Jak Outset Media Index zakończył się kwestionowaniem powszechnych założeń dotyczących analizy mediów

Od momentu uruchomienia, Outset Media Index (OMI) został wprowadzony jako punkt odniesienia do analizy mediów. Po otwarciu platforma natychmiast wyświetla wyniki, rankingi, filtry oraz przejrzystą listę mediów gotowych do analizy.

W tym momencie widzisz gotowy produkt. Nie widzisz natomiast pracy, która za nim stoi: poszukiwań, systemów zbudowanych od podstaw, testów i ręcznych weryfikacji, które utrzymują go w działaniu.

Aby lepiej zrozumieć te fundamenty, niniejszy artykuł odnosi się do niedawnego wywiadu z Maximilianem Fondé, starszym analitykiem mediów w OMI, który jest częścią zespołu od samego początku.

Najbardziej wartościowe dane były najtrudniejsze do zdobycia

Aby stać się tym, czym jest dziś, OMI wyrosło z lat rozproszonych notatek i zapisów, które zespół gromadził podczas pracy z mediami – od ruchu i cen, przez czas realizacji, zasięg regionalny, aż po to, kto z dużym prawdopodobieństwem udostępni czyjś post. Zebranie tego wszystkiego w jednym systemie było łatwiejszą częścią. Trudniejszą było poradzenie sobie z danymi, których te zapisy nigdy tak naprawdę nie zawierały.

Jak każdy, zespół podobno zaczął od kilku dobrze znanych i praktycznie nieodzownych narzędzi. Similarweb dał najwyraźniejszy i najbardziej kompleksowy obraz tego, ile ruchu przyciągało dane medium, skąd pochodził i jak zachowywali się czytelnicy po wejściu na stronę. Moz dodał głębię analityczną, więc Domain Authority również zostało uwzględnione, ale według Fondé głównie dlatego, że branża wciąż polega na nim jako na samodzielnym, praktycznym sygnale – z przyzwyczajenia.

Każde narzędzie dawało fragment obrazu. Jednak to, czego zespół pragnął najbardziej, było nieobecne. Te narzędzia potrafiły ocenić medium, ale nie odpowiadały na pytanie, czy artykuł tam opublikowany ma potencjał, by dotrzeć do czytelników – a właśnie to jest najważniejszym czynnikiem do ustalenia.

Dlatego jednym z tematów, który wielokrotnie pojawiał się w rozmowie, było to, jak często OMI kwestionowało założenia, które zazwyczaj są traktowane jako oczywiste w analizie mediów. Dobrym przykładem jest sama widoczność. 

Maximilian przekonywał, że publikacja i odkrycie są często traktowane jako to samo, choć nie są. 

"Sam fakt istnienia artykułu na jakimś medium nie oznacza, że użytkownicy odkryją go w sposób organiczny" – powiedział. 

To spostrzeżenie z czasem ukształtowało część wewnętrznej infrastruktury OMI, w tym niestandardowy parser republishingu, który śledzi, jak treść faktycznie przemieszcza się po jej opublikowaniu.

Na przykład można umieścić artykuł w szanowanym medium i obserwować, jak dociera praktycznie do nikogo. Tutaj liczba odwiedzin mówi ci, że platforma jest aktywna, a nie że twój materiał pojawił się na jej łamach – i wiele dobrze umieszczonych artykułów tonie bez śladu. Ta przepaść między istnieniem artykułu a jego odnalezieniem była czymś, z czym Maximilian stale się stykał.

Pojedynczy artykuł rzadko zatrzymuje się na stronie, która opublikowała go jako pierwsza. W świecie krypto może pojawić się na kilkunastu mniejszych stronach w ciągu jednego dnia, a każde przejęcie przyciąga czytelników, na których pierwotny wydawca nigdy nie liczył. Jeśli potraktujesz te wtórne publikacje jako tło, ryzykujesz pominięcie większości osób, które widziały dany artykuł. OMI odzwierciedla te przejęcia poprzez metryki Reprints i Aggregators. 

Ludzie nadal sprawdzają każdą linię

Dlaczego nie pozwolić oprogramowaniu przejąć całego ciężaru? To naturalne pytanie w przypadku każdego produktu opartego na danych w 2026 roku, ale zespół OMI odmawia podążania łatwiejszą drogą. 

Maximilian wciąż czyta arkusze kalkulacyjne linijka po linijce, wypatrując domeny, która łamie zasadę, którą wszyscy zaakceptowali w ubiegłym miesiącu. Gdy napotka problem, natychmiast sam szuka odpowiedzi. 

Automatyzacja wkracza później – głównie po to, by wychwycić to, co człowiek mógł przeoczyć. 

"Oceny i wnioski w naszym procesie są wyciągane wyłącznie przez ludzi" – tak to ujął, a cały system jest zbudowany wokół tej zasady: ludzie decydują, oprogramowanie wspiera.

Skala wymusza ten sam rodzaj podejścia. Zestaw duże medium z małym niezależnym, a większe wygra na surowych liczbach za każdym razem, niezależnie od tego, czy na to zasługuje. Utrzymanie sprawiedliwości tego porównania oznacza, że człowiek interpretuje, w jakich warunkach co się liczy, zanim ranking zostanie uruchomiony.

Krypto podkręca każdy z tych problemów o stopień wyżej. Wiele stron wartych śledzenia milczy na temat swoich liczb i udostępnia zbyt mało, by je oceniać – przez co są odrzucane, nawet gdy faktycznie dostarczają wartość.

Tam, gdzie dane istnieją, pozostają szacunkami, a szacunek nie powie ci, czy publiczność stojąca za danym medium jest prawdziwa, czy napompowana dla lepszego wyglądu. Duzi dostawcy analityki też niewiele pomagają, gdyż żaden z nich nie traktuje krypto jako osobnej kategorii. Wszystko zlewało się w rozmytą kategorię, a każdy porównujący serwisy krypto pracuje na ramach, które nikt dla nich nie stworzył.

Dlatego właśnie media krypto nie mogły po prostu zapożyczyć analizy stworzonej dla finansów – potrzebowały czegoś skrojonego na miarę własnego kształtu.

Co trzyma to wszystko razem

Według Maximiliana, im bardziej wszechstronnie wygląda końcowy produkt, tym mniej z niego zostało kiedykolwiek ukończone przez maszynę – przynajmniej w tej niszy. Dane, które miały największe znaczenie, musiały być budowane ręcznie, bo żadne narzędzie ich nie sprzedawało ani nie dostarczało, a oceny, które łączyły rankingi, nadal są dokonywane przez człowieka, bo żadna formuła nie robi tego dobrze. 

To, co pojawia się na twoim ekranie, to czysty wynik i przejrzysta lista. To, co kryje się za tym, to żmudna część – poszukiwanie artykułów, które zostały opublikowane, ale nigdy nie zostały znalezione, oraz podejmowanie decyzji, które chronią małą publikację przed zmiażdżeniem przez giganta. Ta ukryta praca jest jedynym powodem, dla którego widoczna połowa ma wartość i wiarygodność.

The post How Outset Media Index Ended Up Challenging Common Assumptions About Media Analysis appeared first on TheCryptoUpdates.