1. 首頁 > 生活百科 > >

闡述引爆用戶流量的9個方法 怎樣引爆用戶流量？( 三 )

小知識用戶流量


時下 ， 最火熱的莫過于快手、抖音類的PUGC視頻應用了 。 那么 ， 這些短視頻內容的推薦方式是什么樣的呢？
回歸到豐富先驗信息、依賴后驗信息的角度來闡述整個通用的流程 。
一個短視頻應用里面 ， 大體上會有三類人：半職業或職業的生產者、工具的使用者、短視頻的消費者 。 從消費性的角度來看 ， 大概率是第一類人生產 ， 第三類人消費 。 先驗信息就是盡可能挖掘出第一類人生產內容的固有特征 ， 比如作者是誰、配的音樂是什么、是否有參與活動話題等等 ， 對于足夠的頭部生產者還可能會以運營介入的方式人工標注 ， 去完善先驗信息 。
客觀上說 ， 小視頻的先驗信息是遠小于文本內容的 。 從信息量的角度來看 ， 我們將其類比微博類的短文本內容或者全圖片內容可能會更合適 。 先驗信息的缺乏 ， 就會更依賴協同算法支撐下 ， 用戶參與行為的后驗信息的補充 。
將一則小視頻冷啟動推薦給特定類別的用戶來查看 ， 從用戶角度去統計不同特征、不同聚類用戶的有效播放 ， 從而以用戶的行為去刻畫小視頻的特征 。
比如 ， 時下很熱的海草舞 ， 不同的生產者都會上傳類似主題的視頻 ， 哪個更好？在業務場景里 ， 真正值得依賴的一定是普通用戶觀看行為的投票 ， 才能選擇出更值得擴散內容 ， 優化全局的效率 。
四、三分天下？編輯、算法與社交不夸張的說 ， 算法分發將是未來信息分發行業的標準配置 。
為什么這么說？因為算法是個筐 ， 什么都能往里裝 。
在內容展現和推薦的過程當中 ， 可以參考下述公式：
算法分發權重=編輯分發權重 + 社交分發權重 + 各種算法產出權重
將任意一個權重設置為1 ， 其他部分設置為0 ， 算法分發系統就會變成一個標準的編輯分發系統或者是社交分發系統 。 也就是說 ， 算法分發的基線就是編輯分發或社交分發 。 從這個角度來看 ， 只要算法應用的不太差 ， 基本上引入算法分發一定是正向 。 因為它在有限的貨架里 ， 圍繞用戶展示了無限的貨品 。
在業務層面 ， 我們通常會復合型使用三種分發 ， 在不同的環節應用不同的因素 ， 才達到最好的效果 。
以知乎讀書會為例 ， 我們將其劃分為：內容生產、用戶觸達和反饋改進三個部分 。
在內容生產中 ， 為了保證調性 ， 一定是需要引入編輯專家去選人、選書的 。 選擇的書是否有價值 ， 選擇的人是否是行業專家而非職業的拆書人 ， 都是體現產品價值觀判斷的事情 。
進入觸達環節 ， 人工干預的作用就會相對弱化 。
舉一個例子：運營一定會有今日推薦的需求 ， 推薦給用戶今日讀書會上新了什么大咖領讀的書籍 。 比如 ， 一本物理學的書籍 ， 由一位物理學大咖進行解讀 。 從編輯的角度 ， 領讀人是大咖 ， 書是經典 ， 編輯權重一定非常高 。
這聽上去似乎很合理 ， 但當你進入用戶的場景時 ， 就發現有點差異：首先 ， 用戶不是每天都來的 。 如果他一周來一次 ， 在他沒來的這一周內同樣有文學、互聯網、藝術等專業人士的領讀 ， 你該給他的是今日推薦 ， 還是本周推薦呢？進一步考慮到用戶偏好問題 。 你是應該把物理學大咖的內容強加給他 ， 還是推薦給他一個朋友們最近都好評的一本領讀書（社交分發） ， 又或者是他自己已經標注了“想讀”的一本藝術類書籍的解讀呢？
當我們收集到了足夠多用戶數據的時候 ， 又可以反過來影響內容的二次迭代 ， 編輯的作用又凸顯了出來 ， 結合數據的反饋來對內容進行調整：內容的播放完成率為什么低？是稿件問題 ， 還是領讀人語音的問題 ， 是否需要重新錄制等等 。
五、算法的價值觀算法有沒有價值觀呢？算法沒有價值觀 ， 算法背后的人卻是有價值觀的 。
因為我們優化推薦系統 ， 一定會有一個數值目標 ， 這個數值目標的合理性決定了整個推薦系統的合理性 。
單獨以點擊為優化目標 ， 一定會導致標題黨泛濫；點擊加時長目標能夠一定程度抑制標題黨的產生 ， 但是也有可能導致用戶多樣性的喪失 。 在這里舉兩個內容消費的場景 ， 我們可以通過這兩個場景一窺各個內容分發產品的調性所在 。
1.新用戶冷啟動:
大家可以以新用戶的身份去嘗試各種內容消費服務 。 比較之下 ， 你就知道各家的價值觀怎樣的了 。
因為新用戶是通過不同渠道獲取的 ， 你獲取到的是怎樣的用戶 ， 你就會推薦怎樣的內容；進一步的 ， 基于馬斯洛需求模型 ， 越底層的內容越有更廣泛的受眾 。 這就是為什么很多小視頻應用 ， 打開來之后 ， 全都是白衣校花大長腿的原因了 ， 人性爾 。

推薦閱讀