Alatan Analisis Web hampir sama tuanya dengan web itu sendiri, yang pertama beroperasi di bahagian pelayan, untuk membantu memantau penggunaan sumber, corak akses, dan sebagainya. Alatan analisis telah menjadi semakin berkuasa dalam mengukur dan mentafsir tingkah laku pengguna di web untuk mencetuskan transformasi digital merentasi industri daripada runcit kepada penerbitan dan hartanah.
Evolusi alat analitik sejak awal internet telah menyaksikan peluasan skop dalam beberapa arah:
- Skop data pengguna & tingkah laku : Profil pengguna, Penjejakan merentas sesi dengan kuki, Perujuk, Denyutan jantung dalam halaman, Peta haba, Penjejakan merentas peranti, Kualiti Penglibatan, dsb.
- Skop data kandungan (kecerdasan kandungan): URL, Jenis halaman (borang vs. penyenaraian vs. artikel vs. e-dagang), Tag, Kategori, Objek & topik dalam kandungan, Pengarang, dsb.
- Kebolehpercayaan & Kualiti pengumpulan: Kuki pelayar, SDK, WebSocket, Penciptaan profil merentas peranti, Pengumpulan & penjejakan acara tersuai, Penjejakan e-dagang & integrasi CRM, Pelaporan masa nyata, dsb.
- Skop Wawasan: Penukaran, Matlamat, Minat Khalayak, penapis kandungan Evergreen vs. berita, petua pengoptimuman berkuasa AI, pengesanan anomali berkuasa AI, dsb.
Daripada jumlah ini, beberapa merupakan fungsi evolusi teknikal dalam bahasa pengkomputeran, pelayar web dan piawaian internet, tetapi beberapa seperti analisis kandungan, pengelasan dan perlombongan wawasan automatik hanya mungkin dilakukan hasil daripada pembelajaran mesin dan AI.
Peranan Analisis dalam Penerbitan Digital
Pengiklanan digital telah mengambil bahagian yang semakin meningkat daripada perbelanjaan pemasaran sejak dua dekad yang lalu. Menurut kajian oleh Institut Lenfest mengenai Langganan Digital , pendapatan antarabangsa Google daripada pengiklanan telah melebihi semua pendapatan (termasuk pendapatan cetak dan dalam talian) yang dibuat oleh akhbar. Ini telah menyebabkan penutupan berskala besar, pengecilan saiz, serta kebangkitan Langganan Digital sebagai pemacu pendapatan utama untuk organisasi berita moden.
Dengan Penerbitan Digital sebagai kebiasaan baharu, Web Analytics (khususnya analitik penerbitan) ialah pentafsir jangkauan, penglibatan, profil pembaca dan hampir semua perkara yang ingin diketahui oleh penerbit atau bakal pengiklan tentang pembaca sebelum melabur sumber dalam kempen editorial atau pengiklanan. Malah keputusan sama ada untuk memilih sekatan pembayaran langganan digital atau tidak dan mekanik mengunci kandungan memerlukan data untuk dioptimumkan bagi penukaran maksimum dengan kehilangan pembaca yang minimum seperti yang dijelaskan oleh kajian .
Peranan AI dalam Analisis Web
AI (sesetengah orang akan mengatakannya dengan sewajarnya) sedang meningkat naik, dengan beberapa aplikasinya menuju ke 'puncak jangkaan yang melambung' dalam kitaran gembar-gembur .
Memandangkan ia mendefinisikan dirinya sebagai penaiktarafan atau peningkatan kecerdasan manusia, aplikasinya berpotensi seluas imaginasi manusia itu sendiri – daripada perubatan kepada ekonomi, hiburan dan seterusnya.
Analisis atau sekurang-kurangnya ketersediaan sejumlah besar data, yang dikumpulkan di bawah keadaan input yang boleh diramal dan output yang terhasil serta output yang diutamakan, ialah bahan api yang menjadi asas kepada algoritma Pembelajaran Mesin & AI.
Memandangkan Analisis pada asasnya merupakan pengumpulan, tafsiran dan penemuan corak dalam data, ia merupakan komponen penting dalam kebanyakan pelaksanaan AI. Contohnya, hasil carian Google berkembang sebagai fungsi betapa tepat dan bergunanya hasil carian penggunanya dan data untuk maklum balas ini dijana oleh analisis tentang sama ada pengguna menemui apa yang mereka cari dalam pertanyaan carian mereka.
Aplikasi AI dalam Analisis untuk Penerbit
Hampir setiap penerbit dengan jangkauan yang munasabah mempunyai kehadiran digital hari ini, dan langganan digital semakin muncul sebagai pemacu pendapatan utama untuk penerbitan sederhana dan besar. Berlatarbelakangkan ini, berikut adalah 4 cabaran utama yang dihadapi oleh penerbit digital hari ini yang boleh dibantu oleh platform analitik dengan AI, dikumpulkan mengikut pihak berkepentingan utama:
- Segmentasi khalayak mengikut Minat & Keterkaitan Topik
- Pemperibadian pada skala besar – merentasi saluran
- Perbandingan rakan sebaya editorial, pengenalpastian peluang & keutamaan
- Pengesanan outlier / Penemuan wawasan pada halaju data yang tinggi
Kini, setiap satu daripada ini merupakan kes penggunaan bertindak berdasarkan data, bukannya analitik biasa seperti yang kita fahami dahulu, tetapi itulah sebenarnya arah tuju AI dalam evolusi Analitik – pandangan yang boleh diambil tindakan. Mari kita lihat setiap satu daripada ini secara terperinci.
Segmentasi khalayak mengikut Minat & Keterkaitan Topik
Bagi pasukan pembangunan editorial dan khalayak, keupayaan untuk mengelompokkan dan melihat khalayak mengikut afiniti topik mereka boleh menjadi cabaran besar untuk diselesaikan – yang kini dilakukan menggunakan campuran penunjuk demografi seperti umur, jantina, lokasi dan atribut sesi seperti khalayak Facebook, pengguna berulang, kategori politik yang dilawati, dsb. Alat Analitis yang menanda cerita secara automatik dengan topik dan mengukur kualiti penglibatan boleh memudahkan latihan ini dan menyediakan segmentasi berdasarkan Minat Khalayak yang lebih andal.
Peta Pokok Minat Khalayak pada NativeAI Analytics
Segmentasi ini boleh digunakan dengan cara berikut:
- Pasukan editorial boleh menilai kohort yang berbeza untuk mengutamakan topik yang bernilai berita
- Fahami pertindihan topik untuk meningkatkan penglibatan pembaca
- Pasukan pembangunan khalayak boleh mengenal pasti khalayak yang serupa dan sumber trafik yang paling berkesan untuk mengenal pasti pembaca yang mempunyai penglibatan tinggi
- Pemasar digital boleh membandingkan hasil kempen mengikut penglibatan, bukan sekadar jumlah trafik
Pemperibadian pada skala besar – merentasi saluran
Cara terbaik untuk menarik & melibatkan serta mengekalkan pengguna adalah dengan memberikan pengalaman peribadi yang belajar daripada profil pengguna, isyarat tingkah laku dan pilihan yang dinyatakan oleh pengguna. Dengan analitik yang dapat menjejaki dimensi tambahan seperti kualiti penglibatan, jenis & topik kandungan yang terlibat, saluran, kempen & peranti yang digunakan untuk interaksi pada waktu yang berbeza dalam sehari, adalah mungkin untuk membina enjin pemperibadian berimpak tinggi yang dapat mempelajari pilihan setiap pengguna.
Pemperibadian yang berjaya memerlukan 3 faktor:
- Pengumpulan atribut pengguna
- Rakaman laluan penukaran
- Penjejakan kejayaan penukaran
Dengan titik data ini, adalah mungkin untuk melatih model pembelajaran mesin untuk mengenali corak dan memberikan pengalaman tersuai yang sesuai untuk setiap pengguna. Malah, aplikasi pembaca berita yang diperibadikan seperti Flipboard atau News360 mengisi jurang ini dengan tepat hari ini dengan memberikan pengalaman berita yang diperibadikan dalam topik tertentu. Untuk penerbitan digital dengan beberapa juta pengguna setiap bulan, memperibadikan pengalaman boleh menjadi cabaran yang sukar, berdasarkan semata-mata pada pilihan pengguna yang eksplisit dan analitik berkuasa AI, dan dapat merapatkan jurang tersebut.
Enjin pemperibadian berkuasa AI boleh berguna untuk:
Kandungan daripada rakan kongsi kami
- Cadangan kandungan untuk meningkatkan peredaran semula & pengekalan khalayak
- Pemupukan pembaca untuk menukar kepada langganan surat berita atau langganan berbayar
- Meramal kemungkinan untuk menukar bagi setiap pengguna & memetakan sekatan pembayaran bermeter tersuai
- Memilih saluran & masa yang betul untuk memaparkan makluman ini – merentasi e-mel, pemberitahuan tolak, mod web, sepanduk, dll.
Di NativeAI, kami kini dapat mengukur Penglibatan & mengenali Minat Khalayak dan sedang mengusahakan cadangan kandungan. Terdapat banyak kemungkinan menarik dalam ruang ini, dan kami bersemangat untuk membantu penerbit memperkayakan enjin pemperibadian mereka sendiri dengan data ini. (Pendedahan: Saya bekerja di News360, dan analitik penerbit NativeAI yang dipaparkan dalam artikel ini dibangunkan oleh News360)
Perbandingan rakan sebaya editorial, pengenalpastian peluang & keutamaan
Seperti yang dinyatakan sebelum ini, platform analitik berkuasa pemprosesan bahasa semula jadi (NLP) boleh mengklasifikasikan kandungan mengikut topik dan membina hierarki topik berkaitan dalam taksonomi. Platform sedemikian boleh berfungsi ganda untuk wawasan kandungan serta merangkumi semua ciri platform kecerdasan kandungan . Ini membolehkan editor membandingkan campuran kandungan mereka dengan persaingan untuk mengenal pasti jurang atau peluang dan mengukuhkan kelebihan daya saing. Mengenal pasti topik yang memacu penglibatan paling banyak juga boleh membantu pasukan editorial memperkemas keutamaan sumber pelaporan.
Perbandingan Campuran Kandungan dengan Penerbit yang bersaing
Beberapa aplikasi sampingan yang juga mungkin penting kepada pasukan editorial ialah:
- Mengukur kelajuan penerbitan untuk topik bernilai tinggi & membandingkan dengan pesaing, memandangkan cerita tentang topik yang sama, merentasi penerbit, boleh ditag & dikumpulkan secara automatik
- Laporan Penglibatan & Trafik ditapis mengikut Pengarang, Topik, tag Penerbit sendiri
- Penandaan cerita berkuasa NLP automatik pada CMS penerbit sebelum diterbitkan
- Pengoptimuman tajuk utama & ramalan CTR
- Penilaian jenis/format kandungan – malar hijau vs. berita, gambar vs. infografik vs. video.
Laporan analitik ditapis mengikut Pengarang
Pengesanan outlier / Penemuan wawasan pada halaju data yang tinggi
Salah satu cabaran paling sukar bagi syarikat yang dipacu data, sama ada dalam media atau pemasaran kandungan, adalah untuk mendedahkan pandangan daripada sejumlah besar data yang tersedia, tepat pada masanya untuk bertindak ke atasnya, dan mempunyai impak yang jelas terhadap kempen atau pelaksanaan. Dalam erti kata lain, analitik perlu memberikan pandangan yang boleh diambil tindakan dalam masa nyata dan bukannya secara tiba-tiba untuk kempen seterusnya.
Menyediakan saluran data dengan pergudangan, model pengumpulan, penapisan, penyimpanan dan pemprosesan memerlukan usaha yang besar, tetapi perbelanjaan tersebut wajar jika outputnya memberi impak serta-merta dan terbukti berkesan. AI boleh memudahkan tugas ini yang kini memerlukan intervensi manual, dengan mengenal pasti anomali dalam tingkah laku pengguna, trafik atau kandungan.
Beberapa aplikasi di bawah jenis ini boleh termasuk:
- Diagnostik & pengoptimuman kempen promosi – contohnya, anda boleh menerima makluman apabila kempen Facebook berbayar mungkin menjana trafik yang tinggi dengan penglibatan yang lebih rendah daripada biasa
- Promosi yang Dicadangkan – Artikel atau video tertentu mungkin menunjukkan prestasi yang baik dengan segmen khalayak yang besar. Pengesyor AI boleh mendorong pasukan Pembangunan Khalayak untuk mempromosikannya kepada khalayak sasaran tertentu bagi memaksimumkan jangkauan. Ini boleh berfungsi dengan lebih baik apabila disepadukan dengan perbelanjaan programatik
- Amaran Hasil Kutipan Viraliti – Analisis kandungan boleh menilai hasil kutipan viral sesuatu artikel atau video dan berdasarkan prestasinya, pada jam pertama penerbitan, ia boleh membantu memberikan pandangan tentang cara memastikan penyebaran viral
Masa depan nampak cerah, tetapi apa yang boleh kita gunakan sekarang?
Walaupun kebanyakannya berpotensi menjadi aplikasi hebat yang dapat memudahkan cabaran pembangunan editorial dan khalayak kita, sudah tentu kita memerlukan sedikit kepuasan segera. Berikut adalah beberapa aplikasi yang didayakan oleh AI yang boleh anda gunakan sekarang:
- Dapatkan makluman tentang kebiasaan dalam trafik laman web anda, dengan panel Google Intelligence yang secara automatik menyaring dan berkongsi cerapan
- Anda juga boleh bertanya soalan kepada Google Intelligence , contohnya, tanya "Dari lokasi manakah pembaca baharu kami?" dalam bahasa Inggeris yang mudah untuk mendapatkan laporan & pandangan.
- pengoptimuman untuk kempen anda di AdWords
- Cipta dan optimumkan Salinan Pemasaran E-mel & Media Sosial dengan Phrasee
- Analisis Campuran Kandungan & laporan Peluang tentang NativeAI
- Pemperibadian e-mel langganan secara besar-besaran dengan Sailthru, yang telah dilaksanakan oleh Business Insider dengan berkesan
Kemungkinan untuk AI, Pembelajaran Mesin dalam Analisis dan penyelesaian yang dicetuskan oleh Analisis tidak terbatas, dan pada pendapat saya, kami berada di ambang ledakan. Kami di NativeAI sedang mempertimbangkan semua kemungkinan ini dan berusaha untuk menjadikan sebahagian daripadanya satu kenyataan untuk penerbit digital. Kami teruja melihat ramai lagi dalam ruang analisis, pengoptimuman langganan & pemperibadian menyelesaikan cabaran berkaitan dan menyukai kepantasan inovasi dalam sektor ini.
