Gli strumenti di Web Analytics sono vecchi quasi quanto il Web stesso, i primi operano lato server, per aiutare a monitorare l'utilizzo delle risorse, i modelli di accesso, ecc. Gli strumenti di Analytics sono diventati sempre più potenti nel misurare e interpretare il comportamento degli utenti sul Web per innescare strategie digitali. trasformazione in tutti i settori, dalla vendita al dettaglio all’editoria fino al settore immobiliare.
L’evoluzione degli strumenti di analisi fin dagli albori di Internet ha visto un ampliamento della portata in diverse direzioni:
- Ambito dei dati utente e comportamento : profili utente, monitoraggio tra sessioni con cookie, referrer, battito cardiaco sulla pagina, mappe di calore, monitoraggio cross-device, qualità del coinvolgimento, ecc.
- Ambito dei dati sui contenuti (content intelligence): URL, tipo di pagina (moduli vs. elenchi vs. articoli vs. e-commerce), tag, categorie, oggetti e argomenti nel contenuto, autori, ecc.
- Affidabilità e qualità della raccolta: cookie del browser, SDK, WebSocket, creazione di profili multidispositivo, raccolta e monitoraggio di eventi personalizzati, monitoraggio dell'e-commerce e integrazioni CRM, reporting in tempo reale, ecc.
- Ambito degli approfondimenti: conversioni, obiettivi, interessi del pubblico, filtri dei contenuti sempreverdi e notizie, suggerimenti per l'ottimizzazione basati sull'intelligenza artificiale, rilevamento di anomalie basato sull'intelligenza artificiale, ecc.
Di questi, molti sono una funzione dell’evoluzione tecnica dei linguaggi informatici, dei browser web e degli standard Internet, ma alcuni, come l’analisi dei contenuti, la classificazione e l’insight mining automatizzato, sono possibili solo grazie all’apprendimento automatico e all’intelligenza artificiale.
Ruolo dell'analisi nell'editoria digitale
La pubblicità digitale ha assorbito una quota sempre crescente delle spese di marketing negli ultimi due decenni. Secondo uno studio del Lenfest Institute on Digital Subscriptions , le entrate internazionali di Google derivanti dalla pubblicità hanno superato tutte le entrate (comprese le entrate cartacee e online) realizzate dai giornali. Ciò ha portato a chiusure e ridimensionamenti su larga scala, nonché all’aumento degli abbonamenti digitali come fattore chiave di entrate per le moderne testate giornalistiche.
Con l'editoria digitale come nuova normalità, la Web Analytics (in particolare l'analisi della pubblicazione) è l'interprete della portata, del coinvolgimento, dei profili dei lettori e di quasi tutto ciò che un editore o un potenziale inserzionista vorrebbe sapere sui lettori prima di investire risorse in campagne editoriali o pubblicitarie. . Anche la decisione se optare per un abbonamento digitale paywall o meno e il meccanismo di blocco dei contenuti richiederanno l'ottimizzazione dei dati per la massima conversione con una minima perdita di lettori, come spiega lo studio .
Ruolo dell'intelligenza artificiale nella Web Analytics
L'intelligenza artificiale è (alcuni direbbero meritatamente) in ripresa, con molte delle sue applicazioni che si stanno dirigendo verso il "picco delle aspettative gonfiate" nel ciclo di hype .
Poiché si definisce come un miglioramento o un aumento dell’intelligenza umana, le sue applicazioni possono potenzialmente essere vaste quanto l’immaginazione umana stessa: dalla medicina all’economia, all’intrattenimento e oltre.
L’analisi o almeno la disponibilità di grandi volumi di dati, raccolti in condizioni di input prevedibili e risultati risultanti e preferiti, è il carburante su cui si basano gli algoritmi di machine learning e intelligenza artificiale.
Poiché Analytics è essenzialmente raccolta, interpretazione e scoperta di modelli nei dati, è una componente fondamentale della maggior parte delle implementazioni dell'intelligenza artificiale. Ad esempio, i risultati di ricerca di Google si evolvono in funzione di quanto accurati e utili i suoi utenti hanno trovato i suoi risultati di ricerca e i dati per questo feedback vengono generati dall'analisi sul fatto che gli utenti abbiano trovato ciò che stavano cercando nella loro query di ricerca.
Applicazioni dell'intelligenza artificiale negli Analytics per gli editori
Quasi tutti gli editori con una portata ragionevole hanno oggi una presenza digitale e gli abbonamenti digitali stanno emergendo sempre più come un fattore chiave di entrate per le pubblicazioni di medie e grandi dimensioni. In questo contesto, ecco le 4 principali sfide che gli editori digitali devono affrontare oggi e che le piattaforme di analisi con intelligenza artificiale possono aiutare ad affrontare, raggruppate per principali parti interessate:
- Segmentazione del pubblico per interessi e affinità tematiche
- Personalizzazione su larga scala, attraverso tutti i canali
- Confronto editoriale tra pari, identificazione delle opportunità e definizione delle priorità
- Rilevamento di valori anomali/scoperta di insight ad alta velocità di dati
Ora, ognuno di questi è un caso d'uso in cui si agisce sui dati, piuttosto che sulla semplice analisi come la intendevamo in passato, ma questa è esattamente la direzione in cui l'intelligenza artificiale sta guidando l'evoluzione dell'analisi: informazioni fruibili. Esaminiamo ciascuno di questi in dettaglio.
Segmentazione del pubblico per interessi e affinità tematiche
Per i team editoriali e di sviluppo del pubblico, la capacità di raggruppare e visualizzare il pubblico in base alle affinità tematiche può rappresentare una sfida significativa da risolvere, cosa che attualmente viene fatta utilizzando un mix di indicatori demografici come età, sesso, posizione e attributi di sessione come il pubblico di Facebook. , utente ripetuto, categoria politica visitata, ecc. Uno strumento di Analytics che tagga automaticamente le storie con argomenti e misura la qualità del coinvolgimento può semplificare questo esercizio e fornire una segmentazione molto più affidabile basata sugli interessi del pubblico.
Mappa ad albero degli interessi del pubblico su NativeAI Analytics
Questa segmentazione può essere utilizzata nei seguenti modi:
- I team editoriali possono valutare diversi gruppi per dare priorità agli argomenti degni di nota
- Comprendere le affinità di argomenti sovrapposti per migliorare il coinvolgimento dei lettori
- I team di sviluppo del pubblico possono identificare segmenti di pubblico simili e le fonti di traffico che funzionano meglio per identificare i lettori ad alto coinvolgimento
- Gli esperti di marketing digitale possono confrontare i risultati delle campagne in base al coinvolgimento, anziché solo ai volumi di traffico
Personalizzazione su larga scala, attraverso tutti i canali
Il modo migliore per attrarre, coinvolgere e fidelizzare gli utenti è offrire un'esperienza personalizzata che apprende dal profilo dell'utente, dai segnali comportamentali e dalle scelte dichiarate dall'utente. Con analisi in grado di monitorare dimensioni aggiuntive come qualità del coinvolgimento, tipo e argomento dei contenuti interagiti, canale, campagna e dispositivo utilizzato per l'interazione in diversi momenti della giornata, è possibile costruire un motore di personalizzazione ad alto impatto in grado di apprendere le preferenze di ciascun utente.
Una personalizzazione di successo richiede 3 fattori:
- Raccolta attributi utente
- Registrazione del percorso di conversione
- Monitoraggio del successo della conversione
Con questi punti dati, è possibile addestrare un modello di machine learning a riconoscere modelli e offrire esperienze personalizzate che funzionino per ciascun utente. In effetti, le app personalizzate per la lettura di notizie come Flipboard o News360 oggi colmano proprio questa lacuna offrendo un’esperienza personalizzata di notizie su argomenti specifici. Per una pubblicazione digitale con diversi milioni di utenti ogni mese, personalizzare le esperienze può essere una sfida difficile, basata esclusivamente su scelte esplicite degli utenti e analisi basate sull’intelligenza artificiale, e può colmare tale lacuna.
Un motore di personalizzazione basato sull'intelligenza artificiale può essere utile per:
- Consigli sui contenuti per migliorare la ricircolazione e la fidelizzazione del pubblico
- Coltivazione del lettore per convertirsi all'abbonamento alla newsletter o agli abbonamenti a pagamento
- Previsione della probabilità di conversione per ciascun utente e mappatura di paywall misurati personalizzati
- Scegliere i canali e i tempi giusti per far emergere questi avvisi: tramite e-mail, notifiche push, modalità web, banner, ecc.
In NativeAI, siamo attualmente in grado di quantificare il coinvolgimento e riconoscere gli interessi del pubblico e stiamo lavorando su consigli sui contenuti. Ci sono molte possibilità interessanti in questo spazio e siamo ansiosi di aiutare gli editori ad arricchire i propri motori di personalizzazione con questi dati. (Divulgazione: lavoro presso News360 e la di analisi degli editori NativeAI descritta in questo articolo è sviluppata da News360)
Contenuti dei nostri partner
Confronto editoriale tra pari, identificazione delle opportunità e definizione delle priorità
Come accennato in precedenza, le piattaforme di analisi basate sull'elaborazione del linguaggio naturale (NLP) possono classificare i contenuti per argomenti e creare una gerarchia di argomenti correlati nella tassonomia. Tali piattaforme possono raddoppiare gli approfondimenti sui contenuti e includono tutte le funzionalità di una piattaforma di content intelligence . Ciò consente agli editori di confrontare il proprio mix di contenuti con la concorrenza per identificare lacune o opportunità e rafforzare i vantaggi competitivi. Identificare gli argomenti che generano il maggior coinvolgimento può anche aiutare i team editoriali a semplificare la definizione delle priorità delle risorse di reporting.
Confronto del Content Mix con gli Editori concorrenti
Alcune applicazioni derivate che potrebbero essere importanti anche per i team editoriali possono essere:
- Misurazione della velocità di pubblicazione per argomenti di alto valore e confronto con la concorrenza, poiché le storie sullo stesso argomento, tra editori diversi, possono essere taggate e raggruppate automaticamente
- Rapporti su coinvolgimento e traffico filtrati per autori, argomenti e tag dell'editore
- Tagging automatizzato delle storie basato sulla PNL sui CMS dell'editore prima della pubblicazione
- Ottimizzazione del titolo e previsione del CTR
- Valutazioni del tipo/formato dei contenuti: evergreen vs notizie, immagini vs infografiche vs video.
Report analitici filtrati per autori
Rilevamento di valori anomali/scoperta di insight ad alta velocità di dati
Una delle sfide più difficili per un'azienda basata sui dati, sia nei media che nel content marketing, è quella di ricavare informazioni approfondite dai grandi volumi di dati disponibili, in tempo per agire su di essi, e avere un chiaro impatto sulle campagne o esecuzione. In altre parole, l’analisi deve fornire informazioni fruibili in tempo reale anziché con il senno di poi per la prossima campagna.
L'impostazione di una pipeline di dati con warehousing, modelli di raccolta, filtraggio, archiviazione ed elaborazione richiede uno sforzo significativo, ma la spesa è giustificata se l'output ha un impatto immediato e dimostrabile. L’intelligenza artificiale può semplificare questo compito che attualmente richiede un intervento manuale, evidenziando anomalie nel comportamento degli utenti, nel traffico o persino nei contenuti.
Alcune applicazioni di questo tipo potrebbero includere:
- Diagnostica e ottimizzazione delle campagne promozionali: ad esempio, potresti ricevere avvisi quando le campagne Facebook a pagamento potrebbero generare traffico elevato con un coinvolgimento inferiore al normale
- Promozioni suggerite: un particolare articolo o video potrebbe avere un buon rendimento con un segmento di pubblico considerevole. Il suggeritore di intelligenza artificiale potrebbe spingere il team di sviluppo del pubblico a promuoverlo presso il pubblico target specifico per massimizzare la portata. Ciò potrebbe funzionare ancora meglio se integrato con le spese programmatiche
- Avvisi sul quoziente virale: l'analisi del contenuto può valutare il quoziente virale di un articolo o di un video e, in base alla sua performance, nella prima ora di pubblicazione, può aiutare a fornire approfondimenti su come garantire la diffusione virale
Il futuro sembra promettente, ma cosa possiamo usare adesso?
Sebbene molte di queste siano applicazioni potenzialmente fantastiche che possono semplificare le nostre sfide editoriali e di sviluppo del pubblico, ovviamente potremmo avere bisogno di una gratificazione immediata. Ecco alcune applicazioni abilitate dall'intelligenza artificiale che puoi utilizzare adesso:
- Ricevi avvisi sulle anomalie nel traffico del tuo sito web, con il pannello Google Intelligence che distilla e condivide automaticamente le informazioni
- Puoi anche porre domande a Google Intelligence , ad esempio chiedere "Da quali località provengono i nostri nuovi lettori?" in un inglese semplice per ottenere rapporti e approfondimenti
- l'ottimizzazione delle tue campagne su AdWords
- Crea e ottimizza testi di email marketing e social media con Phrasee
- Analisi del mix di contenuti e report sulle opportunità su NativeAI
- Personalizzazione delle e-mail di abbonamento su larga scala con Sailthru, che Business Insider ha implementato con grande efficacia
Le possibilità per l’intelligenza artificiale, l’apprendimento automatico nell’analisi e le soluzioni attivate dall’analisi sono infinite e, secondo me, siamo sull’orlo di un boom. Noi di NativeAI stiamo considerando tutte queste possibilità e stiamo lavorando per renderne alcune una realtà per gli editori digitali. Siamo entusiasti di vedere molti altri nel settore dell'analisi, dell'ottimizzazione degli abbonamenti e della personalizzazione risolvere le sfide correlate e amiamo la velocità dell'innovazione in questo settore.
