Les outils d'analyse Web sont presque aussi anciens que le Web lui-même, les premiers fonctionnant côté serveur, pour aider à surveiller l'utilisation des ressources, les modèles d'accès, etc. Les outils d'analyse sont devenus de plus en plus puissants pour mesurer et interpréter le comportement des utilisateurs sur le Web afin de déclencher des transformation dans des secteurs allant du commerce de détail à l'édition en passant par l'immobilier.
L'évolution des outils d'analyse depuis les débuts d'Internet a connu un élargissement de portée dans plusieurs directions :
- Portée des données sur les utilisateurs et le comportement : profils des utilisateurs, suivi des sessions avec les cookies, référents, battement de cœur sur la page, cartes de chaleur, suivi multi-appareils, qualité de l'engagement, etc.
- Périmètre des données de contenu (content intelligence) : URLs, Type de page (formulaires vs listings vs articles vs e-commerce), Tags, Catégories, Objets & sujets dans le contenu, Auteurs, etc.
- Fiabilité et qualité de la collecte : Cookies de navigateur, SDK, WebSockets, Création de profils multi-appareils, Collecte et suivi d'événements personnalisés, Suivi du commerce électronique et intégrations CRM, Rapports en temps réel, etc.
- Portée des informations : conversions, objectifs, intérêts du public, filtres de contenu Evergreen vs actualités, conseils d'optimisation basés sur l'IA, détection d'anomalies basée sur l'IA, etc.
Parmi ceux-ci, plusieurs sont fonction de l'évolution technique des langages informatiques, des navigateurs Web et des normes Internet, mais certains, tels que l'analyse de contenu, la classification et l'exploration automatisée des informations, ne sont possibles que grâce à l'apprentissage automatique et à l'IA.
Rôle de l'analytique dans l'édition numérique
La publicité numérique a pris une part sans cesse croissante des dépenses de marketing au cours des deux dernières décennies. Selon une étude du Lenfest Institute on Digital Subscriptions , les revenus internationaux de Google provenant de la publicité ont dépassé tous les revenus (y compris les revenus imprimés et en ligne) réalisés par les journaux. Cela a conduit à des fermetures à grande échelle, à des réductions d'effectifs, ainsi qu'à la montée en puissance des abonnements numériques en tant que moteur de revenus clé pour les organes de presse modernes.
Avec la publication numérique comme nouvelle norme, Web Analytics (en particulier l'analyse de publication) est l'interprète de la portée, de l'engagement, des profils de lecteurs et de presque tout ce qu'un éditeur ou un annonceur potentiel voudrait savoir sur les lecteurs avant d'investir des ressources dans des campagnes éditoriales ou publicitaires. . Même la décision d'opter ou non pour un paywall d'abonnement numérique et les mécanismes de verrouillage du contenu nécessiteront des données à optimiser pour une conversion maximale avec une perte minimale de lecteurs, comme l' explique l'étude .
Rôle de l'IA dans l'analyse Web
L'IA est (certains diraient à juste titre) en plein essor, avec plusieurs de ses applications qui se rapprochent du "pic des attentes gonflées" dans le cycle du battage médiatique .
Puisqu'il se définit comme une mise à niveau ou une augmentation de l'intelligence humaine, ses applications peuvent potentiellement être aussi larges que l'imagination humaine elle-même - de la médecine à l'économie, au divertissement et au-delà.
L'analyse ou au moins la disponibilité de grands volumes de données, collectées dans des conditions d'entrée prévisibles et résultantes ainsi que les sorties préférées, est le carburant sur lequel les algorithmes d'apprentissage automatique et d'IA sont construits.
Puisque Analytics est essentiellement la collecte, l'interprétation et la découverte de modèles dans les données, il s'agit d'un composant essentiel de la plupart des implémentations de l'IA. Par exemple, les résultats de recherche de Google évoluent en fonction de la précision et de l'utilité que ses utilisateurs ont trouvées dans ses résultats de recherche et les données de ces commentaires sont générées par des analyses indiquant si les utilisateurs ont trouvé ce qu'ils cherchaient dans leur requête de recherche.
Applications de l'IA dans Analytics pour les éditeurs
Presque tous les éditeurs ayant une portée raisonnable ont aujourd'hui une présence numérique, et les abonnements numériques apparaissent de plus en plus comme un moteur de revenus clé pour les moyennes et grandes publications. Dans ce contexte, voici 4 principaux défis auxquels les éditeurs numériques sont confrontés aujourd'hui et que les plateformes d'analyse avec IA peuvent aider à relever, regroupés par parties prenantes clés :
- Segmentation de l'audience par centres d'intérêt et affinités thématiques
- Personnalisation à grande échelle – sur tous les canaux
- Comparaison éditoriale avec les pairs, identification et priorisation des opportunités
- Détection des valeurs aberrantes / Découverte d'insights à grande vitesse de données
Maintenant, chacun d'entre eux est un cas d'utilisation d'action sur les données, plutôt que sur l'analytique simple comme nous l'avions compris, mais c'est précisément la direction dans laquelle l'IA mène l'évolution de l'analytique - des informations exploitables. Examinons chacun d'eux en détail.
Segmentation de l'audience par centres d'intérêt et affinités thématiques
Pour les équipes éditoriales et de développement d'audience, la capacité de regrouper et de visualiser les audiences en fonction de leurs affinités thématiques peut être un défi important à résoudre - ce qui est actuellement fait en utilisant un mélange d'indicateurs démographiques tels que l'âge, le sexe, l'emplacement et les attributs de session tels que l'audience Facebook. , utilisateur récurrent, catégorie politique visitée, etc. Un outil d'analyse qui marque automatiquement les histoires avec des sujets et mesure la qualité de l'engagement peut simplifier cet exercice et fournir une segmentation basée sur les intérêts du public beaucoup plus fiable.
Treemap des intérêts du public sur NativeAI Analytics
Cette segmentation peut être utilisée des manières suivantes :
- Les équipes éditoriales peuvent évaluer différentes cohortes pour hiérarchiser les sujets d'actualité
- Comprendre les affinités thématiques qui se chevauchent pour améliorer l'engagement des lecteurs
- Les équipes de développement d'audience peuvent identifier des audiences similaires et les sources de trafic qui fonctionnent le mieux pour identifier les lecteurs à fort engagement
- Les spécialistes du marketing numérique peuvent comparer les résultats des campagnes par engagement, au lieu de se contenter des volumes de trafic
Personnalisation à grande échelle – sur tous les canaux
La meilleure façon d'attirer, d'engager et de fidéliser les utilisateurs est d'offrir une expérience personnalisée qui apprend du profil de l'utilisateur, des indices comportementaux et des choix déclarés de l'utilisateur. Avec des analyses qui peuvent suivre des dimensions supplémentaires telles que la qualité de l'engagement, le type et le sujet du contenu engagé, le canal, la campagne et l'appareil utilisé pour l'interaction à différents moments de la journée, il est possible de créer un moteur de personnalisation à fort impact qui peut apprendre les préférences de chaque utilisateur.
Une personnalisation réussie nécessite 3 facteurs :
- Collection d'attributs utilisateur
- Enregistrement du chemin de conversion
- Suivi du succès des conversions
Avec ces points de données, il est possible de former un modèle d'apprentissage automatique pour reconnaître des modèles et offrir des expériences personnalisées qui fonctionnent pour chaque utilisateur. En fait, les applications de lecture d'actualités personnalisées telles que Flipboard ou News360 comblent précisément cette lacune aujourd'hui en offrant une expérience personnalisée des actualités sur des sujets spécifiques. Pour une publication numérique avec plusieurs millions d'utilisateurs chaque mois, la personnalisation des expériences peut être un défi difficile, basé uniquement sur des choix explicites d'utilisateurs et des analyses alimentées par l'IA, et peut combler cet écart.
Un moteur de personnalisation basé sur l'IA peut être utile pour :
- Recommandations de contenu pour améliorer la recirculation et la fidélisation de l'audience
- Lecteur nourrissant pour convertir en abonnement à la newsletter ou en abonnements payants
- Prévision de la probabilité de conversion pour chaque utilisateur et cartographie des paywalls personnalisés
- Choisir les bons canaux et le bon moment pour faire apparaître ces alertes - par e-mail, notifications push, web-modals, bannières, etc.
Chez NativeAI, nous sommes actuellement en mesure de quantifier l'engagement et de reconnaître les intérêts du public et travaillons sur des recommandations de contenu. Il existe de nombreuses possibilités intéressantes dans cet espace, et nous sommes impatients d'aider les éditeurs à enrichir leurs propres moteurs de personnalisation avec ces données. (Divulgation : je travaille chez News360 et la analyse des éditeurs NativeAI présentée dans cet article est développée par News360)
Comparaison éditoriale avec les pairs, identification et priorisation des opportunités
Comme mentionné précédemment, les plates-formes d'analyse basées sur le traitement du langage naturel (NLP) peuvent classer le contenu par sujets et créer une hiérarchie de sujets connexes dans la taxonomie. Ces plates-formes peuvent doubler les informations sur le contenu et inclure toutes les fonctionnalités d'une plate-forme d'intelligence de contenu . Cela permet aux éditeurs de comparer leur mix de contenu avec la concurrence pour identifier les lacunes ou les opportunités et renforcer les avantages concurrentiels. L'identification des sujets qui génèrent le plus d'engagement peut également aider les équipes éditoriales à rationaliser la hiérarchisation des ressources de reporting.
Comparaison du mix de contenu avec les éditeurs concurrents
Quelques applications dérivées qui pourraient également être importantes pour les équipes éditoriales peuvent être :
- Mesurer la vitesse de publication pour les sujets de grande valeur et comparer avec la concurrence, puisque les histoires sur le même sujet, à travers les éditeurs, peuvent être étiquetées et automatiquement regroupées
- Rapports d'engagement et de trafic filtrés par auteurs, sujets, propres balises de l'éditeur
- Balisage automatisé des histoires sur les CMS de l'éditeur, alimenté par le NLP, avant la publication
- Optimisation des titres et prédiction du CTR
- Évaluations de type / format de contenu - evergreen vs. nouvelles, images vs. infographies vs. vidéos.
Rapports d'analyse filtrés par auteurs
Détection des valeurs aberrantes / Découverte d'insights à grande vitesse de données
L'un des défis les plus difficiles pour une entreprise axée sur les données, que ce soit dans les médias ou dans le marketing de contenu, est de découvrir des informations à partir des grands volumes de données disponibles, à temps pour agir dessus, et avoir un impact clair sur les campagnes ou exécution. En d'autres termes, l'analyse doit fournir des informations exploitables en temps réel plutôt que rétrospectivement pour la prochaine campagne.
La mise en place d'un pipeline de données avec entreposage, modèles de collecte, filtrage, stockage et traitement nécessite des efforts considérables, mais la dépense est justifiée si la sortie a un impact immédiat et démontrable. L'IA peut simplifier cette tâche qui nécessite actuellement une intervention manuelle, en signalant des anomalies dans le comportement des utilisateurs, le trafic ou même le contenu.
Certaines applications de ce type pourraient inclure :
- Diagnostic et optimisation des campagnes promotionnelles - par exemple, vous pouvez recevoir des alertes lorsque des campagnes Facebook payantes peuvent générer un trafic élevé avec un engagement inférieur à la normale
- Promotions suggérées - Un article ou une vidéo en particulier peut bien fonctionner avec un segment d'audience important. Le recommandateur de l'IA pourrait inciter l'équipe de développement du public à le promouvoir auprès du public cible spécifique afin de maximiser la portée. Cela pourrait fonctionner encore mieux lorsqu'il est intégré aux dépenses programmatiques
- Alertes de quotient de viralité - L'analyse de contenu peut évaluer le quotient viral d'un article ou d'une vidéo et, en fonction de ses performances, au cours de la première heure de publication, elle peut aider à fournir des informations sur la manière d'assurer la propagation virale
L'avenir semble prometteur, mais que pouvons-nous utiliser maintenant ?
Bien que beaucoup d'entre elles soient des applications potentiellement fantastiques qui peuvent simplifier nos défis éditoriaux et de développement d'audience, nous pourrions évidemment utiliser une gratification instantanée. Voici quelques applications activées par l'IA que vous pouvez utiliser dès maintenant :
- Recevez des alertes sur les bizarreries du trafic de votre site Web, avec le panneau Google Intelligence qui distille et partage automatiquement les informations
- Vous pouvez même poser des questions à Google Intelligence , par exemple, demander "De quels emplacements viennent nos nouveaux lecteurs ?" en anglais simple pour obtenir des rapports et des informations.
- optimisation pour vos campagnes sur AdWords
- Créez et optimisez la copie marketing des e-mails et des médias sociaux avec Phrasee
- Analyse du mix de contenu et rapports d'opportunités sur NativeAI
- Personnalisation des e-mails d'abonnement à grande échelle avec Sailthru, que Business Insider a mis en œuvre avec succès
Les possibilités de l'IA, de l'apprentissage automatique dans l'analyse et des solutions déclenchées par l'analyse sont infinies et, à mon avis, nous sommes au bord d'un boom. Chez NativeAI, nous examinons toutes ces possibilités et travaillons à en faire une réalité pour les éditeurs numériques. Nous sommes ravis de voir beaucoup d'autres dans l'espace d'analyse, d'optimisation des abonnements et de personnalisation résoudre les défis connexes et nous aimons la vitesse de l'innovation dans ce secteur.