受众数据如何深度开发：欧美知名媒体的新尝试新趋向

□ 文/文卫华

·学者界面·基金项目课题

受众数据如何深度开发：欧美知名媒体的新尝试新趋向

□ 文/文卫华

对受众数据进行实时性的监测、分析，已经成为了当前欧美新闻编辑室中的一个趋势。本文结合业界实践，在梳理现有受众数据分析工具的特点和创新的基础上，进一步探讨了欧美知名媒体如何从分析工具、数据团队、数据文化等多个层面来建构符合其媒体定位和商业模式的编辑型数据分析机制。

受众拓展 受众数据分析工具 编辑型数据分析机制

实时性地监测、分析受众数据已经成为了当前欧美新闻编辑室中的一个重要趋势。近年来，从《赫芬顿邮报》、高客网（Gawker）、BuzzFeed等网生媒体到《卫报》《金融时报》、BBC、《纽约时报》《华尔街日报》、美国国家公共广播电台（NPR）等传统主流媒体，都纷纷设置了专人或成立团队大力推进受众拓展工作（audience development），而在编辑部内开展受众数据分析正是其中的一项主要任务。它们或是引入现有的第三方数据分析工具，或是根据自身状况与需求研发专供内部员工使用的分析系统，以帮助编辑、记者更好地理解、把握新闻在新媒体平台的传播规律，从而优化新闻报道，改进编辑部的工作流程，最终促进受众数量的增长，并提升受众的参与度、忠诚度。

一、受众数据分析工具的特点及创新

目前，欧美新闻编辑室中普遍使用包括Chartbeat、NewsWhip、Parse. ly等在内的第三方工具来分析受众对于其新闻报道的反馈数据，同时一些实力雄厚的知名媒体也在积极研发、运用自己的监测分析系统，以更加有效地实现自身所侧重的目标。其中比较知名的包括《卫报》于2012年自主研发的实时分析工具Ophan，《纽约时报》的“故事和事件分析”工具Stela（story and events analytics），《金融时报》的数据可视化工具Lantern，以及《赫芬顿邮报》的可视化界面Omniture等。虽然在指标设置和呈现形式等方面有所不同，但这些受众数据分析工具却不乏诸多共同之处。

首先，它们对于报道在新媒体平台上的传播状况进行了实时性的监测、分析。尽管新闻界一直以来都有受众调查的传统，但无论是阅读率，还是收视率、收听率都是事后调查，处于“完成时”的状态。从业者在进行下一轮新闻生产时仍然需要“预判”受众的兴趣。[1]但上述这些受众数据分析工具是“进行时”的，编辑、记者可以根据它提供的实时反馈直接处理眼下的新闻工作。同时，这些工具及其数据面向媒体内部所有的编辑、记者开放，这也迥异于以往媒体对于受众调查数据的态度，即将其视为内部“机密”，只被少数的管理者所掌握。

其次，它们不仅能够监测、呈现网页浏览量、社交媒体分享情况和有效阅读时间等最基础的受众数据，还能提供一些对媒体来说更有意义、更为深入的信息。比如，《卫报》的Ophan能够监测到用户获取新闻的方式，包括他们所处的地理位置，所运用的设备，以及他们是通过《卫报》自身的社交平台，还是通过官方网站来获取新闻。[2]《金融时报》的Lantern则能够通过分析受众对于报道的融入、反应、互动等状况，判断出哪种类型的报道更容易引起受众的共鸣。Lantern除了向编辑、记者提供用户在网页上所花费的时间、用户保留率、滚屏速度、社交表现以及用户是经由何种设备而接触到报道的等等信息，还能提供一些更为特殊的数据，比如就某篇报道而言，订阅用户和非订阅用户之间究竟存在哪些差异。[3]与此同时，针对新闻分发渠道的多样化现状，这些分析工具还同时整合了多源数据。比如， Stela就监测了《纽约时报》的网站和其所有移动端的受众数据，并将它们通过同一平台展示出来。除了定量数据之外，它还能分析用户在社交网站上有关报道的评论等定性数据，使记者和编辑了解到何种推送能够带来更广泛的受众分享。再次，这些受众数据分析工具都采用了仪表盘（dashboard）的形式，界面友好。多通过简洁、清晰的动态可视化图表来呈现受众数据，各种测量指标与结果一目了然，非常便于编辑、记者的理解和操作。最后，为了适应不断变化的媒体环境，满足编辑部的各种新需求，这些数据分析工具的升级也非常频繁。如自从Ophan诞生以来，《卫报》的受众参与和拓展团队对它进行了多次更新，开发出了可以在智能手机上使用的版本，向记者、编辑发送相关的提醒邮件等诸多新功能，使它愈加简便高效。而Stela除了分析单篇报道的数据之外，也在积极向视频分析领域拓展。

除了上述这些数据分析工具之外，媒体与数据分析公司也不断探索新的可能和方向，力求充分释放出数据的能量，更好地服务于新闻生产和传播。2017年2月，Ophan的开发团队又推出了全景式趋势分析工具Kaleida。它所收集的数据既包括《纽约时报》、CNN、BBC等近二十家知名媒体的头版新闻，还包括这些报道在Facebook上的全时段分享量。Kaleida运用情感分析、机器学习等技术识别用户的新闻消费模式，预测报道的未来表现，以帮助记者、编辑把握全球新闻消费的实时状况与未来趋势。[4]《金融时报》上线的新仪表盘则着重于对优质“旧闻”的再利用。它发掘过去两周以来那些流量出现了明显增长的既有报道，以供编辑们选择合适的时机与平台重新推广这些内容。从实际效果来看，这些被仪表盘发掘出来、重新推荐到社交媒体上的“存档内容”（Archival Content）所获得的点击量、分享转发和评论数，要比《金融时报》直接首发在Facebook上的内容高出3倍，比人工编辑选择发布的内容高出1.5倍。Kaleida使得优质的“旧闻”再次焕发出生机，有效延长了其生命。[5]

此外，Chartbeat与Facebook合作，为全球上千家媒体机构提供了一套名为Offsite Social的解决方案，主要用于监测、分析新闻报道在Facebook、Reddit、Twitter、Instagram、YouTube等一系列社交平台上的实时表现，包括用户对于内容的参与时间，放大内容影响力的关键节点以及何种类型的故事深受用户欢迎等等。记者、编辑可以依据这些实时数据分析采取相应的对策，以提升报道的传播效率。而对于Facebook来说，增强优质新闻的传播，也是抑制假新闻的一种有效途径。[6]

二、编辑型数据分析机制的建构

当前各种受众数据分析工具层出不穷，越来越多的新闻编辑室也认识到受众数据所蕴含的价值，纷纷将其引入新闻生产流程，希望借助于数据分析来优化报道、辅助决策、拓展受众。但牛津路透新闻研究院于2016年2月发布的一份报告却显示：就其调查的欧洲与北美地区而言，大多数新闻编辑室并未建立起真正意义上的编辑型数据分析机制，它们对于受众数据的分析还停留在基础的初级阶段，即运用现成的分析工具，关注浏览量、独立用户访问量等浅层化指标，以求在短期内提升流量。而未将受众数据分析与媒体的编辑优 先、组织目标、工作流程等有效地结合起来，对于数据的运用也并不充分。[7]在大数据时代，当海量的用户数据汹涌而来时，真正的挑战在于如何准确测量，正确分析、运用这些数据，发挥其潜力和价值。对新闻编辑室来说，拥有受众数据和分析工具固然必要，但从工具、组织、文化等层面建构符合其媒体定位和商业模式的编辑型数据分析机制却更为关键。

就工具层面而言，无论是引入现有的第三方工具，还是自主研发分析系统，首先必须要考虑的就是媒体的定位和商业模式，据此来确定所要重点测量分析的指标。如《金融时报》的读者多为精英人群，商业模式也以读者付费订阅为基础。其用户战略的主要目标是增强报道的阅读量和影响力，为网站导入更多的高质量流量，并增进与用户的线上线下互动。这就决定了它在开展受众数据分析时虽然也很重视用户的“量”，但却更加偏重于用户的“质”。其受众参与团队的工作重点在于推动测量指标的进一步细化和深入，希望为不同的类型的报道制定不同的数据衡量维度，明确界定并准确测量类似“参与度”“忠诚度”“影响力”等包含了更加复杂向度的指标。其次，对于受众数据的分析要遵循编辑优先的原则，同时使分析结果既有助于在短期内提升报道的传播效率，还能够辅助新闻机构进行长期的战略决策。再次，分析工具还须因应媒体环境的变化而升级更新。从目前的发展趋势来看，这些工具也在紧跟受众媒介消费习惯变迁的步伐，即从PC端迁移到移动端，通过社交媒体平台获取信息成为主流，力求开发出新的指标和分析方法，以更好地整合跨界面、跨设备、跨传播环境的受众信息。

组建专门的数据团队对于编辑型数据分析机制的建立也极为必要。尽管受众数据能够帮助记者、编辑及时全面地了解、响应用户反馈与需求，从而提升新闻报道的传播效果，但是绝大多数记者、编辑都不具备专业的数据分析能力。如果只是简单地将一堆指标和统计数据丢给他们，就很有可能造成误读，影响记者的新闻判断。而一旦仅仅以报道的接受情况和传播效果来指导新闻生产的策略和方向，则会导致新闻品质的下降。从《纽约时报》建立编辑型数据分析机制的过程来看，组建数据团队也是先于向编辑、记者开放分析工具与受众数据的。尽管也订购了如谷歌分析、Chartbeat等第三方数据服务，但在相当长一段时间内，新闻编辑室对于受众数据的运用非常有限。只有肩负特定任务、在特定岗位工作的员工可以接触到这些数据；在采编部门并未形成一套正式的受众数据分析与运用体系；除了那些只在互联网上发布的内容外，受众数据对于编辑决策而言也不甚重要。[8]在向采编部门全面开放受众数据，并运用它来辅助、优化报道之前，《纽约时报》先行建立了专业的数据团队。

2014年发布的《创新报告》中，《纽约时报》明确提出了要组建专门的数据分析团队和长期战略团队。数据分析团队不仅需要测量、分析报道的分享次数、受众的阅读时间、受众滚动浏览一篇文章的长度，以及受众每周阅读同一栏目的百分比等等数据，还需要处理更为复杂的问题，如：评价新闻价值最重要的标准是什么？信息应该在多大范围内分享？如何确保信息清晰、可行而不是含糊、混乱？通过对受众数据的深入分析来发现趋势、分享成功、制定战略。[9]除了分析工具和数据团队之外，编辑型数据分析机制的建立还有赖于数据文化在新闻编辑室内确立和推行。一方面，要将数据分析工具高度内嵌于新闻编辑室的日常工作之中。需要确保所有的编辑、记者了解数据的真正意义，并有意识地主动运用数据来辅助报道决策。BBC受众参与部门的负责人指出：不仅要向记者们解释清楚一系列问题：他们需要关注哪些数据？这些数据指标为什么重要？这些数据指标将怎样影响他们的工作？还应告诉他们如何根据数据来采取相应的行动，而不是仅仅给他们提供一些仪表盘而已。[10]这里还特别需要厘清并协调受众数据与新闻价值之间的关系，简单地将内容的受欢迎情况与新闻价值划上等号或对立起来都是不正确的。对于编辑、记者来说，应该努力提升那些具有高度新闻价值的优质报道的浏览量和分享、参与量。

另一方面，也要对受众数据的作用、功能保持清醒的认识。在重视数据分析、用数据说话的同时，还需要注意不能过度依赖数据，否则会影响新闻工作者的价值判断。一旦数据成为评估报道质量的主要标准，页面访问量变成了记者、编辑唯一关注、追求的目标，一味地迎合受众需求，最终只能带来新闻品质的下降。因此，《纽约时报》强调：我们的新闻价值深厚而稳固，数据指标可以帮助我们作出更明智的决策来提高到达率和影响力，但不会取代编辑判断；《卫报》认为Ophan是为生产者服务的，而不是凌驾其上的指挥棒。其受众参与和拓展团队的工作是帮助编辑部成员更好地使用Ophan“探索”新闻使用的数据，而不是把新闻生产简化为数据运算。[11]事实上，让 “数据为我所用”，而非“我为数据所用”也是当前主流新闻媒体的普遍共识。将数据分析引入新闻生产过程中，远比将其用于经营决策中要更加复杂，其中关涉到了如何判断新闻价值，以及如何处理它和新闻编辑室既有文化传统之间的矛盾等诸多重要问题，特别需要平衡好工具理性和价值理性之间的关系，促进两者的有机融合。

大数据时代，“数据”在新闻生产中正扮演着越来越重要的角色。它不仅成为新闻报道的一部分，也是数据新闻的主体，甚至整个新闻生产的过程也变得越来越数据化。在这种趋势下，新闻媒体要真正提升自身的数据能力，并非只是引入或是开发一套受众数据分析工具那么简单，而是要建立起行之有效的编辑型数据分析机制。高效先进的数据分析工具固然重要，但专业的数据团队和数据文化同样重要，离开了它们的支持，编辑、记者是很难正确理解和衡量数据的价值并充分利用这些分析工具的。同时，编辑型数据分析机制的建构也是一个全员参与的工作，需要有顶层设计，具体的实施部门，更有赖于全体记者、编辑的积极参与。尤其是记者、编辑是其中的重要部分，如果他们没有参与其中，新闻编辑室就难以真正将受众的需求与新闻报道结合起来，将会丧失竞争优势和意义。

（作者是北京交通大学语言与传播学院副教授、博士，日本早稻田大学访问学者。本研究成果获得国家留学基金委访问学者项目资助）

【注释】

[1]王辰瑶,刘娉婷. 《卫报》“开放新闻”实践的个案研究[J]. 编辑之友,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] 数字化背景下的报业转型——纽约时报创新报告(2014)[J]. 新闻与写作,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

编 辑 梁益畅 46266875@qq.com