Cómo el Machine Learning ha ayudado a Hearst a captar más lectores, aumentar los ingresos y tener redacciones más eficientes

• Hearst Newspapers utiliza Machine Learning e Inteligencia Artificial de la nube de Google para mejorar su estrategia en el futuro.
• Estas herramientas les permiten categorizar y clasificar más de 3.000 contenidos diarios.
• Además, con ello obtienen un mayor valor de los datos de sus lectores, lo que les permite enfocar mejor la publicidad y aumentar sus suscriptores.

SAN FRANCISCO (EEUU) — Hearst es uno de los medios de comunicación más grandes del mundo. Dentro de su portfolio de productos se pueden encontrar más de 360 negocios, entre los que se encuentran cabeceras tan relevantes como Elle, Cosmopolitan o Esquire.

Una de sus divisiones más importantes es la de Hearst Newspapers, que cuenta con más de 4.000 empleados y que, si se suma el conjunto de sus productos, tiene más de 42 millones de lectores.

Como puedes imaginar, en el campo de los medios digitales la rapidez es esencial, pero también lo es la precisión y la categorización de cada post. ¿La razón? Conectar a toda esa audiencia con el anuncio o post adecuado puede llevar a cabo una venta directa o una suscripción. El problema es que los empleados de Hearst Newspapers perdían muchas horas a la hora de ordenar, etiquetar y categorizar cada artículo y, en muchos casos, priorizaban la rapidez para poder informar a tiempo en detrimento de esa categorización. De hecho, cada día se escriben unos 3.000 post nuevos en sus medios, por lo que este sistema podía llegar a ser una ardua tarea para aquellos encargados de clasificar estos contenidos.

En este punto, se podían hacer dos cosas: contratar a un equipo de profesionales (que hubiera supuesto un gran gasto —a lo que hay que añadir el tiempo de formación—) o utilizar la Inteligencia Artificial de la nube de Google. Como puedes imaginar, optaron por la segunda. 

Con la API de Natural Language de Google Cloud han habilitado un mecanismo por el que, mediante aprendizaje automático, entiende de qué trataba el contenido, lo clasifica y lo categoriza correctamente.

Leer más: Así puedes utilizar la IA de Google Cloud en tu propia empresa

"La precisión de Google Cloud Natural Language es incomparable a la hora de clasificar el contenido. Para nosotros es muy útil no sólo en términos de productividad de los empleados, sino también nos señala el camino que debemos seguir, es decir, qué tipo de contenidos debemos hacer porque triunfan entre los usuarios", señala Naveed Ahmad, senior director de Data Science de Hearst Newspapers, durante el Google Next 2018.

El directivo explica que, cada día, publican posts en más de 30 webs distintas y, gracias a este servicio, son capaces de hacerse una idea de qué tipo de informaciones son las más importantes y a las que tienen que darles una mayor prioridad. 

Revolucionando la productividad

Pero no sólo eso. Hearst Newspapers también se aprovecha del machine learning de Google Cloud para fomentar el engagement con sus lectores. ¿Cómo? Gracias a la herramienta DoubleClick for publishers, que permite que sus editores dediquen tiempo a lo que realmente mejor saben hacer: escribir. Y es que este servicio clasifica los contenidos de forma automática, cosa que antes hacían sus redactores de forma manual. 

Esto les permite no sólo analizar el porcentaje de ingresos de un post, sino también predecir el rendimiento futuro de los anuncios por categorías de contenido.

Pero, ¿cómo funciona? El sistema puede clasificar los artículos en más de 700 categorías predefinidas (noticias, tecnología, salud, entretenimiento, etc) gracias a su análisis gramatical. Además, identifica personas, lugares y eventos para crear contenidos en el futuro en el caso de que hayan triunfado.

"Con el machine learning de Google Cloud podemos enfocar nuestros contenidos a un público concreto, así como asociar los anuncios de nuestra página a un target más adecuado. Ahorramos mucho tiempo, porque antes este sistema se hacía mediante categorización de los post -unos 3.000 diarios- pero ahora se crea de forma automática, lo que hace que sea no sólo más rápido, sino más preciso", destaca Ahmad.

Esta nueva herramienta no sólo ahorra tiempo al departamento de publicidad, también permite tener un inventario mucho mayor a la hora de clasificar los anuncios. Y es que antes se taggeaba sólo una parte del contenido, pero ahora todos los post nuevos se clasifican de forma automática.

De esta forma, se clasifican los datos y hábitos de lectura de los usuarios gracias a estas 'tags' para, posteriormente, ser enviadas Hearst Newspapers y poder utilizarlos. Esto permite hacerles recomendaciones de contenido, enviarles mensajes o emails personalizados, así como ofertas sobre sus gustos y preferencias.

Leer más: La nube de Google se vuelve más inteligente y va a la caza de Amazon y Microsoft

¿Y por qué es importante? Para que te hagas una idea, Netflix valora su sistema de ingeniería de recomendaciones en 1.000 millones de dólares. De hecho, para Hearst Newspapers esto aumenta el engagement con los lectores y el número de clicks. "El diagrama es fácil: a más clicks, más ingresos y más suscripciones", explica Ahmed.

Toda esta información se almacena en BigQuery ML, una herramienta que incorpora el aprendizaje automático donde Hearst almacena sus datos. De esta forma, une esta información con la de Google Analytics y, así, la empresa puede realizar análisis más sofisticados sobre la naturaleza del contenido.

Esto es, precisamente, en lo que se está basando Hearst Newspapers para impulsar su estrategia en el futuro. Y es que la clave de todo está en dónde tienen que invertir más esfuerzos, en qué contenidos tienen que mejorar y cómo se involucran los lectores con sus publicaciones.