Cómo el análisis con IA puede ayudar a los editores y comercializadores de contenido

Las herramientas de analítica web son casi tan antiguas como la propia web; las primeras operaban en el servidor para ayudar a monitorizar el uso de recursos, los patrones de acceso, etc. Las herramientas de analítica se han vuelto cada vez más potentes para medir e interpretar el comportamiento del usuario en la web, impulsando así la transformación digital en sectores que abarcan desde el comercio minorista hasta el sector editorial y el inmobiliario. La evolución de las herramientas de analítica desde los inicios de internet ha visto una ampliación de su alcance en varias direcciones:

• Alcance de los datos de usuario y comportamiento : perfiles de usuario, seguimiento entre sesiones con cookies, referentes, ritmo cardíaco en la página, mapas de calor, seguimiento entre dispositivos, calidad de participación, etc.
• Alcance de los datos de contenido (inteligencia de contenido): URL, tipo de página (formularios vs. listados vs. artículos vs. comercio electrónico), etiquetas, categorías, objetos y temas en el contenido, autores, etc.
• Confiabilidad y calidad de la recopilación: cookies del navegador, SDK, WebSockets, creación de perfiles entre dispositivos, recopilación y seguimiento de eventos personalizados, seguimiento de comercio electrónico e integraciones de CRM, informes en tiempo real, etc.
• Alcance de los conocimientos: conversiones, objetivos, intereses de la audiencia, filtros de contenido Evergreen vs. noticias, consejos de optimización impulsados ​​por IA, detección de anomalías impulsada por IA, etc.

De estos, varios son una función de la evolución técnica en lenguajes informáticos, navegadores web y estándares de Internet, pero algunos, como el análisis de contenido, la clasificación y la extracción automatizada de información, solo son posibles como resultado del aprendizaje automático y la IA.

El papel de la analítica en la publicación digital

La publicidad digital ha acaparado una parte cada vez mayor de la inversión en marketing durante las últimas dos décadas. Según un estudio de la Instituto Lenfest sobre Suscripciones DigitalesLos ingresos internacionales de Google por publicidad han superado todos los ingresos (incluyendo los de medios impresos y digitales) de los periódicos. Esto ha provocado cierres masivos, reducciones de personal y el auge de las suscripciones digitales como un motor clave de ingresos para las organizaciones de noticias modernas. Con la publicación digital como la nueva normalidad, la analítica web (específicamente la analítica editorial) interpreta el alcance, la interacción, los perfiles de los lectores y prácticamente todo lo que un editor o un posible anunciante querría saber sobre los lectores antes de invertir recursos en campañas editoriales o publicitarias. Incluso la decisión de optar por un muro de pago para suscripciones digitales y la mecánica de bloqueo de contenido requerirán datos para optimizar y maximizar la conversión con la mínima pérdida de lectores El estudio explica.

El papel de la IA en la analítica web

La IA está (algunos dirían que con razón) en auge, y varias de sus aplicaciones se acercan rápidamente al "pico de expectativas infladas" en el ciclo de exageración. Dado que se define como una mejora o aumento de la inteligencia humana, sus aplicaciones pueden ser tan amplias como la imaginación humana, desde la medicina hasta la economía, el entretenimiento y más allá. La analítica, o al menos la disponibilidad de grandes volúmenes de datos, recopilados en condiciones de entrada predecibles y con resultados preferentes, es el combustible sobre el que se construyen los algoritmos de aprendizaje automático y la IA. Dado que la analítica consiste esencialmente en la recopilación, interpretación y descubrimiento de patrones en los datos, es un componente fundamental en la mayoría de las implementaciones de IA. Por ejemplo, los resultados de búsqueda de Google evolucionan en función de la precisión y utilidad de los resultados de búsqueda para sus usuarios, y los datos para esta retroalimentación se generan mediante la analítica sobre si los usuarios encontraron lo que buscaban en su consulta.

Aplicaciones de la IA en la analítica para editores

Casi todas las editoriales con un alcance razonable tienen presencia digital hoy en día, y las suscripciones digitales se están consolidando como un motor de ingresos clave para publicaciones medianas y grandes. En este contexto, presentamos cuatro desafíos principales que enfrentan las editoriales digitales hoy en día y que las plataformas de análisis con IA pueden ayudar a abordar, agrupados por actores clave:

1. Segmentación de audiencia por intereses y afinidades temáticas
2. Personalización a escala: en todos los canales
3. Comparación entre pares editoriales, identificación de oportunidades y priorización
4. Detección de valores atípicos/Descubrimiento de información a alta velocidad de datos

Ahora bien, cada uno de estos casos es un ejemplo de uso de la acción basada en datos, en lugar de la simple analítica como la entendíamos antes. Sin embargo, esa es precisamente la dirección en la que la IA está liderando la evolución de la analítica: información procesable. Analicemos cada uno de estos casos en detalle.

Segmentación de audiencia por intereses y afinidades temáticas

Para los equipos editoriales y de desarrollo de audiencias, la capacidad de agrupar y visualizar las audiencias por sus afinidades temáticas puede ser un desafío importante de resolver, lo que actualmente se hace utilizando una combinación de indicadores demográficos como la edad, el sexo, ubicación y atributos de sesión como audiencia de Facebook, usuario recurrente, categoría política visitada, etc. Una herramienta de Analytics que etiqueta automáticamente las historias con temas y mide la calidad del compromiso puede simplificar este ejercicio y proporcionar una segmentación basada en intereses de la audiencia mucho más confiable.

Mapa de árbol de intereses de la audiencia en NativeAI Analytics

Esta segmentación se puede utilizar de las siguientes maneras:

• Los equipos editoriales pueden evaluar diferentes cohortes para priorizar temas de interés periodístico
• Comprender las afinidades temáticas superpuestas para mejorar la participación del lector
• Los equipos de desarrollo de audiencia pueden identificar audiencias similares y las fuentes de tráfico que funcionan mejor para identificar lectores con alta participación
• Los especialistas en marketing digital pueden comparar los resultados de las campañas por interacción, en lugar de solo por volúmenes de tráfico

Personalización a escala: en todos los canales

La mejor manera de atraer, fidelizar y fidelizar a los usuarios es ofrecer una experiencia personalizada que se base en su perfil, sus comportamientos y sus preferencias. Con análisis que permiten rastrear dimensiones adicionales como la calidad de la interacción, el tipo y el tema del contenido, el canal, la campaña y el dispositivo utilizado para la interacción en diferentes momentos del día, es posible crear un motor de personalización de alto impacto capaz de comprender las preferencias de cada usuario. Una personalización exitosa requiere tres factores:

1. Recopilación de atributos de usuario
2. Registro de la ruta de conversión
3. Seguimiento del éxito de la conversión

Con estos datos, es posible entrenar un modelo de aprendizaje automático para reconocer patrones y ofrecer experiencias personalizadas que se adapten a cada usuario. De hecho, las aplicaciones de lectura de noticias personalizadas, como Flipboard News360 cubre precisamente esta necesidad hoy en día al ofrecer una experiencia personalizada de noticias sobre temas específicos. Para una publicación digital con millones de usuarios al mes, personalizar las experiencias puede ser un reto complejo, basándose únicamente en las elecciones explícitas del usuario y en análisis basados ​​en IA, y puede cubrir esa necesidad. Un motor de personalización basado en IA puede ser útil para:

• Recomendaciones de contenido para mejorar la recirculación y la retención de la audiencia
• Nutrición de lectores para convertirlos en suscriptores de boletines informativos o suscripciones pagas
• Pronosticar la probabilidad de conversión de cada usuario y asignar muros de pago medidos personalizados
• Elegir los canales y el momento adecuados para mostrar estas alertas (por correo electrónico, notificaciones push, modales web, banners, etc.).

En NativeAI, actualmente podemos cuantificar la interacción y reconocer los intereses de la audiencia, y estamos trabajando en recomendaciones de contenido. Hay muchas posibilidades interesantes en este espacio, y estamos ansiosos por ayudar a los editores a enriquecer sus propios motores de personalización con estos datos. (Aclaración: Trabajo en News360 y...) Análisis de editores de NativeAI La plataforma que aparece en este artículo está desarrollada por News360)

Comparación entre pares editoriales, identificación de oportunidades y priorización

Como se mencionó anteriormente, las plataformas de análisis basadas en procesamiento del lenguaje natural (PLN) pueden clasificar el contenido por temas y jerarquizar los temas relacionados en la taxonomía. Estas plataformas también ofrecen información valiosa sobre el contenido, ya que incluyen todas las funciones de una plataforma de inteligencia de contenido . Esto permite a los editores comparar su oferta de contenido con la de la competencia para identificar brechas u oportunidades y reforzar las ventajas competitivas. Identificar los temas que generan mayor interacción también puede ayudar a los equipos editoriales a optimizar la priorización de los recursos para la elaboración de informes.

Comparación de la combinación de contenido con editores de la competencia

Algunas aplicaciones derivadas que también podrían ser importantes para los equipos editoriales pueden ser:

• Medir la velocidad de publicación de temas de alto valor y compararla con la competencia, ya que las historias sobre el mismo tema, de diferentes editoriales, se pueden etiquetar y agrupar automáticamente
• Informes de participación y tráfico filtrados por autores, temas y etiquetas propias del editor
• Etiquetado automatizado de historias con tecnología NLP en los CMS del editor antes de su publicación
• Optimización de titulares y predicción del CTR
• Evaluaciones de tipo/formato de contenido: contenido permanente vs. noticias, imágenes vs. infografías vs. videos.

Informes analíticos filtrados por autores

Detección de valores atípicos/Descubrimiento de información a alta velocidad de datos

Uno de los mayores retos para una empresa basada en datos, ya sea en medios de comunicación o en marketing de contenidos, es extraer información valiosa de los grandes volúmenes de datos disponibles, a tiempo para actuar sobre ella y tener un impacto claro en las campañas o la ejecución. En otras palabras, la analítica debe proporcionar información procesable en tiempo real, en lugar de retrospectivamente para la siguiente campaña. Configurar un flujo de datos con almacenamiento, modelos de recopilación, filtrado, almacenamiento y procesamiento requiere un esfuerzo considerable, pero el gasto se justifica si el resultado es instantáneo y de impacto demostrable. La IA puede simplificar esta tarea, que actualmente requiere intervención manual, detectando anomalías en el comportamiento del usuario, el tráfico o incluso el contenido. Algunas aplicaciones de este tipo podrían incluir:

• Diagnóstico y optimización de campañas promocionales: por ejemplo, podría recibir alertas cuando las campañas pagas de Facebook puedan estar generando mucho tráfico con una interacción menor a la normal

• Promociones sugeridas: Un artículo o vídeo en particular podría tener un buen rendimiento entre un segmento de audiencia considerable. El recomendador de IA podría impulsar al equipo de Desarrollo de Audiencia a promocionarlo entre el público objetivo específico para maximizar el alcance. Esto podría funcionar aún mejor al integrarse con la inversión programática
• Alertas de cociente de viralidad: el análisis de contenido podría calificar el cociente viral de un artículo o video y, en función de su rendimiento, en la primera hora de publicación, puede ayudar a brindar información sobre cómo garantizar la propagación viral

El futuro parece prometedor, pero ¿qué podemos utilizar ahora mismo?

Si bien muchas de estas son aplicaciones potencialmente fantásticas que pueden simplificar nuestros desafíos editoriales y de desarrollo de audiencia, obviamente nos vendría bien una gratificación instantánea. Aquí tienes algunas aplicaciones habilitadas por IA que puedes usar ahora mismo:

• Reciba alertas sobre peculiaridades en el tráfico de su sitio web, con el panel de Google Intelligence que recopila y comparte información automáticamente.
• Incluso puedes hacer preguntas a Google Intelligence , por ejemplo, preguntar "¿De qué ubicaciones son nuestros nuevos lectores?" en un lenguaje sencillo para obtener informes y perspectivas.
• de optimización para tus campañas en AdWords
• Cree y optimice textos de marketing por correo electrónico y redes sociales con Phrasee
• Análisis de mezcla de contenido e informes de oportunidades en NativeAI
• Personalización de correos electrónicos de suscripción a gran escala con Sailthru, que Business Insider ha implementado con gran éxito

Las posibilidades de la IA, el aprendizaje automático en analítica y las soluciones basadas en analítica son infinitas, y en mi opinión, estamos al borde de un auge. En NativeAI, estamos considerando todas estas posibilidades y trabajando para hacer realidad algunas de ellas para los editores digitales. Nos entusiasma ver a muchos otros en el ámbito de la analítica, la optimización de suscripciones y la personalización resolviendo desafíos relacionados, y nos entusiasma la velocidad de la innovación en este sector.