, если что-то неясно.