Webanalyse-Tools sind fast so alt wie das Web selbst, die ersten, die serverseitig arbeiteten, um die Ressourcennutzung, Zugriffsmuster usw. zu überwachen. Analysetools werden immer leistungsfähiger, wenn es darum geht, das Benutzerverhalten im Web zu messen und zu interpretieren, um digitale auszulösen Transformation in allen Branchen, vom Einzelhandel über das Verlagswesen bis hin zu Immobilien.
Die Entwicklung von Analysetools seit den Anfängen des Internets hat eine Erweiterung des Anwendungsbereichs in mehrere Richtungen erfahren:
- Umfang der Benutzer- und Verhaltensdaten : Benutzerprofile, sitzungsübergreifendes Tracking mit Cookies, Referrer, On-Page-Heartbeat, Heatmaps, Cross-Device-Tracking, Engagement-Qualität usw.
- Umfang der Inhaltsdaten (Content Intelligence): URLs, Seitentyp (Formulare vs. Auflistungen vs. Artikel vs. E-Commerce), Tags, Kategorien, Objekte & Themen im Inhalt, Autoren etc.
- Zuverlässigkeit und Qualität der Erfassung: Browser-Cookies, SDKs, WebSockets, geräteübergreifende Profilerstellung, benutzerdefinierte Ereigniserfassung und -verfolgung, E-Commerce-Verfolgung und CRM-Integrationen, Echtzeitberichte usw.
- Umfang der Erkenntnisse: Conversions, Ziele, Zielgruppeninteressen, Filter für Evergreen- und Nachrichteninhalte, KI-gestützte Optimierungstipps, KI-gestützte Anomalieerkennung usw.
Einige davon sind eine Funktion der technischen Entwicklung von Computersprachen, Webbrowsern und Internetstandards, aber einige wie Inhaltsanalyse, Klassifizierung und automatisiertes Insight-Mining sind nur als Ergebnis von maschinellem Lernen und KI möglich.
Rolle der Analytik im Digital Publishing
Digitale Werbung hat in den letzten zwei Jahrzehnten einen immer größeren Anteil an den Marketingausgaben eingenommen. Laut einer Studie des Lenfest Institute on Digital Subscriptions übersteigen die internationalen Werbeeinnahmen von Google alle Einnahmen (einschließlich Print- und Online-Einnahmen) von Zeitungen. Dies hat zu groß angelegten Schließungen, Verkleinerungen sowie dem Aufstieg digitaler Abonnements als Hauptumsatztreiber für moderne Nachrichtenagenturen geführt.
Mit Digital Publishing als der neuen Normalität ist Web Analytics (insbesondere Publishing Analytics) der Interpreter von Reichweite, Engagement, Leserprofilen und fast allem, was ein Publisher oder potenzieller Werbetreibender über die Leser wissen möchte, bevor er Ressourcen in redaktionelle oder Werbekampagnen investiert . Sogar die Entscheidung, ob man sich für eine digitale Abonnement-Paywall entscheidet oder nicht, und die Mechanismen zum Sperren von Inhalten erfordern Daten zur Optimierung für eine maximale Konversion bei minimalem Verlust von Lesern, wie die Studie erklärt .
Rolle der KI in der Webanalyse
KI befindet sich (manche würden sagen zu Recht) im Aufschwung, und mehrere ihrer Anwendungen nähern sich dem „Höhepunkt überhöhter Erwartungen“ im Hype-Zyklus .
Da es sich selbst als Upgrade oder Erweiterung der menschlichen Intelligenz definiert, können seine Anwendungen potenziell so breit gefächert sein wie die menschliche Vorstellungskraft selbst – von der Medizin über die Wirtschaft bis hin zur Unterhaltung und darüber hinaus.
Analytik oder zumindest die Verfügbarkeit großer Datenmengen, die unter vorhersehbaren Eingabebedingungen und daraus resultierenden sowie bevorzugten Ausgaben gesammelt werden, ist der Treibstoff, auf dem maschinelles Lernen und KI-Algorithmen aufbauen.
Da Analytics im Wesentlichen das Sammeln, Interpretieren und Entdecken von Mustern in Daten ist, ist es eine entscheidende Komponente der meisten Implementierungen von KI. Beispielsweise entwickeln sich die Suchergebnisse von Google in Abhängigkeit davon, wie genau und nützlich seine Benutzer die Suchergebnisse fanden, und die Daten für dieses Feedback werden durch Analysen darüber generiert, ob die Benutzer gefunden haben, wonach sie in ihrer Suchanfrage gesucht haben.
Anwendungen von KI in Analytics for Publishers
Nahezu jeder Verlag mit angemessener Reichweite hat heute eine digitale Präsenz, und digitale Abonnements entwickeln sich zunehmend zu einem wichtigen Umsatztreiber für mittlere und große Publikationen. Vor diesem Hintergrund sind hier die 4 größten Herausforderungen, mit denen digitale Verlage heute konfrontiert sind, die Analyseplattformen mit KI unterstützen können, gruppiert nach den wichtigsten Interessengruppen:
- Zielgruppensegmentierung nach Interessen und Themenaffinitäten
- Personalisierung im großen Maßstab – über alle Kanäle hinweg
- Redaktioneller Peer-Vergleich, Identifizierung und Priorisierung von Chancen
- Ausreißererkennung / Insight Discovery bei hoher Datengeschwindigkeit
Nun, jeder von ihnen ist ein Anwendungsfall für das Handeln auf Daten und nicht für einfache Analysen, wie wir sie früher verstanden haben, aber genau das ist die Richtung, in die KI die Entwicklung von Analytics führt – umsetzbare Erkenntnisse. Lassen Sie uns jeden von diesen im Detail betrachten.
Zielgruppensegmentierung nach Interessen und Themenaffinitäten
Für Redaktions- und Publikumsentwicklungsteams kann die Fähigkeit, Zielgruppen nach ihren Themenaffinitäten zu gruppieren und anzuzeigen, eine große Herausforderung darstellen – was derzeit mit einer Mischung aus demografischen Indikatoren wie Alter, Geschlecht, Ort und Sitzungsattributen wie Facebook-Zielgruppe erreicht wird , wiederholter Benutzer, besuchte Politikkategorie usw. Ein Analysetool, das Geschichten automatisch mit Themen versieht und die Qualität des Engagements misst, kann diese Übung vereinfachen und eine viel zuverlässigere Segmentierung auf Grundlage des Publikumsinteresses ermöglichen.
Baumkarte der Zielgruppeninteressen bei NativeAI Analytics
Diese Segmentierung kann auf folgende Weise verwendet werden:
- Redaktionsteams können verschiedene Kohorten für die Priorisierung von Themen mit Nachrichtenwert einstufen
- Verstehen Sie sich überschneidende Themenaffinitäten, um die Leserbindung zu verbessern
- Zielgruppenentwicklungsteams können ähnliche Zielgruppen und die Verkehrsquellen identifizieren, die am besten geeignet sind, um Leser mit hohem Engagement zu identifizieren
- Digitale Vermarkter können Kampagnenergebnisse nach Engagement vergleichen, anstatt nur nach Traffic-Volumen
Personalisierung im großen Maßstab – über alle Kanäle hinweg
Der beste Weg, Benutzer zu gewinnen, zu binden und zu halten, besteht darin, eine personalisierte Erfahrung bereitzustellen, die aus dem Benutzerprofil, den Verhaltenshinweisen und den angegebenen Entscheidungen des Benutzers lernt. Mit Analysen, die zusätzliche Dimensionen wie die Qualität des Engagements, Art und Thema des Inhalts, mit dem interagiert wird, Kanal, Kampagne und Gerät, das für die Interaktion zu verschiedenen Tageszeiten verwendet wird, verfolgen können, ist es möglich, eine leistungsstarke Personalisierungs-Engine aufzubauen, die lernen kann die Vorlieben jedes Benutzers.
Eine erfolgreiche Personalisierung erfordert 3 Faktoren:
- Sammlung von Benutzerattributen
- Conversion-Pfad-Aufzeichnung
- Conversion-Erfolgsverfolgung
Mit diesen Datenpunkten ist es möglich, ein maschinelles Lernmodell so zu trainieren, dass es Muster erkennt und benutzerdefinierte Erfahrungen liefert, die für jeden Benutzer funktionieren. Tatsächlich füllen personalisierte Newsreader-Apps wie Flipboard oder News360 heute genau diese Lücke, indem sie ein personalisiertes Erlebnis von Nachrichten zu bestimmten Themen bieten. Für eine digitale Publikation mit mehreren Millionen Benutzern pro Monat kann die Personalisierung von Erlebnissen eine schwierige Herausforderung sein, die ausschließlich auf expliziten Benutzerentscheidungen und KI-gestützten Analysen basiert und diese Lücke schließen kann.
Eine KI-gestützte Personalisierungs-Engine kann nützlich sein für:
- Inhaltsempfehlungen zur Verbesserung der Rezirkulation und Zuschauerbindung
- Leserpflege, um in ein Newsletter-Abonnement oder kostenpflichtige Abonnements umzuwandeln
- Prognostizieren Sie die Conversion-Wahrscheinlichkeit für jeden Benutzer und bilden Sie individuell gemessene Paywalls ab
- Auswahl der richtigen Kanäle und des richtigen Timings, um diese Warnungen anzuzeigen – über E-Mail, Push-Benachrichtigungen, Web-Modals, Banner usw.
Bei NativeAI sind wir derzeit in der Lage, Engagement zu quantifizieren, Publikumsinteressen zu erkennen und arbeiten an Inhaltsempfehlungen. Es gibt viele aufregende Möglichkeiten in diesem Bereich, und wir sind bestrebt, Verlagen dabei zu helfen, ihre eigenen Personalisierungs-Engines mit diesen Daten zu bereichern. (Offenlegung: Ich arbeite bei News360, und die vorgestellte Publisher-Analyseplattform NativeAI wird von News360 entwickelt.)
Inhalte unserer Partner
Redaktioneller Peer-Vergleich, Identifizierung und Priorisierung von Chancen
Wie bereits erwähnt, können auf Natural Language Processing (NLP) basierende Analyseplattformen Inhalte nach Themen klassifizieren und eine Hierarchie verwandter Themen in der Taxonomie aufbauen. Solche Plattformen können sowohl Content-Insights liefern als auch alle Funktionen einer Content-Intelligence-Plattform . Dies ermöglicht es Redakteuren, ihren Content-Mix mit der Konkurrenz zu vergleichen, um Lücken oder Chancen zu identifizieren und Wettbewerbsvorteile zu stärken. Die Identifizierung von Themen, die das größte Engagement fördern, kann Redaktionsteams auch dabei helfen, die Priorisierung von Berichtsressourcen zu rationalisieren.
Content-Mix-Vergleich mit konkurrierenden Publishern
Einige Spin-Off-Anwendungen, die auch für Redaktionen wichtig sein könnten, können sein:
- Messung der Veröffentlichungsgeschwindigkeit für hochwertige Themen und Vergleich mit der Konkurrenz, da Artikel über dasselbe Thema über verschiedene Verlage hinweg gekennzeichnet und automatisch gruppiert werden können
- Engagement- und Traffic-Berichte, gefiltert nach Autoren, Themen, Publisher-eigenen Tags
- Automatisiertes NLP-gestütztes Tagging von Artikeln auf den CMS des Verlags vor der Veröffentlichung
- Schlagzeilenoptimierung und CTR-Vorhersage
- Inhaltstyp-/Formatbewertungen – Evergreen vs. News, Bilder vs. Infografiken vs. Videos.
Nach Autoren gefilterte Analytics-Berichte
Ausreißererkennung / Insight Discovery bei hoher Datengeschwindigkeit
Eine der größten Herausforderungen für ein datengesteuertes Unternehmen, sei es in den Medien oder im Content-Marketing, besteht darin, Erkenntnisse aus den großen verfügbaren Datenmengen rechtzeitig zu gewinnen, um darauf zu reagieren und einen klaren Einfluss auf Kampagnen oder Kampagnen zu haben die Ausführung. Mit anderen Worten, Analysen müssen umsetzbare Erkenntnisse in Echtzeit liefern und nicht im Nachhinein für die nächste Kampagne.
Die Einrichtung einer Datenpipeline mit Lagerhaltung, Erfassungsmodellen, Filterung, Speicherung und Verarbeitung erfordert einen erheblichen Aufwand, aber der Aufwand ist gerechtfertigt, wenn das Ergebnis sofort und nachweislich Wirkung zeigt. KI kann diese Aufgabe, die derzeit manuelle Eingriffe erfordert, vereinfachen, indem sie Anomalien im Benutzerverhalten, im Datenverkehr oder sogar im Inhalt anzeigt.
Einige Anwendungen dieses Typs könnten Folgendes umfassen:
- Diagnose und Optimierung von Werbekampagnen – Sie könnten beispielsweise Benachrichtigungen erhalten, wenn bezahlte Facebook-Kampagnen möglicherweise viel Verkehr mit weniger als normalem Engagement generieren
- Vorgeschlagene Werbeaktionen – Ein bestimmter Artikel oder ein bestimmtes Video kann bei einem beträchtlichen Zielgruppensegment gut ankommen. Der KI-Recommender könnte das Audience Development Team auffordern, es bei der spezifischen Zielgruppe zu bewerben, um die Reichweite zu maximieren. Dies könnte noch besser funktionieren, wenn es in programmatische Ausgaben integriert wird
- Warnungen zum Viralitätsquotienten – Die Inhaltsanalyse könnte den viralen Quotienten eines Artikels oder Videos bewerten und basierend auf seiner Leistung in der ersten Stunde der Veröffentlichung helfen, Erkenntnisse darüber zu gewinnen, wie die virale Verbreitung sichergestellt werden kann
Die Zukunft sieht vielversprechend aus, aber was können wir jetzt nutzen?
Während viele davon potenziell fantastische Anwendungen sind, die unsere redaktionellen Herausforderungen und Herausforderungen bei der Publikumsentwicklung vereinfachen können, könnten wir offensichtlich eine sofortige Befriedigung gebrauchen. Hier sind einige KI-aktivierte Anwendungen, die Sie jetzt verwenden können:
- Erhalten Sie Benachrichtigungen über Macken in Ihrem Website-Traffic mit dem Google Intelligence-Panel , das automatisch Erkenntnisse destilliert und teilt
- Sie können sogar Fragen an Google Intelligence stellen , z. B. „Von welchen Standorten kommen unsere neuen Leser?“ in einfachem Englisch, um Berichte und Einblicke zu erhalten
- Optimierungsempfehlungen für Ihre Kampagnen auf AdWords
- Erstellen und optimieren Sie E-Mail- und Social-Media-Marketingtexte mit Phrasee
- Content-Mix-Analyse und Opportunity-Berichte zu NativeAI
- Personalisierung von Abonnement-E-Mails mit Sailthru, das Business Insider mit großer Wirkung implementiert hat
Die Möglichkeiten für KI, Machine Learning in Analytics und durch Analytics ausgelöste Lösungen sind endlos, und meiner Meinung nach stehen wir am Rande eines Booms. Wir bei NativeAI erwägen all diese Möglichkeiten und arbeiten daran, einige davon für digitale Verlage Wirklichkeit werden zu lassen. Wir sind begeistert, dass viele andere in den Bereichen Analytik, Abonnementoptimierung und Personalisierung damit verbundene Herausforderungen lösen, und lieben die Innovationsgeschwindigkeit in diesem Sektor.