Come l'analisi con l'intelligenza artificiale può aiutare gli editori e i content marketer

Gli strumenti di analisi web sono quasi antichi quanto il web stesso, i primi a operare lato server, per aiutare a monitorare l'utilizzo delle risorse, i modelli di accesso, ecc. Gli strumenti di analisi sono diventati sempre più potenti nel misurare e interpretare il comportamento degli utenti sul web per innescare la trasformazione digitale in settori che vanno dalla vendita al dettaglio all'editoria al settore immobiliare. L'evoluzione degli strumenti di analisi dagli albori di Internet ha visto un ampliamento della portata in diverse direzioni:

• Ambito dei dati utente e comportamentali : profili utente, monitoraggio delle sessioni con cookie, referrer, heartbeat on-page, mappe di calore, monitoraggio multi-dispositivo, qualità del coinvolgimento, ecc.
• Ambito dei dati sui contenuti (content intelligence): URL, tipo di pagina (moduli, elenchi, articoli, e-commerce), tag, categorie, oggetti e argomenti nei contenuti, autori, ecc.
• Affidabilità e qualità della raccolta: cookie del browser, SDK, WebSocket, creazione di profili multi-dispositivo, raccolta e monitoraggio di eventi personalizzati, monitoraggio e-commerce e integrazioni CRM, reporting in tempo reale, ecc.
• Ambito di approfondimenti: conversioni, obiettivi, interessi del pubblico, filtri per contenuti evergreen rispetto a quelli di notizie, suggerimenti per l'ottimizzazione basati sull'intelligenza artificiale, rilevamento delle anomalie basato sull'intelligenza artificiale, ecc.

Tra queste, molte sono funzione dell'evoluzione tecnica dei linguaggi informatici, dei browser web e degli standard Internet, ma alcune, come l'analisi dei contenuti, la classificazione e l'analisi automatizzata delle informazioni, sono possibili solo grazie all'apprendimento automatico e all'intelligenza artificiale.

Il ruolo dell'analisi nell'editoria digitale

Negli ultimi due decenni, la pubblicità digitale ha assorbito una quota sempre maggiore delle spese di marketing. Secondo uno studio condotto da Lenfest Institute sugli abbonamenti digitali, i ricavi pubblicitari internazionali di Google hanno superato tutti i ricavi (inclusi quelli cartacei e online) dei quotidiani. Ciò ha portato a chiusure su larga scala, ridimensionamenti e all'ascesa degli abbonamenti digitali come principale motore di fatturato per le moderne organizzazioni giornalistiche. Con l'editoria digitale come nuova normalità, l'analisi web (in particolare l'analisi editoriale) è l'interprete di reach, engagement, profili dei lettori e quasi tutto ciò che un editore o un potenziale inserzionista vorrebbe sapere sui lettori prima di investire risorse in campagne editoriali o pubblicitarie. Anche la decisione se optare o meno per un abbonamento digitale a pagamento e le modalità di blocco dei contenuti richiederanno dati ottimizzati per la massima conversione con una perdita minima di lettori lo studio spiega.

Il ruolo dell'intelligenza artificiale nell'analisi web

L'intelligenza artificiale è (alcuni direbbero giustamente) in ascesa, con molte delle sue applicazioni che sfrecciano verso il "picco delle aspettative gonfiate" nel ciclo di hype. Poiché si definisce come un potenziamento o un potenziamento dell'intelligenza umana, le sue applicazioni possono potenzialmente essere ampie quanto l'immaginazione umana stessa: dalla medicina all'economia, all'intrattenimento e oltre. L'analisi, o almeno la disponibilità di grandi volumi di dati, raccolti in condizioni di input prevedibili e con output risultanti e preferiti, è il carburante su cui si basano gli algoritmi di Machine Learning e IA. Poiché l'analisi è essenzialmente raccolta, interpretazione e scoperta di pattern nei dati, è una componente fondamentale della maggior parte delle implementazioni di IA. Ad esempio, i risultati di ricerca di Google si evolvono in funzione di quanto accurati e utili siano stati trovati dagli utenti, e i dati per questo feedback vengono generati dall'analisi per verificare se gli utenti hanno trovato ciò che cercavano nella loro query di ricerca.

Applicazioni dell'intelligenza artificiale nell'analisi per gli editori

Quasi tutti gli editori con una portata ragionevole hanno oggi una presenza digitale e gli abbonamenti digitali stanno emergendo sempre più come un motore di fatturato chiave per le pubblicazioni di medie e grandi dimensioni. In questo contesto, ecco le 4 principali sfide che gli editori digitali devono affrontare oggi e che le piattaforme di analisi con intelligenza artificiale possono aiutare ad affrontare, raggruppate per stakeholder chiave:

1. Segmentazione del pubblico per interessi e affinità tematiche
2. Personalizzazione su larga scala – attraverso i canali
3. Confronto tra pari editoriali, identificazione delle opportunità e definizione delle priorità
4. Rilevamento di valori anomali / Scoperta di informazioni ad alta velocità dei dati

Ora, ognuno di questi è un caso d'uso che richiede di agire sui dati, piuttosto che sulla semplice analisi come la intendevamo in passato, ma è proprio questa la direzione in cui l'IA sta guidando l'evoluzione dell'analisi: informazioni fruibili. Esaminiamo ciascuno di questi casi in dettaglio.

Segmentazione del pubblico per interessi e affinità tematiche

Per i team editoriali e di sviluppo del pubblico, la capacità di raggruppare e visualizzare il pubblico in base alle affinità tematiche può rappresentare una sfida significativa da risolvere, che attualmente viene svolta utilizzando un mix di indicatori demografici quali età, sesso, posizione e attributi di sessione come pubblico di Facebook, utente ripetuto, categoria politica visitata, ecc. Uno strumento di analisi che tagga automaticamente le storie con argomenti e misura la qualità del coinvolgimento può semplificare questo esercizio e fornire una segmentazione basata sugli interessi del pubblico molto più affidabile.

Mappa ad albero degli interessi del pubblico su NativeAI Analytics

Questa segmentazione può essere utilizzata nei seguenti modi:

• I team editoriali possono valutare diverse coorti per stabilire le priorità degli argomenti degni di nota
• Comprendere le affinità degli argomenti sovrapposti per migliorare il coinvolgimento del lettore
• I team di sviluppo del pubblico possono identificare pubblici simili e le fonti di traffico che funzionano meglio per identificare i lettori con un elevato coinvolgimento
• Gli esperti di marketing digitale possono confrontare i risultati delle campagne in base al coinvolgimento, anziché solo ai volumi di traffico

Personalizzazione su larga scala – attraverso i canali

Il modo migliore per attrarre, coinvolgere e fidelizzare gli utenti è offrire un'esperienza personalizzata che impari dal profilo utente, dai segnali comportamentali e dalle scelte dichiarate dall'utente. Con analisi in grado di monitorare dimensioni aggiuntive come la qualità del coinvolgimento, il tipo e l'argomento dei contenuti con cui si interagisce, il canale, la campagna e il dispositivo utilizzato per l'interazione in diversi momenti della giornata, è possibile creare un motore di personalizzazione ad alto impatto in grado di apprendere le preferenze di ciascun utente. Una personalizzazione di successo richiede 3 fattori:

1. Raccolta di attributi utente
2. Registrazione del percorso di conversione
3. Monitoraggio del successo della conversione

Grazie a questi dati, è possibile addestrare un modello di apprendimento automatico a riconoscere schemi ricorrenti e offrire esperienze personalizzate adatte a ciascun utente. Infatti, app di lettura di notizie personalizzate come Flipboard News360 colma proprio questa lacuna oggi offrendo un'esperienza personalizzata di notizie su argomenti specifici. Per una pubblicazione digitale con diversi milioni di utenti ogni mese, personalizzare le esperienze può essere una sfida ardua, basata esclusivamente su scelte esplicite degli utenti e analisi basate sull'intelligenza artificiale, e può colmare questa lacuna. Un motore di personalizzazione basato sull'intelligenza artificiale può essere utile per:

• Consigli sui contenuti per migliorare la ricircolazione e la fidelizzazione del pubblico
• Coltivare i lettori per convertirli all'abbonamento alla newsletter o agli abbonamenti a pagamento
• Previsione della probabilità di conversione per ciascun utente e mappatura di paywall personalizzati e misurati
• Scegliere i canali e i tempi giusti per far emergere questi avvisi: tramite e-mail, notifiche push, web-modal, banner, ecc.

In NativeAI, siamo attualmente in grado di quantificare l'engagement e riconoscere gli interessi del pubblico, e stiamo lavorando sulle raccomandazioni di contenuti. Ci sono molte interessanti possibilità in questo ambito e non vediamo l'ora di aiutare gli editori ad arricchire i propri motori di personalizzazione con questi dati. (Nota: lavoro presso News360 e.. Analisi degli editori NativeAI la piattaforma presentata in questo articolo è sviluppata da News360)

Confronto tra pari editoriali, identificazione delle opportunità e definizione delle priorità

Come accennato in precedenza, le piattaforme di analisi basate sull'elaborazione del linguaggio naturale (NLP) possono classificare i contenuti per argomento e creare una gerarchia di argomenti correlati nella tassonomia. Tali piattaforme possono raddoppiare la capacità di fornire insight sui contenuti e includere tutte le funzionalità di una piattaforma di content intelligence . Ciò consente ai redattori di confrontare il proprio mix di contenuti con quello della concorrenza per identificare lacune o opportunità e rafforzare i vantaggi competitivi. Identificare gli argomenti che generano il maggior coinvolgimento può anche aiutare i team editoriali a semplificare la definizione delle priorità delle risorse di reporting.

Confronto del mix di contenuti con gli editori concorrenti

Alcune applicazioni spin-off che potrebbero essere importanti anche per i team editoriali possono essere:

• Misurazione della velocità di pubblicazione per argomenti di alto valore e confronto con la concorrenza, poiché le storie sullo stesso argomento, tra editori, possono essere taggate e raggruppate automaticamente
• Report su coinvolgimento e traffico filtrati per autori, argomenti, tag dell'editore
• Tagging automatizzato basato su NLP delle storie sui CMS dell'editore prima della pubblicazione
• Ottimizzazione del titolo e previsione del CTR
• Valutazioni del tipo di contenuto/formato: evergreen vs. notizie, immagini vs. infografiche vs. video.

Report di analisi filtrati per autori

Rilevamento di valori anomali / Scoperta di informazioni ad alta velocità dei dati

Una delle sfide più ardue per un'azienda basata sui dati, che si tratti di media o di content marketing, è estrarre insight dai grandi volumi di dati disponibili, in tempo utile per agire su di essi e avere un impatto chiaro sulle campagne o sull'esecuzione. In altre parole, l'analisi deve fornire insight fruibili in tempo reale, piuttosto che a posteriori per la campagna successiva. Impostare una pipeline di dati con warehousing, modelli di raccolta, filtraggio, archiviazione ed elaborazione richiede uno sforzo significativo, ma la spesa è giustificata se l'output ha un impatto immediato e dimostrabile. L'intelligenza artificiale può semplificare questo compito, che attualmente richiede un intervento manuale, segnalando anomalie nel comportamento degli utenti, nel traffico o persino nei contenuti. Alcune applicazioni di questo tipo potrebbero includere:

• Diagnostica e ottimizzazione delle campagne promozionali: ad esempio, potresti ricevere avvisi quando le campagne Facebook a pagamento potrebbero generare un traffico elevato con un coinvolgimento inferiore al normale

• Promozioni suggerite: un articolo o un video specifico potrebbe avere successo con un segmento di pubblico di dimensioni considerevoli. Il sistema di raccomandazione basato sull'intelligenza artificiale potrebbe suggerire al team di sviluppo del pubblico di promuoverlo al pubblico target specifico per massimizzarne la portata. Questo potrebbe funzionare ancora meglio se integrato con investimenti programmatici
• Avvisi sul quoziente di viralità: l'analisi dei contenuti potrebbe valutare il quoziente virale di un articolo o di un video e, in base alle sue prestazioni, nella prima ora di pubblicazione, può aiutare a fornire informazioni su come garantire la diffusione virale

Il futuro sembra promettente, ma cosa possiamo usare adesso?

Sebbene molte di queste siano applicazioni potenzialmente fantastiche che possono semplificare le nostre sfide editoriali e di sviluppo del pubblico, ovviamente potremmo aver bisogno di una gratificazione immediata. Ecco alcune applicazioni abilitate dall'intelligenza artificiale che puoi utilizzare subito:

• Ricevi avvisi sulle anomalie del traffico del tuo sito web, con il pannello Google Intelligence che distilla e condivide automaticamente le informazioni
• Puoi anche porre domande a Google Intelligence , ad esempio, chiedere "Da quali località provengono i nostri nuovi lettori?" in un inglese semplice per ottenere report e approfondimenti
• ottimizzazione per le tue campagne su AdWords
• Crea e ottimizza testi di email marketing e social media con Phrasee
• Analisi del mix di contenuti e report sulle opportunità su NativeAI
• Personalizzazione delle e-mail di abbonamento su larga scala con Sailthru, implementata con grande efficacia da Business Insider

Le possibilità dell'intelligenza artificiale, del machine learning nell'analisi e delle soluzioni basate sull'analisi sono infinite e, a mio avviso, siamo sull'orlo di un boom. Noi di NativeAI stiamo valutando tutte queste possibilità e lavorando per renderne alcune realtà per gli editori digitali. Siamo entusiasti di vedere molti altri nel settore dell'analisi, dell'ottimizzazione degli abbonamenti e della personalizzazione risolvere sfide simili e ammiriamo la velocità dell'innovazione in questo settore.