Du har ett sammanhang. Oavsett vad du gör eller när du gör det befinner du dig alltid i en situation där ditt agerande kommer att påverka en graf, ett kalkylblad eller kanske någons budget. Någonstans är det en siffra som förändras när du väljer att ta bilen till jobbet, när du väljer att köpa ett specifikt varumärke, när du stannar hemma med en förkylning, när du skickar ett sms eller när du hittar ett par minuter för att se efter om det hänt något på den lokala nyhetssajten. Men oavsett situation kommer du nästa aldrig ensam att förändra den där siffran tillräckligt mycket för att någon ska lägga märke till det.

Vad var det som fick dig att köpa just det där märket? Svaret kanske ligger i din omgivning. Om någon i efterhand kunde lägga hela pusslet och titta på miljön du rörde dig i och de val du presenterades för innan köpet, då skulle den personen kanske nicka för sig själv och säga “naturligtvis”.

Du är sällan ensam i ditt agerande, och när tillräckligt många eller tillräckligt få väljer att göra som du gör kommer någon att lägga märke till att den där siffran förändras. Samma sak sker när du (ofta omedvetet) väljer att följa andra. Du beger dig in i ett sammanhang och talar genom en svärm. Du och alla andra

Att göra ett val

Vad är det som avgör vilket innehåll du väljer att konsumera på en nyhetssajt? Det finns inget enkelt svar. Du lockas att svara att det beror på ämnet. Eller presentationen i form av bild och rubrik. I praktiken påverkas du även av laddtid, upplösning, dialogrutor och andra delar av det som man kan slå ihop till kategorin ’användarupplevelse’. Och så finns det alltid en kontext — en buss som är framme vid din hållplats eller ett barn som pockar på din uppmärksamhet i en park och med det är din stund för innehållskonsumtion på vår sajt över.

Om vi byter till ett affärsutvecklingsperspektiv och tittar på frågan om individens val i stunden kan vi snabbt konstatera att det är svårt att erbjuda rätt innehåll för rätt användare. MittMedia producerar varje dag tusentals nyheter och reportage i över 200 olika kategorier. Vissa artiklar konsumeras mycket, sprids på sociala medier och hänger kvar i olika former av topplistor under en lång tid efter att publiceringen ägt rum. Andra artiklar attraherar knappt några användare alls trots att dataunderlaget säger att vi definitivt har en aktiv målgrupp för innehållet. Och när du ensam ska svara på vad som styr din innehållskonsumtion är det långt ifrån säkert att du egentligen har ett svar. Om vi ska förstå dig måste vi kanske sätta dig i ett sammanhang.

En svärm du känner igen

Föreställ dig att du en varm sommardag befinner dig i en skogsglänta bredvid en myrstack. I handen håller har du lite strösocker. Utan att lägga någon särskild tanken bakom vart placerar du sockret i två små högar en bit ifrån varandra på marken, med samma avstånd till stacken. Efter ett tag kommer myrorna att börja samlas vid högarna och strax därefter uppstår små transportleder där hundratals myror unisont arbetar med att förflytta sockret.

Men om du tittar riktigt noga (och dessutom på något sätt lyckas räkna varje myra) kommer du att se att de två högarna skiljer sig åt i popularitet. Vad beror det på? Kanske är den ena högen enklare för myrorna att navigera sig till. Kanske ligger solen på från ett håll och den varmare delen av stacken har högra aktivitet. Kanske ligger den ena högen i närheten av något som myrorna helst håller sig bort ifrån. Kanske ligger den populäraste högen i närheten av annat som myrorna redan intresserar sig för. Detta är vad i analyssammanhang brukar kallas för miljö och kontext.

Gemensamma beslut

När det gäller att attrahera en användare är det egentligen inte mycket som skiljer den där skogsgläntan från någon av MittMedias nyhetssajter. Precis som när myrorna tar individuella beslut som resulterar i ett tydligt kollektivt beteende sprider sig MittMedias målgrupper ofta ut sig gruppvis över olika typer av innehåll, trots att varje enskild användare själv väljer vad han eller hon konsumerar. Vi kallar detta för ett svärmbeteende, och om vi vill lära oss mer om en användare kan det ofta vara grupperingen som denna användare rör sig inom som vi måste lära oss att förstå.

Hur en svärm beter sig grundas i hur medlemmarna i svärmen fattar sina beslut, och i vetenskapliga termer benämns detta som en svärmintelligens. Det finns ett flertal uttömmande böcker i ämnet, och även ett par TED-talks att förkovra sig i. Det är ett ett djupt vatten att ge sig ut på (och själv rör jag mig ännu vid ytskiktet). Här krävs det även ett tillägg, äkta svärmintelligens innebär att indviderna i gruppen även interagerar med varandra i sitt beslutsfattande, och riktigt så långt kommer vi inte röra oss i den här artikeln.

Innan vi går vidare kan vi kasta ett öga på hur några av MittMedias användare befinner sig i förhållande till en artikel som förmedlas genom en geografiskt snävt styrd pushnotifikation. Vi har skrivit om detta tidigare, och det är relevant att påminna om det arbetet även här eftersom det i en geografisk översikt är enkelt att se hur majoriteten av användarna som väljer att öppna en notifikation omedvetet genomför ett kollektivt beslut i att intressera sig för artikeln.

Geodata från MittMedias nyhetsappar. Den största samlingen av användare befinner sig som väntat i en tätort i närheten av artikelns position. Läs gärna Markus Sandins inlägg inlägg om robottestet vi genomfört på lagfartsdata.

Hur kan vi applicera insikterna vi får av att studera ett svärmbeteende i vår strävan efter att bygga bättre produkter? För att svara på den frågan behöver vi först bestämma oss för vad en användare är i det här sammanhanget.

Användarmodellen

Det första steget ligger i att hitta en bra modell som kan representera användaren. Väldigt enkelt uttryckt är en modell resultatet av att hitta ett sätt att uttrycka stora mängder data på ett användbart sätt. I vårt fall kan vi göra det enkelt, om vi mäter individuella interaktioner och sorterar in dessa i olika kontexter har vi en modell som vi kan jobba med. Kontexterna kan bestå av allt möjligt, till exempel kategorier, plattformar, tider och beteenden.

Ett exempel: Låt oss säga att jag surfar in på allehanda.se och läser en artikel om hockey. I det fallet kommer min modell att registrera interaktioner under “allehanda.se” och “hockey”. Men utöver det kommer även min nuvarande situation kommer att registreras. Kanske har jag genom mitt besök även genererat interaktioner under kontexterna “fredagar”, “eftermiddagar” och “mobiltelefon”.

Delar av användarmodellen. Detta är även en av de topp tre tråkigaste bilderna som laddats upp på internet någonsin.

Att se kollektivet

För att förstå vår användarsvärm har MittMedias egen utvecklingsavdelning, DMU, byggt ett eget verktyg. Principen bakom hur det fungerar är enkel: genom att placera användaren på ett tvådimensionellt plan kan vi genom att sätta ut olika typer av kontexter (i praktiken punkter på en karta) se hur svärmen reagerar och vilka nya grupperingar som uppstår.

Med andra ord, vi har en virtuell svärm och för den går det att presentera olika typer av miljöer för den och se hur den reagerar.

MittMedia har hundratusentals aktiva användare varje vecka, men det är nästan omöjligt att få en översikt över så mycket data. För att göra visualiseringen tydlig har jag därför i det här inlägget valt att begränsa antalet svärmmedlemmar till 3000 slumpmässigt utvalda. Det är tillräckligt många för att vi ska få en rättvis representation av MittMedias användare men fortfarande inte fler än att vi enkelt ska kunna se vad som händer.

En värld befolkad av svärmen

Låt oss summera läget så här långt: En svärmmedlem bygger på en modell, den som jag beskrev tidigare. Modellen representerar användaren som MittMedia möter i sina produkter. För att göra det enkelt kommer jag hädanefter att referera till svärmens medlemmar som användare.

Kort först bara om huvudprinciperna i MittMedias svärmvärld

  • Hur mycket en användare närmar sig mot en punkt beror på hur många interaktion den användaren har gjort. Varje sparad interaktion ger lite mer rörelseenergi. Någon som läst tre sportartiklar kommer endast rör sig lite grann, medan en annan som läst 100 sportartiklar kommer att ta sig hela vägen fram till målet.

  • Det som avgör hur en användare reagerar på ett kontext är hur den användarens interaktioner är fördelade. Till exempel, om vi presenterar en punkt som står för kategorin “Sport” och någon har läst många sportartiklar kommer hen att röra sig mot den punkten.

  • Om en användare har många interaktioner i MittMedias produkter men aldrig läser sport kommer användaren i exemplet ovan att röra sig lite grann i motsatt riktning för att visa att att sport inte attraherar alls.

Dataunderlaget för det vi ska studera är baserat på två veckors interaktioner uppsamlade på MittMedias nyhetstjänster.

Nedan följer sju tydliga exempel på hur kollektivet hjälper MittMedia att förstå sina användare.

1. Ämnets attraktionskraft

I exemplet ovan ställs medlemmarna i svärmen inför ett val mellan kategorierna sport och blåljus.

Utifrån lagarna jag nämnde ovan är det enkelt att beskriva det vi ser. Vissa användare är väldigt intresserade av sport eller blåljus, och de rör sig snabbt hela vägen fram till punkten de attraheras av.

Vissa användare är intresserade av både sport och blåljus vilket resulterar i att de rör sig rakt uppåt mellan punkterna. I många fall visar det sig i slutändan att användaren attraheras lite mer för den ena eller den andra punkten, och det är då vi ser ytterligare rörelse där en användare efter att ha begett sig rakt uppåt och bestämmer sig för att fortsätta åt höger eller vänster. Om du tittar riktigt noga ser du också att delar av svärmen rör sig lite neråt. Detta beror på att det finns användare som gjort många interaktioner men som aldrig befattar sig med kategorierna sport och blåljus.

2. Det är alltid en tid på dygnet

Ingen medlem förblir inaktiv när alla tider på dygnet finns med bland alternativen.

I denna animation ser vi en situation där användarna ställs inför valet att välja tid på dygnet. Eftersom alla användare, oavsett vilken typ av innehåll de konsumerar, alltid gör det i ett tidskontext betyder det att när valet står mellan morgon (06–09.30), dag (09.30–17.00), kväll (17.00–23.00) och natt (23.00–06.00) kommer vi att få en reaktion av samtliga. Det finns mycket att lära av detta. Bland annat ser vi att dagtid tycks vara det attraktivaste dygnskontextet och att många användare gärna rör sig i området mellan dag och kväll.

3. Nu är antalet webbläsare irrelevant

Ingen medlem förblir inaktiv när alla tider på dygnet finns med bland alternativen.

Valet av device resulterar i tydliga grupperingar under svärmens förflyttning.

Hur många kan du se?Vad kan vi få ut av detta? Spontant är det ganska enkelt att likställa det vi ser här med det tidigare exemplet gällande uppdelningen av dygnet. Precis som att alla användare alltid befinner sig i ett sådant kontext måste också alla användare befinna sig på en plattform när de använder MittMedias tjänster. Men i det här exemplet finns det bara inloggade betalande användare representerade i svärmen, och det är svärmens rörelse vi ska fokusera på. I slutändan hittar de flesta av användarna fram till en destination, men det är det som sker på vägen dit som är anmärkningsvärt.

Tydligast ser vi det om vi föreställer oss en rak linje mellan punkterna som utgör desktop och mobil. Den stora gruppen användare som rör sig rakt mot den linjen snarare än direkt mot någon av punkterna består av individer som använder både telefonen och sin dator för att konsumera MittMedias innehåll. Varför är det viktigt att lägga märke till dessa användare? Jo, för att bara genom att se den gruppen träda fram kan vi konstatera att någon som försöker likställa antalet uppmätta unika webbläsare på en webbsajt med antalet unika individer som använder den riskerar att vara väldigt fel ute.

4. När användarna anländer från en annan plattform

Ingen medlem förblir inaktiv när alla tider på dygnet finns med bland alternativen.

Hur fördelar sig MittMedias användare som besöker oss via Facebook över några populära kategorier?I detta exempel har svärmen anpassats så att den enbart består av användare som besöker MittMedias produkter via sociala medier. Värt att notera är att ishockey tycks vara en kategori som inte tycks vara primär hos användare som kommer via Facebook. Det finns ett stort antal användare som konsumerar även det innehållet via sociala medier, men många av dessa tycks initialt attraheras av opinionsmaterial.

Ett viktigt tillägg: Jag har ovan medvetet valt data ur en period med speluppehåll i SHL för att illustrera detta tydligt.

5. Dynamiken kan skifta med behov

Svärmen måste i det här fallet förhålla sig till parametrar som är svåra att jämföra.Alla parametrar i modellen kan ställas mot varandra.

Det betyder att vi inte nödvändigtvis måste jämföra kategorier med kategorier, eller dygnskontext mot dygnskontext. I det här fallet låtar vi svärmen välja mellan en tablet-device, kategorien insändare, måndagar och ett besök på en underavdelning. Det är naturligtvis svårt att dra några slutsatser från just det här experimentet, men det visar på dynamiken i hur modellen är uppsatt.

6. En rörelse i två steg

Svärmen måste i det här fallet förhålla sig till parametrar som är svåra att jämföra.Alla parametrar i modellen kan ställas mot varandra.

Användarna väljer mellan sport och blåljus följt av ett val mellan morgon och kväll.Ibland kan det vara insiktsfullt att studera svärmen när den gör två förflyttningar i rad. Här ställs svärmen inledningsvis inför samma alternativ som i det första exemplet då valet står mellan kategorierna blåljus och sport. Genom att först dra isär svärmen kan vi i nästa steg få en bättre förståelse för vad som skiljer de olika kategorierna åt. När vi i steg två ber användarna välja mellan morgon och kväll ser vi att användarna som primärt är intresserade av blåljus fördelar sig förhållandevis jämt, medan de som befinner sig närmare sport mestadels dras mot kvällskontexten.

7. Låt inte mönstret vilseleda

En klustringsalgoritm hittar grupper i ett rörigt mönster.

Det är inte alltid enkelt att med blotta ögat se hur användarna fördelar sig. Ibland är det många användare som trängs på en liten yta, och ibland är svärmens form såpass abstrakt att vi är frestade att hitta mönster i något som egentligen inte har någon betydelse.

Jag har tidigare skrivit om oövervakad maskininlärning, och hur den hjälper oss att tyda data som vi har svårt att förhålla oss till. Precis den typen av algoritmer har vi nytta av här också.

Användarens val står denna gång mellan att besöka startsidan, underavdelningar eller artiklar. Det är svårt att se en tydlig struktur i hur användarna samlas, men maskininlärningen hjälper oss att identifiera åtta grupperingar som vi kan jämföra.

Avslutningsvis, vad kan vi använda våra insikter till?

Genom att testa kontexter på svärmens medlemmar kan vi hitta rätt recept på de mixar av innehåll vi vill presentera för våra olika typer av användare. För dig som brukar använda MittMedias nyhetstjänster är det inte osannolikt att det finns en individ i någon av svärmarna här ovan som baseras på data som representerar dig. Det är naturligtvis omöjligt att veta, allt data är anonymt och varje svärm representerar bara någon promille av alla våra användare. Men även om just du inte ingår i våra svärmar kan du vara säker på att många andra användare med intressen som liknar dina göra det. Och vartefter vi bygger alltmer personliga produkter kommer dessa användare att borga för att det finns en miljö och en kontext som passar även dig, den dagen vi möts.

Varje användare av MittMedias produkter har ett sammanhang, och det är genom att förstå det sammanhanget vi lär oss att bygga produkter som känns välkomnande, relevanta och personliga.

Skrivet av:

Magnus Engström

Head of data strategies Mittmedia

Mer platform

Digitala produkter är lättflyktiga. I en bransch som under århundraden arbetat med en och samma produkt har det i många avseenden varit ett hårt uppvaknande att inse hur snabbt kundernas fokus kan skifta och hur många aktörer som med enkla medel kan vara med och konkurrera om både användarnas engagemang och pengar.

Automatiserade nyhetsflöden har idag blivit vardagsmat i mediebranschen, men vad händer om vi bestämmer oss för att tänka utanför boxen och ta det hela till en helt ny nivå?

Detta är det andra inlägget i en serie inlägg om MittMedias omfattande arbete med att byta digital publiceringsplattform och göra om alla våra digitala nyhetslösningar. Det här inlägget blir ett av flera som beskriver Hur vi genomför projektet/ombyggnationen.

Detta är det första inlägget i en serie inlägg om MittMedias omfattande arbete med att byta digital publiceringsplattform och göra om alla våra digitala nyhetslösningar. Vi börjar med att titta på Varför för att sedan gå vidare till Hur och slutligen Vad vi bygger.