Web 分析工具几乎与 Web 本身一样古老，它们是第一个在服务器端运行的工具，用于帮助监控资源使用情况、访问模式等。分析工具在测量和解释 Web 上的用户行为以触发数字化方面变得越来越强大。从零售到出版再到房地产等各个行业的转型。
从互联网早期开始，分析工具的发展已经在几个方向上扩大了范围：
- 用户和行为数据的范围：用户配置文件、使用 cookie 进行跨会话跟踪、推荐人、页面心跳、热图、跨设备跟踪、参与质量等。
- 内容数据的范围（内容智能）：URL、页面类型（表单、列表、文章、电子商务）、标签、类别、内容中的对象和主题、作者等。
- 收集的可靠性和质量：浏览器 cookie、SDK、WebSocket、跨设备配置文件创建、自定义事件收集和跟踪、电子商务跟踪和 CRM 集成、实时报告等。
- 洞察范围：转化、目标、受众兴趣、常青与新闻内容过滤器、人工智能驱动的优化技巧、人工智能驱动的异常检测等。
其中，有一些是计算语言、网络浏览器和互联网标准技术演进的结果，但内容分析、分类和自动洞察挖掘等一些功能只有通过机器学习和人工智能才能实现。
分析在数字出版中的作用
在过去的二十年里，数字广告在营销支出中所占的份额不断增加。根据Lenfest数字订阅研究所，谷歌的国际广告收入已经超过了报纸的所有收入（包括印刷和在线收入）。这导致了大规模的停业、裁员，以及数字订阅的崛起，成为现代新闻机构的主要收入驱动力。
随着数字出版成为新常态，网络分析（特别是出版分析）可以解释影响力、参与度、读者概况，以及出版商或潜在广告商在将资源投入编辑或广告活动之前想要了解的几乎所有读者信息。研究解释的那样，即使是决定是否选择数字订阅付费墙以及锁定内容的机制，也需要对数据进行优化，以实现最大的转化率和最小的读者流失。
人工智能在网络分析中的作用
人工智能（有些人会说这是理所应当的）正在上升，其一些应用正朝着炒作周期。
由于它将自己定义为人类智能的升级或增强，因此它的应用可能与人类想象力本身一样广泛——从医学到经济学，再到娱乐等等。
分析或至少是在可预测的输入条件下收集的大量数据以及结果和首选输出的可用性，是机器学习和人工智能算法构建的动力。
由于分析本质上是数据模式的收集、解释和发现，因此它是大多数人工智能实现的关键组成部分。例如，谷歌的搜索结果随着用户发现其搜索结果的准确性和有用性而变化，而这种反馈的数据是通过分析用户是否在搜索查询中找到他们想要的内容而生成的。
人工智能在出版商分析中的应用
如今，几乎所有具有一定影响力的出版商都拥有数字业务，并且数字订阅日益成为大中型出版物的主要收入驱动力。在此背景下，以下是数字出版商当今面临的四大挑战，人工智能分析平台可以帮助解决这些挑战，并按主要利益相关者进行分组：
- 按兴趣和主题兴趣进行受众细分
- 跨渠道大规模个性化
- 编辑同行比较、机会识别和优先顺序
- 高数据速度下的异常值检测/洞察发现
现在，每一个都是对数据采取行动的用例，而不是我们过去理解的简单分析，但这正是人工智能引领分析演变的方向——可操作的见解。让我们详细看看其中的每一个。
按兴趣和主题兴趣进行受众细分
对于编辑和受众开发团队来说，按主题亲和力对受众进行聚类和查看的能力可能是一个需要解决的重大挑战，目前这是使用年龄、性别、位置和会话属性（例如 Facebook 受众）等人口统计指标的组合来完成的、重复用户、访问过的政治类别等。自动为故事添加主题标签并衡量参与质量的分析工具可以简化此操作，并提供更可靠的基于受众兴趣的细分。
NativeAI Analytics 上受众兴趣的树状图
这种分段可以通过以下方式使用：
- 编辑团队可以评估不同的群体，以优先考虑具有新闻价值的主题
- 了解重叠的主题亲和力以提高读者参与度
- 受众开发团队可以识别相似的受众以及最适合识别高参与度读者的流量来源
- 数字营销人员可以通过参与度来比较营销活动结果，而不仅仅是流量
跨渠道大规模个性化
吸引、吸引和留住用户的最佳方式是提供个性化体验，从用户个人资料、行为线索和用户声明的选择中学习。通过分析可以跟踪其他维度，例如参与质量、参与内容的类型和主题、一天中不同时间用于交互的渠道、活动和设备，可以构建一个具有高影响力的个性化引擎，该引擎可以学习每个用户的偏好。
成功的个性化需要三个因素：
- 用户属性集合
- 转化路径记录
- 转化成功跟踪
有了这些数据点，就可以训练机器学习模型来识别模式并提供适合每个用户的定制体验。事实上，Flipboard 或 News360 等个性化新闻阅读器应用程序通过提供特定主题的个性化新闻体验，恰恰填补了这一空白。对于每月拥有数百万用户的数字出版物来说，纯粹基于明确的用户选择和人工智能分析的个性化体验可能是一项艰巨的挑战，但可以弥补这一差距。
人工智能驱动的个性化引擎可用于：
- 内容推荐可提高再循环和观众保留率
- 培养读者转变为时事通讯订阅或付费订阅
- 预测每个用户的转化可能性并映射自定义计量付费专区
- 选择正确的渠道和时机来显示这些警报 - 通过电子邮件、推送通知、网络模式、横幅等。
在 NativeAI，我们目前能够量化参与度并识别受众兴趣，并正在致力于内容推荐。这个领域有很多令人兴奋的可能性，我们渴望帮助出版商利用这些数据丰富他们自己的个性化引擎。 （披露：我在 News360 工作，本文中介绍的NativeAI 发布商分析
编辑同行比较、机会识别和优先顺序
如前所述，自然语言处理 (NLP) 支持的分析平台可以按主题对内容进行分类，并在分类法中构建相关主题的层次结构。此类平台可以加倍提供内容洞察力，并且包含内容智能平台的所有功能。这使得编辑能够将他们的内容组合与竞争对手进行比较，以发现差距或机会并增强竞争优势。确定最能提高参与度的主题还可以帮助编辑团队简化报告资源的优先顺序。
与竞争出版商的内容组合比较
对编辑团队也很重要的一些衍生应用程序可以是：
- 衡量高价值主题的发布速度并与竞争对手进行比较，因为可以对跨出版商的同一主题的故事进行标记并自动分组
- 按作者、主题、发布商自己的标签过滤的参与度和流量报告
- 在发布之前，在发布者的 CMS 上自动对故事进行 NLP 支持的标记
- 标题优化和点击率预测
- 内容类型/格式评估——常青与新闻、图片与信息图表与视频。
按作者过滤的分析报告
高数据速度下的异常值检测/洞察发现
对于数据驱动型公司来说，无论是在媒体还是在内容营销领域，最严峻的挑战之一是从大量可用数据中发现洞察，及时采取行动，并对活动或活动产生明显影响。执行。换句话说，分析需要实时提供可操作的见解，而不是事后为下一次活动提供见解。
设置包含仓储、收集模型、过滤、存储和处理的数据管道需要付出巨大的努力，但如果输出立即且明显具有影响力，那么费用是合理的。人工智能可以通过指出用户行为、流量甚至内容的异常来简化目前需要人工干预的任务。
这种类型下的一些应用程序可能包括：
- 促销活动诊断和优化 - 例如，当付费 Facebook 活动可能产生高流量但参与度低于正常水平时，您可能会收到警报
- 建议的促销活动 – 特定的文章或视频可能在相当大的受众群体中表现良好。人工智能推荐器可以提示受众开发团队将其推广给特定目标受众，以最大限度地扩大覆盖范围。当与程序化支出相结合时，效果会更好
- 病毒性商数警报 - 内容分析可以对文章或视频的病毒性商数进行评分，并根据其表现，在发布的第一个小时内，它可以帮助提供有关如何确保病毒性传播的见解
未来看起来充满希望，但我们现在可以使用什么？
虽然其中很多都是潜在的出色应用程序，可以简化我们的编辑和受众开发挑战，但我们显然可以使用一些即时满足感。以下是您现在可以使用的一些由人工智能支持的应用程序：
- 可自动提取和分享见解的Google Intelligence 面板，获取有关网站流量异常情况的警报
- 您甚至可以向 Google Intelligence 提问，例如，用简单的英语询问“我们的新读者来自哪些位置？”以获得报告和见解
- 针对 AdWords 上的广告系列的优化
- Phrasee创建和优化电子邮件和社交媒体营销文案
- NativeAI 的内容组合分析
- 实现大规模订阅电子邮件个性化，Business Insider 实施后取得了巨大效果
人工智能、分析中的机器学习以及分析触发的解决方案的可能性是无限的，在我看来，我们正处于繁荣的边缘。 NativeAI 正在考虑所有这些可能性，并努力使其中一些成为数字出版商的现实。我们很高兴看到分析、订阅优化和个性化领域的许多其他人解决了相关挑战，并且喜欢这个领域的创新速度。
