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

有時候，不同的角度或身份可以讓我們透視不同內容背后的邏輯，比如在短視頻內容背后，當你站在內容策略產品視角上來看時，你會發現其背后其實是標簽跟數據體系的建構邏輯。具體如何理解？不妨來看看作者的解讀和分析。

日常刷小紅書，我們有時候只是會感覺內容挺好的，對特定目標人群來說比較有價值，如果在內容策略產品視角來看，背后則是標簽跟數據體系的建構邏輯。

這個命題之中，短視頻基礎內容體驗是過程，為誰提供體驗是服務目標。用戶與內容本質上來說是兩類完全不同的體裁，需要通過過程服務好目標來實現。

一、什么是內容？

正常來講，短視頻內容池子里，基礎內容可以簡單理解為平臺內支持了大部分DAU的消費vv的內容。具體到各平臺的內容形態不同，表現情況可能會不一致，如果我們拆解平臺DAU增長的情況來說，vv的形態基本上可以表達70%的DAU趨勢，所以在當前平臺，我們以vv（video view）來描述內容在平臺的呈現情況。

二、什么是好的內容體驗？

回歸到定義出發，vv是表達基礎內容的兌換數據，那么好的基礎內容體驗直觀來說就是能帶來持續vv供給的內容。如果說策略一定要有北極星做指標的話，vv可以算得上是內容體驗的北極星指標，至少滿足以下四個屬性（可量化、可執行、可監控、可分析）。

那vv持續增長就一定是好的嗎？如果真的要拆解這個定義，那又要回歸到好內容的本質問題：內容多樣性、可持續、安全。在vv持續增長的情況下，內容要求足夠的多樣，輸出多樣內容的持續性也需要不斷加強，與此同時，這些向外輸出的內容得守住平臺底線。

1. 如何量化？上述的基礎內容體驗？

可持續看投稿，創作者在平臺滲透率、日均投稿量、過程指標則會關注跟投稿有關系的曝光、互動、分發。

2. 安全性

看過濾，主動過濾看badness率，被動過濾看舉報滲透率。

3. 多樣性

多樣性在目前任何一個平臺都是主要的功課，如何做好多樣性、如何量化多樣性既需要持續修煉內功（內部指標），也需要橫向對比其它平臺各內容類目占比。

向內求，如何抓住內部的生態，通過流量控制也能幫助我們挖掘多樣性的缺失，比如周期性開AB，觀察在某類內容供給占比減少/增多的情況下用戶消費的時長是否會增多/保持不變？

向外求，橫向對比不同類目下各平臺的內容優質量、內容分發量。

以上是我們去思考內容好的幾個重要參照，不過話說回來，內容生態本質上是圍繞用戶做供給的，最終評估的視角還是要回到目標群體上。

在這里可以思考下，如果我們想要給線上用戶提供基礎內容，我們要怎么做？在回答這個問題之前，首先要挖掘用戶類型。跟做內容標簽跟數據拆解一個思路，用戶本身是平臺給出的用以定位用戶的載體，而從內容分發的視角來看，這些實體再往深一層則是數據跟標簽，如何拆解這些標簽？

三、我們通常會把用戶標簽分成描述型、計算型、預測型

描述型：表達客觀的用戶使用平臺過程中產生的數據信息。

按照數據來源方向可以拆解為：設備信息、用戶基本信息、行為數據。設備信息：設備型號、IMEI、常用\登錄WiFi、IP等；用戶注冊手機、用戶名、平臺ID。行為數據：消費內容數據，互動數據，搜索數據、關注數據

計算型：經過數據加工與分析獲得大致描述用戶在平臺特征的數據。時間相關：月消費天數、日使用時長、日互動次數、關注量級、粉絲量級、日消費額。

預測型數據：本質上生成的是平臺通過預測規則對用戶的畫像體現，從而生產的標簽。具體的標簽如何按照類目劃分可能是：喵星、人文景色。

按照類目表現類型還可以分為：紀錄片、飼養方式、可可愛愛。

按照預測可信度，可以在每個標簽后都給出預測數值，從0-1的區間做分類，可信度分數的獲得方法通過用戶在平臺的行為獲取，比如用戶歷史瀏覽過、并且給他人分享過；跟用戶相似度較高的其它用戶曾經瀏覽過；瀏覽過相同內容的用戶瀏覽過并且有分享行為。

那么通過預測型數據我們可以得到的結果就是：用戶A在可可愛愛的喵星標簽關聯可信度0.98，這樣就可以解釋為什么我們打開抖音刷出的內容都是自己比較喜歡的內容。

以上是關于取悅用戶要從用戶行為標簽需要做的努力。

四、GID的引入

那這里會有個問題是，如果線上所有的用戶都用這套方法，算法的壓力得打爆了，怎么做到簡單高效的分發邏輯確保基礎內容的消費用戶快準狠的達到目標用戶身上呢？這里需要引入一個GID的概念（groupID）。

GroupID是個虛擬的概念，它相當于對線上相似內容、相似用戶做了聚合。引入GID的概念能有效的把目標用戶跟目標內容快速關聯，快速試錯，快速調整推薦的方向。

舉個例子，最近線上產生了一些新內容形態，這些內容被70后大量轉發點贊，如果復用線上的推薦流程，我們可以先給滿足70相似度高的GID10%的流量進行boost，結果發現這類內容的消費vv短時間被打到高熱，如此便能夠很快的切換推流視角。而我們推薦的70后GID相似度也高的政務GID同樣可以做相似的推薦。那么這類信息流在平臺就很容易達到“基礎內容高熱”的目標。

以上介紹的都是推薦側的基礎常識，如果把這套架子搭建起來是不是就意味著我們可以高枕無憂了？然而，流量無論如何也是有天花板的，當我們把一切基建搞定之后，面臨的難題則會聚焦在“存量用戶持續活躍”“流失用戶的再度召回”。這倆命題之所以能難搞，主要原因是大刀闊斧的工作已經做到了80分，而細枝末節的策略還尚待挖掘，細枝末節的策略如果也希望做一個完整的策略鏈路，驅動力跟收益都會受到挑戰。

五、面對這些問題常用的策略手段

• 正向解法：用戶刷feed的問卷（GID分發邏輯調整）。
• 負向解法：雙棲用戶在平臺定義為低頻率的用戶類型（補齊特定內容供給的問題）。
• 離線評估：自查，會不會有內容聚集的問題。

以上，都只是圍繞內容本身。但現階段，所有大廠都在做聚合，這么一來還需要回答的問題在于：從基礎內容能最大化滿足目標人群的口子里，我們需要分配多少流量給用戶創作、給內容分發、給本地生活、給商家投廣告？

除了決策層的意見輸出之外，回答這個問題本質上還是要回到背后的數據跟標簽，只是這些數據標簽要拆解的更細，比如剛剛提到的，服務目標人群的量化，除了現有基礎內容的價值、頻次之外，還需要引入價值因子，即用戶實際的消費潛力。

關于消費潛力本質上也是標簽的預測能力，未來詳細介紹關于商業化視角對消費潛力的拆解動作。