fot. depositphotos.com
Filter bubble
Eli Pariser jako pierwszy użył terminu bańki filtrującej już w 2011 roku. Filter bubble odnosi się do zjawiska, w którym algorytmy używane przez różne serwisy internetowe dopasowują treści wyświetlane przez użytkowników do ich preferencji, historii wyszukiwania czy wcześniejszych zachowań w sieci.
Zobacz również
Od 2011 r. już trochę minęło, ale od tego czasu niewidzialna selekcja treści tylko się powiększa i taka jest właśnie rzeczywistość. Tzn. prawie-rzeczywistość, bo widzimy tylko tę część, która jest dopasowana do naszych upodobań. Bańka oddziela nas od informacji, które nie są spójne z naszym punktem widzenia.
To jak szukanie argumentów, które miałyby poprzeć tezę, a nie szukanie tezy, którą poparłyby posiadane argumenty.
A my to widzimy i się na to godzimy. Po prostu żyjemy w swojej bańce (informacyjnej, kulturowej, społecznej, ideologicznej…), w której ten stan rzeczy jest ładnie opisany. Jak?
#PolecajkiNM cz. 32: czego szukaliśmy w Google’u, Kryzysometr 2024/25, rynek dóbr luksusowych w Polsce
- Dla Ciebie na TikToku
- Wybrane dla: Jadzia na Netflixie
- Polecane filmy na YouTube
- Eksploruj na Instagramie
- Proponowane dla Ciebie na Facebooku
- Mogą Cię zainteresować na Allegro
- Wybrane dla Ciebie na OLX
- Więcej tego, co lubisz lub Odkryj w tym tygodniu na Spotify
W branżowej nomenklaturze na taki filtr mówi się… personalizacja. Początkowo ta funkcjonalność miała ułatwiać korzystanie z internetu. Obecnie stała się narzędziem do sterowania zarówno tłumem, jak i jednostkami. Zjawisko jest wykorzystywane m.in. w content marketingu.
Słuchaj podcastu NowyMarketing
Kształt tej bańki tylko poniekąd zależy od tego, kim jesteśmy i co robimy. Nie decydujemy świadomie o tym, co i jak zinterpretują algorytmy. Chyba że nie będziemy rejestrować kont w mediach społecznościowych, dla niepoznaki włączać losowe filmy i artykuły, albo szukać informacji w trybie incognito.
Algorytmy YouTube
Kiedyś na YouTubie trzeba było optymalizować klipy pod kliknięcia i wyświetlenia, żeby filmy były polecane na stronie głównej. Później kluczowym czynnikiem był czas oglądania filmu. Następnie twórcy YouTube’owi odkryli, że użytkownikom chodzi tak naprawdę o satysfakcję. Już wtedy rekomendacja treści rosła w siłę.
Ostatecznie w 2018 roku dyrektor ds. produktów YouTube oznajmił, że 70% czasu spędzonego na YouTube jest wynikiem filmów polecanych przez algorytm*.
Realizowany content marketing na YouTubie można w ten sposób popchnąć w kierunku właściwej grupy docelowej, zwiększając tym samym skuteczność tego typu działań. Później można zacząć zarabiać albo z reklam, albo cieszyć się budowaniem świadomości własnej marki.
Algorytmy Google
Nie od dziś wiadomo, że prawie każda witryna internetowa jest w mniejszym lub większym stopniu optymalizowana pod silnik wyszukiwarki Google. Powszechnie znane jest dobieranie do strategii content marketingowej drobiazgowo przeanalizowanych słów kluczowych – po to, żeby algorytmy wyszukiwarki „pokochały” konkretną stronę.
Algorytmom Google’a podporządkowane są jednak nie tylko prace w ramach pozycjonowania stron internetowych, ale również my – konsumenci.
Sugestii i podpowiedzi możemy doświadczyć już przy pierwszym kontakcie z wyszukiwarką. Gdy wpisujemy do paska jakąś frazę kluczową, wyszukiwarka podpowiada, jak moglibyśmy dokończyć myśl. Dla niektórych takie sugestie mogą być pomocne, dla innych będą niczym frustrujący rozmówca, który nie daje dokończyć zdania, tylko od razu je dopowiada. Kiwając do tego głową, jakby sam chciał potwierdzić swoją sugestię.
Wśród ważnych algorytmów Google, które są powiązane z systemami rekomendacji, znajdują się m.in.:
- Google RankBrain – pomaga zrozumieć prawdopodobne intencje użytkowników i kontekst zapytania. Przykładowo, gdy wcześniej szukaliśmy pomysłów na kulturalne atrakcje w Poznaniu, a później wpisujemy w wyszukiwarkę „zamek”, to Google pokaże nam wynik z Centrum Kultury Zamek, a nie zamek do drzwi czy zamek błyskawiczny. Algorytm wykorzystuje uczenie maszynowe, dzięki czemu programy uczą się automatycznie na podstawie doświadczenia. Przyglądając się częstym wzorcom ludzkich zachowań, uczenie maszynowe pomaga algorytmom „zrozumieć”, co działa, a co nie. RankBrain bierze pod uwagę m.in. współczynnik klikalności (CTR) i odrzuceń (bounce rate) oraz czas spędzony na stronie (dwell time).
- BERT – uzupełnienie algorytmu RankBrain, które poprawia zdolność Google do przetwarzania języka naturalnego, żeby jeszcze lepiej zrozumieć intencję wyszukiwania. Jest systemem NLP (natural language processing) i pomaga wyszukiwarce przetwarzać pytanie użytkownika – nie tylko poszczególne słowa, ale związki i kontekst między nimi.
- Google Helpful Content Update, czyli aktualizacja dotycząca przydatnej treści. Ma ograniczać clickbaitowe i małowartościowe wyniki wyszukiwania i rzeczywiście dostarczać użytkownikom odpowiedzi na pytania. Aktualizacja ma premiować przydatne, fachowe i tematyczne teksty. To ukłon w stronę użytkowników i rekomendowanie im przydatnych treści.
- Product Reviews Update – mówiąc o rekomendacjach, nie można pominąć aktualizacji dotyczącej właśnie różnych typów opinii. Celem aktualizacji opinii o produktach jest premiowanie rekomendacji, które zawierają wnikliwą analizę i obiektywny oraz unikatowy content. Z założenia taka aktualizacja wcale nie ma manipulować opinią społeczeństwa, ale można domyślić się, że niektórzy wykorzystają zalecenia Product Reviews Update do tworzenia rekomendacji według wytycznych.
Opracowane na podstawie developers.google.com.
Informacja na temat konkretnego algorytmu wyszukiwarki jest cenna zwłaszcza dla marketerów, którzy szukają każdego możliwego sposobu na zwiększenie widoczności strony w organicznych wynikach wyszukiwania. Jednak nie tylko eksperci związani z pozycjonowaniem powinni interesować się systemami rekomendacji w wyszukiwarce, ale również sami użytkownicy.
Porada: Jeżeli chcesz znaleźć odpowiedź na wpisane słowo kluczowe bez uwzględniania Twoich wcześniejszych zachowań w sieci, skorzystaj z trybu incognito i wyłącz historię lokalizacji na urządzeniu.
Algorytmy w mediach społecznościowych
W mediach społecznościowych również funkcjonują algorytmy decydujące o tym, jakie treści są widoczne dla użytkowników.
Na FB ważne jest zdobycie autentycznych reakcji i komentarzy w postaci dyskusji, ale nie poprzez wymuszone oznaczanie marek czy znajomych, bo wtedy wręcz można obniżyć zasięgi**.
Liczą się pytania, CTA, angażowanie się w dyskusje. Warto też postawić na dywersyfikacje – nie tylko posty czy pytania, ale również inne funkcje (nawet do testów), np. wydarzenia, transmisje na żywo, rolki i inne.
Na Instagramie istotne dla algorytmów są informacje o poście (treść, zaangażowanie) oraz interakcje między publikującym a odbiorcą. W sekcji Explore czynnikami rankingującymi są 3 sygnały***:
- WHO
- WHAT
- WHEN
Czyli to, z jakimi postami wchodzą w interakcję obserwujący konkretne konto, co najbardziej ich interesuje i jak często otwierają aplikację Instagrama. Oczywiście tu również istotne jest zaangażowanie odbiorców i ich reakcje (nie tylko serduszka czy komentarze, ale również zapisywanie postów na później).
Co do rolek i IGTV, to algorytmy analizują piksele i klatki wideo oraz ścieżkę dźwiękową, żeby wywnioskować, o czym jest film. Na widoczność postów, reelsów i innych materiałów na Instagramie mają poniekąd wpływ również sami użytkownicy. Mogą wyciszać profile, dodawać bliskich i ulubionych znajomych oraz kliknąć, że konkretny post ich nie interesuje.
TikTok
Algorytmom TikToka można ułatwić:
- rozpoznawanie obrazów (computer vision),
- zinterpretowanie tematyki (wypełnianie metadanych: opisów i hasztagów),
- zadbanie o to, żeby muzyka i audio były spójne z tworzonym contentem (NLP).
To między innymi te 3 elementy wpływają na kategoryzację treści na TikToku****.
Równie ważne są zachowania użytkowników, czyli interakcje i czas, który poświęca się na obejrzenie wideo. Wszystkie świadomie podane przez użytkownika informacje również są wykorzystywane do rekomendacji najtrafniejszych materiałów. Są to m.in. język, ustawienia regionalne, a nawet typ telefonu.
Nieskończony strumień treści podsuwa użytkownikowi nowe materiały i uczy się, które z nich zatrzymały użytkownika na dłużej czy wywołały interakcję. I właśnie na tej podstawie algorytmy TikToka testują użytkownika w czasie rzeczywistym. Przewidują nasze zachowania, później je monitorują i eksperymentują na nas samych. I tak w kółko.
Algorytmy Netflixa
System rekomendacji Netflixa powstał już w 2000 roku (CineMatch). Już wtedy dokładność rekomendacji wynosiła 75%. W 2009 r. zwiększono jego precyzję o 10%*****.
W systemie rekomendacji Netflixa ważnych jest 5 zmiennych:
- Jakość filmu
- Gatunki i elementy filmów
- Zakotwiczenie
- Mody/trendy filmowe
- Ocena użytkownika
Każda decyzja użytkownika jest monitorowana i zapisywana w systemie. Na podstawie działań publiczności pojawiają się spersonalizowane sugestie filmów i seriali. Jak napisał A. Golański: Netflix tworzy „dla widza, nie dla widowni”.
Co więcej, gdy skończymy oglądać jakąś produkcje, system nie przenosi nas do strony głównej serwisu, ale od razu podaje kolejne sugestie, które mogłyby nas zainteresować (według algorytmu).
Nie da się ukryć, że algorytmy rządzą światem. Nie tylko wirtualnym. Są potężne, czasami niezrozumiałe, przez co uważane za niebezpieczne. Jednak algorytm bez danych jest bezwartościowy.
Algorytmy w systemach rekomendacji
Silniki rekomendacji są złożonymi systemami informatycznymi, które pozwalają przewidzieć, w jakim zakresie (na podstawie wybranych koncepcji grupowych) konkretny produkt spełni oczekiwania użytkowników. Obecnie wiele tych silników bazuje na uczeniu maszynowym i technikach******:
- Content-Base Filtering – modele bazujące na powiązaniach cech produktów. W tym przypadku pod uwagę bierze się atrybuty określające produkt. Przykładowo, jeżeli produktem jest film, model Content-Base Filtering może porównać z nim inną produkcję, biorąc pod uwagę różne cechy, np. gatunek, reżysera, aktorów oraz tematykę.
- Collaborative Filtering – systemy opierające się na powiązaniach pomiędzy użytkownikami. Modele analizują informacje pozyskane od użytkowników, m.in. ich preferencje i zachowania oraz wykrywają podobieństwa czy powiązania dotyczące konkretnych produktów. Mówiąc prościej: modele wykorzystują informacje o tym, jakie produkty były wybierane przez innych użytkowników, którzy – podobnie jak aktualny użytkownik – wykazywali powiązane zachowania. Na podstawie tych powiązań modele mogą zasugerować nowe produkty.
- Modele hybrydowe – systemy łączące obie powyższe koncepcje.
Czy content marketing może istnieć bez algorytmów?
Tak, ale po co?
Jeśli możemy korzystać z narzędzi, które analizują i przewidują zachowania użytkowników oraz pomagają w dostarczaniu im dokładnie tego, co ich interesuje, to dlaczego nie?
No właśnie dlatego, że systemy rekomendacji czasami zawodzą. Dobrym rozwiązaniem jest wsparcie działań content marketingowych tymi narzędziami, ale pamiętanie o tym, do kogo kierujemy swoje komunikaty. Z definicji content marketing pomaga budować lojalność wśród odbiorców. Życzę marketerom i sobie (jako konsumentce), żeby ta lojalność była budowana na prawdziwych fundamentach i danych pozyskanych w uczciwy sposób.
*YouTube’s AI is the puppet master over most of what you watch)
**How the Facebook algorithm works in 2023 and how to make it work for you)
***How the Instagram algorithm works in 2023
****How does TikTok use machine learning?
*****Rola Netflixa we współczesnej popkulturze – P. Winiarczyk
******What are today’s top recommendation engine algorithms