5 Tipps für mehr digitale Schlagkraft in Ihrer Redaktion

Digitale News kennen keinen Redaktionsschluss. Alte räumliche und zeitliche Grenzen fallen weg. So kann ein Reporter heute dank medienneutralem Editor zu jeder Zeit von überall aus publizieren. Im Alltag sind Reporter allerdings noch zu stark in den Mühlen der alten Printmaschinerie gefangen und ohne klar verständliche digitale Zielsysteme fehlen oft die objektiven Maßstäbe.

Was Sie dagegen tun sollten? Wir sagen es Ihnen. 

Quelle: SCHICKLER


1. Print-Zöpfe konsequent abschneiden

Je weniger Ihre Reporter an den starren Rahmen von Print gebunden sind und je weniger Zeit sie für das Redigieren reingereichter Inhalte aufwenden müssen, die meist nur für Print verwertet werden können, desto mehr Zeit bleibt für die Erstellung eigener, digitaler Inhalte.

Wie aber kann ein Loslassen von Printseiten konkret aussehen?

Basierend auf unserer langjährigen Projekterfahrung, empfehlen wir zunächst die klare organisatorische Trennung von der Content-Erstellung, dem „Reporter“ und der Seitenproduktion, der „zentralen Producing-Einheit“.  Beachten Sie dabei, dass Prozesse umso effizienter erfolgen, desto weniger Kommunikation es an der Schnittstelle bedarf. Hierfür notwendig sind einige elementare Workflow-Anpassungen:

  • Der Input für die Print-Produktion kommt aus dem Digital-First-Content.
  • Die eigenen Artikel werden über wenige definierte Längen (z.B. S, M, L und XL) standardisiert.
  • Musterseiten werden mit festen, sich wiederholenden Formen und festen Anzeigenformaten definiert.
  • Es wird nicht mehr „auf Zeile“ redigiert oder geschrieben. Text- und Seitenformate haben entsprechend ausreichend „Spielraum“.
  • Layout-Sonderlocken werden abgeschnitten, es sei denn sie lassen sich automatisieren.

Und wo Sie schon einmal dabei sind – wann haben Sie das letzte Mal Ihre Ausgabenstrukturen angepasst? Häufig verursachen kleinteilige, umbauintensive Ausgaben (zu) hohe Aufwände in der Produktion.


2. Auf die richtigen (digitalen) Inhalte fokussieren

Für die Weiterentwicklung von Unternehmen gibt es das Business Development, während für die richtige Angebotswelten das Product Development zuständig ist. Und für Ihre Inhalte? Erste Best-Practice-Medienunternehmen führen diesbezüglich eine neue Funktion in der Redaktion ein – das Editorial Development, welches für die Analyse von Inhalten und die Vermittlung der Erfolgsfaktoren verantwortlich ist.  

Richtig so – findet SCHICKLER. Vorbei die Zeiten, in denen das Bauchgefühl allein ausreichend war. Mit einem zentralen Content Development können Sie u.a.

  • die Performance Ihrer Inhalte daten-getrieben analysieren und daraus Content Guidelines und Empfehlungen ableiten (“Macht mehr von…”, “Macht weniger von…”, “Unsere Inhalte funktionieren besonders gut, wenn wir…”)
  • Ihren Stamm an Reportern im Transformationsprozess unterstützen (“on-the-job” und “off-the-job”)


3. Transparenz schaffen über die Performance der Redaktion

Hat Ihre Redaktion klare Ziele vor Augen? Gibt es transparente Kennzahlen im Tagesgeschäft, die Auskunft darüber geben, ob die Ziele tatsächlich erreicht wurden?

Unsere Projekterfahrung zeigt, dass Sie Journalismus durch KPI‘s ganzheitlich greifbar machen müssen:

  • Reichweite – Wie viele Nutzer besuchen Ihrer Portale?
  • Kundenloyalität – Wie häufig kehren Ihre Nutzer zu Ihren Inhalten zurück?
  • Engagement – Wie intensiv beschäftigen sich Ihre Nutzer dabei mit Ihrer Website, Ihrem Content? Wird ein Artikel zu Ende gelesen, ein Video bis zum Schluss gesehen?
  • Conversion – Wie gut gelingt Ihnen die Wandlung Ihrer Nutzer zu (zahlenden) Subscribern?
  • Retention – Wie viele Kunden lösen Ihr digitales Abonnement wieder auf?

Schaffen Sie durch Dashboards eine ausreichende Transparenz über die jeweilige Performance der Inhalte der Redaktion. Und setzen Sie bei Bedarf diese Einzelbestandteil zu einer maßgeschneiderten Gesamtperspektive auf Artikelebene zusammen, dem sogenannten Artikel-Score, welche den Reportern Lerneffekte für die Themensetzung ermöglichen.


4. Verankern Sie klare Verantwortlichkeiten für Ihre Digitalprodukte

Der digitale Wandel ist eine große Herausforderung – keine Frage. Unserer Erfahrung nach ist der vielversprechendste Weg mit diesem umzugehen, klare Verantwortung für diesen Wandel zu definieren. Unsere Empfehlung lautet: Bilden Sie eine schlagkräftige Einheit mit Product Ownership. Hier wird u.a.

  • der agile Produktentwicklungsprozess im Tagesgeschäft geleitet
  • die Entwicklung neuer Produktmaßnahmen vorangetrieben und bewertet
  • dafür Sorge getragen, dass alle notwendigen Abteilungen mit dem Product Owner zusammen an einer gemeinsamen Wachstumsvision arbeiten

Bilden Sie für Ihre digitalen Produkte interdisziplinäre Teams und etablieren Sie eine Wachstumskultur.


5. Leadership ist gefragt

Die digitale Transformation bestehender Strukturen ist mühsam und braucht Menschen, die diese mittragen und sich (mit) verändern wollen. Die lernen, sich selbst in Frage zu stellen und Neues zu entdecken und zu wagen. Dies gilt insbesondere für Ihre Führungsmannschaft. Ihre Chefredaktion muss den digitalen Wandel leben und diejenige sein, die als Vorbild das Feld anführt!

Regionale Reichweitenportale – Geschäftsmodell oder digitales Lernfeld?

Der Druck auf regionale Medienhäuser, sich digital für die Zukunft aufzustellen, wächst stetig. Ein möglicher Produktansatz und potenzielles Geschäftsmodell in diesem Kontext sind Reichweitenportale.

Erfolgreiche Beispiele gibt es einige am Markt wie z.B. Tag24 mit speziellen Stadtportalen oder regionale Seiten wie infranken.de und nordbayern.de. Auch Portale aus dem Ippen-Netzwerk zeigen, dass Visits in zweistelliger Millionenhöhe selbst bei überschaubaren Einzugsgebieten möglich sind.

Die Gründe für die Einführung eines Reichweitenportals sind unterschiedlich. Einerseits ist die Ausweitung der Online-Angebote für den regionalen Werbemarkt eine Motivation, häufig ausgelöst durch drohende oder bereits vorhandene Konkurrenzanbieter. Andererseits ist die wachsende Suche nach digitalen Geschäftsmodellen für die Zukunft ein Auslöser.

Wann ist ein Reichweitenportal für ein Medienhaus sinnvoll?

Die Beantwortung dieser Frage ist abhängig davon, in welcher Entwicklungsstufe der digitalen Transformation sich die Organisation befindet.

Bei einer bereits implementierten Paid-Content-Strategie und entsprechender digitaler DNA in der Redaktion sollte der Fokus auf dem Premium-/Markenportal bleiben. Die Weiterentwicklung von bereits funktionierenden Bezahl-Ansätzen ist wertvoller für die Organisation als ein weiteres digitales Produkt, welches mit Quantität statt Qualität arbeitet.

Steht die Organisation allerdings noch am Anfang des Digitalisierungsprozesses und ist die Entwicklung von Paid-Content-Ansätzen noch in den Kinderschuhen, kann der parallele Betrieb eines Reichweitenportals neben einem Markenportal zielführend sein. Die Lernkurve bezüglich der Funktionsweise von datengetriebenem digitalem Content wird durch diese Parallelität noch beschleunigt – schließlich sind Bezahlmodelle und Reichweite wichtige Säulen der digitalen Transformation.

Nichtsdestotrotz kann ein Reichweitenportal auch bei fortgeschrittenem digitalen Reifegrad einer Organisation Mehrwerte bieten. Die breite Masse an Usern auf einem Reichweitenportal ist tendenziell nicht bereit, für Inhalte im Internet zu zahlen – nach zielgruppenanalytischen Erkenntnissen sind das 60 – 70%. Diese für Paid-Content nicht zu gewinnenden Zielgruppen sind von Relevanz im regionalen Werbemarkt. Durch ein Reichweitenprodukt können die lokalen Werbeerlöse in Konkurrenz zu lokalen jungen Websites oder Blogs gesichert werden.

Welchen Nutzen können Reichweitenportale stiften?

Der digitale Lerneffekt für die Organisation ist der größte Nutzen dieses Produktes. Eine Grundlage für erfolgreiche Paid-Content-Modelle ist Reichweite – die Notwendigkeit, das diesbezügliche Zusammenspiel von Daten und Content zu erlernen, ist riesig.

Quelle: SCHICKLER

Ein Reichweitenportal kann als digitales Lernfeld für datengetriebene Content-Erstellung und
-bearbeitung den digitalen Transformationsprozess unterstützen. Neben der Verprobung von Ansätzen im Markenportal (welches das Risiko birgt, bei Fehlern Stammleser zu verlieren) wird eine parallele Umgebung geschaffen, in der die Wirkung analysebasierter redaktioneller Arbeit ausprobiert werden kann. Die Identifizierung von Veränderungen im Content-Bedarf der Leser durch Technologieeinsatz am lebenden Objekt zu lernen ist wertvoller als jede Theorie.

Worauf ist beim Aufbau zu achten?

Ist die Entscheidung für das Lernfeld Reichweitenportal gefallen stehen bei der Einführung insbesondere technische und personell-organisatorische Aspekte im Fokus. Bei der technischen Plattformentscheidung bieten sich die Optionen einer Komplettlösung inkl. angelieferten meist überregionalen Inhalten und einer Eigenentwicklung an. In beiden Fällen müssen Analyse-Funktionalitäten wie Performance-Reporting, Tracking und idealerweise Prediction-Modelle zur Verfügung stehen. Personelle Spezialkompetenzen im Bereich Datenanalyse sind aufzubauen bzw. einzukaufen, denn ohne dynamische Bereitstellung der analytischen Erkenntnisse in Echtzeit ist die erfolgreiche Steuerung eines Reichweitenportals nicht möglich. Zudem ist es für stabile Reichweitenzahlen unerlässlich, auf die sich regelmäßig verändernden Algorithmen bzgl. Suchmaschinen-Rankings technisch reagieren zu können, wie unlängst die Google-Anpassung zur Bevorzugung von Erstberichterstattung deutlich machte.

Quelle: SCHICKLER

Und nicht zuletzt braucht es eine Redaktion, die zwingend datengetrieben arbeiten kann und will – und dies mit Content, der eher boulevardesk und auf Reichweite getrimmt ist. Die Redakteure sollten in der Lage sein, ca. 150 bis 200 selbsterstellte originäre Texte bzw. angepasste Agentur-Artikel pro Tag auf dem Portal zu veröffentlichen. Nur so kann eine Relevanz erzeugt werden, die eine signifikante Reichweite erzeugt.
Ein ausreichendes Einzugsgebiet von erfahrungsgemäß mindestens 2 Millionen Einwohnern, ein prägnanter kurzer Name und optional der ergänzende Einsatz von Social-Media sowie einer App komplettieren die zu erfüllenden Anforderungen an ein Reichweitenportal.

Sind Reichweitenportale das digitale Erfolgsmodell der Zukunft?

Die Antwort ist Nein – die genauere Betrachtung zeigt, dass das Geschäftsmodell Reichweitenportal sich langfristig nicht tragen wird. Woran liegt das? Nationale und lokale Vermarktungserlöse können bei entsprechender Reichweite das Portal in die Gewinnzone bringen. Der (weltweite) Trend zur stärkeren Nutzung mobiler Endgeräte anstatt Desktops beim Nachrichtenkonsum lässt das Werbepotenzial allerdings tendenziell schrumpfen. Durch die hohe Abhängigkeit von Suchmaschinen muss zudem mit einer hohen Schwankung bei den Reichweitenzahlen gerechnet werden. Fazit: Der Business Case kann sich rechnen – aber ein Nachrichten-Reichweitenportal wird aufgrund der Volatilität von Werbeerlösen und User-Zahlen kein Kern-Geschäftsmodell in der digitalen Zukunft von regionalen Medienhäusern sein.

Fazit

Reichweitenportale sind nicht DAS digitale Geschäftsmodell der Zukunft, aber sie können für einige Verlage ein wichtiger Entwicklungsschritt in der digitalen Transformation sein. Liegt der Fokus bereits auf Paid Content muss der Mehrwert eines Reichweitenprodukts genau geprüft werden. Grundsätzlich gilt: Die Kenntnis von Mechanismen der datengetriebenen redaktionellen Arbeit und von Erfolgsfaktoren in Bezug auf Reichweitensteigerung sind für langfristige Paid-Content-Geschäftsmodelle auf Markenportalen und die grundsätzliche Digitalisierung von Organisationen ein Muss.

Use Case: Optimierung der B2B-Verkaufsorganisation durch Einsatz eines Recommender-Systems

Der Verkauf von Werbeplätzen im B2B-Geschäft ist ein wesentliches Geschäftsfeld in Medienhäusern. Dementsprechend kritisch ist eine effiziente und erfolgreiche Verkaufsorganisation für deren Gesamtgeschäftserfolg. Recommender-Systeme basierend auf modernen Machine-Learning Ansätzen können dabei helfen, in der Verkaufsorganisation sowohl den Absatz zu erhöhen als auch die Effizienz zu steigern. Im Folgenden diskutieren wir die Erstellung eines Kunden-individuellen Produkte-Rankings als konkrete Einsatzmöglichkeit eines Recommender-Systems in der B2B-Verkaufsorganisation. Eine allgemeine Einführung in die Funktionsweise von Recommender-Systemen, deren Einsatzmöglichkeiten in Medienunternehmen und die Chancen, die sich durch deren Nutzung bieten, finden Sie unter “Andere Kunden kauften auch…” – mehr Umsatz durch Einsatz von Recommender-Systemen im B2C- und B2B-Sales.

Abbildung 1: Welche Produkte sollen dem Kunden angeboten werden? 

Wie werden Entscheidungen in der Verkaufsorganisation getroffen?

Versetzen wir uns zunächst in folgende alltägliche Situation in Verkaufsorganisationen von Medienhäusern: Ein Verkaufsmitarbeiter besucht Firma 1 und bietet ihr Werbeplätze in Zeitung X und Online-Portal X an. Den Werbeplatz in Zeitung X konnte er bereits im letzten Jahr erfolgreich an Firma 1 verkaufen und da Zeitung X und Online-Portal X sehr ähnliche Inhalte haben, entschließt er sich dazu auch einen Werbeplatz bei Online-Portal X anzubieten. Der Verkaufsmitarbeiter stützt sich dabei hauptsächlich auf seine eigenen umfassenden Verkaufserfahrungen. Er weiß jedoch nicht, dass ein anderer Verkaufsmitarbeiter gerade bei der Firma 2, die in der gleichen Branche wie Firma 1 aktiv ist, erfolgreich Werbeplätze in Zeitung X, Zeitung Y und Zeitung Z verkaufen konnte und ein dritter Verkaufsmitarbeiter bei der Firma 3 nicht erfolgreich dabei war, zusätzlich zu Zeitung Z auch Online-Portal Z anzubieten.

Kunde Zeitung X Zeitung Y Zeitung Z Online- Portal X Online- Portal Z
Firma 1 Interessiert ??? ??? ??? ???
Firma 2 Interessiert Interessiert Interessiert
Firma 3 Interessiert Nicht interessiert Nicht interessiert

Tabelle 1: Historische Verkaufsinformationen

Recommender-Systeme können die gesamten in der Organisation angefallen Informationen auswerten und dem Verkaufsmitarbeiter automatisiert vor seinem Termin bei Firma 1 eine Liste mit Produkten erstellen, für die sich Firma 1 mit hoher Wahrscheinlichkeit interessiert. Dabei kann das System sowohl Ähnlichkeiten zwischen Kunden

  • Firma 1 und Firma 2 haben beide Werbeplätze in Zeitung X und Firma 2 zusätzlich Werbeplätze in Zeitung Y und Zeitung Z gekauft, also empfehle Firma 1 auch Zeitung Y und Zeitung Z

und zwischen Produkten

  • Zeitung Y und Zeitung Z sind ebenfalls Print-Medien und wurden mit Zeitung X zusammen gekauft, Online-Portal X enthält ähnliche Inhalte wie Zeitung X, also empfehle auch Zeitung Y, Zeitung Z, Online-Portal X

berücksichtigen.

Wie liefert ein Recommender-System optimierte Produktvorschläge?

Recommender-Systeme automatisieren die obigen Überlegungen im großen Stil. Sie sind in der Lage selbstständig wesentliche Zusammenhänge zwischen Kunden und Produkten zu erkennen und damit zuverlässige Vorhersagen für den Abschlusserfolg zu generieren. Zusätzlich zu den in Tabelle 1 dargestellten historischen Verkäufen und Verkaufsversuchen können beliebige weitere Kunden- und Produktinformationen in die Modellbildung einfließen. Ein Recommender-System bietet hierbei den großen Vorteil, dass es im Gegensatz zum menschlichen Entscheider prinzipiell beliebig große Daten- und Informationsmengen umfassend auswerten kann. Somit kann es auch Muster berücksichtigen, die erst durch die Analyse einer großen Zahl von Datenpunkten sichtbar werden. Zusätzlich trifft das System Vorschlags-Entscheidungen rein basierend auf der Daten-Faktenlage und ist im Gegensatz zum Bauchgefühl der Verkaufsmitarbeiter immun gegenüber kognitiven Verzerrungen. Nichtsdestotrotz liefern die Erfahrung und das Bauchgefühl der Verkaufsmitarbeiter wertvolle Erkenntnisse und können in hybriden Entscheidungssystemen berücksichtigt werden. 

Abbildung 2: Technischer Aufbau eines Recommender-Systems

Das Kernstück des Recommender-Systems ist ein Machine-Learning Modell, das trainiert wird um aus der Eingabe von Kunde und Produkt einschließlich zugehöriger Merkmale einen Score, wie z.B. die Verkaufs-Wahrscheinlichkeit oder den beim Kunden zu generierenden Umsatz mit diesem Produkt, zu berechnen. Basierend auf diesem Modell wird für einen Kunden ein Produkte-Ranking erstellt, indem für diesen Kunden der Score mit jedem Produkt berechnet und die Produkte nach dem Score sortiert werden. Der Output des Recommender-Systems, der dem Verkaufsmitarbeiter als Grundlage für die Vorbereitung des Termins bei Firma 1 dienen kann, könnte dann zum Beispiel wie folgt aussehen:

Rank Produkt Verkaufs-Wahrscheinlichkeit
1 Zeitung X 92%
2 Zeitung Z 63%
3 Zeitung Y 57%
4 Online-Plattform X 23%
5 Online-Plattform Z 8%

Tabelle 2: Ranking-Output des Recommender-Systems

Wie stark automatisiert diese Rankings am Ende in die Prozesse der Verkaufsorganisation eingebunden werden, können das Medienhaus und die Verkaufsmitarbeiter selbst entscheiden. Es kann direkt verwendet werden um zentral zu planen, welche Kunden mit welchen Produkten angesprochen werden, oder aber den Verkaufsmitarbeitern als Ergänzung zu ihren eigenen Einschätzungen bei der Verkaufsplanung dienen.

Welche weiteren Vorteile bietet der Einsatz eines Recommender-Systems?

Zusätzlich dazu, dass ein Recommender-System automatisiert Verkaufs-Wahrscheinlichkeiten liefert, kann es auch dabei helfen das Kaufverhalten der Kunden besser zu verstehen. Anhand des Outputs und der Zwischenergebnisse des Machine-Learning Modells können Kaufmuster aufgedeckt und homogene Kunden- und Produkt-Cluster identifiziert werden. Das folgende Bild zeigt beispielhaft die von einem Neuronalen Netz gelernten Produkt-Vektoren, so dass nahe bei einander liegende Punkte Produkte repräsentieren, die von gleichen Kunden gekauft werden. Dies erlaubt tiefe Einblicke in die Struktur des Produktportfolios rein auf Basis des Kaufverhaltens.

Abbildung 3: Darstellung der gelernten Ähnlichkeiten der Produkte (Farben entsprechen Produktgruppen und Kreisgrößen dem Gesamt-Umsatz mit diesem Produkt)

Darüber hinaus können weitere Daten-Analyse- und Clustering-Methoden genutzt werden, um das Kaufverhalten der Kunden besser zu verstehen. Besonders hervorzuheben ist dabei die Methode der Assoziationsanalyse, bei der automatisiert Regeln der Form „Wenn Zeitung X und Zeitung Y gekauft wurden, wird mit Wahrscheinlichkeit 87% auch Zeitung Z interessant sein“ gelernt werden können. Basierend auf diesen Regeln kann der Algorithmus dann Empfehlungen generieren. Zum Beispiel würde er Kunden, die Zeitung X und Zeitung Y gekauft haben, auch Zeitung Z vorschlagen. Dieser Algorithmus erstellt also nicht nur Empfehlungen “Kaufen Sie Zeitung Z”,  sondern er kann auch zusätzlich Begründungen “Wenn Zeitung X und Zeitung Y gekauft wurden, wurde oft auch Zeitung Z gekauft” für diese Empfehlungen liefern. Somit können tiefe Einblicke in die Kaufmuster gewonnen werden und die Produktempfehlungen sind einfacher zu plausibilisieren.

Recommender-Systeme und Machine-Learning-Tools können über die oben diskutierte Erstellung von Kunden-individuellen Produkte-Rankings hinaus noch weitere Aufgaben in der Steuerung der Verkaufsorganisation übernehmen. So kann zum Beispiel auch vorhergesagt werden, wann welche Kunden kontaktiert werden sollten, mit welcher Frequenz Kunden betreut und über welche Kanäle (Tele-Sales, persönlicher Besuch) optimal angesprochen werden können. Zudem können Kunden-individuell optimierte Preise und Rabatte bestimmt werden. Die Qualität dieser Vorhersagen hängt dabei stark von der vorhandenen Datenlage ab. Solange aber die endgültigen Entscheidungen bei menschlichen Entscheidungsscheidungsträgern liegen und der Output von Recommender-Systemen lediglich bei der Entscheidungsfindung unterstützt, können von Algorithmen aufgedeckte Zusammenhänge die Verkaufsplanung verbessern, ohne dass nicht erkannte Muster, die jedoch den Verkäufern durch ihre Erfahrung bekannt sind, ignoriert werden. Ein großer Vorteil von Machine-Learning Systemen ist auch, dass diese sich mit der Zeit weiterentwickeln, d.h. mit dem Zufluss neuer Daten lernen sie Zusammenhänge immer besser zu erkennen und Vorhersagen immer präziser zu treffen.

#DataDeepDive – dpa Hackathon mit Schickler Data Science Team

Unter dem Motto #DataDeepDive fand vom 29. November bis 1. Dezember bereits zum dritten Mal der dpa Hackathon im Newsroom der deutschen Presseagentur (dpa) in Berlin statt. Ziel war es, datengetriebene Lösungen zu entwickeln, um die Arbeit der Journalisten im dpa-Newsroom zu erleichtern und neue datenbasierte Produkte oder Produktverbesserungen für die Nachrichtenagentur zu kreieren. Die behandelten Themen umfassten unter anderem die automatisierte Erstellung von journalistischen Inhalten in Text und Graphiken (Robot Journalism), die Auswertung und Erkenntnisgewinnung aus öffentlichen Datenquellen (Public Data) und die Verwendung von Nutzerdaten zur optimalen Ausspielung von Inhalten (DataDriven-Publishing).

Abbildung 1: Logo des Hackathons

Das Format des Hackathons und die bunte Mischung von circa 80 Teilnehmen aus den Bereichen Software-Entwicklung, Journalismus und Data Science boten optimale Voraussetzungen für die Entwicklung innovativer Ideen. Zudem bekamen die Teilnehmer von den dpa-Mitarbeitern im Newsroom direkte Einschätzungen zur Umsetzbarkeit und zum Nutzen ihrer Konzepte.
Nur 50 Stunden hatten die Teilnehmer Zeit um von den ersten Ideen bis zum finalen Pitch tragfähiger Konzepte und zur Vorstellung funktionsfähiger Prototypen zu gelangen. Trotzdem haben sich insgesamt 11 Teams gefunden, denen es in dieser kurzen Zeit gelungen ist 11 Projekte zu erarbeiteten, die aufzeigen wie die Zukunft redaktioneller Arbeit und journalistischer Produkte aussehen könnte.

Mit Robot Journalism werden automatisiert Texte und Graphiken erstellt

Die Teams Regio Reports und Loki beschäftigten sich mit der Frage, wie Lokaljournalisten aus großen öffentlichen Datensätzen, wie sie zum Beispiel das statistische Bundesamt regelmäßig veröffentlicht, mit geringem Aufwand für ihre Region relevante Einsichten gewinnen können. Sie entwickelten Algorithmen, die automatisiert Zusammenfassungen und Graphiken für jede Region erstellen und diese an die Lokalredaktionen versenden. Das Team Loki programmierte zudem einen Chatbot, über den Journalisten entsprechende Inhalte anfragen können und der diese dann automatisiert bereitstellt. Das Team Regio Reports wurde für sein Konzept mit dem Preis Best of API Prototype ausgezeichnet.

Abbildung 2: Das Team VizGov gewinnt den Preis Best Overall (Foto dpa)

Das Team VizGov, das mit dem Preis Best Overall ausgezeichnet wurde, konnte die Jury mit einem Programm überzeugen, das automatisiert Bundestagsprotokolle auswertet. So kann das Tool zum Beispiel feststellen, welche Fraktion für die meisten Zwischenrufe verantwortlich ist oder welcher Abgeordnete bei seinen Redebeiträgen den meisten Applaus oder die meisten Lacher erntet. Auch das Team VizGov programmierte einen Chatbot, dem Journalisten solche Fragen stellen können und der dann automatisiert die erfragte Information aus den Protokollen extrahiert.
Journalisten bietet sich eine Vielzahl von Möglichkeiten einen Text oder eine Graphik zu gestalten. Oft jedoch fehlt die nötige Information darüber, welche Form dem Leser am besten gefallen wird. Einen interessanten Workaround für dieses Problem entwickelte das Team Fluid Articles. Es kreierte ein Tool zur Erstellung interaktiver Graphiken, die der Nutzer selbst verändern kann. Anhand der Veränderungen der Graphik durch die Nutzer lernt der Algorithmus welche Darstellung den Nutzern am besten gefällt und präsentiert neuen Nutzern eine überarbeitete Darstellung. Potentiell ist ein ähnliches Konzept auch für Textinhalte denkbar. So können zum Beispiel Textteile, bei denen ein Nutzer das Lesen abbricht, automatisiert überarbeitet werden.

Smarte Algorithmen erleichtern die Arbeit in der Redaktion

Redaktionen stehen bei der Erstellung journalistischer Inhalte permanent unter Zeitdruck. Viele Teams suchten deswegen nach Lösungen um die Arbeit der Journalisten zu erleichtern und zu beschleunigen. Das Team Robocop beschäftigte sich mit dem Problem, dass täglich hunderte von Pressemitteilungen in Redaktionen eingehen und manuell die berichtenswerten Mitteilungen herausgefiltert werden müssen. Für die Entwicklung eines Algorithmus, der automatisiert Polizeiberichte scannt und nach ihrer Wichtigkeit sortiert, wurde das Team mit dem Preis Most Innovative ausgezeichnet. Weitere denkbare Anwendungen des Algorithmus umfassen die automatisierte Prüfung beliebiger Pressemitteilungen auf Relevanz oder das Durchsuchen von Social Media Feeds nach berichtenswerten Ereignissen.

Abbildung 3: Das Team Robocop bei der Arbeit (Foto dpa)

Um Journalisten bei der Recherche zu unterstützen, entwickelte das Team Context ein Programm, das die Berichterstattung über eine Person auswertet und visualisiert. So wird auf einen Blick deutlich, in welchem Kontext eine Person in der Vergangenheit im öffentlichen Interesse stand. Der Algorithmus kann zudem angepasst werden um die Berichterstattung über Organisationen, Länder, Orte und ganz allgemein Themen zu visualisieren.
Ein weiterer wichtiger Punkt für die Produktion qualitativ hochwertiger journalistischer Inhalte ist die Verifizierung von Quellen. Das Team veri easy entwickelte hierfür einen Algorithmus, der die Echtheit von Fotos analysiert. Mit dem Ziel Nachrichtenhäusern Fotos und Videos schneller zur Verfügung zu stellen kreierte das Team Crowdforce eine App, über die sowohl professionelle Fotografen als auch Amateure ihr Bildmaterial anbieten können. Journalisten können in der App dann mit Hilfe von Stichworten, Zeit- und Ort-Restriktionen passendes Material finden.

Durch DataDriven-Publishing werden Leser optimal angesprochen

Bei digitalen Medieninhalten besteht die Möglichkeit eine Vielzahl an Nutzungsparametern wie Leserzahl, Lesedauer und Lesetiefe zu erfassen. Basierend auf diesen Werten können Inhalte optimiert oder Leser-individuell ausgespielt werden. Im Gegensatz zu den Medienhäusern, die die Inhalte direkt an die Leser weitergeben, verfügt die dpa als Nachrichtenagentur, die ihre Inhalte an die Medienhäuser verkauft, allerdings nicht über diese Informationen. Deswegen entwickelte das Team HillSight ein Kooperationsmodell zur Weitergabe relevanter Performance-Parameter von den Medienhäuser an die dpa. Die dpa kann mit Hilfe dieser Informationen ihre Inhalte optimieren und ein werthaltigeres Produkt anbieten. Die Medienhäuser profitieren von der Kooperation dadurch, dass sie für die Erreichung ihrer strategischen Ziele wie Reichweite und Paid-User-Conversion maßgeschneiderte Inhalte erhalten.
Um möglichst vielen Artikeln eine interessierte Leserschaft zu verschaffen, entwickelte das Team Fair chance ein Recommender System für Online-Artikel. Das Team Vor der Tür entwickelte ein Content-Portal, auf dem auf Nachbarschaftsebene interessante Nachrichten gesammelt werden. Über das Portal können lokal relevante Nachrichten, Veranstaltungsinformationen und viele weitere Inhalte sowohl von kommerziellen Anbietern als auch von Privatpersonen geteilt werden. Die Nutzer können selbst steuern über welche Inhalte sie durch das Portal informiert werden möchten.

Schickler begleitete den Hackathon als Sponsor und war mit dem Data Science Team vor Ort. Amr Rekaby Salama und Ole Martin fungierten als Mentoren und unterstützten die Teams bei technischen und konzeptionellen Fragestellungen. Dr. Christoph Mayer war als Jury-Mitglied bei der Auswahl der besten Beiträge beteiligt.

UKW vs. DAB+: Die Zukunft des Digitalradios in Deutschland

Ist DAB+ die Zukunft des Radios? Oder haben 5G, Smartspeaker & Co. die Übertragungstechnologie längst überholt? Und welchen wirtschaftlichen Effekt haben DAB+ und die immer wieder diskutierte UKW-Abschaltung für Radiosender?

DAB+ – „Digital Audio Broadcast“ – steht für die digitale statt der analogen UKW-Übertragungstechnologie. Das „+“ steht dabei für einen weiterentwickelten Standard – denn digitales Radio gibt es tatsächlich schon seit einiger Zeit. Entwickelt wurde die erste Version des Digitalradios bereits in den 90er Jahren. 2011 wurde die weiterentwickelte Version DAB+ vorgestellt. Mit einer nochmals verbesserten Audioqualität und geringeren Sendekosten soll sie UKW den Kampf ansagen. Die Vorteile, die digitales Radio mit sich bringt sind vielfältig: verbesserte Audioqualität, geringere Übertragungskosten und mehr Sender. Anders als bei UKW gibt es für DAB+-Sender fast unbegrenzt Übertragungskapazitäten. Sie bietet den Hörern eine größere Auswahl an Programmen. Zudem eröffnet DAB+ den Hörern weitere Mehrwertdienste, beispielsweise blendet es Album-Cover der jeweiligen Songs ein.

Deutschlandweit wurden bis heute fast 12 Millionen DAB+-fähige Geräte verkauft. Alleine im Jahr 2017 waren es 1,3 Millionen (Quellen: Arbeitsgemeinschaft der Landesmedienanstalten, HEMIX). Damit ist der Verkauf von DAB+-Radios im Vergleich zum Vorjahr um 11 Prozent gewachsen. Demnach haben inzwischen knapp 16 Prozent aller Deutschen Zugang zu einem DAB+-fähigen Gerät – Tendenz steigend. Die Mehrheit setzt allerdings nach wie vor auf analoges Radio – was die Reichweite von UKW mit 95 Prozent zeigt. Zudem laufen bisher lediglich 7 Prozent der Autoradios über DAB+ (Quelle: Die Medienanstalten, Digitalisierungsbericht 2017). Um die Vielfalt der verschiedenen Sender zu fördern und Kosten zu sparen, kommt immer wieder die Diskussion einer UKW-Abschaltung auf. Private Radiosender fürchten, dass sie damit in naher Zukunft deutlich an Hörern verlieren würden und so auch weniger Erlöse aus Werbung erzielen könnten. Möglicherweise könnten Hörer ohne DAB+-Gerät eher auf ein Radio verzichten, statt ein Gerät mit der neuen Technologie zu kaufen.

Die Schickler Unternehmensberatung hat in einer eigenen Studie untersucht, wie eine UKW-Abschaltung sich auf die wirtschaftlichen Effekte von privaten Radiosendern auswirkt. Die Ergebnisse präsentierte Schickler-Berater Dr. Christoph Mayer auf den Medientagen München. Aus der Studie geht hervor, dass eine Abschaltung von UKW für private Radiosender erst dann tragbar sein wird, wenn DAB+ eine Reichweite von ca. 90 Prozent erreicht. Basis der Berechnungen sind die Kosten und Einnahmen realer Radiosender in Deutschland, die stündlich zwischen 20.000 und 1 Million Hörer haben und so eine Bandbreite an privaten Radiosendern repräsentieren. Um zu prognostizieren, wann DAB+ eine Reichweite von 90 Prozent erreicht, nutzt die Studie verschiedene mathematische Modelle, die zu unterschiedlichen Verlaufsszenarien für die DAB+-Reichweite in Deutschland führen (Abbildung 1).

Abbildung 1: Szenarien für die Entwicklung der DAB+-Reichweite in Deutschland

  • Ländermodelle Norwegen und Großbritannien: Das Ländermodell überträgt die Entwicklung von DAB+ in den vergangenen zehn Jahren in Großbritannien und Norwegen auf Deutschland (Abbildung 2).

    Abbildung 2: DAB+-Reichweite Deutschland, Norwegen und Großbritannien

    Basis für das Modell lieferte die Beobachtung, dass der Stand von DAB+ in Deutschland momentan etwa dem Stand in Norwegen und Großbritannien vor zehn Jahren entspricht. Bei näherer Betrachtung allerdings erscheint ein Vergleich mit Norwegen unrealistisch: politische Abläufe in Deutschland und Norwegen unterscheiden sich grundlegend. Einen weitaus tragbareren Vergleich liefert Großbritannien: politisch und technologisch ähnliche Rahmenbedingungen ermöglichen einen direkten Vergleich. Demnach hat Deutschland im Jahr 2039 eine DAB+-Reichweite von 90 Prozent entwickelt.

  • Durchdringungsmodell: Das zweite Szenario beruht auf dem Bass-Diffusionsmodell. Das mathematische Modell untersucht den Verlauf der Durchdringung neuer Technologien am Markt und wendet es auf DAB+ an. Demnach ist die Reichweite von DAB+ in Deutschland frühestens ab 2033 groß genug, um UKW abzuschalten, ohne dass es die Überlebensfähigkeit privater Radiosender bedroht.
  • Erneuerungsmodell: Diesem Szenario liegt die Erneuerungsrate von Radiogeräten in Haushalten und Autos in Deutschland zu Grunde. Sie steigt deutlich, wenn UKW abgeschaltet ist. Das wiederum beeinflusst den Verkauf von DAB+ stark. Das Erneuerungsmodell sagt für 2036 eine Entwicklung der Reichweite auf 90 Prozent voraus.

Die Modelle vereint, dass die Reichweite von DAB+ erst in ferner Zukunft hoch genug sein wird, um für private Radiosender eine tatsächliche Alternative zu UKW darzustellen. Um die Konsequenzen einer zeitnahen UKW-Abschaltung abschätzen zu können, berechnet die Studie zusätzlich die Umsatzverluste der Radiosender bei einer Abschaltung im Jahr 2030, 2025 und zum jetzigen Zeitpunkt (Abbildung 3).

Abbildung 3: Umsatzverluste durch UKW-Abschaltung in Abhängigkeit vom Zeitpunkt der Abschaltung

Bei einer Abschaltung von UKW im Jahr 2018 müssen die untersuchten Sender mit einem Umsatzverlust von durchschnittlich über 60 Prozent rechnen.  Auch 2025 kostet eine Abschaltung noch mehr als 25 Prozent des Umsatzes.

Die Studie zeigt deutlich, dass eine vorschnelle Abschaltung von UKW die Existenz vieler Radiosender bedroht. Dem politischen Ziel von DAB+, nämlich eine größere Vielfalt an Sendern zu schaffen, könnte also schnell ein Sterben von Radiosendern folgen. Auch die eng gefasste Gegenüberstellung UKW vs. DAB+ hat sich in der Realität bereits überholt. Neue Technologien wie Smartspeaker, 5G Broadcast Mode und Co. führen zu einer Vielzahl neuer Übertragungswege. Radiosender müssen sich darauf einstellen, sämtliche Übertragungswege zu bespielen – denn am Ende entscheidet der Hörer.

Die vollständige Studie kann beim VBRA heruntergeladen werden, der auch einen Bericht zur Veranstaltung auf den Medientage München bereitstellt.

“Andere Kunden kauften auch…” – wie Recommender-Systeme zu mehr Umsatz führen

Amazon generiert 35% seines Umsatzes und Netflix 75% der Reichweite seiner Inhalte ausschließlich durch die Nutzung von Recommender-Systemen! Lernen Sie im folgenden Artikel, was Recommender-Systeme sind, was für Einsatzmöglichkeiten sich für Recommender-Systeme in Medienunternehmen bieten und welche Chancen durch ihre Nutzung realisiert werden können.

Was sind Recommender-Systeme?

Kunden oder Nutzer stehen häufig vor einer großen Auswahl an Produkten oder Inhalten. Ihre Kauf- oder Nutzungsentscheidung hängt dann maßgeblich davon ab, dass sie die für sie interessanten Produkte und Inhalte möglichst schnell und mit geringem Aufwand herausfiltern können.  Dabei helfen Recommender-Systeme (dt. Empfehlungsdienste oder Vorschlagssysteme). Das sind algorithmenbasierte Systeme, die für jeden Kunden automatisiert die Produkte auswählen können, die ihn mit hoher Wahrscheinlichkeit interessieren. Die Systeme lernen aus historischen Verkaufsdaten, Kunden- und Produktinformationen, für welche Kunden welche Produkte oder Inhalte besonders interessant sind. Sie erstellen automatisiert für jeden Kunden Rankings und können so den Prozess der optimalen Zuordnung von Kunde und Produkt bzw. Inhalt unterstützen.

Abbildung 1: Prinzipielle Funktionsweise von Recommender-Systemen

Amazon und Co. – die Großen machen es vor

Prominente Unternehmen zeigen, was für ein enormes Potential Recommender-Systeme bieten: Amazon zum Beispiel generiert 35 Prozent seines Umsatzes über Käufe, die durch Produktvorschläge ausgelöst wurden. 75 Prozent der Filme und Serien bei Netflix werden gesehen, weil sie das hauseigene Recommender-System vorgeschlagen hat. Die Online-Werbeeinnahmen von Medienunternehmen skalieren hauptsächlich mit der Reichweite und Nutzungsdauer von Online-Inhalten. So zeigt insbesondere das Netflix-Beispiel, welche Chancen Recommender-Systeme Medienunternehmen bieten, ihre Umsätze zu steigern. Heutzutage nutzen die meisten Menschen täglich Suchmaschinen wie Google. Sie sind im Wesentlichen nichts anderes als riesige Recommender-Systeme, die zu Suchbegriffen passende Webseiten vorschlagen. Die meisten Kunden von Medienhäusern sind zudem mit Vorschlagssystemen aus dem Onlinehandel und von Unterhaltungsplattformen wie Netflix, Youtube und Spotify bestens vertraut – und schätzen deren Vorzüge. Folglich ist das Risiko, dass eigene Systeme wenig oder schlecht angenommen werden, verhältnismäßig gering.

Abbildung 2: Artikelvorschlagssystem von Amazon

Die Einsatzbereiche in Medienhäusern sind vielfältig

Gerade in Medienhäusern ist mit Recommender-Systemen viel möglich: So können zum Beispiel Cookies oder User-Accounts tracken, welche Nutzer welche Inhalte auf Online-Nachrichtenseiten lesen. Basierend auf diesen Informationen können dann automatisiert nutzerspezifische Inhalte vorgeschlagen werden – so dass für den Nutzer beispielsweise am Ende eines Artikels weitere für ihn interessante Artikel verlinkt sind oder individuelle Startseiten für ihn erstellt werden. Weiterhin können Recommender-Systeme dabei helfen, welche Nutzer welche Werbung über Pop-Ups oder Banner zu sehen bekommen. Werbung, die mit hoher Wahrscheinlichkeit für den Nutzer relevant ist, kann die Click-Through-Raten und damit auch die Werbeeinnahmen massiv erhöhen. Im Kundenservice können Recommender-Systeme automatisiert Lösungen für eingehende Anliegen vorschlagen. Sie können dann entweder direkt an den Kunden gesendet werden oder den Service-Mitarbeiter bei der Kundenberatung unterstützen. Weiterhin stehen Mitarbeiter in der Verkaufsorganisation von Medienhäusern täglich vor der Entscheidung, an welche Kunden sie mit welchen Produkten herantreten. Oft entscheiden sie dann basierend auf persönliche Erfahrungen. Ein Recommender-System kann die Erfahrungen aller Mitarbeiter für die gesamte Organisation zugänglich machen, den Mitarbeitern bei der Entscheidung helfen und neue Zusammenhänge aufdecken (Vgl. Christoph Mayer, Künstliche Intelligenz und Maschinelles Lernen: Hintergrund, Anwendungsfälle und Chancen für Medienunternehmen, erschienen in MedienWirtschaft 03/2018).

Immer niedriger: die technischen Hürden

Obwohl man den Einsatz hochentwickelter Machine-Learning-Methoden, wie sie bei Recommender-Systemen verwendet werden, hauptsächlich mit führenden Technologie-Unternehmen aus dem Silicon Valley verbindet, sind die Hürden für die Einführung von Recommender-Systemen überraschend niedrig. Als Datengrundlage reichen bereits einfache Aufzeichnungen darüber, welcher Kunde in der Vergangenheit welche Produkte gekauft bzw. welche Inhalte konsumiert hat. Die Einbeziehung weiterer Kunden- und Produktinformationen kann die Qualität von Recommender-Systemen zusätzlich verbessern. Schickler-interne Untersuchungen basierend auf realen Datensätzen haben aber gezeigt, dass bereits ausschließlich auf der Verkaufshistorie trainierte Systeme sehr gute Ergebnisse liefern können. Zudem können Systeme variabel aufgesetzt werden, so dass neu verfügbare Kunden- und Produktdaten später ergänzt werden können. Zusätzlich dazu, dass die benötigten Daten oft schon vorhanden sind, wird auch das Aufsetzen der Algorithmen immer einfacher. Zum einen gibt es mittlerweile eine sehr hohe Verfügbarkeit von Machine-Learning APIs, die viele vorgefertigte Programmbausteine beinhalten und somit die Entwicklung entsprechender Recommender-Systeme massiv beschleunigen können. Zum anderen stehen Cloud-Services wie Amazon Web Services für einen flexiblen und kostengünstigen Betrieb dieser Systeme zur Verfügung.

Fazit: Ergreifen Sie die Chancen

Medienhäusern bieten sich durch den Einsatz von Recommender-Systemen vielseitige Möglichkeiten um Umsätze zu erhöhen und Prozesse effizienter zu gestalten. Zusätzlich können dabei die Kundenzufriedenheit durch ein individuelleres und gezielteres Angebot gesteigert und Mitarbeiter in ihrer Arbeit entlastet und unterstützt werden. Die oben genannten Anwendungsbeispiele umfassen nur einen Ausschnitt potentieller Einsatzmöglichkeiten von Recommender-Systemen. Viele weitere Anwendungen insbesondere auch unter Einbeziehung weiterer Data-Science Methoden sind denkbar. Im Zeitalter der Daten sind, zumindest unter der Voraussetzung von entsprechender Datenverfügbarkeit und Integrierbarkeit von automatisierten Lösungen in bestehende Systeme, weiteren Anwendungen kaum Grenzen gesetzt.

Wenn Sie neugierig geworden sind, Fragen haben oder einfach mehr wissen möchten, steht Ihnen das Schickler Data-Science-Team gerne zur Verfügung: datascience@schickler.de