Op LinkedIn las ik een bericht van Hildebrand Bijleveld. Hij is Head of Insight & Data bij de EO en presenteerde daar de Wie-Wat-Waar-Machine. ‘In deze machine kunnen redacteuren zoeken naar personen, onderwerpen en locaties waarover ze een verhaal willen schrijven. Als ze een zoekterm invullen, krijgen ze alle EO-artikelen uit het verleden te zien waarin de persoon, het onderwerp of de locatie voorkwam. Daarbij staat vermeld hoeveel lezers de artikelen trokken. De redacteur kan zo bepalen hoe populair iets in het verleden was en welke invalshoeken aanslaan.’

In het bericht noemt Hildebrand een voorbeeld wanneer redacteuren over de adventstijd schrijven. Hier sloeg ik op aan, omdat ieder jaar veel dezelfde artikelen over terugkerende artikelen worden geschreven. Dan zou het heel fijn zijn als je snel kunt zien wat er eerder geschreven is én je kunt zien hoe deze artikelen gelezen zijn. Zo profiteer je pas echt van je rijke eigen archief. Dankzij AI komen deze oplossingen ook dichterbij en daarom stelde ik Hildebrand nog een aantal aanvullende vragen hierover.

Hoe lang gaan de artikelen terug?

‘De EO-artikelen waarop de machine zijn uitkomst baseert, gaan drie jaar terug. We zijn bezig om in de Wie-Wat-Waar-Machine een filter in te bouwen waarmee redacteuren specifieke periodes kunnen selecteren om prognoses te maken. Per merk verschilt het hoeveel redacteuren hiervan gebruik moeten maken om de potentiële interesse van het lezerspubliek te kunnen bepalen.

Voor een redacteur van een online vrouwenmagazine kunnen verhalen van drie jaar geleden nog een goede indicatie vormen van welke thema’s vandaag leven bij het lezerspubliek. De interesse van lezers in subthematieken zoals psychologie of lifestyle blijft over zo’n periode vrij stabiel. Voor journalistieke content, zoals bij DIT.EO.nl, zijn gegevens van drie jaar terug vaak niet meer relevant. Dan is het logischer om te werken met gegevens van het afgelopen jaar, of zelfs korter: de afgelopen maanden of weken. Kortom, we proberen de machine zo in te richten dat redacties zelf de periode kunnen selecteren die voor hen relevant is.

De Wie-Wat-Waar-Machine wordt ook gebruikt door redacteuren om te bepalen of hun redactie überhaupt eerder over een onderwerp heeft geschreven, zodat herhaling wordt voorkomen. Voor dit doel is het belangrijk om een zo lang mogelijke geschiedenis in de machine te hebben.’

Hoe lang gaan de bereikcijfers van die artikelen terug?

We nemen alle lezers van artikelen mee in de database van de Wie-Wat-Waar-Machine: zowel de mensen die het artikel direct na publicatie lezen als degenen die het pas na twee of drie jaar tegenkomen. We werken aan een updatesysteem dat wekelijks of dagelijks nieuwe lezersgegevens bijwerkt, zodat er altijd een actueel beeld is van de interesses binnen het EO-publiek. De meeste artikelen die we publiceren, bereiken hun piek qua lezers in de eerste weken na publicatie. Ze trekken dan de meeste aandacht wanneer we ze prominent op onze websites en sociale media plaatsen. Sommige specifieke artikelen zijn echter gericht op een ‘longtail’-bereik: ze zijn bedoeld om doorlopend informatie te bieden. EO heeft bijvoorbeeld overzichtspagina’s met Bijbelse kindernamen, waar mensen die in verwachting zijn vaak via Google terechtkomen. Deze pagina’s blijven het hele jaar door bezoekers trekken. Dit geldt ook voor pagina’s waarop EO de achtergrond van religieuze feestdagen uitlegt of content biedt met journalistieke explainers.’

Deze longtailpagina’s zijn vanwege hun specifieke doel niet goed vergelijkbaar met de reguliere artikelen die EO dagelijks publiceert. De Wie-Wat-Waar-Machine toont de exacte titels van alle artikelen waarop prognoses worden gebaseerd, waardoor redacteuren dit soort longtailpagina’s indien nodig handmatig uit hun analyses kunnen halen. Tegelijkertijd kan het ook zijn dat journalisten juist geïnteresseerd zijn in deze longtail-artikelen en hier selecties van maken voor verdere analyse.’

De EO heeft meerdere sites gehad en natuurlijk ook radio en tv gemaakt, evenals veel gedaan op sociale media. Kun je iets zeggen over wat hiervan terug te vinden is?

In de Wie-Wat-Waar-Machine staan momenteel artikelen van de EO-communities Blauw Bloed, Eva, Ik Mis Je, Nederland Zingt, Visie en Beam. Daarnaast zijn ook de artikelen van EO.nl in de machine opgenomen. Redacteuren kunnen zelf bepalen op welke merken ze hun analyses willen baseren. Meestal zal dat hun eigen merk zijn, maar niet altijd. Een redacteur die bijvoorbeeld een artikel schrijft voor het ledenblad Visie over muziek, kan geïnteresseerd zijn in hoe goed de diverse muziekverhalen van Nederland Zingt presteren. Met de Wie-Wat-Waar-Machine willen we op deze manier ook bijdragen aan kennisdeling binnen de organisatie.

Op dit moment bevat de Wie-Wat-Waar-Machine nog geen beeld- of geluidsmateriaal van radio en televisie. Het extraheren van personen (wie), onderwerpen (wat) en locaties (waar) via AI uit audiovisueel materiaal wordt door verschillende marktpartijen onderzocht, maar is veel complexer dan bij tekst. We hebben er daarom bewust voor gekozen om ons te richten op tekst, omdat dit beter te beheren is en direct bruikbare resultaten oplevert. Als andere marktpartijen in de toekomst goede en geavanceerde audiovisuele analysetools ontwikkelen, zullen we mogelijk dankbaar gebruik maken van hun oplossingen.’