Tänä päivänä yhä useampi verkkopalvelu rakennetaan palvelemaan liiketoiminnan tarpeita. Enää ei riitä, että tarjoamme mielenkiintoisia ja käyttäjälle relevantteja sisältöjä, vaan meidän pitää tarjota käyttäjälle sekä hyvä käyttökokemus että kuljettaa häntä kohti sitä maalia, jonka olemme asettaneet.
Tässä kohti moni verkkopalvelun kanssa työtä tekevä toivoo älystä apua. Verkkopalvelussa käyttäjälle voidaan suositella sisältöjä ja lisälukemista hyvin monella eri tapaa – osa niistä on enemmän älykkäitä ja vaativat julkaisujärjestelmältä enemmän kyvykkyyksiä, toiset ovat toteutettavissa myös perustyökaluilla.
Katsotaan seuraavaksi tarkemmin, minälaisia tapoja älykkääseen sisällönsuositteluun on tarjolla, ja mitä ne edellyttävät sekä käyttäjältä että sisällöntuottajalta.
1. Sisältöihin pohjautuva suosittelu
Sisältöihin pohjautuva suosittelu on yleisin ja yksinkertaisin vaihtoehto. Sisältöihin pohjautuvassa suosittelussa rakennetaan relaatioita erilaisten sisältöjen välille. Sisältöjä kytketään toisiinsa jonkin ennalta määrätyn parametrin mukaan ja sisältöjä nostetaan automaattisesti tarjolle toisten yhteyteen. Esimerkiksi niin, että yhden artikkelin loppuun nostetaan tarjolle muita samasta aiheesta kertovia artikkeleita tai tuotteen yhteyteen nostetaan tarjolle tuotteeseen kuuluvia lisäosia.
Sisältöjen välisiä suhteita voidaan rakentaa älykkäästi tai vähemmän älykkäästi. Esimerkiksi tekoäly voidaan valjastaa analysoimaan tekstejä ja tunnistamaan vastaavanlaisia sisältöjä, joita tarjotaan käyttäjälle.
Ylivoimaisesti yleisin ja yksinkertaisin tapa on kuitenkin kytkeä sisältöjä toisiinsa metatietojen avulla. Metatietoihin pohjautuvissa nostoissa ei ole itsessään älykkyyttä, vaan luokittelut tulee suunnitella hyvin, jotta nostot toimivat fiksusti. Tämä vaatii sisällöntuottajilta erityisesti ajattelutyötä ja myös jonkin verran käsityötä, mutta metatietoihin pohjautuvat (automaattiset) nostot ovat parhaiten ennustettavissa ja yleensä tekoälyä paremmin myös kontrolloitavissa kaupallisesta näkökulmasta katsottuna. Hyvin suunnitelluilla metatiedoilla voimme rakentaa suositteluja, jotka ohjaavat käyttäjää tavalla, joka tukee liiketoiminnan tarpeita.
Käytännössä kaikki julkaisujärjestelmät tukevat metatietoihin perustuvaa sisältöjen automaatista listaamista, joten sisältöjen suosittelu tällä tapaa ei vaadi sen kummempaa rahallista investointia. Suunnittelutyötä vaaditaan toki sitäkin enemmän.

2. Käyttäytymispohjainen profilointi
Käyttäytymispohjaisessa profiloinnissa käyttäjän käyttäytymisestä ja liikkumisesta kerätään dataa, jonka pohjalta käyttäjälle tarjotaan sisältöjä. Verkkopalveluun suunnitellaan taustalle erilaisia sääntöjä ja segmenttejä, ja kun käyttäjä on palvelussa tehnyt jotain, kuten katsonut tiettyä sisältöä, hän saa tämän pohjalta profiililuokan tai useita profiililuokkia. Eri profiileille tarjotaan erilaisia sisältöjä sen mukaan, mitä organisaatio on valinnut.
Siinä, missä sisältöpohjaisessa suosittelussa käyttäjälle tarjotaan sisältöjä täysin meidän omista olettamuksistamme ja tausta-ajatuksistamme käsin, käyttäytymispohjaisessa profiloinnissa käyttäjä itse vaikuttaa omalla tekemisellä siihen, miten hänet profiloidaan. Me teemme organisaationa silti sen päätöksen, mitä eri profiileille tarjotaan. Se mitä tarjoamme tietyille profiileille, on joko meidän valistunut arvaus siitä, mitä käyttäjä haluaa tai tarvitsee, tai organisaatiosta lähtöisin oleva päätös siitä, mitä me haluamme kullekin käyttäjälle tarjota.
Hyvin yksinkertainen esimerkki samasta logiikasta on esimerkiksi kuntien käyttämät kohderyhmäkohtaiset koontisivut. Näille kootaan ne sisällöt, joita sisällöntuottaja on olettanut, että koskee tiettyä profiilia. Tässä täysin ”älyttömässä” profilointitavassa käyttäjä valitsee itse mihin segmenttiin kuuluu, mutta käyttäytymispohjaisessa profiloinnissa hyödynnetään erilaisia sääntöjä, joiden perusteella lokeroidaan käyttäjä useaan profiiliin. Vaikka tämä on älykkäämpi tapa tarjota profiiliin perustuen sisältöjä, vähemmän työläs se ei ole.
Jokaista profiilia tai segmenttiä varten tulee suunnitella omat sisällöt tai koontisivut, jolloin voimme päätyä siihen tilanteeseen, että oletussivusta luodaan hyvinkin monta eri variaatiota, joita tarjotaan eri segmenteille. Tarvitaan useimmiten paljon käsityötä, vaikka taustalla on älyä.

3. Dataan pohjautuva sisällön suosittelu
Käyttäjälle voidaan myös tarjota sisältöjä myös sen pohjalta, mitä muut, saman profiilin omaavat käyttäjät ovat verkkopalvelussa katsoneet. Tämän tyyppisessä sisältöjen suosittelussa muut käyttäjät ja heidän käyttäytymisensä vaikuttavat organisaation tahtotilaa enemmän siihen, minkälaisia sisältöjä käyttäjälle tarjotaan.
Muutoin idea on sama kuin yllä kuvaamassani käyttäytymispohjaisessa profiloinnissa. Käyttäjälle annetaan profiilitietoja sen mukaan, mitä hän verkkopalvelussa tekee, tai miten hän verkkopalveluun tulee, mutta sen sijaan, että tarjoamme eri segmenteille organisaation itse määritelmiä ja kokoamia sisältöjä, sisältöjä suositellaan täysin datan perusteella. Käsityö otetaan yhtältöstä pois.
Tämän tyyppistä suosittelua voidaan hyödyntää esimerkiksi verkkokaupoissa, jossa tärkein tavoite on saada asiakas ostamaan, mutta sillä ei ole niin väliä, mitä hän ostaa. Koska tässä ei ole ihmisen toimitustyötä välissä, suosittelut voivat olla hyvinkin surkuhupaisia.
Tällainen dataan pohjautuva sisältöjen suosittelu edellyttää julkaisujärjestelmältä paljon kyvykkyyksiä mutta erityisesti paljon dataa, jotta suositteluista saadaan oikeasti toimivia ja henkilökohtaisia. Mitä enemmän tietoa meillä on käyttäjästä, sitä paremmin ja tarkemmin voimme suositella hänelle sisältöjä ja tarjota personoidun käyttäjäkokemuksen. Ellemme oikeasti tunne käyttäjäämme, hänelle tarjotaan sisältöjä, jotka ovat tarkoitettu hänenkaltaisille, mutta ei juuri hänelle.

Mikä toimii juuri meille?
Ennen kuin kaivetaan euroja pöytään, on hyvä tehdä realitycheck ja pohtia, mitä me oikein tarvitsemme. Vaikka datapohjainen älykäs suosittelu kuulostaa lupaavalta ja erilaisia työkaluja on tarjolla, niistä ei välttämättä ole meille pelastajaa.
Juuri meille toimivan ratkaisun valinta ei ole aina ihan yksinkertaista. Oikeille jäljille pääsee, kun ensin tunnistaa, minkä tyyppiseen rahalliseen ja ajalliseen investointiin ollaan valmiita sekä mitä halutaan saada investoinnilla irti.
Jos tavoite on tarjota tuotteita tai sisältöjä ja maksimoida ostamista tai lukemista, eikä meille ole niin väliä mitä käyttäjä ostaa tai lukee (kunhan ostaa ja lukee), voi käyttäytymispohjainen, dataan perustuva sisältöjen suosittelu toimia. Tällöin vaaditaan myös suhteellisen syviä taskuja, mutta ei välttämättä ihan hirveästi henkilöresursseja. Samalla tulee hyväksyä, että mitä vähemmän dataa meillä on käytössä, sitä suuremmalla todennäköisyydellä käyttäjälle tarjotaan myös epärelevantteja sisältöjä.
Jos puolestaan haluamme itse kontrolloida, mihin käyttäjäämme johdatellaan, emme voi täysin nojautua älyyn vaan meidän tulee varautua tekemään myös itse toimitustyötä. Siinä, missä sisältöihin pohjautuvaa metatietopohjaista suosittelua voidaan tehdä käytännössä kaikilla julkaisujärjestelmillä ilman lisäkustannuksia, joudumme kaivamaan kukkaroa, jos haluamme älykkäämmän järjestelmän, joka profiloi käyttäjämme hänen käyttäytymisensä perusteella.
Molemmissa tapauksissa tarvitaan henkilöiden työpanosta, mutta metatietovetoisessa sisältösuunnittelussa työpanos on usein kertaluonteinen, kun taas profiloinnissa meidän pitää jatkuvasti työstää ja kehittää sisältöjä eri käyttäjäsegmenteille. Jos tähän on valmiuksia, silloin on kaikki edellytykset saada todella hyvä suosittelu aikaiseksi.
Isommissa verkkopalveluissa ei ole myöskään tavatonta nähdä yhdistelmiä eri suosittelun tavoista. Sisältöjä voidaan kytkeä yhteen mutta samalla voidaan seurata käyttäjän kulkemista ja tarjota hänelle kohdennettuja sisältöjä jonka lisäksi voidaan nostaa tarjolle dataan perustuen sisältöjä, joita muut ovat katsoneet.
Tarvitsetko apua digihankkeen suunnitteluun tai teknologiavalintaan?
Ota yhteyttä North Patroliin!

Sinua voisi kiinnostaa myös seuraavat kirjoituksemme
- Verkkopalvelu 3.0 rakennetaan perusratkaisuilla ja täsmätyökaluilla
- WordPress hallitsee – Mitä tästä pitäisi ajatella?
- Datakatsaus: Webin teknologiat Suomessa 2022
- Datakatsaus: Web-analytiikkaan käytettävät järjestelmät Suomessa 2022
- Kuvitusta tekoälyllä
13.3.2023 at 17:50
Hyvä artikkeli.
Kommentoin yhtä pientä detaljia metatiedoista: ”Tämä vaatii sisällöntuottajilta erityisesti ajattelutyötä”
Oma kokemukseni on, että metatietojen vastausvaihtoehdot tai -logiikka kannattaa suunnitella sisällöntuottajille valmiiksi käyttämällä taksonomioita, eli semanttisesti eriytettyjä luokittelun tapoja. Tästä voi olla suurta hyötyä hakukoneoptimoinnin kannalta.
Silloin luokittelu hoituu heiltä aivot narikassa -meiningillä (lue: virheettömästi) eikä lopputulos ole perinteinen tägikaaos, jossa samasta asiasta saatetaan käyttää useita nimityksiä.
TykkääLiked by 1 henkilö
14.3.2023 at 13:28
Hei Arttu,
Ehdottomasti niin, että metatiedot ja luokittelut suunnitellaan ennakkoon. Rivisisällöntuottajalle luokittelu pitää olla tarjolla valmiiksi, jotta lopputuloksesta tulee fiksu. Se, mitä yritin tuossa sanoa on, että jonkun on suunniteltava nuo metatiedot ja logiikka. Ne eivät ei itsestään synny. Sisällöntuottaja on tässä ehkä väärä sana, voidaan ennemmin ehkä puhua sisällönsuunnittelijoista.
Jos ja kun metatiedot suunnitellaan fiksusti ja ajatuksella, suosittelut saadaan usein hyödyntämään liiketoimintaa ja samalla lisätään hakukonenäkyvyyttä. Siksi siihen kannattaa panostaa.
TykkääLiked by 1 henkilö