很多互联网产品是依赖内容的持续更新来吸引新用户、维系老用户的，内容是连接用户和产品之间的桥梁与纽带，特别是对于知识付费型产品或者自媒体平台而言，将内容比作是平台或产品的灵魂和血肉也不为过。可见，内容对于产品或平台是非常重要的。

一、什么是内容运营

要给内容运营下定义，先要清楚内容是什么。在不同行业和领域，内容有不同的表现形式。内容可以是H5软文、音频、视频、图文、动漫、幻灯片、小程序、歌曲、游戏等等。内容运营就是指通过内容生产、发布和传播，满足用户的内容消费需求，与用户保持沟通和连接，以扩大用户数（粉丝数），提升用户粘性（活跃度），传递产品的价值。

二、为什么需要用数据驱动内容运营？

传统的内容运营一般划分为五个环节：确定选题、内容生产、内容审核、内容发布与传播、效果反馈。由于人手不够、技术支撑不足或者数据意识弱等方面的原因，企业在内容运营时往往不同程度上存在着四个方面的不足：

1、数据采集不全面：企业在完成每次的内容分发和传播后，往往只对打开率、点击次数等效果类数据进行了收集和分析，而对用户消费内容的行为数据没有给予足够的重视，缺乏对用户内容消费行为深层次、细粒度的数据的采集，特别是对于外部平台（如某头条、微博、微信等）上的粉丝行为数据的深度采集有缺失，这样就容易造成对内容呈现形式、内容改版等方面缺乏全面透彻的分析。

2、用户画像不细致：现在大部分企业对用户画像并不陌生，但是实际做出的用户画像往往浮于表面，只不过是一些静态指标（年龄、性别、来源等）的统计分析，缺乏基于行为深度加工后的标签，也缺乏与具体场景存在高关联度的标签，更不用说融合第三方数据的标签，对用户的洞察实际上是不细致、不全面的。

3、内容优化不科学：企业的内容运营人员在决定具体的内容和表现形式时，经常遇到需要在几种方案中做选择的情况，当拿不定主意选择何种方案时，往往会根据自身的经验和少数人拍脑袋的意见来做出选择。这种内容优化的方式有时候可能会奏效，有时候可能会差强人意。如果能结合用户的内容偏好模型和内容质量评分模型等数量化的手段作分析，我们对内容的优化处理则会更有科学依据。

4、内容推荐不精准：内容运营在做内容分发前，通常是“广而告之”的模式，理所当然的认为一篇H5软文可以发给所有的粉丝，在分发前没有做粉丝的再分类，这种内容推荐和分发的模式是比较粗放的。事实上，不同的细分用户群体会有不同的内容偏好，即使是同属于同一个产品的粉丝群，每个粉丝的偏好也可能有所细微的差异，每个内容运营人员在做内容的分发和传播时应该为合适的用户匹配合适的内容。 

在此情况下，为推进内容的精细化运营，需要在内容运营方面补齐数据采集与分析应用能力，在原有内容运营闭环的基础上，引入数据运营的闭环作为内核，用数据运营的内环驱动内容运营的外环，用数据赋能内容运营，用数据提升内容运营的效率。

三、如何用数据驱动内容运营？

数据化的方法和手段可以渗透到内容运营的诸多环节，笔者选取了以下六个方面进行阐述：

1、引入埋点技术，补齐数据采集能力短板

所谓埋点就是在应用中植入特定的程序用以收集一些信息，跟踪用户使用行为的轨迹数据，为后续产品和运营提供数据支撑。引入数据埋点技术，是为了更好的记录和分析用户消费内容时的行为模式。目前，市面上有三种埋点方法：（1）代码埋点：所谓代码埋点就是在需要统计数据的地方植入N行代码，统计用户的关键行为。目前，国内主要第三方数据分析服务商，如百度统计、友盟、TalkingData 等都提供了这一方案。

（2）全埋点：是指无需应用程序开发工程师写代码或者只写少量的代码，通过简单地配置，即可预先自动收集用户的特定行为数据，例如页面浏览、元素点击等行为。

（3）可视化全埋点：是指开发人员除集成采集 SDK 外，不需要额外去写埋点代码，而是由业务人员通过访问分析平台的圈选功能来“圈”出需要对用户行为进行捕捉的控件，并给出事件命名。圈选完毕后，这些配置会同步到各个用户的终端上，由采集 SDK 按照圈选的配置自动进行用户行为数据的采集和发送。

如果想要分析核心的业务指标，比如 GVM、MMR 等，首推代码埋点。代码埋点的稳定性较高，同时只有代码埋点才支持对于业务数据进行采集上报，全埋点和可视化全埋点，由于都是程序自动化进行，很难判断到底什么字段才是金额等重要的业务属性数据。

如上表所述，三种埋点技术各有优劣势，企业可结合自身实际进行选择。如果只需要简单地查看网站的 PV 和 UV，只需要开启全埋点即可，但是显然这样的分析能力已经无法满足于时代的要求。可视化全埋点的分析能力介于二者之间，它可以非常精细的分析交互数据的情况，甚至可以对同一个页面上不同环节进行埋点，制作成转化漏斗，但是它又有数据不稳定的问题，随着时间的推移，可视化全埋点的埋点定义可能会因为代码结构更改而失效，同时可视化全埋点也不支持采集业务数据。

2、完善用户画像体系

以用户内容消费行为的分析为核心，可从基本属性、内容偏好、内容满足度和行为特征四个维度出发，建立比较完整的用户画像的指标体系。

以某融媒体的用户画像为例，我们建立了如下图所示的指标体系：

3、  基于用户分类，识别用户内容偏好

识别用户的内容偏好是我们设计内容和精准推送内容的基础。如何识别用户的内容偏好呢？一般还是要分析用户对内容的消费行为数据。分析用户的内容偏好，可以从某方向偏好的消耗时长角度出发，当该方向偏好在用户使用时长中占比最大时，即可定义该方向为用户的偏好。

比如，我们在研究电信运营商的用户阅读行为偏好时，根据用户对内容的浏览时长分析，将用户对某内容的浏览时长比重最大的定义为偏好。通过爬取用户上网行为的记录，统计其浏览各类网站的时长，并对各类网站分别进行分类和标记，抽取各用户浏览时长最长的网站类型作为其内容偏好，最终形成用户的内容偏好DNA图谱。

4、用AB测试方法优化内容

内容运营人员在设计文案时，往往会设计多个版本作比较，这时候可以采取AB Test的方法帮助选取较优的方案。

例如：某食品类B2C电务平台经常在手机客户端的通知栏中推送一些商品促销、购物指南的消息，以此来吸引用户点击，从而提高用户粘性并带来业务上的提升。当运营团队在设计推送消息的文案时，总是会有很多不一样的想法，内部有时就会提出好几个版本。此时，可采取AB测试的方法选出一个最优的文案。

AB测试采用了全栈API的方案，通过参数化的方式把推送消息的文案变成一个变量，在控制台中为各个版本设置对应的变量值。在试验刚刚开始的时候，选择了1%的全网流量进行试验，各版本均分流量。当测试进行了一段时间后，把实验流量增加到5%。由于消息推送的特殊性，试验只进行了一天的时间（活动只持续了一周，活动结束后再拿到结果就没有意义了）。结果表明，最好文案比最差文案的点击率要高出42%。统计显著性指标的结果也超过了95%，试验可认定为有效。在活动开始后的第二天，该电商平台内容运营团队认可了测试的结果，使用最优版本的文案在全网范围内进行了消息的推送。

5、 实施精准化内容推送

所谓精准化内容推送是指在合适的渠道或触点，将合适的内容推送给合适的用户，实际上就是要做到用户、内容和渠道三者之间的精准适配。

实现内容精准营销的方式有多种，比如可以基于用户的内容偏好标签做匹配，也可以基于用户的相似度用协同过滤算法做推荐，还可以基于内容的相似度做推荐。

例如：某省移动公司在开展手机阅读的内容运营时，基于身份信息和行为特征将在网用户分为：娱乐达人、应用达人、精打细算族、消息达人、纯通话人士等类别，并研究了这几类用户群的画像特征和内容偏好，开展了针对性的内容微营销，为新潮商务人士推送了都市言情、励志类书籍，为精打细算族推送了都市言情、经管类、社科类书籍，为消息达人推送了都市言情、玄幻、传记类书籍。通过细分用户群加内容标签方式推送后，用户人均的阅读完成率由原来按本推荐时的0.5%提升至3.1%，人均阅读效果获得了显著提升。

6、  构建全面的内容运营效果评估体系

对内容运营效果进行评估时，可以在AARRR模型的基础上，适当融入用户行为相关的指标数据。例如：以某知识付费学习APP产品为例，围绕用户获取、活跃、留存、收入和行为五个维度展开，构建了内容运营效果的评估指标体系。

四、小结

内容持续维系着产品与用户之间的关系，内容运营需要我们用心沉下去、精细化的去做。用数据可以深入了解用户的内容需求，指导我们进行内容的测试与优化，帮助我们开展个性化的精准推送。总之，数据化的内容运营是提升内容运营效果的有效手段。

-END-