Hvordan analyser med AI kan hjelpe utgivere og innholdsmarkedsførere

Nettanalyseverktøy er nesten like gamle som selve nettet. De første opererte på serversiden for å overvåke ressursbruk, tilgangsmønstre osv. Analyseverktøy har blitt stadig kraftigere til å måle og tolke brukeratferd på nettet for å utløse digital transformasjon på tvers av bransjer som spenner fra detaljhandel til publisering og eiendom. Utviklingen av analyseverktøy fra internettets tidlige dager har sett en utvidelse av omfanget i flere retninger:

• Omfang av bruker- og atferdsdata : Brukerprofiler, sporing på tvers av økter med informasjonskapsler, henvisninger, hjerteslag på siden, varmekart, sporing på tvers av enheter, engasjementskvalitet osv.
• Omfang av innholdsdata (innholdsintelligens): URL-er, sidetype (skjemaer vs. oppføringer vs. artikler vs. e-handel), tagger, kategorier, objekter og emner i innhold, forfattere osv.
• Pålitelighet og kvalitet på innsamling: Nettleserinformasjonskapsler, SDK-er, WebSockets, oppretting av profiler på tvers av enheter, tilpasset hendelsesinnsamling og -sporing, e-handelssporing og CRM-integrasjoner, rapportering i sanntid, osv.
• Innsiktsomfang: Konverteringer, mål, målgruppeinteresser, Evergreen vs. nyhetsinnholdsfiltre, AI-drevne optimaliseringstips, AI-drevet anomalideteksjon, osv.

Av disse er flere en funksjon av teknisk utvikling innen dataspråk, nettlesere og internettstandarder, men noen, som innholdsanalyse, klassifisering og automatisert innsiktsutvinning, er bare mulige som et resultat av maskinlæring og AI.

Analysens rolle i digital publisering

Digital annonsering har tatt en stadig økende andel av markedsføringsutgiftene de siste to tiårene. Ifølge en studie fra Lenfest-instituttet for digitale abonnementer, har Googles internasjonale inntekter fra annonsering oversteget alle inntekter (inkludert trykte og nettbaserte inntekter) fra aviser. Dette har ført til store nedstengninger, nedbemanning, samt fremveksten av digitale abonnementer som en viktig inntektsdriver for moderne nyhetsorganisasjoner. Med digital publisering som den nye normalen, er webanalyse (spesielt publiseringsanalyse) tolkeren av rekkevidde, engasjement, leserprofiler og nesten alt en utgiver eller potensiell annonsør ønsker å vite om leserne før de investerer ressurser i redaksjonelle kampanjer eller reklamekampanjer. Selv avgjørelsen om hvorvidt man skal velge en digital abonnementsbetalingsmur eller ikke, og mekanikken for å låse innhold, vil kreve data for å optimalisere for maksimal konvertering med minimalt tap av lesere, ettersom studien forklarer.

AIs rolle i webanalyse

AI er (noen vil si fortjent) på vei oppover, med flere av applikasjonene som nærmer seg «toppen av oppblåste forventninger» i hype-syklus. Siden det definerer seg selv som en oppgradering eller utvidelse av menneskelig intelligens, kan bruksområdene potensielt være like brede som menneskelig fantasi selv – fra medisin til økonomi, underholdning og mer. Analyse, eller i det minste tilgjengeligheten av store mengder data, samlet inn under forutsigbare inputforhold og resulterende så vel som foretrukne output, er drivstoffet som maskinlærings- og AI-algoritmer er bygget på. Siden analyse i hovedsak er innsamling, tolkning og oppdagelse av mønstre i data, er det en kritisk komponent i de fleste implementeringer av AI. For eksempel utvikler Googles søkeresultater seg som en funksjon av hvor nøyaktige og nyttige brukerne syntes søkeresultatene var, og dataene for denne tilbakemeldingen genereres av analyser av om brukerne fant det de lette etter i søket sitt.

Anvendelser av AI i analyse for utgivere

Nesten alle utgivere med rimelig rekkevidde har en digital tilstedeværelse i dag, og digitale abonnementer blir i økende grad en viktig inntektsdriver for mellomstore og store publikasjoner. Med dette i bakteppet er her fire største utfordringer som digitale utgivere står overfor i dag, som analyseplattformer med AI kan bidra til å takle, gruppert etter viktige interessenter:

1. Målgruppesegmentering etter interesser og emneaffiniteter
2. Personalisering i stor skala – på tvers av kanaler
3. Redaksjonell fagfellesammenligning, identifisering og prioritering av muligheter
4. Avviksdeteksjon / Innsiktsoppdagelse ved høy datahastighet

Nå er hver av disse et brukseksempel på å handle basert på data, snarere enn ren analyse slik vi pleide å forstå det, men det er nettopp den retningen AI leder utviklingen av analyse – handlingsrettet innsikt. La oss se nærmere på hver av disse.

Målgruppesegmentering etter interesser og emneaffiniteter

For redaksjonelle team og publikumsutviklingsteam kan muligheten til å gruppere og se på målgrupper etter emnetilhørighet være en betydelig utfordring å løse – noe som for tiden gjøres ved hjelp av en blanding av demografiske indikatorer som alder, kjønn, sted og øktattributter som Facebook-publikum, tilbakevendende bruker, besøkt politikkkategori osv. Et analyseverktøy som automatisk tagger saker med emner og måler engasjementskvaliteten kan forenkle denne øvelsen og gi mye mer pålitelig segmentering basert på publikumsinteresse.

Trekart over målgruppeinteresser på NativeAI Analytics

Denne segmenteringen kan brukes på følgende måter:

• Redaksjonsteam kan vurdere ulike kohorter for å prioritere nyhetsverdige emner
• Forstå overlappende emnetilhørighet for å forbedre leserengasjementet
• Målgruppeutviklingsteam kan identifisere lignende målgrupper og trafikkildene som fungerer best for å identifisere lesere med høyt engasjement
• Digitale markedsførere kan sammenligne kampanjeresultater etter engasjement, i stedet for bare trafikkvolum

Personalisering i stor skala – på tvers av kanaler

Den beste måten å tiltrekke, engasjere og beholde brukere på er å levere en personlig tilpasset opplevelse som lærer av brukerprofilen, atferdssignaler og brukerens uttalte valg. Med analyser som kan spore ytterligere dimensjoner som engasjementskvalitet, type og emne for innhold som er engasjert med, kanal, kampanje og enhet som brukes til interaksjon på forskjellige tider av døgnet, er det mulig å bygge en effektiv personaliseringsmotor som kan lære hver enkelt brukers preferanser. Vellykket personalisering krever tre faktorer:

1. Brukerattributtsamling
2. Registrering av konverteringssti
3. Sporing av konverteringssuksess

Med disse datapunktene er det mulig å trene en maskinlæringsmodell til å gjenkjenne mønstre og levere tilpassede opplevelser som fungerer for hver bruker. Faktisk kan personlige nyhetsleserapper som Flipboard eller News360 fyller nettopp dette gapet i dag ved å levere en personlig opplevelse av nyheter innen spesifikke emner. For en digital publikasjon med flere millioner brukere hver måned kan det å tilpasse opplevelser være en tøff utfordring, utelukkende basert på eksplisitte brukervalg og AI-drevet analyse, og kan bygge bro over dette gapet. En AI-drevet personaliseringsmotor kan være nyttig for:

• Innholdsanbefalinger for å forbedre resirkulering og publikumslojalitet
• Leserpleie for å konvertere til nyhetsbrevabonnement eller betalte abonnementer
• Prognose sannsynlighet for konvertering for hver bruker og kartlegg tilpassede målte betalingsmurer
• Velge riktige kanaler og tidspunkt for å vise disse varslene – via e-post, push-varsler, nettmodaler, bannere osv.

Hos NativeAI kan vi for tiden kvantifisere engasjement og gjenkjenne publikumsinteresser, og vi jobber med innholdsanbefalinger. Det finnes mange spennende muligheter på dette området, og vi er ivrige etter å hjelpe utgivere med å berike sine egne personaliseringsmotorer med disse dataene. (Opplysning: Jeg jobber hos News360, og NativeAI-publisistanalyse plattformen som er omtalt i denne artikkelen er utviklet av News360)

Redaksjonell fagfellesammenligning, identifisering og prioritering av muligheter

Som nevnt tidligere kan analyseplattformer drevet av naturlig språkbehandling (NLP) klassifisere innhold etter emner og bygge et hierarki av relaterte emner i taksonomien. Slike plattformer kan også gi innholdsinnsikt, og de inkluderer alle funksjonene til en innholdsintelligensplattform . Dette lar redaktører sammenligne innholdsmiksen sin med konkurrentene for å identifisere hull eller muligheter og forsterke konkurransefortrinn. Å identifisere emner som driver mest engasjement kan også hjelpe redaksjonelle team med å effektivisere prioriteringen av rapporteringsressurser.

Sammenligning av innholdsmiks med konkurrerende utgivere

Noen spin-off-applikasjoner som også kan være viktige for redaksjoner kan være:

• Måling av publiseringshastighet for emner med høy verdi og sammenligning med konkurrenter, siden historier om samme emne, på tvers av utgivere, kan merkes og grupperes automatisk
• Engasjements- og trafikkrapporter filtrert etter forfattere, emner og utgiverens egne tagger
• Automatisert NLP-drevet tagging av historier på utgivernes CMS-er før publisering
• Overskriftoptimalisering og klikkfrekvensforutsigelse
• Evalueringer av innholdstype/format – eviggrønne vs. nyheter, bilder vs. infografikk vs. videoer.

Analyserapporter filtrert etter forfattere

Avviksdeteksjon / Innsiktsoppdagelse ved høy datahastighet

En av de tøffeste utfordringene for et datadrevet selskap, enten det er innen media eller innholdsmarkedsføring, er å avdekke innsikt fra de store datamengdene som er tilgjengelige, i tide til å handle på dem, og ha en tydelig innvirkning på kampanjer eller gjennomføring. Med andre ord må analyser gi handlingsrettet innsikt i sanntid i stedet for i ettertid for neste kampanje. Å sette opp en datapipeline med lager, innsamlingsmodeller, filtrering, lagring og behandling krever betydelig innsats, men utgiften er berettiget hvis resultatet er umiddelbart og påviselig effektfullt. AI kan forenkle denne oppgaven, som for tiden krever manuell inngripen, ved å avdekke avvik i brukeratferd, trafikk eller til og med innhold. Noen applikasjoner under denne typen kan inkludere:

• Diagnostikk og optimalisering av reklamekampanjer – for eksempel kan du motta varsler når betalte Facebook-kampanjer genererer mye trafikk med lavere engasjement enn normalt

• Forslag til kampanjer – En bestemt artikkel eller video kan prestere bra med et stort målgruppesegment. AI-anbefalingen kan be målgruppeutviklingsteamet om å markedsføre den til den spesifikke målgruppen for å maksimere rekkevidden. Dette kan fungere enda bedre når det integreres med programmatiske utgifter
• Varsler om viralitetskvotient – ​​Innholdsanalyse kan måle den virale kvotienten til en artikkel eller video, og basert på resultatene i løpet av den første timen etter publisering kan den bidra til å gi innsikt i hvordan man kan sikre viral spredning

Fremtiden ser lovende ut, men hva kan vi bruke akkurat nå?

Selv om mange av disse potensielt er fantastiske applikasjoner som kan forenkle våre redaksjonelle utfordringer og utfordringer innen publikumsutvikling, trenger vi selvsagt litt umiddelbar tilfredsstillelse. Her er noen applikasjoner aktivert av AI som du kan bruke akkurat nå:

• Få varsler om særegenheter i nettstedstrafikken din med Google Intelligence-panelet som automatisk samler innsikt og deler den.
• Du kan til og med stille spørsmål til Google Intelligence , for eksempel spørre «Hvilke steder kommer de nye leserne våre fra?» på vanlig språk for å få rapporter og innsikt.
• Optimaliseringsanbefalinger for kampanjene dine på AdWords
• Lag og optimaliser markedsføringstekster for e-post og sosiale medier med Phrasee
• Analyse av innholdsmiks og mulighetsrapporter på NativeAI
• Personalisering av e-postabonnementer i stor skala med Sailthru, som Business Insider har implementert med stor effekt.

Mulighetene for AI, maskinlæring i analyse og analyseutløste løsninger er uendelige, og etter min mening er vi på kanten av en oppsving. Vi i NativeAI vurderer alle disse mulighetene og jobber med å gjøre noen av dem til virkelighet for digitale utgivere. Vi er begeistret over å se mange andre innen analyse, abonnementsoptimalisering og personalisering løse relaterte utfordringer, og vi elsker hastigheten på innovasjonen i denne sektoren.