- CLIENT
- Deutsche Apotheker Zeitung
- SECTOR
- Fachmedien
- SCOPE
- Data · Abo · Content
- STACK
- STRG.agents · STRG.behave
Digital-First für ein Fachmedium - Personalisierung
strg.at:~$init --driven-by-humans --supported-by-ai
Wie man mit eigenen KI-Modellen einem digitalen Medium zu Lösungen verhelfen kann, die sich unmittelbar auf das Geschäft auswirken. Wie man Targeting über eine KI ganz anders denken kann und welche Möglichkeiten sich durch Reinforcement Learning im Umfeld von Leser:innen ergeben, durften wir in diesem Projekt in die Tat umsetzen.
- KI-Modelle
- eigene Reinforcement-Learning-Pipeline
- Digital First
- Positionierung als digitales Fachmedium
- Zielgruppe
- Apotheken-Fachpersonal identifiziert
- TPU
- Tensor-Prozessoren in der Google Cloud
Die Ausgangslage
Die DAZ als Digital-First-Produkt — Digitalabos als zentraler KPI.
Die DAZ sollte als Digital-First-Produkt positioniert und in der Zielgruppe Apotheken-Fachpersonal noch besser verankert werden. Die Neugewinnung von Digitalabos galt als zentraler KPI.
Wie bei anderen Fachportalen bewegen sich auf der DAZ nicht nur Menschen aus der Branche. Zufälliger Suchmaschinen-Traffic von Konsument:innen, die nach Gesundheitsthemen suchen, ist zu identifizieren und sowohl redaktionell als auch marketingtechnisch anders zu behandeln als die Fachuser:innen. Die Qualität der Nutzung ist für die DAZ strategisch deutlich wichtiger als reine Traffic-Maximierung. Die Bereitstellung relevanter Content-Angebote für die Zielgruppe ist wesentlich für die Zufriedenheit der Nutzer:innen und damit der Schlüssel zur Monetarisierung.
01Die Herausforderung
Die DAZ als Digital-First-Produkt positionieren — und im Gesamttraffic das Apotheken-Fachpersonal vom zufälligen Konsumenten-Traffic trennen.
02Der Ansatz
Eigene KI-Modelle: STRG.agents klassifiziert User-Gruppen per Reinforcement Learning, STRG.behave verortet das Archiv semantisch — ganz ohne 3rd-Party-Cookies.
03Das Ergebnis
Dynamische, personalisierte Empfehlungen — mehr Engagement, weniger Bias und eine höhere Conversion bei Registrierungen und Abos.
Die Projektziele
Fachtraffic identifizieren, Apotheken-Besitzer:innen erkennen, Churn reduzieren.
Aus dem Gesamttraffic sollten jene Benutzer:innen herausgefiltert werden, die zum Apotheken-Fachpersonal gehören. Darüber hinaus war die Identifikation der sehr spitzen Zielgruppe „Apotheken-Besitzer:innen“ aufgrund der speziellen Informationsbedürfnisse gewünscht. Diese User:innen erhalten passende Marketing-Angebote ausgespielt (Newsletter-Anmeldung, Registrierung, Testabo etc.). Für Konsument:innen wären solche Maßnahmen sinnlos, da das Interesse beispielsweise nur auf einer aktuellen Erkrankung basieren kann. Darüber hinaus war die personalisierte Ausspielung von Inhalten, die auf momentanen Interessen basiert, ein wesentliches Ziel.
Anders als bei Targeting-Lösungen auf sozio-demografischer Basis ist die Personalisierung anhand des Userverhaltens wesentlich treffsicherer. Auch Churn Prevention war ein wichtiges Target, um die Kund:innen in Folge auch zu halten.
User-Gruppen-Klassifizierung
Ähnlichkeitsanalyse im mehrdimensionalen Raum
Die Identifikation des Fachtraffic wird über eine Ähnlichkeitsanalyse gelöst. Das Verhalten bekannter User:innen, die das Portal über ein Login, ein Abo oder vom Newsletter kommend nutzen, wird erfasst und in einem mehrdimensionalen Raum mittels Mustererkennung verarbeitet. Danach werden die Muster auf den restlichen Traffic übertragen und jene Besucher:innen erkannt, die mit hoher Wahrscheinlichkeit ebenfalls dieser Usergruppe angehören. Die Technologie basiert auf STRG.agents, das Datensimulation auf Basis von Reinforcement Learning ermöglicht. Redaktion und Marketing haben über ein Dashboard permanenten Zugriff auf eine Reihe von Reports. Von besonderem Interesse sind die beliebtesten Artikel in der jeweiligen Zielgruppe. Die Überschneidung von Themenbubbles mit jenen der Usergruppen wird grafisch dargestellt. Klassische Analytics-Tools messen nur den Gesamttraffic — wodurch die Redaktion falsche Schlüsse über die Nachfrage bestimmter Themen ziehen könnte.
Recommendations mit STRG.behave
Semantische Verortung der Artikel
STRG.AT hat die Artikel des DAZ-Archivs semantisch verortet, indem jedes Inhaltsstück in einem mehrdimensionalen Raum vektorisiert wurde. So lassen sich thematische Ähnlichkeit und Nähe von Inhalten ohne die Mängel einer Keyword-Suche erkennen. Mittels STRG.behave werden die realen, momentanen Interessen der User:innen aus ihrem Verhalten vermessen — und das ohne 3rd-Party-Cookies.
Das System läuft auf Tensor-Prozessoren in der Google Cloud und ist eine der tollsten Einsatzmöglichkeiten von künstlicher Intelligenz im Einsatz bei digitalen Medien.
STRG.agents — Die Technik dahinter
Reinforcement Learning, synthetische Daten, Tensor-Prozessoren.
Wir haben ein System zum Einsatz gebracht, das in unserer Forschungsabteilung entwickelt wurde und in Kooperation mit der FH St. Pölten und der Österreichischen Forschungsförderungsgesellschaft (FFG) entstand. STRG.agents errechnet über Reinforcement Learning aus dem semantisch verorteten Content und dem Leseverhalten — ausgehend von einer kleinen Gruppe angemeldeter Leser:innen — die Zugehörigkeit zu verschiedenen Gruppen.
Um der relativ geringen Datenmenge entgegenzuwirken, werden Daten simuliert und synthetisch erzeugt. Die Redaktion erhält ein Dashboard, in dem sie das Verhalten der Leser:innen beobachten und die entsprechenden Usergruppen identifizieren kann. Das System läuft auf Tensor-Prozessoren in der Google Cloud, eine der tollsten Einsatzmöglichkeiten von künstlicher Intelligenz im Einsatz bei digitalen Medien.
Wirkung
Vier Effekte des neuen Systems
- Personalisierung
Empfehlungen entstehen aus User-Gruppen-Zugehörigkeit, aktuellen Interessen und semantischer Verortung des Archivs — gezielte Ansprache statt Trefferquote.
- Mehr Engagement
Maßgeschneiderter, fortlaufend aktualisierter Content erhöht die Interaktion mit der Plattform spürbar.
- Weniger Bias
Long-Tail-Traffic von Konsument:innen wird minimiert — Redaktion und Marketing sehen die Wünsche der Kernzielgruppe deutlich klarer.
- Höhere Conversion
Personalisierte Empfehlungen treiben Registrierungen, Newsletter-Anmeldungen sowie Test- und Vollabos messbar nach oben.
Durch maßgeschneiderten Content für Apothekenpersonal haben wir dynamische und personalisierte Empfehlungen geschaffen, die Engagement, Kundenzufriedenheit und Conversion-Rate steigern.
Das Ergebnis
Dynamische und personalisierte Empfehlungen im Apothekenbereich.
Aus der Kombination von User-Gruppen-Zugehörigkeit, aktuellen Interessen und semantischer Verortung des Archivs werden dynamisch und personalisiert Recommendations in einer „Könnte Sie auch interessieren“-Box präsentiert. So wird dem Apotheken-Fachpersonal laufend maßgeschneiderter Content gezeigt — was in weiterer Folge das User-Engagement, die Kundenzufriedenheit und die Conversion-Rate (Registrierungen, Newsletter-Anmeldungen, Test- und Vollabos) deutlich erhöht. „Long-Tail-Traffic“ von Konsument:innen sorgt nicht mehr für Bias — wodurch Redaktion und Marketing ein klareres Bild der Wünsche ihrer eigentlichen Kund:innen erhalten.
magazine
Weiterführende Informationen
Lesen sie hier von unserem Team zu den Themen von künstlicher Intelligenz und neuronalen Netzen in digitalen Medien.
Sprechen wir über Ihr Vorhaben
Möchten Sie Ihre Fachzielgruppe wirklich erreichen?
Wir helfen Fachmedien beim Aufbau eigener KI-Modelle für Audience Identification, Personalisierung und Churn Prevention — auf Basis von STRG.agents und STRG.behave.