Det svåra med mediebevakning är inte att hitta artiklar med rätt sökord. Det är att avgöra om de faktiskt spelar roll. Så arbetar vi med Google, mediedatabaser och AI-sök.
Vi har ofta samma dilemma när vi sätter upp mediebevakningar: antingen söker vi brett och får väldigt mycket att läsa, eller så finslipar vi filtren tills resultaten ser hanterbara ut – med risken att vi missar viktiga artiklar.
Det är egentligen två arbetsuppgifter som blandas ihop. Att hitta ett material är en sak. Att avgöra vad i materialet som betyder något för en kund är en annan. Jag vill visa hur vi på Heartspace försöker hålla isär dem.
Börja med frågan, inte sökordet
Anta att du ansvarar för kommunikationen hos ett branschförbund inom vård. Du vill veta hur det rapporteras om branschens kompetensförsörjning. Söker du bara på förbundets namn missar du nästan hela diskussionen. Söker du på kompetensbrist får du allt från it-branschen till tillverkningsindustrin.
Vi börjar därför med några frågor: Vilka beslut kan påverka branschen? Vilka konflikter återkommer? Vilka föreställningar vill vi förstå? Därefter tar vi fram flera sökningar som närmar sig ämnet från olika håll.
1. Börja med öppna webbsökningar
Google och andra sökmotorer kan ge ett bra första urval. Testa flera begrepp, orter, organisationer och konsekvenser. En sökning på ”kompetensbrist” och ”vård” kan kompletteras med sökningar om utbildningsplatser, rekryteringssvårigheter, personalflykt och arbetsvillkor.
Det viktiga är att tänka som den som skriver artikeln. Journalisten använder inte nödvändigtvis samma kategorier som kommunikatören. En nyhet om en vårdcentral som stänger kanske inte innehåller ordet kompetensbrist alls, trots att bristen är själva orsaken.
Öppna sökmotorer är inte fullständiga mediearkiv. En del artiklar går inte att hitta, publiceringsdatum kan vara osäkra och vissa källor ligger bakom betalvägg. Men som komplement är vanliga webbsökningar ofta underskattade.
2. Använd det bevakningsverktyg du redan har
Retriever, Meltwater och andra tjänster har tillgång till källor, historik och metadata som vi inte kan få fram lika enkelt via en sökmotor. Har du redan en licens finns det sällan skäl att börja med att byta system.
En idé är att ibland göra bevakningen bredare i stället för smalare. Fånga hellre fler tänkbara träffar och låt ett separat steg bedöma vad som är relevant. Nackdelen är förstås mer brus – därför behöver sorteringen planeras från början.
3. Lägg till bevakning av AI-svar
Vi undersöker även hur ChatGPT och andra AI-tjänster beskriver en fråga. Det är ett annat slags mediebevakning: vi vill förstå vilka perspektiv som möter människor och vilka källor som lyfts fram när de ställer frågor till en AI-assistent.
En hög andel omnämnanden betyder inte automatiskt att beskrivningen är korrekt. I vår handbok om AI-synlighet visar vi hur vi skiljer mellan att en organisation nämns, vad som faktiskt sägs och vilka källor som hänvisas till.
AI-sök kan inte ersätta en fullständig artikelbevakning. Svaren kan variera mellan körningar och deras hänvisningar måste kontrolleras mot originalkällorna.
4. Spara tillräckligt mycket för att kunna analysera senare
Spara rubrik, källa, URL, datum och journalist när uppgiften finns. Notera också varför en artikel verkar relevant, och håll isär samma nyhet publicerad i flera medier. Ett kalkylark är ofta tillräckligt som första steg.
Om sökningen ska göras varje vecka blir nästa fråga hur mycket som kan automatiseras. I nästa guide visar jag hur du kan skapa en schemalagd mediebevakare i ChatGPT eller Claude.
Vi fortsätter att utveckla nästa steg i det här arbetet: att låta en klassificerare bedöma relevansen även när materialet kommer från någon annans bevakning. Läs den sista delen i artikelserien om hur vi vill testa tekniken tillsammans med PR-byråer.