Analytics per l’editoria: la Content Intelligence, la migliore soluzione!

Perfeziona la tua Content Strategy con l’Intelligenza Artificiale

Camilla Bottin
Content Manager @ THRON

Non sto nemmeno a spiegarti cos’è il Content Marketing perché sicuramente sarai già a conoscenza del ruolo importantissimo che i contenuti rivestono nell’accompagnare i consumatori nel loro buyer’s journey. Sono sempre di più, infatti, le organizzazioni che adottano approcci data-driven con il supporto dell’AI per poter essere “guidate” nella produzione di contenuti sempre più efficaci.

Ma se le aziende utilizzano algoritmi per dare vita a una Content Strategy allineata con l’utenza, l’industria editoriale, che della produzione di contenuti ci campa, dovrebbe saper massimizzare già da tempo in ottica data-driven il valore del suo lavoro. In realtà la situazione è ben diversa e ce lo rivela Jon Wilks di Content Insights.

Wilks nel corso dell’intervento “Data insight for journalists” fa presente come, per quanto le redazioni acquistino diversi strumenti analitici, gli editori che li usano non abbiano una reale idea di quello che stanno facendo. Nel settore, infatti, non si conosce la differenza tra Analytics e Editorial Analytics. Mentre dati&Analytics sono ormai sulla bocca di tutti, alla parola Editorial Analytics, escono solo 4020 search results su Google.

 

Un po’ di storia

Cerchiamo prima di capire come siamo arrivati a questo punto. Thomas Davenport dell’Istituto Internazionale per l’Analisi ha individuato quattro “ere” di analisi:

  • Early era Analytics

L’avvio “ufficiale” delle Analytics si colloca negli anni ’50 ma questi primi dipartimenti non venivano presi sul serio in quanto segregati in “back rooms” lontano dalle sale del potere, dove effettivamente si prendevano decisioni di business sulla base di esperienza e intuizione (e non sull’analisi di dati).

Negli anni Novanta, con l’avvento di Internet, si comincia a riconoscere l’importanza del ruolo delle Analytics. Nel 1997 compare Urchin, il primo pacchetto di analisi in commercio, diventato poi nel 2005 Google Analytics (GA) che raccoglie l’83% del mercato analitico. Vero e proprio “must-have” per i marketers, visto che prevede e segue il funnel, ha portato invece l’industria editoriale verso un baratro pericoloso: quello di seguire solo le “single metrics”.

  • Sexy Time

Con l’avvento dei social media e di piattaforme di analisi in tempo reale, i dati diventano seducenti e per la prima volta si fanno indicatori “live” di popolarità e permettono di “agire” in risposta.

A partire dal 2010, con gli enormi flussi di data che si creano, si verifica una vera e propria corsa agli armamenti da parte delle aziende e a questo punto si verifica uno scollamento con l’industria editoriale. Essa si concentra pericolosamente solo sulle singole metriche (like and shares, page impression, page views, awerage page on view, scroll depth etc.) che non danno una panoramica completa del comportamento del lettore. Cercare di monetizzare su questi parametri futili è da pazzi.

Le metriche in tempo reale sono ottime se sei un editor front end e vuoi massimizzare i click al momento ma questa tattica rivela fallace nel lungo termine. Se uno dei trending topics è Trump, puoi usarlo nell’immediato ma non puoi costruirci una strategia editoriale. Wilks cita l’esempio della rivista di pesca che mostra Trump a pesca di tonni. Certo, articolo seguitissimo e letto, ma poi? Non si può pubblicare solo Trump.

Come facciamo a far diventare quella editoriale un’industria “data powered” in cui l’uso integrato di dati alimenta il processo decisionale? Le singole metriche, se prese da sole, non sono in grado di rappresentare l’engagement genuino dei lettori.

 Data-driven, perché? Scoprilo!


Il futuro delle Analytics per l’editoria: la Content Intelligence

La soluzione è la Content Intelligence, ovvero l’Intelligenza Artificiale applicata ai contenuti. Vi elenchiamo i vantaggi:

  • classificazione automatica di tutti i contenuti: l’attività di classificazione, impossibile da realizzare con il solo intervento manuale, rischia di produrre risultati incoerenti. Con la razionalizzazione operata dall’AI, che tramite funzionalità di machine learning, speech-to-text e image recognition, individua gli argomenti di ogni contenuto, le redazioni si trovano a lavorare con un archivio ordinato di contenuti, da cui è facile recuperare quello che si cerca e massimizzarne il valore
  • i motori AI associano le tag relative agli argomenti dei contenuti alle persone, anche anonime, che li hanno visualizzati restituendoci dati preziosi sui loro interessi. Questo ha un duplice vantaggio:
  1. conoscere quali sono i contenuti che stanno performando di più e quindi perfezionare sempre di più la propria Content Strategy
  2. personalizzare la comunicazione rivolta a ciascun lettore. La CI è infatti ottiene una panoramica completa del suo comportamento con cui alimentare i sistemi di automazione con il fine di mostrargli i contenuti più inerenti ai suoi interessi nel device giusto al momento giusto.