为什么需要用数据驱动内容运营？

许多互联网产品依靠内容的不断更新来吸引新用户和维护老用户。特别是对于知识付费产品或自媒体平台，将内容与平台或产品的灵魂和血肉进行比较并不过分。可以看出，内容对产品或平台非常重要。要定义内容操作，首先要知道内容是什么。内容在不同的行业和领域有不同的表现形式。内容可以是H5软文、音频、视频、图片、动画、幻灯片、小程序、歌曲、游戏等。内容操作是指满足用户的内容消费需求，通过内容制作、发布和传播与用户保持沟通和连接；扩大用户数量（粉丝数量），提高用户粘性（活动），传达产品价值。为什么要用数据驱动内容操作？传统的内容操作一般分为五个环节：选题、内容制作、内容审核、内容发布与传播、效果反馈。由于人力不足、技术支持不足或数据意识薄弱，企业在内容运营中往往存在四个方面：1。数据收集不全面的企业在完成每次内容分发和传播后，往往只收集和分析开放率、点击次数等效果数据，对用户消费内容的行为数据*不够。对用户内容消费行为缺乏深层次、细粒度的数据采集。特别是在外部平台（如头条、微博、微信等）上缺乏粉丝行为数据的深度收集。这很容易导致对内容呈现形式、内容修订等方面缺乏全面、彻底的分析。2.用户肖像不详细。现在大多数企业对用户肖像并不陌生。但实际用户肖像往往浮在表面，只是一些静态指标（年龄、性别、来源等）的统计分析，缺乏基于行为深度处理的标签；也缺乏与特定场景高度相关的标签；更不用说整合第三方数据的标签了，对用户的洞察实际上并不详细和全面。3.内容优化不科学的企业内容运营商在决定具体内容和表达形式时，往往需要在几种方案中做出选择。当你决定选择什么样的计划时，你经常会根据自己的经验和少数人拍脑袋的意见做出选择。这种内容优化方法有时可能有效，有时可能不令人满意。如果我们能够结合用户的内容偏好模型和内容质量评分模型等定量手段进行分析，我们将为内容的优化提供更科学的依据。4.内容推荐不准确的内容操作通常是内容分发前的“广告”模式。自然认为H5软文可以发给所有粉丝，分发前没有粉丝重新分类。这种内容推荐和分发模式比较广泛。事实上，不同的细分用户群体会有不同的内容偏好。即使是属于同一产品的粉丝群，每个粉丝的偏好也可能有细微的差异。每个内容运营商在分发和传播内容时，都应该为合适的用户匹配合适的内容。在这种情况下，为了促进内容的精细操作，有必要在内容操作中补充数据采集和分析应用的能力。在原内容操作闭环的基础上，引入数据操作闭环作为核心；内容操作外环由数据操作内环驱动；内容操作由数据授权，内容操作效率由数据提高。二、如何用数据驱动内容操作？数据方法和手段可以渗透到内容操作的许多环节，作者选择了以下六个方面：1。引入埋点技术，弥补数据收集能力的不足。所谓的埋点是植入特定的程序来收集一些信息，跟踪用户使用行为的轨迹数据，并为后续的产品和操作提供数据支持。为了更好地记录和分析用户消费内容时的行为模式，引入数据埋点技术。目前市场上埋点的方法有三种:代码埋点:所谓代码埋点，就是在需要统计数据的地方植入N行代码，统计用户的关键行为。目前，百度统计、友盟、TalkingData等国内主要第三方数据分析服务商都提供了这一方案。全埋点：指无需应用程序开发工程师编写代码或只编写少量代码。用户的具体行为数据可以通过简单的配置自动提前收集，如页面浏览、元素点击等。可视化全埋点：指开发人员除集成收集SDK外，不需要额外写埋点代码。相反，业务人员通过访问分析平台的圈选功能“圈”需要捕捉用户行为的控件，并给出事件命名。圈选完成后，这些配置将同步到每个用户的终端，收集SDK将根据圈选的配置自动收集和发送用户行为数据。如果要分析GVM等核心业务指标、MMR等，第一个代码埋点。代码埋点稳定性高，只有代码埋点支持业务数据的收集和报告。由于全埋点和可视化全埋点都是程序自动化进行的，很难判断什么字段是金额等重要的业务属性数据。三种埋点技术各有优缺点，企业可根据自身实际情况进行选择。如果只需要简单的查看网站的PV和UV，只需要打开全埋点，但显然这种分析能力已经不能满足时代的要求。可视化全埋点的分析能力介于两者之间。它可以对交互数据进行非常仔细的分析，甚至埋在同一页面的不同环节，并将其制成转换漏斗，但它存在数据不稳定的问题。随着时间的推移，由于代码结构的变化，可视化全埋点的定义可能会失效，而可视化全埋点不支持业务数据的收集。2.完善以用户内容消费行为分析为核心的用户肖像系统，可以从基本属性、内容偏好、内容满意度和行为特征四个维度建立相对完整的用户肖像指标系统。以某金融媒体的用户肖像为例，我们建立了如下图所示的指标系统：3。基于用户分类，识别用户内容偏好和用户内容偏好是我们设计内容和准确推送内容的基础。如何识别用户的内容偏好？一般来说，有必要分析用户对内容的消费行为数据。分析用户的内容偏好可以从某个方向偏好的消耗时间的角度来定义。当该方向偏好占用户使用时间的最大比例时，该方向可以定义为用户的偏好。例如，当我们研究电信运营商的用户阅读行为偏好时，我们根据用户对内容浏览时间的分析，最大限度地定义用户对内容浏览时间的比例。通过爬取用户上网行为的记录，统计其浏览各种网站的时间。并对各种网站进行分类和标记，选择用户浏览时间最长的网站类型作为内容偏好，最终形成用户内容偏好DNA地图。4.使用AB测试方法优化内容内容运营商在设计文案时，往往会设计多个版本进行比较。此时，ABTest可以帮助选择更好的方案。例如，食品B2C电力平台经常在移动客户端的通知栏中推送一些商品促销和购物指南，以吸引用户点击，从而提高用户粘性，提高业务。运营团队在设计推送消息的文案时，总会有很多不同的想法，有时会在内部提出几个版本。此时，AB测试方法可以选择最佳文案。AB测试采用全栈API方案，将推送消息的文案变成参数化的变量，并在控制台中为每个版本设置相应的变量值。试验开始时，选择了1%的全网流量进行试验，每个版本的流量均分。经过一段时间的测试，实验流量增加到5%。由于新闻推送的特殊性，实验只持续了一天(活动只持续了一周，活动结束后得到结果毫无意义)。结果表明，最佳文案的点击率比最差文案高42%。统计显著性指标的结果也超过95%，试验可以认定为有效。活动开始后的第二天，电子商务平台内容运营团队认可了测试结果，并使用最佳版本的文案在整个网络范围内推送消息。5.所谓精准内容推送，就是在合适的渠道或接触点向合适的用户推送合适的内容。实际上是为了实现用户、内容和渠道之间的准确适应。实现内容准确营销的方法有很多。例如，可以根据用户的内容偏好标签进行匹配，也可以根据用户的相似性推荐协同过滤算法，也可以根据内容的相似性进行推荐。比如某省移动公司在开展手机阅读内容运营时，根据身份信息和行为特点，将在线用户分为娱乐专家、应用专家、精打细算专家、新闻专家、纯通话专家等。，并研究了这些用户群体的肖像特征和内容偏好，开展了有针对性的内容微营销。为时尚商务人士推送都市浪漫、励志书籍，为精打细算的人推送都市浪漫、经济管理和社会科学书籍；为新闻专家推送都市浪漫、幻想和传记书籍。细分用户群和内容标签推送后，用户人均阅读完成率从0.5%提高到3.1%，人均阅读效果显著提高。6.在构建综合内容操作效果评价体系评价内容操作效果时，可以在AARR模型的基础上适当整合与用户行为相关的指标数据。例如，以知识付费学习应用产品为例，围绕用户获取、活跃、保留、收入和行为五个维度，构建了内容运营效果的评价指标体系。三、总结内容继续保持产品与用户之间的关系，内容操作需要我们认真下沉，精细做。用数据可以深入了解用户的内容需求，引导我们测试和优化内容，帮助我们进行个性化、准确的推送。简而言之，数据内容操作是提高内容操作效果的有效手段。