Некоторое время назад я рассказывал, как South China Morning Post управляет лояльностью аудитории (переход на VC.ru). Благодаря огромной и лояльной аудитории гонконгская SCMP стала влиятельным политическим изданием.
Вот как устроен алгоритм управления лояльностью в SCMP.
Они анализируют склонность к лояльности на основе модели с поэтичным названием Bluefin (голубой тунец, как я понимаю; то есть рыба, которая всегда возвращается на нерест в одно и то же место).
Смысл модели Bluefin — определить, кто из пользователей с наибольшей вероятностью вернется на медиаплатформы издания. Модель использует историю поведение читателей для прогнозирования последующего поведения.
Модель анализирует две метрики — новизну (recency) и частоту (frequency).
1) Новизна — вернется ли в ближайшие 30 дней.
2) Частота — будет ли у читателя более X сеансов в данном месяце.
Алгоритм объединяет эти две метрики и оценивает каждого пользователя с присвоением оценки. Чем выше оценка, тем больше вероятность того, что читатель окажется лояльным, и, следовательно, имеет смысл инвестировать усилия в вовлечение данного пользователя.
Вот как работает алгоритм
1) Издание собирает анонимную поведенческую информацию о пользователях — страну, время, проведенное на веб-сайте, посещенные страницы, прочитанные темы и т. д.
2) Основываясь на этих данных, алгоритм определяет закономерности, которые способствуют повышению новизны и частоты.
3) Когда читатель просматривает веб-сайт, Bluefin сравнивает его поведение с этими шаблонами и присваивает балл пользователю, чтобы оценить вероятность его возврата.
4) Ежемесячно модель обновляется, обучаясь и изучая последние данные, чтобы повторно откалибровать механизм подсчета очков, включая любые новые переменные, которые могут вступить в игру.
Сейчас Bluefin может адаптировать эту систему оценки к платформе, источнику, каналу и нескольким другим параметрам.
Диаграмма рабочего процесса:
Полученные результаты
Тестирование модели Bluefin на отдельном сегменте аудитории показало, что количество просмотров страниц на уникального посетителя (PV/UV) увеличилось на 55%, а стоимость просмотра страницы упала на 37%.
Результаты остаются стабильными на протяжении долгого времени.
Алгоритмическая персонализация позволяет удерживать пользователей с более высокой склонностью к повторному взаимодействию. Маркетинговый бюджет фактически расходуется на увеличение лояльности аудитории.
Что делать издателям, у которых нет ресурса, чтобы запускать машинные алгоритмы
В обязательном порядке использовать на сайте издания рекомендательную систему.
Персонализировать рекомендации контента можно хотя бы по тегам. Для этого достаточно всего двух вещей: 1) проставлять тег категории контента к каждой публикации и 2) попросить программиста написать скрипт, который будет предлагать пользователю контент с тегом, который наиболее часто использовался читателем за последний период.
В итоге, в голове у издателя постоянно должна сидеть схема
Сервисная модель медиа → Персонализация → Лояльность
Парадоксально, да. Лояльность нельзя купить, но ею можно управлять.
Мой телеграм-канал про медиатехнологии → «Кнут и пряник бренд-медиа»
Разобраться, как устроены медиа и запустить корпоративный блог → «Сделай своё медиа»