內容是連接用戶和產品之間的橋梁與紐帶，本文講述了內容運營的定義、為什么需要用數據驅動內容運營以及如何用數據來驅動內容運營，與大家分享！

很多互聯網產品是依賴內容的持續更新來吸引新用戶、維系老用戶的。

特別是對于知識付費型產品或者自媒體平臺而言，將內容比作是平臺或產品的靈魂和血肉也不為過。

可見，內容對于產品或平臺是非常重要的。

要給內容運營下定義，先要清楚內容是什么。在不同行業和領域，內容有不同的表現形式。

內容可以是H5軟文、音頻、視頻、圖文、動漫、幻燈片、小程序、歌曲、游戲等等。

內容運營就是指通過內容生產、發布和傳播，滿足用戶的內容消費需求，與用戶保持溝通和連接；以擴大用戶數（粉絲數），提升用戶粘性（活躍度），傳遞產品的價值。

一、為什么需要用數據驅動內容運營？

傳統的內容運營一般劃分為五個環節：確定選題、內容生產、內容審核、內容發布與傳播、效果反饋。

由于人手不夠、技術支撐不足或者數據意識弱等方面的原因，企業在內容運營時往往不同程度上存在著四個方面的不足：

1. 數據采集不全面

企業在完成每次的內容分發和傳播后，往往只對打開率、點擊次數等效果類數據進行了收集和分析，而對用戶消費內容的行為數據沒有給予足夠的重視。

缺乏對用戶內容消費行為深層次、細粒度的數據的采集。特別是對于外部平臺（如某頭條、微博、微信等）上的粉絲行為數據的深度采集有缺失。這樣就容易造成對內容呈現形式、內容改版等方面缺乏全面透徹的分析。

2. 用戶畫像不細致

現在大部分企業對用戶畫像并不陌生。

但是實際做出的用戶畫像往往浮于表面，只不過是一些靜態指標（年齡、性別、來源等）的統計分析，缺乏基于行為深度加工后的標簽；也缺乏與具體場景存在高關聯度的標簽；更不用說融合第三方數據的標簽，對用戶的洞察實際上是不細致、不全面的。

3. 內容優化不科學

企業的內容運營人員在決定具體的內容和表現形式時，經常遇到需要在幾種方案中做選擇的情況。當拿不定主意選擇何種方案時，往往會根據自身的經驗和少數人拍腦袋的意見來做出選擇。

這種內容優化的方式有時候可能會奏效，有時候可能會差強人意。如果能結合用戶的內容偏好模型和內容質量評分模型等數量化的手段作分析，我們對內容的優化處理則會更有科學依據。

4. 內容推薦不精準

內容運營在做內容分發前，通常是“廣而告之”的模式。理所當然的認為一篇H5軟文可以發給所有的粉絲，在分發前沒有做粉絲的再分類，這種內容推薦和分發的模式是比較粗放的。

事實上，不同的細分用戶群體會有不同的內容偏好。

即使是同屬于同一個產品的粉絲群，每個粉絲的偏好也可能有所細微的差異，每個內容運營人員在做內容的分發和傳播時應該為合適的用戶匹配合適的內容。

在此情況下，為推進內容的精細化運營，需要在內容運營方面補齊數據采集與分析應用能力。

在原有內容運營閉環的基礎上，引入數據運營的閉環作為內核；用數據運營的內環驅動內容運營的外環；用數據賦能內容運營，用數據提升內容運營的效率。

二、如何用數據驅動內容運營？

數據化的方法和手段可以滲透到內容運營的諸多環節，筆者選取了以下六個方面進行闡述：

1. 引入埋點技術，補齊數據采集能力短板

所謂埋點就是在應用中植入特定的程序用以收集一些信息，跟蹤用戶使用行為的軌跡數據，為后續產品和運營提供數據支撐。引入數據埋點技術，是為了更好的記錄和分析用戶消費內容時的行為模式。目前，市面上有三種埋點方法：

1. 代碼埋點：所謂代碼埋點就是在需要統計數據的地方植入N行代碼，統計用戶的關鍵行為。目前，國內主要第三方數據分析服務商，如百度統計、友盟、TalkingData 等都提供了這一方案。
2. 全埋點：是指無需應用程序開發工程師寫代碼或者只寫少量的代碼。通過簡單地配置，即可預先自動收集用戶的特定行為數據，例如頁面瀏覽、元素點擊等行為。
3. 可視化全埋點：是指開發人員除集成采集 SDK 外，不需要額外去寫埋點代碼。而是由業務人員通過訪問分析平臺的圈選功能來“圈”出需要對用戶行為進行捕捉的控件，并給出事件命名。圈選完畢后，這些配置會同步到各個用戶的終端上，由采集 SDK 按照圈選的配置自動進行用戶行為數據的采集和發送。

如果想要分析核心的業務指標，比如 GVM、MMR 等，首推代碼埋點。

代碼埋點的穩定性較高，同時只有代碼埋點才支持對于業務數據進行采集上報。全埋點和可視化全埋點，由于都是程序自動化進行，很難判斷到底什么字段才是金額等重要的業務屬性數據。

三種埋點技術各有優劣勢，企業可結合自身實際進行選擇。如果只需要簡單地查看網站的 PV 和 UV，只需要開啟全埋點即可，但是顯然這樣的分析能力已經無法滿足于時代的要求。

可視化全埋點的分析能力介于二者之間，它可以非常精細的分析交互數據的情況，甚至可以對同一個頁面上不同環節進行埋點，制作成轉化漏斗，但是它又有數據不穩定的問題。

隨著時間的推移，可視化全埋點的埋點定義可能會因為代碼結構更改而失效，同時可視化全埋點也不支持采集業務數據。

2. 完善用戶畫像體系

以用戶內容消費行為的分析為核心，可從基本屬性、內容偏好、內容滿足度和行為特征四個維度出發，建立比較完整的用戶畫像的指標體系。

以某融媒體的用戶畫像為例，我們建立了如下圖所示的指標體系：

3. 基于用戶分類，識別用戶內容偏好

識別用戶的內容偏好是我們設計內容和精準推送內容的基礎。

如何識別用戶的內容偏好呢？

一般還是要分析用戶對內容的消費行為數據。分析用戶的內容偏好，可以從某方向偏好的消耗時長角度出發，當該方向偏好在用戶使用時長中占比最大時，即可定義該方向為用戶的偏好。

比如，我們在研究電信運營商的用戶閱讀行為偏好時，根據用戶對內容的瀏覽時長分析，將用戶對某內容的瀏覽時長比重最大的定義為偏好。

通過爬取用戶上網行為的記錄，統計其瀏覽各類網站的時長。并對各類網站分別進行分類和標記，抽取各用戶瀏覽時長最長的網站類型作為其內容偏好，最終形成用戶的內容偏好DNA圖譜。

4. 用AB測試方法優化內容

內容運營人員在設計文案時，往往會設計多個版本作比較，這時候可以采取AB Test的方法幫助選取較優的方案。

例如：某食品類B2C電務平臺經常在手機客戶端的通知欄中推送一些商品促銷、購物指南的消息，以此來吸引用戶點擊，從而提高用戶粘性并帶來業務上的提升。當運營團隊在設計推送消息的文案時，總是會有很多不一樣的想法，內部有時就會提出好幾個版本。此時，可采取AB測試的方法選出一個最優的文案。

AB測試采用了全棧API的方案，通過參數化的方式把推送消息的文案變成一個變量，在控制臺中為各個版本設置對應的變量值。

在試驗剛剛開始的時候，選擇了1%的全網流量進行試驗，各版本均分流量。當測試進行了一段時間后，把實驗流量增加到5%。由于消息推送的特殊性，試驗只進行了一天的時間（活動只持續了一周，活動結束后再拿到結果就沒有意義了）。

結果表明：最好文案比最差文案的點擊率要高出42%。統計顯著性指標的結果也超過了95%，試驗可認定為有效。

在活動開始后的第二天，該電商平臺內容運營團隊認可了測試的結果，使用最優版本的文案在全網范圍內進行了消息的推送。

5. 實施精準化內容推送

所謂精準化內容推送是指在合適的渠道或觸點，將合適的內容推送給合適的用戶。實際上就是要做到用戶、內容和渠道三者之間的精準適配。

實現內容精準營銷的方式有多種，比如可以基于用戶的內容偏好標簽做匹配，也可以基于用戶的相似度用協同過濾算法做推薦，還可以基于內容的相似度做推薦。

例如：某省移動公司在開展手機閱讀的內容運營時，基于身份信息和行為特征將在網用戶分為：娛樂達人、應用達人、精打細算族、消息達人、純通話人士等類別，并研究了這幾類用戶群的畫像特征和內容偏好，開展了針對性的內容微營銷。

為新潮商務人士推送了都市言情、勵志類書籍，為精打細算族推送了都市言情、經管類、社科類書籍；為消息達人推送了都市言情、玄幻、傳記類書籍。

通過細分用戶群加內容標簽方式推送后，用戶人均的閱讀完成率由原來按本推薦時的0.5%提升至3.1%，人均閱讀效果獲得了顯著提升。

6. 構建全面的內容運營效果評估體系

對內容運營效果進行評估時，可以在AARRR模型的基礎上，適當融入用戶行為相關的指標數據。例如：以某知識付費學習APP產品為例，圍繞用戶獲取、活躍、留存、收入和行為五個維度展開，構建了內容運營效果的評估指標體系。

三、小結

內容持續維系著產品與用戶之間的關系，內容運營需要我們用心沉下去、精細化的去做。

用數據可以深入了解用戶的內容需求，指導我們進行內容的測試與優化，幫助我們開展個性化的精準推送。

總之，數據化的內容運營是提升內容運營效果的有效手段。

作者：黃小剛，微信公眾號：大數據產品設計與運營

本文由 @黃小剛 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議