Dans ce reportage spécial, Michael Burke, directeur des sciences et de la technologie chez MSR Communications, examine l’état de l’industrie des relations publiques et sa relation croissante avec la science des données et la technologie d’apprentissage automatique. L’apprentissage automatique ne remplacera peut-être pas de sitôt l’art des relations publiques, mais il existe d’innombrables domaines où l’apprentissage automatique peut affiner et soutenir l’intuition et la créativité qui sont essentielles aux relations publiques. Michael a travaillé avec certaines des plus grandes marques mondiales sur la stratégie marketing et RP, notamment The Myers-Briggs Company et Airbnb, ainsi que des dizaines de clients de technologies de pointe. En tant que directeur et scientifique des données chez MSR Communications, il vit son rêve d’appliquer la science des données aux relations publiques et aux communications marketing.
Alors que presque toutes les industries se précipitent pour devenir
axé sur les données, il y en a quelques-uns qui accusent un retard notable. Parmi ceux-ci, les relations publiques
(RP), qui est une discipline intrinsèquement difficile à quantifier. Bien que ce soit facile
assez pour agréger la circulation des magasins / le nombre d’audience pour les médias positifs
couverture, ou des parts sociales pour le contenu de l’entreprise, la capacité de mesurer son
l’impact, et encore moins les résultats prévus, restent insaisissables. D’une part, les effets
de la couverture médiatique peut être difficile à déterminer grâce à une attribution standard
modèles parce qu’il n’y a généralement pas de piste directe entre quelqu’un qui lit un
article et quelqu’un prenant une action souhaitée. De plus, les forces qui façonnent
les tendances de la couverture médiatique restent mystérieuses – si nous les comprenions, nous comprendrions
beaucoup plus sur ce qui nous motive en tant que société.
Actuellement, les analyses en relations publiques sont presque entièrement
axé sur le reporting, répondant à des questions telles que: combien de personnes lisent des articles
Au sujet de notre compagnie? Combien de fois ont-ils été partagés? Il n’y a pas de modèle qui
explique pourquoi une entreprise est un chouchou des médias et une autre reçoit continuellement
le mépris de la presse, ou pourquoi certains dirigeants semblent obtenir un laissez-passer gratuit tout en
d’autres ont chaque mot qu’ils disent tordu et utilisé contre eux.
L’apprentissage automatique ne remplacera peut-être pas de sitôt l’art des relations publiques. En fait, l’algorithme suffisamment avancé pour remplacer l’instinct et la créativité d’un professionnel des relations publiques chevronné pourrait très bien être la dernière chose que l’humanité invente (voir la singularité). Cela dit, il existe d’innombrables domaines où l’apprentissage automatique peut affiner et soutenir l’intuition et la créativité qui sont essentielles aux relations publiques.
Découvrir
relations entre les mesures standard
Pour commencer, l’apprentissage automatique peut faire la lumière sur les relations entre les différentes métriques qui informent la plupart des rapports RP. Par exemple, les visiteurs mensuels uniques et les partages sociaux sont des mesures courantes utilisées pour mesurer rétrospectivement l’efficacité d’une campagne. Mais, comment affectent-ils les uns les autres? La régression linéaire et logistique ainsi que les réseaux de neurones peuvent être utilisés pour déterminer la relation entre de telles mesures et, peut-être encore plus important, pour déterminer si des tactiques peuvent être mises en œuvre qui stimulent l’une ou l’autre. Par exemple, mon équipe a analysé environ 400 articles et a découvert que le classement des moteurs de recherche est lié au nombre de partages sociaux qu’un article reçoit, indiquant que si les entreprises investissent dans le partage de leurs articles via les réseaux sociaux, elles peuvent voir une augmentation de 3 à 7 points le score MOZ de l’article (l’une des meilleures mesures de l’impact SEO).
PNL à
déterminer quel type de contenu a le plus d’impact
Presque tous les professionnels des relations publiques ont
expérience remarquable d’avoir un exécutif donner le mandat de créer
du contenu qui «devient viral» – c’est le Saint Graal du marketing de contenu, mais personne
a vraiment une idée de pourquoi quelque chose devient viral. En fait, l’un des plus
poser des questions complexes consiste à déterminer pourquoi certains contenus multimédias
bien. Traitement du langage naturel (PNL)
est un outil potentiellement puissant pour mieux comprendre ce domaine. De tels algorithmes
comme les Bayes naïves et les forêts aléatoires peuvent apprendre en analysant le texte des précédents
contenu, formant ainsi des modèles pour prédire l’impact du contenu futur.
Actuellement, des plates-formes comme Meltwater et Cision utilisent
formes de PNL pour analyser le sentiment des articles envers une marque. C’est encore
dans les premiers stades, probablement parce que le même modèle est appliqué à tous les
de nombreuses marques, donc les algorithmes ne captent pas les nuances du langage
autour de certaines marques. Je soupçonne que la prochaine phase de cette technologie
impliquer la formation des modèles d’une manière qui intègre l’industrie et la marque
nuances pour une plus grande précision.
Mieux
ciblage des journalistes
Une grande partie des efforts d’un praticien des relations publiques est dépensée
déterminer quels journalistes aborder au sujet d’une histoire. Ce processus laborieux
peut être amélioré par des techniques telles que l’analyse du panier de marché avec l’Association
Règles. Dans le marketing, cette technique est appliquée pour déterminer quels produits
le consommateur pourrait être susceptible d’acheter en fonction de son comportement d’achat antérieur. En RP,
cette méthode peut aider à identifier les journalistes les plus susceptibles de couvrir un sujet
sur la base d’autres sujets qu’ils ont abordés.
Par exemple, nous avons constaté qu’un journaliste qui avait couvert les antibiotiques et la constipation était 3,7 fois plus susceptible de couvrir les probiotiques. Si vous travaillez pour une société de probiotiques, disposer de ce type d’informations vous permet d’utiliser des outils tels que Trendkite pour identifier les journalistes qui ont couvert ces sujets dans le passé, supprimant ainsi une partie des hypothèses du ciblage des journalistes.
Sans surveillance
Apprendre à hiérarchiser les points de vente cibles
Un
défi constant dans les relations publiques consiste à déterminer quels médias sont les
le plus pertinent pour votre public. Ce n’est pas une question facile, car aucun
métrique fournit une réponse satisfaisante. Les classer par diffusion est facile
assez mais avoir une circulation élevée ne signifie pas qu’un article dans le magasin
aura un grand impact sur votre marque. Des paramètres standard tels que la circulation,
Le nombre de backlinks, le score d’autorité et le nombre de termes de recherche importants peuvent
fournir un aperçu, mais étant donné que chaque publication aura différents
degrés de chacun d’eux, il est difficile de trouver une mesure qui
englobe toutes ces fonctionnalités.
En outre, les praticiens des relations publiques sont généralement invités à déterminer des cibles médiatiques optimales sans aucune donnée de résultat antérieure – il existe très rarement des données qui décrivent la valeur antérieure qu’un article avait pour une marque. Dans des cas comme celui-ci, des techniques d’apprentissage non supervisées comme le clustering peuvent regrouper les points de vente par plusieurs attributs, de sorte que vous pouvez commencer à comprendre le type de valeur qu’une publication apporte. Des algorithmes tels que K-means peuvent diviser vos médias cibles en groupes selon la similitude, vous permettant de les hiérarchiser et de hiérarchiser vos efforts.
Découvrir des motifs cachés dans
couverture médiatique
La frontière la plus excitante pour l’apprentissage automatique dans les relations publiques est peut-être l’extraction de motifs cachés dans la couverture médiatique. L’un des domaines d’exploration les plus intéressants consiste à examiner comment certains termes des articles sont liés à d’autres termes. Dans notre analyse d’articles sur les élections de 2020, par exemple, nous avons utilisé les règles d’association pour révéler qu’un article contenant les termes «raciste», «sexiste» et «Trump» était 57 fois plus susceptible de contenir le terme «homophobe». Si cela n’est pas surprenant, considérez qu’un article contenant à la fois «Mike Pence» et «Kamala Harris» était 7 fois plus susceptible de contenir le terme «raciste», ou qu’un article contenant «Biden», «Castro» et «Klobuchar» était 6,8 fois plus susceptibles de contenir le terme «socialiste» (ce que la campagne Biden ferait bien de considérer).
En conclusion, ce ne sont bien sûr que quelques domaines où l’apprentissage automatique pourrait potentiellement être appliqué aux relations publiques. D’autres domaines qui sont prêts pour l’apprentissage automatique incluent la prédiction de crise médiatique et l’analyse du cycle de l’actualité. Certes, la RP est une discipline intrinsèquement difficile à quantifier car elle est intrinsèquement «humaine», mais à mon avis, c’est exactement pourquoi elle offre la plus grande récompense potentielle.
Inscrivez-vous à la newsletter gratuite insideBIGDATA.