Mejorar el alcance y el éxito de su escritura no es poca cosa, y el aprendizaje automático puede desempeñar un papel importante en su proceso.  Si está creando contenido con el objetivo de atraer audiencias y generar clics, este artículo es para usted. Las herramientas modernas de Machine Learning (ML) permiten analizar los datos de participación de artículos anteriores para que pueda tomar decisiones informadas sobre lo que funciona y lo que no, lo que le da a su contenido una ventaja competitiva.  Exploremos cómo   incluso antes de presionar "publicar". utilizar el aprendizaje automático para predecir el éxito de los artículos  Reúna sus datos  Ya sea que sea un escritor nuevo o un periodista experimentado, es probable que publique su artículo en varios sitios, incluido nuestro querido Hackernoon.  Cuando escribes para una publicación que no es tuya, te pierdes todos los datos y la lluvia de ideas que normalmente tienes disponible cuando envías a tu propio blog.  Sin acceso a datos e información de la publicación, puede ser difícil determinar qué temas son los más populares en Hackernoon, la cantidad de enlaces necesarios para una exposición máxima o la reputación necesaria para un artículo exitoso.  Para comenzar,   . necesitamos encontrar estos datos  A menos que se trate de una publicación muy pequeña,       . Usemos Hackernoon como nuestro ejemplo principal. cualquier herramienta de SEO moderna podrá proporcionarle las páginas principales (también conocidas como los artículos principales) para cualquier sitio web determinado  Para descubrir los artículos principales en Hackernoon, puede usar algo como SpyFu, SEMRush o Ahrefs. Cada herramienta tiene sus propias métricas y le servirá bien. Los principiantes pueden querer probar SpyFu por su precio de entrada asequible.   Ya lo hice por ti y encontré los   . Si quieres descargar la lista, puedes hacerlo aquí. 3000 artículos principales en Hackernoon  Descargue la lista (   ) Conjuntos de datos para Hackernoon - Hojas de cálculo de Google  Una vez que tenga las URL de origen, los títulos y las estadísticas de participación, es hora de pasar al siguiente paso.  Enriquezca sus datos  Las URL por sí solas no le brindarán mucha información sobre un artículo y no serán suficientes para enseñarle cómo escribir para tener éxito en 2023. Necesita más datos. Necesitas enriquecimiento.  Puede enriquecer sus URL de varias maneras, pero las más valiosas probablemente incluyan otras   , como el recuento de palabras, el perfil de vínculo de retroceso y la autoridad de la página. métricas de SEO  Hágase estas preguntas para comprender lo que está tratando de obtener de la predicción:  ¿Qué estás tratando de predecir? ¿Es el título? ¿La longitud del artículo? ¿La cantidad de palabras clave para las que se clasificará?  ¿Qué datos tienes disponibles en este momento? Cualquier dato que sea relevante para su objetivo de participación puede ayudar a mejorar la tasa de precisión de su predicción.  Tenga en cuenta que una vez que su modelo ML esté listo, puede usarlo para predecir el éxito en la publicación de destino cuando lo desee. Un modelo de predicción de Hackernoon hoy le servirá bien durante mucho tiempo a menos que Hackernoon experimente un cambio significativo en la audiencia (o un nuevo conjunto de artículos de gran éxito sesguen los datos).  En este caso, nuestro objetivo es   en función del título, los vínculos de retroceso y las palabras clave.  optimizar el número promedio de visitas que recibe un artículo en Hackernoon  Encontré todos estos datos fácilmente disponibles en MajesticSEO, una solución popular para la investigación de backlinks. Puede usar algunas alternativas gratuitas si tiene un presupuesto limitado, como SEOGlass o Ubersuggest. No se volverán granulares, pero aún podrá crear su conjunto de datos.  Después del enriquecimiento, el conjunto de datos de ejemplo ahora presenta:  Nombre del artículo  URL  Número medio de backlinks (internos y externos)  Flujo de citas  Flujo de confianza  Puede descargar el conjunto de datos enriquecido de forma gratuita aquí. (   ) Conjuntos de datos para Hackernoon - Hojas de cálculo de Google  Entrene su modelo de aprendizaje automático sin código  El aprendizaje automático solía ser complicado y necesitaba un científico de datos para crear cualquier tipo de modelo confiable. Hoy en día, ese ya no es el caso.  La combinación de nuevas tecnologías como AutoML, ChatGPT y DALL-E2 con interfaces visuales se reconoció en 2022 con la aparición de herramientas impulsadas por IA. Esto condujo al desarrollo del aprendizaje automático sin código.  Akkio y otras empresas ofrecen modelos automáticos de aprendizaje automático que se pueden entrenar rápida y fácilmente sin ningún conocimiento de codificación o ciencia de datos. Con estas herramientas, cualquier persona en todo el mundo puede cargar sus conjuntos de datos y predecir tendencias futuras, pronosticar datos y detectar anomalías.  A decir verdad, estoy asociado con (y me gusta)   , por lo que continuaré usándolo con nuestro ejemplo, pero existen otras herramientas que también podría usar. Akkio  El aprendizaje automático sin código ahora está siendo utilizado por empresas de todo el mundo para diversos fines, incluida la detección de defectos en productos electrónicos como computadoras, el análisis de los comentarios de los clientes para mejorar los productos, la optimización del proceso de investigación de nuevos productos farmacéuticos y la predicción de la rotación de usuarios en el momento del registro del producto. .  Dicho esto, volvamos a la tarea: tenemos una base de datos enriquecida de artículos de Hackernoon, con las métricas de éxito relativo que obtuvimos en el paso 2. Si sus métricas de éxito son diferentes, tendrá que modificar su base de datos inicial en consecuencia.  Si desea seguir y/o entrenar su propio modelo, Akkio y las otras herramientas mencionadas anteriormente ofrecen pruebas gratuitas.   Sube el conjunto de datos  Puede cargar el conjunto de datos en Akkio a través de la integración de Google Sheet, una carga CSV directa o cualquiera de las integraciones de marketing y CRM integradas. Hagámoslo con una carga manual por ahora.   Así es como aparecerá la plataforma Akkio una vez que esté lista:   Junto con todas sus columnas, las agregaciones lo ayudarán a comprender algunas tendencias en sus datos desde el principio. Por ejemplo, puede ver la distribución de los clics de SEO a lo largo de los artículos, lo que indica claramente cómo la gran mayoría de los artículos obtienen menos de 100 clics de SEO, mientras que algunos pueden tener un gran éxito.  Quieres estar dentro del 5% superior, ¿verdad? Entonces, ¡entrenemos al modelo para que lo ayude a llegar allí!   Limpia cualquier discrepancia  La   es esencial para el entrenamiento exitoso del modelo de aprendizaje automático. Si prefiere usar Excel, puede hacerlo allí. Alternativamente, Akkio ofrece un completo conjunto de herramientas de preparación de datos que le recordará a ChatGPT. preparación adecuada de los datos  Esto le permite   y el conjunto de datos de la plataforma las reflejará. simplemente escribir las ediciones deseadas  En mi ejemplo, le pedí a Akkio's Chat Data Prep que:  Eliminar todos los artículos con menos de 30 visitas;  Eliminar artículos con más de 3200 visitas;   Esto es para asegurarnos de evitar anomalías en el conjunto de datos. Solo unos pocos artículos alcanzaron más de 3200 vistas y una gran cantidad de artículos probablemente irrelevantes con menos de 30. La eliminación de estos valores atípicos ayuda al modelo a centrar su atención en los factores determinantes que más importan para nuestro resultado.   Puede limpiar los datos como mejor le parezca para su caso de uso. Es posible que deba combinar columnas y cambiar el formato de ciertos valores para tener un formato uniforme en todo el conjunto (por ejemplo, las fechas son comunes).   Ejecutar el modelo  Para este caso de uso, queremos que nuestro modelo de aprendizaje automático prediga el éxito de nuestro nuevo artículo en función de artículos exitosos del pasado. Esto se conoce convenientemente como un modelo de "predicción" en la plataforma Akkio.   Un   simplemente requiere que elija una columna y el algoritmo hará el resto. Todo lo que necesita hacer es sentarse y ver cómo se entrena el modelo. modelo de predicción  En la parte inferior de la pantalla, puede decidir qué tan rápido desea que el modelo llegue a la línea de fondo. Le sugiero que comience con "Rápido" (generalmente requiere menos de un minuto) y pase a un tiempo de entrenamiento más largo una vez que haya terminado con cualquier iteración del modelo.   Antes de hacer clic en predecir, verifique que haya seleccionado el valor correcto para predecir. Quiero predecir el potencial de "clics de SEO", por lo que ese es mi objetivo de predicción.  Tenga en cuenta que Akkio y otras herramientas sin código suelen ofrecer una amplia variedad de modelos de aprendizaje automático. Para una predicción de números como nuestro ejemplo, las herramientas utilizarán un proceso llamado AutoML para elegir el modelo con mejor rendimiento. Estas plataformas también ofrecen modelos de series temporales y otras herramientas de aprendizaje automático. Dependiendo de la publicación a la que se presente y de lo que esté escribiendo, puede considerar otros enfoques de modelado.  Por ejemplo, si desea realizar una investigación en profundidad para un nuevo artículo, puede usar estas plataformas para detectar todas las anomalías en grandes conjuntos de datos (incluso con millones de registros, ¡tal vez provenientes de Wikipedia!), pronosticar tendencias (puede ver un ejemplo de un sitio web  ). Suponiendo que tenga algunos datos, las posibilidades son prácticamente infinitas.   pronosticar el éxito del producto en ProductHunt aquí  Si está interesado en obtener más información sobre esto, Akkio tiene una página completa con documentación de respaldo para todas las aplicaciones principales. Alerta de spoiler: ¡una sección analiza el análisis de sentimiento de Twitter y una función a la que solo pueden acceder los científicos de datos durante años!   Analizar los resultados  Una vez que el modelo haya terminado de entrenar, verá un "   de información", que detalla todos los patrones increíblemente interesantes en los datos que están impulsando el resultado seleccionado.  Informe  Le permitirá saber qué factores están asociados con   . Encontrarás muchas, muchas pepitas de oro aquí. ¡Leer el informe de perspectivas y estudiar los gráficos de factores impulsores lo ayudará a crear su estrategia de marketing de contenido para la publicación! resultados positivos y negativos  El informe también muestra el   . Debido a que nuestro conjunto de datos tiene una amplia gama de posibles valores de clics y está fuertemente ponderado hacia el extremo inferior de los clics, obtenemos una precisión que generalmente está dentro del 55%, pero la estadística a la que se debe prestar atención aquí es el "apagado" de 88 clics. .  nivel de precisión ¡Eso es bastante bueno para nuestros propósitos!  Si su modelo no es lo suficientemente preciso, generalmente necesita obtener más ejemplos o columnas de entrada más relevantes para mejorar su precisión, pero casi cualquier modelo tendrá mucha información direccionalmente correcta que puede aprovechar para mejorar sus resultados.   Implementar el modelo  Puede implementar el modelo de varias maneras: API, aplicación web, Zapier e integraciones directas de Akkio.   Le sugiero que comience con la aplicación web, ya que no requiere configuración y se puede enviar en vivo en menos de 2 minutos.  La aplicación web se genera automáticamente y permite predicciones masivas de archivos Excel o CSV cargados, o puede ingresar manualmente los campos para generar una predicción de clic. ¡Esto hace que sea increíblemente fácil usar la aplicación para estimar el éxito de todos los artículos futuros para la publicación en función de las métricas que definió en el modelo!   .   Puedes probarlo aquí  Conclusión  ¿No es genial? En   , nosotros: menos de 2000 palabras  Generó un impresionante conjunto de datos de artículos exitosos en Hackernoon;  Enriqueció los datos con datos de herramientas SEO como SpyFu y MajesticSEO;  Manipuló los conjuntos de datos automáticamente con GPT-3;  Envió una aplicación en vivo que puede predecir el éxito de futuros artículos en función de las métricas que definimos.  Algo que antes requería ingenieros de datos, analistas y un experto en aprendizaje automático, ahora está   . disponible para cualquier persona con una computadora    , y solo va a mejorar! ¡Bienvenido a la revolución de la IA  En artículos futuros, explicaré aún más aplicaciones para marketing, ventas y servicio al cliente. El aprendizaje automático es fascinante y puede ahorrarle miles de dólares (¡y horas!) por semana.  Pruébelo con su propio conjunto de datos. Puedo prometer que es súper divertido, fácil, eficiente y ¡quedarás impresionado con el resultado final!     Pruébelo usted mismo ahora .

This story contains new, firsthand information uncovered by the writer.

The writer has or has previously had a business relationship with companies mentioned in this article.

2022 - HackerNoon Contributor of the Year - Data Privacy

2022 - HackerNoon Contributor of the Year - Email

2022 - HackerNoon Contributor of the Year - Privacy

NoCode AI

Nominated for 2022 - HackerNoon Contributor of the Year - Privacy

Nominated for 2022 - HackerNoon Contributor of the Year - Email

Nominated for 2022 - HackerNoon Contributor of the Year - Data Privacy

Este audio es producido en el idioma original de la historia!

Escribir para tener éxito en 2023: aprendizaje automático sin código para optimizar sus artículos en HackerNoon

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps