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

對于一個資訊平臺來說，優(yōu)質(zhì)內(nèi)容是核心中的核心。筆者就通過分析兩個評分模型成功案例，說明了數(shù)據(jù)模型的效果與重要性，向我們介紹一個可以刺激用戶，源源不斷提供高質(zhì)量內(nèi)容的模型——作者評分模型。

如果將平臺比喻成病人，我們?yōu)椤安∪恕痹\斷、治療有以下幾種方式：

• 打點滴——渠道拉新：療效快，立竿見影，能夠保證新流量入駐，不但可以增加DAU，同時能帶動各業(yè)務線數(shù)據(jù)增長。
• 吃藥——用戶運營：見效慢，以調(diào)理為主，提升用戶留存,增加用戶粘性，從而提高轉(zhuǎn)化率。
• 手術(shù)——內(nèi)容運營：根除病癥，真正做到強身健體，內(nèi)容強則平臺強。

而對于一個資訊平臺來說，優(yōu)質(zhì)內(nèi)容是核心中的核心。

今天就向大家介紹一個可以刺激用戶，源源不斷提供高質(zhì)量內(nèi)容的模型——作者評分模型。

在做模型之前，咱們要想清楚一個問題，作者評分模型是干什么用的？

如果只是為了給用戶打分而打分的話，大可不必做這么復雜的模型，最原始暴力的看PV和UV就可以解決了。我個人理解，作者評分模型分以下幾個作用：

• 綜合評價作者（自媒體）
• 激勵作者輸出更多更好的作品
• 針對作者不同屬性，精細化運營

僅從文章消費角度的PV和UV來認定一個作者的好壞，是一種很片面的做法，因為有些“標題黨”會得到更高的分數(shù)。

可以試想一下，標題為《二手特斯拉僅需20萬》的文章，對于想買車的讀者來說誘惑力有多大。

但讀者點進去，往下拉，再拉，拉到底下也沒看到在哪里能夠買到20萬的特斯拉，讀者一臉黑人問號的同時，有抄起板磚拍作者的沖動——這就是典型的標題黨。

若僅從PV、UV角度來看，也顯得不那么公平，但如果加上新增粉絲數(shù)、點贊數(shù)、完度率、評論數(shù)等因素綜合評估的話，那么標題黨就不會那么吃香了。再加上反作弊指標，作弊刷量作者便無處遁形。

在講模型之前，我們通過兩個家喻戶曉的游戲（評分模型成功案例），來分析如何刺激用戶提供更多、更高質(zhì)量的游戲（作品）。

下圖和平精英（刺激戰(zhàn)場）及王者榮耀總覽圖，紅框部分為某用戶該賽季的排名或評分。

和平精英總覽圖

王者榮耀總覽圖

兩款游戲的賽季排名以百分比的形式展現(xiàn)，并附有段位的劃分和隊友點贊等，能夠激勵玩家不斷提升自我。

馬斯洛需求層次理論的金字塔的倒數(shù)第二層便是尊重，每個人都希望自己努力的成就被別人認可，在尊重得到滿足后，便使人充滿對某件事物的信心，進入良性循環(huán)，從而享受在某一領域獨特的價值。

我相信當有人說我這哥們是王者，全服前1%的時候，應該是最滿足的時刻。

和平精英詳細數(shù)據(jù)圖

王者榮耀詳細數(shù)據(jù)圖

如果說總覽圖是讓用戶一眼能夠看出好壞，那么詳細數(shù)據(jù)就是要告訴用戶哪些方面可以提高。這樣一來用戶可以對癥下藥，提升質(zhì)量。

在游戲里中體現(xiàn)的是更多玩家打出質(zhì)量局，若在作者體系中，就是輸出更高質(zhì)量的文章。由以上兩個游戲案列，我們引出今天的主題--——作者評分模型。

一、模型概述

我先把成品給大家展示一下，讓大家對這個模型有個初步印象，接下來再具體講解細節(jié)。

作者評分總覽圖一

作者評分總覽圖二

簡單的講，模型是通過算法頁的不同變量（指標），對作者進行標準化打分，再根據(jù)各項指標不同的權(quán)重，匯總一個總得分，各項指標可以向下拆分一級、二級或更多級指標。

在樣例模型中：

作者總得分=質(zhì)量得分*權(quán)重1+互動得分*權(quán)重2+消費得分*權(quán)重3+發(fā)布得分*權(quán)重4+附加項得分*權(quán)重5

有人會問，影響力得分為什么要用開根號乘以100呢，我們先來看一下開根號乘以10，如下圖所示：

令f(x)=sqrt(x)*10，(0≤x≤100)，x為作者總得分，把x經(jīng)過f映射后，好處有以下幾點：

（1）f(x)是單調(diào)上升的，映射后仍保留原序，保證了公平公正

（2）f(36)=60，及格萬歲！

（3）f(x)為凸函數(shù)，原分數(shù)越低，得到的補償分數(shù)越高如上圖，原始分數(shù)在20分時獎勵25,原始在60分時獎勵17分，而80分時只獎勵9分。

大家應該恍然大明白了，這么做主要以積極鼓勵作者為目的，同時也不改變?nèi)峙判?，最后在?0的基礎上稍作改動乘以100沒有別的意思，就是顯得分數(shù)更多而已。

欲問我為什么知道此“大法”，要追溯到高中時期的化學期末考試，當時的我慘目忍睹得考了49分，本以為要補考的我，最終被開根號乘10大法拯救，以至于沒有完全放棄對化學這門課程，拿到最終分數(shù)的我大喊了一句“開根大法好”！

二、模型算法

納入評級庫標準

（1）所有媒體庫中的作者

（2）數(shù)據(jù)異常無法獲取正確信息的作者不參與評分

打分方法

（1）各項一級指標、二級指標在0到100分范圍內(nèi)打分，無及格分數(shù)線。

（2）對于可獲取數(shù)據(jù)的定量指標，采用標準化的方式打分；若數(shù)據(jù)量級相差較大，可以先取對數(shù)，再進行標準化（減小量級差異造成的影響）。

以文章瀏覽得分為例：

其中，

（3）附加項加分，正向指標，如個別數(shù)值表現(xiàn)突出，超過預設值的5倍，則給與額外加分，比如點贊數(shù)預設上限值為800，當有作者得到4000以上的點贊時，我們會考慮額外加分。

（4）附加項減分，反向指標，當發(fā)現(xiàn)有作者作弊時，情節(jié)輕者扣分警告，惡劣者刪除作者號。作弊可通過第三方軟件和算法識別出來，反作弊反欺詐會在今后單獨寫一篇文章介紹，下面只是簡單的介紹一下作弊的類型。

1. 用戶IP異常，包括請求次數(shù)與地域異常
2. 手機設備被篡改或者安裝高危軟件
3. 存在一個賬號多個設備，或者一個設備多個賬號
4. 特定時間，訪問量出現(xiàn)激增情況

不要小看作弊這件事，這會嚴重影響體系的平衡性，質(zhì)量差的文章通過刷量占據(jù)TOP榜，那么推薦算法就會增加該文章曝光度，讀者便會看到低質(zhì)量的文章，久而久之，會造成作者與讀者的流失。

權(quán)重確立方法：層次分析法（AHP）

層次分析法是一種常見的權(quán)重分配法，這里就不多贅述了，想了解AHP算法的朋友可以看一下本人的另一篇文章《如何用更少的錢，帶來更優(yōu)質(zhì)的量？渠道質(zhì)量評估模型|一文通透》，在網(wǎng)上也可以找到免費的層次分析法軟件，非常實用。

簡單的概括AHP層次分析法，就是用科學的方法確定權(quán)重，拒絕“拍腦袋大法”。這樣便有了如下圖，一級指標權(quán)重。

一級指標圖

二&三級指標篩選（聚類）

1. 盲選：將根據(jù)經(jīng)驗得到的、現(xiàn)有的備選聚類變量全部納入模型，暫時不考慮某些變量是否合適。

2. 貢獻量分析：通過方差分析，觀察分類是否存在顯著差異，踢出對模型聚類沒有貢獻的變量。

3. 相似矩陣分析：輸出相似性矩陣，對相關(guān)系數(shù)進行分析，若兩變量相關(guān)系數(shù)接近1，說明兩個變量可以互相替代，踢出一個變量以達到降維目的。

4. 通過上述3步對變量進行篩選，既能踢出貢獻度較低變量，又將相關(guān)性強的變量進行整合，最終輸出相互間屬性獨立的變量。各項二、三級指標的權(quán)重也參照一級指標一樣，層次分析法進行權(quán)重分配，最終得到指標骨架圖，如下圖所示。

模型指標骨架

模型指標骨架圖

骨架填充與BI展示

將數(shù)據(jù)填充到骨架中，再按照自己想看的維度去做相應的BI展示，本文按周和月對作者進行評級，也可以按照日為維度進行監(jiān)控。接下來的第三章講解模型的應用。

三、模型的應用

這一環(huán)節(jié)主要介紹模型的應用。

俗話說得好，不能將模型落地執(zhí)行的需求都是在耍流氓。

模型好么？好！怎么用？不會！那就是一種資源浪費，數(shù)據(jù)分析師的價值就是用數(shù)據(jù)推動業(yè)務。廢話不多說，來看一下模型如何應用。

應用場景一 排名獎勵促生產(chǎn)

每月對影響力進行排名，根據(jù)排名TOP100的自媒體和用戶，按照排名梯度給予額外獎勵，刺激用戶多發(fā)文章，發(fā)好文章。

應用場景二 熱度征稿獎勵

除了一些自由文章外，還需要做活動引導作者發(fā)表熱門文章，比如以“國五國六排放標準的汽車如何選擇”為主題的文章，貼合現(xiàn)階段市場行情，更容易吸引用戶的眼球；

還有類似新車搶先評測獎勵，在大多數(shù)人還處在購車猶豫階段，一篇新車搶先報可以解答用戶的疑難雜癥。

文章寫出來，我們便可通過模型對用戶進行綜合評價，避免標題黨的情況出現(xiàn)，同時作者也會獲得模型加分項的加分和活動的雙重獎勵，促使作者輸出讀者想要的熱門文章。

應用場景三 裂變拉新

文章還能拉新？

當然能！

其實這里面就用到了互動得分，將模型里互動得分高的文章篩選出來，作為裂變的種子，通過種子用戶進行傳播，達到裂變拉新的效果。

應用場景四

Know your customer，知道你所運營的作者是啥屬性，一般一個內(nèi)容運營手底下有許多作者，根據(jù)模型判斷。

如果作者屬于“沉默是金”類型，出品頻率雖低，但只要出品必屬精品，那就引導作者提高頻率或者轉(zhuǎn)變熱門話題。

若屬于高頻低質(zhì)量的“口水文”，那么有必要來一波質(zhì)量提升。如果是作弊用戶，那就“拜拜了您內(nèi)，不送！”該應用主要是針對作者屬性，精細化運營。

此模型的優(yōu)勢之處在于綜合評估作者，而且還能將作弊之人“繩之以法”，在了解你的作者和讀者基礎上運營，必將事半功倍。實際上，該模型的玩法還很多，我們等待更多內(nèi)容運營大神腦暴，以發(fā)揮模型最大價值。

四、模型的拓展

該模型不只局限于作者評分，還可以做渠道評估、活動評估、用戶質(zhì)量評估、用戶積分評級系統(tǒng)等等。把相應的指標替換，賦予相應權(quán)重，便可套用此模型。

渠道評分模型

用戶評分示例

至此，整個模型流程已經(jīng)介紹完畢，后續(xù)還有多種分析方法以及策略，在這里只是拋磚引玉，就不多贅述了。最后我們就把今天分析的過程捋一捋：

流程魚骨圖

• 模型確立
• 納入數(shù)據(jù)庫標準確立
• 打分標準確立
• 權(quán)重計算
• 變量指標篩選與調(diào)試
• 結(jié)果展示
• 運營并制定策略

今天給大家介紹的作者評分模型就到這里，文章里埋了個伏筆，就是用戶反作弊反欺詐。

互聯(lián)網(wǎng)的作弊行為還是相當嚴重的，如果無法排除這些用戶及其行為，會給模型、運營策略等造成很大的負面影響，錯誤的數(shù)據(jù)、高效的執(zhí)行便是災難。今后會和大家分享反作弊心得，敬請期待。

寫在后面：希望這篇文章可以幫助廣大的運營人士，也能夠讓用戶了解平臺運營方式，同時歡迎同行與愛好者一起交流學習，提出您寶貴的意見。

作者：姜頔。碩士畢業(yè)于日本早稻田大學，前人人貸高級數(shù)據(jù)分析師，現(xiàn)易車網(wǎng)數(shù)據(jù)分析專家。主要負責數(shù)據(jù)運營和用戶增長。

本文由 @姜頔 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議