Nettanalyseverktøy er nesten like gamle som nettet selv, de første som opererer på serversiden, for å hjelpe til med å overvåke ressursbruk, tilgangsmønstre osv. Analyseverktøy har blitt stadig kraftigere til å måle og tolke brukeratferd på nettet for å trigge digital transformasjon på tvers av bransjer, fra detaljhandel til forlagsvirksomhet til eiendom.
Utviklingen av analyseverktøy fra de første dagene av internett har sett en utvidelse av omfanget i flere retninger:
- Omfang av bruker- og atferdsdata : Brukerprofiler, sporing på tvers av økter med informasjonskapsler, henvisninger, hjerteslag på siden, varmekart, sporing på tvers av enheter, engasjementskvalitet, etc.
- Omfang av innholdsdata (innholdsinformasjon): URL-er, sidetype (skjemaer vs. oppføringer vs. artikler vs. e-handel), etiketter, kategorier, objekter og emner i innhold, forfattere, etc.
- Pålitelighet og kvalitet på innsamling: Nettleserinformasjonskapsler, SDK-er, WebSockets, opprettelse av profiler på tvers av enheter, tilpasset innsamling og sporing av hendelser, e-handelssporing og CRM-integrasjoner, sanntidsrapportering, etc.
- Innsiktsomfang: Konverteringer, mål, publikumsinteresser, Evergreen vs. nyhetsinnholdsfiltre, AI-drevne optimaliseringstips, AI-drevet anomalideteksjon osv.
Av disse er flere en funksjon av teknisk utvikling innen dataspråk, nettlesere og internettstandarder, men noen som innholdsanalyse, klassifisering og automatisert innsiktsutvinning er bare mulig som et resultat av maskinlæring og AI.
Rollen til analyse i digital publisering
Digital annonsering har tatt en stadig større andel av markedsføringskostnadene de siste to tiårene. I følge en studie fra Lenfest Institute on Digital Subscriptions har Googles internasjonale inntekter fra annonser overskredet alle inntekter (inkludert trykte og nettbaserte inntekter) fra aviser. Dette har ført til nedleggelser i stor skala, nedbemanning, samt fremveksten av digitale abonnementer som en viktig inntektsdriver for moderne nyhetsorganisasjoner.
Med Digital Publishing som den nye normalen, er Web Analytics (spesielt publiseringsanalyse) tolken av rekkevidde, engasjement, leserprofiler og nesten alt som en utgiver eller potensiell annonsør ønsker å vite om leserne før de investerer ressurser i redaksjonelle eller reklamekampanjer. . Selv avgjørelsen om hvorvidt du skal velge en digital abonnementsbetalingsmur eller ikke og mekanikken for å låse innhold vil kreve data for å optimalisere for maksimal konvertering med minimalt tap av lesere, som studien forklarer .
Rollen til AI i Web Analytics
AI er (noen vil si fortjent) på opptur, med flere av applikasjonene som zoomer mot "toppen av oppblåste forventninger" i hype-syklusen .
Siden den definerer seg selv som en oppgradering til eller forsterkning av menneskelig intelligens, kan dens anvendelser potensielt være like brede som menneskelig fantasi selv – fra medisin til økonomi, til underholdning og mer.
Analytics eller i det minste tilgjengeligheten av store datamengder, samlet inn under forutsigbare inngangsforhold og resulterende så vel som foretrukne utdata, er drivstoffet som Machine Learning & AI-algoritmer er bygget på.
Siden Analytics i hovedsak er innsamling, tolkning og oppdagelse av mønstre i data, er det en kritisk komponent i de fleste implementeringer av AI. For eksempel utvikler Googles søkeresultater som en funksjon av hvor nøyaktige og nyttige brukerne fant søkeresultatene, og dataene for denne tilbakemeldingen genereres av analyser om hvorvidt brukerne fant det de lette etter i søket.
Anvendelser av AI i Analytics for Publishers
Nesten alle utgivere med rimelig rekkevidde har en digital tilstedeværelse i dag, og digitale abonnementer fremstår i økende grad som en viktig inntektsdriver for mellomstore og store publikasjoner. På dette bakteppet er her 4 hovedutfordringer som digitale utgivere står overfor i dag som analyseplattformer med AI kan hjelpe til med å takle, gruppert etter nøkkelinteressenter:
- Målgruppesegmentering etter interesser og emnetilknytning
- Personalisering i stor skala – på tvers av kanaler
- Redaksjonell sammenligning av jevnaldrende, mulighetsidentifikasjon og prioritering
- Outlier-deteksjon / Innsiktsoppdagelse ved høy datahastighet
Nå er hver av disse et brukstilfelle av å handle på data, snarere enn ren analyse slik vi pleide å forstå det, men det er nettopp den retningen AI leder utviklingen av Analytics i – handlingsbar innsikt. La oss se på hver av disse i noen detalj.
Målgruppesegmentering etter interesser og emnetilknytning
For redaksjons- og publikumsutviklingsteam kan muligheten til å gruppere og se publikum etter emnetilhørighet være en betydelig utfordring å løse – noe som for tiden gjøres ved å bruke en blanding av demografiske indikatorer som alder, kjønn, plassering og sesjonsattributter som Facebook-publikum , gjentatt bruker, besøkt politikk-kategori osv. Et Analytics-verktøy som automatisk merker historier med emner og måler kvaliteten på engasjement kan forenkle denne øvelsen og gi mye mer pålitelig målgruppeinteressebasert segmentering.
Trekart over publikumsinteresser på NativeAI Analytics
Denne segmenteringen kan brukes på følgende måter:
- Redaksjonsteam kan dimensjonere ulike kohorter for prioritering av nyhetsverdige emner
- Forstå overlappende emnetilknytninger for å forbedre leserengasjementet
- Publikumsutviklingsteam kan identifisere lignende målgrupper og trafikkkildene som fungerer best for å identifisere høyt engasjerte lesere
- Digitale markedsførere kan sammenligne kampanjeresultater etter engasjement, i stedet for bare trafikkvolumer
Personalisering i stor skala – på tvers av kanaler
Den beste måten å tiltrekke og engasjere og beholde brukere er å levere en personlig opplevelse som lærer av brukerprofilen, adferdssignaler og brukerens uttalte valg. Med analyser som kan spore tilleggsdimensjoner som kvalitet på engasjement, type og emne for innhold engasjert i, kanal, kampanje og enhet som brukes til interaksjon på forskjellige tider av døgnet, er det mulig å bygge en effektiv personaliseringsmotor som kan lære hver brukers preferanser.
Vellykket personalisering krever tre faktorer:
- Samling av brukerattributter
- Registrering av konverteringssti
- Sporing av konverteringssuksess
Med disse datapunktene er det mulig å trene en maskinlæringsmodell til å gjenkjenne mønstre og levere tilpassede opplevelser som fungerer for hver bruker. Faktisk fyller personlig tilpassede nyhetsleserapper som Flipboard eller News360 nettopp dette gapet i dag ved å levere en personlig opplevelse av nyheter innen spesifikke emner. For en digital publikasjon med flere millioner brukere hver måned, kan personalisering av opplevelser være en tøff utfordring, utelukkende basert på eksplisitte brukervalg og AI-drevne analyser, og kan bygge bro over dette gapet.
En AI-drevet personaliseringsmotor kan være nyttig for:
- Innholdsanbefalinger for å forbedre resirkulering og oppbevaring av publikum
- Leserpleie for å konvertere til nyhetsbrevabonnement eller betalte abonnementer
- Prognoser sannsynligheten for å konvertere for hver bruker og kartlegge tilpassede målte betalingsmurer
- Velge riktige kanaler og timing for å vise disse varslene – på tvers av e-post, push-varslinger, web-modaler, bannere, etc.
Hos NativeAI er vi for øyeblikket i stand til å kvantifisere engasjement og gjenkjenne publikumsinteresser og jobber med innholdsanbefalinger. Det er mange spennende muligheter på dette området, og vi er ivrige etter å hjelpe utgivere å berike sine egne personaliseringsmotorer med disse dataene. (Offentliggjøring: Jeg jobber hos News360, og NativeAI-utgiveranalyseplattformen omtalt i denne artikkelen er utviklet av News360)
Innhold fra våre partnere
Redaksjonell sammenligning av jevnaldrende, mulighetsidentifikasjon og prioritering
Som nevnt tidligere kan NLP-drevne analyseplattformer klassifisere innhold etter emner og bygge et hierarki av relaterte emner i taksonomien. Slike plattformer kan doble opp for innholdsinnsikt, i tillegg til at de inkluderer alle funksjonene til en innholdsintelligensplattform . Dette lar redaktører sammenligne innholdsblandingen sin med konkurranse for å identifisere hull eller muligheter og forsterke konkurransefortrinn. Å identifisere emner som skaper mest engasjement kan også hjelpe redaksjoner med å effektivisere prioriteringen av rapporteringsressurser.
Content Mix-sammenligning med konkurrerende utgivere
Noen få spin-off-applikasjoner som også kan være viktige for redaksjoner kan være:
- Måling av hastighet til publisering for emner med høy verdi og sammenligning med konkurranse, siden historier om samme emne, på tvers av utgivere, kan merkes og automatisk grupperes
- Engasjement- og trafikkrapporter filtrert etter forfattere, emner, utgivers egne tagger
- Automatisert NLP-drevet tagging av historier på utgivers CMS-er før publisering
- Overskriftsoptimalisering og CTR-prediksjon
- Evalueringer av innholdstype/format – eviggrønne vs. nyheter, bilder vs. infografikk vs. videoer.
Analytics-rapporter filtrert etter forfattere
Outlier-deteksjon / Innsiktsoppdagelse ved høy datahastighet
En av de tøffeste utfordringene for et datadrevet selskap, enten det er i media eller innholdsmarkedsføring, er å avdekke innsikt fra de store datavolumene som er tilgjengelige, i tide til å handle på det, og ha en klar innvirkning på kampanjer eller henrettelse. Med andre ord, analytics må gi praktisk innsikt i sanntid i stedet for i ettertid for neste kampanje.
Å sette opp en datapipeline med lager, innsamlingsmodeller, filtrering, lagring og prosessering krever betydelig innsats, men utgiften er rettferdiggjort hvis produksjonen umiddelbart og påviselig har effekt. AI kan forenkle denne oppgaven som for øyeblikket krever manuell intervensjon, ved å kalle ut uregelmessigheter i brukeratferd, trafikk eller til og med innhold.
Noen applikasjoner under denne typen kan omfatte:
- Kampanjediagnostikk og optimalisering – for eksempel kan du motta varsler når betalte Facebook-kampanjer kan generere høy trafikk med lavere engasjement enn normalt
- Foreslåtte kampanjer – En bestemt artikkel eller video kan gi gode resultater med et publikumssegment som er betydelig. AI-anbefaleren kan få publikumsutviklingsteamet til å markedsføre det til den spesifikke målgruppen for å maksimere rekkevidden. Dette kan fungere enda bedre når det er integrert med programmatiske utgifter
- Virality Quotient-varsler – Innholdsanalyse kan score viralkvotienten til en artikkel eller video, og basert på ytelsen, i den første timen etter publisering, kan den bidra til å gi innsikt i hvordan man sikrer den virale spredningen
Fremtiden ser lovende ut, men hva kan vi bruke akkurat nå?
Mens mange av disse er potensielt fantastiske applikasjoner som kan forenkle våre redaksjonelle utfordringer og publikumsutviklingsutfordringer, kunne vi åpenbart trenge en umiddelbar tilfredsstillelse. Her er noen applikasjoner aktivert av AI som du kan bruke akkurat nå:
- Få varsler om særheter i trafikken på nettstedet ditt, med Google Intelligence-panelet som automatisk destillerer og deler innsikt
- Du kan til og med stille spørsmål til Google Intelligence , for eksempel spørre «Hvilke steder kommer våre nye lesere fra?» på vanlig engelsk for å få rapporter og innsikt
- Optimaliseringsanbefalinger for kampanjene dine på AdWords
- Lag og optimaliser e-post og sosiale medier markedsføringskopi med Phrasee
- Content Mix-analyse og muligheter-rapporter på NativeAI
- Abonnementstilpasning av e-post i stor skala med Sailthru, som Business Insider har implementert med stor effekt
Mulighetene for AI, Machine Learning i Analytics og Analytics-utløste løsninger er uendelige, og etter min mening er vi på kanten av en boom. Vi i NativeAI vurderer alle disse mulighetene og jobber med å gjøre noen av disse til virkelighet for digitale utgivere. Vi er begeistret for å se mange andre innen analyse, abonnementsoptimalisering og personalisering som løser relaterte utfordringer og elsker innovasjonshastigheten i denne sektoren.
