Paano Makakatulong ang Analytics Gamit ang AI sa mga Publisher at Content Marketer

Ang mga tool sa Web Analytics ay halos kasingtanda ng web mismo, ang mga unang gumagana sa server side, upang makatulong na masubaybayan ang paggamit ng mapagkukunan, mga pattern ng pag-access, atbp. Ang mga tool sa analytics ay naging lalong makapangyarihan sa pagsukat at pagbibigay-kahulugan sa pag-uugali ng gumagamit sa web upang mag-trigger ng digital na pagbabago sa mga industriya mula sa tingian hanggang sa paglalathala at real estate. Ang ebolusyon ng mga tool sa analytics mula sa mga unang araw ng internet ay nakakita ng pagpapalawak ng saklaw sa iba't ibang direksyon:

• Saklaw ng datos ng user at gawi : Mga profile ng user, Pagsubaybay sa mga sesyon gamit ang cookies, Mga Referrer, On-page heartbeat, Mga Heatmap, Pagsubaybay sa iba't ibang device, Kalidad ng Pakikipag-ugnayan, atbp.
• Saklaw ng datos ng nilalaman (content intelligence): Mga URL, Uri ng Pahina (mga form vs. mga listahan vs. mga artikulo vs. e-commerce), Mga Tag, Mga Kategorya, Mga Bagay at paksa sa nilalaman, Mga May-akda, atbp.
• Pagiging Maaasahan at Kalidad ng Pangongolekta: Mga cookie ng browser, mga SDK, mga WebSocket, Paggawa ng cross-device profile, Pasadyang pangongolekta at pagsubaybay sa kaganapan, Pagsubaybay sa E-commerce at mga integrasyon ng CRM, Pag-uulat sa real-time, atbp.
• Saklaw ng mga Pananaw: Mga Conversion, Mga Layunin, Mga Interes ng Madla, Mga filter ng nilalaman ng Evergreen vs. balita, mga tip sa pag-optimize na pinapagana ng AI, pagtukoy ng anomalya na pinapagana ng AI, atbp.

Sa mga ito, ilan sa mga ito ay bunga ng teknikal na ebolusyon sa mga wikang pang-compute, mga web browser, at mga pamantayan sa internet, ngunit ang ilan tulad ng pagsusuri ng nilalaman, klasipikasyon, at automated insight mining ay posible lamang bilang resulta ng machine learning at AI.

Papel ng Analytics sa Digital Publishing

Ang digital advertising ay kumukuha ng patuloy na pagtaas ng bahagi ng mga gastusin sa marketing sa nakalipas na dalawang dekada. Ayon sa isang pag-aaral ng Lenfest Institute sa mga Digital na Subscription, ang pandaigdigang kita ng Google mula sa advertising ay lumampas na sa lahat ng kita (kabilang ang kita sa print at online) na kinita ng mga pahayagan. Ito ay humantong sa malawakang pagsasara, pagbabawas ng mga kumpanya, pati na rin ang pagtaas ng mga Digital Subscription bilang pangunahing tagapagtaguyod ng kita para sa mga modernong organisasyon ng balita. Dahil ang Digital Publishing ang bagong normal, ang Web Analytics (partikular ang publishing analytics) ang siyang nagbibigay-kahulugan sa abot, pakikipag-ugnayan, mga profile ng mambabasa, at halos lahat ng bagay na gugustuhing malaman ng isang publisher o prospective advertiser tungkol sa mga mambabasa bago mamuhunan ng mga mapagkukunan sa mga kampanyang editoryal o advertising. Maging ang desisyon kung pipiliin ba ang isang digital subscription paywall o hindi at ang mekanismo ng pag-lock ng nilalaman ay mangangailangan ng data upang ma-optimize para sa maximum na conversion na may kaunting pagkawala ng mga mambabasa dahil ang ipinapaliwanag ng pag-aaral.

Papel ng AI sa Web Analytics

Ang AI ay (maaaring sabihin ng ilan na nararapat) ay umuunlad, kung saan ang ilan sa mga aplikasyon nito ay patungo sa 'tugatog ng labis na mga inaasahan' sa siklo ng hype. Dahil tinutukoy nito ang sarili bilang isang pag-upgrade o pagpapahusay sa katalinuhan ng tao, ang mga aplikasyon nito ay maaaring maging kasinglawak ng imahinasyon ng tao mismo – mula sa medisina hanggang sa ekonomiya, sa libangan, at higit pa. Ang analytics o kahit man lang ang pagkakaroon ng malalaking dami ng data, na nakolekta sa ilalim ng mga nahuhulaang kondisyon ng input at resulta pati na rin ang mga ginustong output, ang siyang pinagmumulan ng Machine Learning at AI algorithms. Dahil ang Analytics ay mahalagang pangongolekta, interpretasyon, at pagtuklas ng mga pattern sa data, ito ay isang kritikal na bahagi ng karamihan sa mga implementasyon ng AI. Halimbawa, ang mga resulta ng paghahanap ng Google ay umuunlad bilang isang function ng kung gaano katumpak at kapaki-pakinabang ang natagpuan ng mga gumagamit nito sa mga resulta ng paghahanap at ang data para sa feedback na ito ay nabubuo ng analytics kung natagpuan ba ng mga gumagamit ang kanilang hinahanap sa kanilang query sa paghahanap.

Mga Aplikasyon ng AI sa Analytics para sa mga Publisher

Halos bawat publisher na may makatwirang abot ay may digital na presensya ngayon, at ang mga digital na subscription ay lalong umuusbong bilang pangunahing tagapagtaguyod ng kita para sa mga katamtaman at malalaking publikasyon. Sa kontekstong ito, narito ang 4 na pangunahing hamong kinakaharap ng mga digital na publisher ngayon na maaaring matugunan ng mga analytics platform na may AI, na pinagsama-sama ayon sa mga pangunahing stakeholder:

1. Pagse-segment ng Madla ayon sa mga Interes at Affinity ng Paksa
2. Pag-personalize nang malawakan – sa iba't ibang channel
3. Paghahambing ng mga kapwa editoryal, pagtukoy ng oportunidad at pagbibigay-priyoridad
4. Pagtuklas ng outlier / Pagtuklas ng insight sa mataas na bilis ng data

Ngayon, ang bawat isa sa mga ito ay isang halimbawa ng paggamit ng datos, sa halip na simpleng analytics gaya ng dati nating pagkakaintindi dito, ngunit iyan mismo ang direksyon kung saan pinangungunahan ng AI ang ebolusyon ng Analytics – mga naaaksyunang insight. Tingnan natin ang bawat isa sa mga ito nang detalyado.

Pagse-segment ng Madla ayon sa mga Interes at Affinity ng Paksa

Para sa mga pangkat ng editoryal at pagbuo ng madla, ang kakayahang pagsama-samahin at tingnan ang mga madla ayon sa kanilang mga pagkakaugnay sa paksa ay maaaring maging isang malaking hamon na lutasin – na kasalukuyang ginagawa gamit ang pinaghalong mga demograpikong tagapagpahiwatig tulad ng edad, kasarian, lokasyon at mga katangian ng sesyon tulad ng madla sa Facebook, paulit-ulit na gumagamit, kategorya ng politikang binisita, atbp. Ang isang tool sa Analytics na awtomatikong nag-ta-tag ng mga kwento na may mga paksa at sumusukat sa kalidad ng pakikipag-ugnayan ay maaaring magpasimple sa pagsasanay na ito at magbigay ng mas maaasahang segmentasyon batay sa Interes ng Madla.

Treemapa ng mga Interes ng Madla sa NativeAI Analytics

Ang segmentasyong ito ay maaaring gamitin sa mga sumusunod na paraan:

• Maaaring sukatin ng mga pangkat ng editoryal ang iba't ibang pangkat para sa pagbibigay-priyoridad sa mga paksang dapat ibalita
• Unawain ang magkakapatong na mga pagkakaugnay ng paksa upang mapabuti ang pakikipag-ugnayan ng mambabasa
• Matutukoy ng mga pangkat ng pagbuo ng madla ang mga katulad na madla at ang mga mapagkukunan ng trapiko na pinakamahusay na gumagana upang matukoy ang mga mambabasang may mataas na pakikipag-ugnayan
• Maaaring ihambing ng mga digital marketer ang mga resulta ng kampanya ayon sa pakikipag-ugnayan, sa halip na sa dami lamang ng trapiko

Pag-personalize nang malawakan – sa iba't ibang channel

Ang pinakamahusay na paraan upang makaakit, makipag-ugnayan, at mapanatili ang mga gumagamit ay ang paghahatid ng isang personalized na karanasan na natututo mula sa profile ng gumagamit, mga pahiwatig sa pag-uugali, at mga nakasaad na pagpipilian ng gumagamit. Gamit ang analytics na maaaring sumubaybay sa mga karagdagang dimensyon tulad ng kalidad ng pakikipag-ugnayan, uri at paksa ng nilalamang pinag-uusapan, channel, kampanya, at device na ginagamit para sa pakikipag-ugnayan sa iba't ibang oras ng araw, posible na bumuo ng isang high-impact personalization engine na maaaring matuto ng mga kagustuhan ng bawat gumagamit. Ang matagumpay na pag-personalize ay nangangailangan ng 3 salik:

1. Koleksyon ng katangian ng gumagamit
2. Pagtatala ng landas ng conversion
3. Pagsubaybay sa tagumpay ng conversion

Gamit ang mga datos na ito, posibleng sanayin ang isang modelo ng machine learning upang makilala ang mga pattern at maghatid ng mga pasadyang karanasan na gagana para sa bawat gumagamit. Sa katunayan, ang mga personalized na app para sa pagbabasa ng balita tulad ng Flipboard o ang News360 ang siyang pumupuno sa kakulangang ito ngayon sa pamamagitan ng paghahatid ng personalized na karanasan ng balita sa mga partikular na paksa. Para sa isang digital na publikasyon na may milyun-milyong gumagamit bawat buwan, ang pag-personalize ng mga karanasan ay maaaring maging isang mahirap na hamon, batay lamang sa mga tahasang pagpipilian ng gumagamit at AI-powered analytics, at maaaring makatulong sa paglutas ng kakulangang iyon. Ang isang AI-powered personalization engine ay maaaring maging kapaki-pakinabang para sa:

• Mga rekomendasyon sa nilalaman upang mapabuti ang muling sirkulasyon at pagpapanatili ng madla
• Pag-aalaga ng mambabasa upang maging suskrisyon sa newsletter o bayad na suskrisyon
• Pagtataya ng posibilidad na mag-convert para sa bawat user at mag-map ng mga custom metered paywall
• Pagpili ng tamang mga channel at tiyempo para maipakita ang mga alertong ito – sa pamamagitan ng email, mga push notification, mga web-modal, mga banner, atbp.

Sa NativeAI, kasalukuyan naming nasusukat ang Pakikipag-ugnayan at kinikilala ang mga Interes ng Madla at nagtatrabaho sa mga rekomendasyon ng nilalaman. Maraming kapana-panabik na posibilidad sa larangang ito, at sabik kaming tulungan ang mga publisher na pagyamanin ang kanilang sariling mga personalization engine gamit ang datos na ito. (Pagbubunyag: Nagtatrabaho ako sa News360, at ang Pagsusuri ng publisher ng NativeAI Ang platapormang itinatampok sa artikulong ito ay binuo ng News360)

Paghahambing ng mga kapwa editoryal, pagtukoy ng oportunidad at pagbibigay-priyoridad

Gaya ng nabanggit kanina, ang mga analytics platform na pinapagana ng natural language processing (NLP) ay maaaring uriin ang nilalaman ayon sa mga paksa at bumuo ng isang hierarchy ng mga kaugnay na paksa sa taxonomy. Ang mga ganitong platform ay maaaring mag-double para sa mga insight sa nilalaman pati na rin ang lahat ng mga tampok ng isang platform ng content intelligence . Nagbibigay-daan ito sa mga editor na ihambing ang kanilang pinaghalong nilalaman sa mga kompetisyon upang matukoy ang mga puwang o oportunidad at mapalakas ang mga kalamangan sa kompetisyon. Ang pagtukoy sa mga paksang nagtutulak ng pinakamaraming pakikipag-ugnayan ay maaari ring makatulong sa mga editorial team na gawing mas maayos ang pagbibigay-priyoridad sa mga mapagkukunan ng pag-uulat.

Paghahambing ng Content Mix sa mga kakumpitensyang Publisher

Ang ilang mga spin-off na aplikasyon na maaari ring maging mahalaga sa mga pangkat ng editoryal ay:

• Pagsukat ng bilis ng pag-publish para sa mga paksang may mataas na halaga at paghahambing sa mga kakumpitensya, dahil ang mga kuwento tungkol sa parehong paksa, sa iba't ibang publisher, ay maaaring i-tag at awtomatikong i-grupo
• Mga ulat sa Pakikipag-ugnayan at Trapiko na sinala ayon sa mga Awtor, Paksa, at mga tag ng Publisher
• Awtomatikong pag-tag ng mga kuwento na pinapagana ng NLP sa mga CMS ng publisher bago i-publish
• Pag-optimize ng headline at hula sa CTR
• Mga pagsusuri sa uri / format ng nilalaman – evergreen vs. balita, mga larawan vs. infographics vs. mga video.

Mga ulat sa analytics na sinala ayon sa mga Awtor

Pagtuklas ng outlier / Pagtuklas ng insight sa mataas na bilis ng data

Isa sa mga pinakamahirap na hamon para sa isang kumpanyang nakabase sa datos, maging sa media o sa content marketing, ay ang pagtuklas ng mga insight mula sa malalaking volume ng datos na magagamit, sa tamang oras upang maaksyunan ito, at magkaroon ng malinaw na epekto sa mga kampanya o pagpapatupad. Sa madaling salita, ang analytics ay kailangang magbigay ng mga naaaksyunang insight sa real-time sa halip na sa pagbabalik-tanaw para sa susunod na kampanya. Ang pag-set up ng data pipeline na may warehousing, mga modelo ng koleksyon, pag-filter, pag-iimbak, at pagproseso ay nangangailangan ng malaking pagsisikap, ngunit ang gastos ay makatwiran kung ang output ay agad at malinaw na nakakaapekto. Maaaring gawing simple ng AI ang gawaing ito na kasalukuyang nangangailangan ng manu-manong interbensyon, sa pamamagitan ng pagtukoy sa mga anomalya sa pag-uugali ng user, trapiko o kahit na nilalaman. Ang ilang mga aplikasyon sa ilalim ng ganitong uri ay maaaring kabilang ang:

• Mga diagnostic at pag-optimize ng mga promotional campaign – halimbawa, maaari kang makatanggap ng mga alerto kapag ang mga bayad na Facebook campaign ay maaaring nakakabuo ng mataas na trapiko na may mas mababa kaysa sa normal na pakikipag-ugnayan

• Mga Mungkahing Promosyon – Ang isang partikular na artikulo o video ay maaaring mahusay na gumaganap sa isang segment ng madla na malaki. Maaaring hikayatin ng AI recommender ang Audience Development team na i-promote ito sa partikular na target na madla upang ma-maximize ang abot. Maaari itong gumana nang mas mahusay kapag isinama sa mga programmatic spends
• Mga alerto sa Virality Quotient – ​​Maaaring bigyan ng marka ng pagsusuri ng nilalaman ang viral quotient ng isang artikulo o video at batay sa performance nito, sa unang oras ng paglalathala, makakatulong ito na magbigay ng mga insight kung paano masisiguro ang pagkalat ng viral

Mukhang maganda ang hinaharap, pero ano ang magagamit natin ngayon?

Bagama't marami sa mga ito ay maaaring maging kamangha-manghang mga aplikasyon na maaaring magpasimple sa ating mga hamon sa editoryal at pagpapaunlad ng madla, malinaw na kailangan natin ng agarang kasiyahan. Narito ang ilang mga aplikasyon na pinapagana ng AI na maaari mong gamitin ngayon:

• Tumanggap ng mga alerto tungkol sa mga kakaibang katangian sa trapiko ng iyong website, gamit ang Google Intelligence panel na awtomatikong kumukuha at nagbabahagi ng mga insight
• Maaari ka ring magtanong sa Google Intelligence , halimbawa, itanong ang "Saang mga lokasyon nagmula ang ating mga bagong mambabasa?" sa simpleng Ingles para makakuha ng mga ulat at insight.
• sa pag-optimize para sa iyong mga kampanya sa AdWords
• Gumawa at mag-optimize ng Email at Social Media Marketing Copy gamit ang Phrasee
• Pagsusuri ng Content Mix at mga ulat sa Oportunidad sa NativeAI
• Malaking pag-personalize ng email ng subscription gamit ang Sailthru, na ipinatupad ng Business Insider nang may mahusay na epekto

Walang katapusan ang mga posibilidad para sa AI, Machine Learning sa Analytics, at mga solusyong pinapatakbo ng Analytics, at sa aking palagay, nasa bingit na kami ng isang pag-unlad. Kami sa NativeAI ay isinasaalang-alang ang lahat ng mga posibilidad na ito at nagsusumikap na gawing realidad ang ilan sa mga ito para sa mga digital publisher. Tuwang-tuwa kaming makita ang marami pang iba sa larangan ng analytics, subscription optimization at personalization na lumulutas ng mga kaugnay na hamon at gustung-gusto namin ang bilis ng inobasyon sa sektor na ito.