Comprender o algoritmo de clasificación de fontes de novas de Facebook

integración persoal de facebook

Obter a visibilidade da súa marca nos feeds de noticias do seu público obxectivo é o logro definitivo para os comerciantes sociais. Este é un dos obxectivos máis importantes e moitas veces esquivos na estratexia social dunha marca. Pode ser especialmente difícil en Facebook, unha plataforma que ten un algoritmo elaborado e en constante evolución deseñado para servir ao público o contido máis relevante.

EdgeRank foi o nome que recibiu o algoritmo de noticias de Facebook hai anos e, aínda que agora se considera obsoleto internamente, o nome mantívose e segue sendo utilizado polos comerciantes na actualidade. Facebook aínda está a usar os conceptos do algoritmo EdgeRank orixinal e o marco sobre o que se construíu, pero dun xeito novo.

Facebook refírese a el como o algoritmo de clasificación de fontes de novas. Como funciona? Aquí tes as respostas ás túas preguntas básicas:

Que son os bordos?

Calquera acción que tome un usuario é unha noticia potencial e Facebook chama a estas accións bordos. Sempre que un amigo publica unha actualización de estado, comenta a actualización de estado doutro usuario, etiqueta unha foto, únese a unha páxina de marca ou comparte unha publicación, xera unha bordo, e unha historia sobre esa vantaxe podería aparecer na fonte de novas persoais do usuario.

Sería extremadamente abrumador se a plataforma amosase todas estas historias no feed de noticias polo que Facebook creou un algoritmo para predicir o interesante que será cada historia para cada usuario. O algoritmo de Facebook chámase "EdgeRank" porque clasifica os bordos e logo filtraos no feed de novas dun usuario para mostrar as historias máis interesantes para ese usuario en particular.

Que é o marco EdgeRank orixinal?

As tres partes principais orixinais do algoritmo EdgeRank son puntuación de afinidade, peso de bordoe decadencia do tempo.

A puntuación de afinidade é a relación entre unha marca e cada fan, medida pola frecuencia coa que un fan ve e interactúa coa súa páxina e publicacións, ademais de como interactúa recíprocamente con eles.

O peso do bordo mídese compilando os valores dos bordos ou accións que realiza un usuario, a excepción dos clics. Cada categoría de arestas ten un peso predeterminado diferente, por exemplo, os comentarios teñen valores de peso superiores a gustos porque mostran unha maior implicación do fan. Xeralmente pode supoñer que os bordos que levan máis tempo en realizarse adoitan pesar máis.

A desintegración do tempo refírese ao tempo que a aresta estivo viva. EdgeRank é unha puntuación de execución, e non unha soa vez. Entón, canto máis recente sexa a túa publicación, maior será a túa puntuación EdgeRank. Cando un usuario inicia sesión en Facebook, a súa fonte de noticias está chea de contido que ten a puntuación máis alta nese momento concreto.

fórmula de facebook edgerank

Crédito da foto: EdgeRank.net

A idea é que Facebook premie ás marcas que crean relacións e poñan o contido máis relevante e interesante na parte superior do feed de novas dun usuario para que as publicacións se adapten especificamente a elas.

Que cambiou con Edgerank en Facebook?

O algoritmo cambiou lixeiramente, conseguindo unha actualización con novas funcións, pero a idea segue sendo a mesma: Facebook quere ofrecer aos usuarios contido interesante para que sigan volvendo á plataforma.

Unha nova característica, o choque de historias, permite que volvan aparecer historias que a xente orixinalmente non se desprazou o suficiente para ver. Estas historias acumularanse preto da parte superior da fonte de noticias se aínda están gañando moitos compromisos. Isto significa que as publicacións de páxinas populares poderían ter maiores posibilidades de que se mostren aínda que teñan unhas poucas horas (cambiando o uso orixinal do elemento de decadencia temporal) ao ir á parte superior do feed de novas se as historias seguen recibindo un número elevado de me gusta e comentarios (aínda usando elementos de puntuación de afinidade e peso de bordo). Os datos suxeriron que isto mostra ao público as historias que queren ver, aínda que se perdesen por primeira vez.

Outras funcións están destinadas a permitir aos usuarios ver as publicacións das páxinas e amigos que desexan de xeito máis oportuno, especialmente con temas de tendencia. Dise que o contido particular só é relevante nun determinado período de tempo, polo que Facebook quere que os usuarios o vexan mentres segue sendo relevante. Cando un amigo ou páxina está conectado a publicacións sobre algo que actualmente é un tema candente de conversa en Facebook, como un evento deportivo ou a estrea da tempada de programas de TV, é máis probable que esa publicación apareza máis arriba na súa fonte de noticias de Facebook, para que poida vela antes.

É máis probable que as publicacións que xeren alta participación pouco despois da publicación se mostren na fonte de noticias, pero non tan probable se a actividade cae rapidamente despois da publicación. O pensamento detrás disto é que se a xente está a participar coa publicación xusto despois de que se publique, pero non tantas horas despois, a publicación foi máis interesante no momento en que foi publicada e potencialmente menos interesante nunha data posterior. Esta é outra forma de manter o contido da noticia en tempo útil, relevante e interesante.

Como medo a miña analítica de feed de novas de Facebook?

Non hai ningunha ferramenta de terceiros dispoñible para medir a puntuación EdgeRank dunha marca xa que gran parte dos datos son privados. Un real Puntuación EdgeRank non existe porque cada fan ten unha puntuación de afinidade diferente coa páxina da marca. Ademais, Facebook mantén o algoritmo en segredo e están axustándoo constantemente, o que significa que o valor dos comentarios en comparación cos me gusta está cambiando constantemente.

A forma máis eficaz de medir o impacto do algoritmo aplicado ao teu contido consiste en ver a cantas persoas chegaches e a cantidade de participación que recibiron as túas publicacións. Ferramentas como SumAll Facebook Analytics engloba estes datos nun completo analítica panel perfecto para medir e rastrexar estas métricas.

¿Que pensas?

Este sitio usa Akismet para reducir o spam. Aprende a procesar os teus datos de comentarios.