Memahami Algoritma Peringkat Umpan Berita Facebook

integrasi pribadi facebook

Mendapatkan visibilitas merek Anda di umpan berita dari audiens target Anda adalah pencapaian akhir bagi pemasar sosial. Ini adalah salah satu tujuan yang paling penting, dan sering kali sulit dipahami, dalam strategi sosial merek. Ini bisa sangat sulit di Facebook, platform yang memiliki algoritme yang rumit dan terus berkembang yang dirancang untuk menyajikan konten yang paling relevan kepada audiens.

Peringkat Tepi adalah nama yang diberikan untuk algoritme umpan berita Facebook bertahun-tahun yang lalu dan meskipun sekarang dianggap usang secara internal, nama tersebut telah hidup dan terus digunakan oleh pemasar saat ini. Facebook masih menggunakan konsep algoritme EdgeRank asli dan kerangka kerjanya, tetapi dengan cara baru.

Facebook menyebutnya sebagai Algoritma Peringkat Umpan Berita. Bagaimana cara kerjanya? Inilah jawaban atas pertanyaan dasar Anda:

Apa itu Tepi?

Tindakan apa pun yang dilakukan pengguna adalah berita umpan berita potensial dan Facebook menyebut tindakan ini ujung-ujungnya. Setiap kali seorang teman memposting pembaruan status, mengomentari pembaruan status pengguna lain, menandai foto, bergabung dengan halaman merek, atau berbagi posting, itu menghasilkan tepi, dan berita tentang keunggulan tersebut berpotensi muncul di umpan berita pribadi pengguna.

Akan sangat luar biasa jika platform menampilkan semua cerita ini di umpan berita sehingga Facebook membuat algoritme untuk memprediksi betapa menariknya setiap cerita bagi setiap pengguna. Algoritme Facebook disebut "EdgeRank" karena memberi peringkat pada tepinya dan kemudian memfilternya menjadi umpan berita pengguna untuk menampilkan berita paling menarik bagi pengguna tersebut.

Apa itu Kerangka EdgeRank Asli?

Tiga bagian utama asli dari algoritma EdgeRank adalah skor afinitas, berat tepi, dan peluruhan waktu.

Skor afinitas adalah hubungan antara merek dan setiap penggemar, diukur dari seberapa sering penggemar melihat dan berinteraksi dengan halaman dan postingan Anda, selain cara Anda terlibat secara timbal balik dengan mereka.

Bobot tepi diukur dengan menyusun nilai-nilai tepi, atau tindakan yang dilakukan pengguna, kecuali klik. Setiap kategori tepi memiliki bobot default yang berbeda, misalnya komentar memiliki nilai bobot lebih tinggi dari seperti karena mereka menunjukkan keterlibatan yang lebih besar dari penggemar. Anda biasanya dapat berasumsi bahwa tepi yang membutuhkan waktu paling lama untuk dikerjakan cenderung lebih berat.

Peluruhan waktu mengacu pada berapa lama edge telah hidup. EdgeRank adalah skor lari, bukan satu kali. Jadi, semakin baru posting Anda, semakin tinggi skor EdgeRank Anda. Saat pengguna masuk ke Facebook, umpan berita mereka diisi dengan konten yang memiliki skor tertinggi pada saat tertentu.

rumus edgerank facebook

Kredit gambar: EdgeRank.net

Idenya adalah bahwa Facebook memberi penghargaan kepada merek yang membangun hubungan dan menempatkan konten yang paling relevan dan menarik di bagian atas umpan berita pengguna sehingga posting secara khusus disesuaikan dengan mereka.

Apa yang Berubah dengan Facebook Edgerank?

Algoritme telah sedikit berubah, mendapatkan peningkatan dengan fitur-fitur baru, tetapi idenya masih sama: Facebook ingin memberikan konten yang menarik kepada pengguna sehingga mereka akan terus kembali ke platform.

Satu fitur baru, story bumping, memungkinkan cerita muncul kembali sehingga orang-orang pada awalnya tidak menggulir ke bawah cukup jauh untuk melihatnya. Kisah-kisah ini akan muncul di dekat bagian atas umpan berita jika masih menarik banyak keterlibatan. Ini berarti bahwa postingan halaman populer dapat memiliki peluang lebih tinggi untuk ditampilkan meskipun usianya beberapa jam (mengubah penggunaan asli elemen peluruhan waktu) dengan membuka bagian atas feed berita jika berita tersebut masih menerima jumlah yang tinggi suka dan komentar (masih menggunakan skor afinitas dan elemen bobot tepi). Data menunjukkan bahwa ini menunjukkan kepada penonton cerita yang ingin mereka lihat, meskipun mereka baru pertama kali melewatkannya.

Fitur lain ditujukan untuk memungkinkan pengguna melihat kiriman dari halaman dan teman yang mereka inginkan secara lebih tepat waktu, terutama dengan topik yang sedang tren. Konten tertentu dikatakan hanya relevan dalam jangka waktu tertentu, jadi Facebook ingin pengguna melihatnya selagi masih relevan. Ketika seorang teman atau halaman Anda terhubung ke posting tentang sesuatu yang saat ini menjadi topik pembicaraan hangat di Facebook seperti acara olahraga atau pemutaran perdana musim acara TV, posting itu lebih cenderung muncul lebih tinggi di umpan berita Facebook Anda, jadi Anda bisa lihat lebih cepat.

Kiriman yang menghasilkan keterlibatan tinggi segera setelah pengeposan lebih cenderung ditampilkan di umpan berita, tetapi kemungkinan besar tidak akan muncul jika aktivitas turun dengan cepat setelah pengeposan. Pemikiran di balik ini adalah bahwa jika orang terlibat dengan postingan tepat setelah diposting tetapi tidak sampai beberapa jam kemudian, postingan tersebut paling menarik pada saat diposting dan berpotensi menjadi kurang menarik di kemudian hari. Ini adalah cara lain untuk menjaga konten di newsfeed tepat waktu, relevan, dan menarik.

Bagaimana Saya Mengukur Analisis Umpan Berita Facebook Saya?

Tidak ada alat pihak ketiga yang tersedia untuk mengukur skor EdgeRank suatu merek karena begitu banyak datanya bersifat pribadi. Sebenarnya Skor EdgeRank tidak ada karena setiap penggemar memiliki skor afinitas yang berbeda dengan halaman merek. Selain itu, Facebook merahasiakan algoritme, dan mereka terus-menerus mengubahnya, yang berarti nilai komentar dibandingkan suka terus berubah.

Cara paling efektif untuk mengukur dampak algoritme yang diterapkan pada konten Anda adalah dengan melihat berapa banyak orang yang telah Anda jangkau dan seberapa banyak keterlibatan yang diterima pos Anda. Alat seperti Jumlah Semua Facebook Analytics melingkupi data ini menjadi komprehensif analisis dasbor sempurna untuk mengukur dan melacak metrik ini.

Bagaimana menurut Anda?

Situs ini menggunakan Akismet untuk mengurangi spam. Pelajari bagaimana data komentar Anda diproses.