As ferramentas de Web Analytics são quase tão antigas quanto a própria web, as primeiras operando no lado do servidor, para ajudar a monitorar o uso de recursos, padrões de acesso, etc. transformação em setores que vão do varejo ao editorial e ao imobiliário.
A evolução das ferramentas analíticas desde os primórdios da Internet tem visto uma ampliação do escopo em diversas direções:
- Escopo dos dados de usuário e comportamento : perfis de usuário, rastreamento entre sessões com cookies, referenciadores, pulsação na página, mapas de calor, rastreamento entre dispositivos, qualidade de engajamento, etc.
- Escopo dos dados de conteúdo (inteligência de conteúdo): URLs, tipo de página (formulários x listagens x artigos x e-commerce), tags, categorias, objetos e tópicos no conteúdo, autores, etc.
- Confiabilidade e qualidade de coleta: cookies do navegador, SDKs, WebSockets, criação de perfis entre dispositivos, coleta e rastreamento de eventos personalizados, rastreamento de comércio eletrônico e integrações de CRM, relatórios em tempo real, etc.
- Escopo dos insights: conversões, metas, interesses do público, filtros de conteúdo Evergreen vs. notícias, dicas de otimização com tecnologia de IA, detecção de anomalias com tecnologia de IA, etc.
Destes, vários são uma função da evolução técnica em linguagens de computação, navegadores web e padrões da Internet, mas alguns, como análise de conteúdo, classificação e mineração automatizada de insights, só são possíveis como resultado do aprendizado de máquina e da IA.
Papel da análise na publicação digital
A publicidade digital tem ocupado uma parcela cada vez maior dos gastos com marketing nas últimas duas décadas. De acordo com um estudo do Instituto Lenfest sobre Assinaturas Digitais , a receita internacional do Google proveniente de publicidade excedeu todas as receitas (incluindo receitas impressas e online) obtidas pelos jornais. Isto levou a encerramentos e reduções em grande escala, bem como ao aumento das Assinaturas Digitais como um importante impulsionador de receitas para as organizações noticiosas modernas.
Com a publicação digital como o novo normal, o Web Analytics (especificamente a análise de publicação) é o intérprete do alcance, do envolvimento, dos perfis dos leitores e de quase tudo o que um editor ou potencial anunciante gostaria de saber sobre os leitores antes de investir recursos em campanhas editoriais ou publicitárias. . Mesmo a decisão de optar ou não por um acesso pago por assinatura digital e a mecânica de bloqueio de conteúdo exigirão dados para otimização para conversão máxima com perda mínima de leitores, conforme explica o estudo .
Papel da IA na Web Analytics
A IA está (alguns diriam merecidamente) em ascensão, com várias das suas aplicações a aproximarem-se do “pico das expectativas inflacionadas” no ciclo de hype .
Uma vez que se define como uma atualização ou um aumento da inteligência humana, as suas aplicações podem ser potencialmente tão amplas quanto a própria imaginação humana – da medicina à economia, ao entretenimento e muito mais.
A análise ou pelo menos a disponibilidade de grandes volumes de dados, coletados sob condições de entrada previsíveis e resultados resultantes e preferenciais, é o combustível sobre o qual os algoritmos de aprendizado de máquina e IA são construídos.
Como o Analytics é essencialmente coleta, interpretação e descoberta de padrões em dados, é um componente crítico da maioria das implementações de IA. Por exemplo, os resultados de pesquisa do Google evoluem em função de quão precisos e úteis seus usuários encontraram seus resultados de pesquisa e os dados para esse feedback são gerados por análises sobre se os usuários encontraram o que procuravam em sua consulta de pesquisa.
Aplicações de IA em Analytics para editores
Quase todos os editores com alcance razoável têm hoje presença digital, e as assinaturas digitais estão cada vez mais emergindo como um importante impulsionador de receitas para publicações de médio e grande porte. Neste contexto, aqui estão os quatro principais desafios que os editores digitais enfrentam hoje e que as plataformas analíticas com IA podem ajudar a enfrentar, agrupados pelas principais partes interessadas:
- Segmentação de público por interesses e afinidades de tópicos
- Personalização em escala – em todos os canais
- Comparação editorial com pares, identificação e priorização de oportunidades
- Detecção de valores discrepantes/descoberta de insights em alta velocidade de dados
Agora, cada um deles é um caso de uso de atuação sobre dados, em vez de análise simples como costumávamos entendê-la, mas é precisamente nessa direção que a IA está liderando a evolução da análise – insights acionáveis. Vejamos cada um deles com algum detalhe.
Segmentação de público por interesses e afinidades de tópicos
Para as equipes editoriais e de desenvolvimento de audiência, a capacidade de agrupar e visualizar as audiências por afinidades temáticas pode ser um desafio significativo a ser resolvido – o que atualmente é feito usando uma combinação de indicadores demográficos, como idade, sexo, localização e atributos de sessão, como audiência no Facebook. , usuário repetido, categoria política visitada, etc. Uma ferramenta de análise que etiqueta automaticamente histórias com tópicos e mede a qualidade do envolvimento pode simplificar este exercício e fornecer uma segmentação baseada no interesse do público muito mais confiável.
Treemap de interesses do público no NativeAI Analytics
Essa segmentação pode ser usada das seguintes maneiras:
- As equipes editoriais podem avaliar diferentes grupos para priorizar tópicos dignos de notícia
- Entenda as afinidades de tópicos sobrepostos para melhorar o envolvimento do leitor
- As equipes de desenvolvimento de público podem identificar públicos semelhantes e as fontes de tráfego que funcionam melhor para identificar leitores de alto envolvimento
- Os profissionais de marketing digital podem comparar os resultados das campanhas por engajamento, em vez de apenas volumes de tráfego
Personalização em escala – em todos os canais
A melhor maneira de atrair, envolver e reter usuários é oferecer uma experiência personalizada que aprenda com o perfil do usuário, dicas comportamentais e escolhas declaradas pelo usuário. Com análises que podem rastrear dimensões adicionais, como qualidade do envolvimento, tipo e tópico de conteúdo envolvido, canal, campanha e dispositivo usado para interação em diferentes momentos do dia, é possível construir um mecanismo de personalização de alto impacto que possa aprender preferências de cada usuário.
A personalização bem-sucedida requer 3 fatores:
- Coleta de atributos do usuário
- Registro do caminho de conversão
- Acompanhamento de sucesso de conversão
Com esses dados, é possível treinar um modelo de aprendizado de máquina para reconhecer padrões e entregar experiências personalizadas que funcionem para cada usuário. Na verdade, aplicações de leitura de notícias personalizadas, como o Flipboard ou o News360, preenchem precisamente esta lacuna hoje, proporcionando uma experiência personalizada de notícias sobre tópicos específicos. Para uma publicação digital com vários milhões de usuários todos os meses, personalizar experiências pode ser um desafio difícil, baseado puramente em escolhas explícitas do usuário e em análises baseadas em IA, e pode preencher essa lacuna.
Um mecanismo de personalização baseado em IA pode ser útil para:
- Recomendações de conteúdo para melhorar a recirculação e retenção de público
- Nutrição do leitor para converter em assinatura de boletim informativo ou assinaturas pagas
- Previsão da probabilidade de conversão para cada usuário e mapeamento de paywalls personalizados
- Escolher os canais e o momento certos para exibir esses alertas – por e-mail, notificações push, modais da web, banners, etc.
Na NativeAI, atualmente somos capazes de quantificar o envolvimento e reconhecer os interesses do público e estamos trabalhando em recomendações de conteúdo. Há muitas possibilidades interessantes neste espaço e estamos ansiosos para ajudar os editores a enriquecer seus próprios mecanismos de personalização com esses dados. (Divulgação: eu trabalho na News360, e a de análise de editores NativeAI apresentada neste artigo é desenvolvida pela News360)
Conteúdo de nossos parceiros
Comparação editorial com pares, identificação e priorização de oportunidades
Conforme mencionado anteriormente, as plataformas analíticas baseadas em processamento de linguagem natural (PNL) podem classificar o conteúdo por tópicos e construir uma hierarquia de tópicos relacionados na taxonomia. Essas plataformas podem duplicar os insights de conteúdo, além de incluir todos os recursos de uma plataforma de inteligência de conteúdo . Isso permite que os editores comparem seu mix de conteúdo com a concorrência para identificar lacunas ou oportunidades e reforçar vantagens competitivas. Identificar os tópicos que geram maior engajamento também pode ajudar as equipes editoriais a simplificar a priorização dos recursos de relatórios.
Comparação do Content Mix com editores concorrentes
Algumas aplicações derivadas que também podem ser importantes para as equipes editoriais podem ser:
- Medir a velocidade de publicação de tópicos de alto valor e comparar com a concorrência, uma vez que histórias sobre o mesmo tópico, entre editores, podem ser marcadas e agrupadas automaticamente
- Relatórios de engajamento e tráfego filtrados por autores, tópicos e tags do próprio editor
- Marcação automatizada de histórias com base em PNL nos CMSes do editor antes da publicação
- Otimização de títulos e previsão de CTR
- Avaliações de tipo/formato de conteúdo – evergreen vs. notícias, imagens vs. infográficos vs. vídeos.
Relatórios analíticos filtrados por autores
Detecção de valores discrepantes/descoberta de insights em alta velocidade de dados
Um dos desafios mais difíceis para uma empresa orientada por dados, seja na mídia ou no marketing de conteúdo, é descobrir insights dos grandes volumes de dados disponíveis, a tempo de agir sobre eles, e ter um impacto claro nas campanhas ou execução. Em outras palavras, a análise precisa fornecer insights acionáveis em tempo real, e não em retrospectiva para a próxima campanha.
Configurar um pipeline de dados com armazenamento, modelos de coleta, filtragem, armazenamento e processamento exige um esforço significativo, mas a despesa é justificada se o resultado for instantâneo e comprovadamente impactante. A IA pode simplificar esta tarefa que atualmente requer intervenção manual, identificando anomalias no comportamento do utilizador, no tráfego ou mesmo no conteúdo.
Algumas aplicações deste tipo podem incluir:
- Diagnóstico e otimização de campanhas promocionais – por exemplo, você pode receber alertas quando campanhas pagas do Facebook podem estar gerando alto tráfego com engajamento inferior ao normal
- Promoções sugeridas – Um determinado artigo ou vídeo pode ter um bom desempenho com um segmento de público considerável. O recomendador de IA pode levar a equipe de Desenvolvimento de Público a promovê-lo para o público-alvo específico para maximizar o alcance. Isso poderia funcionar ainda melhor quando integrado aos gastos programáticos
- Alertas de quociente de viralidade – A análise de conteúdo pode pontuar o quociente viral de um artigo ou vídeo e com base em seu desempenho, na primeira hora de publicação, pode ajudar a fornecer insights sobre como garantir a propagação viral
O futuro parece promissor, mas o que podemos usar agora?
Embora muitos desses aplicativos sejam potencialmente fantásticos que podem simplificar nossos desafios editoriais e de desenvolvimento de público, obviamente precisaríamos de alguma gratificação instantânea. Aqui estão alguns aplicativos habilitados por IA que você pode usar agora:
- Receba alertas sobre peculiaridades no tráfego do seu site, com o painel Google Intelligence que destila e compartilha insights automaticamente
- Você pode até fazer perguntas ao Google Intelligence , por exemplo, perguntar “De quais locais são nossos novos leitores?” em inglês simples para obter relatórios e insights
- de otimização para suas campanhas no AdWords
- Crie e otimize textos de marketing de e-mail e mídia social com Phrasee
- Análise de mix de conteúdo e relatórios de oportunidades em NativeAI
- Personalização de e-mail de assinatura em escala com Sailthru, que o Business Insider implementou com grande efeito
As possibilidades de IA, aprendizado de máquina em análises e soluções acionadas por análises são infinitas e, em minha opinião, estamos à beira de um boom. Nós da NativeAI estamos considerando todas essas possibilidades e trabalhando para tornar algumas delas realidade para editores digitais. Estamos entusiasmados em ver muitos outros no espaço de análise, otimização de assinaturas e personalização resolvendo desafios relacionados e adoramos a velocidade da inovação neste setor.
