數據驅動內容運營的理論與實務

內容是連接用户和產品之間的橋樑與紐帶，本文講述了內容運營的定義、為什麼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户、維繫老用户的。

特別是對於知識付費型產品或者自媒體平台而言，將內容比作是平台或產品的靈魂和血肉也不為過。

可見，內容對於產品或平台是非常重要的。

要給內容運營下定義，先要清楚內容是什麼。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、遊戲等等。

內容運營就是指通過內容生產、發佈和傳播，滿足用户的內容消費需求，與用户保持溝通和連接；以擴大用户數（粉絲數），提升用户粘性（活躍度），傳遞產品的價值。

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、內容發佈與傳播、效果反饋。

由於人手不夠、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着四個方面的不足：

企業在完成每次的內容分發和傳播後，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，而對用户消費內容的行為數據沒有給予足夠的重視。

缺乏對用户內容消費行為深層次、細粒度的數據的採集。特別是對於外部平台（如某頭條、微博、微信等）上的粉絲行為數據的深度採集有缺失。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。

現在大部分企業對用户畫像並不陌生。

但是實際做出的用户畫像往往浮於表面，只不過是一些靜態指標（年齡、性別、來源等）的統計分析，缺乏基於行為深度加工後的標籤；也缺乏與具體場景存在高關聯度的標籤；更不用説融合第三方數據的標籤，對用户的洞察實際上是不細緻、不全面的。

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。如果能結合用户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。

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，不同的細分用户羣體會有不同的內容偏好。

即使是同屬於同一個產品的粉絲羣，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户匹配合適的內容。

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採集與分析應用能力。

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。

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：

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，跟蹤用户使用行為的軌跡數據，為後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户消費內容時的行為模式。目前，市面上有三種埋點方法：

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於業務數據進行採集上報。全埋點和可視化全埋點，由於都是程序自動化進行，很難判斷到底什麼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，只需要開啓全埋點即可，但是顯然這樣的分析能力已經無法滿足於時代的要求。

可視化全埋點的分析能力介於二者之間，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，製作成轉化漏斗，但是它又有數據不穩定的問題。

隨着時間的推移，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採集業務數據。

以用户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徵四個維度出發，建立比較完整的用户畫像的指標體系。

以某融媒體的用户畫像為例，我們建立了如下圖所示的指標體系：

識別用户的內容偏好是我們設計內容和精準推送內容的基礎。

如何識別用户的內容偏好呢？

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

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

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

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

例如：某食品類B2C電務平台經常在手機客户端的通知欄中推送一些商品促銷、購物指南的消息，以此來吸引用户點擊，從而提高用户粘性並帶來業務上的提升。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，可採取AB測試的方法選出一個最優的文案。

AB測試採用了全棧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，在控制枱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後，把實驗流量增加到5%。由於消息推送的特殊性，試驗只進行了一天的時間（活動只持續了一週，活動結束後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。

在活動開始後的第二天，該電商平台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範圍內進行了消息的推送。

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户。實際上就是要做到用户、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，比如可以基於用户的內容偏好標籤做匹配，也可以基於用户的相似度用協同過濾算法做推薦，還可以基於內容的相似度做推薦。

例如：某省移動公司在開展手機閲讀的內容運營時，基於身份信息和行為特徵將在網用户分為：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，並研究了這幾類用户羣的畫像特徵和內容偏好，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。

通過細分用户羣加內容標籤方式推送後，用户人均的閲讀完成率由原來按本推薦時的0.5%提升至3.1%，人均閲讀效果獲得了顯著提升。

對內容運營效果進行評估時，可以在AARRR模型的基礎上，適當融入用户行為相關的指標數據。例如：以某知識付費學習APP產品為例，圍繞用户獲取、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。

內容持續維繫着產品與用户之間的關係，內容運營需要我們用心沉下去、精細化的去做。

用數據可以深入瞭解用户的內容需求，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 原創發佈於人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基於CC0協議