Los datos de audiencia pueden servir para algo más que explicar por qué una noticia ha funcionado mejor que otra. Una propuesta desarrollada por el consultor de medios Richard E. Brown plantea que los medios evalúen de forma sistemática cada historia publicada y utilicen su comportamiento entre distintas vías de descubrimiento para decidir si merece más promoción, mayor visibilidad, nuevos recursos editoriales o incluso apoyo desde las áreas de marketing, producto y membresía. Brown ha denominado a este planteamiento modelo de decisión multicanal (Cross-Channel Decision Model) y lo ha presentado en un análisis publicado por Digital Content Next.
La propuesta parte de un problema organizativo habitual: redacción, audiencias, producto, marketing e ingresos disponen de información sobre el comportamiento de los lectores, pero cada equipo suele utilizarla para sus propios objetivos y las decisiones posteriores a la publicación de una pieza dependen muchas veces de reuniones, criterios individuales o prioridades departamentales. Brown propone sustituir parte de esa coordinación informal por un procedimiento repetible que someta todas las historias al mismo análisis, con independencia de su autor, temática o sección. La clave del modelo está en convertir una señal de audiencia en una decisión compartida por toda la organización.
El primer nivel del sistema utiliza tres vías diferentes para determinar si una información está encontrando una demanda amplia. Google Analytics aporta los datos sobre consumo y comportamiento de la audiencia en los canales propios del medio; las plataformas sociales indican hasta qué punto los usuarios están recomendando o haciendo circular una pieza; y la Búsqueda de Google permite observar su capacidad de ser descubierta mediante los sistemas algorítmicos del buscador. Una historia que destaca simultáneamente en las tres dimensiones ofrece, según Brown, una señal más sólida que otra que obtiene cifras excepcionales únicamente en una de ellas.
La lógica resulta especialmente relevante porque las cifras aisladas pueden responder a dinámicas muy diferentes. Una noticia puede acumular tráfico porque Google la sitúa temporalmente en una posición destacada, recibir miles de visitas procedentes de una publicación viral en redes sociales o beneficiarse de una ubicación privilegiada en la portada del medio. Cuando el rendimiento elevado aparece a la vez entre lectores propios, redes y buscadores, la explicación depende menos de una única ventaja de distribución. La coincidencia entre las tres vías reduce el riesgo de confundir un éxito puntual de distribución con una demanda más amplia.
De la métrica a una decisión sobre recursos
El cambio principal que introduce el modelo aparece después de detectar esa señal. Una información que funciona en los tres canales deja de ser únicamente una pieza con buenas cifras y pasa a convertirse en candidata a recibir más recursos de distintas áreas del medio. El equipo de audiencias puede aumentar su presencia en boletines o ampliar su distribución; producto puede darle mayor visibilidad en la portada, páginas temáticas o módulos de recomendación; marketing puede extender su difusión mediante campañas o colaboraciones; las áreas de membresía y desarrollo pueden incorporarla a comunicaciones con socios o donantes; y la dirección editorial puede estudiar qué elementos periodísticos y qué comportamiento de los lectores explican el resultado. El rendimiento de una historia serviría así para decidir dónde merece la pena concentrar recursos adicionales después de su publicación.
El planteamiento también contempla las piezas que destacan solamente en dos vías. Una información con buen rendimiento en búsqueda y redes sociales, pero con menor respuesta entre los lectores habituales del medio, podría indicar una oportunidad para intentar transformar ese interés externo en una relación más directa mediante portada, boletines, recomendaciones internas u otros productos. Una historia fuerte entre la audiencia propia y las redes, pero débil en búsqueda, mostraría un comportamiento distinto y exigiría otras decisiones. La combinación de señales sirve así para diagnosticar no solamente cuánto interés genera un contenido, sino también dónde se está produciendo y qué canal podría desarrollarse a continuación.
Brown utiliza como ejemplo una investigación sobre contaminación de aguas subterráneas que obtiene buenos resultados en Google Analytics, plataformas sociales y Búsqueda de Google. El modelo recomendaría que audiencias reforzara su promoción en boletines, producto aumentara su presencia en portada y recomendaciones, marketing extendiera su distribución y membresía utilizara el trabajo en sus campañas, mientras la redacción analizaría las características de la investigación que pueden haber contribuido a su rendimiento. La cuestión relevante para la organización deja de limitarse a comprobar que la investigación ha funcionado y pasa a determinar qué hacer inmediatamente con esa información.
El sistema establece, sin embargo, una separación explícita entre rendimiento y valor periodístico. Brown señala que las métricas no deben decidir la importancia editorial o el valor de servicio público de una información, competencias que continúan dependiendo del criterio periodístico. Su modelo empieza a actuar una vez publicada la pieza y pretende identificar aquellos trabajos en los que una mayor inversión posterior puede multiplicar su alcance o su relación con la audiencia. La propuesta conserva el juicio editorial como criterio central y utiliza los datos para decidir la intensidad del apoyo posterior.
El paso pendiente entre disponer de datos y actuar
La dificultad que intenta resolver el modelo lleva años apareciendo en la investigación sobre analítica editorial. El informe Editorial Analytics: How News Media Are Developing and Using Audience Data and Metrics, elaborado por Federica Cherubini y Rasmus Kleis Nielsen para el Reuters Institute for the Study of Journalism a partir de más de 30 entrevistas con responsables de medios, ya señalaba en 2016 diferencias importantes entre las organizaciones que utilizaban métricas de manera rudimentaria y aquellas que habían desarrollado sistemas adaptados a sus prioridades editoriales y organizativas. Los medios más avanzados utilizaban esos datos tanto para las decisiones cotidianas como para la planificación estratégica a largo plazo.
La literatura académica posterior también ha situado la cuestión organizativa en el centro. Robin Riemann, investigador de la Johannes Gutenberg Universität Mainz, analizó en Mapping Audience Analytics Use in Newsrooms: A Conceptual Typology Integrating Individual and Organizational Influences cómo los factores individuales y organizativos condicionan la utilización de la analítica en las redacciones. El trabajo identifica seis perfiles diferentes de relación con los datos, desde especialistas e integradores hasta usuarios oportunistas o escépticos, lo que muestra que disponer de herramientas comunes no implica necesariamente que periodistas y responsables de un mismo medio las incorporen de la misma manera a sus decisiones.
La evolución más reciente del sector apunta precisamente hacia métricas asociadas a objetivos concretos. El informe de INMA Beyond the Dashboard: 14 Case Studies in Newsroom Metrics, elaborado por Amalie Nash a partir de 14 organizaciones periodísticas internacionales, recoge un desplazamiento desde la simple observación de paneles hacia indicadores relacionados con el valor de los contenidos, las lecturas de calidad, el tiempo de lectura, objetivos específicos y métricas adaptadas a diferentes funciones de la organización. Entre los casos estudiados figuran The New York Times, The Wall Street Journal, Axel Springer, Mediahuis, The Times y The Sunday Times, Hearst, Aftenposten y Politiken. La tendencia consiste en vincular cada vez más las métricas con decisiones, objetivos y resultados concretos del medio.
El caso de Chalkbeat muestra cómo esa coordinación puede trasladarse a la estructura interna. El medio especializado en educación creó en 2019 AudSquad, un grupo en el que participaron responsables de ingresos, redacción, estrategia, marketing, producto y relación con la audiencia. El equipo se reunía cada dos semanas para revisar objetivos comunes y conectar las estrategias editoriales, de audiencia, membresía y patrocinio. También redefinió su embudo de audiencia mediante cuatro grandes objetivos, alcance, confianza, participación e impacto, y vinculó cada uno de ellos con métricas específicas.
La diferencia del modelo planteado por Brown es que intenta llevar esa filosofía hasta la unidad mínima de producción periodística: cada artículo. En lugar de limitar la coordinación transversal a grandes proyectos, objetivos anuales o estrategias generales de crecimiento, propone crear un mecanismo que pueda activarse después de cada publicación cuando determinadas señales indiquen que existe una oportunidad de ampliar su impacto. La consecuencia sería introducir una nueva fase en el ciclo de producción: publicar, medir, identificar la combinación de señales y decidir qué áreas deben actuar.
El modelo, sin embargo, todavía no establece algunos elementos imprescindibles para convertir esa secuencia en un procedimiento plenamente operativo. Cada organización tendría que determinar qué considera un rendimiento elevado, cuánto tiempo debe observar una pieza antes de clasificarla, cómo compara una exclusiva política con una información de servicio o una pieza concebida para buscadores y cómo evita que la promoción inicial altere las métricas que posteriormente utilizará para decidir nuevas inversiones. La utilidad real dependerá de que cada medio defina umbrales, periodos de observación y métricas comparables entre secciones.
También habría que distinguir entre volumen y calidad de la respuesta. Una pieza puede generar muchas visitas y escasa recurrencia, mientras otra puede atraer menos usuarios pero conseguir registros, suscripciones, tiempo de lectura, retorno posterior o participación. El propio avance de las métricas editoriales recogido por INMA apunta hacia esa ampliación de los indicadores, con mayor atención a lecturas de calidad, objetivos específicos y resultados relacionados con la estrategia editorial y de negocio.
El modelo de decisión multicanal introduce así una cuestión que afecta a la organización completa del medio: qué ocurre después de que los datos indiquen que una historia está respondiendo especialmente bien entre la audiencia. La disponibilidad de métricas permite detectar ese comportamiento casi inmediatamente, pero el paso posterior exige reglas compartidas, responsabilidades definidas y capacidad para movilizar recursos entre departamentos. La propuesta de Brown sitúa precisamente ese punto, la transformación de una señal de audiencia en una acción coordinada, como una fase específica del proceso periodístico y empresarial.
