Trong hơn một thập kỷ, các nhà xuất bản nội dung số đã và đang vật lộn với một câu hỏi mang tính chiến lược về sự tồn tại: Nên coi doanh thu tiêu dùng hay doanh thu quảng cáo là dòng doanh thu chính?
Trong năm 2017, câu hỏi đó và sự đánh đổi đi kèm với nó sẽ trở nên lỗi thời nhờ việc áp dụng rộng rãi công nghệ máy tự học (machine-learning), phân tích dự đoán và phân tích để ra quyết định.
Trong quá trình tạo ra một thước đo động (dynamic) cho các nhà xuất bản nội dung thì độc giả, các nhà quảng cáo cũng như những thuật toán này đều có tiềm năng biến đổi cách mà ngành báo chí tạo ra doanh thu.
Một điểm thú vị của việc xây dựng thước đo động là nó sẽ khiến toàn bộ tổ chức phải chú trọng đến từng câu chuyện đơn lẻ. Nếu câu chuyện không có giá trị báo chí hoặc không thu hút sự tương tác cao, thì việc xây dựng một mô hình kinh doanh xoay quanh nó sẽ trở nên khó khăn hơn rất nhiều.
Điều này khiến cách nhà xuất bản nội dung phải lựa chọn, hoặc là theo chiến lược đổi chiều sâu lấy quy mô lớn để áp dụng các mô hình quảng cáo, hoặc là đổi quy mô lớn lấy sự trung thành của độc giả để có thể áp dụng các mô hình doanh thu tiêu dùng, ví dụ như thu phí. Mỗi bài viết phải tự đứng trên đôi chân của nó. Điều này làm thay đổi rõ rệt những tính toán của các phóng viên và biên tập viên trong việc xác định xem có nên đưa tin về một câu chuyện nào đó hay không.
Tất cả những điều này khiến cho sự băn khoăn về việc báo chí có nên dựng tường thu phí (paywall) hay không cùng kiểu chào mời “10 bài báo miễn phí mỗi tháng” dường như trở nên cổ lỗ.
Máy tự học
Phần lớn các nhà xuất bản tin tức vẫn nhận diện các bài báo của họ thông qua cơ chế gắn thẻ về Người, Địa điểm và Chủ đề. Mặc dù những thẻ này rất hữu ích trong việc phân loại yếu tố “cái gì” trong báo chí, chúng lại là những công cụ thiếu tinh tế trong việc phân loại yếu tố “tại sao” trong báo chí của chúng ta.
Chẳng hạn, khi ta gắn thẻ cho một câu chuyện theo loại Người: Donald Trump, loại Địa điểm: Washington D.C., và Chủ đề: Chính trị, ta biết rằng có thể đưa bài viết đó tới độc giả như thế nào - nhưng ta không biết vì sao câu chuyện đó tồn tại.
Bằng việc khai thác phần nội dung văn bản trong bài viết, sử dụng các công cụ phân tích ngôn ngữ tự nhiên và tìm kiếm các mô hình phức tạp, các công cụ máy học như Alchemy API của IBM có thể đào sâu hơn trong việc mô tả những động lực cảm xúc của câu chuyện đó. Có thể bài báo thực chất là về một độc giả cảm thấy phẫn nộ, hoặc cảm thấy bị lép vế.
Vậy là khi mới nhìn vào, nó có thể trông giống như một câu chuyện khác về đội ngũ chuyển giao quyền lực của ông Trump, nhưng bằng cách áp dụng công nghệ máy tự học vào bài viết đó, ta có thể nhận thấy rằng bài viết có nhiều điểm tương đồng với một bài viết liên quan sự lép vế trong thể thao của đội bóng chày ở Cleveland.
Đó là lý thuyết Kurt Vonnegut về kể chuyện, rằng mỗi câu chuyện lại đi theo một mô hình cảm xúc nhất quán, được thể hiện trên mỗi bài viết.
Một khi đã có thể xác định phản ứng cảm xúc của một người đọc đối với các bài viết riêng lẻ, các nhà phát hành khi đó có thể bắt đầu hiểu được mô hình của người đọc và việc khơi gợi những cảm xúc cụ thể có thể tạo ra giá trị đo đếm được đối với mỗi độc giả như thế nào.
Phân tích dự đoán
Phân tích dự đoán có tiềm năng gia tăng doanh thu cho các nhà phát hành theo từng bài viết, đồng thời giảm chi phí cho mỗi lần mua nói chung. Phân tích cũng có thể giúp biến người đọc thành người đăng ký trả phí, và điều quan trọng nhất là tăng mức độ hài lòng của độc giả.
Hãy tưởng tượng một độc giả đang duyệt web trên chiếc điện thoại thông minh khi đang ngồi trên tàu đi tới chỗ làm. Họ nhấn vào một đường dẫn thông qua Reddit và tới trang tin của bạn, và gặp phải tường thu phí.
Sử dụng phân tích dự đoán, ta có thể khá chắc chắn rằng độc giả Reddit trên di động này sẽ không theo dõi trang web của bạn. Trên thực tế, độc giả này thậm chí có thể đăng bài trên Reddit về việc cô ấy không thích tường thu phí của bạn đến mức nào.
Do đó, thay vì phí thời gian cố gắng thuyết phục độc giả ấy đăng ký trả phí, bạn còn có thể trao đổi với cô ấy loại giá trị nào khác để có lợi cho cả hai? Có thể đó là một mẫu đăng ký nhận tin qua email như một sự khởi đầu cho mối quan hệ marketing? Có thể đó là một lựa chọn cho độc giả bấm “thích” trang web của bạn trên Facebook để chúng có thể giúp bạn mở rộng tầm tiếp cận?
Bằng việc xem xét dữ liệu được cung cấp bởi những độc giả trước đó, các nhà xuất bản tin tức có thể dự đoán tỷ lệ trao đổi giá trị và chuyển đổi thành người dùng trả phí lý tưởng là gì đối với người vào xem bất kỳ bài báo riêng lẻ nào từ bất kỳ nơi giới thiệu nào, bất kỳ nền tảng nào, bất kỳ thời gian nào trong ngày và đưa ra cho họ một thang đo động phù hợp.
Để đạt được điều này cần có sự đầu tư vào phân tích dữ liệu, nhưng hiện đã có những công cụ bên thứ ba trên thị trường có thể giúp giảm chi phí thực hiện.
Phân tích để ra quyết định
Phân tích để ra quyết định có một điểm yếu cơ bản: Nó chỉ dựa trên dữ liệu lịch sử. Bằng việc vừa làm vừa học, phân tích để ra quyết định có thể thích nghi trong thời gian thực với những điều kiện xoay quanh một bài viết.
Bạn có nhớ độc giả Reddit mà dữ liệu lịch sử của cô ấy gợi ý rằng cô ấy nhiều khả năng sẽ không trả phí không? Nếu bài viết cô ấy đang chọn là một cuộc điều tra độc quyền có liên quan trực tiếp tới Reddit thì sao? Nếu bài viết chỉ mới đang bắt đầu được quan tâm trên hệ sinh thái digital nhưng nó vẫn chưa được các kênh tin tức khác đăng tải thì sao? Khi đó độc giả Reddit này liệu có nhiều khả năng sẽ trả phí hơn không?
Phân tích để ra quyết định cho phép các nhà xuất bản tin tức đưa ra những quyết định trao đổi giá trị trong thời gian thực đối với mỗi bài viết. Nếu muốn, họ có thể lập tường thu phí cho một bài viết dành riêng cho người đăng ký chỉ trong khoảng thời gian mà bài viết có giá trị lớn nhất, và sau đó mở lại nó khi giá trị của một mẩu quảng cáo vượt qua giá trị doanh thu tiềm năng từ đăng ký theo dõi.
Máy tự học + phân tích dự đoán + phân tích để ra quyết định
Giờ khi ta đã hiểu cách công nghệ máy tự học có thể xác định các yếu tố thúc đẩy cảm xúc trong mỗi bài viết, cách phân tích dự đoán có thể xác định giá trị trao đổi giữa nhà xuất bản và các độc giả cá nhân của họ, và cách phân tích để ra quyết định có thể điều chỉnh giá trị trao đổi tối đa trong thời gian thực, ta có thể bắt đầu hình dung về việc kết hợp cả ba có khả năng trở thành chiếc “chén thánh” ra sao đối với các cơ quan báo chí.
Đối với nhà quảng cáo, một nhà xuất bản tin tức có thể xác định được rằng một bài viết khơi gợi hy vọng tạo ra nhiều lợi nhuận hơn từ một độc giả từ Facebook so với một bài viết khơi gợi nỗi sợ hãi.
Biết rằng hy vọng có thể tạo ra sự hài lòng lớn hơn trong quảng cáo khi các nhãn hiệu của họ được đặt cạnh các câu chuyện này, các nhà xuất bản tin tức có thể tăng giá cho việc đặt một mẩu quảng cáo cạnh bài viết đó, hoặc đưa một nội dung được tài trợ có liên quan vào bài viết đó, trong khi sự hứng thú với câu chuyện được mở rộng và tăng tốc.
Từ quan điểm của độc giả trả phí, một nhà xuất bản tin tức có thể điều chỉnh tường thu phí theo khả năng đăng ký của một độc giả. Chẳng hạn, nếu xác định được bài viết khơi gợi sự tức giận tạo ra nhiều lợi ích hơn từ một người đọc trang chủ trên máy tính để bàn so với bài viết khơi gợi sự đồng cảm, và rằng nỗi tức giận này giúp tăng tỷ lệ đăng ký trả phí khi sự hứng thú với câu chuyện tăng lên, bạn có thể đặt ra một tường thu phí cứng xoay quanh bài viết trong thời gian cụ thể đó.
Không có kịch bản nào trong số này không thể xảy ra cùng nhau. Ta có thể kết hợp máy tự học, phân tích dự đoán và phân tích để ra quyết định nhằm tối ưu hóa giá trị trao đổi được từ độc giả này, trên thiết bị này, đến từ nền tảng này, với bài viết này, trong thời khắc cụ thể này. Nói cách khác, một thang đo động.
Cảnh báo dự đoán
Điều có thể ngăn không cho dự đoán này thành hiện thực không phải là công nghệ, mà là văn hóa tổ chức. Hiện đã có sẵn công nghệ cần có để theo đuổi thang đo động. Những thách thức của việc thực hiện ít mang tính kỹ thuật mà mang tính văn hóa nhiều hơn, vì nó sẽ đòi hỏi các nhà xuất bản tin tức phải hợp tác giữa các bộ phận. Để tối đa hóa doanh thu chung, các nhà xuất bản tin tức có thể sẽ phải làm vậy bằng việc đánh đổi doanh thu của một bộ phận cụ thể nào đó.
Nó cũng cần sự đầu tư nghiêm túc vào phân tích, sản phẩm và công nghệ trong thời kỳ mà ngân sách đang tiếp tục bị thu hẹp tại nhiều tòa soạn trên khắp Bắc Mỹ. Cuối cùng, nó đòi hỏi các nhà xuất bản tin tức phải thống nhất xoay quanh một mục tiêu chung là đặt độc giả và các câu chuyện của họ, chứ không phải lợi ích riêng của họ, lên hàng đầu.
Nếu sự hợp tác, đầu tư và triết lý có thể liên kết với nhau, thì 2017 có thể là năm sinh ra một cách tiếp cận doanh thu tinh tế, dựa trên dữ liệu, và khi đó ta có thể đạt được sự trao đổi giá trị động giữa độc giả, các nhà quảng cáo, và các nhà xuất bản tin tức./.
