EdgeRank là tên của thuật toán mà Facebook dùng để quyết định những gì sẽ xuất trên News Feed của người dùng. News Feed là “ứng dụng chết người” của Facebook. Có hàng tỉ những thông tin được cập nhật lên Facebook mỗi ngày và newsfeed là ứng dụng lập trật tự cho những thông tin này.
Nó quyết định những liên kết (bạn bè, hội nhóm, fanpage …) nào là quan trọng nhất với bạn và sẽ xuất hiện thường xuyên nhất, và loại nội dung nào sẽ xuất hiện cao hơn những cái khác. Đối với những người muốn marketing cho một sản phẩm hay dịch vụ trên Facebook (còn gọi là Facebook marketing – một phần của social media marketing) thì việc hiểu về cách thức hoạt động của thuật toán này là một điều sống còn.
Hiểu về nguyên tắc hoạt động của thuật toán và thay đổi chiến thuật của bạn chiếu theo hệ thống có thể tạo nên sự khác biệt giữa một chiến dịch thay đổi tình hình kinh doanh hay một thất bại đáng xấu hổ. Dù quan trọng như thế nhưng đã có rất ít người viết về thuật toán này.
Không giống như những thuật toán đã làm thay đổi marketing, Edgerank thật sự không phức tạp như thế, nhưng cũng đừng để sự đơn giản đó làm cho bạn đánh giá thấp tầm ảnh hưởng của phương thức mà sẽ thay đổi cách bạn làm facebook marketing.
Hãy cùng bắt đầu với cái tên nào. Hãy bỏ qua việc cái tên này rất mang tính thời thượng thì điều gì đã làm cho thuật toán News Feed lại được biết đến với cái tên EdgeRank? Bởi vì tất cả các nội dung đều được biết đến như một “edge” (góc).
Vậy thì, một cập nhật trạng thái (status) là một “edge”; thích một trạng thái, cũng là một “edge”; tải một tấm hình, cũng là một “edge”; còn đổi tình trạng quan hệ (relationship status) thì sao? Tất cả đều được gọi là “edge”. Về cơ bản, tất cả mọi tương tác bạn thực hiện với Facebook đều tạo ra một dạng nội dung được gọi là “Edge”
Vậy là newsfeed cũng không hẳn là nơi cung cấp tin (feed of news), thay vào đó nó là một biểu đồ các Edge “quan trọng” nhất mà được lựa chọn thông qua thuật toán EdgeRank. Vậy những thành tố nào tạo ra thuật toán này? Một sự kết hợp của ba thành tố: sự thân thuộc (Affinity), trọng số của Edge (Edge Weight) và tính chất mới xảy ra (Recency)
Sự thân thuộc – Affinity
Affinity là một hệ thống điểm dựa trên sự gần gũi và sự “thân thiện” của bạn đối với một người nào đó. Có lẽ bạn đã từng thấy điều này. Theo dõi một người bạn trai hay bạn gái cũ, lẻn vào trang cá nhân của họ và đột nhiên sau đó lúc nào họ cũng xuất hiện trên newsfeed của bạn.
Bình luận bức ảnh của ai đó và bạn sẽ thấy rằng họ sẽ thường xuyên xuất hiện trên newsfeed của bạn. Đây là khi mà thành tố Affinity thể hiện giá trị. Bạn gởi đi một tín hiệu tích cực rằng bạn có một sự “gần gũi” nhất định với cá nhân hay tổ chức đó. Thuật toán sẽ ghi nhận điều này và bắt đầu sắp xếp những kết quả trên newsfeed của bạn theo đó.
Một vài người không thật sự đồng ý về việc thành tố Affinity lại đóng một vai trò quan trọng trong EdgeRank. Vấn đề mọi người quan tâm đó là nó gần như trở thành một lời tiên đoán tự hoàn thiện, ví dụ như người nào đó xuất hiện ngày càng nhiều trên newsfeed của bạn, thì nhiều khả năng bạn sẽ tăng được Affinity và đổi lại việc này sẽ tăng khả năng họ xuất hiện trên newsfeed của bạn trong tương lai, và cứ thế mà quay vòng.
Nhưng có một thực tế rằng người ta chỉ thường chúm chụm xung quanh một số nhỏ các mối liên kết của mình, và điều này có vẻ đúng với hầu hết tất cả mọi người trên Facebook.
Một trong những điều quan trọng mà bạn cần phải biết về Affinity với vai trò là một marketer là “sự thân thuộc” mang tính một chiều. Có nghĩa là việc bạn ghé thăm trang cá nhân của một người bạn lâu năm nào đó không tăng khả năng BẠN sẽ xuất hiện trên newsfeed của họ.
Tôi chắc chắn rằng đây là một tin rất tốt cho những người thích tọc mạch. Nhưng có vẻ đây không phải là một tin tốt lành gì cho các trang cá nhân của các công ty. Ví dụ như, nếu bạn ghé thăm trang cá nhân của một người có kết nối với bạn, thì cũng sẽ không có tác động gì đến Edge của bạn trên feed của họ. Tuy nhiên việc bạn bình luận trên một bức ảnh của họ sẽ khiến họ bình luận ngược trở lại, và điều này sẽ dẫn đến việc họ sẽ có Affinity lớn hơn với bạn.
>> Mời bạn xem tiếp phần 2 tại đây
Tổng hợp
