Melhorar o alcance e o sucesso de sua escrita não é tarefa fácil, e o aprendizado de máquina pode desempenhar um grande papel em seu processo.  Se você está criando conteúdo com o objetivo de envolver o público e gerar cliques, este artigo é para você. As ferramentas modernas de Machine Learning (ML) possibilitam a análise de dados de engajamento de artigos anteriores para que você possa tomar decisões informadas sobre o que funciona e o que não funciona, dando ao seu conteúdo uma vantagem competitiva.  Vamos explorar como   antes mesmo de clicar em "publicar". utilizar o aprendizado de máquina para prever o sucesso dos artigos  Reúna seus dados  Seja você um novo escritor ou um jornalista experiente, provavelmente está publicando seu artigo em vários sites, incluindo nosso amado Hackernoon.  Ao escrever para uma publicação que não é sua, você perde todos os dados e brainstorming que normalmente tem disponíveis ao enviar para seu próprio blog.  Sem acesso aos dados e percepções da publicação, pode ser difícil determinar quais tópicos são mais populares no Hackernoon, o número de links necessários para exposição máxima ou a reputação necessária para um artigo de sucesso.  Para começar,   . precisamos encontrar esses dados  A menos que seja uma publicação muito pequena,       . Vamos usar o Hackernoon como nosso exemplo principal. qualquer ferramenta moderna de SEO poderá fornecer as principais páginas (também conhecidas como os principais artigos) para qualquer site  Para descobrir os principais artigos do Hackernoon, você pode usar algo como SpyFu, SEMRush ou Ahrefs. Cada ferramenta tem suas próprias métricas e irá atendê-lo bem. Os iniciantes podem querer experimentar o SpyFu por seu preço de entrada acessível.   Eu já fiz isso para você e encontrei os   . Se quiser fazer o download da lista, pode fazê-lo aqui. 3000 melhores artigos no Hackernoon  Baixe a lista (   ) Conjuntos de dados para Hackernoon - Planilhas Google  Depois de obter os URLs de origem, os títulos e as estatísticas de engajamento, é hora de passar para a próxima etapa.  Enriqueça seus dados  Os URLs sozinhos não fornecerão muitas informações sobre um artigo e não serão suficientes para ensiná-lo a escrever para o sucesso em 2023. Você precisa de mais dados. Você precisa de enriquecimento.  Você pode enriquecer seus URLs de várias maneiras, mas as mais valiosas provavelmente incluem outras   , como contagem de palavras, perfil de backlink e autoridade da página. métricas de SEO  Faça a si mesmo estas perguntas para entender o que você está tentando obter com a previsão:  O que você está tentando prever? É o título? O comprimento do artigo? O número de palavras-chave para as quais ele será classificado?  Que dados você tem disponível agora? Quaisquer dados relevantes para seu objetivo de engajamento podem ajudar a melhorar a taxa de precisão de sua previsão  Lembre-se de que, quando seu modelo de ML estiver pronto, você poderá usá-lo para prever o sucesso na publicação de destino sempre que desejar. Um Modelo de Previsão Hackernoon hoje irá atendê-lo bem por um longo tempo, a menos que Hackernoon sofra uma mudança significativa de público (ou um novo conjunto de artigos de grande sucesso distorça os dados).  Nesse caso, nosso objetivo é   com base no título, backlinks e palavras-chave.  otimizar o número médio de visualizações que um artigo recebe no Hackernoon  Encontrei todos esses dados prontamente disponíveis no MajesticSEO, uma solução popular para pesquisa de backlinks. Você pode usar algumas alternativas gratuitas se estiver com orçamento limitado, como SEOGlass ou Ubersuggest. Eles não ficarão granulares, mas você ainda poderá criar seu conjunto de dados.  Após o enriquecimento, o conjunto de dados de exemplo agora apresenta:  Nome do artigo  URL  Número médio de backlinks (internos e externos)  Fluxo de citação  Fluxo de confiança  Você pode baixar o conjunto de dados enriquecido gratuitamente aqui. (   ) Conjuntos de dados para Hackernoon - Planilhas Google  Treine seu modelo de aprendizado de máquina sem código  O aprendizado de máquina costumava ser complicado e você precisava de um cientista de dados para criar qualquer tipo de modelo confiável. Atualmente, não é mais assim.  O emparelhamento de novas tecnologias como AutoML, ChatGPT e DALL-E2 com interfaces visuais foi reconhecido em 2022 com o surgimento de ferramentas baseadas em IA. Isso levou ao desenvolvimento do aprendizado de máquina sem código.  A Akkio e outras empresas oferecem modelos automáticos de aprendizado de máquina que podem ser treinados de forma rápida e fácil, sem nenhum conhecimento de codificação ou ciência de dados. Com essas ferramentas, qualquer pessoa em todo o mundo pode fazer upload de seus conjuntos de dados e prever tendências futuras, prever dados e detectar anomalias.  Na divulgação completa, estou associado a (e gosto)   , então continuarei a usá-lo com nosso exemplo, mas existem outras ferramentas que você também pode usar. Akkio  O aprendizado de máquina sem código agora está sendo usado por empresas em todo o mundo para várias finalidades, incluindo a detecção de defeitos em produtos eletrônicos, como computadores, análise do feedback do cliente para melhorar os produtos, simplificação do processo de pesquisa de novos produtos farmacêuticos e previsão da rotatividade de usuários no momento do registro do produto. .  Dito isso, vamos voltar à tarefa: temos um banco de dados enriquecido de artigos do Hackernoon, com as métricas relativas de sucesso que criamos na etapa 2. Se suas métricas de sucesso forem diferentes, você terá que ajustar seu banco de dados inicial de acordo.  Se você quiser acompanhar e/ou treinar seu próprio modelo, o Akkio e as outras ferramentas mencionadas acima oferecem testes gratuitos.   Carregar o conjunto de dados  Você pode fazer upload do conjunto de dados para Akkio por meio da integração do Google Sheet, um upload direto de CSV ou qualquer uma das integrações integradas de CRM e marketing. Vamos fazer isso com um upload manual por enquanto.   É assim que a plataforma Akkio aparecerá quando estiver pronta:   Juntamente com todas as suas colunas, as agregações ajudarão você a entender algumas tendências em seus dados desde o início. Por exemplo, você pode ver a distribuição de cliques de SEO ao longo dos artigos, descrevendo claramente como a grande maioria dos artigos obtém menos de 100 cliques de SEO, enquanto alguns podem ter muito sucesso.  Você quer estar entre os 5% melhores, certo? Então, vamos treinar o modelo para te ajudar a chegar lá!   Limpe quaisquer discrepâncias  A   é essencial para o treinamento bem-sucedido do modelo de aprendizado de máquina. Se preferir usar o Excel, pode ser feito lá. Como alternativa, o Akkio oferece um kit de ferramentas abrangente de preparação de dados que o lembrará do ChatGPT. preparação adequada dos dados  Isso permite que você   e o conjunto de dados da plataforma as refletirá. simplesmente digite as edições desejadas  No meu exemplo, pedi ao Chat Data Prep da Akkio para:  Remova todos os artigos com menos de 30 visualizações;  Remova artigos com mais de 3200 visualizações;   Isso é para garantir que evitemos anomalias no conjunto de dados. Apenas alguns artigos atingiram mais de 3.200 visualizações e um número muito grande de artigos prováveis irrelevantes com menos de 30. A remoção desses valores discrepantes ajuda o modelo a concentrar sua atenção nos fatores determinantes mais importantes para nosso resultado.   Você pode limpar os dados conforme achar adequado para o seu caso de uso. Você pode precisar combinar colunas e alterar o formato de certos valores para ter um formato uniforme em todo o conjunto (por exemplo, datas são comuns).   Executar o modelo  Para este caso de uso, queremos que nosso modelo de aprendizado de máquina preveja o sucesso de nosso novo artigo com base em artigos bem-sucedidos do passado. Isso é convenientemente chamado de modelo de “previsão” na plataforma Akkio.   Um   simplesmente exige que você escolha uma coluna e o algoritmo fará o resto. Tudo o que você precisa fazer é sentar e observar o próprio trem modelo. modelo de previsão  Na parte inferior da tela, você pode decidir com que rapidez deseja que o modelo chegue ao resultado final. Sugiro que você comece com “Rápido” (geralmente requer menos de um minuto) e mude para um tempo de treinamento mais longo assim que terminar qualquer iteração do modelo.   Antes de clicar em prever, verifique novamente se você selecionou o valor correto para prever. Eu quero prever o potencial de “Cliques de SEO”, então esse é o meu alvo de previsão.  Observe que o Akkio e outras ferramentas sem código geralmente oferecem uma ampla variedade de modelos de aprendizado de máquina. Para uma previsão de número como nosso exemplo, as ferramentas usarão um processo chamado AutoML para escolher o modelo de melhor desempenho. Essas plataformas também oferecem modelos de séries temporais e outras ferramentas de ML. Dependendo de qual publicação você está lançando e sobre o que está escrevendo, você pode considerar outras abordagens de modelagem.  Por exemplo, se você deseja realizar uma pesquisa aprofundada para um novo artigo, pode usar essas plataformas para detectar todas as anomalias em enormes conjuntos de dados (com até milhões de registros, talvez vindos da Wikipedia!), tendências de previsão (você pode ver um exemplo de site  ). Supondo que você tenha alguns dados, as possibilidades são praticamente infinitas.   previsão do sucesso do produto no ProductHunt aqui  Se você estiver interessado em aprender mais sobre isso, Akkio tem uma página completa com documentação de suporte para todos os principais aplicativos. Alerta de spoiler: uma seção discute a análise de sentimento do Twitter e um recurso que está acessível apenas a cientistas de dados há anos!   Analise os Resultados  Depois que o modelo terminar de treinar, você verá um “   ”, detalhando todos os padrões incrivelmente interessantes nos dados que estão gerando o resultado selecionado.  Insight Report  Ele permitirá que você saiba quais fatores estão associados a   . Você encontrará muitas, muitas pepitas de ouro aqui. A leitura do relatório de insights e o estudo dos gráficos de fatores determinantes ajudarão você a criar sua estratégia de marketing de conteúdo para a publicação! resultados positivos e negativos  O relatório também mostra o   . Como nosso conjunto de dados tem uma grande variedade de valores de cliques possíveis e é fortemente ponderado para a extremidade inferior dos cliques, obtemos uma precisão que geralmente está dentro de 55% - mas a estatística para prestar atenção aqui é o "off by" de 88 cliques .  nível de precisão Isso é realmente muito bom para nossos propósitos!  Se o seu modelo não for preciso o suficiente, você geralmente precisará obter mais exemplos ou colunas de entrada mais relevantes para melhorar sua precisão - mas quase todos os modelos terão muitas informações direcionais corretas que você pode aproveitar para melhorar seus resultados.   Implantar o modelo  Você pode implantar o modelo de várias maneiras: API, aplicativo da web, Zapier e integrações diretas do Akkio.   Sugiro que você comece com o aplicativo da web, pois ele não requer configuração e pode ser enviado ao vivo em menos de 2 minutos.  O aplicativo da web é gerado automaticamente e permite previsões em massa de arquivos Excel ou CSV carregados, ou você pode inserir manualmente os campos para gerar uma previsão de clique. Isso torna incrivelmente fácil usar o aplicativo para estimar o sucesso de todos os artigos futuros para a publicação com base nas métricas definidas no modelo!   .   Você pode testar aqui  Conclusão  Não é ótimo? Em   , nós: menos de 2.000 palavras  Gerou um incrível conjunto de dados de artigos de sucesso no Hackernoon;  Enriqueceu os dados com dados de ferramentas de SEO como SpyFu e MajesticSEO;  Manipulou os conjuntos de dados automaticamente com GPT-3;  Enviou um aplicativo ao vivo que pode prever o sucesso de artigos futuros com base nas métricas que definimos.  Algo que anteriormente exigia engenheiros de dados, analistas e um especialista em aprendizado de máquina agora está   . disponível para qualquer pessoa com um computador    , e ela só vai melhorar! Bem-vindo à revolução da IA  Em artigos futuros, explicarei ainda mais aplicações para marketing, vendas e atendimento ao cliente. O aprendizado de máquina é fascinante e pode economizar milhares de dólares (e horas!) por semana.  Experimente com seu próprio conjunto de dados. Posso prometer que é super divertido, fácil, eficiente e você ficará impressionado com o resultado final!     Experimente você mesmo agora .

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

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Make resilience your competitive advantage

Escrevendo para o sucesso em 2023: aprendizado de máquina sem código para otimizar seus artigos no HackerNoon

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Digital Nomads Ouçam: O que você precisa saber sobre o novo visto DTV da Tailândia

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Como melhorar seu fluxo de trabalho em 10 vezes: 17 aplicativos essenciais

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

Digital Nomads Ouçam: O que você precisa saber sobre o novo visto DTV da Tailândia

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Como melhorar seu fluxo de trabalho em 10 vezes: 17 aplicativos essenciais

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps