執筆のリーチと成功を改善することは簡単なことではなく、機械学習はそのプロセスにおいて大きな役割を果たすことができます。
視聴者を引き付けてクリックを促進することを目的としてコンテンツを作成している場合は、この記事が役立ちます。最新の機械学習 (ML) ツールを使用すると、過去の記事のエンゲージメント データを分析できるため、何が効果的で何が効果的でないかについて十分な情報に基づいた決定を下すことができ、コンテンツに競争力を与えることができます。
「公開」する前に、機械学習を利用して記事の成功を予測する方法を探ってみましょう。
データを収集する
あなたが新しいライターであろうと経験豊富なジャーナリストであろうと、私たちの最愛の Hackernoon を含む複数のサイトで記事を公開する可能性があります。
自分のものではない出版物のために書いている場合、自分のブログに投稿するときに通常利用できるすべてのデータとブレインストーミングを見逃しています.
出版物からのデータと洞察へのアクセスがなければ、Hackernoon で最も人気のあるトピック、最大の露出に必要なリンクの数、または記事の成功に必要な評判を判断するのが難しい場合があります。
開始するには、このデータを見つける必要があります。
非常に小規模な出版物でない限り、最新の SEO ツールを使用すると、任意の Web サイトのトップ ページ(トップ記事)を提供できます。主な例として Hackernoon を使用しましょう。
Hackernoon のトップ記事を見つけるには、SpyFu、SEMRush、Ahrefs などを使用できます。各ツールには独自の指標があり、うまく機能します。初心者は、手頃な価格の SpyFu を試すことができます。
私はすでにそれを行っており、Hackernoon のトップ 3000 の記事を見つけました。リストをダウンロードしたい場合は、ここからダウンロードできます。
ソース URL、タイトル、およびエンゲージメント統計を取得したら、次のステップに進みます。
データを充実させる
URL だけでは、記事に関する多くの情報を得ることができず、2023 年に成功するための書き方を教えるのに十分ではありません。より多くのデータが必要です。充実が必要です。
さまざまな方法で URL を充実させることができますが、最も価値のある方法には、単語数、バックリンク プロファイル、ページ オーソリティなどの他のSEO 指標が含まれている可能性があります。
予測から何を得ようとしているのかを理解するために、次の質問を自問してください。
- 何を予測しようとしていますか?タイトルですか?記事の長さ?ランク付けされるキーワードの数は?
- 現在利用可能なデータは何ですか?エンゲージメントの目的に関連するデータは、予測の精度を向上させるのに役立ちます
- ML モデルの準備ができたら、いつでもそれを使用してターゲット パブリケーションでの成功を予測できることに注意してください。今日の Hackernoon 予測モデルは、Hackernoon の対象者が大幅に変更されない限り (または、非常に成功した記事の新しいセットによってデータがゆがめられない限り)、長い間役に立ちます。
この場合の目標は、タイトル、バックリンク、およびキーワードに基づいて、 Hackernoon で記事が受け取る平均ビュー数を最適化することです。
このデータはすべて、被リンク調査の一般的なソリューションである MajesticSEO ですぐに利用できることがわかりました。予算が限られている場合は、SEOGlass や Ubersuggest などの無料の代替手段を使用できます。詳細にはなりませんが、データセットを作成することはできます。
強化後、サンプル データセットには次の機能が追加されました。
- 記事の名前
- URL
- バックリンクの平均数 (内部および外部)
- 引用フロー
- トラストフロー
ノーコード機械学習モデルをトレーニングする
機械学習は以前は複雑で、信頼できるモデルを考え出すにはデータ サイエンティストが必要でした。今日では、もはやそうではありません。
AutoML、ChatGPT、DALL-E2 などの新しいテクノロジーとビジュアル インターフェイスの組み合わせは、2022 年に AI を活用したツールの出現によって認識されました。これにより、ノーコード機械学習が開発されました。
Akkio と他の企業は、コーディングやデータ サイエンスの知識がなくても、すばやく簡単にトレーニングできる自動機械学習モデルを提供しています。これらのツールを使用すると、世界中の誰もがデータセットをアップロードして、将来の傾向を予測し、データを予測し、異常を検出できます。
完全な開示では、私は Akkio に関連付けられている (そして好きな) ため、この例では引き続きAkkioを使用しますが、他にも使用できるツールがあります。
ノーコード機械学習は現在、コンピューターなどの電子製品の欠陥の検出、顧客からのフィードバックを分析して製品を改善する、新薬の研究プロセスを合理化する、製品登録時のユーザー チャーンを予測するなど、さまざまな目的で世界中の企業によって使用されています。 .
では、タスクに戻りましょう。Hackernoon 記事の強化されたデータベースがあり、ステップ 2 で見つけた相対的な成功指標が含まれています。成功指標が異なる場合は、それに応じて最初のデータベースを微調整する必要があります。
独自のモデルをフォローおよび/またはトレーニングしたい場合は、Akkio および上記の他のツールはすべて無料トライアルを提供しています。
データセットをアップロードする
データセットは、Google スプレッドシートの統合、CSV の直接アップロード、または組み込みの CRM とマーケティングの統合を通じて、Akkio にアップロードできます。とりあえず手動アップロードでやってみましょう。
これは、Akkio プラットフォームが完了すると次のように表示されます。
すべての列と合わせて集計を行うと、最初からデータの傾向を理解するのに役立ちます。たとえば、記事全体の SEO クリック数の分布を見ることができます。記事の大部分が 100 未満の SEO クリックを獲得していることが明確に示されています。
上位5%に入りたいですよね?それでは、モデルをトレーニングして、そこに到達できるようにしましょう!
- 不一致を解消する
機械学習モデルのトレーニングを成功させるには、適切なデータ準備が不可欠です。 Excelを使用したい場合は、そこで行うことができます。または、Akkio は、ChatGPT を思い出させる包括的なデータ準備ツールキットを提供します。
これにより、必要な編集を入力するだけで、プラットフォームのデータセットに反映されます。
私の例では、Akkio の Chat Data Prep に次のことを依頼しました。
- 閲覧数が 30 未満のすべての記事を削除します。
- 閲覧回数が 3200 回を超える記事を削除します。
これは、データセットの異常を確実に回避するためです。 3,200 回以上の閲覧回数に達した記事はわずかしかなく、30 回未満で無関係と思われる記事が非常に多数ありました。これらの外れ値を取り除くことで、結果に最も重要な推進要因にモデルが注意を向けるのに役立ちます。
ユースケースに適していると思われるデータをクリーンアップできます。列を結合し、特定の値の形式を変更して、セット全体で統一された形式にする必要がある場合があります (たとえば、日付は一般的なものです)。
- モデルを実行する
このユースケースでは、過去の成功した記事に基づいて新しい記事の成功を予測する機械学習モデルが必要です。これは、Akkio プラットフォームでは便宜的に「予測」モデルと呼ばれます。
予測モデルでは、列を選択するだけで、あとはアルゴリズムが行います。あなたがする必要があるのは、座って鉄道模型自体を見るだけです.
画面の下部で、モデルが収益に到達する速度を決定できます。 「高速」(通常は 1 分未満) から始めて、モデルの反復が完了したら、より長いトレーニング時間に移行することをお勧めします。
[予測] をクリックする前に、予測する正しい値を選択したことを再確認してください。 「SEOクリック」の可能性を予測したいので、それが私の予測対象です。
Akkio やその他のノーコード ツールは、通常、さまざまな機械学習モデルを提供することに注意してください。この例のような数値予測の場合、ツールは AutoML と呼ばれるプロセスを使用して、最もパフォーマンスの高いモデルを選択します。これらのプラットフォームは、時系列モデルやその他の ML ツールも提供します。売り込んでいる出版物や書いている内容によっては、他のモデリング アプローチを検討することもできます。
たとえば、新しい記事のために詳細な調査を実行したい場合、これらのプラットフォームを使用して、巨大なデータセット (数百万のレコード、おそらくウィキペディアからのレコード) ですべての異常を検出し、トレンドを予測できます (ウェブサイトの例
これについて詳しく知りたい場合は、Akkio のページに、すべての主要なアプリケーションのサポート ドキュメントが掲載されています。ネタバレ注意: あるセクションでは、Twitter の感情分析と、何年もの間データ サイエンティストのみがアクセスできる機能について説明しています。
結果を分析する
モデルのトレーニングが完了すると、「インサイト レポート」が表示され、選択した結果を促進しているデータ内の非常に興味深いパターンがすべて詳細に示されます。
ポジティブな結果とネガティブな結果に関連する要因を知ることができます。ここにはたくさんの黄金のナゲットがあります。インサイト レポートを読み、推進要因のグラフを調べることで、出版物のコンテンツ マーケティング戦略を作成するのに役立ちます。
レポートには精度レベルも表示されます。私たちのデータセットには可能なクリック値の広い範囲があり、クリックの下限に大きく重み付けされているため、通常は 55% 以内の精度が得られますが、ここで注意すべき統計は 88 クリックの「オフバイ」です。 .これは実際、私たちの目的にはかなり適しています。
モデルの精度が十分でない場合は、通常、精度を向上させるために、より多くの例や関連する入力列を取得する必要がありますが、ほとんどすべてのモデルには、結果を改善するために活用できる多くの方向的に正しい情報があります。
- モデルをデプロイする
モデルは、API、Web アプリ、Zapier、Akkio の直接統合など、さまざまな方法でデプロイできます。
Web アプリから始めることをお勧めします。これは、セットアップが不要で、2 分以内にライブで出荷できるためです。
Web アプリは自動生成され、アップロードされた Excel または CSV ファイルの一括予測が可能です。また、フィールドに手動で入力してクリック予測を生成することもできます。これにより、アプリを使用して、モデルで定義したメトリックに基づいて、パブリケーションの将来のすべての記事の成功を推定することが非常に簡単になります!
結論
それは素晴らしいことではありませんか? 2,000 語未満で、私たちは:
- Hackernoon に関する成功した記事の素晴らしいデータセットを生成しました。
- SpyFu や MajesticSEO などの SEO ツールからのデータでデータを充実させました。
- GPT-3 を使用してデータセットを自動的に操作しました。
- 定義した指標に基づいて今後の記事の成功を予測できるライブ アプリを出荷しました。
以前はデータ エンジニア、アナリスト、機械学習の専門家が必要だった機能が、コンピュータさえあれば誰でも利用できるようになりました。
AI 革命へようこそ。それはますます良くなっていきます!
今後の記事では、マーケティング、販売、およびカスタマー サービスのためのさらに多くのアプリケーションについて説明します。機械学習は魅力的で、週に数千ドル (そして数時間も!) 節約できます。
独自のデータセットで試してみてください。とても楽しく、簡単で、効率的で、最終的な結果に感動することをお約束します!