Изкуствен интелект в медиите и издателската дейност: Как да задържите абонатите си с машинно обучение

През 2025 г. един от водещите световни финансови вестници спечели наградата за кампания за задържане на абонаменти на годината на наградите Newspaper & Magazine Awards. Маржът не беше маркетингов текст или нова ценова стратегия. Това беше система за машинно обучение, която увеличи процента на задържане, като същевременно увеличи LVT (стойност на абонамента за клиентите).

Ние го построихме.

Този опит ни научи повече за изкуствения интелект за задържане на абонати, отколкото който и да е документ. Тази статия е това, което научихме: какво работи, какво не, кои медийни компании постоянно грешат и какво правят по различен начин тези, които успяват.

Проблемът, който всеки издател разпознава

Икономиката на дигиталните абонаменти е безмилостна. Цената за придобиване на абонат от платено търсене, промоции до брандови кампании обикновено е между 40 и 200 паунда в зависимост от публикацията и канала. Цената за задържане на абонат, който вече е в базата ви, е много малка. И въпреки това повечето програми за задържане на издатели са реактивни: абонатът анулира абонамента, изпраща се имейл за спечелване и на някой, който вече е взел решение, се предоставя силно намалена оферта.

Докато абонатът натисне бутона за отказ, вече сте загубили спора. Решението е взето дни или седмици по-рано. Случи се тихо, в паузата между влизанията в системата, в постепенния преход от ежедневно взаимодействие към седмично и после никога.

Как всъщност изглежда отливът на абонати в данните

Първото нещо, което изненадва повечето редакционни и продуктови екипи, когато видят, че данните за абонаментите им са правилно моделирани, е колко ясно е отпадането на абонати в ретроспекция. Сигналите са налице, но са разпръснати в системи, които обикновено не комуникират помежду си.

При медийните и издателските клиенти постоянно наблюдаваме едни и същи поведенчески отпечатъци преди прекратяване на договори:

Спадът в ангажираността е най-силният единичен сигнал. Не е драматичен спад, а постепенен. Абонат, който отваря приложението ежедневно, после през ден, после два пъти седмично, а после веднъж, почти никога няма да поднови абонамента си без да е необходимо. Спадът е видим седмици преди крайната дата на абонамента.

Разместването на съдържанието е от огромно значение и не се използва достатъчно. Абонат, който е пристигнал чрез отразяване на избори и чието читателско поведение тихомълком се е изместило само към спортно или лайфстайл съдържание, изпитва несъответствие между това, за което плаща, и това, което консумира. Това не е проблем с цените. Това е проблем с продукта и може да бъде решен с персонализиране, преди да доведе до анулиране.

Събитията, свързани с фактурирането, са непропорционално опасни . Напомняния за подновяване, известия за неуспешно плащане, имейли за увеличение на цените - всяко от тях е момент, в който абонатът е принуден съзнателно да преоцени абонамента си. Без намеса значителна част от абонатите, които получават тези подкани, ще се откажат не защото са недоволни, а защото подканата ги е накарала да се замислят дали са доволни. Това е един от моментите с най-голямо влияние върху интервенцията, основана на машинно обучение.

Кохортата „спящи, но подновяващи се “ е измислица. Много абонатни бази съдържат голяма група потребители, които се подновяват автоматично ежегодно и не се ангажират между подновяванията. Традиционните програми за задържане на абонати третират тези абонати като безопасни. Те не са - те са просто отложени анулации. Първото подновяване след година на спящи е истинската рискова точка и повечето издатели я достигат без данни за това какво е оценил този абонат, какво се е променило за него или какво би накарало абонамента да се почувства отново заслужаващ.

Архитектурата на модела за задържане на абонати

Повечето издатели, които са опитвали прогнозиране на отпадането на клиенти, базирано на машинно обучение, са направили версия на същото нещо: те са взели транзакционни данни (начало на абонамент, подновяване, анулиране) и са изградили модел, който прогнозира анулиране в рамките на 30 дни. Това работи адекватно. Също така пропуска по-голямата част от възможностите.

Архитектурата, която произвежда значително по-добри резултати, има три компонента.

Канва за поведенчески функции , която приема сигнали от цялата история на абоната: четене на статии, прекарано време, посетени секции, процент на отваряне на имейли, сесии на приложения, взаимодействия с известия, заявки за търсене в платформата и модели на използване на различни устройства. Това изисква инженеринг на данни, който повечето издатели не са правили. Данните съществуват, но се намират в отделни системи, често собственост на различни екипи, и обединяването им в съгласуван набор от функции на ниво абонат е само по себе си проект.

За нашия награден проект това беше най-значимата част от работата, преди да бъде проектиран, изграден и обучен какъвто и да е модел. Сигналите, които в крайна сметка имаха най-голямо значение, не бяха очевидните. Връзката между използването от абоната на специфични формати на съдържание, например бюлетини спрямо дълги бюлетини спрямо видео, и поведението му при подновяване може да бъде един от най-силните предсказващи фактори в крайния модел и може изобщо да не е видима само от данните за транзакциите на абонамента.

Модел на оцеляване, а не двоичен класификатор. Повечето модели на отпадане са обучени като двоични класификатори: ще се откаже ли този абонат през следващите 30 дни, да или не? Това е грешна формулировка. Абонат с оставащи 10 месеца годишен план, който показва сигнали за оттегляне, е различен проблем от абонат с оставащи 15 дни месечен план. Необходимата интервенция е различна, спешността е различна и бизнес икономиката е различна.

Моделирането на оцеляването, заимствано от медицински изследвания, където е разработено за прогнозиране на резултатите от времето до събитието, третира правилно въпроса: не „ще отменят ли?“, а „кога и какво би променило това?“. Това води до рискови оценки, които са стратифицирани както по вероятност, така и по спешност, което е всъщност необходимо на екипа за задържане на клиенти, за да приоритизира работата си.

Интервенционен слой с обратна връзка. Модел без рамка за измерване със затворен цикъл генерира първоначална възвръщаемост на инвестициите, а след това се влошава. Поведението на абонатите се променя. Стратегиите за съдържание се променят. Новите канали за привличане на абонати водят до кохорти с различни поведенчески профили. Моделът трябва да види резултатите от собствените си прогнози, кои интервенции са проработили, кои не, кои сегменти се класифицират систематично погрешно и да бъде преобучен въз основа на тази обратна връзка.

Това е частта, която повечето организации пропускат. Те изграждат модела, виждат първоначалния тласък, обявяват успех и продължават напред. Дванадесет месеца по-късно, производителността на модела тихомълком е спаднала, защото светът, върху който е бил обучен, вече не съответства на света, който е бил помолен да предвиди.

Стратегиите за интервенция, които работят

Прогнозирането е ценно само дотолкова, доколкото води до интервенция. А интервенцията е мястото, където повечето програми за машинно обучение на издатели оставят производителността на масата.

Абонатите с висок риск и висока стойност изискват човешки контакт. Това звучи очевидно, но противоречи на инстинкта на повечето дигитални организации да автоматизират всичко. Абонат с висока прогнозна вероятност за анулиране, история на висока консумация на съдържание и предстоящо годишно подновяване си заслужава директно обръщение, личен имейл от мениджър на акаунти, покана за събитие за читатели, телефонно обаждане, ако нивото на абоната го оправдава. Автоматизираните имейл поредици няма да променят тази кохорта. Сигналът, който промени решението, случай след случай, беше усещането, че изданието ги е забелязало като индивид.

Повторното ангажиране, базирано на съдържание, превъзхожда повторното ангажиране, базирано на отстъпка. Рефлекторната реакция на оттеглен абонат е оферта за подновяване с отстъпка. Това е скъпо, обучава абонатите да чакат отстъпки и не адресира основната причина за оттеглянето. За абонати, показващи отклонение на съдържанието, персонализирани редакционни публикации като „смятахме, че ще искате да прочетете това“, базирани на техните исторически предпочитания, постоянно превъзхожда офертите за отстъпка при A/B тестване.

Прехващането на събития за фактуриране е точката на интервенция с най-висока възвръщаемост на инвестициите. Моментът преди таксуването за подновяване или моментът след неуспешно плащане е моментът, в който екипът за задържане на абонати има най-голямо влияние и където повечето издатели правят най-малко. Неуспешното плащане не е анулиране. Това е абонат, който не е взел активно решение по никакъв начин. Незабавното, човешко фокусирано взаимодействие в този момент води до значително по-високи проценти на конверсия от стандартната автоматизирана последователност от опити за повторно фактуриране.

Не третирайте процеса на анулиране като изход. Процесът на анулиране от момента, в който абонатът кликне върху „управление на абонамента“, до момента, в който потвърди анулирането, е възможност за задържане, която повечето издатели третират като формалност. Динамично показваните оферти за задържане на клиенти на определени етапи от процеса на анулиране, базирани на прогнозираната причина за напускане от страна на абоната (чувствителност към цената спрямо недоволство от съдържанието спрямо ниска употреба), постоянно намаляват броя на завършените анулирания.

Грешките, които издателите правят

Наблюдавали сме достатъчно медийни организации, за да имаме каталог с нещата, които провалят програмите за машинно обучение за задържане на персонал. Това са най-често срещаните.

Смесване на точността на модела с въздействието върху бизнеса. Модел, който правилно прогнозира 85% от анулиранията в тестовия набор, не е същият като модел, който води до 85% намаление на отпадането. Връзката между производителността на модела и бизнес резултата зависи изцяло от това дали интервенциите, задвижвани от модела, са навременни, подходящи и действително достигат до абонатите. Точен модел, свързан с бавен, общ процес на интервенция, ще се представи по-зле от по-малко точен модел, свързан с бърз, целенасочен такъв.

Не сегментиране на пътуванията на абонатите. Годишните абонати, месечните абонати, абонатите, които са конвертирали пробни абонати, абонатите, които са подарили абонамент, и притежателите на B2B места, имат коренно различна динамика на анулиране. Един единствен модел за задържане, обучен върху комбинираната база абонати, ще бъде оптимизиран за мнозинството от абонатите и систематично ще се представя по-зле от всички останали. Икономиката на интервенцията е достатъчно различна в различните кохорти, че отделните модели обикновено са оправдани.

Измерване на кампании за задържане без група за въздържане. Без правилно проектирана група за въздържане – контролна група, която не получава никаква намеса – няма начин да се изолира причинно-следственият ефект на програмата за машинно обучение от базовия процент на задържане. Издателите, които не вградят това от самото начало, не могат да докажат, че програмите им работят, което прави невъзможно оправдаването на продължаващите инвестиции или повторението на това, което не работи. Това не е технически проблем. Това е проблем с дизайна на програмата и той трябва да бъде договорен преди внедряването на първия модел.

Третиране на данните като проблем на техническия отдел. Данните, необходими за изграждането на ефективен модел за задържане на данни, обхващат редакционни анализи, управление на абонаменти, CRM, финанси и често продуктови екипи. Включването им в съгласуван набор от обучения изисква съгласие между всички тези функции за това кои данни са важни, кой ги притежава и как се управляват. Организациите, които предоставят това на екипа за наука за данни и очакват те да го уредят шест месеца по средата на проекта, ще удължат срока си с тези шест месеца, а заедно с това и бюджета си.

Какво е необходимо за това от организационна гледна точка

Технологията не е трудната част. По-трудните части са организацията.

Нуждаете се от определен собственик с търговска отговорност . Не технологичен ръководител или екип за анализ на данни. Бизнес лидер, като например ръководител „Абонаменти“, главен директор „Приходи“ или вицепрезидент „Потребителски услуги“. Лидер, който се измерва по процент на задържане на персонал, има правомощията да разпределя времето на екипа за задържане на персонал за интервенции, задвижвани от изкуствен интелект, и е лично отговорен за резултатите, които моделът произвежда. Без това моделът се превръща в технически проект, който стои в натрупания списък с задачи на екипа за данни и никога не достига до ежедневния работен процес на екипа за задържане на персонал.

Трябва да постигнете съгласие за какво оптимизирате. Процентът на задържане не е едно-единствено число. Това е портфолио от решения. Оптимизирате ли за обем (да задържите колкото се може повече абонати) или за стойност (да задържите абонати с висока стойност, дори за сметка на някои с ниска стойност)? Склонни ли сте да задържите абонатите чрез отстъпки или маржът е по-важен от броя на служителите? Това са въпроси на търговската политика, които трябва да бъдат решени преди обучението на модела, защото моделът ще се оптимизира точно за това, което му кажете. В идеалния случай нашият опит и експертиза доказаха, че можем да постигнем и двете - повишени проценти на задържане, едновременно със значително по-висока стойност на жизнения цикъл на клиента.

Нуждаете се от екип по задържане на персонал, който е готов да действа въз основа на резултатите от модела. Това изисква управление на промените, което повечето технически екипи подценяват. Специалистите по задържане на персонал, които са изградили практиката си върху инстинкта и опита, няма автоматично да се доверяват на препоръките на модела. Те трябва да разбират какво прави моделът, да виждат, че е постоянно правилен, и да имат канал за обратна връзка, за да сигнализират за случаи, в които е грешен. Първите 90 дни след внедряването са критични и безпроблемната интеграция в потребителския път е от решаващо значение. Ако прогнозите на модела не се прилагат, програмата няма да даде резултати, независимо от качеството на модела.

Състоянието на задържането на информация чрез изкуствен интелект в издателската дейност през 2026 г.

Индустрията е по-напреднала, отколкото повечето издатели осъзнават, и е по-фрагментирана, отколкото предполагат конференциите.

Големите издателски групи като Guardian, News Corp, Condé Nast, Axel Springer имат програми за машинно обучение за задържане на данни от няколко години и сега са на второ или трето поколение модели. Те разполагат със специализирани екипи за наука за данни, инфраструктура за измерване със затворен цикъл и оперативно зрели наръчници за задържане на данни.

Средните издатели, като регионални вестници, специализирани търговски издания и независими дигитални издатели, все още са в пилотна фаза. Те експериментират с пакетирани от доставчици решения (Piano, Zuora, Poool), които предлагат оценка на задържането като функция, но без персонализирано обучение върху собствената им абонатна база, което води до значима диференциация. Готовата оценка е по-добра от нищо. Тя обаче никога не е толкова добра, колкото модел, обучен върху собственото поведение на абонатите.

Регионалните и независимите издатели са в най-несигурно положение. Те губят абонати поради същите сили като всички останали, нямат ресурси за анализ на данни, за да изградят персонализирани модели, а решенията на доставчиците не са калибрирани за размера на тяхната аудитория. Това е сегментът, където правилно обхватното машинно обучение, фокусирано върху конкретна кохорта, конкретна интервенция и ясна рамка за измерване, води до най-непропорционална възвръщаемост спрямо инвестицията.

За всеки издател с повече от 50 000 активни абонати, икономиката на машинното обучение за задържане е ясна: ако един прогнозен модел намали годишния отток дори с 2 процентни пункта на база от 100 000 абонати при среден приход от £200/година, това са £400 000 неразпределени годишни приходи. Инфраструктурата за постигане на този резултат струва част от това.

Откъде да започнем

Ако сте издател, който обмисля програма за машинно обучение за задържане на клиенти, честният отговор за това откъде да започнете не е с модела. А с три предварителни въпроса.

Разполагате ли с данни за поведението на ниво абонат? Не с обобщени анализи, а с данни за събития на индивидуално ниво, които могат да бъдат свързани със записите на вашите абонати. Ако нямате, първата работа е изграждането на този процес. Не е бляскаво и не е бързо, но никакво ниво на сложност на моделирането не компенсира поведенческите данни, които не съществуват.

Разполагате ли с екип за задържане на персонал с капацитет и правомощия за действие? Модел, който генерира списък с приоритетни рискове, по който никой не предприема действия, е загуба на време за всички. Преди да инвестирате в прогнозиране, уверете се, че съществува капацитет за интервенция.

Можете ли да разработите подходяща рамка за изчакване от самото начало? Това не подлежи на обсъждане. Ако не можете да се споразумеете за рамка за измерване преди началото на програмата, ще прекарате останалата част от програмата в спорове дали тя работи.

Ако отговорът и на трите въпроса е „да“, сте готови да започнете. Ако не, започнете оттам.

Бележка относно решенията на доставчиците спрямо разработката по поръчка

Доставчикът на услуги за задържане на издатели се разрасна значително през последните три години. Piano, Zuora Audience Hub, Poool и редица по-малки платформи вече предлагат прогнозиране на отпадането на клиенти като част от своя пакет за управление на абонаменти. Струва си да се обмислят тези платформи за издатели, които нямат ресурси за анализ на данни и трябва да действат бързо.

Ограниченията са реални и си струва да се знаят. Тези модели са обучени върху данни от различни издатели, което означава, че те улавят общи модели на поведение на абонатите, а не специфичната динамика на вашата аудитория. За публикации с отличителни редакционни идентичности, например специализирани, нишови или културно специфични, кръстосано обученият модел ще пропусне сигнали, които са уникални за вашата читателска аудитория. Съществува и въпросът за обвързването с доставчик: ако вашата логика за прогнозиране на отпадането на клиенти се намира в черната кутия на доставчика, имате ограничени възможности да я итерирате върху нея, да я интегрирате с други данни или да разбирате защо прави прогнозите, които прави.

Правилният избор зависи от зрялостта на вашите данни, вашите вътрешни ресурси и размера на вашата абонатна база. За независимо издание с 20 000 абонати, добре конфигурирано решение за доставчик вероятно е правилното начало. За национално заглавие със 100 000 до 500 000 абонати, персонализиран модел, базиран на вашите собствени данни, почти със сигурност си заслужава инвестицията.

Обобщение

Отливът на абонати в медиите и издателската дейност не е случаен и не е неизбежен. Той е предвидим седмици или месеци преди абонатът да вземе каквото и да е съзнателно решение да напусне и е адресируем, ако разполагате с инфраструктурата от данни, архитектурата на модела и капацитета за интервенция, за да действате въз основа на това, което моделът ви казва.

Издателите, които печелят по отношение на задържането на клиенти през 2026 г., не правят нищо екзотично. Те са обединили своите поведенчески данни, изградили са модели, които генерират приложими оценки на риска, стратифицирани както по вероятност, така и по спешност, прикрепили са тези оценки към екип за задържане на клиенти, който действа систематично върху тях, и са изградили затворен цикъл на измерване, който им казва какво работи и какво не.

Това е пълната картина. Нищо от това не е технически извън обсега на средностатистически издател. По-голямата част от това е организационно трудно, поради което повечето издатели все още не са го направили.

Това е и възможността.