Dein wichtigster Touchpoint zur Digitalbranche.
Dein wichtigster Touchpoint zur Digitalbranche.
Social Media Marketing
„Personen, die Sie vielleicht kennen“: LinkedIn verbessert Networking Feature
© inlytics | LinkedIn Analytics Tool - Unsplash

„Personen, die Sie vielleicht kennen“: LinkedIn verbessert Networking Feature

Niklas Lewanczik | 06.08.21

LinkedIn optimiert den Algorithmus für Kontaktempfehlungen auf der Plattform. Dabei wurde das Engagement auf der Plattform bereits gesteigert.

User kennen es von den großen sozialen Netzwerken wie Facebook, dass ihnen Personen, die sie möglicherweise kennen, als neue Kontakte vorgeschlagen werden. Auf dem Business-Netzwerk LinkedIn haben die Empfehlungen für neue Kontakte einen besonders hohen Stellenwert. Denn dort steht das Networking für viele User im Zentrum des Engagements. Deshalb optimiert LinkedIn den Empfehlungsalgorithmus stetig, um eine ganzheitliche und für hunderte Millionen Nutzer:innen bessere Experience zu schaffen. Dank der zuletzt durchgeführten Neuerungen beim Algorithmus gab es Engagement-Gewinne, da einige High-Profile User entlastet und andere stärker fokussiert werden konnten.

Vor allem die Erfahrung beim Versenden von Einladungen wurde optimiert

Die Funktion „Personen, die Sie vielleicht kennen“ taucht bei LinkedIn-Nutzer:innen unter dem Reiter „Ihr Netzwerk“ auf. Dort finden sie Kontaktvorschläge, die auf Gemeinsamkeiten zwischen ihnen und weiteren Mitgliedern der Plattform bestehen, basieren. Auch Kontakte, die User aus ihren E-Mail- und Mobiltelefon-Adressbüchern importiert haben, spielen dabei eine Rolle.

In einem ausführlichen Blogpost erklärt LinkedIns Tech Lead of Growth Data Science, Qiannan Yin, zusammen mit ihren Co-Autor:innen, wie dieser Bereich auf der Plattform zuletzt verändert wurde. Die Relevanz der Empfehlungen im Business-Kontext sei auch durch mehr Remote-Arbeit gestiegen:

As more of the workforce has become remote over the last year, our intuition has been that the ability to network and make professional connections online will become a necessary skill for more and more people. AI-powered systems like PYMK are necessarily most valuable if they can address the needs of a broad cross-section of individuals.

Ein Ziel bei der Optimierung war ebenso, sogenannte „Power User“ nicht überproportional in den Mittelpunkt zu stellen. Denn ein Problem bei LinkedIn besteht für diese – sei es ein Recruiter eines großen Konzerns, ein populärer Branchen-Influencer oder eine bekannte Unternehmensleiterin – in der großen Zahl der Kontaktanfragen, die sie erhalten. Darüber hinaus können auch die Benachrichtigungen der zahlreichen Kontakte, die gegebenenfalls nur eine geringe Relevanz für die User haben, Überhand nehmen.

This negative experience showed up both in the data about how these members were using PYMK and in the form of direct user feedback,

erklärt Qiannan Yin. Daher wurde der P(connect) Score angepasst, der die Wahrscheinlichkeit einer Kontaktrelevanz aufgrund von Plattforminteraktionen und Daten aus dem Economic Graph ermittelt. Einfach gesagt, muss der Score bei solchen Usern, die sehr viele Kontaktanfragen erhalten, nun noch höher sein, um im Bereich „Personen, die Sie vielleicht kennen“ aufzutauchen. Das gilt für Personen, die pro Woche mehr als zehn Anfragen erhalten, sie werden von LinkedIn im Score leicht herabgesenkt. Im Beispiel wird User A (mit 15 Anfragen in der Woche) nach der Änderung nicht mehr priorisiert.

Neue Gewichtung der Profile im Bereich Personen, die Sie vielleicht kennen bei LinkedIn
Neue Gewichtung der Profile im Bereich Personen, die Sie vielleicht kennen bei LinkedIn, © LinkedIn

Das soll dazu führen, dass die Power User nicht noch mehr Anfragen erhalten, während andere, ebenfalls potentiell relevante Kontaktoptionen, mehr in den Fokus der Nutzer:innen, die Networking betreiben, gerückt werden.

A/B-Tests zur Überprüfung der Effekte

Um den Erfolg der Bereichsveränderung zu überprüfen, hat LinkedIn verschiedene User in Gruppen eingeteilt, die dann Empfehlungen über verschiedene Modelle erhalten haben. So wurde ein A/B-Test durchgeführt. Ein besseres Modell, so LinkedIn, sei dann ein solches, dass mehr Kontaktanfragen von der Absender:innenseite hervorruft. Auch auf Empänger:innenseite seien dann aber Effekte sichtbar. Denn dort würden User mehr Anfragen sehen und zu LinkedIn kommen, um diese zu verwalten.

Um hier die konkreten Auswirkungen von einzelnen Anfragen auf das Engagement der Empfänger:innen zu evaluieren, hat LinkedIn ein Attributions-Framework erstellt. Session X beispielsweise tritt auf, wenn ein:e Nutzer:in (A) direkt über die Anfrage zu LinkedIn kommt und diese akzeptiert. Session Y wiederum tritt auf, wenn ein:e Nutzer:in (B) proaktiv zu LinkedIn kommt, dann aber direkt zu den Anfragen geht und diese akzeptiert.

illustration-of-attribution-framework-developed-for-testing
LinkedIns Attributionsmodell für Kontaktanfragen, © LinkedIn

Ergebnisse der Veränderung: 50 Prozent weniger „überladene Empfänger:innen“

Ein zentrales Ergebnis der Algorithmusveränderung auf der Business-Plattform betrifft insbesondere die Power User. LinkedIn gibt an, dass nach den Anpassungen des Systems die Zahl der User, die innerhalb einer Woche „zu viele“ Kontaktanfragen erhielten, um 50 Prozent zurückging. Außerdem sei die Experience beim Verschicken und Akzeptieren solcher Anfragen deutlich verbessert worden. Dafür spricht, dass es einen einprozentigen Session-Zugewinn gab, obwohl die gesendeten Anfragen um einen Prozent zurückgingen.

[…] we actually achieved member engagement wins, which is counter-intuitive. While connection requests sent indeed decreased 1%,  we observed sessions from the recipient side increased by 1%. This is because members with fewer invitations were receiving more invitations, for whom invitations are more efficient in driving engagement. The session impact from the sender side was neutral. So, overall, there was a 1% session win. 

Zusätzlich wollte die Plattform Frequent Members und Infrequent Members im Empfehlungskontext ausgeglichen abbilden, um erstere Gruppe nicht zu sehr in den Vordergrund zu rücken. Während nach einer weiteren Anpassung in diesem Kontext die Engagement-Raten bei den Frequent Members konstant blieb, stieg die Zahl der Kontaktanfragen bei den Infrequent Members um 5,4 Prozent, die Zahl der Connections um 4,8 Prozent. Qiannan Yin schließt daraus:

This is interesting because typically, when invites are shifted from the FM group to the IM group, we would expect to see a metric increase for the latter and a decrease for the former. However, we observed neutral metrics for FMs and positive metrics for IMs, which indicates that recommendation quality has improved overall.

LinkedIn wird weiterhin mit Optimierungen des Bereichs „Personen, die Sie vielleicht kennen“ experimentieren und möchte auch Langzeitfolgen des veränderten Algorithmus genau beobachten. Ein großes Ziel dabei bleibt laut LinkedIn selbst, „systemische Ungleichheit und unfaire Vorurteile zu erkennen und zu mildern“.

Hast du schon Veränderungen bei dem Empfehlungen von Kontakten auf LinkedIn wahrgenommen? Und welche Optimierung würdest du dir für diesen Bereich wünschen? Lass es uns gern in den Kommentaren wissen.

In der nun schon dritten Auflage des E-Books bringen wir dich mit den wichtigsten Informationen, Tipps & Tricks und hilfreichen Checklisten auf den neuesten Stand, damit du dein E-Mail-Marketing und Lead Management rechtssicher gestalten kannst. Jetzt kostenlos herunterladen

Kommentare aus der Community

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

*
*