Craft and publish engaging content in an app built for creators.
NEW
Publish anywhere
Post on LinkedIn & Mastodon too. More platforms coming soon.
Make it punchier 👊
Typefully
@typefully
We're launching a Command Bar today with great commands and features.
AI ideas and rewrites
Get suggestions, tweet ideas, and rewrites powered by AI.
Turn your tweets & threads into a social blog
Give your content new life with our beautiful, sharable pages. Make it go viral on other platforms too.
+14
Followers
Powerful analytics to grow faster
Easily track your engagement analytics to improve your content and grow faster.
Build in public
Share a recent learning with your followers.
Create engagement
Pose a thought-provoking question.
Never run out of ideas
Get prompts and ideas whenever you write - with examples of popular tweets.
@aaditsh
I think this thread hook could be improved.
@frankdilo
On it 🔥
Share drafts & leave comments
Write with your teammates and get feedback with comments.
NEW
Easlo
@heyeaslo
Reply with "Notion" to get early access to my new template.
Jaga
@kandros5591
Notion 🙏
DM Sent
Create giveaways with Auto-DMs
Send DMs automatically based on engagement with your tweets.
And much more:
Auto-Split Text in Posts
Thread Finisher
Tweet Numbering
Pin Drafts
Connect Multiple Accounts
Automatic Backups
Dark Mode
Keyboard Shortcuts
Creators love Typefully
150,000+ creators and teams chose Typefully to curate their Twitter presence.
Marc Köhlbrugge@marckohlbrugge
Tweeting more with @typefully these days.
🙈 Distraction-free
✍️ Write-only Twitter
🧵 Effortless threads
📈 Actionable metrics
I recommend giving it a shot.
Jurre Houtkamp@jurrehoutkamp
Typefully is fantastic and way too cheap for what you get.
We’ve tried many alternatives at @framer but nothing beats it. If you’re still tweeting from Twitter you’re wasting time.
DHH@dhh
This is my new go-to writing environment for Twitter threads.
They've built something wonderfully simple and distraction free with Typefully 😍
Santiago@svpino
For 24 months, I tried almost a dozen Twitter scheduling tools.
Then I found @typefully, and I've been using it for seven months straight.
When it comes down to the experience of scheduling and long-form content writing, Typefully is in a league of its own.
Luca Rossi ꩜@lucaronin
After trying literally all the major Twitter scheduling tools, I settled with @typefully.
Killer feature to me is the native image editor — unique and super useful 🙏
Visual Theory@visualtheory_
Really impressed by the way @typefully has simplified my Twitter writing + scheduling/publishing experience.
Beautiful user experience.
0 friction.
Simplicity is the ultimate sophistication.
Queue your content in seconds
Write, schedule and boost your tweets - with no need for extra apps.
Schedule with one click
Queue your post with a single click - or pick a time manually.
Pick the perfect time
Time each post to perfection with Typefully's performance analytics.
Boost your content
Retweet and plug your posts for automated engagement.
Start creating a content queue.
Write once, publish everywhere
We natively support multiple platforms, so that you can expand your reach easily.
Check the analytics that matter
Build your audience with insights that make sense.
Writing prompts & personalized post ideas
Break through writer's block with great ideas and suggestions.
Never run out of ideas
Enjoy daily prompts and ideas to inspire your writing.
Use AI for personalized suggestions
Get inspiration from ideas based on your own past tweets.
Flick through topics
Or skim through curated collections of trending tweets for each topic.
Write, edit, and track tweets together
Write and publish with your teammates and friends.
Share your drafts
Brainstorm and bounce ideas with your teammates.
NEW
@aaditsh
I think this thread hook could be improved.
@frankdilo
On it 🔥
Add comments
Get feedback from coworkers before you hit publish.
Read, Write, Publish
Read, WriteRead
Control user access
Decide who can view, edit, or publish your drafts.
Hoy, "Google y el aprendizaje automático". Parte de mi charla en el reciente #SEOnderground.
¿Cómo funcionan y nos pueden afectar los updates basados en Machine Learning de Google, y cuándo los usa y cuándo no?
⤵️
Google hizo más de 5150 cambios a su buscador en 2021.
No todos afectan a los rankings (pueden afectar también a la presentación de los resultados) y algunos son sólo tests temporales. Pero con tal volumen de cambios, es lógico que muchos dependan de sistemas automáticos.
Facebook, TikTok... Todas las Big Tech, con millones de usuarios diarios, necesitan sistemas de aprendizaje automático para poder procesar cantidades ingentes de datos y dar su servicio. Google es quizá el caso más claro.
Pero antes, veamos qué es aprendizaje automático...
El aprendizaje automático (en inglés Machine Learning o ML) es una rama de la inteligencia artificial enfocada en imitar el aprendizaje humano.
Usa métodos estadísticos para clasificar, predecir o extraer conclusiones de fuentes enormes de datos. Sin input de datos, no hay ML.
Aprendizaje automático no es sólo redes neuronales y deep learning. En los medios se suelen usar estos términos como sinónimos de ML, pero son sólo una parte.
Hay otros métodos de aprendizaje automático, como Naive Bayes, regresiones lineales, Support Vector Machines (SVMs)...
Aunque muy probablemente Google ya usaba antes métodos de ML en su buscador, la confirmación oficial llegó a finales de 2015, cuando anunció oficialmente RankBrain, un sistema de aprendizaje automático que es usado en labores de ranking.
Desde entonces, se han reconocido de manera oficial varios sistemas basados en ML que afectan a ranking y a otras áreas (como por ejemplo su sistema de reescritura de Titles).
Entre los últimos updates anunciados oficialmente, la mayoría usan total o parcialmente sistemas de ML.
¿Cómo usa Google el aprendizaje automático a efectos de ranking?
Puede haber otros métodos, pero tenemos una explicación por parte de un googler sobre el sistema usado por el update de reseñas de producto (y muy probablemente extensible al Helpful Content Update)
La explicación está en esta entrevista por parte de @mariehaynes a Alan Kent (@akent99), encargado de la comunicación en torno al Product Reviews Update:
youtu.be/dZuEQY11khw?t=1142 (a partir del minuto 19)
De manera resumida, un clasificador funciona así:
1. Los ingenieros definen atributos de las páginas a analizar en los que el sistema debe fijarse: palabras, frases, imágenes...
2. Proporcionan ejemplos al sistema de lo que consideran buenas reseñas/contenidos y ejemplos de lo que consideran malas reseñas/contenidos.
3. El sistema busca patrones comunes para los buenos y malos ejemplos, y usa estos patrones para clasificar los próximos casos que se le presenten en buenos o malos.
Los ingenieros no conocen ni definen estos patrones, es la IA quien encuentra el criterio óptimo de clasificación
Ej: puede haber una mayor correlación con buenas reseñas cuando estas incluyen imágenes originales que demuestran que su autor ha probado el producto.
(Ejemplo que seguramente sea real, ya que Google ha anunciado que en el futuro será factor positivo de ranking para reseñas)
¿Quiere esto decir que Google ya no necesita algoritmos "tradicionales", como por ejemplo PageRank, y que lo fía todo al ML?
No. Pasar toda la responsabilidad al "piloto automático" tendría enormes desventajas, entre ellas que sería imposible depurar un error puntual.
Por ejemplo, hace unos años en respuesta a la pregunta "¿sucedió el Holocausto?", Google daba como primera respuesta una página que lo negaba.
(Fuente: Trillions of Questions, No Easy Answer) youtube.com/watch?v=tFq6Q_muwG0
Los ingenieros vieron que en ese caso, y otros parecidos, el sistema primaba la relevancia (respuesta explícita a la pregunta del usuario) por encima de la calidad o autoridad de la página.
Solución: elevar manualmente, en ciertas temáticas, el peso de las señales de autoridad.
Esto, con un sistema totalmente ML, sería imposible, ya que no sabrían por qué la máquina ha llegado al output erróneo.
Para solucionarlo necesitarían reprogramar todo de cero. Con métodos tradicionales, sí es posible aislar el error y arreglar sólo la parte responsable.
Esto hace que los lanzamientos de algoritmos de ML deban testearse con más rigor aún.
Incluso superado el testeo previo, Google no lanza estos updates de golpe, sino en varias iteraciones, para observar su efecto sobre los resultados reales, y poder corregir lo antes posible.
¿Decepcionado con los efectos del primer Helpful Content Update?
Al ser la primera iteración de este algoritmo, en Google han preferido ser conservadores, en lugar de pasarse de frenada y perjudicar a sitios que incumplan sólo parcialmente sus requisitos de contenido útil.
En este post puedes ver algunos ejemplos de webs afectadas en el primer lanzamiento del HCU, y juzgar si el clasificador está funcionando correctamente o no: useo.es/efectos-helpful-content-update/
Por cierto, aprovecho para decir que tanto el update de reseñas de producto, como el HCU por el momento sólo se dirigen a webs en inglés.
¿Recuerdas que para que un algoritmo de ML sea efectivo necesita una gran cantidad datos?
Parece lógico entonces que en Google hayan optado por afinar primero estos dos updates con datos de webs en inglés, idioma en el que hay más contenido disponible en internet, y luego una vez afinados, llevar los updates a otros idiomas.