Інтеграція аналітики даних у традиційні медіа: можливості та стратегічні переваги

Автор(и)

  • Веньхао Чжен Харківський національний економічний університет імені Семена Кузнеця, Україна http://orcid.org/0009-0004-3382-4820
  • Вікторія Опанасенко Харківський національний економічний університет імені Семена Кузнеця, Україна http://orcid.org/0000-0002-2490-8625

DOI:

https://doi.org/10.31866/2616-7948.2(14).2024.330022

Ключові слова:

традиційні медіа, аналітика даних, цифровізація, стратегія

Анотація

Відповідно до того, як традиційні засоби масової інформації змінюються й адаптуються в епоху цифровізації, технологія аналізу даних стала критично важливим інструментом для підвищення конкурентоспроможності та забезпечення актуальності в умовах, що швидко змінюються. Багато новинних організацій дедалі частіше використовують стратегії аналізу даних, щоб покращити створення персоналізованого новинного контенту та реклами, а також для кращої адаптації контенту до цільової аудиторії, що дає змогу поширювати контент, який резонує з цією аудиторією. З цією метою ЗМІ здійснюють глибокий аналіз поведінки користувачів, їхніх уподобань і моделей залучення, результатом чого є чітке розуміння своєї аудиторії та, відповідно, прийняття більш обґрунтованих рішень. Однак шлях до повної інтеграції аналітики даних у традиційні медіа не позбавлений перешкод. Медіаорганізації часто зіштовхуються з такими труднощами, як недостатня технічна інфраструктура, обмежена кількість кваліфікованих фахівців з обробки даних та потреба в спеціалізованому навчанні наявного персоналу для ефективної оброблення даних у майбутньому. Окрім того, використання персональних даних викликає занепокоєння з погляду конфіденційності й дотримання етичних стандартів, що сприяє збереженню балансу між використанням даних для аналізу та збереженню довіри користувачів. Також проблеми, пов’язані з якістю даних, зокрема їхньою невідповідністю, обмеженістю ресурсів і керуванням великими обсягами даних, створюють додаткові перешкоди, які можуть вплинути на точність та ефективність результатів аналітики.

Мета цієї статті полягає у виокремленні стратегічних переваг інтеграції аналітики даних у традиційні робочі процеси медіа та окресленні ключових сфер, розвиток яких має вирішальне значення. Проаналізовано переваги аналітики даних у підвищенні релевантності контенту та гнучкості організації процесів у ЗМІ, а також надано рекомендації щодо подолання наявних перешкод. Запропоновано шляхи для традиційних медіа до зміцнення їхньої технологічної інфраструктури, інвестування в розвиток майстерності фахівців, а також упровадження надійних протоколів конфіденційності для побудови сталої культури управління даними. Вирішення окреслених проблем і використання потенціалу аналітики даних, на нашу думку, дасть змогу традиційним медіа забезпечити стале зростання ринку, допоможе легше адаптуватися до змін у галузі та залишатися конкурентоспроможними в сучасному нестабільному й технологічно орієнтованому медіасередовищі.

Біографії авторів

Веньхао Чжен, Харківський національний економічний університет імені Семена Кузнеця

Магістр

Вікторія Опанасенко, Харківський національний економічний університет імені Семена Кузнеця

Доктор філософії

Посилання

Bangah, C. J., & Ballhaus, W. (n.d.). Digital ad spending moves closer to the consumer. PwC. Retrieved January 12, 2024, from https://www.pwc.com/gx/en/industries/tmt/media/outlook/changes-in-digital-advertising-spend.html [in English].

Calo, R. (2013). Consumer subject review boards: A thought experiment. Stanford Law Review Online, 66, 101–102. https://www.stanfordlawreview.org/online/privacy-and-big-data-consumer-subject-review-boards/ [in English].

Carlson, M. (2015). The robotic reporter: Automated journalism and the redefinition of labor, compositional forms, and journalistic authority. Digital Journalism, 3(3), 416–431. https://doi.org/10.1080/21670811.2014.976412 [in English].

Chen, Q. (2023). Fǎlǜ shì yù xià réngōng zhìnéng de fēngxiǎn shěn sī jí guī zhèng lùjìng [Risk reflection and correction path of artificial intelligence from the perspective of law]. Law, 11(6), 6460–6464. https://doi.org/10.12677/OJLS.2023.116927 [in Chinese].

Chen, W. (2024). AI shídài wǎngluò shùjù zhuā qǔ jìshù de jīyù yǔ tiǎozhàn tànsuǒ [Exploring the opportunities and challenges of web data extraction technology in the AI era]. Journal of Computer Science and Technology, 4(1), 14–17 [in Chinese].

Cherubini, F., & Nielsen, R. K. (2016). Editorial analytics: How news media are developing and using audience data and metrics. University of Oxford. https://doi.org/10.60625/risj-t8b4-5s83 [in English].

Fink, K., & Anderson, C. W. (2015). Data journalism in the United States: Beyond the ‘usual suspects’. Journalism Studies, 16(4), 467–481. https://doi.org/10.1080/1461670X.2014.939852 [in English].

Habibi, M. A., Nasimi, M., Han, B., & Schotten, H. D. (2019). A comprehensive survey of RAN architectures toward 5G mobile communication system. In IEEE Access (Vol. 7, pp. 70371–70421). IEEE. https://doi.org/10.1109/ACCESS.2019.2919657 [in English].

Henke, N., Bughin, J., Chui, M., Manyika, J., Saleh, T., Wiseman, B., & Sethupathy, G. (2016, December 7). The age of analytics: competiting in a data-driven world. McKinsey. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-age-of-analytics-competing-in-a-data-driven-world [in English].

Heravi, B. R., & Lorenz, M. (2020). Data journalism practices globally: Skills, education, opportunities, and values. Journalism and Media, 1(1), 26–40. https://doi.org/10.3390/journalmedia1010003 [in English].

Li, L., Chu, W., Langford, J., & Schapire, R. E. (2010). A contextual-bandit approach to personalized news article recommendation. arXiv. https://arxiv.org/abs/1003.0146v1 [in English].

Napoli, P. M. (2011). Audience evolution: New technologies and the transformation of media audiences. Columbia University Press [in English].

Nechushtai, E. (2018). Could digital platforms capture the media through infrastructure? Journalism, 19(8), 1043–1061. https://doi.org/10.1177/1464884917725163 [in English].

Newman, N., Fletcher, R., Schulz, A., Andi, S., Robertson, C. T., & Nielsen, R. K. (2021). Reuters Institute Digital News Report 2021 (10th ed.). Reuters Institute for the Study of Journalism. https://reutersinstitute.politics.ox.ac.uk/sites/default/files/2021-06/Digital_News_Report_2021_FINAL.pdf [in English].

Paynter, N., Mishra, M., Kreit, B., Mahto, M., & Cantrell, S. (2024, June 11). Navigating the tech talent shortage. Deloitte Insights. https://www2.deloitte.com/us/en/insights/topics/talent/overcoming-the-tech-talent-shortage-amid-transformation.html [in English].

Schlesinger, P., & Doyle, G. (2015). From organizational crisis to multi-platform salvation? Сreative destruction and the recomposition of news media. Journalism, 16(3), 305–323. https://doi.org/10.1177/1464884914530223 [in English].

Thurman, N., & Schifferes, S. (2012). The future of personalization at news websites: Lessons from a longitudinal study. Journalism Studies, 13(5–6), 775–790. https://doi.org/10.1080/1461670X.2012.664341 [in English].

Wu, C., Wu, F., Huang, Y., & Xie, X. (2021, July 8). Personalized news recommendation: A survey. arXiv. https://arxiv.org/abs/2106.08934v2 [in English].

##submission.downloads##

Опубліковано

2025-05-19

Як цитувати

Чжен, В., & Опанасенко, В. (2025). Інтеграція аналітики даних у традиційні медіа: можливості та стратегічні переваги. Український інформаційний простір, (2(14), 12–23. https://doi.org/10.31866/2616-7948.2(14).2024.330022

Номер

Розділ

ТЕОРІЯ І ПРАКТИКА ЖУРНАЛІСТИКИ