Las herramientas de análisis web son casi tan antiguas como la propia web, las primeras operaban del lado del servidor para ayudar a monitorear el uso de recursos, los patrones de acceso, etc. Las herramientas de análisis se han vuelto cada vez más poderosas para medir e interpretar el comportamiento del usuario en la web para activar transformación en industrias que van desde el comercio minorista hasta la publicación y el sector inmobiliario.
La evolución de las herramientas de análisis desde los primeros días de Internet ha visto una ampliación del alcance en varias direcciones:
- Alcance de los datos de comportamiento y del usuario : perfiles de usuario, seguimiento en sesiones con cookies, referencias, latido en la página, mapas de calor, seguimiento entre dispositivos, calidad de interacción, etc.
- Alcance de los datos de contenido (inteligencia de contenido): URL, tipo de página (formularios, listados, artículos, comercio electrónico), etiquetas, categorías, objetos y temas en el contenido, autores, etc.
- Fiabilidad 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 las perspectivas: conversiones, objetivos, intereses de la audiencia, filtros de contenido de Evergreen frente a noticias, sugerencias de optimización impulsadas por IA, detección de anomalías impulsadas por IA, etc.
De estos, varios son una función de la evolución técnica en los lenguajes informáticos, los navegadores web y los estándares de Internet, pero algunos, como el análisis de contenido, la clasificación y la extracción de información automatizada, solo son posibles como resultado del aprendizaje automático y la IA.
Papel de la analítica en la publicación digital
La publicidad digital ha estado tomando una parte cada vez mayor de los gastos de marketing en las últimas dos décadas. Según un estudio del Instituto Lenfest sobre suscripciones digitales , los ingresos internacionales de Google por publicidad han superado todos los ingresos (incluidos los ingresos impresos y en línea) obtenidos por los periódicos. Esto ha llevado a cierres a gran escala, reducciones de personal, así como al aumento de las suscripciones digitales como un impulsor de ingresos clave para las organizaciones de noticias modernas.
Con la publicación digital como la nueva normalidad, la analítica web (específicamente la analítica de publicación) es el intérprete del alcance, el compromiso, los perfiles de los lectores y casi todo lo que un editor o 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 de suscripción digital o no y la mecánica de bloqueo de contenido requerirán datos para optimizar para obtener la máxima conversión con la mínima pérdida de lectores, como explica el estudio .
Papel de la IA en la analítica web
AI está (algunos dirían merecidamente) en alza, con varias de sus aplicaciones acercándose al 'pico de expectativas infladas' en el ciclo de exageración .
Dado que se define a sí mismo como una mejora o un aumento de la inteligencia humana, sus aplicaciones pueden ser potencialmente tan amplias como la propia imaginación humana, desde la medicina hasta la economía, el entretenimiento y más.
El análisis o, al menos, la disponibilidad de grandes volúmenes de datos, recopilados en condiciones de entrada predecibles y resultados resultantes y preferidos, es el combustible sobre el que se construyen los algoritmos de Machine Learning e IA.
Dado que Analytics es esencialmente recopilación, interpretación y descubrimiento de patrones en los datos, es un componente crítico de la mayoría de las implementaciones de IA. Por ejemplo, los resultados de búsqueda de Google evolucionan en función de cuán precisos y útiles sus usuarios encontraron sus resultados de búsqueda y los datos para esta retroalimentación se generan mediante análisis sobre si los usuarios encontraron lo que buscaban en su consulta de búsqueda.
Aplicaciones de IA en Analytics para editores
Casi todos los editores con un alcance razonable tienen presencia digital en la actualidad, y las suscripciones digitales están emergiendo cada vez más como un impulsor de ingresos clave para publicaciones medianas y grandes. En este contexto, aquí hay 4 desafíos principales que enfrentan los editores digitales hoy que las plataformas de análisis con IA pueden ayudar a abordar, agrupados por partes interesadas clave:
- Segmentación de audiencia por intereses y afinidades temáticas
- Personalización a escala, en todos los canales
- Comparación de pares editoriales, identificación y priorización de oportunidades
- Detección de valores atípicos / Descubrimiento de información a alta velocidad de datos
Ahora, cada uno de estos es un caso de uso de actuar sobre los datos, en lugar de un análisis simple como solíamos entenderlo, pero esa es precisamente la dirección en la que la IA está liderando la evolución de Analytics: información procesable. Veamos cada uno de estos con cierto detalle.
Segmentación de audiencia por intereses y afinidades temáticas
Para los equipos editoriales y de desarrollo de audiencias, la capacidad de agrupar y ver audiencias por sus afinidades temáticas puede ser un desafío importante para resolver, lo que actualmente se hace utilizando una combinación de indicadores demográficos como la edad, el sexo, la ubicación y los atributos de la sesión, como la audiencia de Facebook. , usuario repetido, categoría de política visitada, etc. Una herramienta de análisis que etiqueta automáticamente historias con temas y mide la calidad del compromiso puede simplificar este ejercicio y proporcionar una segmentación basada en el interés de la audiencia mucho más confiable.
Diagrama de árbol de los 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 de temas superpuestos para mejorar la participación del lector
- Los equipos de desarrollo de audiencias pueden identificar audiencias similares y las fuentes de tráfico que funcionan mejor para identificar lectores de alto compromiso.
- Los especialistas en marketing digital pueden comparar los resultados de la campaña por compromiso, en lugar de solo los volúmenes de tráfico.
Personalización a escala, en todos los canales
La mejor manera de atraer, involucrar y retener a los usuarios es brindar una experiencia personalizada que aprenda del perfil del usuario, las señales de comportamiento y las elecciones establecidas por el usuario. Con análisis que pueden rastrear dimensiones adicionales como la calidad de la participación, el tipo y el tema del contenido con el que se interactuó, 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 que pueda aprender las preferencias de cada usuario.
Una personalización exitosa requiere 3 factores:
- Colección de atributos de usuario
- Grabación de la ruta de conversión
- Seguimiento del éxito de la conversión
Con estos puntos de datos, es posible entrenar un modelo de aprendizaje automático para reconocer patrones y brindar experiencias personalizadas que funcionen para cada usuario. De hecho, las aplicaciones de lectura de noticias personalizadas, como Flipboard o News360, llenan precisamente este vacío hoy en día al brindar una experiencia personalizada de noticias sobre temas específicos. Para una publicación digital con varios millones de usuarios cada mes, personalizar experiencias puede ser un desafío difícil, basado únicamente en elecciones explícitas de los usuarios y análisis impulsados por IA, y puede cerrar esa brecha.
Un motor de personalización impulsado por IA puede ser útil para:
- Recomendaciones de contenido para mejorar la recirculación y la retención de audiencia
- Nutrición de lectores para convertirlos en suscripción a boletines o suscripciones pagas
- Pronosticar la probabilidad de convertir para cada usuario y mapear muros de pago medidos personalizados
- Elegir los canales y el momento adecuados para mostrar estas alertas: a través de correo electrónico, notificaciones automáticas, modales web, pancartas, etc.
En NativeAI, actualmente podemos cuantificar el compromiso y reconocer los intereses de la audiencia y estamos trabajando en recomendaciones de contenido. Hay muchas posibilidades emocionantes en este espacio, y estamos ansiosos por ayudar a los editores a enriquecer sus propios motores de personalización con estos datos. (Divulgación: trabajo en News360, y News360 desarrolló la plataforma de análisis de editores NativeAI que se presenta en este artículo)
Comparación de pares editoriales, identificación y priorización de oportunidades
Como se mencionó anteriormente, las plataformas de análisis impulsadas por el procesamiento del lenguaje natural (NLP) pueden clasificar el contenido por temas y crear una jerarquía de temas relacionados en la taxonomía. Dichas plataformas pueden duplicar las perspectivas de contenido e incluyen todas las características de una plataforma de inteligencia de contenido . Esto permite a los editores comparar su combinación de contenido con la competencia para identificar brechas u oportunidades y reforzar las ventajas competitivas. Identificar los temas que impulsan la mayor participación también puede ayudar a los equipos editoriales a optimizar la priorización de los recursos de informes.
Comparación de la mezcla de contenido con los editores de la competencia
Algunas aplicaciones derivadas que también podrían ser importantes para los equipos editoriales pueden ser:
- Medición de la velocidad de publicación de temas de alto valor y comparación con la competencia, ya que las historias sobre el mismo tema, en todos los editores, se pueden etiquetar y agrupar automáticamente
- Informes de interacción 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 la publicación
- Optimización de titulares y predicción de CTR
- Evaluaciones de tipo/formato de contenido: perenne frente a noticias, imágenes frente a infografías frente a videos.
Informes analíticos filtrados por autores
Detección de valores atípicos / Descubrimiento de información a alta velocidad de datos
Uno de los desafíos más difíciles para una empresa basada en datos, ya sea en los medios o en el marketing de contenidos, es descubrir información de los grandes volúmenes de datos que están disponibles, a tiempo para actuar en consecuencia y tener un impacto claro en las campañas o ejecución. En otras palabras, el análisis debe proporcionar información procesable en tiempo real en lugar de en retrospectiva para la próxima campaña.
La configuración de una canalización de datos con almacenamiento, modelos de recopilación, filtrado, almacenamiento y procesamiento requiere un esfuerzo significativo, pero el gasto se justifica si el resultado tiene un impacto instantáneo y demostrable. AI puede simplificar esta tarea que actualmente requiere intervención manual, al señalar anomalías en el comportamiento del usuario, el tráfico o incluso el contenido.
Algunas aplicaciones bajo este tipo podrían incluir:
- Diagnóstico y optimización de campañas promocionales: por ejemplo, puede recibir alertas cuando las campañas pagas de Facebook pueden estar generando mucho tráfico con una participación menor a la normal.
- Promociones sugeridas: un artículo o video en particular puede estar funcionando bien con un segmento de audiencia que es considerable. El recomendador de IA podría incitar al equipo de desarrollo de audiencias a promocionarlo entre la audiencia objetivo específica para maximizar el alcance. Esto podría funcionar aún mejor cuando se integra con gastos programáticos.
- 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 proporcionar información sobre cómo garantizar la propagación viral.
El futuro parece prometedor, pero ¿qué podemos usar ahora?
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 hay algunas aplicaciones habilitadas por IA que puede usar ahora mismo:
- Reciba alertas sobre peculiaridades en el tráfico de su sitio web, con el panel de inteligencia de Google que destila y comparte información automáticamente
- Incluso puede hacer preguntas a Google Intelligence , por ejemplo, preguntar "¿De qué ubicaciones son nuestros nuevos lectores?" en inglés sencillo para obtener informes e información.
- optimización para sus campañas en AdWords
- Cree y optimice el texto de marketing por correo electrónico y redes sociales con Phrasee
- Análisis de mezcla de contenido e informes de oportunidades en NativeAI
- Personalización del correo electrónico de suscripción a escala con Sailthru, que Business Insider ha implementado con gran eficacia
Las posibilidades de inteligencia artificial, aprendizaje automático en análisis y soluciones activadas por análisis 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. Estamos encantados de ver a muchos otros en el espacio de análisis, optimización de suscripciones y personalización resolviendo desafíos relacionados y amamos la velocidad de la innovación en este sector.