Wie Analysen mit KI Verlagen und Content-Marketern helfen können

Webanalyse-Tools sind fast so alt wie das Web selbst. Die ersten arbeiteten serverseitig, um Ressourcennutzung, Zugriffsmuster usw. zu überwachen. Analysetools sind mittlerweile sehr leistungsfähig und messen und interpretieren das Nutzerverhalten im Web immer besser, um die digitale Transformation in Branchen vom Einzelhandel über das Verlagswesen bis hin zur Immobilienbranche anzustoßen. Die Entwicklung von Analysetools seit den Anfängen des Internets hat eine Erweiterung ihres Anwendungsbereichs in verschiedene Richtungen mit sich gebracht:

• Umfang der Nutzer- und Verhaltensdaten : Nutzerprofile, Sitzungsübergreifendes Tracking mit Cookies, Referrer, On-Page-Heartbeat, Heatmaps, Geräteübergreifendes Tracking, Engagement-Qualität usw.
• Umfang der Inhaltsdaten (Content Intelligence): URLs, Seitentyp (Formulare vs. Listen vs. Artikel vs. E-Commerce), Tags, Kategorien, Objekte und Themen im Inhalt, Autoren usw.
• Zuverlässigkeit und Qualität der Datenerfassung: Browser-Cookies, SDKs, WebSockets, Erstellung geräteübergreifender Profile, benutzerdefinierte Ereigniserfassung und -verfolgung, E-Commerce-Tracking und CRM-Integrationen, Echtzeitberichterstattung usw.
• Umfang der Erkenntnisse: Konversionen, Ziele, Zielgruppeninteressen, Evergreen- vs. News-Content-Filter, KI-gestützte Optimierungstipps, KI-gestützte Anomalieerkennung usw.

Einige dieser Entwicklungen sind eine Folge der technischen Evolution von Programmiersprachen, Webbrowsern und Internetstandards, andere hingegen, wie Inhaltsanalyse, Klassifizierung und automatisiertes Erkenntnis-Mining, sind nur dank maschinellem Lernen und KI möglich.

Die Rolle von Analysen im digitalen Publizieren

Digitale Werbung hat in den letzten zwei Jahrzehnten einen immer größeren Anteil der Marketingausgaben eingenommen. Laut einer Studie von Lenfest Institut für digitale AbonnementsDie internationalen Werbeeinnahmen von Google überstiegen alle Einnahmen (einschließlich Print- und Online-Einnahmen) der Zeitungen. Dies führte zu massiven Schließungen, Personalabbau und dem Aufstieg digitaler Abonnements zu einer wichtigen Einnahmequelle für moderne Nachrichtenorganisationen. Da digitales Publizieren zum neuen Standard geworden ist, liefert die Webanalyse (insbesondere die Verlagsanalyse) wichtige Informationen zu Reichweite, Engagement, Leserprofilen und nahezu allem, was Verlage oder potenzielle Werbetreibende über ihre Leser wissen möchten, bevor sie Ressourcen in redaktionelle oder Werbekampagnen investieren. Selbst die Entscheidung für oder gegen eine Bezahlschranke für digitale Abonnements und die Mechanismen zur Inhaltssperrung erfordern Daten, um maximale Konversionsraten bei minimalem Leserverlust zu erzielen Studie erklärt.

Die Rolle der KI in der Webanalyse

Künstliche Intelligenz befindet sich (manche würden sagen, zu Recht) im Aufwind, wobei zahlreiche ihrer Anwendungen auf den Höhepunkt überzogener Erwartungen zusteuern Hype-Zyklus. Da KI sich selbst als Erweiterung oder Verbesserung der menschlichen Intelligenz definiert, sind ihre Anwendungsmöglichkeiten potenziell so vielfältig wie die menschliche Vorstellungskraft – von Medizin und Wirtschaft bis hin zu Unterhaltung und darüber hinaus. Analysen oder zumindest die Verfügbarkeit großer Datenmengen, die unter vorhersehbaren Eingabebedingungen und mit vorhersehbaren Ergebnissen sowie gewünschten Ausgaben erfasst werden, bilden die Grundlage für Algorithmen des maschinellen Lernens und der künstlichen Intelligenz. Da Analysen im Wesentlichen die Erfassung, Interpretation und Mustererkennung in Daten umfassen, sind sie ein entscheidender Bestandteil der meisten KI-Implementierungen. Beispielsweise entwickeln sich die Suchergebnisse von Google in Abhängigkeit davon, wie genau und nützlich die Nutzer die Ergebnisse finden. Die Daten für dieses Feedback werden durch Analysen darüber generiert, ob die Nutzer das Gesuchte gefunden haben.

Anwendungen von KI in der Datenanalyse für Verlage

Nahezu jeder Verlag mit einer nennenswerten Reichweite ist heute digital präsent, und digitale Abonnements entwickeln sich zunehmend zu einer wichtigen Einnahmequelle für mittlere und große Publikationen. Vor diesem Hintergrund werden im Folgenden vier zentrale Herausforderungen vorgestellt, mit denen digitale Verlage heute konfrontiert sind und bei deren Bewältigung Analyseplattformen mit KI helfen können. Die Herausforderungen sind nach den wichtigsten Interessengruppen gruppiert:

1. Zielgruppensegmentierung nach Interessen und Themenaffinitäten
2. Personalisierung im großen Stil – kanalübergreifend
3. Vergleich mit anderen Redakteuren, Identifizierung und Priorisierung von Chancen
4. Ausreißererkennung / Erkenntnisgewinnung bei hoher Datengeschwindigkeit

Jedes dieser Beispiele veranschaulicht die praktische Anwendung von Daten, anstatt sie, wie wir früher verstanden haben, rein analytisch umzusetzen. Doch genau in diese Richtung treibt KI die Entwicklung von Analytics voran – hin zu handlungsrelevanten Erkenntnissen. Betrachten wir jedes dieser Beispiele im Detail.

Zielgruppensegmentierung nach Interessen und Themenaffinitäten

Für Redaktions- und Publikumsentwicklungsteams kann die Fähigkeit, Zielgruppen nach ihren Themeninteressen zu gruppieren und zu betrachten, eine erhebliche Herausforderung darstellen – die derzeit mithilfe einer Mischung demografischer Indikatoren wie Alter, Geschlecht usw. gelöst wird Standort und Sitzungsattribute wie Facebook-Zielgruppe, wiederkehrende Nutzer, besuchte Politikkategorie usw. Ein Analysetool, das Beiträge automatisch mit Themen versieht und die Qualität des Engagements misst, kann diesen Prozess vereinfachen und eine wesentlich zuverlässigere, auf Zielgruppeninteressen basierende Segmentierung ermöglichen.

Baumdiagramm der Zielgruppeninteressen auf NativeAI Analytics

Diese Segmentierung kann auf folgende Weise genutzt werden:

• Redaktionsteams können verschiedene Gruppen einschätzen, um Prioritäten für berichtenswerte Themen festzulegen
• Erkennen Sie thematische Überschneidungen, um das Interesse der Leser zu steigern
• Teams für Zielgruppenentwicklung können ähnliche Zielgruppen und die Traffic-Quellen identifizieren, die sich am besten eignen, um Leser mit hohem Engagement zu erreichen
• Digitale Marketer können die Kampagnenergebnisse anhand des Nutzerengagements vergleichen, anstatt nur anhand des Trafficvolumens

Personalisierung im großen Stil – kanalübergreifend

Der beste Weg, Nutzer zu gewinnen, zu binden und langfristig zu halten, ist ein personalisiertes Erlebnis, das aus dem Nutzerprofil, dem Nutzerverhalten und den geäußerten Präferenzen lernt. Mithilfe von Analysen, die zusätzliche Dimensionen wie die Qualität der Interaktion, Art und Thema der konsumierten Inhalte, den verwendeten Kanal, die Kampagne und das Gerät zu verschiedenen Tageszeiten erfassen, lässt sich ein wirkungsvolles Personalisierungssystem entwickeln, das die individuellen Präferenzen jedes Nutzers erkennt. Erfolgreiche Personalisierung erfordert drei Faktoren:

1. Sammlung von Benutzerattributen
2. Aufzeichnung des Konvertierungspfads
3. Erfolgsverfolgung der Konvertierung

Mithilfe dieser Datenpunkte lässt sich ein Modell für maschinelles Lernen trainieren, um Muster zu erkennen und personalisierte Nutzererlebnisse bereitzustellen. Tatsächlich gibt es bereits personalisierte Newsreader-Apps wie … Flipboard News360 schließt genau diese Lücke, indem es personalisierte Nachrichten zu spezifischen Themen bietet. Für eine digitale Publikation mit mehreren Millionen Nutzern monatlich kann die Personalisierung von Nutzererlebnissen, die allein auf expliziten Nutzerauswahlen und KI-gestützten Analysen basiert, eine große Herausforderung darstellen. News360 kann diese Lücke schließen. Eine KI-gestützte Personalisierungs-Engine kann nützlich sein für:

• Inhaltsempfehlungen zur Verbesserung der Weiterverbreitung und der Kundenbindung
• Leserbindung zur Umwandlung in Newsletter-Abonnenten oder kostenpflichtige Abonnements
• Prognose der Konversionswahrscheinlichkeit für jeden Nutzer und Erstellung individueller, nutzungsbasierter Bezahlschranken
• Die richtigen Kanäle und den richtigen Zeitpunkt für die Veröffentlichung dieser Benachrichtigungen auswählen – per E-Mail, Push-Benachrichtigungen, Web-Modals, Bannern usw.

Bei NativeAI können wir derzeit das Nutzerengagement quantifizieren und die Interessen unserer Zielgruppe erkennen und arbeiten an Inhaltsempfehlungen. In diesem Bereich gibt es viele spannende Möglichkeiten, und wir freuen uns darauf, Verlage dabei zu unterstützen, ihre Personalisierungsmechanismen mit diesen Daten zu optimieren. (Offenlegung: Ich arbeite bei News360 und …) NativeAI-Publisher-Analysen Die in diesem Artikel vorgestellte Plattform wurde von News360 entwickelt

Vergleich mit anderen Redakteuren, Identifizierung und Priorisierung von Chancen

Wie bereits erwähnt, können NLP-gestützte Analyseplattformen Inhalte nach Themen klassifizieren und eine Hierarchie verwandter Themen in der Taxonomie erstellen. Solche Plattformen liefern nicht nur Content-Intelligence-Daten, . Redakteure können so ihren Content-Mix mit dem der Konkurrenz vergleichen, um Lücken und Chancen zu erkennen und Wettbewerbsvorteile auszubauen. Die Identifizierung der Themen mit dem größten Engagement hilft Redaktionsteams zudem, die Priorisierung ihrer Reporting-Ressourcen zu optimieren.

Vergleich des Content-Mix mit konkurrierenden Verlagen

Einige weitere Anwendungen, die auch für Redaktionsteams wichtig sein könnten, sind:

• Messung der Veröffentlichungsgeschwindigkeit für hochwertige Themen und Vergleich mit der Konkurrenz, da Artikel zum selben Thema bei verschiedenen Verlagen getaggt und automatisch gruppiert werden können
• Engagement- und Traffic-Berichte gefiltert nach Autoren, Themen und eigenen Tags des Herausgebers
• Automatisierte, NLP-gestützte Verschlagwortung von Artikeln in den Content-Management-Systemen von Verlagen vor der Veröffentlichung
• Überschriftenoptimierung & Klickratenprognose
• Bewertung von Inhaltsart und -format – Evergreen-Inhalte vs. Nachrichten, Bilder vs. Infografiken vs. Videos.

Analyseberichte gefiltert nach Autoren

Ausreißererkennung / Erkenntnisgewinnung bei hoher Datengeschwindigkeit

Eine der größten Herausforderungen für datengetriebene Unternehmen, ob in den Medien oder im Content-Marketing, besteht darin, aus den riesigen Datenmengen rechtzeitig Erkenntnisse zu gewinnen, um Kampagnen oder deren Umsetzung wirksam zu beeinflussen. Analysen müssen also in Echtzeit umsetzbare Erkenntnisse liefern, anstatt erst im Nachhinein für die nächste Kampagne. Der Aufbau einer Datenpipeline mit Data Warehousing, Erfassungsmodellen, Filterung, Speicherung und Verarbeitung ist zwar aufwändig, aber die Kosten rechtfertigen sich, wenn die Ergebnisse sofort und nachweislich Wirkung zeigen. Künstliche Intelligenz (KI) kann diese Aufgabe, die derzeit manuelle Eingriffe erfordert, vereinfachen, indem sie Anomalien im Nutzerverhalten, im Traffic oder sogar in Inhalten aufdeckt. Beispiele für solche Anwendungsfälle sind:

• Diagnose und Optimierung von Werbekampagnen – beispielsweise könnten Sie Benachrichtigungen erhalten, wenn bezahlte Facebook-Kampagnen zwar viel Traffic generieren, aber das Engagement unter dem Normalwert liegt

• Empfohlene Werbeaktionen – Ein bestimmter Artikel oder ein Video erzielt möglicherweise gute Ergebnisse bei einer großen Zielgruppe. Der KI-Empfehlungsalgorithmus kann das Audience-Development-Team dazu anregen, diesen Artikel oder dieses Video gezielt an die Zielgruppe zu bewerben, um die Reichweite zu maximieren. Dies funktioniert noch besser in Kombination mit programmatischen Werbeausgaben
• Viralitätsquotienten-Warnungen – Die Inhaltsanalyse kann den Viralitätsquotienten eines Artikels oder Videos bewerten und basierend auf dessen Performance in der ersten Stunde nach Veröffentlichung Einblicke geben, wie die virale Verbreitung sichergestellt werden kann

Die Zukunft sieht vielversprechend aus, aber was können wir jetzt schon nutzen?

Viele dieser Anwendungen haben das Potenzial, unsere redaktionellen Herausforderungen und die Entwicklung unserer Zielgruppe deutlich zu vereinfachen. Natürlich könnten wir aber auch sofortige Ergebnisse gebrauchen. Hier sind einige KI-gestützte Anwendungen, die Sie sofort nutzen können:

• Erhalten Sie Benachrichtigungen zu Auffälligkeiten in Ihrem Website-Traffic mit dem Google Intelligence-Panel das automatisch Erkenntnisse extrahiert und teilt.
• Sie können Google Intelligence sogar Fragen stellen , zum Beispiel in einfacher Sprache: „Aus welchen Regionen stammen unsere neuen Leser?“, um Berichte und Erkenntnisse zu erhalten.
• Optimierungsempfehlungen für Ihre AdWords-Kampagnen
• Erstellen und optimieren Sie E-Mail- und Social-Media-Marketingtexte mit Phrasee.
• Content-Mix-Analyse und Chancenberichte zu NativeAI
• Personalisierung von Abonnement-E-Mails im großen Stil mit Sailthru, das Business Insider mit großem Erfolg implementiert hat.

Die Möglichkeiten von KI, maschinellem Lernen in der Analytik und analytisch ausgelösten Lösungen sind schier unendlich, und meiner Meinung nach stehen wir kurz vor einem regelrechten Boom. Wir bei NativeAI beschäftigen uns mit all diesen Möglichkeiten und arbeiten daran, einige davon für digitale Verlage Realität werden zu lassen. Wir freuen uns sehr, dass viele andere Unternehmen im Bereich Analytik, Abonnementoptimierung und Personalisierung ähnliche Herausforderungen meistern und sind begeistert von der Innovationsgeschwindigkeit in diesem Sektor.