内容运营中具体数据决策的8个场景

最近，我刷了一些关于所谓“数据驱动操作”的文章。嗯，怎么说呢？就我个人而言，我认为大多数数字都是不切实际的。除了“请听下次分解”的销售文章和销售产品文章外，这是“理论上应该是这样”的“理想状态”方法论。然而，仍然有一些灵感，结合他们以前工作中的几个例子，总结。1.在第一家公司做过这样的项目，在不同的产品详细信息页面的某个频道下填写UGC内容，以改进频道CTR。当时的做法是爬上竞争产品对应产品对应频道的数据，看每个关键词的点击率(因为不能爬到曝光率，不能直接看点击率)，然后根据竞争产品不同关键词的点击率分布比，将包含这些关键词的内容灌入相应的产品中。整体思路可以概括为，既然目标是点击，那就找出点击结果是什么样的(可以参考竞争产品，但不仅仅是参考竞争产品)，然后根据点击结果的内部规律(分布比例、不同产品差异等)重构内容。).2.铺开面筛选结果实例2。上一家公司团队刚成立的时候，前期有一个动作，就是群里的几个运营商每人做5-6种内容形式，合起来有20多种。每个人都知道什么内容是ROI高一段时间。在这里，我将重点关注当时的领导人。后来，我认为这样做最大的意义不是找到该做什么，而是平衡团队中每个人的不同想法。因为当时小组里的每个人都有不同的工作方向，包括行政转岗、公关转岗、编辑转岗、市场转岗。不评价任何人的想法，给一条共同的跑道自由跑。延伸2这些刷脉APP的“头条”频道(即一些自媒体内容)，有一个猜测:目前的文章呈现状态，很有可能是第一批测试内容中数据比较好(点击、评论等)的祖先“开枝散叶”。).也就是说，一开始，你不需要花一点时间去思考哪些文章的内容类别会满足需求，只需要广泛撒网，然后筛选即可。当然，这是一个前提调整：内容成本低，可以进行强大的测试；不影响品牌定位和用户体验，等等。因此，由于金钱和内容调性的限制，我们的实验内容不能完全传播，离散程度相对较高。三、总结历史，找到规律，几乎是广大运营商用的。“无非是总结复盘分类，环比下”。否则，我觉得做了以下两个实例的项目就没那么简单了。例3在上一家公司做了短期分析，想看看不同主题的时效性。简单来说，就是把之前的内容分类，总结每个类别的点击率趋势，区分趋势拐点的区间。以后类似内容的推荐时间会按照之前的规律来。通过这种方式，可以最大限度地利用推荐流量，减少浪费。当然，这个过程不仅仅是那么简单，需要分几组来总结，消除市场的影响，消除偶然性等等。但是，这一过程属于讨论如何进行数据分析的范围，而不是如何驱动操作。实例4与实例3非常相似。需要做一个分析，看看每种类型的内容每天有多合适。简单地说，根据两个主要的分类维度，看历史内容的累积流量。增加流量的入池量，减少流量的入池量。(3是分析需求的及时性，4是分析需求的比例)之所以回答不那么简单，是因为分析过程中有一个“笼子”，是根据推荐系统的推荐机制进行分析的。换句话说，分析的过程是探索如何有效利用这个“笼子”的过程。四、量化一个长链的事情，两个典型的例子，一个是各种“转换漏斗”，另一个是各种“传播模型”。但两者都是基于产品层面的动作，而不是内容本身。目前还没有找到基于内容的合适例子。五、量化一件有两面性的事情，举个简单的例子，很多APP都有开屏广告，一般3-5秒。但是这个广告通常会保留APP的新用户，影响使用时间，但是不放这个广告会影响赚钱。此时，APP开屏广告显然需要通过数据量化收益和损失。具体做法没有详细说明，毕竟是别人的项目，没有亲自做也只知道一般。简单来说，两个方面:价值归一，计算单用户留存等于(等价)赚多少钱，然后比较单用户加载(点击)广告赚多少钱。区分用户，找到能留下来看广告的用户，看广告留不下来的用户。这两天前，前领导写了一篇关于如何为项目设定目标的文章。我大致翻译一下前提1(顺便和我的私货混在一起)：大部分绝对值数据的参考性不如相对值数据，比如“社区”板块，这个社区每天新内容量的参考性不如新内容量/DAU。估计大家都能认同这一点；前提2：平台数据参考不如用户行为数据，比如社区有多少新内容参考不如用户有多少点击；前提3：用户的短期行为数据不如用户的长期行为数据好。例如，有多少用户每天点击的内容不如社区30天保留的数据；然而，使用哪个维度的数据来确定目标取决于项目开发阶段和团队风格，公司考核制度等。另外，如果设定项目目标，可以单独开一篇文章写，这里就不多说了。另外，如果设定了项目目标，可以单独开一篇文章写，这里就不多说了。7.从另一个角度提供，我们每个人都知道自己在想什么，但不知道别人(群体)在想什么。此时，数据遍提供了另一个视角，利用用户的数据观察用户的想法。例5在第一家公司有这样一个项目。为了让自媒体作者保持活跃，他们每天都会导出自己贡献的内容和浏览的收获，增加粉丝的数量。(前提是作者当时没有数据观察背景)，这样每天都能看到那些人得到正反馈(多发多得)，谁得到负反馈(多发少得)，谁因为正反馈更积极(增加产出)，谁因为负反馈而消极(减少产出)。此时，根据上述分类，在适当的时间使用不同的语音维度进行沟通，用一半的努力得到两倍的结果。八、多维筛选，精准投入实例6在实习期间有了另一个项目，提高了一个新社区的互动数据。当时做了一个简单粗暴的数据，就是把主端对应板块的高互动内容搬过来，互动偏好和同一个用户群差不多。(前提是，同一个用户群需要根据板块进行筛选，否则可能不会有效。)延伸6这几天在家疯狂刷虎扑，发现一件有趣的事情。有很多处理抖音的小视频，非常符合虎扑用户的喜好。但仔细想想，虎扑的内容推荐是和字节一起做的，所以这件事比较简单。例如，使用虎扑用户肖像数据，匹配同一批用户的高互动内容，直接输出；或者，识别哪些抖音应用程序用户同时安装虎扑应用程序，输出内容。例子和延伸是一样的，在多维内容数据筛选之前，所以投资更准确。