STRG logo as displayed in the footer of the website.

Wie man mit eigenen KI-Modellen einem digitalen Medium zu Lösungen verhelfen kann, die sich unmittelbar auf das Geschäft auswirken. Und wie man Targeting über eine KI ganz anders denken kann und welche Möglichkeiten sich durch Reinforcement Learning im Umfeld von Leserinnen und Lesern ergeben, durften wir in diesem Projekt in die Tat umsetzen.

DATA

ABO

CONTENT

Digital

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.

Showcasing STRG mascot Yuri, holding a laptop and searching through the web. Decorative image as part of the CTA

Wie auch bei anderen Fachportalen bewegen sich auf der DAZ nicht nur Menschen aus der Branche. Zufälliger Suchmaschinen-Traffic von Konsumenten, die nach Gesundheits-Themen 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 Contentangebote für die Zielgruppe ist wesentlich für die Zufriedenheit der Nutzer:innen und damit der Schlüssel zur Monetarisierung. 

www.deutsche-apotheker-zeitung.de

Die Projektziele

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” aufgrund der sehr speziellen Informationsbedürfnisse gewünscht. Diese User:innen erhalten dann passende Marketing-Angebote ausgespielt (Newsletter-Anmeldung, Registrierung, Testabo etc.). Für Konsumenten 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-demographischer Basis, ist die Personalisierung anhand des Userverhaltens wesentlich treffsicherer. Auch Churn Prevention war ein wichtiges Target, um die Kunden in Folge auch zu halten.

Ähnlichkeitsanalyse

User-Gruppen Klassifizierung

Die Identifikation des Fachtraffic wird über eine Ähnlichkeitssanalyse 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 einer hohen 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 permanent Zugriff auf eine Reihe von Reports. Besonders von Interesse ist natürlich, welche die beliebtesten Artikel in der jeweiligen Zielgruppe sind. Die Überschneidung von Themenbubbles mit jenen der Usergruppen werden grafisch dargestellt. Klassische Analytics-Tools messen nur den Gesamttraffic, wodurch die Redaktion falsche Schlüsse über die Nachfrage bestimmter Themen ziehen könnte. 

Recommendations und Umsetzung mit STRG.behave

Semantische Verortung
der Artikel

STRG.AT hat die Artikel des DAZ-Archives 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 und ohne die Verwendung von 3rd party cookies vermessen. 

STRG.agents

Die Technik dahinter

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) entstanden ist. STRG.agents errechnet über Reinforcement Learning aus dem semantisch verorteten Content und dem Leseverhalten der User:innen anhand einer kleinen Gruppe von angemeldeten Leser:innen die Zugehörigkeit zu verschiedenen Gruppen.

Reinforcement Learning

Eine Reihe von Methoden des maschinellen Lernens, bei denen ein Software-Agents selbständig eine Strategie erlernt, um Belohnungen zu maximieren.

Datensimulation

Das Nutzerverhalten wird präzise simuliert, um wertvolle Daten zu generieren, die Ihnen helfen, die Inhalte der Website gezielt zu verbessern.

Machine learning

Ist eine Form der KI, die Computern die Fähigkeit verleiht, aus Erfahrungen zu lernen und sich zu verbessern, ohne explizit programmiert zu werden.

Künstliche Intelligenz

Wir befassen uns hier mit der Automatisierung intelligenten Verhaltens, unter anderem mit Sprachverarbeitung, Mustererkennung, Deep Learning usw.

Um der relativ geringen Datenmenge entgegenzuwirken, werden Daten simuliert und synthetisch hergestellt. Dazu erhält die Redaktion ein Dashboard in dem sie das Verhalten der Leser:innen beobachten kann und die entsprechenden Usergruppen zu identifizieren. Das System läuft auf Tensor-Prozessoren in der Google-Cloud und ist eine der tollsten Einsatzmöglichkeiten von künstlicher Intelligenz im Einsatz bei digitalen Medien.

x

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:innen-Engagement, die Kundenzufriedenheit und die Conversion-Rate (Registrierungen, Newsletter-Anmeldungen, Test- und Vollabos) deutlich erhöht. “Long tail traffic” von Konsumenten sorgt nicht mehr für Bias, wodurch Redaktion und Marketing ein klareres Bild hinsichtlich der Wünsche ihrer eigentlichen Kunden bekommen. 

Personalisierte Content-Präsentation

Die Empfehlungen werden auf Basis der User-Gruppen Zugehörigkeit, aktuellen Interessen und der semantischen Verortung des Archivs erstellt, um eine gezielte Ansprache zu ermöglichen.

Steigerung des User-Engagements

Durch maßgeschneiderten Content, der ständig aktualisiert wird, wird das Engagement der Benutzer:innen erhöht, was zu einer höheren Interaktion mit den Plattformen führt.

Vermeidung von Bias durch Long Tail Traffic

Der Einfluss von Long Tail Traffic von Konsumenten wird minimiert, sodass Redaktion und Marketing einen klareren Überblick über die Wünsche ihrer Zielgruppe erhalten.

Verbesserte Conversion-Rate

Die personalisierten Empfehlungen tragen signifikant zur Erhöhung der Conversion-Rate bei, indem sie mehr Registrierungen, Newsletter-Anmeldungen sowie Test- und Vollabonnements fördern.

Kontaktieren sie uns noch heute

Gemeinsam erarbeiten wir optimale Lösungen für ihre Prozesse, Geschäftsmodelle und Produkte.

Showcasing STRG mascot Yuri, holding a laptop and searching through the web. Decorative image as part of the CTA

Das könnte Sie auch interessieren

brain_motherboard_feature
Einsatz von AGENTS und Entwicklung von Reinforcement Learning
Entdecken Sie, wie der Einsatz von Reinforcement-Learning-Modellen Ihre Engagement-Metriken transformieren kann. In diesem Artikel erkunden wir den Weg von Agenten im Web und wie sich Reinforcement Learning im Laufe der Jahre entwickelt hat. Viel Spaß beim Lesen!

Get in touch via email,
or give us a quick call at +43 1 526 56 29

As a progressive company, that has its finger on the pulse of technology, we rely on the power of digitalisation and innovation.

Because we take responsibility seriously, STRG.AT is a climate-neutral company. With our contributions, we support farming life in the Amazon region.

Never Miss a Bit from Us!

Join thousands of STRG.at subscribers and get our best articles! Sign up for our quarterly newsletter. 

© 2024 STRG. All rights reserved. Imprint.

Subscribe To Our Newsletter

Get notified about new articles