Почти всеки голям издател на новини е обявил стратегия за персонализиране. Почти никой от тях не е представил работеща такава.
Съобщенията следват предвидим модел. Главен продуктов директор представя визия: изкуствен интелект, който изучава интересите на всеки читател, извежда на преден план историите, които са най-подходящи за него, и създава читателско изживяване, което се усеща като публикация, редактирана специално за този човек. Има съобщение за партньорство с технологичен доставчик, казус от различна индустрия и пътна карта с амбициозни цели.
Дванадесет месеца по-късно, инициативата за персонализиране създава списъци „Най-четени“ и бутони за следване по теми. Може би секция „За вас“, която рециркулира популярното съдържание на изданието. Понякога продукт за бюлетини със самостоятелно избрани предпочитания. Визията се запазва. Доставката не.
Тази статия е за това защо съществува тази празнина – специфичните технически, организационни и редакционни причини, поради които персонализирането на новини постоянно не постига желаните резултати – и към какво трябва да подходят по различен начин издателите, които са сериозни в това отношение.
Допълнителен материал към по-широката ни работа върху изкуствения интелект в медиите и издателската дейност. Вижте „Системи за препоръчване на съдържание за издатели “ за инфраструктурата за препоръки, която е в основата на персонализацията, „Проблемът с оптимизацията на платените услуги“ за това как персонализацията стимулира конверсията на абонаменти, „ Сегментиране на аудиторията отвъд демографските данни“ за поведенческото машинно обучение, което захранва персонализацията, „ИИ в медиите и издателската дейност: Как да задържим абонатите с машинно обучение“ за стратегическата рамка и нашия преглед на медийната и издателската индустрия за по-широката картина.
Какво всъщност означава персонализацията (и какво не означава)
Част от проблема е в дефинициите. „Персонализация“ в издателската дейност се е превърнала в всеобхватен термин, който обхваща поне четири различни неща, изискващи различни технологии, различни данни и различни организационни възможности.
Препоръка за съдържание — показване на статии, които читателят не е виждал, но е вероятно да намери за подходящи, въз основа на историята си на четене. Това е сравнението с Netflix. То изисква поведенчески данни, модел за препоръки и позиция в процеса на четене, където се показват препоръките.
Персонализиране на началната страница — персонализиране на реда, подбора или представянето на съдържанието на основната входна точка на публикацията въз основа на индивидуалната история на читателите. Това е по-сложно от препоръката на ниво статия, защото началната страница е и редакционно изявление за това, което изданието счита за важно. Напрежението между редакционното куриране и персонализирането е най-остро тук.
Персонализиране на push известията — изпращане на известия до читателите за истории, които ги интересуват конкретно, вместо едни и същи известия за актуални новини до цялата абонатна база. Изисква тематично моделиране, профили на предпочитанията на читателите и система за доставяне на известия, способна за таргетиране на индивидуално ниво.
Персонализиране на оферти и абонаменти — показване на различни оферти за абонамент, цени или пробни структури на различни читатели въз основа на техния профил на ангажираност и прогнозирана склонност към реализации. Това е оптимизация за платен достъп, но често се групира под шапката на персонализацията.
Повечето издатели, които обявяват „стратегия за персонализиране“, смесват тези четири неща, което означава, че се опитват да ги направят всичките наведнъж с неадекватна инфраструктура за данни и екип, който не е решил кое от тях да приоритизира. Резултатът е частично внедряване и на четирите, но не и ефективно предоставяне на нито едно от тях.
Техническите причини за неуспеха
Проблемът с идентичността
Персонализацията изисква да се знае кой чете. По-голямата част от трафика към новинарски уебсайтове е анонимен — потребители, които не са влезли в профила си, понякога дори нямат „бисквитки“, пристигат от търсене или социални мрежи без постоянна самоличност. Делът на трафика, който може да бъде персонализиран от първия ден, често е 10–30% от общия брой посещения.
За анонимното мнозинство персонализацията може да бъде базирана на сесия (в отговор на това, което потребителят е прочел в текущата сесия), но не и базирана на потребител (в отговор на пълната история на четенето на потребителя). Персонализацията, базирана на сесия, използваща трансформаторни модели, обучени върху поредици от статии, се е подобрила значително и може да генерира смислени препоръки. Но тя е структурно по-малко мощна от персонализацията, базирана на история, за потребител с едногодишна история на четене.
Фундаменталният отговор на проблема с идентичността – да се регистрират и влязат повече потребители – изисква обмен на стойност. Изданието предлага нещо достатъчно ценно, че читателят да предостави имейл адрес и да създаде акаунт. Бюлетини, персонализирани имейл дайджести, ексклузивно съдържание и запазени статии – всички те са използвани ефективно като стимули за регистрация. Издателите, които инвестират в регистрация, увеличават адресируемата популация за персонализиране.
Разликата в канала за данни
Персонализацията на потребителско ниво изисква данни за събития на потребителско ниво с достатъчна детайлност. Това означава: всяка статия, прочетена от всеки потребител, с времеви отпечатъци, сигнали за дълбочина на ангажираност (превъртане, време на страницата) и контекст на устройството, съхранявани във форма, която може да бъде свързана с потребителски профили и заявена от система за препоръки в реално време.
Повечето издатели нямат този процес. Те имат:
- Google Analytics или подобен инструмент за обобщен анализ, който предоставя показатели на ниво аудитория, но не и история на събития на ниво потребител
- CMS с метаданни за статии, но без връзка с поведението на читателите
- Платформа за управление на абонаменти със записи на абонати, но без връзка с поведението на четене
- CRM с данни за ангажираност по имейл, но без връзка с поведението при четене на сайта
Изграждането на инфраструктура от данни, която да се свърже с тези системи – платформа за клиентски данни (CDP) или персонализиран конвейер за събития – обикновено е инженерен проект от 6 до 12 месеца, преди да може да се изгради какъвто и да е модел за персонализация. Това е фазата, която повечето съобщения за персонализация пропускат. Това е и фазата, в която повечето инициативи за персонализация всъщност спират.
Проблемът със силата на звука при студен старт
Дори и с работещ канал за данни, проблемът със студения старт е сериозен за персонализирането на новините. Потребител, който е прочел 10 статии, няма достатъчно история, за да генерира надеждни сигнали за предпочитания. Със сезонните цикли на съдържание, големите новинарски събития, които привличат читатели, които обикновено не се ангажират с дадена тема, и високия дял на потребителите, които посещават рядко, голяма част от активните читатели на всяко издание ще бъдат в състояние на почти студен старт във всеки един момент.
Проблемът със студения старт на съдържанието утежнява това. Статия, публикувана тази сутрин, няма история на ангажираност. Сигналите, базирани на съдържание (тема, обект, автор), могат да я насочат към подходящи потребители, но сигналите, базирани на ангажираност, които биха подобрили насочването, няма да съществуват, докато не бъде прочетена от достатъчно потребители, за да ги генерират. За новинарски публикации, където най-ценното съдържание често е най-новото, това е структурно ограничение.
Редакционните причини за неуспеха
Проблемът с филтърния балон (и защо редакторите са прави да се тревожат за него)
Всеки редактор на новини, който е бил питан за персонализацията, повдига опасенията си за „филтърния балон“: ако читателите виждат само съдържание, съответстващо на заявените от тях интереси, те никога няма да се натъкнат на важните истории, за които не са знаели, че ги интересуват, на перспективите, които оспорват съществуващите им възгледи, или на журналистиката от обществен интерес, която изданието счита за част от своята гражданска отговорност.
Това е основателно безпокойство и често се отхвърля твърде бързо от продуктовите екипи, които отговарят с „ще добавим ограничения за разнообразие към алгоритъма“. Ограниченията за разнообразие помагат, но не разрешават основното напрежение. Алгоритъм, оптимизиран за релевантност – дори с ограничения за разнообразие – систематично ще подценява случайното откриване на важни, но лично непознати истории. И ще го прави невидимо, създавайки персонализирано изживяване, което читателите възприемат като по-добро, без да осъзнават какво не виждат.
Изданията, които са се справили най-внимателно с това – The Financial Times, The Guardian – третират персонализацията като допълнителен слой, а не като заместител на редакционната курация. Основната начална страница остава редакционно курирана. Персонализацията функционира в специфични контексти (секцията „За вас“, дайджестът на бюлетина, модулът за препоръки след статия), където обхватът ѝ е ограничен и взаимодействието ѝ с редакционната преценка е ясно.
Проблемът с измерването
Издателските организации намират за наистина трудно да измерят дали персонализацията подобрява читателското изживяване. Показателите за ангажираност (преглеждания на страници, време, прекарано на сайта, процент на завършване на статии) са лесни за измерване, но не отчитат дали читателят се чувства по-добре обслужен. Задържането на абонати е най-значимият комерсиално значим резултат, но има дълъг цикъл на обратна връзка - ефектът от персонализацията върху отпадането може да не е измерим в продължение на 12-18 месеца на ниво кохорта абонати.
Без ясно измерване на стойността, програмите за персонализация трудно оправдават продължаващите инвестиции. Когато продуктовият екип съобщи, че секцията „За вас“ има 12% процент на кликване спрямо 8% за стандартния модул за препоръки, това звучи положително, но не казва на бизнеса дали персонализацията намалява отпадането на клиенти, увеличава стойността на абонамента или подобрява удовлетвореността на читателите по начини, които са търговски важни.
Как всъщност изглежда успешната персонализация
Издателите, които действително са предоставили смислена персонализация, споделят няколко характеристики, които ги отличават от мнозинството:
Те започнаха с един-единствен, добре дефиниран случай на употреба. Не „персонализиране на публикацията“ — „намаляване на процента на отписвания от нашия ежедневен бюлетин чрез показване на трите статии, най-подходящи за историята на четене на всеки абонат“. Един-единствен, измерим случай на употреба с ясно изискване за данни и ясен показател за успех. Това води до действително изпълнение, а не до вечна пътна карта.
Те решиха проблема с идентичността преди персонализацията. Инвестираха в растежа на регистрациите – давайки на читателите конкретни, ценни причини да влязат – преди да инвестират в инфраструктура за персонализация. Резултатът е по-голяма адресируема популация, от която инфраструктурата за персонализация може да се учи.
Те третираха редакционната подкрепа като предпоставка. Инициативите за персонализация, стартирани като технологични проекти без участието на редакционния екип, постоянно не успяваха да достигнат значителен мащаб. Редакторите, които не разбират и не се доверяват на алгоритъма, отказват да го позволят да докосне началната страница, ограничават обхвата му до секции с нисък трафик и го използват като изкупителна жертва, когато показателите за ангажираност разочароват. Персонализацията, която има редакционни защитници – редактори, които виждат аудиторната информация, която системата произвежда, и я намират за полезна – се повтаря и подобрява.
Те са измервани спрямо правилните резултати. Не процент на кликване в модула „За вас“, а процент на задържане на абонати за кохортата от абонати, които взаимодействат с персонализирани функции, спрямо тези, които не го правят, с правилно рандомизирано задържане.
Поверителност, бъдеще без бисквитки и магистърски програми по право (LLM)
Три съображения, които не бяха част от стандартния наръчник преди пет години, станаха съществени за персонализирането на новините през 2026 г.
GDPR и профилиране
Персонализирането на новини обработва лични данни и представлява „профилиране“ съгласно член 4 от GDPR. За влезли в системата потребители обработването изисква законово основание (съгласие, договор или законни интереси). За анонимни потребители персонализацията, базирана на „бисквитки“, попада под правилата за електронна поверителност/PECR с изрично съгласие за несъществени „бисквитки“. Член 22 дава на потребителите правото да възразяват срещу профилиране със значителни последици, особено когато персонализацията е фактор, определящ оферти, цени или достъп до съдържание. Практическите последици: документирайте логиката на персонализацията в известието си за поверителност, изпълнете ОВЗ преди стартирането и проектирайте системата така, че да работи безпроблемно, когато потребителите откажат съгласие — връщане към редакционна курация, вместо да се проваля.
Бъдещето без бисквитки
Премахването на „бисквитките“ на трети страни се осъществява чрез Safari, Firefox и все по-често Chrome. По-специално за персонализирането на новини – което зависи до голяма степен от идентифицирането на анонимни завръщащи се читатели – последиците са структурни. Без „бисквитки“ на трети страни, междудомейната идентификация отслабва и адресируемата анонимна популация за персонализиране се свива. Издателите, които са най-добре позиционирани за тази промяна, са тези, които са изградили рано стратегии за данни от първа страна – фунии за регистрация, регистрации за бюлетин, сесии с влизане в системата. Данните от първа страна вече са основата, а не допълнение към проследяването от трети страни.
LLM в персонализирането на новини
Моделите с големи езици са се превърнали в полезни компоненти в стека за персонализация — не като заместители на традиционната инфраструктура, а за специфични приложения с висока стойност. Ефективни приложения: генериране на персонализирано съдържание за бюлетини (резюмета, съобразени с интересите на читателя, генерирани от статиите за деня), препоръки за съдържание за всеки потребител с обяснения на естествен език защо е била предложена всяка статия, генеративни редакционни брифинги за екипите за ангажиране („читателите в сегмент X се ангажираха най-много с тези теми тази седмица“) и препоръки „студен старт“, използващи описания на интереси на естествен език, заснети по време на регистрацията. По-малко ефективно: замяна на основния механизъм за препоръки с LLM — традиционните подходи за машинно обучение остават по-ефективни за големи обеми изводи в реално време. Моделът за 2026 г. е хибриден: традиционни модели за препоръки по горещ път, LLM за генериране на съдържание, обяснения и гранични случаи.
Издателите, които предлагат персонализиране, което работи, не са тези с най-амбициозните обявления. Те са тези, които са избрали един случай на употреба, са решили първо проблемите с идентичността и данните и са третирали редакционната подкрепа като предварително условие, а не като пречка.
Заключение: Какво трябва да направят издателите след това
Разликата между обещаната и предоставената персонализация е един от най-постоянните модели в дигиталното публикуване. Причината рядко е технологията — моделите за препоръки, инфраструктурата за сегментиране и CDP-базираните канали за събития са добре разбрани. Причината почти винаги е една и съща комбинация от фактори: неяснота в обхвата, празнина в идентичността, липса на инфраструктура за данни, необезпечена редакционна подкрепа и измерване, което не е свързано с търговски резултати.
Три практически препоръки за издатели, които планират инвестиция в персонализация през 2026 г.:
- Изберете един случай на употреба и го дефинирайте точно. Не „персонализирайте публикацията“ — „увеличете конверсията от отваряне до кликване на бюлетина с 25% в рамките на 12 месеца, използвайки селекция на статии за всеки получател от ежедневния бюлетин“. Конкретен случай на употреба с ясно изискване за данни, ясен показател за успех и ясна екипна отговорност. В момента, в който обхватът се разшири отвъд един случай на употреба, проектът започва да се проваля.
- Решете проблемите с инфраструктурата за идентичност и данни, преди да поръчате модел. Одитирайте фунията за регистрация, канала за събития, CDP, интеграцията с низходящи системи. Ако някое от тези неща не е налице, първо го поправете. Перфектно настроен модел за препоръки върху неработещ канал за данни не струва нищо.
- Наемете редакторски лидери преди стартирането им. Идентифицирайте редакторите, които са готови да се ангажират със системата, дайте им оперативен контрол (преодоляване, изключване, стимулиране) и споделяйте информацията за аудиторията, която системата генерира. Персонализацията, която има редакторски лидери, се повтаря; персонализацията, на която редакторите не се доверяват, се натрапва в модули с нисък трафик и избледнява.
Издателите, които предлагат персонализация, са тези, които я третират като оперативна възможност, изграждана на етапи, а не като съобщение за продукт, направено в прессъобщение. Технологията все повече се превръща в стока. Оперативната дисциплина – обхват, идентичност, инфраструктура, редакционна интеграция, измерване – е това, което разделя издателите, които предлагат персонализация, от издателите, които я обявяват.
Където се вписва Vector Labs
Vector Labs изгражда системи за персонализация и препоръки за издатели на абонаментни услуги, базирани на инфраструктурата от данни и интеграцията на редакционния работен процес, които определят дали персонализацията действително работи. Ние работим с издателите в три аспекта: определяне на обхвата (избор на случаи на употреба, стратегия за идентичност, решения за изграждане/закупуване, дизайн на показатели за успех), инфраструктура от данни (интеграция на CDP, конвейер за събития, стратегия за данни от първа страна, преход без бисквитки) и моделиране (механизми за препоръки, оценяване в реално време, LLM интеграция, слой за редакционен контрол, A/B тестване на ниво сегмент).
Ако планирате инвестиция в персонализация, нека започнем с откровен разговор за това какво изисква тя .
За свързана работа вижте нашите съпътстващи статии „ Системи за препоръчване на съдържание за издатели“ за основната инфраструктура за препоръки, „Проблемът с оптимизацията на платените услуги“ за това как персонализацията стимулира конвертирането на абонаменти, „Сегментиране на аудиторията отвъд демографските данни“ за поведенческото машинно обучение, което захранва персонализацията, по-обширната ни статия „ИИ в медиите и издателската дейност: Как да задържим абонати с машинно обучение“ и нашия преглед на медийната и издателската индустрия .
