Améliorer la portée et le succès de votre écriture n'est pas une mince affaire, et l'apprentissage automatique peut jouer un rôle important dans votre processus. Si vous créez du contenu dans le but d'engager le public et de générer des clics, cet article est pour vous. Les outils modernes d'apprentissage automatique (ML) permettent d'analyser les données d'engagement des articles précédents afin que vous puissiez prendre des décisions éclairées sur ce qui fonctionne et ce qui ne fonctionne pas, donnant à votre contenu un avantage concurrentiel. Explorons comment avant même de cliquer sur "publier". utiliser l'apprentissage automatique pour prédire le succès des articles Rassemblez vos données Que vous soyez un nouvel écrivain ou un journaliste expérimenté, vous publiez probablement votre article sur plusieurs sites, y compris notre bien-aimé Hackernoon. Lorsque vous écrivez pour une publication qui n'est pas la vôtre, vous manquez toutes les données et le brainstorming dont vous disposez généralement lorsque vous soumettez à votre propre blog. Sans accès aux données et aux informations de la publication, il peut être difficile de déterminer quels sujets sont les plus populaires sur Hackernoon, le nombre de liens requis pour une exposition maximale ou la réputation nécessaire pour un article réussi. Pour commencer, . nous devons trouver ces données À moins qu'il ne s'agisse d'une très petite publication, . Utilisons Hackernoon comme exemple principal. tout outil de référencement moderne sera en mesure de vous fournir les meilleures pages (c'est-à-dire les meilleurs articles) pour un site Web donné Pour découvrir les meilleurs articles sur Hackernoon, vous pouvez utiliser quelque chose comme SpyFu, SEMRush ou Ahrefs. Chaque outil a ses propres mesures et vous servira bien. Les débutants voudront peut-être essayer SpyFu pour son prix d'entrée abordable. Je l'ai déjà fait pour vous et j'ai trouvé les . Si vous souhaitez télécharger la liste, vous pouvez le faire ici. 3000 meilleurs articles sur Hackernoon Télécharger la liste ( ) Jeux de données pour Hackernoon - Google Sheets Une fois que vous avez les URL source, les titres et les statistiques d'engagement, il est temps de passer à l'étape suivante. Enrichissez vos données Les URL seules ne vous donneront pas beaucoup d'informations sur un article et ne suffiront pas à vous apprendre à écrire pour réussir en 2023. Vous avez besoin de plus de données. Vous avez besoin d'enrichissement. Vous pouvez enrichir vos URL de plusieurs manières, mais les plus utiles incluent probablement d'autres , telles que le nombre de mots, le profil de backlink et l'autorité de la page. métriques SEO Posez-vous ces questions pour comprendre ce que vous essayez de retirer de la prédiction : Qu'essayez-vous de prévoir ? Est-ce le titre ? La longueur de l'article ? Le nombre de mots-clés pour lesquels il sera classé ? De quelles données disposez-vous actuellement ? Toutes les données pertinentes pour votre objectif d'engagement peuvent aider à améliorer le taux de précision de votre prédiction Gardez à l'esprit qu'une fois que votre modèle ML est prêt, vous pouvez l'utiliser pour prédire le succès sur la publication cible quand vous le souhaitez. Un modèle de prédiction Hackernoon aujourd'hui vous servira bien pendant longtemps à moins que Hackernoon ne subisse un changement d'audience significatif (ou qu'un nouvel ensemble d'articles hyper réussis fausse les données). Dans ce cas, notre objectif est d' en fonction du titre, des backlinks et des mots-clés. optimiser le nombre moyen de vues qu'un article reçoit sur Hackernoon J'ai trouvé toutes ces données facilement disponibles dans MajesticSEO, une solution populaire pour la recherche de backlinks. Vous pouvez utiliser des alternatives gratuites si vous avez un budget limité, comme SEOGlass ou Ubersuggest. Ils ne seront pas détaillés, mais vous pourrez toujours créer votre jeu de données. Après l'enrichissement, l'exemple de jeu de données comprend désormais : Nom de l'article URL Nombre moyen de backlinks (internes et externes) Flux de citations Flux de confiance Vous pouvez télécharger gratuitement le jeu de données enrichi ici. ( ) Jeux de données pour Hackernoon - Google Sheets Entraînez votre modèle d'apprentissage automatique sans code Auparavant, l'apprentissage automatique était compliqué et vous aviez besoin d'un spécialiste des données pour proposer n'importe quel type de modèle fiable. De nos jours, ce n'est plus le cas. L'association de nouvelles technologies comme AutoML, ChatGPT et DALL-E2 avec des interfaces visuelles a été reconnue en 2022 avec l'émergence d'outils alimentés par l'IA. Cela a conduit au développement de l'apprentissage automatique sans code. Akkio et d'autres sociétés proposent des modèles d'apprentissage automatique qui peuvent être formés rapidement et facilement sans aucune connaissance en codage ou en science des données. Grâce à ces outils, n'importe qui dans le monde peut télécharger ses ensembles de données et prédire les tendances futures, prévoir les données et détecter les anomalies. En toute transparence, je suis associé à (et j'aime) , donc je continuerai à l'utiliser avec notre exemple, mais il existe d'autres outils que vous pouvez également utiliser. Akkio L'apprentissage automatique sans code est désormais utilisé par des entreprises du monde entier à diverses fins, notamment la détection de défauts dans des produits électroniques tels que les ordinateurs, l'analyse des commentaires des clients pour améliorer les produits, la rationalisation du processus de recherche de nouveaux produits pharmaceutiques et la prédiction du taux de désabonnement des utilisateurs au moment de l'enregistrement du produit. . Cela dit, revenons à la tâche : nous avons une base de données enrichie d'articles Hackernoon, avec les métriques de succès relatif que nous avons trouvées à l'étape 2. Si vos métriques de succès sont différentes, vous devrez modifier votre base de données initiale en conséquence. Si vous souhaitez suivre et/ou former votre propre modèle, Akkio et les autres outils mentionnés ci-dessus proposent tous des essais gratuits. Charger le jeu de données Vous pouvez télécharger l'ensemble de données sur Akkio via l'intégration de Google Sheet, un téléchargement CSV direct ou l'une des intégrations CRM et marketing intégrées. Faisons-le avec un téléchargement manuel pour l'instant. Voici comment la plateforme Akkio apparaîtra une fois terminée : Avec toutes vos colonnes, les agrégations vous aideront à comprendre certaines tendances de vos données dès le départ. Par exemple, vous pouvez voir la répartition des clics SEO dans les articles, décrivant clairement comment la grande majorité des articles obtiennent moins de 100 clics SEO, tandis que certains peuvent être hyper réussis. Vous voulez faire partie des 5 % les plus performants, n'est-ce pas ? Alors, formons le modèle pour vous aider à y arriver ! Nettoyez toute anomalie Une bonne est essentielle pour une formation réussie du modèle d'apprentissage automatique. Si vous préférez utiliser Excel, vous pouvez le faire ici. Alternativement, Akkio propose une boîte à outils complète de préparation des données qui vous rappellera ChatGPT. préparation des données Cela vous permet de et l'ensemble de données de la plateforme les reflétera. saisir simplement les modifications souhaitées Dans mon exemple, j'ai demandé à Chat Data Prep d'Akkio de : Supprimer tous les articles avec moins de 30 vues ; Supprimer les articles avec plus de 3200 vues ; Ceci afin de s'assurer que nous évitons les anomalies dans l'ensemble de données. Il n'y avait que quelques articles atteignant plus de 3200 vues, et un très grand nombre d'articles probablement non pertinents avec moins de 30. La suppression de ces valeurs aberrantes aide le modèle à concentrer son attention sur les facteurs déterminants les plus importants pour notre résultat. Vous pouvez nettoyer les données comme bon vous semble pour votre cas d'utilisation. Vous devrez peut-être combiner des colonnes et modifier le format de certaines valeurs pour avoir un format uniforme dans tout l'ensemble (par exemple, les dates sont courantes). Exécuter le modèle Pour ce cas d'utilisation, nous voulons que notre modèle d'apprentissage automatique prédise le succès de notre nouvel article sur la base d'articles réussis du passé. C'est ce qu'on appelle commodément un modèle de « prédiction » sur la plate-forme Akkio. Un vous demande simplement de choisir une colonne, et l'algorithme fera le reste. Tout ce que vous avez à faire est de vous asseoir et de regarder le modèle s'entraîner lui-même. modèle de prédiction Au bas de l'écran, vous pouvez décider à quelle vitesse vous voulez que le modèle atteigne la ligne de fond. Je vous suggère de commencer par "Rapide" (cela nécessite généralement moins d'une minute) et de passer à un temps d'entraînement plus long une fois que vous avez terminé avec n'importe quelle itération de modèle. Avant de cliquer sur prédire, vérifiez que vous avez sélectionné la bonne valeur à prédire. Je veux prédire le potentiel de "Clics SEO", c'est donc ma cible de prédiction. Veuillez noter qu'Akkio et d'autres outils sans code proposent généralement une grande variété de modèles d'apprentissage automatique. Pour une prédiction de nombre comme notre exemple, les outils utiliseront un processus appelé AutoML pour choisir le modèle le plus performant. Ces plates-formes proposent également des modèles de séries chronologiques et d'autres outils de ML. Selon la publication à laquelle vous postulez et le sujet sur lequel vous écrivez, vous pouvez envisager d'autres approches de modélisation. Par exemple, si vous souhaitez effectuer des recherches approfondies pour un nouvel article, vous pouvez utiliser ces plates-formes pour détecter toutes les anomalies dans d'énormes ensembles de données (avec même des millions d'enregistrements, peut-être provenant de Wikipédia !), prévoir les tendances (vous pouvez voir un exemple de site web ). En supposant que vous ayez des données, les possibilités sont quasiment infinies. prévision du succès du produit sur ProductHunt ici Si vous souhaitez en savoir plus à ce sujet, Akkio a une page complète avec une documentation à l'appui pour toutes les principales applications. Alerte spoiler : une section traite de l'analyse des sentiments de Twitter et d'une fonctionnalité qui n'est accessible qu'aux data scientists depuis des années ! Analyser les résultats Une fois le modèle terminé, vous verrez un « d'analyse», détaillant tous les modèles incroyablement intéressants dans les données qui déterminent le résultat sélectionné. rapport Il vous permettra de savoir quels facteurs sont associés à . Vous y trouverez de très nombreuses pépites d'or. La lecture du rapport d'informations et l'étude des graphiques des facteurs déterminants vous aideront à créer votre stratégie de marketing de contenu pour la publication ! des résultats positifs et négatifs Le rapport indique également le . Parce que notre ensemble de données a une large gamme de valeurs de clics possibles et est fortement pondéré vers le bas des clics, nous obtenons une précision qui est généralement inférieure à 55 % - mais la statistique à laquelle il faut prêter attention ici est le "off by" de 88 clics . niveau de précision C'est en fait assez bon pour nos besoins! Si votre modèle n'est pas assez précis, vous devez généralement obtenir plus d'exemples ou des colonnes d'entrée plus pertinentes pour améliorer sa précision - mais presque tous les modèles auront beaucoup d'informations directionnellement correctes que vous pouvez exploiter pour améliorer vos résultats. Déployer le modèle Vous pouvez déployer le modèle de différentes manières : API, application Web, Zapier et intégrations directes d'Akkio. Je vous suggère de commencer par l'application Web, car elle ne nécessite aucune configuration et peut être expédiée en direct en moins de 2 minutes. L'application Web est générée automatiquement et permet des prédictions groupées de fichiers Excel ou CSV téléchargés, ou vous pouvez saisir manuellement les champs pour générer une prédiction de clic. Cela rend incroyablement facile l'utilisation de l'application pour estimer le succès de tous les futurs articles de la publication en fonction des métriques que vous avez définies dans le modèle ! . Vous pouvez le tester ici Conclusion N'est-ce pas génial ? En , nous : moins de 2 000 mots Généré un ensemble de données impressionnant d'articles réussis sur Hackernoon ; Enrichi les données avec des données d'outils SEO tels que SpyFu et MajesticSEO ; Manipulation automatique des jeux de données avec GPT-3 ; Livré une application en direct qui peut prédire le succès des futurs articles en fonction des métriques que nous avons définies. Quelque chose qui nécessitait auparavant des ingénieurs de données, des analystes et un expert en apprentissage automatique est désormais . disponible pour toute personne disposant d'un ordinateur , et ça ne fera que s'améliorer ! Bienvenue dans la révolution de l'IA Dans de prochains articles, j'expliquerai encore plus d'applications pour le marketing, les ventes et le service client. L'apprentissage automatique est fascinant et peut vous faire économiser des milliers de dollars (et des heures !) par semaine. Essayez-le avec votre propre jeu de données. Je peux vous promettre que c'est super amusant, facile, efficace et que vous serez impressionné par le résultat final ! Essayez-le par vous-même maintenant .

This story contains new, firsthand information uncovered by the writer.

The writer has or has previously had a business relationship with companies mentioned in this article.

2022 - HackerNoon Contributor of the Year - Data Privacy

2022 - HackerNoon Contributor of the Year - Email

2022 - HackerNoon Contributor of the Year - Privacy

NoCode AI

Nominated for 2022 - HackerNoon Contributor of the Year - Privacy

Nominated for 2022 - HackerNoon Contributor of the Year - Email

Nominated for 2022 - HackerNoon Contributor of the Year - Data Privacy

Cet audio est produit dans la langue originale de l'histoire !

Écrire pour réussir en 2023 : Apprentissage automatique sans code pour optimiser vos articles sur HackerNoon

Trop long; Pour lire

Giorgio Barillà

STORY’S CREDIBILITY

Original Reporting

Associated Companies

About Author

ÉTIQUETTES

Languages

CET ARTICLE A ÉTÉ PARU DANS...