innosferaНаука и инновацииScience and Innovations1818-98572412-9372Издательский дом «Белорусская наука»10.29235/1818-9857-2025-12-60-64innosfera-941Research ArticleЦИФРОВАЯ ПЕРСПЕКТИВАDIGITAL PERSPECTIVEПринципы функционирования алгоритмических систем социальных сетейOperating principles of social media algorithmic systemsБатураМ.BaturaM.

Михаил Батура, заведующий НИЛ 6.3, доктор технических наук, профессор

Mikhail Batura

bmpbel@bsuir.byМарахинаИ.MarakhinaI.

Инна Марахина, доцент кафедры экономики, кандидат экономических наук, доцент

Ina Marakhina

marahina@bsuir.byПархименкоВ.ParkhimenkaU.

Владимир Пархименко, заведующий кафедрой экономики, кандидат экономических наук, доцент

Uladzimir Parkhimenka

parkhimenko@bsuir.byБелорусский государственный университет информатики и радиоэлектроники (БГУИР)Belarus2025150120260126064Copyright © Издательский дом «Белорусская наука», 20262026Издательский дом «Белорусская наука»Издательский дом «Белорусская наука»https://innosfera.belnauka.by/jour/about/submissions#copyrightNoticehttps://innosfera.belnauka.by/jour/article/view/941

В статье представлено исследование принципов работы алгоритмов социальных сетей для создания научно обоснованных рекомендаций по совершенствованию маркетинговой деятельности в условиях цифровой трансформации экономики. На основе реконструкции логики действий алгоритмов исходя из экономических целей платформ предложена концептуальная модель ранжирования контента как функции взвешенных факторов, работающей в рамках заданных ограничений. Систематизированы типы данных, приоритетные для алгоритмов с точки зрения достижения этих целей: релевантный, вовлекающий, провоцирующий социальные взаимодействия и способствующий росту лояльности. Показано, что эффективная SMM-стратегия должна быть ориентирована на формирование информации, которая одновременно соответствует интересам целевой аудитории и экономическим целям платформы по удержанию и монетизации внимания пользователя. Предложенная модель служит теоретической основой для дальнейших прикладных исследований по выявлению и верификации ключевых факторов ранжирования.

This study investigates the operating principles of social media algorithms to develop evidence-based recommendations for enhancing marketing strategies amid the digital transformation of the economy. By reconstructing the algorithms' logic, derived from the platforms' economic objectives, a conceptual model of content ranking is proposed. This model frames ranking as a function of weighted factors operating within a set of predefined constraints. The study systematizes the types of content prioritized by these algorithms to achieve their goals: relevant, engaging, interaction-provoking, and loyalty-fostering content. The findings demonstrate that an effective SMM strategy must be oriented toward creating content that is simultaneously relevant to the target audience's interests and aligned with the platform's economic goals of user retention and attention monetization. The proposed model provides a theoretical foundation for further applied research aimed at identifying and verifying key ranking factors.

алгоритмы социальных сетейSMMцифровой маркетингранжирование контентавовлеченность пользователеймонетизациялента новостейsocial media algorithmsSMMdigital marketingcontent rankinguser engagementmonetizationnews feedReferencesGraffius S. How Algorithms Shape the User Experience on Social Media Platforms // https://scottgraffius.com/blog/files/tag-how-algorithms-shape-the-userexperience-on-social-media-platforms.html.Graffius S. How Algorithms Shape the User Experience on Social Media Platforms // https://scottgraffius.com/blog/files/tag-how-algorithms-shape-the-userexperience-on-social-media-platforms.html.Guide to beating social media algorithms / Instruction by Adobe Express // https://www.adobe.com/learn/express/web/increase-social-media-visibility.Guide to beating social media algorithms / Instruction by Adobe Express // https://www.adobe.com/learn/express/web/increase-social-media-visibility.Narayanan A. Understanding Social Media Recommendation Algorithms // Knight First Amendment Institute at Columbia University // https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms.Narayanan A. Understanding Social Media Recommendation Algorithms // Knight First Amendment Institute at Columbia University // https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms.Никитин А.Ю. Алгоритмы социальных сетей: вызовы и возможности для современного маркетолога // Научный результат. Технологии бизнеса и сервиса. 2025. Т. 11, №1. С. 123–138. Doi: 10.18413/2408-9346-2025-11-1-0-9.Никитин А.Ю. Алгоритмы социальных сетей: вызовы и возможности для современного маркетолога // Научный результат. Технологии бизнеса и сервиса. 2025. Т. 11, №1. С. 123–138. Doi: 10.18413/2408-9346-2025-11-1-0-9.Metzler H., Garcia D. Social Drivers and Algorithmic Mechanisms on Digital Media // Perspectives on Psychological Science. 2023. Vol. 19, №5. P. 735–748.Metzler H., Garcia D. Social Drivers and Algorithmic Mechanisms on Digital Media // Perspectives on Psychological Science. 2023. Vol. 19, №5. P. 735–748.Bak-Coleman J.B., Alfano M., Barfuss W., Bergstrom C.T., Centeno M.A., Couzin I.D., Donges J.F., Galesic M., Gersick A.S., Jacquet J., Kao A.B., Moran R.E., Romanczuk P., Rubenstein D.I., Tombak K.J., Van Bavel J.J., Weber E.U. Stewardship of global collective behavior // Proceedings of the National Academy of Sciences, USA. 2021. Vol. 118, №27. Article e2025764118. Doi:10.1073/pnas.2025764118.Bak-Coleman J.B., Alfano M., Barfuss W., Bergstrom C.T., Centeno M.A., Couzin I.D., Donges J.F., Galesic M., Gersick A.S., Jacquet J., Kao A.B., Moran R.E., Romanczuk P., Rubenstein D.I., Tombak K.J., Van Bavel J.J., Weber E.U. Stewardship of global collective behavior // Proceedings of the National Academy of Sciences, USA. 2021. Vol. 118, №27. Article e2025764118. Doi:10.1073/pnas.2025764118.Koumchatzky N. Using Deep Learning at Scale in Twitter’s Timelines / N. Koumchatzky, A. Andryeyev / X Engineering // https://blog.x.com/engineering/en_us/topics/insights/2017/using-deep-learning-at-scale-in-twitters-timelines.Koumchatzky N. Using Deep Learning at Scale in Twitter’s Timelines / N. Koumchatzky, A. Andryeyev / X Engineering // https://blog.x.com/engineering/en_us/topics/insights/2017/using-deep-learning-at-scale-in-twitters-timelines.Lewandowsky S., Robertson R.E., DiResta R. Challenges in Understanding Human-Algorithm Entanglement During Online Information Consumption // Perspectives on Psychological Science. 2024. Vol. 19, №5. P. 758–766. Doi:10.1177/17456916231180809.Lewandowsky S., Robertson R.E., DiResta R. Challenges in Understanding Human-Algorithm Entanglement During Online Information Consumption // Perspectives on Psychological Science. 2024. Vol. 19, №5. P. 758–766. Doi:10.1177/17456916231180809.Menczer F. Facebook whistleblower Frances Haugen testified that the company’s algorithms are dangerous – here’s how they can manipulate you / The Conversation // https://theconversation.com/facebook-whistleblowerfrances-haugen-testified-that-the-companys-algorithms-are-dangerous-hereshow-they-can-manipulate-you-169420.Menczer F. Facebook whistleblower Frances Haugen testified that the company’s algorithms are dangerous – here’s how they can manipulate you / The Conversation // https://theconversation.com/facebook-whistleblowerfrances-haugen-testified-that-the-companys-algorithms-are-dangerous-hereshow-they-can-manipulate-you-169420.Milli S., Carroll M., Wang Y., Pandey S., Zhao S., Dragan A.D. Engagement, user satisfaction, and the amplification of divisive content on social media // PNAS Nexus. 2025. Vol. 4, Issue 3. Art. pgaf062. Doi:10.1093/pnasnexus/pgaf062.Milli S., Carroll M., Wang Y., Pandey S., Zhao S., Dragan A.D. Engagement, user satisfaction, and the amplification of divisive content on social media // PNAS Nexus. 2025. Vol. 4, Issue 3. Art. pgaf062. Doi:10.1093/pnasnexus/pgaf062.

The authors declare that there are no conflicts of interest present.