Принципы управления лояльностью аудитории в медиа, на примере SCMP

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»

error: Content is protected !!