MAYELA DE CASTRO GARCÍA | Fotografía: Pixabay  |

Entender y comprender las preferencias de los lectores de los medios de comunicación es algo esencial. Esto ayuda a mejorar la experiencia del usuario y poder aumentar el compromiso con los productos de la información. Conocer los indicadores precisos que muestren cuales son las áreas más importantes puede ayudar a los periodistas a enfocarse en determinados temas y tendencias.

Para conocer estas tendencias se usan las predicciones de los medios, desarrollado a través de un modelo basado en la ciencia de datos. Se crea mediante el aprendizaje automático y el análisis de series de tiempo. El Financial Times es uno de los medios que ha afinado su modelo para predecir tendencias.

Análisis de datos y desviaciones sobre series de tiempo

Los datos propios de los que dispone Financial Times contienen información que permite la retroalimentación inmediata. Pueden conocer en el instante hacía que áreas prestan mayor atención sus lectores y como se sienten ante ellos.

El científico de datos del Financial Times, Adam Gajtkowski, afirma que ‘estas tendencias pueden experimentar aumentos repentinos por incremento de interés de los lectores. Suelen corresponder a eventos del mundo real como temas de salud, incidentes y movimientos políticos. El conocimiento de los temas que empiezan a ser tendencia permite a la redacción anticiparse a las necesidades cambiantes de la información de los usuarios y tomar decisiones sobre dónde asignar los recursos’.

Dichas tendencias se observan a través de series de tiempo, que permiten ver ‘señales’. Estas señales son desviaciones del patrón histórico de esas series de tiempo. Para detectar estas señales, el Financial usa varios conjuntos de datos internos que hacen referencia a motores de búsqueda o redes sociales.

Gajtkowski, también afirma: ‘creemos que predecir tendencias utilizando datos internos aún nos ayudará a retener a los usuarios existentes, ya que la parte editorial tendrá información para invertir en historias más relevantes para los usuarios’.

El proceso del modelo principal se puede resumir en cinco pasos. El primero sería reunir características, seguido por la asignación de los artículos a grupos de temas definidos por aprendizaje automático no supervisado y Procedimiento de Lenguaje Natural (PNL).

El tercer paso es la recopilación de características en dos conjuntos de datos (a nivel de día y otro a nivel de grupo de día/tema). Continúan con la derivación de bandas de Bollinger, como las que se usan en el mercado algorítmico financiero, detectar y marcar señales. El último paso es mostrar datos a las partes interesadas mediante Slack.

El modelo del Financial Times escanea miles de datos todos los días, teniendo como referencia las fuentes internas. ‘Recopilamos páginas vistas de referencia de varias plataformas de redes sociales, motores de búsqueda, nuevas suscripciones, personas que interactúan con las secciones de comentarios y mucho más’, añade.

Después, el modelo busca una forma de M o señales en forma de L invertida en la serie de tiempo, que identifican valores atípicos consistente, llamadas señales. Una vez identificadas estas señales para un conjunto de datos dados, los científicos del Financial la marcan y muestran a los interesados, a través de gráficos y textos.

El modelo automatiza la detección de señales y las muestra a las partes interesadas. Luego, los periodistas pueden verificar el gráfico y decidir si la señal es relevante. Para finalizar el proceso, si deciden que es interesante, investigan la historia por su cuenta.