Khi tờ Der Spiegel muốn tăng lượng người đăng ký đọc báo, họ đã quyết định tập trung vào cách dự đoán điều gì có thể thúc đẩy những độc giả đang đọc miễn phí quyết định trả tiền mua các gói đăng ký. Và việc sử dụng học máy (machine learning - ML) một nhánh chuyên về dự báo của trí tuệ nhân tạo (AI) đã được tạp chí hàng đầu của Đức sử dụng cho mục tiêu này.

Nhiệm vụ tìm kiếm độc giả trả tiền

Alex Held - một nhà khoa học dữ liệu tại tờ Der Spiegel của Đức, đã công bố các bước và quy trình mà nhóm của ông đã sử dụng để đưa ra những dự đoán. Ông giải thích mọi việc bắt đầu từ vài năm trước khi công ty nhận ra rằng họ đang thu hút được một số lượng lớn người dùng hoạt động hằng ngày trên trang web của mình, song những độc giả này lại không đăng ký trả tiền.

“Các độc giả này đến với chúng tôi hằng ngày. Họ đọc rất nhiều nội dung, dành nhiều giờ một tuần hoặc thậm chí đôi khi trong một ngày, nhưng không đăng ký!”, ông chia sẻ. “Trên các nền tảng khác như Netflix hay Spotify, sẽ thật điên rồ khi có một lượng người dùng khổng lồ như vậy truy cập mỗi ngày nhưng lại không đăng ký”.

Tờ Der Spiegel đã nhìn thấy “tiềm năng to lớn” và bắt đầu động não tìm cách tiếp cận hơn 1 triệu độc giả truy cập chưa đăng ký. Họ cũng quyết định sử dụng học máy để giúp giải quyết vấn đề.

Đầu tiên, điều quan trọng là phải xác định những lý do có thể khiến mọi người không đăng ký. Các lý do chính bao gồm không muốn trả giá cao hơn sau khi thời gian khuyến mãi kết thúc, không nhận được ưu đãi phù hợp hoặc không hiểu sản phẩm mang lại cho họ những gì.

Nhóm đặt mục tiêu xác định những người đăng ký tiềm năng nhất trong hơn 1 triệu độc giả này, vì vậy nhóm đã sử dụng dữ liệu để huấn luyện mô hình học máy tìm ra những độc giả đó. Nhưng trước tiên, họ phải xác định loại dữ liệu nào sẽ sử dụng để dự đoán đăng ký.

Alex Held cho biết nhóm của ông đã tạo ra 4 danh mục để xem xét:

Tương tác: Ngoài số lần nhấp chuột, nhóm của ông còn quan tâm đến việc độc giả sử dụng các tính năng dựa trên thời gian như thời gian truy cập trung bình, số lượng bài báo đã đọc, số lần hiển thị tường phí và liệu họ có truy cập trang mời đăng ký hay không.

Vị trí: Vị trí địa lý của độc giả tại Đức.

Nguồn giới thiệu: Điều này giúp xác định người dùng biết đến tờ báo từ nguồn nào (Google, Bing, thông báo đẩy, trang web chính thức v.v...).

Chuyên mục: Điều này rất quan trọng để xác định các vấn đề mà một độc giả quan tâm, giống như chính trị, thể thao, văn hóa v.v… Ngoài ra, nhóm cũng quan tâm tới việc độc giả thích hình thức nào, như podcast, báo viết truyền thống hay báo hình.

Ông chỉ ra rằng không phải lúc nào cũng dễ dàng lấy tất cả dữ liệu và đào tạo một mô hình máy học vì một số dữ liệu sẽ không đủ chất lượng và có thể cần phải loại bỏ. Trên thực tế, ông lưu ý rằng ít nhất 70% lượng dữ liệu đã không được nhóm đưa vào đào tạo mô hình do chất lượng dữ liệu kém.

Ông lưu ý rằng điều này thật sự quan trọng, sau trải nghiệm cá nhân của tờ báo. “Mô hình của chúng tôi không hoạt động tốt và nó đã dự đoán tổng số đăng ký hàng ngày, vốn không phải là mục tiêu của chúng tôi. Nhưng sau khi tinh chỉnh, mô hình đã dự đoán chính xác lượng người dùng đăng ký lâu dài”, ông cho hay.

Xác định độc giả tiềm năng

Ông cho biết nhóm chỉ tìm kiếm những người sẽ trở thành độc giả lâu dài, vì thế nhóm chỉ tìm và sử dụng dữ liệu đáp ứng các tiêu chí đó để huấn luyện mô hình.

Nhóm đã quyết định tìm kiếm các dữ liệu về người dùng 40 ngày sau khi mua báo, đồng thời sử dụng các dữ liệu trong 40 ngày gần nhất để đánh giá xem người dùng nào có khả năng cao sẽ đăng ký. Dữ liệu cũng đánh giá thời gian người dùng sẽ tiếp tục đăng ký với tờ báo.

“Với các dữ liệu đó trong tay, chúng tôi đã đào tạo một mô hình học máy. Họ đã sử dụng mô hình học máy để chấm điểm tất cả người dùng với điểm số từ 0 đến 100. Nếu mức điểm càng cao, người dùng đó càng có nhiều khả năng đăng ký”, ông cho hay.

Thay đổi dữ liệu huấn luyện thường xuyên

Ông Held cho biết tờ Der Spiegel huấn luyện lại mô hình học máy của mình hằng tháng. “Chúng tôi có một máy chủ đang chạy hoàn chỉnh… và chúng tôi sử dụng mô hình đó để phục vụ các dự đoán hằng ngày”, ông giải thích, đồng thời cho biết thêm rằng nhóm của ông có thể khôi phục các phiên bản cũ hơn khi phiên bản mới không hoạt động tốt.

Der Spiegel sử dụng Adobe Analytics hằng ngày và gửi nhóm người dùng có điểm số cao tới Adobe Target, một công cụ mà hãng sử dụng để cá nhân hóa trải nghiệm trong việc đọc báo đối với từng độc giả. Tờ báo cũng đã tạo một cuộc khảo sát cho người dùng được nhắm mục tiêu, dựa trên dữ liệu từ cuộc khảo sát kết hợp với điểm số mà mô hình chấm.

“Dựa trên điểm số mô hình, chúng tôi phân loại và gửi khảo sát tới các đối tượng này, sau đó so sánh các câu trả lời với điểm mà mô hình cung cấp”, ông Held chia sẻ. “Điều này khá thú vị vì bây giờ chúng tôi có thể hỏi mọi người một số câu hỏi mang tính cá nhân hóa, chẳng hạn như khả năng họ sẽ đăng ký với chúng tôi trong tương lai là bao nhiêu phần trăm? Hoặc chúng tôi có thể hỏi xem họ có biết về gói đăng ký hay không…? Tất cả những thông tin đó sau đó sẽ được cập nhật cho mô hình học máy”.

Sau đó, nhóm dữ liệu có thể phân tích kết quả khảo sát và tạo ra các ưu đãi phù hợp, thậm chí có thể bao gồm chiết khấu hàng năm cao hơn cho một số nhóm đối tượng nếu điều này có thể khiến họ quyết định đăng ký dài hạn.

Hướng tới tương lai

Ông Held cũng nhận thấy có một nhóm đối tượng sẵn sàng đăng ký nếu họ được cung cấp thông tin chi tiết hơn về các gói đăng ký của tờ báo. Để kiểm tra điều đó, Der Spiegel đang thử nghiệm tính năng cá nhân hóa quảng cáo và biểu ngữ của mình bằng mô hình học máy.

Trong tương lai, ông cho biết công ty đang xem xét phân tích thời gian tồn tại của dữ liệu thông tin người dùng (cookie) và số lượt truy cập dài hạn. “Chúng tôi muốn kết hợp điều đó vào mô hình học máy của mình vì chúng tôi thấy rằng những người dùng trải nghiệm sản phẩm của chúng tôi một cách chuyên sâu trong vài tuần có khả năng đăng ký rất cao”, ông nói thêm.

Ông Held cho biết việc kết hợp thông tin đó vào mô hình máy học sẽ giúp đưa ra những dự đoán chính xác hơn. Der Speigel cũng đang muốn ứng dụng thêm mô hình máy học vào các dự đoán khác, như khi nào người dùng có thể dừng đăng ký.

Hoàng Việt