Las herramientas de análisis web son casi tan antiguas como la propia web, las primeras que operan en el lado del servidor, para ayudar a monitorear el uso de recursos, patrones de acceso, etc. transformación en industrias que van desde el comercio minorista hasta la edición y el sector inmobiliario.
La evolución de las herramientas de análisis desde los primeros días de Internet ha ampliado su alcance en varias direcciones:
- Alcance de los datos de usuario y comportamiento : perfiles de usuario, seguimiento entre sesiones con cookies, referentes, latidos en la página, mapas de calor, seguimiento entre dispositivos, calidad de participación, etc.
- Alcance de los datos de contenido (inteligencia de contenido): URL, tipo de página (formularios versus listados versus artículos versus comercio electrónico), etiquetas, categorías, objetos y temas en el contenido, autores, etc.
- Fiabilidad y calidad de recopilación: cookies de navegador, SDK, WebSockets, creación de perfiles entre dispositivos, recopilación y seguimiento de eventos personalizados, seguimiento de comercio electrónico e integraciones de CRM, informes en tiempo real, etc.
- Alcance de la información: conversiones, objetivos, intereses de la audiencia, filtros de contenido Evergreen versus noticias, consejos de optimización basados en IA, detección de anomalías basada en IA, etc.
De ellos, varios son función de la evolución técnica de los lenguajes informáticos, los navegadores web y los estándares de Internet, pero algunos, como el análisis de contenidos, la clasificación y la extracción automatizada de conocimientos, sólo son posibles como resultado del aprendizaje automático y la inteligencia artificial.
Papel de la analítica en la publicación digital
La publicidad digital ha ido acaparando una parte cada vez mayor del gasto en marketing durante las últimas dos décadas. Según un estudio del Instituto Lenfest sobre suscripciones digitales , los ingresos internacionales de Google por publicidad han superado todos los ingresos (incluidos los impresos y en línea) obtenidos por los periódicos. Esto ha provocado cierres y reducciones de personal a gran escala, así como el aumento de las suscripciones digitales como motor de ingresos clave para las organizaciones de noticias modernas.
Con la publicación digital como la nueva normalidad, el análisis web (específicamente el análisis de publicaciones) es el intérprete del alcance, la participación, los perfiles de los lectores y casi todo lo que un editor o posible anunciante querría saber sobre los lectores antes de invertir recursos en campañas editoriales o publicitarias. . Incluso la decisión de optar por un muro de pago de suscripción digital o no y la mecánica de bloquear el contenido requerirán que los datos se optimicen para lograr la máxima conversión con una mínima pérdida de lectores, como explica el estudio .
Papel de la IA en el análisis web
La IA está (algunos dirían que con razón) en auge, y varias de sus aplicaciones se acercan al "pico de expectativas infladas" en el ciclo de exageración .
Dado que se define a sí mismo como una mejora o un aumento de la inteligencia humana, sus aplicaciones pueden ser potencialmente tan amplias como la propia imaginación humana: desde la medicina hasta la economía, el entretenimiento y más.
El análisis o al menos la disponibilidad de grandes volúmenes de datos, recopilados en condiciones de entrada predecibles y resultados resultantes y preferidos, es el combustible sobre el que se basan los algoritmos de aprendizaje automático e inteligencia artificial.
Dado que Analytics es esencialmente recopilación, interpretación y descubrimiento de patrones en datos, es un componente crítico de la mayoría de las implementaciones de IA. Por ejemplo, los resultados de búsqueda de Google evolucionan en función de qué tan precisos y útiles sus usuarios encontraron sus resultados de búsqueda y los datos para esta retroalimentación se generan mediante análisis sobre si los usuarios encontraron lo que buscaban en su consulta de búsqueda.
Aplicaciones de la IA en análisis para editores
Casi todas las editoriales con un alcance razonable tienen presencia digital hoy en día, y las suscripciones digitales se están convirtiendo cada vez más en un motor de ingresos clave para las publicaciones medianas y grandes. En este contexto, aquí hay cuatro desafíos principales que enfrentan los editores digitales hoy en día y que las plataformas de análisis con IA pueden ayudar a abordar, agrupados por partes interesadas clave:
- Segmentación de audiencia por intereses y afinidades temáticas
- Personalización a escala: en todos los canales
- Comparación editorial entre pares, identificación y priorización de oportunidades
- Detección de valores atípicos/descubrimiento de insights a alta velocidad de datos
Ahora bien, cada uno de estos es un caso de uso de actuación sobre datos, en lugar de simples análisis como solíamos entenderlos, pero esa es precisamente la dirección en la que la IA está liderando la evolución de Analytics: conocimientos procesables. Veamos cada uno de estos con cierto detalle.
Segmentación de audiencia por intereses y afinidades temáticas
Para los equipos editoriales y de desarrollo de audiencias, la capacidad de agrupar y ver audiencias según sus afinidades temáticas puede ser un desafío importante de resolver, lo que actualmente se hace utilizando una combinación de indicadores demográficos como edad, sexo, ubicación y atributos de sesión como la audiencia de Facebook. , usuario recurrente, categoría de política visitada, etc. Una herramienta de análisis que etiquete automáticamente historias con temas y mida la calidad de la participación puede simplificar este ejercicio y proporcionar una segmentación basada en el interés de la audiencia mucho más confiable.
Mapa de árbol de intereses de la audiencia en NativeAI Analytics
Esta segmentación se puede utilizar de las siguientes maneras:
- Los equipos editoriales pueden evaluar diferentes cohortes para priorizar temas de interés periodístico.
- Comprender las afinidades de temas superpuestos para mejorar la participación del lector
- Los equipos de desarrollo de audiencias pueden identificar audiencias similares y las fuentes de tráfico que funcionan mejor para identificar lectores con alta participación.
- Los especialistas en marketing digital pueden comparar los resultados de las campañas según la participación, en lugar de solo los volúmenes de tráfico.
Personalización a escala: en todos los canales
La mejor manera de atraer, involucrar y retener a los usuarios es ofrecer una experiencia personalizada que aprenda del perfil del usuario, las señales de comportamiento y las elecciones declaradas por el usuario. Con análisis que pueden rastrear dimensiones adicionales como la calidad de la interacción, el tipo y tema del contenido con el que se interactúa, el canal, la campaña y el dispositivo utilizado para la interacción en diferentes momentos del día, es posible crear un motor de personalización de alto impacto que pueda aprender las preferencias de cada usuario.
Una personalización exitosa requiere 3 factores:
- Colección de atributos de usuario
- Grabación de ruta de conversión
- Seguimiento del éxito de la conversión
Con estos puntos de datos, es posible entrenar un modelo de aprendizaje automático para reconocer patrones y ofrecer experiencias personalizadas que funcionen para cada usuario. De hecho, las aplicaciones personalizadas de lectura de noticias como Flipboard o News360 llenan precisamente este vacío hoy en día al ofrecer una experiencia personalizada de noticias sobre temas específicos. Para una publicación digital con varios millones de usuarios cada mes, personalizar las experiencias puede ser un desafío difícil, basado únicamente en elecciones explícitas de los usuarios y análisis basados en inteligencia artificial, y puede cerrar esa brecha.
Un motor de personalización basado en IA puede resultar útil para:
- Recomendaciones de contenido para mejorar la recirculación y la retención de audiencia
- Fomento del lector para convertirlo en suscripción a boletines o suscripciones pagas
- Pronosticar la probabilidad de conversión para cada usuario y asignar muros de pago medidos personalizados
- Elegir los canales y el momento adecuados para mostrar estas alertas: a través de correo electrónico, notificaciones automáticas, modales web, pancartas, etc.
En NativeAI, actualmente podemos cuantificar la participación y reconocer los intereses de la audiencia y estamos trabajando en recomendaciones de contenido. Hay muchas posibilidades interesantes en este espacio y estamos ansiosos por ayudar a los editores a enriquecer sus propios motores de personalización con estos datos. (Divulgación: trabajo en News360 y la de análisis de editores NativeAI que se presenta en este artículo es desarrollada por News360)
Contenido de nuestros socios
Comparación editorial entre pares, identificación y priorización de oportunidades
Como se mencionó anteriormente, las plataformas de análisis basadas en procesamiento del lenguaje natural (NLP) pueden clasificar el contenido por temas y construir una jerarquía de temas relacionados en la taxonomía. Estas plataformas pueden duplicar la información sobre el contenido e incluyen todas las características de una plataforma de inteligencia de contenido . Esto permite a los editores comparar su combinación de contenidos con la competencia para identificar brechas u oportunidades y reforzar las ventajas competitivas. Identificar los temas que generan la mayor participación también puede ayudar a los equipos editoriales a optimizar la priorización de los recursos de informes.
Comparación de la mezcla de contenido con editores de la competencia
Algunas aplicaciones derivadas que también podrían ser importantes para los equipos editoriales pueden ser:
- Medir la velocidad de publicación de temas de alto valor y compararlos con la competencia, ya que las historias sobre el mismo tema, entre editores, se pueden etiquetar y agrupar automáticamente.
- Informes de participación y tráfico filtrados por autores, temas y etiquetas propias del editor
- Etiquetado automatizado de historias con tecnología de PNL en los CMS del editor antes de su publicación
- Optimización de titulares y predicción de CTR
- Evaluaciones de tipo/formato de contenido: imperecedero versus noticias, imágenes versus infografías versus videos.
Informes de análisis filtrados por autores
Detección de valores atípicos/descubrimiento de insights a alta velocidad de datos
Uno de los desafíos más difíciles para una empresa basada en datos, ya sea en medios o en marketing de contenidos, es descubrir insights de los grandes volúmenes de datos que están disponibles, a tiempo para actuar en consecuencia y tener un impacto claro en las campañas o ejecución. En otras palabras, los análisis deben proporcionar información procesable en tiempo real y no en retrospectiva para la próxima campaña.
Configurar un canal de datos con almacenamiento, modelos de recopilación, filtrado, almacenamiento y procesamiento requiere un esfuerzo significativo, pero el gasto se justifica si el resultado es instantáneo y tiene un impacto demostrable. La IA puede simplificar esta tarea que actualmente requiere intervención manual, detectando anomalías en el comportamiento del usuario, el tráfico o incluso el contenido.
Algunas aplicaciones de este tipo podrían incluir:
- Diagnóstico y optimización de campañas promocionales: por ejemplo, podría recibir alertas cuando las campañas pagas de Facebook puedan estar generando mucho tráfico con una participación inferior a la normal.
- Promociones sugeridas: un artículo o vídeo en particular puede tener un buen rendimiento con un segmento de audiencia considerable. El recomendador de IA podría incitar al equipo de desarrollo de audiencia a promocionarlo entre el público objetivo específico para maximizar el alcance. Esto podría funcionar aún mejor si se integra con gastos programáticos.
- Alertas de cociente de viralidad: el análisis de contenido podría calificar el cociente viral de un artículo o video y, en función de su rendimiento, en la primera hora de publicación, puede ayudar a proporcionar información sobre cómo garantizar la propagación viral.
El futuro parece prometedor, pero ¿qué podemos utilizar ahora?
Si bien muchas de estas son aplicaciones potencialmente fantásticas que pueden simplificar nuestros desafíos editoriales y de desarrollo de audiencia, obviamente nos vendría bien una gratificación instantánea. Aquí hay algunas aplicaciones habilitadas por IA que puedes usar ahora mismo:
- Reciba alertas sobre peculiaridades en el tráfico de su sitio web, con el panel de Google Intelligence que destila y comparte información automáticamente
- Incluso puede hacer preguntas a Google Intelligence , por ejemplo, "¿De qué ubicaciones son nuestros nuevos lectores?" en inglés sencillo para obtener informes e información valiosa.
- de optimización para tus campañas en AdWords
- Cree y optimice textos de marketing por correo electrónico y redes sociales con Phrasee
- Análisis de mezcla de contenido e informes de oportunidades en NativeAI
- Personalización del correo electrónico de suscripción a escala con Sailthru, que Business Insider ha implementado con gran éxito
Las posibilidades de la IA, el aprendizaje automático en análisis y las soluciones activadas por análisis son infinitas y, en mi opinión, estamos al borde de un auge. En NativeAI estamos considerando todas estas posibilidades y trabajando para hacer algunas de ellas una realidad para los editores digitales. Estamos encantados de ver a muchos otros en el espacio de análisis, optimización de suscripciones y personalización resolviendo desafíos relacionados y nos encanta la velocidad de la innovación en este sector.
