Social Graph Ranker

Que fait Social Graph Ranker ?

Couche de classement pondéré canonique du graphe pour la prospection consciente du réseau.

Utilisez ceci lorsque l'utilisateur a besoin de :

• classer les mutuels ou connexions existantes par valeur d'introduction
• cartographier les chemins chaleureux vers une liste de cibles
• mesurer la valeur des ponts entre les connexions de premier et second degré
• décider quelles cibles méritent des introductions chaleureuses par rapport à une approche directe
• comprendre les mathématiques du graphe indépendamment de lead-intelligence ou connections-optimizer

Quand l'utiliser de manière autonome

Choisissez cette compétence lorsque l'utilisateur souhaite principalement le moteur de classement :

• "qui dans mon réseau est le mieux placé pour me présenter ?"
• "classe mes mutuels par qui peut m'amener à ces personnes"
• "cartographie mon graphe par rapport à ce ICP"
• "montre-moi les mathématiques des ponts"

N'utilisez pas cette compétence seule lorsque l'utilisateur souhaite réellement :

• la génération complète de leads et le séquencement sortant -> utilisez lead-intelligence
• l'élagage, le rééquilibrage et la croissance du réseau -> utilisez connections-optimizer

Entrées

Collectez ou déduisez :

• les personnes cibles, entreprises ou définition ICP
• le graphe actuel de l'utilisateur sur X, LinkedIn ou les deux
• les priorités de pondération telles que le rôle, le secteur, la géographie et la réactivité
• la profondeur de parcours et la tolérance de décroissance

Modèle de base

Étant donné :

• T = ensemble de cibles pondérées
• M = vos mutuels / connexions directes actuels
• d(m, t) = distance de saut la plus courte du mutuel m à la cible t
• w(t) = poids de la cible issu du score de signal

Score de pont de base :

B(m) = Σ_{t ∈ T} w(t) · λ^(d(m,t) - 1)

Où :

• λ est le facteur de décroissance, généralement 0.5
• un chemin direct apporte une valeur totale
• chaque saut supplémentaire réduit de moitié la contribution

Expansion au second ordre :

B_ext(m) = B(m) + α · Σ_{m' ∈ N(m) \ M} Σ_{t ∈ T} w(t) · λ^(d(m',t))

Où :

• N(m) \ M est l'ensemble des personnes que le mutuel connaît mais que vous ne connaissez pas
• α actualise la portée au second ordre, généralement 0.3

Classement final ajusté par la réponse :

R(m) = B_ext(m) · (1 + β · engagement(m))

Où :

• engagement(m) est la réactivité normalisée ou la force de la relation
• β est le bonus d'engagement, généralement 0.2

Interprétation :

• Niveau 1 : R(m) élevé et chemins de pont directs -> demandes d'introduction chaleureuses
• Niveau 2 : R(m) moyen et chemins de pont à un saut -> demandes d'introduction conditionnelles
• Niveau 3 : R(m) faible ou aucun pont viable -> approche directe ou remplissage des lacunes

Signaux de notation

Pondérez les cibles avant le parcours du graphe avec ce qui importe pour l'ensemble de priorités actuel :

• alignement du rôle ou du titre
• adéquation entreprise ou secteur
• activité et récence actuelles
• pertinence géographique
• influence ou portée
• probabilité de réponse

Pondérez les mutuels après le parcours avec :

• nombre de chemins pondérés dans l'ensemble de cibles
• directe de ces chemins
• réactivité ou historique d'interaction antérieure
• adéquation contextuelle pour faire l'introduction

Flux de travail

1. Construire l'ensemble de cibles pondérées.
2. Récupérer le graphe de l'utilisateur depuis X, LinkedIn ou les deux.
3. Calculer les scores de pont directs.
4. Développer les candidats au second ordre pour les mutuels de plus grande valeur.
5. Classer par R(m).
6. Retourner :
   • meilleures demandes d'introduction chaleureuses
   • chemins de pont conditionnels
   • lacunes du graphe où aucun chemin chaleureux n'existe

Format de sortie

CLASSEMENT DU GRAPHE SOCIAL
===========================

Ensemble de priorités :
Plateformes :
Modèle de décroissance :

Meilleurs ponts
- mutuel / connexion
  score_de_base :
  score_étendu :
  meilleures_cibles :
  résumé_du_chemin :
  action_recommandée :

Chemins conditionnels
- mutuel / connexion
  raison :
  coût_du_saut_supplémentaire :

Pas de chemin chaleureux
- cible
  recommandation : approche directe / combler la lacune du graphe

Compétences connexes

• lead-intelligence utilise ce modèle de classement à l'intérieur du pipeline plus large de découverte de cibles et de prospection
• connections-optimizer utilise la même logique de pont lorsqu'il décide qui garder, élaguer ou ajouter
• brand-voice doit être exécuté avant de rédiger toute demande d'introduction ou approche directe
• x-api fournit l'accès au graphe X et des chemins d'exécution optionnels