Personalisering af indhold på tværs af kanaler

Baggrund

Hvordan får man distribueret det rigtige indhold ud til de rigtige mennesker?

Der findes uendelige muligheder for at udgive og distribuere information og indhold i dagens Mediedanmark. Og aviser har i mange år haft det svært. De bruger mange ressourcer på at producere en stor mængde indhold, mens mængden af tid, de har til at fange brugernes opmærksomhed, er ultrakort. For brugerne søger hen, hvor de får den bedste dækning af emner, de interesserer sig for. Og det gælder alle platforme.

Så hvordan kan man som medie bedst muligt tilbyde præcis det indhold, som hver enkelt medieforbruger er ude efter? Hvordan kan vi skræddersy vores indhold til forbrugeren, så forbrugeren bliver præsenteret for præcis det indhold, han/hun er ude efter? Og hvordan kan vi gøre det på tværs af kanaler?

Målet har været at få Fyens Stiftstidendes læsere til at konsumere mere og bruge længere tid på indholdet, fordi de blev præsenteret for indhold specifikt udvalgt til lige præcis dem.

Løsning

One size doesn't fit all

STEP har udviklet en algoritme til personalisering af indhold for Fyens Stiftstidende (og på sigt resten af Jysk Fynske Mediers regionale dagblade). Algoritmen er bygget centralt i vores data setup og er derfor uafhængig af platform. Det betyder, at uanset om du modtager et nyhedsbrev eller går ind på fyens.dk, så er indholdet personaliseret, så det matcher dine interesser og dine læsemønstre. Altså: Du rammes af indhold, der er relevant for lige netop dig – uanset hvor du møder Fyens Stiftstidende.

STEP har skabt en algoritme, der benytter collaborative filtering. Det er en strategi, hvor algoritmen har fokus på brugernes adfærd i stedet for at kigge på parametre som kategori, forfatter eller geografi (den tilgang, der kaldes content-based filtering). Det betyder, at vi har trukket data om læsemønstre baseret på artikel-ID’er og 1. parts bruger-ID’er fra vores CDP (Customer Data Platform). Løsningen kan faktisk også matche indhold til brugere, vi endnu ikke har adfærd på, hvilket ellers er en kendt begrænsning ved brug af collaborative filtering – det, som også er kendt som cold start.

Algoritmen baserer derfor anbefalingerne på baggrund af andre med lignende læsemønstre. Det er en løsning, der kræver mindre vedligeholdelse, idet teknologien automatisk opdager mønstre. Alle manuelle ressourcer er sparet væk, da løsningen er 100 % automatiseret og drevet af data.

Den traditionelle content-baserede løsning er begrænset af, at maskinen tror, at fordi du én gang interesserede dig for X, så vil du altid gøre det. Men faktum er, at mennesker ændrer sig, og det kan denne løsning bedre opfange, fordi den er baseret på, hvad andre, der ligner dig, gør.

Algoritmen indeholder et sæt regler, som den bruger til at definere, hvorvidt folk skal eksponeres for personaliseret indhold eller ej. Brugeren skal have læst mindst otte artikler, ligesom brugeren skal have været aktiv inden for de sidste fire uger. Derudover er der kortere aktualitet for 112-artikler, ligesom brugeren naturligvis ikke får anbefalet artikler, han/hun allerede har læst.