非內容型產品如何做內容運營:核心在于內容的呈現和推薦

4 評論 11011 瀏覽 74 收藏 15 分鐘

內容呈現和內容推薦便是非內容型產品常規的兩個內容運營手段。而無論是哪一種,其最終目的無非就是:降低用戶的決策成本,減少用戶的決策時間,提高用戶的轉化率。

大家都知道,內容運營是互聯網運營的一個重要組成部分。但在大部分人的認知中,習慣性地把內容運營只是理解成PGC、UGC或者是新媒體運營。前兩者的載體是內容型產品,后者則是內容分發渠道,這其實也可以算是一種變相的內容型產品。

那么,難道只有這類主打內容的產品才需要內容運營嗎?

在回答這個問題之前,我們先來看另一個問題。什么是內容?內容可以是文字、圖片(集),也可以是(短)視頻,可以說所有包含信息的東西都是內容。而所有的產品都會有這三者中的個別或者所有,那么既然有內容自然也就需要內容運營。

基于內容運營手段的不同,筆者習慣籠統地將互聯網產品分為內容型產品和非內容型產品。今天,我們就來聊聊非內容型產品該如何運營。

1. 非內容型產品做內容運營的必要性

也許有讀者會有疑問,為什么筆者不選擇內容型產品來探討內容運營,偏偏要選不那么搭邊的非內容型產品來分析。這是因為就目前市面上的產品來看,非內容型產品占了其中很大的一部分。這也就意味著這類內容運營人才的需求正與日俱增,所以我們有必要好好地探討下其常規的內容運營思路。

1.1 非內容型產品的市場用戶規模

我們先來看下當前內容型產品和非內容型產品的用戶規模情況,畢竟有對比才有話語權嘛。

“知乎”月活情況

上圖是目前在UGC領域做得比較出色的“知乎”的月活情況,其2月的活躍用戶數在1000萬以上,在二級領域“知識類社區”中的市場滲透率達到了10%。

資訊類app二月用活top5

資訊類產品基本上可以算是典型的PGC了。上圖中二月用活最高的騰訊新聞有1.5個億的用活,第三的天天快報則是6000萬。其實這個也可以看出互聯網產品典型的頭部效應,贏家通吃。至于今日頭條,筆者覺得其OGC(Occupationally-generated Content,職業生產內容)屬性遠遠強于其他幾個資訊類產品,已經很難算是PGC。

看完內容型產品的用活規模,我們再來看非內容型產品。

移動購物app二月用戶top5

綜合旅游預定app二月用活top5

【PS:以上數據均來自“易觀千帆”】

筆者選了移動購物和綜合旅游預定這兩個領域的app作為非內容行產品的代表,原因在于這類產品需要通過合理合適的信息展現刺激用戶轉化付費,其對內容運營的要求更高。畢竟這類產品如若不能讓用戶付費買單實現盈利,其也就失去了存在的價值。

從面兩張圖我們不難看出:僅是這兩個領域其頭部產品的用戶規模便已經和PGC和UGC類的頭部產品在同等檔位了,其中淘寶二月用活近3億,去哪兒二月用活也有2億出頭。這也意味著非內容型產品用戶規模的可觀,當然有些讀者可能會說,用戶規模大是一回事,對運營的需求量大是一回事,但這不一定意味著這類產品需要專業的內容運營。

所以,接下來我們就來聊聊,這類產品內容運營的必要性。

1.2?非內容型產品做內容運營的兩個“不得不”

當下的互聯網時代,不止不像當年那樣拿份PPT就可以路演拿投資,也不像當年一樣你把一件商品隨隨便便放在網上就有用戶趨之若鶩,輕而易舉造就出一大批月入數十上百萬的個人賣家。

  1. 同質化產品的日趨嚴重,使得復制一款產品的難度越來越低,各款同類app在產品層面上的功能體驗也幾近相同。這時候就不得不依靠內容運營,來get用戶關心的點,降低用戶的決策成本,提高用戶的轉化概率;
  2. 信息爆炸,用戶時間愈發的碎片,我們不得不靠內容這一最讓用戶沉浸其中的手段來占有用戶更多的時間。畢竟不是所有的產品都能像微信小程序一樣有勇氣讓用戶即用即走的。

可以說,這兩個“不得不”決定了企業對這一類內容運營人才的需求度,而用戶規模則是決定了市場的需求量。這兩者共同促成了非內容型產品內容運營的必要性。

2. 非內容性產品的兩個常規內容運營手段

那么對于這類產品又該如何進行內容運營呢?其實筆者在之前的分享中不止一次的探討過這個問題,今天算是對之前零散的知識點一個系統的整理吧。

非內容型產品的內容運營手段,可以簡單地概括為內容呈現和內容推薦。這兩者對于平臺類的產品來說,在促進用戶轉化上是僅次于活動引爆的有效手段;而且還具有相比活動引爆,效果更持久、穩定的優勢。

2.1 內容呈現

所謂內容呈現,其實就是將用戶最關心的信息以專門的方式簡單明了的傳遞給用戶,讓其一目了然。

在這個過程中,運營人員所需要注意的有以下幾點:

  1. 基于產品定位
  2. 明確用戶痛點需求
  3. 信息標簽或是維度化

可以說產品定位本身在一定程度上也決定了用戶的痛點到底是什么,而標簽(維度)化的形式便是最簡單最一目了然的手段。

我們以外賣產品餓了么為例。

圖片來自餓了app

首先作為餓了么這種外賣預訂平臺,其對自身產品的定位可以概括為:為用戶方便地提供多樣、美味、安全的食物。所以其用戶群體關心的痛點無非就是:方便、好吃、實惠、有保障這幾點了。

那么餓了么又是如何以標簽化的形式將這些信息展現出來呢?

  • 方便:呈現商家與用戶的距離、平均配送時間
  • 好吃:呈現圖片、月售單數、用戶評分
  • 實惠:呈現“減”、“新”等優惠標簽和人均價位
  • 有保障:品類老字號冠以“品牌”標簽

餓了么就是通過將這些用戶最關心的信息以標簽化的形式呈現在列表頁,使用戶無需進入詳情頁即可對意向商家有大致的了解。

而除了這種標簽化的形式,還有一種內容呈現便是信息的維度化。維度化,通俗的講其實就是產品的“篩選”功能。一個個篩選項,就是產品信息的一個個維度。

圖片來自攜程網

就像攜程的酒店預訂為例,預訂酒店的用戶最關注的的信息主要就是:地理位置、價格、酒店硬件、檔次這幾類。攜程便基于這幾個用戶痛點,將篩選的維度定在了:位置(商圈、交通樞紐、行政區等)、價格、星級、特色等這么幾類。

另外還有一種信息的維度化,那就是分類模塊的設計,比如像下圖京東的各分類模塊。

圖片來自京東app

分類模塊的設計邏輯也是基于產品定位和用戶需求,將產品信息維度化呈現給用戶。在此便不做過多贅述了。

2.2 內容推薦

如果說內容呈現只是將內容傳達給用戶,在一定程度上減輕用戶的決策成本,那么內容推薦可以說是“直接”幫用戶做決定了。

相對于內容呈現的“靜態”,內容推薦顯得給家的“動態”,我們現在常說的“個性化推薦”便是典型的“內容推薦”。

一般來說,內容推薦主要可以分為兩種,一種是類似于頭條這種基于內容的推薦(雖說頭條屬于內容型產品,但其基于內容的推薦模式比較為大家熟悉,便以此為例了)。

比如說我作為頭條的新用戶,它會給我推送一些新聞。當我初次點擊了娛樂類新聞。其后臺算法便會認為我比較偏好這類新聞,后期在給我推薦的內容中便會加大娛樂新聞的權重。它推得越多,我看得越多;我看得越多,它推得越多。長此以往,惡性循環,最后我可能想看其他的經濟新聞、體育新聞都無從下手了,因為可能滿屏地推薦都是娛樂新聞。

這么說雖說有點夸張,但使用戶被推薦的內容日趨狹窄這確實是基于內容推薦的一大弊端。

第二種則是基于用戶的推薦,在這里亞馬遜算是當之無愧的第一。

其算法邏輯是:比如我是用戶A,你是用戶B,我們都在亞馬遜購買了母嬰類產品;而你除了母嬰類產品還購買了兒童圖書?;谖覀z都是母嬰類產品的購買者,他們后臺就會判斷我是否也同你一樣會對兒童圖書感興趣。作為測試,它會給我推送兒童圖書類產品,如果我碰巧也購買了他它所推薦的。那么它就有理由認為:母嬰類產品的用戶和兒童圖書類用戶有一定的關聯性。從而對其他購買母嬰類產品的用戶也推薦兒童圖書,通過精準推薦提高轉化率。當然,實際算法中不可能只通過你我二人的數據樣本就如此草率地做出判斷,但邏輯是這么個邏輯。

顯而易見,基于用戶的推薦邏輯其算法難度遠遠高于基于內容的推薦。畢竟后者只要根據單個用戶的過往習慣做出判定即可,而前者需要實現多名用戶間的信息聯動。這也是為什么現在大部分的產品基本都是以基于內容型推薦模式為主的原因了。

優秀的運營不僅需要知道用戶要什么,還應該替他們做決定。就像產品經理要把用戶當白癡一樣,運營亦然,在絕大部分情況下用戶都是很懶,不喜歡動腦子的。

試想一下,如果你某次想買個電子產品玩玩,但偏偏你又是此類產品的門外漢。面對一大堆產品參數不知所云,這時候你在難以決策的情況下是不是就有很大可能索性不買了,或者找朋友推薦。而朋友有可能會給你介紹其他渠道,那么對于平臺來說,你這個用戶就流失了。

而如果平臺有個合理的內容呈現推薦機制,明確的告訴你這個電子產品正式你要的,結果又會如何呢?

更甚者:它在這個推薦產品旁邊再附帶個看上去性價比明顯劣于推薦產品的配產品。這種情況下,是不是更有可能讓你快速做出它所期望的決策。

這里其實就引申出了另一個內容運營的敲門——比較是加速用戶決策的利器。

綜上所述,內容呈現和內容推薦便是非內容型產品常規的兩個內容運營手段了。而無論是哪一種,其最終目的無非就是:降低用戶的決策成本,減少用戶的決策時間,提高用戶的轉化率。

#專欄作家#

糖澀爾,人人都是產品經理專欄作家,微信公眾號:弈囈(ID:YiYi_TANG7980)

本文原創發布于人人都是產品經理。未經許可,禁止轉載。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 去哪兒的2月月活是2千萬不是2億,和淘寶整整差一個量級。且2月是春運期間,春節對電商和旅游平臺的影響應該是不一樣的。

    來自香港 回復
    1. 抱歉,失誤打錯了,謝謝指出哈。不過去哪兒用活是綜合旅游領域緯度的規模哈,不和電商領域產生比較關系。

      回復
  2. 第二個的算法是協同過濾算法,有興趣的同學可以搜搜這塊的文章

    來自上海 回復
    1. ??

      回復