kkdemian | 12 Februari 2026
Musk memenuhi janjinya, membuka sumber algoritma rekomendasi inti platform X (dulu Twitter). Ini bukan hanya kemenangan transparansi, tetapi juga tambang emas bagi pencipta konten—kita akhirnya bisa memahami dari tingkat algoritma "jenis Twitter apa yang akan direkomendasikan".
Berdasarkan kode sistem rekomendasi Phoenix yang bersumber dari X dan analisis mendalam oleh tim teknologi iklan Tencent, artikel ini akan memberikan Anda panduan penulisan Twitter berbasis algoritma untuk membantu Anda memaksimalkan paparan konten dan interaksi pengguna.
Satu, pahami logika inti algoritma rekomendasi X
1.1 Ikhtisar arsitektur algoritma
Sistem rekomendasi "Untuk Anda" X (kode nama: Home Mixer) menggunakan tiga tahap klasik: pemanggilan - pemeringkatan - penyaringan:
Tahap 1: Pengembalian kandidat (Candidate Sourcing)
Thunder (Dalam Jaringan): menarik pos dari akun yang Anda ikuti
Phoenix Retrieval (Luar Jaringan): pencarian berdasarkan kesamaan dari pos global
Tahap 2: Pemeringkatan yang cermat (Scoring)
Phoenix Scorer: model Transformer berbasis Grok, memprediksi probabilitas 19 jenis perilaku pengguna
Weighted Scorer: penggabungan berbobot multi-target, menghasilkan skor akhir
Author Diversity Scorer: penyesuaian keragaman penulis
Tahap 3: Penyaringan & Pemilihan (Filtering & Selection)
Penyaringan depan: penghapusan duplikat, ketepatan waktu, kata yang diblokir
Penyaringan belakang: sudah dibaca, spam, konten kekerasan
1.2 Dimensi penilaian inti algoritma
Phoenix Scorer memprediksi 19 jenis perilaku pengguna dan mendapatkan skor peringkat akhir dengan penjumlahan berbobot:
Perilaku positif (meningkatkan peringkat):
❤️ Suka: sinyal interaksi paling dasar
🔁 Repost: sinyal interaksi yang kuat, bobot tinggi
💬 Balasan: interaksi mendalam, bobot sangat tinggi
🔗 Klik: indikator daya tarik konten
📤 Bagikan: sinyal penyebaran luar
Perilaku negatif (menurunkan peringkat):
🚫 Blok (Block): umpan balik negatif yang kuat
🔇 Mute (Mute): umpan balik negatif tingkat sedang
🚩 Laporkan (Report): umpan balik negatif yang serius
Wawasan kunci: algoritma tidak hanya menghitung "jumlah suka", tetapi memprediksi "probabilitas tweet ini disukai oleh pengguna tertentu". Ini berarti:
Konten perlu dioptimalkan untuk audiens target
Konten yang bersifat umum tidak sebanding dengan konten yang mendalam di bidang khusus
Perilaku sejarah pengguna menentukan apakah konten Anda akan direkomendasikan kepadanya
Dua, prinsip penulisan Twitter yang ramah algoritma
2.1 Prinsip inti: maksimalkan "probabilitas interaksi yang diprediksi"
Berdasarkan mekanisme prediksi multi-target berbasis algoritma, tweet Anda perlu dioptimalkan dalam dimensi berikut:
Prinsip 1: Memicu interaksi bernilai tinggi (Balasan > Repost > Suka)
Algoritma memberikan bobot yang berbeda untuk interaksi yang berbeda. Berdasarkan desain Weighted Scorer:
Tingkat bobot balasan (reply) paling tinggi: karena balasan mewakili keterlibatan yang mendalam
Repost (menyebarkan) bobot kedua: mewakili nilai penyebaran konten
Like (suka) bobot rendah: ambang rendah, sinyal lemah
Strategi praktis:
✅ Rancang pertanyaan terbuka: akhiri dengan "apa pendapat Anda?", "apakah Anda mengalami ini?" untuk mengarahkan balasan
✅ Ciptakan kontroversi tetapi tidak ekstrem: pandangan yang moderat dapat memicu diskusi lebih baik daripada satu sisi.
✅ Berikan nilai yang dapat diteruskan: data, wawasan, rekomendasi alat, dll. yang "patut dibagikan"
❌ Hindari kalimat pernyataan murni: konten tanpa kait interaksi sulit mendapatkan skor tinggi
Contoh perbandingan:
❌ Versi interaksi rendah:
"Ethereum hari ini naik 5%."
✅ Versi dengan interaksi tinggi:
"Ethereum hari ini naik 5%, tetapi alamat aktif di on-chain turun 12%.
Apakah ini institusi yang mengumpulkan, atau ritel yang mengambil alih?
Sumber data: 【tautan】
Apa pendapat Anda?👇"
Mengapa efektif:
Memberikan data (nilai yang dapat diteruskan)
Menciptakan konflik kognitif (memicu pemikiran)
Panggilan interaksi yang jelas ("apa pendapat Anda")
Prinsip 2: Hindari sinyal negatif (Blok/Mute/Laporkan)
Algoritma akan menghukum keras konten yang memicu umpan balik negatif. Berikut adalah perilaku yang akan membuat Twitter Anda terdegradasi:
Dari sisi konten:
❌ Karakteristik pemasaran/spam yang berlebihan (banyak emoji, semua huruf kapital, pengulangan teks)
❌ Pernyataan politik ekstrem (meskipun pengikut Anda mendukung, pengguna non-pengikut juga akan melaporkan)
❌ Bahasa menyerang (serangan pribadi, pernyataan diskriminatif)
❌ Informasi menyesatkan (data yang belum terverifikasi, judul yang berlebihan)
Tingkat perilaku:
❌ Menerbitkan banyak konten serupa dalam waktu singkat
❌ Balasan spam di bawah tweet populer
❌ Menggunakan alat otomatis untuk berinteraksi dalam jumlah besar
Strategi praktis:
✅ Rujukan data harus memiliki sumber: hindari pernyataan samar seperti "katanya" atau "dikatakan"
✅ Ekspresi pandangan memberikan ruang: gunakan "saya pikir", "data menunjukkan" bukan "pasti"
✅ Topik kontroversial menambahkan disclaimer: seperti "artikel ini bukan merupakan saran investasi"
✅ Periksa secara berkala Twitter Analytics: lihat tweet mana yang memicu umpan balik negatif
Prinsip 3: Optimalkan "pencocokan urutan perilaku" menara pengguna
Model pengembalian X adalah struktur menara ganda:
Menara pengguna: input adalah 【karakteristik pengguna + urutan perilaku terakhir 32 pengguna】
Menara konten: input adalah 【ID pos + ID penulis】
Algoritma menggunakan mekanisme Causal Attention, membuat perilaku sejarah pengguna mempengaruhi rekomendasi. Ini berarti:
Tweet Anda akan direkomendasikan kepada pengguna "yang perilaku historisnya mirip dengan konten Anda"
Strategi praktis:
Penempatan konten vertikal
❌ Hari ini menulis tentang cryptocurrency, besok tentang kebugaran, lusa tentang makanan
✅ Teruskan menghasilkan konten dalam bidang yang sama (seperti "analisis data on-chain")
Alasan: algoritma akan menandai Anda sebagai penulis dalam bidang tertentu, merekomendasikan kepada pengguna yang aktif di bidang tersebut
Meniru struktur konten akun teratas
Menganalisis struktur tweet dari 10 akun Top di bidang Anda
Belajar dari pembukaan mereka, penyajian data, desain interaksi
Alasan: jika pengguna sering berinteraksi dengan akun teratas, algoritma akan merekomendasikan konten dengan struktur yang mirip
Memanfaatkan bobot "ID penulis"
Input menara konten adalah 【ID pos + ID penulis】
Ini berarti "siapa yang mengirim" sama pentingnya dengan "apa yang dikirim"
Strategi: Bangun merek pribadi, buat pengguna mengingat nama akun Anda
Analisis kasus:
Asumsi perilaku terakhir 32 pengguna A adalah:
Suka 10 tweet tentang "staking Ethereum"
Repost 3 tweet tentang "strategi hasil DeFi"
Balas 5 tweet tentang "analisis data on-chain"
Ketika Anda menerbitkan tweet tentang "optimasi hasil staking Ethereum", algoritma akan:
Dengan menara pengguna, identifikasi minat pengguna A pada "staking Ethereum"
Ekstrak fitur tweet Anda dengan menara konten
Hitung kesamaan (produk dot setelah normalisasi L2)
Jika kesamaan tinggi, tweet Anda akan muncul di "Untuk Anda" pengguna A
2.2 Optimasi struktur konten: sesuai dengan "mekanisme perhatian" Transformer
Model peringkat X adalah Decoder-Only Transformer + Candidate Isolation, arsitektur ini memiliki preferensi tertentu:
Poin optimasi 1: Informasi kunci di depan (karakteristik Causal Attention)
Transformer menggunakan Causal Attention, setiap posisi hanya dapat melihat dirinya sendiri dan informasi sebelumnya. Ini berarti:
Beberapa kata pertama di Twitter sangat mempengaruhi embedding secara keseluruhan
Algoritma memberikan bobot lebih tinggi pada informasi awal saat menangani tweet panjang
Strategi praktis:
✅ Poin inti di depan: katakan hal yang penting di kalimat pertama
✅ Data di depan: "+453%", "$10M" dan angka lainnya di awal
✅ Ketegangan di depan: tarik perhatian dengan pernyataan yang tidak biasa
Contoh perbandingan:
❌ Struktur yang tidak efisien:
"Baru-baru ini saya sedang meneliti data on-chain dan menemukan fenomena menarik. Setelah dua minggu analisis, saya perhatikan biaya Gas Ethereum turun 60% antara pukul 2-4 pagi. Ini adalah kesempatan bagus bagi pengguna yang perlu sering melakukan transaksi untuk menghemat uang."
✅ Struktur yang efisien:
"Biaya Gas Ethereum turun 60% antara pukul 2-4 pagi 💰
Menganalisis data on-chain selama 2 minggu dan menemukan jendela penghematan ini.
Jika Anda perlu:
Mencetak NFT
Transfer besar
Interaksi kontrak
Atur alarm, bisa menghemat beberapa ratus dollar.
Sumber data: 【tautan】"
Mengapa efektif:
Kalimat pertama adalah nilai inti ("turun 60%")
Penyajian angka di depan ("60%", "2 minggu")
Penyajian terstruktur (bullet points)
Panggilan untuk bertindak yang jelas
Poin optimasi 2: Memanfaatkan mekanisme "Candidate Isolation"
Model peringkat menggunakan Candidate Isolation pada kandidat pos:
Kandidat pos tidak dapat saling memperhatikan
Setiap kandidat hanya dapat melihat karakteristik pengguna dan urutan perilaku pengguna
Apa artinya ini?
Tweet Anda tidak akan terdegradasi karena "tweet lain dalam batch yang sama memiliki kualitas tinggi". Algoritma menilai setiap tweet secara independen, bukan urutan relatif.
Strategi praktis:
✅ Jangan khawatir "trending sudah ditulis habis": bahkan jika 100 orang menulis tentang topik yang sama, tweet Anda tetap akan dinilai secara independen
✅ Fokus pada "tweet Anda vs perilaku sejarah pengguna": bukan "tweet Anda vs tweet lain"
✅ Sudut pandang yang berbeda lebih penting daripada kecepatan: kirim beberapa jam lebih lambat, tetapi berikan sudut pandang yang unik, masih bisa mendapatkan skor tinggi
2.3 Strategi waktu: memanfaatkan mekanisme ketepatan waktu "Thunder"
Sistem pengembalian X memiliki dua kolam kandidat:
Thunder (Dalam Jaringan): penyimpanan memori, pembaruan waktu nyata, otomatis menghapus pos yang kadaluarsa
Phoenix Retrieval (Luar Jaringan): pencarian berdasarkan kesamaan, ketepatan waktu yang lebih lemah
Wawasan kunci:
Rekomendasi Dalam Jaringan memiliki ketepatan waktu yang kuat, Twitter baru akan cepat terpapar kepada pengikut
Rekomendasi Luar Jaringan bergantung pada kualitas konten, dapat terus mendapatkan lalu lintas ekor panjang
Strategi praktis:
Twitter untuk penggemar: menangkap "dua jam emas" setelah publikasi
Menerbitkan pada waktu aktif penggemar (melalui Twitter Analytics)
Segera berinteraksi dengan beberapa balasan pertama setelah publikasi (meningkatkan tingkat interaksi awal)
Jika interaksi rendah dalam waktu 2 jam, pertimbangkan untuk menghapus dan mengulang
Twitter untuk global: optimalkan nilai panjang ekor
Gunakan topik yang selalu hijau ("bagaimana", "panduan", "analisis data")
Tambahkan kata kunci yang dapat dicari (tetapi jangan menumpuk hashtag)
Berikan nilai yang dapat dirujuk secara berkelanjutan (alat, data, kerangka kerja)
Strategi waktu untuk Thread (jalur Twitter)
Tweet pertama menentukan paparan seluruh Thread
Selesaikan seluruh Thread dalam 10-15 menit setelah tweet pertama dipublikasikan
Alasan: algoritma akan memperlakukan Thread sebagai satu unit konten untuk dinilai
Tiga, teknik tingkat lanjut: rekayasa balik preferensi algoritma
3.1 Memanfaatkan mekanisme "Multi-Hash Embedding"
Model X menggunakan Multi-Hash Embedding untuk memproses ID pengguna, ID pos, ID penulis:
Setiap ID dipetakan ke tabel embedding menggunakan beberapa fungsi hash
Beberapa embedding disambung setelah itu, melalui matriks proyeksi yang dapat dipelajari untuk mereduksi dimensi
Apa artinya ini?
Algoritma bukan sekadar mengingat "pengguna A menyukai penulis B"
Tetapi belajar tentang "pola perilaku pengguna A" dan "pola konten penulis B" yang cocok
Strategi praktis:
Membangun "sidik jari" konten
Terus menggunakan istilah, sumber data, kerangka analisis tertentu
Membuat algoritma belajar pola konten Anda
Contoh: jika Anda selalu mengutip data Dune Analytics, algoritma akan menandai Anda sebagai penulis dalam kategori "analisis data on-chain"
Hindari konten dengan "konflik hash"
Jangan meniru beberapa akun dengan gaya berbeda
Pertahankan nada, struktur, dan gaya visual yang konsisten
Alasan: lompatan gaya konten dapat menyebabkan embedding tidak stabil, mempengaruhi rekomendasi
3.2 Optimasi distribusi bobot dari "19 jenis perilaku prediksi"
Algoritma memprediksi 19 jenis perilaku, tetapi bobotnya tidak dipublikasikan. Kita dapat menggunakan pemikiran terbalik:
Perilaku dengan bobot tinggi (persepsi):
Balasan (reply): interaksi mendalam, bobot mungkin 5-10 kali lipat dari Like
Repost dengan Komentar: menggabungkan nilai repost dan balasan
Klik + Waktu Tinggal: sinyal kuat dari kualitas konten
Bagikan ke DM: sinyal kuat dari penyebaran dalam platform
Perilaku dengan bobot sedang:
5. Repost (hanya meneruskan)
6. Bookmark (favorit)
7. Ikuti Penulis
Perilaku dengan bobot rendah:
8. Suka (Like)
9. Klik (hanya klik, tanpa tinggal)
Strategi praktis:
Merancang "Reply Magnet" (magnet balasan)
Sisipkan pertanyaan kosong di Twitter: "strategi saya adalah____"
Berikan beberapa opsi: "A atau B? Suara di balasan👇"
Ciptakan celah kognitif: "Hal yang kebanyakan orang tidak tahu adalah____ (balas dengan jawaban Anda)"
Optimalkan "Repost dengan Komentar"
Berikan kutipan yang dapat dirujuk (singkat, kuat, dapat disebarluaskan secara independen)
Gunakan visualisasi data (grafik lebih mudah untuk diteruskan dibandingkan teks)
Kosongkan: jangan mengisi kata-kata, beri ruang bagi penyebar untuk menambahkan
Meningkatkan "Dwell Time"
Gunakan Thread dan bukan tweet tunggal (meningkatkan waktu membaca)
Sisipkan tautan eksternal (tetapi pastikan kualitas konten, hindari keluar dan tidak kembali)
Elemen visual: gambar, grafik, video (meningkatkan waktu tinggal)
3.3 Permainan antara keragaman penulis dan "OON Score"
Algoritma memiliki dua mekanisme yang akan mempengaruhi paparan Anda:
Author Diversity Scorer: hindari umpan berita pengguna yang dibanjiri oleh satu penulis
OON Score: penyesuaian nilai untuk pos Luar Jaringan
Strategi praktis:
Kontrol frekuensi publikasi
❌ Jangan menerbitkan 5 tweet dalam 1 jam (akan dinilai rendah oleh Author Diversity)
✅ Sebar sepanjang hari (setiap 2-3 jam satu tweet)
✅ Gunakan Thread sebagai pengganti publikasi berurutan (Thread dianggap sebagai satu unit konten)
Optimalkan paparan Luar Jaringan
Gunakan istilah yang umum digunakan di industri (bukan bahasa jargon kelompok kecil)
Kutip akun terkenal (tetapi jangan @, hindari dianggap sebagai spam)
Berikan penjelasan yang "ramah pemula" (menurunkan ambang pemahaman)
Empat, panduan penyesuaian algoritma untuk jenis konten
4.1 Twitter berbasis data
Preferensi algoritma: Tinggi Klik, Tinggi Repost, Sedang Balasan
Praktik terbaik:
Template struktur: [data mengejutkan] + [penjelasan singkat] + [sumber data] + [kait interaksi] Contoh: "Persentase alamat yang memegang Bitcoin lebih dari 1 tahun mencapai level tertinggi sepanjang sejarah: 78.3% 📊 Ini adalah level tertinggi sejak 2019. Pola sejarah: • 2016 mencapai 75% → 6 bulan kemudian pasar bullish mulai • 2020 mencapai 76% → 3 bulan kemudian menembus ATH Data: Glassnode Apakah kali ini akan mengulang sejarah?👇"
Mengapa efektif:
Data di depan ("78.3%" langsung menarik perhatian)
Memberikan perbandingan sejarah (meningkatkan nilai yang dapat diteruskan)
Jelaskan sumber (hindari dilaporkan sebagai informasi yang menyesatkan)
Pertanyaan terbuka (mengarahkan balasan)
4.2 Twitter berbasis pandangan/wawasan
Preferensi algoritma: Tinggi Balasan, Sedang Repost, Rendah Klik
Praktik terbaik:
Template struktur: [pandangan yang tidak biasa] + [argumen 1-3] + [mengakui batasan] + [meminta umpan balik] Contoh: "Pandangan yang tidak populer: adopsi institusi Ethereum dapat menjadi ancaman jangka panjang 🧵 Alasan: 1. Kewajiban kepatuhan institusi → kompromi pada lapisan protokol → mengurangi ketahanan terhadap sensor 2. Konsentrasi penyedia staking besar → penurunan desentralisasi 3. Arus RWA → Risiko keuangan tradisional diteruskan ke on-chain Saya mungkin salah, tetapi ini adalah risiko yang layak untuk didiskusikan. Apa pendapat Anda?"
Mengapa efektif:
"Pandangan yang tidak populer" menciptakan kontroversi (meningkatkan Balasan)
Argumen yang terstruktur (mudah untuk dibantah atau didukung)
"Saya mungkin salah" mengurangi sifat menyerang (mengurangi Blok/Laporkan)
Langsung meminta umpan balik
4.3 Tweet berbasis tutorial/panduan
Preferensi algoritma: Tinggi Bookmark, Tinggi Klik, Sedang Repost
Praktik terbaik:
Template struktur: [masalah] + [prabaca solusi] + [panduan langkah demi langkah] + [alat/sumber] Contoh: "Biaya Gas lagi memakan 30% dari keuntungan Anda? Berikut adalah 5 tips praktis untuk menghemat Gas (teruji efektif)🧵 1⃣ Optimalkan waktu transaksi antara pukul 2-4 pagi, biaya Gas turun 60% alat: https://ethereumprice.org/gas/ 2⃣ Gunakan Disperse.app untuk mengirim ke beberapa alamat sekaligus menghemat: 70% Gas 3⃣ Migrasi L2 Arbitrum/Optimism biayanya hanya 1/10 dari jaringan utama panduan: [tautan] 4⃣ Pembelian Token Gas sebelumnya CHI/GST2, risiko penggunaan: memerlukan biaya belajar 5⃣ Optimasi kontrak pintar jika Anda seorang pengembang, gunakan Solidity 0.8+ untuk mengoptimalkan: fungsi inline, pengemasan variabel Simpan tweet ini, lihat sebelum transaksi berikutnya 🔖"
Mengapa efektif:
Masalah di depan ("Biaya Gas memakan 30% dari keuntungan" memicu resonansi)
Janji digital ("5 tips")
Mudah dioperasikan (setiap tweet memiliki alat/tautan)
Panggilan untuk menyimpan yang jelas (meningkatkan Bookmark)
4.4 Optimalisasi algoritma Thread (jalur Twitter)
Karakteristik algoritma:
Tweet pertama dari Thread menentukan paparan keseluruhan
Algoritma akan menghitung "Tingkat Penyelesaian" dari Thread (seberapa banyak orang yang membaca hingga akhir)
Thread dengan Tingkat Penyelesaian yang tinggi akan mendapatkan bobot tambahan
Praktik terbaik:
Tweet pertama adalah "trailer"
"Saya menghabiskan 3 bulan menganalisis 100 proyek DeFi yang gagal. Menemukan 5 pola fatal, 90% proyek telah melanggar setidaknya 3 dari pola tersebut. Ini adalah ulasan lengkap 🧵👇(1/12)"
Jaga ritme di tengah
Setiap tweet 2-3 kalimat (hindari terlalu panjang yang menyebabkan loncat)
Gunakan emoji sebagai pemisah visual
Setiap 3-4 tweet masukkan ringkasan kecil
Tweet terakhir adalah "panggilan untuk bertindak"
"(12/12) Jika Thread ini membantu Anda: ❤️ Suka tweet pertama (agar lebih banyak orang melihat)🔁 Bagikan kepada teman-teman yang membutuhkannya💬 Balas dengan pengalaman Anda di sini @YourHandle untuk lebih banyak analisis data on-chain"
Lima, panduan menghindari jebakan: mekanisme hukuman algoritma
5.1 Perangkap penyaringan depan
Konten berikut akan disaring di tahap pengembalian, dan tidak akan pernah masuk ke pemeringkatan:
❌ Konten yang diulang
Jangan menyalin dan menempel tweet lama Anda sendiri
Jangan gunakan teks yang sama di banyak tweet
❌ Konten kadaluarsa
Algoritma akan secara otomatis menghapus "pos lama" (batas waktu tertentu tidak diumumkan, diperkirakan 7-14 hari)
Konten yang selalu hijau perlu "diperbarui" secara berkala (diterbitkan kembali, bukan diteruskan)
❌ Pemicu kata yang diblokir
Hindari kata-kata sensitif politik
Hindari sugesti konten dewasa
Hindari istilah umum yang digunakan dalam penipuan keuangan ("jaminan hasil", "pasti untung")
5.2 Perangkap penyaringan belakang
Meskipun telah melalui pemeringkatan, situasi berikut masih akan disaring:
❌ Penyaringan yang sudah dibaca
Tweet yang telah dilihat pengguna tidak akan direkomendasikan lagi
Strategi: jangan berharap tweet tunggal "meledak dua kali", fokus pada konten baru
❌ Penyaringan paparan sesi yang sama
Pengguna tidak akan melihat beberapa tweet Anda dalam satu tampilan
Strategi: kontrol frekuensi publikasi, hindari "spam"
❌ Deteksi spam
Banyak @ pengguna lain dalam waktu singkat
Gunakan alat otomatis untuk berinteraksi dalam jumlah besar
Twitter berisi banyak tautan eksternal
5.3 "Mati spiral" umpan balik negatif
Setelah tweet Anda memicu banyak umpan balik negatif (Blok/Mute/Laporkan), algoritma akan:
Menurunkan paparan tweet tersebut
Menurunkan bobot keseluruhan akun Anda (mempengaruhi semua tweet di masa depan)
Mungkin memicu tinjauan manual
Bagaimana cara menghindari:
Periksa secara berkala metrik "umpan balik negatif" di Twitter Analytics
Jika suatu tweet memiliki tingkat umpan balik negatif yang tinggi, segera hapus
Hindari menggunakan bahasa yang menyerang pada topik kontroversial
Enam, alat dan pemantauan: optimasi berbasis data
6.1 Alat yang diperlukan
Twitter Analytics (resmi)
Lihat paparan, interaksi, dan umpan balik negatif setiap tweet
Identifikasi waktu terbaik untuk memposting
Lacak sumber pertumbuhan pengikut
Typefully (pihak ketiga)
Alat penulisan dan penjadwalan Twitter
A/B uji versi yang berbeda
Thread otomatis terbuka
Tweet Hunter (pihak ketiga)
Analisis Twitter interaktif tinggi dari pesaing
Memberikan inspirasi konten
Interaksi otomatis (gunakan dengan hati-hati, hindari dikenali sebagai spam)
Dune Analytics (sumber data)
Jika Anda menulis konten cryptocurrency, Dune adalah sumber data terbaik
Membuat Dashboard kustom, memperbarui data secara berkala
6.2 Indikator pemantauan
Indikator inti (urutkan berdasarkan prioritas):
Tingkat Balasan (Reply Rate)
Menghitung: jumlah balasan / jumlah paparan
Target: >0.5% (yaitu setiap 1000 paparan ada 5 balasan)
Tingkat Repost (Repost Rate)
Menghitung: jumlah repost / jumlah paparan
Target: >0.3%
Tingkat Keterlibatan (Engagement Rate)
Menghitung: (jumlah suka + jumlah repost + jumlah balasan) / jumlah paparan
Target: >3%
Tingkat Umpan Balik Negatif (Negative Feedback Rate)
Menghitung: (Blok + Mute + Laporkan) / jumlah paparan
Target: <0.01% (yaitu setiap 10000 paparan kurang dari 1 umpan balik negatif)
Indikator sekunder:
Tingkat Konversi Pengikut
Menghitung: penambahan pengikut / jumlah paparan (dari luar jaringan)
Target: >0.1%
Tingkat Penyelesaian Thread
Menghitung: pengguna yang membaca hingga akhir / pengguna yang mengklik yang pertama
Target: >40%
6.3 Kerangka A/B Testing
Variabel uji:
Waktu publikasi (pagi 8 vs malam 8)
Gaya pembuka (data di depan vs ketegangan di depan)
Panjang (satu tweet vs Thread)
Elemen visual (teks murni vs gambar vs grafik)
Metode pengujian:
Pilih 2 topik yang mirip
Menggunakan struktur/gaya yang berbeda
Menerbitkan pada periode waktu yang sama
Bandingkan tingkat interaksi
Contoh:
Uji A (data di depan):
"Biaya Gas Ethereum turun 60% antara pukul 2-4 pagi 💰
【konten selanjutnya】"
Uji B (ketegangan di depan):
"Saya menemukan jendela di mana Anda bisa menghemat ratusan dollar biaya Gas 💰
【konten selanjutnya】"
Bandingkan hasil:
Jika tingkat balasan A lebih tinggi → data preferensi audiens Anda didorong oleh data
Jika tingkat klik B lebih tinggi → preferensi audiens Anda bersifat menggantung
Tujuh, strategi jangka panjang: membangun merek pribadi yang ramah algoritma
7.1 Desain matriks konten
Berdasarkan mekanisme "pencocokan urutan perilaku pengguna" berbasis algoritma, Anda perlu membangun pola konten yang dapat diprediksi:
Rasio konten mingguan (contoh):
40% Tipe analisis data (tinggi repost)
30% Tipe panduan tutorial (tinggi bookmark)
20% Tipe pandangan dan wawasan (tinggi balasan)
10% Tipe cerita pribadi (membangun koneksi)
Mengapa efektif:
Algoritma akan mempelajari "sidik jari konten" Anda
Pengguna akan membentuk kebiasaan "melihat tweet Anda setiap minggu"
Frekuensi output yang stabil menghindari hukuman Author Diversity
7.2 Kualitas pengikut > Jumlah pengikut
Mekanisme pengembalian algoritma dibagi menjadi Dalam Jaringan dan Luar Jaringan:
Dalam Jaringan: pengikut Anda akan lebih dulu melihat tweet Anda
Luar Jaringan: direkomendasikan berdasarkan kesamaan konten
Wawasan kunci:
10000 "pengikut zombie" tidak sebanding dengan 1000 pengikut aktif
Tingkat interaksi pengikut langsung memengaruhi paparan Luar Jaringan Anda
Strategi praktis:
Bersihkan pengikut zombie secara berkala
Menggunakan alat untuk mengidentifikasi pengikut yang tidak aktif dalam jangka waktu lama
Soft Block: blokir dan segera lepaskan, paksa yang lain untuk berhenti mengikuti
Membina "super pengikut"
Mengidentifikasi pengguna yang sering berinteraksi
Secara aktif membalas komentar mereka
Sekali-sekali @ mereka untuk meminta pendapat
Hindari "pembelian pengikut"
Tingkat interaksi pengikut yang dibeli mendekati 0
Akan sangat menurunkan tingkat interaksi keseluruhan Anda
Algoritma mungkin mengenali dan menghukum
7.3 Kolaborasi lintas platform
Meskipun algoritma X hanya melihat data di dalam platform, Anda dapat meningkatkan secara tidak langsung melalui strategi lintas platform:
Strategi 1: Mengarahkan lalu lintas eksternal
Sebutkan tweet Anda di YouTube/Podcast
Sisipkan tautan tweet di Newsletter
Efek: lalu lintas eksternal biasanya memiliki tingkat interaksi yang lebih tinggi (karena mencari secara aktif)
Strategi 2: Memanfaatkan kembali konten
Mengubah Twitter interaktif tinggi menjadi artikel blog
Mengubah Thread menjadi video YouTube
Membuat analisis data menjadi infografis
Efek: paparan multi-platform, membangun otoritas
Delapan, analisis kasus: dekonstruksi Twitter yang ramah algoritma
Kasus 1: Tweet interaktif tinggi dari @naval
Tweet asli:
"Cari kekayaan, bukan uang atau status. Kekayaan adalah memiliki aset yang menghasilkan saat Anda tidur. Uang adalah cara kita mentransfer waktu dan kekayaan. Status adalah tempat Anda dalam hierarki sosial."
Analisis algoritma:
✅ Struktur kalimat berbentuk kutipan: setiap kalimat dapat disebarkan secara independen (tinggi Repost)
✅ Rekonstruksi kognitif: membedakan "kekayaan/uang/status" (memicu pemikiran, tinggi Balasan)
✅ Risiko umpan balik negatif yang rendah: nilai universal, tanpa kontroversi
✅ Kemampuan untuk dirujuk tinggi: pengguna lain akan merujuk di tweet mereka sendiri
Data interaksi (persepsi):
Tingkat Repost: 1.5% (jauh di atas rata-rata)
Tingkat Balasan: 0.8%
Umpan Balik Negatif: <0.001%
Kasus 2: Tweet berbasis data dari @VitalikButerin
Tweet asli:
"Waktu rata-rata blok Ethereum sekarang adalah 12.06 detik (turun dari 13-14 detik setahun yang lalu). Ini karena perbaikan pada lapisan jaringan dan optimisasi klien. Waktu blok yang lebih rendah = finalitas yang lebih cepat untuk pengguna."
Analisis algoritma:
✅ Data di depan: "12.06 detik" langsung menarik perhatian
✅ Menjelaskan alasan: memenuhi rasa ingin tahu "mengapa"
✅ Nilai pengguna: "finalitas yang lebih cepat untuk pengguna" terhubung dengan pengalaman nyata
✅ Otoritas: ID penulis Vitalik memiliki bobot tinggi
Data interaksi (persepsi):
Tingkat Klik: 2% (pengguna ingin melihat data lebih detail)
Tingkat Repost: 0.8% (Twitter komunitas teknis)
Tingkat Balasan: 0.5% (diskusi teknis)
Kasus 3: Tweet kontroversial dari @OnchainTheory (gaya Anda)
Asumsi tweet:
"Pandangan yang tidak populer: adopsi institusi dapat menjadi ancaman jangka panjang bagi Ethereum.
Ketika JPMorgan menjalankan dana di blockchain, ketika CFTC menerima ETH sebagai jaminan—apa yang kita dapatkan bukanlah "keuangan terdesentralisasi", tetapi "keuangan tradisional yang lebih efisien".
Apakah ini kemajuan atau kompromi?🧵"
Analisis algoritma:
✅ Penyaringan kontroversi di depan: "pandangan yang tidak populer" memicu rasa ingin tahu
✅ Kasus yang spesifik: JPMorgan, CFTC (dapat diverifikasi)
✅ Pertanyaan terbuka: "kemajuan atau kompromi" (tinggi Balasan)
⚠️ Risiko: mungkin memicu umpan balik negatif dari "penggemar Ethereum"
✅ Meredakan: "Saya mungkin salah" untuk mengurangi sifat menyerang
Saran optimasi:
Menambahkan dukungan data dalam Thread
Menyadari keabsahan pandangan yang berbeda
Hindari pernyataan absolut ("mungkin" dan bukan "pasti")
Sembilan, daftar periksa akhir: tinjauan algoritma sebelum publikasi
Sebelum mengklik "Kirim", periksa tweet Anda menggunakan daftar ini:
✅ Dari sisi konten
Informasi inti dalam 3 baris pertama
Termasuk setidaknya 1 data/case
Memiliki kait interaksi yang jelas (pertanyaan/pemungutan suara/kolom kosong)
Hindari kata sensitif/bahasa menyerang
Data memiliki tautan sumber
Panjang yang sesuai (tweet tunggal <280 kata, Thread setiap <200 kata)
✅ Dari sisi struktur
Menggunakan pemisah visual (emoji/baris baru)
Jika itu adalah Thread, yang pertama adalah "trailer"
Akhirnya ada panggilan untuk bertindak (balasan/menyebarkan/mengikuti)
Hindari terlalu banyak hashtag (<3 buah)
Hindari terlalu banyak @ (<2 buah)
✅ Dari sudut waktu
Dipublikasikan pada waktu aktif audiens
Jarak dari tweet terakhir >2 jam
Jika itu adalah Thread, sisakan 10-15 menit untuk menyelesaikan
✅ Tingkat risiko
Tidak akan memicu Blok/Mute/Laporkan
Pandangan memberikan ruang ("saya pikir" dan bukan "pasti")
Jika ada kontroversi, tambahkan disclaimer
Periksa ejaan dan tata bahasa (hindari dikenali sebagai konten berkualitas rendah)
Sepuluh, penutup: algoritma adalah alat, konten adalah esensi
Algoritma rekomendasi sumber terbuka X memberikan kita transparansi yang belum pernah ada sebelumnya, tetapi ini tidak berarti "menghancurkan algoritma" akan berhasil.
Esensi dari pengoptimalan algoritma adalah:
Memahami kebutuhan pengguna (algoritma hanyalah pemodelan matematika dari perilaku pengguna)
Memberikan nilai yang nyata (tingkat interaksi yang tinggi berasal dari resonansi yang nyata)
Membangun kepercayaan jangka panjang (algoritma akan menghukum perilaku spekulatif jangka pendek)
Ingat prinsip inti ini:
"Konten yang disukai algoritma = Konten yang disukai pengguna"
Jika Twitter Anda masih tidak mendapatkan interaksi setelah mengoptimalkan algoritma, masalahnya bukan pada algoritma, tetapi pada kontennya sendiri.
Rekomendasi terakhir:
Gunakan panduan ini untuk mengoptimalkan 10 tweet Anda
Bandingkan data sebelum dan sesudah optimasi
Temukan gaya dan ritme yang sesuai untuk Anda
Iterasi terus menerus, bukan ledakan sekali
Algoritma akan berubah, tetapi prinsip yang memberikan nilai tidak akan berubah.