In che modo l’apprendimento automatico aiuta il New York Times a potenziare il suo paywall
Ogni organizzazione che applica intelligenza artificiale (AI) e machine learning (ML) alla propria attività sta cercando di utilizzare queste potenti tecnologie per affrontare problemi spinosi. Per il New York Times , una delle maggiori sfide è trovare un equilibrio tra il raggiungimento del suo ultimo obiettivo di 15 milioni di abbonati digitali entro il 2027 e allo stesso tempo convincere più persone a leggere articoli online.
In questi giorni, il gigante multimediale sta scavando in quella complessa relazione causa-effetto utilizzando un modello causale di apprendimento automatico, chiamato Dynamic Meter, che mira a rendere il suo paywall più intelligente. Secondo Chris Wiggins, chief data scientist del New York Times , negli ultimi tre o quattro anni l’azienda ha lavorato per comprendere il percorso dell’utente e il funzionamento del paywall.
Il futuro del servizio clienti basato sull’intelligenza artificiale
Nel 2011, quando il Times ha iniziato a concentrarsi sugli abbonamenti digitali, l’accesso “misurato” è stato progettato in modo che i non abbonati potessero leggere lo stesso numero fisso di articoli ogni mese prima di raggiungere un paywall che richiede un abbonamento. Ciò ha consentito all’azienda di ottenere abbonati consentendo anche ai lettori di esplorare una gamma di offerte prima di impegnarsi in un abbonamento.
Apprendimento automatico per un migliore processo decisionale
Ora, tuttavia, il misuratore dinamico può impostare limiti di misura personalizzati. Alimentando il modello con informazioni sugli utenti basate sui dati, il modello causale di apprendimento automatico può essere prescrittivo, determinando il giusto numero di articoli gratuiti che ogni utente dovrebbe ricevere in modo che sembri abbastanza interessato al New York Times da iscriversi per continuare a leggere.
Secondo un post sul blog scritto da Rohit Supekar, un data scientist del team di targeting algoritmico del New York Times , in cima alla canalizzazione di abbonamento del sito ci sono utenti non registrati. Ad un determinato limite di metri, viene loro mostrata una bacheca di registrazione che blocca l’accesso e chiede loro di creare un account. Ciò consente loro di accedere a più contenuti gratuiti e un ID di registrazione consente all’azienda di comprendere meglio la propria attività. Una volta che gli utenti registrati raggiungono un altro limite del contatore, viene loro servito un paywall con un’offerta di abbonamento. Il modello del misuratore dinamico apprende da tutti questi dati utente registrati e determina il limite del misuratore appropriato da ottimizzare per specifici indicatori chiave di prestazione (KPI).
L’idea, ha detto Wiggins, è quella di creare una relazione a lungo termine con i lettori. “È un problema molto più lento [da risolvere], in cui le persone si impegnano nell’arco di settimane o mesi”, ha affermato.
L’IA causale aiuta a capire cosa sarebbe successo
La sfida più difficile nella costruzione del modello di apprendimento automatico causale è stata quella di creare una solida pipeline di dati che aiuti il team di targeting algoritmico a comprendere l’attività per oltre 130 milioni di utenti registrati sul sito del New York Times , ha affermato Supekar.
Il progresso tecnico chiave che alimenta il misuratore dinamico riguarda l’IA causale, un metodo di apprendimento automatico in cui vengono costruiti modelli in grado di prevedere non solo ciò che accadrà, ma cosa sarebbe successo.
“Stiamo davvero cercando di capire la causa e l’effetto”, ha spiegato.
Se a un determinato utente viene assegnato un numero diverso di articoli gratuiti, quale sarebbe la probabilità che si iscriverebbe o che leggerebbe un certo numero di articoli? Questa è una domanda complicata, ha spiegato, perché in realtà possono osservare solo uno di questi risultati.
“Se diamo a qualcuno 100 articoli gratuiti, dobbiamo indovinare cosa sarebbe successo se ricevessero 50 articoli”, ha detto. “Questo tipo di domande rientra nel regno dell’IA causale”.
Il post sul blog di Supekar ha spiegato che è chiaro come funziona il modello di apprendimento automatico causale eseguendo una prova di controllo randomizzata, in cui a determinati gruppi di persone viene assegnato un numero diverso di articoli gratuiti e il modello può apprendere in base a questi dati. Con l’aumento del limite del contatore per gli utenti registrati, il coinvolgimento misurato dal numero medio di visualizzazioni di pagina aumenta. Ma porta anche a una riduzione delle conversioni di abbonamento perché un minor numero di utenti incontra il paywall. Il misuratore dinamico deve ottimizzare e bilanciare un compromesso tra il coinvolgimento della conversione.
ANNUNCIO
“Per un utente specifico che ha ricevuto 100 articoli gratuiti, possiamo determinare cosa sarebbe successo se ne avesse ricevuti 50 perché possiamo confrontarli con altri utenti registrati a cui sono stati forniti 50 articoli”, ha affermato Supekar. Questo è un esempio del motivo per cui l’IA causale è diventata popolare: “Ci sono molte decisioni aziendali, che hanno un grande impatto sulle entrate nel nostro caso, in cui vorremmo capire la relazione tra ciò che è successo e ciò che sarebbe successo”, Lui ha spiegato. “Ecco dove l’IA causale ha davvero preso piede.”
L’apprendimento automatico richiede comprensione ed etica
Wiggins ha aggiunto che, poiché sempre più organizzazioni portano l’intelligenza artificiale nelle loro attività per il processo decisionale automatizzato, vogliono davvero capire cosa sta succedendo, da tutte le angolazioni.
“È diverso dall’apprendimento automatico al servizio delle intuizioni, in cui esegui un problema di classificazione una volta e forse lo studi come modello, ma in realtà non metti in produzione il ML per prendere decisioni per te”, ha affermato. Invece, per un’azienda che vuole che l’IA prenda davvero decisioni, vuole avere una comprensione di cosa sta succedendo. “Non vuoi che sia un modello di scatola nera”, ha sottolineato.
Supekar ha aggiunto che il suo team è consapevole dell’etica algoritmica quando si tratta del modello Dynamic Meter. “I nostri dati proprietari esclusivi riguardano solo il coinvolgimento delle persone con i contenuti del Times e non includiamo alcuna caratteristica demografica o psicografica”, ha affermato.
Il futuro del paywall del New York Times
Per quanto riguarda il futuro del paywall del New York Times , Supekar si è detto entusiasta di esplorare la scienza sugli aspetti negativi dell’introduzione dei paywall nel settore dei media.
“Sappiamo che se mostri i paywall otteniamo molti abbonati, ma siamo anche interessati a sapere in che modo un paywall influisce sulle abitudini di alcuni lettori e sulla probabilità che vorranno tornare in futuro, anche mesi o anni dopo, ” Egli ha detto. “Vogliamo mantenere un pubblico sano in modo che possano potenzialmente diventare abbonati, ma anche servire la nostra missione di prodotto per aumentare il numero di lettori”.
Il modello di business in abbonamento presenta questo tipo di sfide intrinseche, ha aggiunto Wiggins.
“Non hai queste sfide se il tuo modello di business riguarda i clic”, ha affermato. “Pensiamo a come le nostre scelte di design ora influiscono sul fatto che qualcuno continuerà ad essere un abbonato tra tre mesi o tre anni. È una scienza complessa”.
In che modo l’apprendimento automatico aiuta il New York Times a potenziare il suo paywall
Ogni organizzazione che applica intelligenza artificiale (AI) e machine learning (ML) alla propria attività sta cercando di utilizzare queste potenti tecnologie per affrontare problemi spinosi. Per il New York Times , una delle maggiori sfide è trovare un equilibrio tra il raggiungimento del suo ultimo obiettivo di 15 milioni di abbonati digitali entro il 2027 e allo stesso tempo convincere più persone a leggere articoli online.
In questi giorni, il gigante multimediale sta scavando in quella complessa relazione causa-effetto utilizzando un modello causale di apprendimento automatico, chiamato Dynamic Meter, che mira a rendere il suo paywall più intelligente. Secondo Chris Wiggins, chief data scientist del New York Times , negli ultimi tre o quattro anni l’azienda ha lavorato per comprendere il percorso dell’utente e il funzionamento del paywall.
Il futuro del servizio clienti basato sull’intelligenza artificiale
Nel 2011, quando il Times ha iniziato a concentrarsi sugli abbonamenti digitali, l’accesso “misurato” è stato progettato in modo che i non abbonati potessero leggere lo stesso numero fisso di articoli ogni mese prima di raggiungere un paywall che richiede un abbonamento. Ciò ha consentito all’azienda di ottenere abbonati consentendo anche ai lettori di esplorare una gamma di offerte prima di impegnarsi in un abbonamento.
Apprendimento automatico per un migliore processo decisionale
Ora, tuttavia, il misuratore dinamico può impostare limiti di misura personalizzati. Alimentando il modello con informazioni sugli utenti basate sui dati, il modello causale di apprendimento automatico può essere prescrittivo, determinando il giusto numero di articoli gratuiti che ogni utente dovrebbe ricevere in modo che sembri abbastanza interessato al New York Times da iscriversi per continuare a leggere.
Secondo un post sul blog scritto da Rohit Supekar, un data scientist del team di targeting algoritmico del New York Times , in cima alla canalizzazione di abbonamento del sito ci sono utenti non registrati. Ad un determinato limite di metri, viene loro mostrata una bacheca di registrazione che blocca l’accesso e chiede loro di creare un account. Ciò consente loro di accedere a più contenuti gratuiti e un ID di registrazione consente all’azienda di comprendere meglio la propria attività. Una volta che gli utenti registrati raggiungono un altro limite del contatore, viene loro servito un paywall con un’offerta di abbonamento. Il modello del misuratore dinamico apprende da tutti questi dati utente registrati e determina il limite del misuratore appropriato da ottimizzare per specifici indicatori chiave di prestazione (KPI).
L’idea, ha detto Wiggins, è quella di creare una relazione a lungo termine con i lettori. “È un problema molto più lento [da risolvere], in cui le persone si impegnano nell’arco di settimane o mesi”, ha affermato.
L’IA causale aiuta a capire cosa sarebbe successo
La sfida più difficile nella costruzione del modello di apprendimento automatico causale è stata quella di creare una solida pipeline di dati che aiuti il team di targeting algoritmico a comprendere l’attività per oltre 130 milioni di utenti registrati sul sito del New York Times , ha affermato Supekar.
Il progresso tecnico chiave che alimenta il misuratore dinamico riguarda l’IA causale, un metodo di apprendimento automatico in cui vengono costruiti modelli in grado di prevedere non solo ciò che accadrà, ma cosa sarebbe successo.
“Stiamo davvero cercando di capire la causa e l’effetto”, ha spiegato.
Se a un determinato utente viene assegnato un numero diverso di articoli gratuiti, quale sarebbe la probabilità che si iscriverebbe o che leggerebbe un certo numero di articoli? Questa è una domanda complicata, ha spiegato, perché in realtà possono osservare solo uno di questi risultati.
“Se diamo a qualcuno 100 articoli gratuiti, dobbiamo indovinare cosa sarebbe successo se ricevessero 50 articoli”, ha detto. “Questo tipo di domande rientra nel regno dell’IA causale”.
Il post sul blog di Supekar ha spiegato che è chiaro come funziona il modello di apprendimento automatico causale eseguendo una prova di controllo randomizzata, in cui a determinati gruppi di persone viene assegnato un numero diverso di articoli gratuiti e il modello può apprendere in base a questi dati. Con l’aumento del limite del contatore per gli utenti registrati, il coinvolgimento misurato dal numero medio di visualizzazioni di pagina aumenta. Ma porta anche a una riduzione delle conversioni di abbonamento perché un minor numero di utenti incontra il paywall. Il misuratore dinamico deve ottimizzare e bilanciare un compromesso tra il coinvolgimento della conversione.
ANNUNCIO
“Per un utente specifico che ha ricevuto 100 articoli gratuiti, possiamo determinare cosa sarebbe successo se ne avesse ricevuti 50 perché possiamo confrontarli con altri utenti registrati a cui sono stati forniti 50 articoli”, ha affermato Supekar. Questo è un esempio del motivo per cui l’IA causale è diventata popolare: “Ci sono molte decisioni aziendali, che hanno un grande impatto sulle entrate nel nostro caso, in cui vorremmo capire la relazione tra ciò che è successo e ciò che sarebbe successo”, Lui ha spiegato. “Ecco dove l’IA causale ha davvero preso piede.”
L’apprendimento automatico richiede comprensione ed etica
Wiggins ha aggiunto che, poiché sempre più organizzazioni portano l’intelligenza artificiale nelle loro attività per il processo decisionale automatizzato, vogliono davvero capire cosa sta succedendo, da tutte le angolazioni.
“È diverso dall’apprendimento automatico al servizio delle intuizioni, in cui esegui un problema di classificazione una volta e forse lo studi come modello, ma in realtà non metti in produzione il ML per prendere decisioni per te”, ha affermato. Invece, per un’azienda che vuole che l’IA prenda davvero decisioni, vuole avere una comprensione di cosa sta succedendo. “Non vuoi che sia un modello di scatola nera”, ha sottolineato.
Supekar ha aggiunto che il suo team è consapevole dell’etica algoritmica quando si tratta del modello Dynamic Meter. “I nostri dati proprietari esclusivi riguardano solo il coinvolgimento delle persone con i contenuti del Times e non includiamo alcuna caratteristica demografica o psicografica”, ha affermato.
Il futuro del paywall del New York Times
Per quanto riguarda il futuro del paywall del New York Times , Supekar si è detto entusiasta di esplorare la scienza sugli aspetti negativi dell’introduzione dei paywall nel settore dei media.
“Sappiamo che se mostri i paywall otteniamo molti abbonati, ma siamo anche interessati a sapere in che modo un paywall influisce sulle abitudini di alcuni lettori e sulla probabilità che vorranno tornare in futuro, anche mesi o anni dopo, ” Egli ha detto. “Vogliamo mantenere un pubblico sano in modo che possano potenzialmente diventare abbonati, ma anche servire la nostra missione di prodotto per aumentare il numero di lettori”.
Il modello di business in abbonamento presenta questo tipo di sfide intrinseche, ha aggiunto Wiggins.
“Non hai queste sfide se il tuo modello di business riguarda i clic”, ha affermato. “Pensiamo a come le nostre scelte di design ora influiscono sul fatto che qualcuno continuerà ad essere un abbonato tra tre mesi o tre anni. È una scienza complessa”.
