Saturoituneessa mediamaisemassa asiakkaan haasteeksi on tullut löytää tarpeidensa ja kiinnostuksensa mukaisia sisältöjä vaivattomasti. Siksi viime vuosien käytetyimpiä tapoja tarjota asiakkaille häntä todennäköisesti kiinnostavia juttuja on personoida niitä asiakkaan käyttöhistorian perusteella.
Asiakkaan kannalta personoitu palvelu tarjoaa yleensä hyvän asiakaskokemuksen, mutta jos mediayhtiöllä ei ole asiakkaan mieltymyksistä riittävästi tietoa ja dataa tai se mittaa epärelevantteja asioita, personointi voi aiheuttaa myös turhautumista ja pettymyksiä.
Personointi onnistuu parhaiten, jos asiakkaista on käytössä paljon esimerkiksi kirjautuneen käytön kautta kerättyä dataa, tai muita taustamuuttujatietoja joiden avulla sisällön kohdentaminen onnistuu mahdollisimman relevantilla tavalla.
Personointi on suomalaisissa mediayhtiöissä kehitysvaiheessa, mutta haastattelemamme asiantuntijat uskoivat että siinä on vielä paljon käyttämättömiä mahdollisuuksia. Sanna Laurell kuvaa myös siihen liittyviä pelkoja yhtiössä.
Sanna Laurell: Meidän pitäisi pystyä tarjoamaan kirjautuneelle käyttäjälle aidommin hänelle personoituja sisältöjä tai palveluja. Siinä me ei tehdä tarpeeksi. Tai ehkä siinä on myös paljon pelkoja, että ei haluta viedä niitä asioita kirjautumisen taakse, vaan että halutaan tarjota sama kokemus kaikille. Jos annan esimerkin, niin saattaa olla ihan todella hieno personointi siinä etusivulla, siellä on ties kuinka monta versiota etusivusta, mutta se halutaan pitää sellaisena että se on kaikille. Meidän pitäisi pystyä viemään kehitys siihen suuntaan, että kirjautunut käyttäjä saa vielä enemmän sitä, mitä koskien hän on antanut itsestään tietoja meille.
Kevin Anderson pohtii miten kansainväliset mediayritykset liittävät erilaisia lisätarjouksia palveluunsa saadakseen lukijat sitoutumaan ja tilaajiksi. Tässä hän näkee, että käyttäjädatan hyödyntämisellä ja personoinnilla on uusia mahdollisuuksia sekä asiakkaan että liiketoiminnan näkökulmasta.
Kevin Anderson: I think it’s interesting from the New York Times’ standpoint where they’re trying to rebundle things, and what’s interesting is that they’ve said that now the biggest driver of their subscription growth is not news, it’s other things. It’s sports, it’s reviews, it’s games, so I think customer experience has a huge opportunity to play with this, because how do you dynamically serve up content that is of the most interest to the different audience segments that you serve? I think there are a couple of things: one of the issues is efficiency and the other one is relevance. So I think there’s an audience motivation, but I think there’s also a business motivation that’s driving personalization.
Kun mediayhtiö tuntee asiakkaansa ja kerätty data on toiminnallistettu, yhtiö pystyy myös tarjoamaan koko ajan parempia suosituksia oikea aikaisesti asiakkaalle. Ian Forrester näkee, että suosittelua pystytään vielä kehittämään paremman käyttäjäkokemuksen tarjoamiseksi.
Ian Forrester: I think generally people do like recommendations, especially because we’ve got a huge catalog of stuff, but it’s got to be done very carefully. And once people cannot understand how it’s done, they will be more critical of what they’re seeing or what they’re being recommended. I think that there’s a lot more that can be done, and that’s an area which is still kind of unexplored.
LLM eli large language models
Vuoden 2023 alkupuolella Large Language Models (LLM) eli isot luonnollisen kielen mallit ovat lyöneet itsensä läpi suuren yleisön tietoisuuteen ja niiden käyttö on osin demokratisoitunut erityisesti ChatGPT:n lanseerauksen jälkeen. Ne ovat malleja, joiden kouluttamiseen on käytetty supertietokoneita eikä yksittäisellä pienemmällä organisaatiolla ole mahdollisuutta tai kapasiteettia luoda vastaavia malleja itse. Osaa kielimalleista voi jatkokouluttaa omaan tarpeeseen ja juuri julkaistu LangChain auttaa ketjuttamaan eri tarkoituksiin koulutettuja malleja niin että käyttäjä voi rakentaa end-to-end -sovelluksen, esim. älykkään chatbotin joka analysoi käyttäjän syöttämää tekstiä ja generoi vastauksen.
Kielimallit ja niiden API-rajapinnat sekä sovellukset, joita niiden päälle rakennetaan, tulevat mullistamaan sisällön luomiseen, editointiin, hallintaan ja analysointiin liittyviä tuotteita ja teknologioita, on kyse sitten tekstistä, kuvasta, äänestä tai videosta. Yksi mielenkiintoisimmista kielimallien tarjoamista mahdollisuuksista on strukturoidun datan luominen epästrukturoidusta materiaalista. Käytännön esimerkki tästä voi olla vaikkapa ison kommentti- tai palautemassan ajaminen mallin läpi niin, että tekstimassasta syntyy rakenteinen malli siinä esiintyvien teemojen mukaan, jota voi vielä halutessaan tutkia esimerkiksi sävyn ja sentimentin perusteella. Kielimallit ovat kiinnostavia myös siksi, koska ne mahdollistavat datan muokkaamisen, ja tekstikin on lopulta myös dataa.
Myös kuvien ja videoiden editointiprosessi mullistuu. Editointiin liittyvien aikaa vievien työvaiheiden automatisointi tulee mahdolliseksi ja muuttuu helpoksi. Uutisklippien leikkaaminen voi alkaa muistuttaa enemmänkin tekstieditorin käyttöä.
Voidaan olettaa, että mallien käyttö yleistyy nopeastikin. Teknologiajätit ovat valmiita tuomaan niitä osaksi jo olemassa olevien (kuluttaja)tuotteiden käyttöliittymiä. Esimerkkeinä tästä ovat Microsoftin Office-työkalut, Googlen vastaavat pilvipohjaiset tuotteet, tai Adoben kuvan- ja äänenkäsittelyn työasemasovellukset. Tämä tarkoittaa myös sitä, että tekoälytyökalut ovat joka tapauksessa myös media-alalla yrityksen kokoluokasta riippumatta pian kaikkien saatavilla – niitä pystyvät käyttämään myös pienet mediatalot tai diginatiivit indie-mediat.
Mallien käyttö on verrattain edullista mikäli käsiteltävän datan määrä on kohtuullinen, ja hintojen oletetaan laskevan tulevina vuosina.
Associated Press kuvasi vuonna 2022 Yhdysvaltain paikallisuutismarkkinan tekoälyvalmiuksia raportissaan “Artificial Intelligence in Local News – A survey of US newsrooms’ AI readiness”. Tutkimuksessa seuraavat tekoälyn hyödyntämisen osa-alueet nousivat erityisesti esiin kun 135 organisaatiota listasi työtehtäviä ja prosesseja ‘toivelista’ -tyyppisesti omasta näkökulmastaan:
Litterointityökalut
Uudet kehittyneet kielimallit tulevat mullistamaan litterointityön. Saatavilla on jo monenlaisia tekoälyavusteisia litterointipalveluita. Mielenkiintoisena tuoreena esimerkkinä on vaikkapa Voicepen, joka tuottaa melko laadukasta litterointia ja lisäksi kirjoittaa aineistosta myös puolivalmiin blogitekstin, jota toimittaja tai tuottaja voi käyttää pohjana omalle työlleen.
Sosiaalisen median sisältöjen luonti
Sosiaalisen median kanavien hallintaan ja sisällöntuotantoon keskittyviä tekoälyä hyödyntäviä tuotteita ja malleja on hyvin tarjolla. Niiden avulla toimittajien ja tuottajien aikaa voidaan säästää korkeamman lisäarvon työhön, ja antaa tekoälyn tuottaa ehdotuksia some-päivitysten sisällön ja julkaisuajankohdan optimointiin.
Automaattiset artikkelit strukturoidusta datasta (esim. urheilusisällöt)
Jo jonkin aikaa on ollut mahdollista tuottaa varsinkin urheilusisällöistä – esimerkiksi joukkuepelien tapahtumatiedoista ja lopputuloksista – yhteenvetoartikkeleita automaattisesti. Toimitusten aika ei yleensä riittää kaiken urheilun seuraamiseen ja tekoälypohjaisella automaatiolla saadaan tuotettua riittävän hyvää palvelua myös niche-lajien seuraajille.
Datatiede, koneoppiminen ja analytiikka
Jo jonkin aikaa monenlaisten organisaatioiden käytössä on ollut eri näkökulmista datan analysointia helpottavia automaatiotyökaluja ja koneoppimismalleja. Niiden avulla voi saada vaikkapa asiakassegmentointiin uusia näkökulmia. Esimerkkinä voidaan mainita tunnistetuista asiakkaista tiedetyn datan perusteella tunnistamattoman liikenteen (evästeet ja mobiililaitteiden tunnisteet) ikä- ja sukupuolimallinnus tai mainonnan kohdennukseen käytetyt laskentamallit.
Suosittelut ja personointi
Kenties yksi käytetyimmistä tekoälyn sovellusalueista liittyy suositteluun. Kontekstuaalisen suosittelun avulla minkä tahansa sisällön yhteyteen saadaan tuotettua käytännössä reaaliaikainen lista relevanteista sisällöistä, ja personoinnin pitäisi olla jo arkipäivää niin etusivutaitoissa kuin erilaisissa markkinoinnin sisältökohdennuksissa tai tilausmyynnin konversio-optimoinnissa.
Kirjallisuus
”A key aspect of the changing nature of firm–customer interaction across all stages is observed in the personalization of content and offerings. A recent Harvard Business Review survey of 600 + business executives emphasizes that personalization has become a critical factor to improve business performance. More than half of the respondents mentioned that personalization significantly contributes to the revenue growth and 81 % of them expect this trend to continue. Moreover, providing a personalized customer experience has been reported as a top application of machine learning in the current business environment. Further, recent research in new-age technologies aim to support and automate most of the marketing decisions to fulfill specific customers’ needs and expectations in addition to allowing firms to provide personalized experiences to consumers (e.g., Kopalle, Kumar, & Subramaniam, 2020; Kumar, Rajan, Gupta, & Pozza, 2019; Gupta, Kumar, & Karam, 2019; Kumar, Ramachandran, & Kumar, 2020)” (Gupta & Leszkiewicz jne. s. 29)
”Customers are also becoming comfortable using automatic personalization tools on the Web. While these tools are fine for customizing Websites, they often fall short for nurturing enterprise/customer relationships. The enterprise must work harder to truly get to know the customer. A customer is more likely to stay loyal if he has taken the time to personalize a Website himself, and the enterprise acts on the information given. One of the primary goals of the enterprise focused on building customer value is to use the information it gathers about a customer to customize some aspect of its product or service to suit the customer’s needs. The enterprise should begin to offer the customer things relevant to him, things that the customer could never find anywhere else, not from any generic offering that doesn’t have information to use about him to meet his needs better. As a result,the customer will trust the company more” (Pepper & Rogers 82)
A crucial task that can be supported by AI technology is that of news writing. Reasonably straightforward techniques (e.g. the use of text templates filled in with data from rich databases) are already used routinely to produce highly automated stories about topics, such as sports, finance, and elections. Opportunities also exist for automated generation of highly personalized content, such as articles that adapt to appeal to a user’s location or demographic background. A challenge is to avoid bias in the resulting AI-automated or AI-augmented workflows, which can result both from the selection of informants and other data sources, from the analysis techniques and training materials used, and from the language models that generate the final news text (Trattner et al.)