Yükleniyor...
İçeriğinizi LinkedIn veya X'te paylaştığınızda, algoritmanın onu kaç kişiye 'göstermeyi tercih ettiğini' ve bunun ne kadarının sizin kontrolünüzde olduğunu hiç hesapladınız mı?
Sosyal ağlarda ve içerik platformlarında bir gönderi paylaştığınızda, o içeriğin kaderini takipçilerinizin ilgisinden ziyade, arka planda sessizce çalışan makine öğrenimi (ML) modelleri belirler. Geleneksel pazarlama metrikleri olan "erişim" (reach) veya "etkileşim oranı" (engagement rate), bize yalnızca sürecin sonundaki faturayı gösterir. İçeriğin platformun öneri motoru tarafından ne kadar "sevildiğini" ve organik olarak ne kadar ittirildiğini anlamak için daha hassas bir metriğe ihtiyacımız var: Algoritmik Görünürlük Oranı (Algorithmic Amplification Rate - AAR).
Özellikle büyüme pazarlaması (growth marketing) ve veri analitiği ekipleri tarafından sentetik bir anahtar performans göstergesi (KPI) olarak formüle edilen AAR, içeriğin ilk test grubunun (seed audience) dışına çıkma hızını ve oranını ölçer. Bu analizde, AAR'ın ne olduğunu, LinkedIn ve X (Twitter) gibi platformların öneri motorlarının arka planında nasıl hesaplandığını ve bu metriği lehinize çevirerek dağıtım bütçenizi nasıl optimize edebileceğinizi inceleyeceğiz.
AAR, bir içeriğin kazandığı toplam gösterimin ne kadarının platformun kendi algoritmik öneri mekanizmalarından (keşfet sekmeleri, ana sayfa akışındaki "önerilen" içerikler vb.) kaynaklandığını gösteren bir orandır. Formülü şu şekildedir:
AAR = [Öneri Kaynaklı Gösterim / Toplam Gösterim] x 100
Buradaki temel zorluk, platformların yerel analitik panellerinde "öneri kaynaklı gösterim" verisini her zaman doğrudan sunmamasıdır. Ancak gelişmiş veri analitiği araçları ve API logları üzerinden, takipçi dışı organik gösterimler ayrıştırılarak bu oran hesaplanabilir.
Yüksek bir AAR skoru (örneğin %40 ve üzeri), platformun öneri motorunun içeriğinizi aktif olarak yeni kitlelere taşıdığını gösterir. Bu durum, organik erişimi katlayarak ücretli dağıtım (paid distribution) maliyetlerinizi doğrudan düşürür. Düşük bir AAR skoru ise içeriğin yalnızca mevcut takipçi kitlenizin küçük bir kısmına gösterildiğini ve algoritma tarafından "yayılmaya değer" bulunmadığını gösterir.
Bir içerik yayınlandığı anda süreç iki aşamalı bir filtreleme mekanizmasıyla başlar. X (Twitter) mühendislik ekibinin açık kaynak olarak paylaştığı öneri algoritması dokümantasyonuna göre, sistemde Light Ranker (Hafif Sıklet Sıralayıcı) ve Heavy Ranker (Ağır Sıklet Sıralayıcı) olmak üzere iki temel makine öğrenimi modeli çalışır.
Öğrenen makineler, içeriğin yayılmaya değer olup olmadığına karar verirken kullanıcı etkileşimlerini doğrusal olmayan katsayılarla çarpar.
X (Twitter) Recommendation Algorithm GitHub deposundaki kaynak kod analizlerine göre, platformun Heavy Ranker aşamasında her etkileşimin ağırlığı farklıdır. Örneğin, bir kullanıcının paylaşıma yanıt vermesi (reply), sadece beğenmeye (like) kıyasla algoritmik skorlamada yaklaşık 30 kat daha fazla ağırlık çarpanı avantajı sağlar. Retweet ve yanıtlar, içeriğin ağ üzerindeki yayılım katsayısını doğrudan belirler.
Öte yandan, LinkedIn Engineering Blog üzerinde yayımlanan "Under the Hood of the LinkedIn Feed Algorithm" makalesine göre, LinkedIn platformunda içerik kalitesini belirleyen en kritik metriklerden biri Dwell Time (kalma süresi) metriğidir. Bir kullanıcının feed akışında gezinirken içeriğiniz üzerinde duraklaması ve okumaya başlaması, algoritma için en dürüst ilgi sinyalidir. LinkedIn feed algoritmasında bir içeriğin "anlamlı dwell time" olarak değerlendirilmeye başlanması için gereken minimum baraj süresi 0.5 saniye olarak belirlenmiştir. Bu yarım saniyelik eşik aşıldıktan sonra, kullanıcının içerikte geçirdiği süre uzadıkça içerik "viral" kategorisine yükseltilir ve AAR skoru tırmanışa geçer.
Düşük bir AAR skoru aldığınızda, içeriğin konusunu değiştirmeden önce teknik formatını optimize etmeniz gerekir. Algoritmalar, platformun güncel yerel (native) formatlarını tercih eder. Örneğin dış bağlantı (link) içeren gönderiler, kullanıcıyı platform dışına çıkardığı için dwell time düşürür ve algoritma tarafından cezalandırılır.
Somut Bir Simülasyon: Bir B2B SaaS markasının LinkedIn üzerinde paylaştığı teknik bir makalenin AAR değerini %12'den %45'e çıkarma sürecini ele alalım. İlk senaryoda marka, blog yazısının linkini doğrudan bir görsel eşliğinde paylaşmış ve düşük dwell time nedeniyle yalnızca kendi takipçilerinin bir kısmına ulaşabilmiştir (AAR: %12).
Uygulanan Optimizasyon Adımları:
Sonuç olarak, içeriğin dağıtımı için ek bir bütçe harcanmadan, platform içi optimizasyonlar ve akıllı format kullanımı sayesinde AAR skoru %45 seviyesine ulaştı. Bu, içeriğe gelen her 100 gösterimin 45'inin tamamen platformun öneri motoru tarafından organik olarak hedef kitleye sunulduğu anlamına gelir.
Hafta 22 · Öğrenen Makinelerle Kişiselleştirilmiş İçerik
Kişiselleştirilmiş İçerikte 'Uyarlanabilirlik Katsayısı': Bir Sayı ile Okuyucu Bağlılığı Nasıl Ölçülür?
Yapay zeka, içeriği sadece kişiselleştirmekle kalmıyor, aynı zamanda bu kişiselleştirmenin okuyucuyu ne kadar 'yakaladığını' da ölçebiliyor. Peki, bir içeriğin bireysel bir okuyucuya ne kadar iyi uyum sağladığını tek bir somut metrikle nasıl ifade edersiniz?