Alat Analitis Web hampir setua web itu sendiri, yang pertama beroperasi di bahagian pelayan, untuk membantu memantau penggunaan sumber, corak akses, dll. Alat Analitis telah menjadi semakin berkuasa dalam mengukur dan mentafsir tingkah laku pengguna di web untuk mencetuskan digital transformasi merentas industri daripada peruncitan kepada penerbitan kepada hartanah.
Evolusi alat analitik dari zaman awal internet telah menyaksikan pelebaran skop dalam beberapa arah:
- Skop data pengguna & tingkah laku : Profil pengguna, Penjejakan merentas sesi dengan kuki, Perujuk, Denyutan jantung pada halaman, Peta Haba, Penjejakan merentas peranti, Kualiti Interaksi, dsb.
- Skop data kandungan (kecerdasan kandungan): URL, Jenis halaman (borang lwn. penyenaraian lwn. artikel lwn. e-dagang), Teg, Kategori, Objek & topik dalam kandungan, Pengarang, dsb.
- Kebolehpercayaan & Kualiti koleksi: Kuki penyemak imbas, SDK, WebSockets, Penciptaan profil merentas peranti, Pengumpulan & penjejakan acara tersuai, Penjejakan E-dagang & penyepaduan CRM, Pelaporan masa nyata, dsb.
- Skop Cerapan: Penukaran, Matlamat, Minat Khalayak, penapis kandungan Evergreen lwn. berita, petua pengoptimuman dikuasakan AI, pengesanan anomali dikuasakan AI, dsb.
Daripada jumlah ini, beberapa adalah fungsi evolusi teknikal dalam bahasa pengkomputeran, penyemak imbas web dan piawaian internet, tetapi beberapa seperti analisis kandungan, klasifikasi dan perlombongan cerapan automatik hanya mungkin hasil daripada pembelajaran mesin dan AI.
Peranan Analitis dalam Penerbitan Digital
Pengiklanan digital telah mengambil bahagian yang semakin meningkat dalam perbelanjaan pemasaran sejak dua dekad yang lalu. Menurut kajian oleh Institut Lenfest mengenai Langganan Digital , pendapatan antarabangsa Google daripada pengiklanan telah melebihi semua hasil (termasuk hasil cetakan dan dalam talian) yang dibuat oleh akhbar. Ini telah membawa kepada penutupan berskala besar, pengecilan saiz, serta peningkatan Langganan Digital sebagai pemacu hasil utama untuk organisasi berita moden.
Dengan Penerbitan Digital sebagai kebiasaan baharu, Analitis Web (khususnya penerbitan analitis) ialah penterjemah capaian, penglibatan, profil pembaca dan hampir semua perkara yang penerbit atau bakal pengiklan ingin ketahui tentang pembaca sebelum melaburkan sumber pada kempen editorial atau pengiklanan . Malah keputusan sama ada untuk memilih dinding berbayar langganan digital atau tidak dan mekanisme mengunci kandungan akan memerlukan data untuk dioptimumkan untuk penukaran maksimum dengan kehilangan pembaca yang minimum seperti yang dijelaskan oleh kajian .
Peranan AI dalam Analitis Web
AI (ada yang akan berkata wajar) meningkat, dengan beberapa aplikasinya mengezum ke arah 'kemuncak jangkaan melambung' dalam kitaran gembar-gembur .
Memandangkan ia mentakrifkan dirinya sebagai peningkatan kepada atau penambahan kecerdasan manusia, aplikasinya berpotensi seluas imaginasi manusia itu sendiri - daripada perubatan kepada ekonomi, kepada hiburan dan seterusnya.
Analitis atau sekurang-kurangnya ketersediaan volum data yang besar, yang dikumpul di bawah keadaan input yang boleh diramal dan hasil serta output pilihan, adalah bahan api yang dibina pada Pembelajaran Mesin & algoritma AI.
Memandangkan Analitis pada asasnya ialah pengumpulan, tafsiran dan penemuan corak dalam data, ia merupakan komponen penting bagi kebanyakan pelaksanaan AI. Sebagai contoh, hasil carian Google berkembang sebagai fungsi seberapa tepat dan berguna penggunanya menemui hasil cariannya dan data untuk maklum balas ini dijana oleh analitis sama ada pengguna menemui perkara yang mereka cari dalam pertanyaan carian mereka.
Aplikasi AI dalam Analitis untuk Penerbit
Hampir setiap penerbit dengan jangkauan munasabah mempunyai kehadiran digital hari ini, dan langganan digital semakin muncul sebagai pemacu hasil utama untuk penerbitan sederhana dan besar. Berdasarkan latar belakang ini, berikut ialah 4 cabaran utama yang dihadapi oleh penerbit digital hari ini yang platform analitis dengan AI boleh membantu menangani, dikumpulkan oleh pihak berkepentingan utama:
- Pembahagian khalayak mengikut Minat & Perkaitan Topik
- Pemperibadian pada skala – merentas saluran
- Perbandingan rakan editorial, pengenalan peluang & keutamaan
- Pengesanan outlier / Penemuan cerapan pada halaju data tinggi
Kini, setiap satu daripada ini ialah kes penggunaan bertindak ke atas data, bukannya analitik biasa seperti yang kita fahami dahulu, tetapi itulah hala tuju AI yang menerajui evolusi Analitis – cerapan yang boleh diambil tindakan. Mari kita lihat setiap satu daripada ini secara terperinci.
Pembahagian khalayak mengikut Minat & Perkaitan Topik
Untuk pasukan editorial dan pembangunan khalayak, keupayaan untuk mengelompokkan dan melihat khalayak mengikut perkaitan topik mereka boleh menjadi cabaran yang penting untuk diselesaikan – yang pada masa ini dilakukan menggunakan gabungan penunjuk demografi seperti umur, jantina, lokasi dan atribut sesi seperti khalayak Facebook , pengguna berulang, kategori politik yang dilawati, dsb. Alat Analitis yang menandai secara automatik cerita dengan topik dan mengukur kualiti penglibatan boleh memudahkan latihan ini dan menyediakan pembahagian berdasarkan Minat Khalayak yang lebih dipercayai.
Peta Pokok Minat Khalayak pada Analitis NativeAI
Pembahagian ini boleh digunakan dengan cara berikut:
- Pasukan editorial boleh mengukur kohort yang berbeza untuk mengutamakan topik yang sesuai dengan berita
- Fahami pertindihan perkaitan topik untuk meningkatkan penglibatan pembaca
- Pasukan pembangunan khalayak boleh mengenal pasti khalayak serupa dan sumber trafik yang paling berkesan untuk mengenal pasti pembaca penglibatan tinggi
- Pemasar digital boleh membandingkan hasil kempen melalui penglibatan, bukannya hanya jumlah trafik
Pemperibadian pada skala – merentas saluran
Cara terbaik untuk menarik & melibatkan serta mengekalkan pengguna ialah menyampaikan pengalaman yang diperibadikan yang belajar daripada profil pengguna, isyarat tingkah laku dan pilihan yang dinyatakan pengguna. Dengan analitis yang boleh menjejaki dimensi tambahan seperti kualiti penglibatan, jenis & topik kandungan yang terlibat, saluran, kempen & peranti yang digunakan untuk interaksi pada masa yang berbeza dalam sehari, adalah mungkin untuk membina enjin pemperibadian berimpak tinggi yang boleh belajar keutamaan setiap pengguna.
Pemperibadian yang berjaya memerlukan 3 faktor:
- Koleksi atribut pengguna
- Rakaman laluan penukaran
- Penjejakan kejayaan penukaran
Dengan titik data ini, adalah mungkin untuk melatih model pembelajaran mesin untuk mengenali corak dan menyampaikan pengalaman tersuai yang sesuai untuk setiap pengguna. Malah, apl pembaca berita yang diperibadikan seperti Flipboard atau News360 mengisi dengan tepat jurang ini hari ini dengan menyampaikan pengalaman berita yang diperibadikan dalam topik tertentu. Untuk penerbitan digital dengan beberapa juta pengguna setiap bulan, memperibadikan pengalaman boleh menjadi satu cabaran yang sukar, berdasarkan pilihan pengguna yang jelas dan analitis dikuasakan AI, dan boleh merapatkan jurang itu.
Enjin pemperibadian berkuasa AI boleh berguna untuk:
- Cadangan kandungan untuk meningkatkan peredaran semula & pengekalan khalayak
- Memupuk pembaca untuk menukar kepada langganan surat berita atau langganan berbayar
- Ramalan kemungkinan untuk menukar bagi setiap pengguna & memetakan paywall bermeter tersuai
- Memilih saluran & masa yang betul untuk memaparkan makluman ini – merentas e-mel, pemberitahuan tolak, mod web, sepanduk, dsb.
Di NativeAI, kami pada masa ini dapat mengukur Penglibatan & mengenali Minat Khalayak dan sedang mengusahakan cadangan kandungan. Terdapat banyak kemungkinan menarik dalam ruang ini dan kami tidak sabar-sabar untuk membantu penerbit memperkayakan enjin pemperibadian mereka sendiri dengan data ini. (Pendedahan: Saya bekerja di News360, dan analitik penerbit NativeAI yang dipaparkan dalam artikel ini dibangunkan oleh News360)
Kandungan daripada rakan kongsi kami
Perbandingan rakan editorial, pengenalan peluang & keutamaan
Seperti yang dinyatakan sebelum ini, platform analitik dikuasakan pemprosesan bahasa semula jadi (NLP) boleh mengklasifikasikan kandungan mengikut topik dan membina hierarki topik berkaitan dalam taksonomi. Platform sedemikian boleh menggandakan untuk mendapatkan cerapan kandungan serta ia termasuk semua ciri platform risikan kandungan . Ini membolehkan editor membandingkan campuran kandungan mereka dengan persaingan untuk mengenal pasti jurang atau peluang dan mengukuhkan kelebihan daya saing. Mengenal pasti topik yang mendorong paling banyak penglibatan juga boleh membantu pasukan editorial menyelaraskan keutamaan sumber pelaporan.
Perbandingan Campuran Kandungan dengan Penerbit yang bersaing
Beberapa aplikasi spin-off yang juga boleh menjadi penting kepada pasukan editorial boleh:
- Mengukur kelajuan untuk menerbitkan untuk topik bernilai tinggi & membandingkan dengan persaingan, kerana cerita tentang topik yang sama, merentas penerbit, boleh ditanda nama & dikumpulkan secara automatik
- Laporan Penglibatan & Trafik ditapis mengikut Pengarang, Topik, teg Penerbit sendiri
- Pengetegan cerita dikuasakan NLP automatik pada CMS penerbit sebelum diterbitkan
- Pengoptimuman tajuk & ramalan CTR
- Jenis kandungan / penilaian format – malar hijau lwn berita, gambar lwn infografik lwn. video.
Laporan analitis ditapis oleh Pengarang
Pengesanan outlier / Penemuan cerapan pada halaju data tinggi
Salah satu cabaran paling sukar untuk syarikat yang dipacu data, sama ada dalam media atau dalam pemasaran kandungan, adalah untuk mendedahkan cerapan daripada jumlah besar data yang tersedia, dalam masa untuk bertindak ke atasnya dan mempunyai kesan yang jelas pada kempen atau perlaksanaan. Dalam erti kata lain, analitis perlu memberikan cerapan yang boleh diambil tindakan dalam masa nyata dan bukannya melihat ke belakang untuk kempen seterusnya.
Menyediakan saluran paip data dengan pergudangan, model pengumpulan, penapisan, penyimpanan dan pemprosesan memerlukan usaha yang besar, tetapi perbelanjaan adalah wajar jika outputnya serta-merta dan nyata memberi kesan. AI boleh memudahkan tugas ini yang pada masa ini memerlukan campur tangan manual, dengan memanggil anomali dalam tingkah laku pengguna, trafik atau malah kandungan.
Beberapa aplikasi di bawah jenis ini boleh termasuk:
- Diagnostik & pengoptimuman kempen promosi – contohnya, anda boleh menerima makluman apabila kempen Facebook berbayar mungkin menjana trafik tinggi dengan penglibatan yang lebih rendah daripada biasa
- Promosi yang Dicadangkan – Artikel atau video tertentu mungkin berprestasi baik dengan segmen khalayak yang agak besar. Pengesyor AI boleh menggesa pasukan Pembangunan Khalayak untuk mempromosikannya kepada khalayak sasaran khusus untuk memaksimumkan jangkauan. Ini boleh berfungsi dengan lebih baik apabila disepadukan dengan perbelanjaan terprogram
- Makluman Virality Quotient – Analisis kandungan boleh menjaringkan hasil viral artikel atau video dan berdasarkan prestasinya, pada jam pertama penerbitan, ia boleh membantu memberikan cerapan tentang cara memastikan penyebaran virus
Masa depan kelihatan menjanjikan, tetapi apa yang boleh kita gunakan sekarang?
Walaupun banyak daripada ini adalah aplikasi yang berpotensi hebat yang boleh memudahkan cabaran pembangunan editorial dan khalayak kami, kami jelas boleh menggunakan beberapa kepuasan segera. Berikut ialah beberapa aplikasi yang didayakan oleh AI yang boleh anda gunakan sekarang:
- Dapatkan makluman tentang kebiasaan dalam trafik tapak web anda, dengan panel Google Intelligence yang secara automatik menyaring dan berkongsi cerapan
- Anda juga boleh bertanya soalan kepada Google Intelligence , sebagai contoh, tanya "Dari lokasi manakah pembaca baharu kami?" dalam bahasa Inggeris yang mudah untuk mendapatkan laporan & cerapan
- pengoptimuman untuk kempen anda di AdWords
- Cipta dan optimumkan Salinan Pemasaran E-mel & Media Sosial dengan Frasa
- Analisis Campuran Kandungan & Laporan Peluang tentang NativeAI
- Pemperibadian e-mel langganan secara berskala dengan Sailthru, yang telah dilaksanakan oleh Business Insider dengan berkesan
Kemungkinan untuk AI, Pembelajaran Mesin dalam Analitis dan penyelesaian yang dicetuskan Analitis adalah tidak berkesudahan, dan pada pendapat saya, kita berada di ambang ledakan. Kami di NativeAI sedang mempertimbangkan semua kemungkinan ini dan berusaha untuk menjadikan sebahagian daripada ini menjadi kenyataan untuk penerbit digital. Kami teruja melihat ramai lagi dalam analisis, pengoptimuman langganan & ruang pemperibadian menyelesaikan cabaran berkaitan dan menyukai kepantasan inovasi dalam sektor ini.