中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

對于算法分發(fā)很多人會有所誤解，這或許源自遠(yuǎn)觀而缺乏了解，才會覺得算法猛如虎。而當(dāng)你走近了算法分發(fā)，有了一定的了解之后，可能會有重新的認(rèn)知：算法如虎，細(xì)嗅薔薇。

一、算法分發(fā)知多少？

盡管算法分發(fā)中應(yīng)用了各種高深的算法，但其基礎(chǔ)原理卻是樸素的：更好地了解待推薦的內(nèi)容，更好地了解要推薦給的人，才能更高效的完成內(nèi)容與人之間的對接。

從這個角度來看：斷物識人，是一切推薦行為的起點(diǎn)。

對于斷物識人，我們可以將它理解為打標(biāo)簽的過程。標(biāo)簽是對高維事物的降維理解，抽象出了事物更具有表意性、更為顯著的特點(diǎn)。在不同的業(yè)務(wù)場景下，我們會選擇不同的標(biāo)簽進(jìn)行使用，來對內(nèi)容和用戶進(jìn)行標(biāo)注。

在內(nèi)容畫像層面，以音樂為例，最典型的有兩種標(biāo)簽產(chǎn)出的方式：

• 專家系統(tǒng)：潘多拉(Pandora)的音樂基因工程（Music Genome Project）。在這項工程中，歌曲體系被抽離出450個標(biāo)簽，細(xì)化到如主唱性別、電吉他失真程度、背景和聲類型等等。每一首歌曲都會被經(jīng)由工作人員耗時30分鐘左右，有選擇性標(biāo)注一些標(biāo)簽，并以從0到5的分值代表這一標(biāo)簽的表征程度。
• UGC產(chǎn)出：在豆瓣，給音樂打標(biāo)簽的活則從專家產(chǎn)出，轉(zhuǎn)為了普通網(wǎng)友貢獻(xiàn)。群體的力量為豆瓣積累了大量具有語義表意性的標(biāo)簽。當(dāng)然，由于用戶的多樣性和編輯的開放性，用戶標(biāo)簽系統(tǒng)需要經(jīng)過特定的清洗和歸一化才能投入使用。

在用戶畫像層面，可以分為靜態(tài)和動態(tài)兩部分。

用戶畫像中靜態(tài)的部分比較好理解，即你的設(shè)備信息、地理位置、注冊信息等等，這些可以被理解為是業(yè)務(wù)無關(guān)的信息。具體到業(yè)務(wù)場景中，用戶產(chǎn)生了更多的行為，就生成了業(yè)務(wù)相關(guān)的動態(tài)信息，即利用人的各種顯式和隱式行為來對用戶的偏好性進(jìn)行的猜測。

以知乎讀書會為例，你的顯式行為是點(diǎn)擊、收聽、評分、評論等等；隱形行為則是收聽完成度、是否有拖拽快進(jìn)、頁面停留時長等等。

通常，由于顯式行為不夠豐富，我們往往需要使用隱式行為來擴(kuò)充我們對于用戶的理解。完播率、是否快進(jìn)、詳情頁停留時長等指標(biāo)，都會被系統(tǒng)統(tǒng)計，用來判斷你是否真的喜歡某個人的講解、喜歡某本書的內(nèi)容。

在內(nèi)容畫像的部分，可以看到一篇文章通過文本分析進(jìn)行了一級和二級分類，并抽取出文章內(nèi)的關(guān)鍵字、實體詞，進(jìn)一步的還會通過聚類的方式，將這篇文章與其相似的內(nèi)容聚成一個簇類。之所以會有聚類，是因為專家系統(tǒng)的分類體系一定是對于變化不敏感的，響應(yīng)不及時的，而聚類能夠挖掘出更多內(nèi)容的隱含信息。

在用戶畫像的部分：

“今日頭條常用的用戶標(biāo)簽包括用戶感興趣的類別和主題、關(guān)鍵詞、來源、基于興趣的用戶聚類、各種垂直興趣特征、以及性別、年齡、地點(diǎn)等信息。性別信息通過用戶第三方社交賬號登錄得到。年齡信息通常由模型預(yù)測，通過機(jī)型、閱讀時間分布等預(yù)估。常駐地點(diǎn)來自用戶授權(quán)訪問位置信息，在位置信息的基礎(chǔ)上通過傳統(tǒng)聚類的方法拿到常駐點(diǎn)。常駐點(diǎn)結(jié)合其他信息，可以推測用戶的工作地點(diǎn)、出差地點(diǎn)、旅游地點(diǎn)。這些用戶標(biāo)簽非常有助于推薦?！?/p>

（摘錄自今日頭條推薦算法原理全文詳解——曹歡歡博士）

內(nèi)容畫像和用戶畫像，是一個相互影響的循環(huán)系統(tǒng)。

內(nèi)容畫像決定人的畫像，自然是最容易理解的。在音樂場景下，你收聽、收藏、評分了很多爵士類的音樂，那么系統(tǒng)就會判定為你是一個喜歡爵士音樂的用戶。在讀書的場景下，你閱讀、收聽了哪些書籍，哪些書籍聽完了、哪些書籍重復(fù)收聽了很多遍，都會影響系統(tǒng)中，你的用戶畫像。

因此，“你的選擇決定你的畫像”可以說絲毫不為過。

而反過來，人的畫像也會影響內(nèi)容的畫像。我們可以看作是基于用戶的行為，對內(nèi)容做出的后驗投票。在一個大體量的視頻上傳體系里，我們基本放棄了依賴人工打標(biāo)簽的方式，而轉(zhuǎn)而利用用戶的播放行為來試圖猜測內(nèi)容屬于哪一類。

一個典型的Case：死神來了?？礃?biāo)題的文本信息，最大概率就是一部電影，但事實上觀看這個視頻的大面積是喜歡獵奇類視頻的用戶，深挖內(nèi)容才會知道，這其實是一個車禍視頻集錦。

二、協(xié)同過濾，應(yīng)用群體智慧

如前所述，標(biāo)簽是我們對事物的抽象理解，那有沒有一種方式能夠讓我們放棄標(biāo)簽?zāi)?？以人的行為來?biāo)記內(nèi)容，這就是協(xié)同過濾的基礎(chǔ)思想。

舉一個生活中的場景：初次為人父母，“無證上崗”的新手爸媽們內(nèi)心是激動而又惶恐的。打聽，成了他們育兒的重要法寶之一?！澳慵覍殞氂玫氖鞘裁淬逶∫喊?、你們有沒有上什么早教班啊…”親子群中，無時無刻不在發(fā)生這樣的討論，這樣的討論也構(gòu)成大家后續(xù)消費(fèi)決策的主要因素之一。

這種基于人和人之間的相互推薦固然是弱社交關(guān)系分發(fā)的一種形態(tài)，但是促成大家有價值信息交換和購買轉(zhuǎn)化的，其實是人和人之間的相似點(diǎn)：為人父母、擁有相似的價值觀和消費(fèi)觀。

把用戶的消費(fèi)行為作為特征，以此進(jìn)行用戶相似性或物品相似性的計算，進(jìn)行信息的匹配，這就是協(xié)同過濾(Collaborative Filtering)的基礎(chǔ)思想。

協(xié)同推薦可以分為三個子類：

• 基于物品（Item-based）的協(xié)同
• 基于用戶（User-based ）的協(xié)同
• 基于模型（Model-based）的協(xié)同

1.基于用戶的協(xié)同

即切合了上面的例子，其基礎(chǔ)思路分為兩步：找到那些與你在某一方面口味相似的人群（比如你們都是新手爸媽，傾向于同一種教育理念），將這一人群喜歡的新東西推薦給你。

2.基于物品的協(xié)同

其推薦的基礎(chǔ)思路是：先確定你喜歡物品，再找到與之相似的物品推薦給你。只是物品與物品間的相似度不是從內(nèi)容屬性的角度衡量的，而是從用戶反饋的角度來衡量的。使用大規(guī)模人群的喜好進(jìn)行內(nèi)容的推薦，這就是在實際工程環(huán)境里，各家公司應(yīng)用的主流分發(fā)方式。

3.基于模型的協(xié)同

是應(yīng)用用戶的喜好信息來訓(xùn)練算法模型，實時預(yù)測用戶可能的點(diǎn)擊率。比如，在Netflix的系統(tǒng)中就將受限玻爾茲曼機(jī)（Restricted Boltzmann Machines, RBM）神經(jīng)網(wǎng)絡(luò)應(yīng)用于協(xié)同過濾。將深度學(xué)習(xí)應(yīng)用于基于模型的協(xié)同，也成為了業(yè)界廣泛使用的方式。

以協(xié)同的方式，通過用戶行為的聚類發(fā)現(xiàn)許多隱層的連接。

以讀書會的場景為例，我們邀請不同的名家來領(lǐng)讀書籍。從領(lǐng)讀人的角度，更容易直觀的將同一領(lǐng)讀人的作品視作一個聚類，比如馬家輝老師領(lǐng)讀的《對照記》、《老人與?！穬杀緯ㄟ^人工預(yù)判的前置規(guī)則，我們很容易將這兩本領(lǐng)讀書音頻推薦給同一類用戶。

但是，通過協(xié)同的方式，我們會發(fā)現(xiàn)喜歡馬家輝老師領(lǐng)讀作品的用戶，同時也會喜歡楊照老師領(lǐng)讀的《刺殺騎士團(tuán)長》一書。這種聯(lián)系，是很難通過標(biāo)簽信息發(fā)現(xiàn)的，只有通過用戶的行為選擇，才會建立聯(lián)系，提升內(nèi)容和用戶之間連接與匹配的效率。

三、從冷到熱：內(nèi)容和用戶在分發(fā)中的生命周期

作為連接內(nèi)容與人的推薦系統(tǒng)，無時無刻不在面對著增量的問題：增量的用戶，增量的內(nèi)容。

新的用戶、新的內(nèi)容對于推薦系統(tǒng)來說都是沒有過往信息量積累的、是陌生的，需要累積一定的曝光量和互動量（閱讀、分享等）來收集基礎(chǔ)數(shù)據(jù)。這個從0到1積累基礎(chǔ)數(shù)據(jù)的過程就是冷啟動，其效果的好壞直接關(guān)系到用戶端、作者端的滿意度和留存率。

如果我們假設(shè)一篇新內(nèi)容要經(jīng)過100次閱讀才能夠得到相對可信的內(nèi)容畫像，新用戶同樣需要完成100次閱讀之后才能夠建立起可用的用戶畫像。那么一個最直觀的問題就是：怎么樣達(dá)成這100次有效的閱讀？這就是冷啟動面臨的問題。下面我們從內(nèi)容和用戶兩個維度來分別論述。

在推薦系統(tǒng)中，通過分析一篇內(nèi)容的標(biāo)題、關(guān)鍵字來確定要向哪個目標(biāo)人群進(jìn)行探索性展示，借由探索性展示完成了從0到1的用戶反饋積累過程。在這個冷啟動過程中，如果沒能得到足夠正面的用戶反饋（點(diǎn)擊行為和閱讀體驗），系統(tǒng)就會認(rèn)為這篇內(nèi)容是不受歡迎的，為了控制負(fù)面影響，就會逐步降低這篇內(nèi)容的推薦量。

反之，如果內(nèi)容在冷啟動過程中順利找到了自己的目標(biāo)人群，收獲了很高的點(diǎn)擊率，就有可能被推薦系統(tǒng)快速放大，具有了成為爆款的可能。因此，冷啟動決定一篇內(nèi)容命運(yùn)的說法，可以說絲毫不為過。

而對于用戶冷啟動，推薦服務(wù)的是一個大目標(biāo)：用戶的留存率。

只有保證了用戶留存的前提下，才會考量推薦的興趣探索效果如何，是否在有限的展示里全面探索出了用戶的偏好。對于慢熱型的用戶，我們并不急于獲悉他的方方面面，而是以“留住用戶”作為第一目的。

時下，最火熱的莫過于快手、抖音類的PUGC視頻應(yīng)用了。那么，這些短視頻內(nèi)容的推薦方式是什么樣的呢？

回歸到豐富先驗信息、依賴后驗信息的角度來闡述整個通用的流程。

一個短視頻應(yīng)用里面，大體上會有三類人：半職業(yè)或職業(yè)的生產(chǎn)者、工具的使用者、短視頻的消費(fèi)者。從消費(fèi)性的角度來看，大概率是第一類人生產(chǎn)，第三類人消費(fèi)。先驗信息就是盡可能挖掘出第一類人生產(chǎn)內(nèi)容的固有特征，比如作者是誰、配的音樂是什么、是否有參與活動話題等等，對于足夠的頭部生產(chǎn)者還可能會以運(yùn)營介入的方式人工標(biāo)注，去完善先驗信息。

客觀上說，小視頻的先驗信息是遠(yuǎn)小于文本內(nèi)容的。從信息量的角度來看，我們將其類比微博類的短文本內(nèi)容或者全圖片內(nèi)容可能會更合適。先驗信息的缺乏，就會更依賴協(xié)同算法支撐下，用戶參與行為的后驗信息的補(bǔ)充。

將一則小視頻冷啟動推薦給特定類別的用戶來查看，從用戶角度去統(tǒng)計不同特征、不同聚類用戶的有效播放，從而以用戶的行為去刻畫小視頻的特征。

比如，時下很熱的海草舞，不同的生產(chǎn)者都會上傳類似主題的視頻，哪個更好？在業(yè)務(wù)場景里，真正值得依賴的一定是普通用戶觀看行為的投票，才能選擇出更值得擴(kuò)散內(nèi)容，優(yōu)化全局的效率。

四、三分天下？編輯、算法與社交

不夸張的說，算法分發(fā)將是未來信息分發(fā)行業(yè)的標(biāo)準(zhǔn)配置。

為什么這么說？因為算法是個筐，什么都能往里裝。

在內(nèi)容展現(xiàn)和推薦的過程當(dāng)中，可以參考下述公式：

算法分發(fā)權(quán)重=編輯分發(fā)權(quán)重 + 社交分發(fā)權(quán)重 + 各種算法產(chǎn)出權(quán)重

將任意一個權(quán)重設(shè)置為1，其他部分設(shè)置為0，算法分發(fā)系統(tǒng)就會變成一個標(biāo)準(zhǔn)的編輯分發(fā)系統(tǒng)或者是社交分發(fā)系統(tǒng)。也就是說，算法分發(fā)的基線就是編輯分發(fā)或社交分發(fā)。從這個角度來看，只要算法應(yīng)用的不太差，基本上引入算法分發(fā)一定是正向。因為它在有限的貨架里，圍繞用戶展示了無限的貨品。

在業(yè)務(wù)層面，我們通常會復(fù)合型使用三種分發(fā)，在不同的環(huán)節(jié)應(yīng)用不同的因素，才達(dá)到最好的效果。

以知乎讀書會為例，我們將其劃分為：內(nèi)容生產(chǎn)、用戶觸達(dá)和反饋改進(jìn)三個部分。

在內(nèi)容生產(chǎn)中，為了保證調(diào)性，一定是需要引入編輯專家去選人、選書的。選擇的書是否有價值，選擇的人是否是行業(yè)專家而非職業(yè)的拆書人，都是體現(xiàn)產(chǎn)品價值觀判斷的事情。

進(jìn)入觸達(dá)環(huán)節(jié)，人工干預(yù)的作用就會相對弱化。

舉一個例子：運(yùn)營一定會有今日推薦的需求，推薦給用戶今日讀書會上新了什么大咖領(lǐng)讀的書籍。比如，一本物理學(xué)的書籍，由一位物理學(xué)大咖進(jìn)行解讀。從編輯的角度，領(lǐng)讀人是大咖，書是經(jīng)典，編輯權(quán)重一定非常高。

這聽上去似乎很合理，但當(dāng)你進(jìn)入用戶的場景時，就發(fā)現(xiàn)有點(diǎn)差異：首先，用戶不是每天都來的。如果他一周來一次，在他沒來的這一周內(nèi)同樣有文學(xué)、互聯(lián)網(wǎng)、藝術(shù)等專業(yè)人士的領(lǐng)讀，你該給他的是今日推薦，還是本周推薦呢？進(jìn)一步考慮到用戶偏好問題。你是應(yīng)該把物理學(xué)大咖的內(nèi)容強(qiáng)加給他，還是推薦給他一個朋友們最近都好評的一本領(lǐng)讀書（社交分發(fā)），又或者是他自己已經(jīng)標(biāo)注了“想讀”的一本藝術(shù)類書籍的解讀呢？

當(dāng)我們收集到了足夠多用戶數(shù)據(jù)的時候，又可以反過來影響內(nèi)容的二次迭代，編輯的作用又凸顯了出來，結(jié)合數(shù)據(jù)的反饋來對內(nèi)容進(jìn)行調(diào)整：內(nèi)容的播放完成率為什么低？是稿件問題，還是領(lǐng)讀人語音的問題，是否需要重新錄制等等。

五、算法的價值觀

算法有沒有價值觀呢？算法沒有價值觀，算法背后的人卻是有價值觀的。

因為我們優(yōu)化推薦系統(tǒng)，一定會有一個數(shù)值目標(biāo)，這個數(shù)值目標(biāo)的合理性決定了整個推薦系統(tǒng)的合理性。

單獨(dú)以點(diǎn)擊為優(yōu)化目標(biāo)，一定會導(dǎo)致標(biāo)題黨泛濫；點(diǎn)擊加時長目標(biāo)能夠一定程度抑制標(biāo)題黨的產(chǎn)生，但是也有可能導(dǎo)致用戶多樣性的喪失。在這里舉兩個內(nèi)容消費(fèi)的場景，我們可以通過這兩個場景一窺各個內(nèi)容分發(fā)產(chǎn)品的調(diào)性所在。

1.新用戶冷啟動:

大家可以以新用戶的身份去嘗試各種內(nèi)容消費(fèi)服務(wù)。比較之下，你就知道各家的價值觀怎樣的了。

因為新用戶是通過不同渠道獲取的，你獲取到的是怎樣的用戶，你就會推薦怎樣的內(nèi)容；進(jìn)一步的，基于馬斯洛需求模型，越底層的內(nèi)容越有更廣泛的受眾。這就是為什么很多小視頻應(yīng)用，打開來之后，全都是白衣?；ù箝L腿的原因了，人性爾。

2.推薦多樣性：

多樣性是另一個評估分發(fā)產(chǎn)品調(diào)性好壞的所在。喪失多樣性，深挖用戶的局部興趣點(diǎn)，一定是短期收益最大化的。

比如我喜歡看科比，那么你把科比的比賽視頻推給我，可以讓我刷到深夜兩點(diǎn)；但是從一個產(chǎn)品的長線來看，我們需要更長久的留住用戶，而不是短期讓用戶沉迷。在短期時長和長期留存中，就依賴于產(chǎn)品設(shè)計者的價值觀判斷了。

六、不同平臺下的自媒體生態(tài)

對于平臺來說，創(chuàng)作者是什么？

如果把平臺比作一個商場的話，不同的平臺會有不同的選擇，最典型的兩種類型莫過于：自營?V.S?第三方運(yùn)營。

一種情況下，整個商場全部是直營的店鋪。在這樣的平臺下，每個貨架都是商場自營，所有的創(chuàng)作者對于商場而言，都只是供貨商。

另一種情況下，商場只提供位置，所有交得起入場費(fèi)的店鋪都可以入駐。在這樣的平臺下，每個貨架都是創(chuàng)作者自己運(yùn)營的。

直營商場的好處當(dāng)然是體驗可控、甚至于能夠在某個特定垂類人群身上做到近乎可量化范圍內(nèi)的極致。由于其收取的是商品流通中的利潤，所以在短期內(nèi)可以攫取巨大的紅利，并用這些利潤去給商場自身打廣告，做新客獲取。

但這樣做的壞處也很顯然：就在于供貨商的角度缺乏靈動性，只作為供貨商的創(chuàng)作者，由于缺乏足夠的利潤激勵，很難生長出全新的品牌。

開放給第三方運(yùn)營的商場，其好處當(dāng)然是供貨商的靈活性和多樣性，商場賺取的是房租而非商品流通過程的利潤。一個常見的問題是：這種完全開放給第三方運(yùn)營的商場是否會用戶體驗崩塌，比如會有各種在商場入口發(fā)小廣告的，以各種圖謀短線的方式來吸收商場的流量。這就是局部失控與全局可控的關(guān)系。

在國內(nèi)，全部直營的商場比比皆是；近乎完全開放給第三方運(yùn)營的大商場，則恐怕只有微信了吧。在所有平臺都在告訴你什么是對的時候，只有微信很克制地告訴你什么是錯的。

七、數(shù)據(jù)驅(qū)動自媒體迭代

站在自媒體的角度，又該如何面對平臺？如何應(yīng)用數(shù)據(jù)驅(qū)動的方式，更加目標(biāo)導(dǎo)向的面對不同平臺呢？

首先，自媒體面臨的問題是平臺選擇。

由于不同的平臺有不同的分發(fā)規(guī)模和不同的發(fā)展階段，所以，更應(yīng)該選擇適合自己品牌調(diào)性的平臺，選擇符合自己長線商業(yè)化變現(xiàn)角度的平臺。要區(qū)分清楚，哪些平臺是叫好不叫座、哪些平臺是叫座不叫好。

如果做電商導(dǎo)向的自媒體，那么基本上微博微信是必選項。考慮到目前各個平臺相對封閉，不提倡向微博微信導(dǎo)流，那么其在其他平臺可能更多的在于曝光量和品牌建設(shè)的貢獻(xiàn)，而不會對電商的銷售轉(zhuǎn)化有太大的貢獻(xiàn)。

但對于承接品牌廣告的自媒體而言，其利潤更多的和內(nèi)容的傳播量有關(guān)，在傳播量導(dǎo)向的角度來看，就應(yīng)該更多的選擇和自己品牌調(diào)性相符的、哪怕是一些垂直類的內(nèi)容分發(fā)網(wǎng)站。通過匯集全網(wǎng)各平臺的流量，來實現(xiàn)自己對廣告主的全網(wǎng)閱讀量（播放量）的承諾。

因為每個平臺的投入都需要牽涉到運(yùn)營人力，所以如果一個平臺的投入產(chǎn)出比不能夠達(dá)到預(yù)期，就應(yīng)該主動止損，避免進(jìn)一步的資源投入。

在自媒體確定了自己選擇的平臺之后，就需要深究不同平臺的分發(fā)特點(diǎn)，來進(jìn)行針對性的運(yùn)營從而提升自己在相應(yīng)平臺的曝光量。常見的三種平臺：編輯分發(fā)、訂閱分發(fā)和算法分發(fā)平臺。

1.對于編輯分發(fā)平臺

最快速的方法一定是維系好和平臺的關(guān)系。因為在這樣的平臺上，其推薦位置都是人工分配的，更好的編輯關(guān)系能夠保證自媒體有更好的流量曝光。在編輯分發(fā)的平臺上，時不時的會有相應(yīng)的官方活動、積極地配合官方導(dǎo)向，就能從流量傾斜政策中獲取紅利。

2.對于訂閱分發(fā)平臺

做粉絲，做垂直品類粉絲是不二法門。借由微信，其實大家能夠看到一些常見的誘導(dǎo)分享的手段。由于微信是一個規(guī)定行業(yè)下限，而非設(shè)定上限的開放式環(huán)境，所以在這樣的平臺上進(jìn)行運(yùn)營，首先需要保證自己有足夠高的敏感度，對于一些新的傳播形態(tài)可以及時跟進(jìn)，從而最大化的獲取時間差的紅利。

比如，最近的微信小游戲，在前兩周鋪天蓋地的通過微信群分享獲得拉新機(jī)會；而最近幾日，這條通路就完全被官方封禁了。

3.對于算法分發(fā)平臺

盡管平臺關(guān)系維護(hù)和粉絲數(shù)積累都需要，但是最需要投入的還是對于內(nèi)容的包裝。因為你的內(nèi)容不僅僅要抓住人的眼球，同時也要能夠?qū)C(jī)器算法的胃口，通過研究過往一段時間的平臺熱門關(guān)鍵詞，能夠給內(nèi)容的標(biāo)題封面包裝提供一些借鑒。

在我看來，運(yùn)營的非常好的一個自媒體品牌非二更莫屬，細(xì)細(xì)觀察，其在不同的平臺上都有不同的運(yùn)營策略。比如，在頭條上的分發(fā)，二更就全面的在使用雙標(biāo)題、雙封面的方式進(jìn)行自己的內(nèi)容包裝。一些視頻內(nèi)容能夠在非常短的時間內(nèi)就獲得了上百萬的曝光量。

不同平臺上的不同運(yùn)營方式，本質(zhì)上還是一個數(shù)據(jù)驅(qū)動，目標(biāo)導(dǎo)向的過程，以下進(jìn)行更細(xì)粒度的拆解。

他山之石可以攻玉，首先和大家介紹的是在國外，將數(shù)據(jù)分析指導(dǎo)內(nèi)容生產(chǎn)做的非常極致的BuzzFeed。

員工總數(shù)逾千人，擁有全球新聞團(tuán)隊、自家視頻制作工作室、尖端數(shù)據(jù)運(yùn)算中心和內(nèi)部創(chuàng)意廣告機(jī)構(gòu)，每月全網(wǎng)超過50億次閱讀——這就是BuzzFeed，怎么看都是一個龐大的媒體集團(tuán)。

然而，當(dāng)我們深入了解BuzzFeed的工作流程后就會發(fā)現(xiàn)：與其說它是一家媒體公司，不如說它是一家科技公司。

“數(shù)據(jù)驅(qū)動內(nèi)容創(chuàng)作”

這是BuzzFeed給自己貼上的標(biāo)簽。

在這家公司的內(nèi)容創(chuàng)作和分發(fā)過程中，反饋閉環(huán)（Feedback Loop）是出現(xiàn)頻次最高的術(shù)語：通過將市場環(huán)境和讀者反饋數(shù)據(jù)盡可能的量化和結(jié)構(gòu)化，及時反饋給運(yùn)營人員、內(nèi)容編輯，從而構(gòu)成了輔助創(chuàng)作的一個閉環(huán)。

由于很早就樹立了“將內(nèi)容分發(fā)到用戶常駐的平臺，而非吸引用戶到自己的平臺看內(nèi)容”的思路，YouTube、Facebook，Twitter、Vine等一眾平臺都成為了BuzzFeed的戰(zhàn)場。為了更好的理解用戶反饋，BuzzFeed追蹤收集并匯總了各個平臺上的閱讀傳播和互動數(shù)據(jù)。比起閱讀量、分享量這些結(jié)果指標(biāo)，其更關(guān)心內(nèi)容分發(fā)和傳播的過程。

以下圖為例：如果只看終態(tài)數(shù)據(jù)，那么報表展示給你的無非是一篇內(nèi)容從不同的平臺渠道上獲取了多少流量而已（下圖左）。但是深究下來，這些流量是如何來的呢？是通過Facebook或Twitter上的分享，還是通過郵件的傳播？哪些節(jié)點(diǎn)帶來了更大的輻射量和擴(kuò)散量？只有深入分析傳播路徑，才能給出這個問題的答案（下圖右）。

不止于結(jié)果， BuzzFeed開始探究一篇內(nèi)容的傳播軌跡，他們開了一套名為Pound（Process for Optimizing and Understanding Network Diffusion）的系統(tǒng)，通過給同一頁面的不同分享追加不同參數(shù)的方式，來追溯內(nèi)容在網(wǎng)絡(luò)上的傳播過程。

通過這套系統(tǒng)，人們意識到：傳播并不是一棵簡單的傳播樹，而是一片密集的傳播森林。

每一次分享都構(gòu)成了一棵新樹，如果一個人的社交好友很多，那么這個節(jié)點(diǎn)的一度關(guān)系觸達(dá)就會很廣；如果內(nèi)容的質(zhì)量一般沒有引發(fā)進(jìn)一步的傳播，那么就會止步為一棵低矮的樹；如果內(nèi)容引發(fā)了大量的傳播，就會變?yōu)橐粋€繁茂的大樹。

由于社交傳播對于內(nèi)容的影響力貢獻(xiàn)巨大， BuzzFeed在衡量內(nèi)容價值時，會更看重社交分享所帶來的閱讀量，并以名為“病毒傳播提升系數(shù)（Viral Lift）”的指標(biāo)來衡量這一過程。

對于粉絲已經(jīng)超過百萬、內(nèi)容閱讀篇篇10W+的自媒體大號來說，這一衡量指標(biāo)的制定不難理解：如果一篇內(nèi)容的閱讀構(gòu)成主要來自于自己的粉絲，那么就意味著粉絲們更有可能是基于慣性打開的，但是由于內(nèi)容并沒有觸及到它們的興奮點(diǎn)、沒能引發(fā)認(rèn)同，從而失去了進(jìn)一步擴(kuò)散傳播的可能，也失去了觸達(dá)更多潛在粉絲的機(jī)會。

對于BuzzFeed而言，在相近的總閱讀量下，一篇“病毒傳播提升系數(shù)”更高的內(nèi)容，因為收獲了更多的社交傳播而變得更有價值。有了技術(shù)追溯的支持，內(nèi)容團(tuán)隊才能夠總結(jié)出不同平臺之上的內(nèi)容偏好和病毒傳播模式。

人們往往會夸大BuzzFeed的內(nèi)容三把斧“清單體、短視頻和小測驗”，卻忽視了在這些內(nèi)容背后更深層次的數(shù)據(jù)支持。

具體到我們?nèi)粘５膬?nèi)容閱讀分析和粉絲分析過程當(dāng)中，有哪些可以供分析注意的數(shù)據(jù)？

對內(nèi)容分析來看，可以分為一次打開和打開后的體驗。

一次打開是指不依賴于社交傳播和搜索傳播所帶來的閱讀量。對于微博微信等粉絲分發(fā)平臺，是指粉絲帶來的閱讀量；對于頭條、快報等推薦分發(fā)平臺，是指經(jīng)由推薦帶來的應(yīng)用內(nèi)閱讀量。

影響內(nèi)容一次打開率最直接的因素有兩個：活躍粉絲量和內(nèi)容包裝。

無論是粉絲分發(fā)平臺還是推薦分發(fā)平臺，活躍粉絲量都會影響內(nèi)容展示的基本盤，只是傳導(dǎo)系數(shù)不太一樣罷了；對于粉絲分發(fā)的平臺，你有多少活躍粉絲就意味著有相應(yīng)比例的基礎(chǔ)展示量；對于非粉絲分發(fā)的平臺，你的活躍粉絲量會被視作你在平臺上的貢獻(xiàn)程度和受眾情況從而影響分發(fā)權(quán)重。同樣的一篇內(nèi)容，10萬活躍粉絲的賬號發(fā)布一定比1萬活躍粉絲的賬號發(fā)布會獲得更大的基礎(chǔ)展示量。

內(nèi)容包裝影響的是從展示量到閱讀量的轉(zhuǎn)化過程，更好的標(biāo)題和封面圖就像是精致的產(chǎn)品包裝一樣，有助于更好的促成轉(zhuǎn)化。比如在頭條號平臺上，就支持了一個非?？岬碾p標(biāo)題雙封面功能，能夠給創(chuàng)作者對內(nèi)容不同包裝的機(jī)會。

對于標(biāo)題，我習(xí)慣于引用咪蒙的觀點(diǎn)：

“不能在一秒鐘看明白的標(biāo)題，不適合傳播，不是讀者理解不了，而是他只能給咱們一秒鐘?！?/strong>