Der Slack-Bot Blossom kann die Viralität von Artikeln vorhersagen

Die New York Times publiziert über 300 Artikel pro Tag. Welche davon sollten die Redakteure in den sozialen Kanälen bewerben? Während die Menschen hinter den Accounts der Times ihr Handwerk verfeinert haben, kann der handbetriebene Prozess der Artikelauswahl dennoch mühsam sein, denn man muss ein bisschen herumprobieren. Auf der Facebook-Seite der Times finden sich beispielsweise nur etwa 50 Artikel pro Tag, an den Wochenenden noch weniger.

Nun soll ein neues Tool des Wissenschaftsteams der Times ein paar Aspekte der Rätselei abbauen, indem es herauszufinden versucht, welcher der richtige Artikel für die sozialen Netzwerke sein könnte. Der intelligente Bot, der mit der Messaging-App Slack läuft, heißt Blossom und soll vorraussagen, wie sich die Artikel und Blogposts in den sozialen Netzwerken machen, außerdem soll herausgefunden werden, welche Artikel die Redakteure bewerben sollen. Die Datenmengen sind riesig, es gibt Infos über Artikelinhalte und Performance, wie beispielsweise das Engagement auf einen Post beiFacebook. Blossom kann auch herausfinden, wo die Postings schon erschienen und wie erfolgreich sie dort sind.

Screenshot NiemanLab
Screenshot NiemanLab

In genau diesem Moment können die Redakteure und eigentlich jeder in der Times-Redaktion, der Slack benutzt, Blossom per Direktnachricht oder über Slack fragen, um herauszufinden, welchen Artikel er oder sie auf Facebook posten soll. Man fragt einfach bei Slack nach „Blossom Facebook?“ und erhält eine Antwort, was dort gut funktionieren könnte. Der Bot hat auch ein „easter egg“-Feature (beispielsweise das Wetter), um die Times-Redakteure zu ermutigen, den Bot zu untersuchen und sich damit vertraut zu machen.

Das Backend des Blossom-Bots ist eine „ziemlich ausgeklügelte, lernende Maschine“, mit Hilfe von Java, Python und MapReduce, und das Frontend ist „ein wirklich freundlicher Chat-Bot“, erzählte mir der Chief Data Scientist der Times, Chris Wiggins. „Wie baut man all diese Daten in einen Algorythmus um? Was ist der beste Weg, um alle diese Daten zu repräsentieren, was sind die Eigenschaften, wie hat sich ein Artikel verhalten, was könnte da wichtig sein?“ so Wiggins. „Wie repräsentiert man Ausgangsdaten auf nachvollziehbare Art und Weise?“

Screenshot NiemanLab
Screenshot NiemanLab

Die Idee zu Blossom entwickelte sich in Gesprächen mit Alexandra MacCallum im vergangenen Herbst, nachdem sie zur stellvertretenden Redakteurin ernannt wurde, die sich um die Entwicklung im Publikumsbereich und weiterführende Dinge kümmerte. Ein Teil der Arbeit ihres Teams beinhaltet Werbeerstellung rund um einen Artikel, bevor er online geht, aber bei Hunderten neuer Artikel, die jeden Tag herausgebracht werden, war es schwierig, eine effektive Methode herauszufinden. Mit Blossom kann ein Redakteur, der sich in den sozialen Medien auskennt und einen bestimmten Artikel bewerben will, herausfinden, wie diese in den sozialen Medien abgeschnitten haben, oder um ein paar Vorhersagen bitten.

Das Tool funktioniert laut Entwickler Colin Russel soweit ganz gut. Er half damals, gemeinsam mit MacCallums Team, Blossom zu bauen. Wenn Blossom Facebookposts empfiehlt, werden diese im Durchschnitt 120 Prozent öfter angeklickt, als diejenigen, die Blossom nicht gefeatured hat. “Typische” Blossom-Posts kriegen sogar über 380 Prozent mehr Klicks als Postings, die nicht von Blossom gefeatured wurden. (Blossom schickt noch keine aktiven Benachrichtigungen darüber, was besonders bei Twitter erfolgreich sein könnte, aber die Redakteure fragten den Bot nach Twitter-Vorhersagen und fanden ein paar Überschneidungen zwischen Postings, die auf Facebook erfolgreich sind, und Twitter-Posts.)


Ein typischer Blossom-Post bekommt 380 Prozent mehr Klicks als ein Post, der nicht von Blossom gefeatured wird.


Unsere Redakteure für den Wachstums- und gesellschaftlichen Bereich haben sehr hektische Jobs, vor allem, wenn an manchen Tagen viel in den Nachrichten passiert, teilte mir Russel in einer Email mit. Es reicht nicht, etwas aufzubauen, von dem man hofft, dass es benutzt wird. Man muss sich umschauen und herausfinden, wie etwas wie Blossom eingebracht werden könnte. Man muss ein Werkzeug drumherum bauen, anstatt die Leute zu zwingen, ihr Verhalten dem Werkzeug anzupassen.

Momentan konzentriert sich Blossom auf die Facebook- und Twitter-Accounts der Times. Es kann sich aber weiterentwickeln und alle sozialen Plattformen abdecken, auf denen die Times publiziert. Francesca Barber, Redakteurin für Wachstum am International Desk erfüllt die Funktionen eines Produktmanagers und hilft Russel dabei, herauszufinden, welche der vielen Funktionen von den verschiedenen Abteilungen der Times bevorzugt werden.

Erst in dieser Woche hat das Team neue Versionen von Blossom bereitgestellt, die für die einzelnen Facebook-Accounts der Redaktionsabteilungen zugeschnitten wurden. Jede Abteilung konnte ihre Quellen „optimieren und in vollem Umfang die Aufmerksamkeit nutzen, die manch andere Accounts schon erreicht haben.“ In diesen Fällen kann Blossom dabei behilflich sein, älteres Material zu finden, das wieder relevant geworden ist, es kann Artikel hervorheben, die das Publikum eventuell verpasst hat, als sie zum ersten Mal veröffentlicht wurden.

Die Technologie ersetzt natürlich nicht die gute alte Beurteilung von Nachrichten und es gibt große Unterschiede zwischen datengestützt und datengetrieben, sagt Wiggins. Niemand schreit nach der Automatisierung des Teilungsprozesses in den sozialen Medien, aber es wurde schon mehrfach nach anderen hilfreichen Funktionen gefragt, die man Blossom hinzufügen kann.

Wenn man ein Technologe ist, der in einem so großen Unternehmen wie der New York Times arbeitet, kann man den eigenen Markt ansprechen: Man kann in einen Raum gehen, in dem sich 20 Redakteure befinden und sie fragen, welcher Teil der Arbeit ihnen schwerfällt und wie die Technik ihnen helfen könnte, sagte Wiggins. Man kann mit einer Reihe Menschen sprechen, die das Tool eventuell anwenden.

Dieser Artikel erschien zuerst auf NiemanLab. Übersetzung von Anne Jerratsch.


Teaser & Image (adapted) by LoggaWiggler (CC0 Public Domain)


CHIEF-EDITOR’S NOTE: Wenn Ihnen unsere Arbeit etwas wert ist, zeigen Sie es uns bitte auf Flattr oder indem Sie unsere Reichweite auf Twitter, Facebook, Google+, Soundcloud, Slideshare, YouTube und/oder Instagram erhöhen. Vielen Dank. – Tobias Schwarz

Shan Wang

ist Redakteurin des NiemanLab. Vorher arbeitete sie in der Redaktion der Harvard University Press und berichtete für Boston.com und das New England Center for Investigative Reporting.


Artikel per E-Mail verschicken
Schlagwörter: , , , , , , ,

2 comments

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.