編輯導讀：內容是連接用戶和產品之間的橋梁與紐帶，運營需要了解各大平臺的特點，結合數據分析做好運營工作。本文作者總結分享了內容運營中具體數據決策的8個場景，供大家一起參考學習。
最近刷了刷知乎上一些所謂「數據驅動運營」的文章，額，怎麼說呢，個人感覺大都數都不實用，除了「請聽下回分解」的賣課文章賣產品文章，就是「理論上應該是這樣」的「理想狀態下」的方法論。不過，還是有一些能給人啟發的，結合自己之前工作中的幾個實例，總結下。
一、以結果倒推過程
實例1
在第一家公司的時候做過這樣一個項目，填充不同商品詳情頁某個頻道下的UGC內容，以提升頻道CTR。
當時的做法是把競品對應產品對應頻道的數據爬一遍，看每個關鍵詞的點擊數（因為爬不到曝光數，無法直接看點擊率），然後按照競品不同關鍵詞點擊數分布比例，對應商品灌入含有這些關鍵詞內容。
整體的思路可以概括為，既然目標是點擊，那就把點擊結果是什麼樣找出來（可以參照競品，但不唯一要參照競品），然後再按照這個點擊結果的內在規律（分布比例，不同商品差異等）按照映射的方式，把內容重構一遍。
二、鋪開面篩選結果
實例2
在上家公司團隊剛組建好時，前期有個動作是組內的幾個運營每人做個5-6種內容形式，合起來就有20多種。做一段時間哪些內容是ROI高的大家便心裡有數了。
這裡重點誇一下當時的領導，我事後覺得這樣做最大的意義不是找到該做什麼內容，而是平衡團隊內大家的不同想法。因為當時組內每個人之前的工作方向不同，有行政轉崗，有公關轉崗，有編輯轉崗，有市場轉崗。不評價任何一個人的想法， 給與一個共同的跑道自由的去跑。
延伸2
這幾個刷脈脈APP的「頭條」頻道（就是一些自媒體內容），有一個猜想：目前的文章呈現狀態，大概率是第一批試驗內容中數據比較好的（點擊、評論等）的先人「開枝散葉」而來。即，最初，不用花一點心思去琢磨哪些文章內容類別等會滿足需求，只需廣撒網然後篩選就行了。
當然，這種是有前提調節的：
內容是成本低，可以可勁試驗；是不太影響品牌定位和用戶體驗，等。所以實例2因為錢呀、內容調性的約束呀等原因，我們幾個的試驗內容不能完全鋪開，離散程度比較高。
三、匯總歷史找到規律
這點幾乎是廣大運營用的做多的，「無非是總結復盤歸類環比下嘛」。不然，做了下面這兩個實例的項目，我覺得沒那麼簡單。
實例3
在上家公司做了個短期分析，想看下不同的選題時效怎麼樣。簡單的說就是把之前的內容分好類，匯總每個類別的點擊率的走勢，區分出走勢拐點的區間，以後同類的內容推薦時間就按照之前的規律來。這樣，可以最大化利用推薦流量，減少浪費。
當然，過程不只這麼簡單，需要分好幾個組來匯總，去除大盤影響，去除偶然性等。不過，這個過程屬於討論怎麼做數據分析的範圍，而不是怎麼驅動運營。
實例4
與實例3很類似。需要做個分析，看每個類型的內容每天入池多少合適。簡單的說就是按照兩個最主要的歸類維度，看歷史內容累計流量。流量多的增加入池量，流量少的減少入池量。（3是分析需求的時效，4是分析需求的比例）
之所以說沒那麼簡答，是因為分析這個過程有個』籠子」，是根據推薦系統的推薦機制來分析的。換句話說，分析的過程是探求如何有效利用這個」籠子」的過程。
四、量化一個長鏈條的事情
兩個典型的例子，一個是各種』轉化漏鬥』，一個是各種』傳播模型』。不過，兩種都是基於產品層面的動作，而不是內容本身。基於內容暫時還沒找到合適的例子。
五、量化一個具有兩面性的事情
舉個簡單的例子，很多APP都有開屏廣告，一般3-5秒。但這個廣告一般是會對APP的新用戶留存，使用時長有影響的，但不放這個廣告，影響賺錢。這時，APP開屏廣告是顯然要通過數據量化收益和損失的。
具體做法不詳細說了，畢竟是別人的項目，沒親自做過也只知道個大概。簡單說2方面：
價值歸一，計算單用戶留存等於（等價）賺多少錢，再比較單用戶加載（點擊）廣告賺多少錢。區分用戶，找到看廣告也能留下來的用戶和看廣告就留不下來的用戶。
六、給項目定一個合理的目標
這兩天前前前領導寫了篇文章，講了講是他之前怎麼給項目定目標。我大致翻譯一下（順帶夾雜上我的私貨）
前提1：大多數絕對值數據參考性不如相對值數據，比如：「社區」板塊，這個社區的每天新增內容量的參考性不如新增內容量/DAU。這點大家估計都能認同；前提2：平臺數據參考性不如用戶行為數據，比如：社區有多少新增內容參考性不如用戶有多少點擊；前提3：用戶短線行為數據不如用戶長線行為數據，比如這個社區每天有多少用戶點擊內容不如這個社區30日留存數據；不過，具體使用哪個維度的數據來定目標要看項目發展階段，團隊風格，公司考核體系等等。
另外，關於如果設定項目目標，可以單獨開一篇文章來寫了，這裡不過多的說了。
七、提供以另一種視角
我們每個人都知道自己在想什麼，但無法知道他人（群體）在想什麼。這時候數據遍提供了另一個視角，利用用戶的數據觀測用戶的想法。
實例5
在第一家公司有過這麼個項目，為了讓自媒體作者保持活躍，每天導出他們貢獻的內容數和收穫的瀏覽數，增長的粉絲數。（前提，當時作者端還沒有數據觀測後臺）這樣，就能每天看到那些人獲得了正向的反饋（多發多得），哪些人獲得了負向的反饋（多發少得），以及那些人因為正反饋更積極了（增加產出），哪些人因為負反饋而消極了（減少產出）。
這時候再按照以上分類在合適的時間採用不同話術維度溝通，事半功倍。
八、多維度篩選，精準的投入
實例6
在實習的時候有過另一個項目，提高一個新社區的互動數據。當時做了個簡單粗暴的數據是把主端對應板塊的高互動內容搬過來，同樣的用戶群體，互動喜好是相似的。（前提哈，同樣的用戶群體，需要按照板塊來篩選，不然的話不一定多有效）
延伸6
這幾天賦閒在家瘋狂刷虎撲，發現一個有意思的事情。有很多搬運的抖音小視頻，還挺符合虎撲用戶喜好的。但細一想，虎撲的內容推薦是和字節一起做的，這樣這個事情就比較簡單了。
比如，拿著虎撲的用戶畫像數據，去抖音匹配同樣的一批用戶的高互動內容，直接輸出過來；或者，識別一下哪些抖音APP用戶同時裝了虎撲APP，把內容輸出過來。
實例和延伸是同樣的道理，前面進行多維度內容數據篩選，這樣投入就精準的多了。
本文由 @建學 原創發布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