内容运营过程中，需要用数据决策的8个场景

编辑导读：内容是连接用户和产品之间的桥梁与纽带，运营需要了解各大平台的特点，结合数据分析做好运营工作。本文作者总结分享了内容运营中具体数据决策的8个场景，供大家一起参考学习。

最近刷了刷知乎上一些所谓“数据驱动运营”的文章，额，怎么说呢，个人感觉大都数都不实用，除了“请听下回分解”的卖课文章卖产品文章，就是“理论上应该是这样”的“理想状态下”的方法论。不过，还是有一些能给人启发的，结合自己之前工作中的几个实例，总结下。

一、以结果倒推过程 实例1

在第一家公司的时候做过这样一个项目，填充不同商品详情页某个频道下的UGC内容，以提升频道CTR。

当时的做法是把竞品对应产品对应频道的数据爬一遍，看每个关键词的点击数（因为爬不到曝光数，无法直接看点击率），然后按照竞品不同关键词点击数分布比例，对应商品灌入含有这些关键词内容。

整体的思路可以概括为，既然目标是点击，那就把点击结果是什么样找出来（可以参照竞品，但不唯一要参照竞品），然后再按照这个点击结果的内在规律（分布比例，不同商品差异等）按照映射的方式，把内容重构一遍。

二、铺开面筛选结果 实例2

在上家公司团队刚组建好时，前期有个动作是组内的几个运营每人做个5-6种内容形式，合起来就有20多种。做一段时间哪些内容是ROI高的大家便心里有数了。

这里重点夸一下当时的领导，我事后觉得这样做最大的意义不是找到该做什么内容，而是平衡团队内大家的不同想法。因为当时组内每个人之前的工作方向不同，有行政转岗，有公关转岗，有编辑转岗，有市场转岗。不评价任何一个人的想法， 给与一个共同的跑道自由的去跑。

延伸2

这几个刷脉脉APP的“头条”频道（就是一些自媒体内容），有一个猜想：目前的文章呈现状态，大概率是第一批试验内容中数据比较好的（点击、评论等）的先人“开枝散叶”而来。即，最初，不用花一点心思去琢磨哪些文章内容类别等会满足需求，只需广撒网然后筛选就行了。

当然，这种是有前提调节的：

1. 内容是成本低，可以可劲试验；
2. 是不太影响品牌定位和用户体验，等。所以实例2因为钱呀、内容调性的约束呀等原因，我们几个的试验内容不能完全铺开，离散程度比较高。

这点几乎是广大运营用的做多的，“无非是总结复盘归类环比下嘛”。不然，做了下面这两个实例的项目，我觉得没那么简单。

实例3

在上家公司做了个短期分析，想看下不同的选题时效怎么样。简单的说就是把之前的内容分好类，汇总每个类别的点击率的走势，区分出走势拐点的区间，以后同类的内容推荐时间就按照之前的规律来。这样，可以最大化利用推荐流量，减少浪费。

当然，过程不只这么简单，需要分好几个组来汇总，去除大盘影响，去除偶然性等。不过，这个过程属于讨论怎么做数据分析的范围，而不是怎么驱动运营。

实例4

与实例3很类似。需要做个分析，看每个类型的内容每天入池多少合适。简单的说就是按照两个最主要的归类维度，看历史内容累计流量。流量多的增加入池量，流量少的减少入池量。（3是分析需求的时效，4是分析需求的比例）

之所以说没那么简答，是因为分析这个过程有个’笼子”，是根据推荐系统的推荐机制来分析的。换句话说，分析的过程是探求如何有效利用这个”笼子”的过程。

四、量化一个长链条的事情

两个典型的例子，一个是各种’转化漏斗’，一个是各种’传播模型’。不过，两种都是基于产品层面的动作，而不是内容本身。基于内容暂时还没找到合适的例子。

五、量化一个具有两面性的事情

举个简单的例子，很多APP都有开屏广告，一般3-5秒。但这个广告一般是会对APP的新用户留存，使用时长有影响的，但不放这个广告，影响赚钱。这时，APP开屏广告是显然要通过数据量化收益和损失的。

具体做法不详细说了，毕竟是别人的项目，没亲自做过也只知道个大概。简单说2方面：

1. 价值归一，计算单用户留存等于（等价）赚多少钱，再比较单用户加载（点击）广告赚多少钱。
2. 区分用户，找到看广告也能留下来的用户和看广告就留不下来的用户。

这两天前前前领导写了篇文章，讲了讲是他之前怎么给项目定目标。我大致翻译一下（顺带夹杂上我的私货）

• 前提1：大多数绝对值数据参考性不如相对值数据，比如：“社区”板块，这个社区的每天新增内容量的参考性不如新增内容量/DAU。这点大家估计都能认同；
• 前提2：平台数据参考性不如用户行为数据，比如：社区有多少新增内容参考性不如用户有多少点击；
• 前提3：用户短线行为数据不如用户长线行为数据，比如这个社区每天有多少用户点击内容不如这个社区30日留存数据；

不过，具体使用哪个维度的数据来定目标要看项目发展阶段，团队风格，公司考核体系等等。

另外，关于如果设定项目目标，可以单独开一篇文章来写了，这里不过多的说了。

七、提供以另一种视角

我们每个人都知道自己在想什么，但无法知道他人（群体）在想什么。这时候数据遍提供了另一个视角，利用用户的数据观测用户的想法。

实例5

在第一家公司有过这么个项目，为了让自媒体作者保持活跃，每天导出他们贡献的内容数和收获的浏览数，增长的粉丝数。（前提，当时作者端还没有数据观测后台）这样，就能每天看到那些人获得了正向的反馈（多发多得），哪些人获得了负向的反馈（多发少得），以及那些人因为正反馈更积极了（增加产出），哪些人因为负反馈而消极了（减少产出）。

这时候再按照以上分类在合适的时间采用不同话术维度沟通，事半功倍。

八、多维度筛选，精准的投入 实例6

在实习的时候有过另一个项目，提高一个新社区的互动数据。当时做了个简单粗暴的数据是把主端对应板块的高互动内容搬过来，同样的用户群体，互动喜好是相似的。（前提哈，同样的用户群体，需要按照板块来筛选，不然的话不一定多有效）

延伸6

这几天赋闲在家疯狂刷虎扑，发现一个有意思的事情。有很多搬运的抖音小视频，还挺符合虎扑用户喜好的。但细一想，虎扑的内容推荐是和字节一起做的，这样这个事情就比较简单了。

比如，拿着虎扑的用户画像数据，去抖音匹配同样的一批用户的高互动内容，直接输出过来；或者，识别一下哪些抖音APP用户同时装了虎扑APP，把内容输出过来。

实例和延伸是同样的道理，前面进行多维度内容数据筛选，这样投入就精准的多了。

本文由 @建学 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议