2020-11-26 10:56:43 阅读(236)
最近,我刷了一些关于所谓“数据驱动操作”的文章。嗯,怎么说呢?就我个人而言,我认为大多数数字都是不切实际的。除了“请听下次分解”的销售文章和销售产品文章外,这是“理论上应该是这样”的“理想状态”方法论。然而,仍然有一些灵感,结合他们以前工作中的几个例子,总结。1.在第一家公司做过这样的项目,在不同的产品详细信息页面的某个频道下填写UGC内容,以改进频道CTR。当时的做法是爬上竞争产品对应产品对应频道的数据,看每个关键词的点击率(因为不能爬到曝光率,不能直接看点击率),然后根据竞争产品不同关键词的点击率分布比,将包含这些关键词的内容灌入相应的产品中。整体思路可以概括为,既然目标是点击,那就找出点击结果是什么样的(可以参考竞争产品,但不仅仅是参考竞争产品),然后根据点击结果的内部规律(分布比例、不同产品差异等)重构内容。).2.铺开面筛选结果实例2。上一家公司团队刚成立的时候,前期有一个动作,就是群里的几个运营商每人做5-6种内容形式,合起来有20多种。每个人都知道什么内容是ROI高一段时间。在这里,我将重点关注当时的领导人。后来,我认为这样做最大的意义不是找到该做什么,而是平衡团队中每个人的不同想法。因为当时小组里的每个人都有不同的工作方向,包括行政转岗、公关转岗、编辑转岗、市场转岗。不评价任何人的想法,给一条共同的跑道自由跑。延伸2这些刷脉APP的“头条”频道(即一些自媒体内容),有一个猜测:目前的文章呈现状态,很有可能是第一批测试内容中数据比较好(点击、评论等)的祖先“开枝散叶”。).也就是说,一开始,你不需要花一点时间去思考哪些文章的内容类别会满足需求,只需要广泛撒网,然后筛选即可。当然,这是一个前提调整:内容成本低,可以进行强大的测试;不影响品牌定位和用户体验,等等。因此,由于金钱和内容调性的限制,我们的实验内容不能完全传播,离散程度相对较高。三、总结历史,找到规律,几乎是广大运营商用的。“无非是总结复盘分类,环比下”。否则,我觉得做了以下两个实例的项目就没那么简单了。例3在上一家公司做了短期分析,想看看不同主题的时效性。简单来说,就是把之前的内容分类,总结每个类别的点击率趋势,区分趋势拐点的区间。以后类似内容的推荐时间会按照之前的规律来。通过这种方式,可以最大限度地利用推荐流量,减少浪费。当然,这个过程不仅仅是那么简单,需要分几组来总结,消除市场的影响,消除偶然性等等。但是,这一过程属于讨论如何进行数据分析的范围,而不是如何驱动操作。实例4与实例3非常相似。需要做一个分析,看看每种类型的内容每天有多合适。简单地说,根据两个主要的分类维度,看历史内容的累积流量。增加流量的入池量,减少流量的入池量。(3是分析需求的及时性,4是分析需求的比例)之所以回答不那么简单,是因为分析过程中有一个“笼子”,是根据推荐系统的推荐机制进行分析的。换句话说,分析的过程是探索如何有效利用这个“笼子”的过程。四、量化一个长链的事情,两个典型的例子,一个是各种“转换漏斗”,另一个是各种“传播模型”。但两者都是基于产品层面的动作,而不是内容本身。目前还没有找到基于内容的合适例子。五、量化一件有两面性的事情,举个简单的例子,很多APP都有开屏广告,一般3-5秒。但是这个广告通常会保留APP的新用户,影响使用时间,但是不放这个广告会影响赚钱。此时,APP开屏广告显然需要通过数据量化收益和损失。具体做法没有详细说明,毕竟是别人的项目,没有亲自做也只知道一般。简单来说,两个方面:价值归一,计算单用户留存等于(等价)赚多少钱,然后比较单用户加载(点击)广告赚多少钱。区分用户,找到能留下来看广告的用户,看广告留不下来的用户。这两天前,前领导写了一篇关于如何为项目设定目标的文章。我大致翻译一下前提1(顺便和我的私货混在一起):大部分绝对值数据的参考性不如相对值数据,比如“社区”板块,这个社区每天新内容量的参考性不如新内容量/DAU。估计大家都能认同这一点;前提2:平台数据参考不如用户行为数据,比如社区有多少新内容参考不如用户有多少点击;前提3:用户的短期行为数据不如用户的长期行为数据好。例如,有多少用户每天点击的内容不如社区30天保留的数据;然而,使用哪个维度的数据来确定目标取决于项目开发阶段和团队风格,公司考核制度等。另外,如果设定项目目标,可以单独开一篇文章写,这里就不多说了。另外,如果设定了项目目标,可以单独开一篇文章写,这里就不多说了。7.从另一个角度提供,我们每个人都知道自己在想什么,但不知道别人(群体)在想什么。此时,数据遍提供了另一个视角,利用用户的数据观察用户的想法。例5在第一家公司有这样一个项目。为了让自媒体作者保持活跃,他们每天都会导出自己贡献的内容和浏览的收获,增加粉丝的数量。(前提是作者当时没有数据观察背景),这样每天都能看到那些人得到正反馈(多发多得),谁得到负反馈(多发少得),谁因为正反馈更积极(增加产出),谁因为负反馈而消极(减少产出)。此时,根据上述分类,在适当的时间使用不同的语音维度进行沟通,用一半的努力得到两倍的结果。八、多维筛选,精准投入实例6在实习期间有了另一个项目,提高了一个新社区的互动数据。当时做了一个简单粗暴的数据,就是把主端对应板块的高互动内容搬过来,互动偏好和同一个用户群差不多。(前提是,同一个用户群需要根据板块进行筛选,否则可能不会有效。)延伸6这几天在家疯狂刷虎扑,发现一件有趣的事情。有很多处理抖音的小视频,非常符合虎扑用户的喜好。但仔细想想,虎扑的内容推荐是和字节一起做的,所以这件事比较简单。例如,使用虎扑用户肖像数据,匹配同一批用户的高互动内容,直接输出;或者,识别哪些抖音应用程序用户同时安装虎扑应用程序,输出内容。例子和延伸是一样的,在多维内容数据筛选之前,所以投资更准确。
以上就是关于内容运营中具体数据决策的8个场景的相关介绍,更多内容运营中具体数据决策的8个场景相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对内容运营中具体数据决策的8个场景有更深的了解和认识。
推荐阅读
最新文章
猜你喜欢以下内容:
一 客户顾问-张三 一