Begrijpen hoe het algoritme van LinkedIn werkt is een noodzaak om zichtbaar te blijven op dit sociale netwerk. In dit artikel onthul ik de resultaten van een analyse die ik maakte van 4.599 miljoen LinkedIn-berichten in 193 landen. De resultaten zijn verrassend en zetten veel vooropgezette ideeën op losse schroeven. Slechts 3 factoren spelen een rol bij de zichtbaarheid van LinkedIn-berichten. Dit artikel bevat ook de resultaten van de studies die ik al eerder publiceerde over het effect van hashtags, de invloed van het aantal woorden en de impact van emoji’s op de populariteit van uw berichten op LinkedIn.
Als u geïnteresseerd bent in mijn analyses, overweeg dan om u hieronder te abonneren op mijn nieuwsbrief (zorg ervoor dat u de bevestigingslink valideert die u zal worden toegestuurd) en stuur me een verbindingsverzoek op … LinkedIn ? . Het volledige rapport met aanvullende resultaten in pdf-formaat is hier beschikbaar. Download het gratis.
Samenvatting
- Inleiding
- Resultaten in het kort
- Resultaten in detail
- Factoren die geen invloed hebben: taal, land en … hashtags
- Factor van invloed nr. 1: omvang van het netwerk
- Factor van invloed nr. 2: aantal woorden
- Factor van invloed nr. 3: aantal emoji’s
- Methode
- Conclusies en dankwoord
- Rapport om te downloaden
crédits : Shutterstock
Inleiding
Begrijpen hoe algoritmen werken is een uitdaging voor iedereen die actief is op de netwerken. De algoritmen bepalen de zichtbaarheid van uw bijdragen voor het hele netwerk. LinkedIn vormt daarop geen uitzondering. De “Dwell Time” is het principe dat de zichtbaarheid op dit professionele netwerk bepaalt. Maar hoe kan u het algoritme “hacken” zonder verboden methodes te gebruiken (kopen van likes, pods)?
Om deze vraag te beantwoorden heb ik gebruik gemaakt van een dataset van 4,599 miljoen Linkedin-berichten, aangeleverd door Linkalyze. Ik heb het voorbereid met behulp van de data science-oplossingen van het bedrijf Timi: Anatella voor de gegevensvoorbereiding, Modeler voor statistische modellering. Ik nodig u uit om het deel van dit artikel te lezen dat gewijd is aan de methodologie, waarin u alle technische details zult vinden, evenals het technische recept dat het mogelijk maakt om de gegevens met Anatella voor te bereiden en ze met Modeler te “laten praten”.
Resultaten in het kort
- Slechts 3 factoren hebben een statistisch significante invloed op de zichtbaarheid van LinkedIn-berichten; het aantal mensen in uw netwerk, het aantal woorden, het aantal emoji’s.
- Variabelen zoals hashtags, post taal of land hebben geen significante invloed op de zichtbaarheid van LinkedIn-berichten.
- de grootte van uw netwerk verklaart 34% van de zichtbaarheid van uw berichten op LinkedIn.
- het aantal gebruikte woorden in uw LinkedIn-berichten verklaart 19,1% van de zichtbaarheid ervan
- emoji’s zijn slechts goed voor 2,4% van de kans om 100 of meer reacties te krijgen.
- 51,04% van de Linkedin-gebruikers heeft minder dan 1442 connecties, slechts 7% heeft er meer dan 10000 en 1,3% meer dan 20000.
- 80,3% van de op LinkedIn gepubliceerde berichten bevatten minder dan 92 woorden.
- 2,2% van de berichten op LinkedIn zijn langer dan 200 woorden.
- 80,12% van de berichten op LinkedIn bevat geen emoji’s.
Gedetailleerde resultaten: de 3 factoren die een rol spelen bij de zichtbaarheid van uw LinkedIn-berichten
Eerst en vooral is het belangrijk om de term “zichtbaarheid” op LinkedIn te definiëren. In deze analyse onderzocht ik de kans om 100 reacties (likes en commentaren) te krijgen voor leden met hooguit 25000 connecties. Ik heb dus 2 willekeurige keuzes gemaakt die verklaard kunnen worden door :
- mijn wens om een binair doel te stellen (100 reacties), wat waarschijnlijk is, maar nog altijd zeldzaam
- de noodzaak om accounts te elimineren die de resultaten vertekenen (persoonlijkheden die door honderdduizenden of zelfs miljoenen mensen worden gevolgd)
Methodologische noot: variabelen waarmee in het model rekening is gehouden
In een eerdere analyse heb ik de rol van hashtags bestudeerd. In deze voorlopige analyse zijn emoji’s buiten beschouwing gelaten. Nu blijkt dat de impact van emoji’s, hoewel bescheiden, die van hashtags overtreft, zodat de laatste onbelangrijk worden.
Dit soort verschijnsel is vrij gebruikelijk en doet zich voor wanneer nieuwe variabelen in een voorspellingsmodel worden opgenomen.
De resultaten zullen daarom waarschijnlijk veranderen naarmate nieuwe variabelen in het model worden opgenomen. Momenteel houdt het voorspellingsmodel rekening met de volgende variabelen:
- netwerkgrootte
- aantal hashtags
- aantal emoji’s
- aantal woorden
- taal
- land
Uiteindelijk spelen slechts 3 factoren een rol op het aantal reacties (en dus op de zichtbaarheid) van uw Linkedin-berichten:
- 34% van het effect wordt verklaard door de grootte van het netwerk
- 19,1% naar aantal woorden
- 2,4% door emoji’s
Deze 3 factoren verklaren dus 55% van de zichtbaarheid. De factoren die de resterende 45% uitmaken zijn niet bekend.
Factoren die geen invloed hebben: taal, land en … hashtags
Land en taal hebben geen invloed op de kans dat uw 100 reacties op een Linkedin-bericht krijgt. Dit is goed nieuws, want het betekent dat u niet in de VS hoeft te wonen of in het Engels hoeft te schrijven om deze truc uit te halen.
De verrassing die verschijnt wanneer alle variabelen in hetzelfde model worden opgenomen, is echter dat hashtags geen statistische invloed hebben. Met andere woorden, hashtags hebben geen significante invloed op de kans om 100 reacties te krijgen. In het eerste model waarover ik blogde, was nog geen rekening gehouden met emoji’s, waardoor er “ruimte” was voor hashtags om hun effect uit te oefenen. Maar zodra emoji’s in het model werden opgenomen, werd het effect ervan, hoewel bescheiden (2,4% van het totaal), dat van hashtags “verpletterd”.
Factor n°1: de grootte van uw netwerk beïnvloedt de zichtbaarheid van uw Linkedin-berichten
De analyse van deze 4,599 miljoen Linkedin-berichten toont duidelijk het effect van de grootte van het netwerk aan. Het is uiteindelijk heel logisch: hoe groter het netwerk van een Linkedin-lid, hoe groter de kans dat er op een van deze berichten geoogst wordt.
Verrassend is het gewicht dat deze variabele in de schaal legt: 34%. In principe is het bereiken van 100 reacties op LinkedIn voor 1/3 afhankelijk van de grootte van het netwerk. Om het eenvoudig te houden: de kans om 100 reacties te krijgen neemt met 1% toe voor elke 500 verbindingen.
“Waarschijnlijkheid om 100 likes/comments te krijgen op uw LinkedIn-bericht op basis van uw netwerk”
50% van de LinkedIn-gebruikers hebben minder dan 1442 connecties. Met 1442 connecties, heeft u een kans van 1 op 50 om 100 likes/commentaren te krijgen (2%).
Wanneer u echter 24000 verbindingen hebt, stijgt de waarschijnlijkheid tot 19%. Dat is bijna 10x meer.
Conclusie #1: Als u zichtbaar wilt zijn op LinkedIn, zorg er dan voor dat u een groot netwerk hebt. Dit is de sleutel tot succes nr. 1. Helaas heeft LinkedIn zojuist het aantal uitnodigingen dat u per week kunt versturen beperkt tot 100. U zult dus alternatieve strategieën moeten ontwikkelen, zoals ik in dit artikel heb uitgelegd.
Factor n°2: het aantal woorden is goed voor 19,1% van de viraliteit van Linkedin-berichten
De tweede belangrijke factor is het aantal woorden van het Linkedin-bericht. Het is goed voor bijna 20% van de kans om 100 likes en/of commentaren te bereiken.
Een post met 220-230 woorden heeft 6x meer kans op 100 likes/commentaren dan het gemiddelde.
Zoals ik in dit artikel in detail heb uitgelegd, is het effect niet lineair. Een buigpunt is zichtbaar rond 150-170 woorden. Dit betekent dat men er zeker belang bij heeft deze limiet te overschrijden bij het schrijven van inhoud.
“Waarschijnlijkheid om 100 likes/comments te krijgen op basis van het aantal woorden van het LinkedIn-bericht”
Dit effect kan worden verklaard door de wijzigingen die in 2020 in het Linkedin-algoritme zijn aangebracht. De “dwell time” is de variabele geworden die bepalend is voor de zichtbaarheid van een post binnen het LinkedIn netwerk en dus voor het vermogen ervan om geliket of becommentarieerd te worden. De “dwell time” meet de tijd die aan interactie met een inhoud wordt besteed. Hoe meer tijd de gebruiker aan een inhoud besteedt, hoe meer het algoritme afleidt dat deze inhoud interessant is en het verdient om aan andere mensen in het netwerk te worden blootgesteld. Een stuk content van 224 woorden zal een gebruiker eerder voor langere tijd boeien dan een stuk content van 50 woorden. Het effect was dus voorspelbaar, maar is voor het eerst gekwantificeerd.
Wat betreft het buigpunt dat rond 150-170 woorden zichtbaar is, heb ik geen verklaring voor wat dat zou kunnen voorstellen.
Conclusie nr. 2: als u likes en commentaren wil aantrekken op LinkedIn, is het beter om lange berichten te schrijven, in ieder geval meer dan 176 woorden.
Factor n°3: het aantal emoji’s beïnvloedt het succes van uw LinkedIn-berichten
De laatste variabele met een significant effect is het aantal emoji’s. Ik heb het hier in detail besproken.
We zien een positief effect van de 1e emoji. Met andere woorden, één enkele emoji in een LinkedIn-bericht plaatsen verhoogt al uw kansen om 100 likes / comments te krijgen.
“Waarschijnlijkheid om 100 likes/comments te krijgen op basis van het aantal emoji’s in het LinkedIn-bericht”
De reden is vrij eenvoudig als u de statistische verdeling van LinkedIn-berichten in termen van emoji’s ziet. 80% van de berichten bevat geen enkele emoji. 16 emoji’s, zoals u in de grafiek hieronder kunt zien, is een optimum. Met 16 emoji’s worden uw kansen om de 100 reacties te overschrijden met 2,5 vermenigvuldigd.
Wat in de analyse niet wordt gezegd, is waar deze emoji’s moeten worden opgenomen of welke emoji’s dat moeten zijn.
Conclusie nr. 3: plaats emoji’s in uw Linkedin-publicaties, en liefst heel veel. Mijn intuïtie zegt me dat emoji’s die zichtbaar zijn op de eerste 3 regels van het bericht doorslaggevend zijn, maar ik moet het nog bewijzen
Gedetailleerde methodologie
Timi Modeler (Engelse site) werd gebruikt om het best presterende voorspellingsmodel te vinden.
Meer bepaald werden 6 onafhankelijke variabelen in aanmerking genomen:
- de abonneenaam van de persoon die het bericht heeft geplaatst
- het land vermeld op het profiel van de auteur
- de taal waarin het bericht is geschreven
- het aantal woorden
- het aantal emoji’s
- het aantal hashtags
Om vertekening te voorkomen, zijn Linkedin-leden met een netwerk van meer dan 25.000 volgers uit de dataset verwijderd. Vips hebben geen moeite om 100 likes te krijgen, in tegenstelling tot gewone stervelingen zoals u en ik.
De voorspelde variabele werd in binaire vorm gemodelleerd. In plaats van te proberen het aantal “likes” of “comments” te voorspellen, probeerde ik te voorspellen hoe groot de kans is dat de 100 reacties (likes + comments) worden overschreden.
Deze limiet van 100 reacties is willekeurig gekozen omdat ik heb vastgesteld dat minder dan 3% van de berichten op LinkedIn deze drempel haalt. Ikzelf, tot voor kort, had het slechts één keer bereikt.
Verschillende soorten modellering werden getest (CART, random forest) maar uiteindelijk was het het “zelfgemaakte” Timi Modeler-algoritme dat de beste resultaten gaf. De AUC (Area Under the Curve) is 62% met 3 variabelen. Dit betekent dat 3 van de 6 variabelen een significante “bijdrage” leveren aan het voorspellen van de uitkomst.
crédits : Shutterstock
Algemene conclusie
Deze eerste resultaten geven een objectief beeld van het gewicht van de verschillende factoren in de zichtbaarheid van LinkedIn-berichten. Deze resultaten trekken de hypotheses in twijfel die zijn ontwikkeld over de veronderstelde effecten van deze of gene praktijk.
Toch is het belangrijk om in gedachten te houden:
- dat slechts met 6 variabelen rekening is gehouden en dat andere effecten nog moeten worden onderzocht
- dat het oorzakelijk verband tussen deze factoren (emoji’s, aantal woorden) en het aantal reacties nog onbekend is. Het is in dit stadium inderdaad onmogelijk te zeggen of het het algoritme is dat berichten met emoji’s pusht, of dat emoji’s de aandacht trekken van gebruikers die er meer op klikken en zo een positief signaal naar het algoritme sturen.
Er is nog een lange weg te gaan voordat we alle finesses van het algoritme van Linkedin-begrijpen (als het al mogelijk is om het te begrijpen).
Dankwoord
Aan het einde van deze eerste analyse wil ik Sylvain Tillon, Thomas Pons en Laetitia Verrière van Linkalyze bedanken, die mij de dataset ter beschikking hebben gesteld.
Mijn hartelijke dank gaat ook uit naar Frank Vanden Berghen voor het ter beschikking stellen van de Timi-suite die in dit werk werd gebruikt.
Rapport te downloaden
statistiques-linkedin-analyse-engagement-viralite
Posted in Data en IT.
