Comment l'analyse de données avec l'IA peut aider les éditeurs et les spécialistes du marketing de contenu

Les outils d'analyse web sont presque aussi anciens que le web lui-même. Les premiers, fonctionnant côté serveur, permettaient de surveiller l'utilisation des ressources, les habitudes d'accès, etc. Ces outils sont devenus de plus en plus performants pour mesurer et interpréter le comportement des utilisateurs sur le web, afin de déclencher une transformation numérique dans des secteurs aussi variés que le commerce de détail, l'édition et l'immobilier. Depuis les débuts d'Internet, leur évolution a vu leur champ d'application s'élargir dans plusieurs directions :

• Étendue des données utilisateur et comportementales : profils d’utilisateurs, suivi inter-sessions avec cookies, sites référents, activité sur la page, cartes thermiques, suivi multi-appareils, qualité de l’engagement, etc.
• Étendue des données de contenu (intelligence de contenu) : URL, type de page (formulaires, listes, articles, e-commerce), balises, catégories, objets et sujets du 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 e-commerce et intégrations CRM, rapports en temps réel, etc.
• Étendue des informations : conversions, objectifs, intérêts de l’audience, filtres de contenu permanent vs. actualités, conseils d’optimisation basés sur l’IA, détection d’anomalies basée sur l’IA, etc.

Parmi celles-ci, plusieurs sont liées à l'évolution technique des langages informatiques, des navigateurs web et des normes internet, mais certaines, comme l'analyse de contenu, la classification et l'extraction automatisée d'informations, ne sont possibles que grâce à l'apprentissage automatique et à l'IA.

Le rôle de l'analyse dans l'édition numérique

La publicité numérique a représenté une part toujours plus importante des dépenses marketing au cours des deux dernières décennies. Selon une étude de Institut Lenfest sur les abonnements numériquesLes revenus publicitaires internationaux de Google ont dépassé l'ensemble des revenus (imprimés et en ligne compris) des journaux. Cette situation a entraîné des fermetures massives, des réductions d'effectifs, ainsi que l'essor des abonnements numériques comme principal moteur de revenus pour les médias d'information modernes. Avec l'essor de l'édition numérique, l'analyse web (et plus particulièrement l'analyse des publications) permet d'interpréter la portée, l'engagement, les profils des lecteurs et presque tout ce qu'un éditeur ou un annonceur potentiel souhaite savoir sur ses lecteurs avant d'investir dans des campagnes éditoriales ou publicitaires. Même la décision d'opter ou non pour un abonnement payant et les mécanismes de verrouillage du contenu nécessiteront des données pour optimiser la conversion et minimiser la perte de lecteurs L'étude explique.

Le rôle de l'IA dans l'analyse Web

L'IA est (certains diraient à juste titre) en plein essor, plusieurs de ses applications se rapprochant du « pic des attentes démesurées » dans le cycle de hype. Puisqu'elle se définit comme une amélioration ou une augmentation de l'intelligence humaine, ses applications potentielles sont aussi vastes que l'imagination humaine elle-même – de la médecine à l'économie, en passant par le divertissement, et bien plus encore. L'analyse de données, ou du moins la disponibilité de volumes importants de données collectées dans des conditions d'entrée prévisibles et avec des résultats attendus, constitue le carburant des algorithmes d'apprentissage automatique et d'IA. L'analyse de données étant essentiellement la collecte, l'interprétation et la découverte de tendances dans les données, elle représente un élément crucial de la plupart des implémentations d'IA. Par exemple, les résultats de recherche de Google évoluent en fonction de la pertinence et de l'utilité que les utilisateurs leur attribuent ; ces données sont générées par l'analyse des données permettant de déterminer si les utilisateurs ont trouvé ce qu'ils cherchaient.

Applications de l'IA dans l'analyse pour les éditeurs

Presque tous les éditeurs disposant d'une audience conséquente sont aujourd'hui présents en ligne, et les abonnements numériques s'imposent de plus en plus comme un moteur de revenus essentiel pour les publications de taille moyenne et les grands titres. Dans ce contexte, voici quatre défis majeurs auxquels les éditeurs numériques sont confrontés et que les plateformes d'analyse intégrant l'IA peuvent aider à relever, regroupés par principaux acteurs :

1. Segmentation de l'audience par centres d'intérêt et affinités thématiques
2. Personnalisation à grande échelle – sur tous les canaux
3. Comparaison éditoriale entre pairs, identification et priorisation des opportunités
4. Détection des valeurs aberrantes / Découverte d'informations à haute vitesse de traitement des données

Chacun de ces cas illustre l'exploitation des données, et non plus la simple analyse telle que nous la concevions auparavant. Or, c'est précisément dans cette direction que l'IA fait évoluer l'analyse de données : en fournissant des informations exploitables. Examinons chacun de ces cas plus en détail.

Segmentation de l'audience par centres d'intérêt et affinités thématiques

Pour les équipes éditoriales et de développement d'audience, la capacité à segmenter et à visualiser les audiences en fonction de leurs affinités thématiques peut constituer un défi de taille, actuellement relevé grâce à un ensemble d'indicateurs démographiques tels que l'âge, le sexe, emplacement et les attributs de session tels que l'audience Facebook, les utilisateurs réguliers, la catégorie politique visitée, etc. Un outil d'analyse qui étiquette automatiquement les articles avec des sujets et mesure la qualité de l'engagement peut simplifier cet exercice et fournir une segmentation basée sur les intérêts de l'audience beaucoup plus fiable.

Carte arborescente des centres d'intérêt de l'audience sur NativeAI Analytics

Cette segmentation peut être utilisée de la manière suivante :

• Les équipes éditoriales peuvent évaluer différents groupes de personnes afin de prioriser les sujets d'actualité
• Comprendre les affinités thématiques qui se recoupent pour améliorer l'engagement des lecteurs
• Les équipes de développement d'audience peuvent identifier des audiences similaires et les sources de trafic les plus performantes pour repérer les lecteurs à fort engagement
• Les spécialistes du marketing numérique peuvent comparer les résultats des campagnes en fonction de l'engagement, et non plus seulement du volume de trafic

Personnalisation à grande échelle – sur tous les canaux

Le meilleur moyen d'attirer, d'engager et de fidéliser les utilisateurs est de leur offrir une expérience personnalisée qui tire des enseignements de leur profil, de leurs comportements et de leurs choix exprimés. Grâce à des outils d'analyse capables de suivre des dimensions supplémentaires telles que la qualité de l'engagement, le type et le sujet du contenu consulté, le canal, la campagne et l'appareil utilisés pour interagir à différents moments de la journée, il est possible de concevoir un moteur de personnalisation performant qui apprenne les préférences de chaque utilisateur. Une personnalisation réussie repose sur trois facteurs :

1. collection d'attributs utilisateur
2. Enregistrement du chemin de conversion
3. Suivi du succès de la conversion

Grâce à ces données, il est possible d'entraîner un modèle d'apprentissage automatique à reconnaître des tendances et à offrir des expériences personnalisées adaptées à chaque utilisateur. En effet, des applications de lecture de nouvelles personnalisées telles que… Flipboard News360 comble précisément ce manque aujourd'hui en proposant une expérience d'actualités personnalisée sur des sujets spécifiques. Pour une publication numérique comptant plusieurs millions d'utilisateurs chaque mois, la personnalisation de l'expérience peut s'avérer complexe, car elle repose uniquement sur les choix explicites des utilisateurs et l'analyse de données par l'IA. News360 peut combler ce manque. 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
• Fidéliser les lecteurs pour les inciter à s'abonner à la newsletter ou à souscrire un abonnement payant
• Prévision de la probabilité de conversion pour chaque utilisateur et cartographie des murs de paiement personnalisés avec limitation de débit
• Choisir les bons canaux et le bon moment pour diffuser ces alertes – par e-mail, notifications push, fenêtres modales web, bannières, etc.

Chez NativeAI, nous sommes actuellement en mesure de quantifier l'engagement et de reconnaître les centres d'intérêt de l'audience, et nous travaillons sur les recommandations de contenu. Ce domaine offre de nombreuses possibilités passionnantes, et nous sommes impatients d'aider les éditeurs à enrichir leurs propres moteurs de personnalisation grâce à ces données. (Note : Je travaille chez News360.) Analyses d'éditeurs NativeAI (La plateforme présentée dans cet article est développée par News360)

Comparaison éditoriale entre pairs, identification et priorisation des opportunités

Comme mentionné précédemment, les plateformes d'analyse basées sur le traitement automatique du langage naturel (TALN) peuvent classer le contenu par thèmes et établir une hiérarchie de thèmes connexes au sein de la taxonomie. Ces plateformes offrent également une analyse approfondie du contenu, puisqu'elles intègrent toutes les fonctionnalités d'une plateforme d'intelligence de contenu . Les rédacteurs peuvent ainsi comparer leur offre de contenu à celle de la concurrence afin d'identifier les lacunes et les opportunités, et de consolider leurs avantages concurrentiels. Identifier les thèmes qui génèrent le plus d'engagement permet également aux équipes éditoriales d'optimiser l'allocation des ressources de reporting.

Comparaison du contenu proposé par les éditeurs concurrents

Voici quelques applications dérivées qui pourraient également être importantes pour les équipes éditoriales :

• Mesurer la rapidité de publication des articles à forte valeur ajoutée et la comparer à la concurrence, car les articles traitant du même sujet, chez différents éditeurs, peuvent être étiquetés et regroupés automatiquement
• Rapports d'engagement et de trafic filtrés par auteurs, sujets et balises propres à l'éditeur
• Étiquetage automatisé des articles sur les systèmes de gestion de contenu des éditeurs avant publication, grâce au traitement automatique du langage naturel (NLP)
• Optimisation des titres et prédiction du CTR
• Évaluation du type/format de contenu – contenu permanent vs actualités, images vs infographies vs vidéos.

Rapports analytiques filtrés par auteurs

Détection des valeurs aberrantes / Découverte d'informations à haute vitesse de traitement des données

L'un des défis majeurs pour une entreprise axée sur les données, qu'elle soit dans les médias ou le marketing de contenu, est d'extraire des informations pertinentes des vastes volumes de données disponibles, en temps opportun pour agir et obtenir un impact concret sur les campagnes et leur exécution. Autrement dit, l'analyse doit fournir des informations exploitables en temps réel, et non a posteriori pour la campagne suivante. La mise en place d'un pipeline de données comprenant l'entreposage, les modèles de collecte, le filtrage, le stockage et le traitement exige un effort considérable, mais cet investissement est justifié si les résultats sont immédiats et manifestement efficaces. L'IA peut simplifier cette tâche, qui nécessite actuellement une intervention manuelle, en détectant les anomalies dans le comportement des utilisateurs, le trafic ou même le contenu. Voici quelques exemples d'applications de ce type :

• Diagnostic et optimisation des campagnes promotionnelles : par exemple, vous pourriez recevoir des alertes lorsque des campagnes Facebook payantes génèrent un trafic important avec un taux d’engagement inférieur à la normale

• Promotions suggérées – Un article ou une vidéo peut particulièrement bien performer auprès d'un segment d'audience important. Le système de recommandation IA pourrait alors inciter l'équipe de développement d'audience à le promouvoir auprès de cette cible spécifique afin d'optimiser sa portée. Cette approche serait encore plus efficace en l'intégrant aux campagnes programmatiques
• Alertes de quotient de viralité – L'analyse de contenu peut évaluer le quotient de viralité d'un article ou d'une vidéo et, en fonction de ses performances dans l'heure qui suit sa publication, fournir des indications sur la manière d'assurer sa diffusion virale

L'avenir s'annonce prometteur, mais que pouvons-nous utiliser dès maintenant ?

Bien que nombre de ces applications soient potentiellement fantastiques et puissent simplifier nos défis éditoriaux et de développement d'audience, nous apprécierions évidemment une satisfaction immédiate. Voici quelques applications basées sur l'IA que vous pouvez utiliser dès maintenant :

• Recevez des alertes sur les anomalies de trafic de votre site web grâce au panneau Google Intelligence qui analyse et partage automatiquement les informations.
• Vous pouvez même poser des questions à Google Intelligence , par exemple demander en langage clair : « D’où viennent nos nouveaux lecteurs ? » pour obtenir des rapports et des informations.
• d'optimisation pour vos campagnes AdWords
• Créez et optimisez vos contenus marketing pour les e-mails et les réseaux sociaux avec Phrasee
• Analyse du mix de contenu et rapports d'opportunités sur NativeAI
• Personnalisation à grande échelle des e-mails d'abonnement avec Sailthru, une solution que Business Insider a mise en œuvre avec succès.

Les possibilités offertes par l'IA, l'apprentissage automatique appliqué à l'analyse de données et les solutions déclenchées par l'analyse sont infinies, et je suis convaincu que nous sommes à l'aube d'une véritable révolution. Chez NativeAI, nous explorons toutes ces possibilités et nous nous efforçons d'en concrétiser certaines pour les éditeurs numériques. Nous sommes ravis de constater que de nombreux acteurs du secteur de l'analyse de données, de l'optimisation des abonnements et de la personnalisation relèvent des défis similaires et nous apprécions la rapidité de l'innovation dans ce domaine.