受眾數據如何深度開發：歐美知名媒體的新嘗試新趨向

□ 文/文衛華

·學者界面·基金項目課題

受眾數據如何深度開發：歐美知名媒體的新嘗試新趨向

□ 文/文衛華

對受眾數據進行實時性的監測、分析，已經成為了當前歐美新聞編輯室中的一個趨勢。本文結合業界實踐，在梳理現有受眾數據分析工具的特點和創新的基礎上，進一步探討了歐美知名媒體如何從分析工具、數據團隊、數據文化等多個層面來建構符合其媒體定位和商業模式的編輯型數據分析機制。

受眾拓展 受眾數據分析工具 編輯型數據分析機制

實時性地監測、分析受眾數據已經成為了當前歐美新聞編輯室中的一個重要趨勢。近年來，從《赫芬頓郵報》、高客網（Gawker）、BuzzFeed等網生媒體到《衛報》《金融時報》、BBC、《紐約時報》《華爾街日報》、美國國家公共廣播電臺（NPR）等傳統主流媒體，都紛紛設置了專人或成立團隊大力推進受眾拓展工作（audience development），而在編輯部內開展受眾數據分析正是其中的一項主要任務。它們或是引入現有的第三方數據分析工具，或是根據自身狀況與需求研發專供內部員工使用的分析系統，以幫助編輯、記者更好地理解、把握新聞在新媒體平臺的傳播規律，從而優化新聞報道，改進編輯部的工作流程，最終促進受眾數量的增長，并提升受眾的參與度、忠誠度。

一、受眾數據分析工具的特點及創新

目前，歐美新聞編輯室中普遍使用包括Chartbeat、NewsWhip、Parse. ly等在內的第三方工具來分析受眾對于其新聞報道的反饋數據，同時一些實力雄厚的知名媒體也在積極研發、運用自己的監測分析系統，以更加有效地實現自身所側重的目標。其中比較知名的包括《衛報》于2012年自主研發的實時分析工具Ophan，《紐約時報》的“故事和事件分析”工具Stela（story and events analytics），《金融時報》的數據可視化工具Lantern，以及《赫芬頓郵報》的可視化界面Omniture等。雖然在指標設置和呈現形式等方面有所不同，但這些受眾數據分析工具卻不乏諸多共同之處。

首先，它們對于報道在新媒體平臺上的傳播狀況進行了實時性的監測、分析。盡管新聞界一直以來都有受眾調查的傳統，但無論是閱讀率，還是收視率、收聽率都是事后調查，處于“完成時”的狀態。從業者在進行下一輪新聞生產時仍然需要“預判”受眾的興趣。[1]但上述這些受眾數據分析工具是“進行時”的，編輯、記者可以根據它提供的實時反饋直接處理眼下的新聞工作。同時，這些工具及其數據面向媒體內部所有的編輯、記者開放，這也迥異于以往媒體對于受眾調查數據的態度，即將其視為內部“機密”，只被少數的管理者所掌握。

其次，它們不僅能夠監測、呈現網頁瀏覽量、社交媒體分享情況和有效閱讀時間等最基礎的受眾數據，還能提供一些對媒體來說更有意義、更為深入的信息。比如，《衛報》的Ophan能夠監測到用戶獲取新聞的方式，包括他們所處的地理位置，所運用的設備，以及他們是通過《衛報》自身的社交平臺，還是通過官方網站來獲取新聞。[2]《金融時報》的Lantern則能夠通過分析受眾對于報道的融入、反應、互動等狀況，判斷出哪種類型的報道更容易引起受眾的共鳴。Lantern除了向編輯、記者提供用戶在網頁上所花費的時間、用戶保留率、滾屏速度、社交表現以及用戶是經由何種設備而接觸到報道的等等信息，還能提供一些更為特殊的數據，比如就某篇報道而言，訂閱用戶和非訂閱用戶之間究竟存在哪些差異。[3]與此同時，針對新聞分發渠道的多樣化現狀，這些分析工具還同時整合了多源數據。比如， Stela就監測了《紐約時報》的網站和其所有移動端的受眾數據，并將它們通過同一平臺展示出來。除了定量數據之外，它還能分析用戶在社交網站上有關報道的評論等定性數據，使記者和編輯了解到何種推送能夠帶來更廣泛的受眾分享。再次，這些受眾數據分析工具都采用了儀表盤（dashboard）的形式，界面友好。多通過簡潔、清晰的動態可視化圖表來呈現受眾數據，各種測量指標與結果一目了然，非常便于編輯、記者的理解和操作。最后，為了適應不斷變化的媒體環境，滿足編輯部的各種新需求，這些數據分析工具的升級也非常頻繁。如自從Ophan誕生以來，《衛報》的受眾參與和拓展團隊對它進行了多次更新，開發出了可以在智能手機上使用的版本，向記者、編輯發送相關的提醒郵件等諸多新功能，使它愈加簡便高效。而Stela除了分析單篇報道的數據之外，也在積極向視頻分析領域拓展。

除了上述這些數據分析工具之外，媒體與數據分析公司也不斷探索新的可能和方向，力求充分釋放出數據的能量，更好地服務于新聞生產和傳播。2017年2月，Ophan的開發團隊又推出了全景式趨勢分析工具Kaleida。它所收集的數據既包括《紐約時報》、CNN、BBC等近二十家知名媒體的頭版新聞，還包括這些報道在Facebook上的全時段分享量。Kaleida運用情感分析、機器學習等技術識別用戶的新聞消費模式，預測報道的未來表現，以幫助記者、編輯把握全球新聞消費的實時狀況與未來趨勢。[4]《金融時報》上線的新儀表盤則著重于對優質“舊聞”的再利用。它發掘過去兩周以來那些流量出現了明顯增長的既有報道，以供編輯們選擇合適的時機與平臺重新推廣這些內容。從實際效果來看，這些被儀表盤發掘出來、重新推薦到社交媒體上的“存檔內容”（Archival Content）所獲得的點擊量、分享轉發和評論數，要比《金融時報》直接首發在Facebook上的內容高出3倍，比人工編輯選擇發布的內容高出1.5倍。Kaleida使得優質的“舊聞”再次煥發出生機，有效延長了其生命。[5]

此外，Chartbeat與Facebook合作，為全球上千家媒體機構提供了一套名為Offsite Social的解決方案，主要用于監測、分析新聞報道在Facebook、Reddit、Twitter、Instagram、YouTube等一系列社交平臺上的實時表現，包括用戶對于內容的參與時間，放大內容影響力的關鍵節點以及何種類型的故事深受用戶歡迎等等。記者、編輯可以依據這些實時數據分析采取相應的對策，以提升報道的傳播效率。而對于Facebook來說，增強優質新聞的傳播，也是抑制假新聞的一種有效途徑。[6]

二、編輯型數據分析機制的建構

當前各種受眾數據分析工具層出不窮，越來越多的新聞編輯室也認識到受眾數據所蘊含的價值，紛紛將其引入新聞生產流程，希望借助于數據分析來優化報道、輔助決策、拓展受眾。但牛津路透新聞研究院于2016年2月發布的一份報告卻顯示：就其調查的歐洲與北美地區而言，大多數新聞編輯室并未建立起真正意義上的編輯型數據分析機制，它們對于受眾數據的分析還停留在基礎的初級階段，即運用現成的分析工具，關注瀏覽量、獨立用戶訪問量等淺層化指標，以求在短期內提升流量。而未將受眾數據分析與媒體的編輯優 先、組織目標、工作流程等有效地結合起來，對于數據的運用也并不充分。[7]在大數據時代，當海量的用戶數據洶涌而來時，真正的挑戰在于如何準確測量，正確分析、運用這些數據，發揮其潛力和價值。對新聞編輯室來說，擁有受眾數據和分析工具固然必要，但從工具、組織、文化等層面建構符合其媒體定位和商業模式的編輯型數據分析機制卻更為關鍵。

就工具層面而言，無論是引入現有的第三方工具，還是自主研發分析系統，首先必須要考慮的就是媒體的定位和商業模式，據此來確定所要重點測量分析的指標。如《金融時報》的讀者多為精英人群，商業模式也以讀者付費訂閱為基礎。其用戶戰略的主要目標是增強報道的閱讀量和影響力，為網站導入更多的高質量流量，并增進與用戶的線上線下互動。這就決定了它在開展受眾數據分析時雖然也很重視用戶的“量”，但卻更加偏重于用戶的“質”。其受眾參與團隊的工作重點在于推動測量指標的進一步細化和深入，希望為不同的類型的報道制定不同的數據衡量維度，明確界定并準確測量類似“參與度”“忠誠度”“影響力”等包含了更加復雜向度的指標。其次，對于受眾數據的分析要遵循編輯優先的原則，同時使分析結果既有助于在短期內提升報道的傳播效率，還能夠輔助新聞機構進行長期的戰略決策。再次，分析工具還須因應媒體環境的變化而升級更新。從目前的發展趨勢來看，這些工具也在緊跟受眾媒介消費習慣變遷的步伐，即從PC端遷移到移動端，通過社交媒體平臺獲取信息成為主流，力求開發出新的指標和分析方法，以更好地整合跨界面、跨設備、跨傳播環境的受眾信息。

組建專門的數據團隊對于編輯型數據分析機制的建立也極為必要。盡管受眾數據能夠幫助記者、編輯及時全面地了解、響應用戶反饋與需求，從而提升新聞報道的傳播效果，但是絕大多數記者、編輯都不具備專業的數據分析能力。如果只是簡單地將一堆指標和統計數據丟給他們，就很有可能造成誤讀，影響記者的新聞判斷。而一旦僅僅以報道的接受情況和傳播效果來指導新聞生產的策略和方向，則會導致新聞品質的下降。從《紐約時報》建立編輯型數據分析機制的過程來看，組建數據團隊也是先于向編輯、記者開放分析工具與受眾數據的。盡管也訂購了如谷歌分析、Chartbeat等第三方數據服務，但在相當長一段時間內，新聞編輯室對于受眾數據的運用非常有限。只有肩負特定任務、在特定崗位工作的員工可以接觸到這些數據；在采編部門并未形成一套正式的受眾數據分析與運用體系；除了那些只在互聯網上發布的內容外，受眾數據對于編輯決策而言也不甚重要。[8]在向采編部門全面開放受眾數據，并運用它來輔助、優化報道之前，《紐約時報》先行建立了專業的數據團隊。

2014年發布的《創新報告》中，《紐約時報》明確提出了要組建專門的數據分析團隊和長期戰略團隊。數據分析團隊不僅需要測量、分析報道的分享次數、受眾的閱讀時間、受眾滾動瀏覽一篇文章的長度，以及受眾每周閱讀同一欄目的百分比等等數據，還需要處理更為復雜的問題，如：評價新聞價值最重要的標準是什么？信息應該在多大范圍內分享？如何確保信息清晰、可行而不是含糊、混亂？通過對受眾數據的深入分析來發現趨勢、分享成功、制定戰略。[9]除了分析工具和數據團隊之外，編輯型數據分析機制的建立還有賴于數據文化在新聞編輯室內確立和推行。一方面，要將數據分析工具高度內嵌于新聞編輯室的日常工作之中。需要確保所有的編輯、記者了解數據的真正意義，并有意識地主動運用數據來輔助報道決策。BBC受眾參與部門的負責人指出：不僅要向記者們解釋清楚一系列問題：他們需要關注哪些數據？這些數據指標為什么重要？這些數據指標將怎樣影響他們的工作？還應告訴他們如何根據數據來采取相應的行動，而不是僅僅給他們提供一些儀表盤而已。[10]這里還特別需要厘清并協調受眾數據與新聞價值之間的關系，簡單地將內容的受歡迎情況與新聞價值劃上等號或對立起來都是不正確的。對于編輯、記者來說，應該努力提升那些具有高度新聞價值的優質報道的瀏覽量和分享、參與量。

另一方面，也要對受眾數據的作用、功能保持清醒的認識。在重視數據分析、用數據說話的同時，還需要注意不能過度依賴數據，否則會影響新聞工作者的價值判斷。一旦數據成為評估報道質量的主要標準，頁面訪問量變成了記者、編輯唯一關注、追求的目標，一味地迎合受眾需求，最終只能帶來新聞品質的下降。因此，《紐約時報》強調：我們的新聞價值深厚而穩固，數據指標可以幫助我們作出更明智的決策來提高到達率和影響力，但不會取代編輯判斷；《衛報》認為Ophan是為生產者服務的，而不是凌駕其上的指揮棒。其受眾參與和拓展團隊的工作是幫助編輯部成員更好地使用Ophan“探索”新聞使用的數據，而不是把新聞生產簡化為數據運算。[11]事實上，讓 “數據為我所用”，而非“我為數據所用”也是當前主流新聞媒體的普遍共識。將數據分析引入新聞生產過程中，遠比將其用于經營決策中要更加復雜，其中關涉到了如何判斷新聞價值，以及如何處理它和新聞編輯室既有文化傳統之間的矛盾等諸多重要問題，特別需要平衡好工具理性和價值理性之間的關系，促進兩者的有機融合。

大數據時代，“數據”在新聞生產中正扮演著越來越重要的角色。它不僅成為新聞報道的一部分，也是數據新聞的主體，甚至整個新聞生產的過程也變得越來越數據化。在這種趨勢下，新聞媒體要真正提升自身的數據能力，并非只是引入或是開發一套受眾數據分析工具那么簡單，而是要建立起行之有效的編輯型數據分析機制。高效先進的數據分析工具固然重要，但專業的數據團隊和數據文化同樣重要，離開了它們的支持，編輯、記者是很難正確理解和衡量數據的價值并充分利用這些分析工具的。同時，編輯型數據分析機制的建構也是一個全員參與的工作，需要有頂層設計，具體的實施部門，更有賴于全體記者、編輯的積極參與。尤其是記者、編輯是其中的重要部分，如果他們沒有參與其中，新聞編輯室就難以真正將受眾的需求與新聞報道結合起來，將會喪失競爭優勢和意義。

（作者是北京交通大學語言與傳播學院副教授、博士，日本早稻田大學訪問學者。本研究成果獲得國家留學基金委訪問學者項目資助）

【注釋】

[1]王辰瑤,劉娉婷. 《衛報》“開放新聞”實踐的個案研究[J]. 編輯之友,2016,(07):17-23.

[2] Cherubini F, Nielsen R K. Editorial analytics: How news media are developing and using audience data and metrics[J]. 2016.

[3] The FT is launching a new analytics tool to make metrics more understandable for its newsroom, http://www.niemanlab. org/2016/03/the-ft-is-launching-a-new-analytics-tool-tomake-metrics-more-understandable-for-its-newsroom/

[4] New analytics tool Kaleida shows what stories and topics matter to readers, https://www.journalism.co.uk/news/ new-analytics-tool-kaleida-provides-an-overview-of-howaudiences-interact-with-news-stories/s2/a699499/

[5] A new dashboard from the FT helps editors identify and promote relevant archive stories, https://www.journalism.co.uk/ news/a-new-dashboard-from-the-ft-helps-editors-identifyand-promote-relevant-archive-stories/s2/a699851/

[6]How are your stories performing on distributed media? Facebook and Chartbeat are teaming up to solve the mystery,

http://www.poynter.org/2017/how-are-your-storiesperforming-on-distributed-media-facebook-and-chartbeatare-teaming-up-to-solve-the-mystery/452925/

[7] Cherubini F, Nielsen R K. Editorial analytics: How news media are developing and using audience data and metrics[J]. 2016.

[8] Petre C. The traffic factories: Metrics at chartbeat, gawker media, and the New York Times[J]. Tow Center for Digital Journalism, 2015.

[9] 數字化背景下的報業轉型——紐約時報創新報告(2014)[J]. 新聞與寫作,2014,(06):26-31.

[10] Cherubini F, Nielsen R K. Editorial analytics: How news media are developing and using audience data and metrics[J]. 2016.

[11] How The Guardian’s Ophan analytics engine helps editors make better decisions, https://thenextweb.com/ media/2015/04/13/how-the-guardians-ophan-analyticsengine-helps-editors-make-better-decisions/#.tnw_dU4ZjNpL

編 輯 梁益暢 46266875@qq.com