文/William Kye
在上篇文章中，我們用維基百科的搜索量側面驗證了Facebook上曝光的重要性。那麼接下來，我希望嘗試從數據中找到一些「流行的經驗」，讓內容得到最大程度的曝光。
在上篇文章《Facebook效應：流量生意背後有哪些數據邏輯（上篇）》裡，我們已經證明在 Facebook （以下簡稱FB）上流行的重要性。想要獲得更好的公眾曝光，就要在FB上流行，這說起來比做好要容易許多。所以現在我們來試著分析一下，如何做才能更好地在FB上流行。我們可以從FB的流行趨勢的一些基本原則著手，看看如何可以讓內容得到最大化的曝光。
與我們所想的相反，造成「流行」並不是用無盡的帖子和圖片，狂轟濫炸地淹沒信息流。FB用戶在瀏覽內容時常常會忽略帖文、圖片，尤其是廣告。他們只會被吸引眼球的事情抓走注意力，這也是許多營銷公司在做的。
一個最好的案例就是新聞機構在FB上分享內容的行為。與用戶訪問新聞網站獲取信息的行為方式徹底相反，在FB上用戶不是來看新聞的，因此新聞機構在FB上並非逐字逐句搬運，而是重新撰寫推薦語，試圖吸引FB用戶的注意，繼而吸引用戶去到他們的網站。
為了弄清楚如何撰寫帖子和內容才可以提高FB曝光率，我對紐約時報進行了案例分析。
（圖片說明：紐約時報在FB的主頁和新聞推薦語；圖片來源：Facebook截圖）
我爬取了FB上紐約時報從2012到2016年發的所有帖子，這些數據包括FB帖子內容、分享的文章或視頻題目、相關描述、以及點讚數。
我發現的第一個明顯現象，是FB上的帖子和紐約時報網站上的文章，在簡介上有明顯的不同：他們在FB上發帖時的簡介會更長。
從圖中代表平均數的虛線可以看出，在FB上發帖時，單詞和字母都會更多。P值都少於0.001。這是否說明較多的文字更適合引發流行？
我接著又做了一個用詞數量與點讚數關係的散點圖，如上所示，兩者呈正相關關係。
那麼除此之外，在FB上的用詞又有什麼區別呢？
（圖片說明：FB上推薦語做的詞雲分布）
如果僅從詞雲的角度來看，如我們所料，FB與官網上的用詞大部分相似。所以，我們接著使用谷歌的雲端自然語義平臺進行分析，以找到更細微的區別。
上圖是一組對比。我們可以看到，在這個案例中，FB上的帖子提到了甘地，而網站上的摘要沒有。儘管這只是一個簡單的例子，但這種模式在整個語料庫裡也十分明顯。當在FB上發帖時，紐約時報非常明顯地喜歡提及人名，諸如歐巴馬、羅姆尼等。
另外，在FB上發帖時，紐約時報使用問句或者引語的次數是網站的5倍。
所以，總的來說，我們這個對紐約時報的開放分析，研究了紐約時報如何在FB將社交媒體曝光最大化，並獲得了一些啟發。這包括：
1.與主網站相比，使用更長、更偏敘述的帖子；2.使用更吸引人的詞語，比如總統等，並且具體地指向能讓人產生興趣的人，如歐巴馬等；3.給讀者提問，同時使用一些驚人的引語來吸引讀者。
在Kylie Jenner的推特之後，Snapchat的市值大約損失了16億美元。她的推特是造成這一切的全部原因麼？我們也許永遠也不知道。但是我們可以確定，Jenner在社交媒體上的超強存在感，嚴重影響了Snapchat的前景。
的確，在這項目中，我嘗試解碼社交媒體上，尤其是FB平臺上，一個內容流行會帶來什麼。我發現，當一個話題在FB上流行，它會導致其對應的維基百科搜索量提升70%。把維基百科的頁面瀏覽量看作是識別度上升的某種標誌的話，可以看到FB曝光度對產品識別度有巨大的影響。
而且，為了確定這個識別度的上升就是由FB平臺帶來的，我還對比了在FB上流行，與在推特上流行的不同結果，並發現後者帶來的影響並不明顯。這給我的假設提供了支持。
接下來我對紐約時報在FB和自己網站上發文章時的不同處理方式進行對比，來研究它是如何提高FB等社交媒體平臺的存在感。我發現，在FB上的帖子更長，並且會更多地包含人名，並且傾向使用更多的問句和引語。
我的這個項目本質上還是探索性質，所以未來可以進一步做的研究包括：撰寫一個腳本，從而持續地爬取FB上流行話題的帖子信息，從而可以在不同時間節點進行更詳盡比較；提高我的樣本量，讓它足夠運行固定效應模型（fixed effects models），進而衡量一個話題在流行前和流行後的變化；使用更多的自然語義處理工具，比如潛在狄利克雷分布 （latent dirichlet allocation）等，對FB上和其他網站上發帖時的文本差別進行更深度的分析。
註：內容僅為作者觀點，不代表DT財經立場。
題圖 | 站酷海洛
關於DT×NYCDSA
DT×NYCDSA是DT財經與紐約數據科學學院合作專欄。紐約數據科學學院(NYC Data Science Academy)是由一批活躍在全球的數據科學、大數據專家和SupStat Inc. 的成員共同組建的教育集團。
數據俠門派
本文數據俠是William Kye。他擁有美國聖母大學社會學博士學位，對分析和理解人類行為有濃厚興趣並富有經驗。Kye喜歡用數據解決問題，不只將數據看作生硬的數字，他還希望將其置於人類社會行為的大背景下進行理解。他此前做過大量的人口數據與其他數據的交叉分析，比如社區自殺率與種族構成的關係，私立學校的數量與社區士紳化趨勢的關係等。Kye掌握R語言、Python等，同時希望將數據分析以有洞見的故事形式展現出來，並將自己的能力用在解決現實世界的難題上。