對於演算法分發很多人會有所誤解，這或許源自遠觀而缺乏瞭解，才會覺得演算法猛如虎。而當你走近了演算法分發，有了一定的瞭解之後，可能會有重新的認知：演算法如虎，細嗅薔薇。

一、演算法分發知多少？

儘管演算法分發中應用了各種高深的演算法，但其基礎原理卻是樸素的：更好地瞭解待推薦的內容，更好地瞭解要推薦給的人，才能更高效的完成內容與人之間的對接。

從這個角度來看：斷物識人，是一切推薦行為的起點。

對於斷物識人，我們可以將它理解為打標籤的過程。標籤是對高維事物的降維理解，抽象出了事物更具有表意性、更為顯著的特點。在不同的業務場景下，我們會選擇不同的標籤進行使用，來對內容和使用者進行標註。

在內容畫像層面，以音樂為例，最典型的有兩種標籤產出的方式：

專家系統：潘多拉(Pandora)的音樂基因工程（Music Genome Project）。在這項工程中，歌曲體系被抽離出450個標籤，細化到如主唱性別、電吉他失真程度、背景和聲型別等等。每一首歌曲都會被經由工作人員耗時30分鐘左右，有選擇性標註一些標籤，並以從0到5的分值代表這一標籤的表徵程度。UGC產出：在豆瓣，給音樂打標籤的活則從專家產出，轉為了普通網友貢獻。群體的力量為豆瓣積累了大量具有語義表意性的標籤。當然，由於使用者的多樣性和編輯的開放性，使用者標籤系統需要經過特定的清洗和歸一化才能投入使用。

在使用者畫像層面，可以分為靜態和動態兩部分。

使用者畫像中靜態的部分比較好理解，即你的裝置資訊、地理位置、註冊資訊等等，這些可以被理解為是業務無關的資訊。具體到業務場景中，使用者產生了更多的行為，就生成了業務相關的動態資訊，即利用人的各種顯式和隱式行為來對使用者的偏好性進行的猜測。

通常，由於顯式行為不夠豐富，我們往往需要使用隱式行為來擴充我們對於使用者的理解。完播率、是否快進、詳情頁停留時長等指標，都會被系統統計，用來判斷你是否真的喜歡某個人的講解、喜歡某本書的內容。

在內容畫像的部分，可以看到一篇文章透過文字分析進行了一級和二級分類，並抽取出文章內的關鍵字、實體詞，進一步的還會透過聚類的方式，將這篇文章與其相似的內容聚成一個簇類。之所以會有聚類，是因為專家系統的分類體系一定是對於變化不敏感的，響應不及時的，而聚類能夠挖掘出更多內容的隱含資訊。

在使用者畫像的部分：

內容畫像和使用者畫像，是一個相互影響的迴圈系統。

內容畫像決定人的畫像，自然是最容易理解的。在音樂場景下，你收聽、收藏、評分了很多爵士類的音樂，那麼系統就會判定為你是一個喜歡爵士音樂的使用者。在讀書的場景下，你閱讀、收聽了哪些書籍，哪些書籍聽完了、哪些書籍重複收聽了很多遍，都會影響系統中，你的使用者畫像。

因此，“你的選擇決定你的畫像”可以說絲毫不為過。

而反過來，人的畫像也會影響內容的畫像。我們可以看作是基於使用者的行為，對內容做出的後驗投票。在一個大體量的影片上傳體系裡，我們基本放棄了依賴人工打標籤的方式，而轉而利用使用者的播放行為來試圖猜測內容屬於哪一類。

一個典型的Case：死神來了。看標題的文字資訊，最大機率就是一部電影，但事實上觀看這個影片的大面積是喜歡獵奇類影片的使用者，深挖內容才會知道，這其實是一個車禍影片集錦。

二、協同過濾，應用群體智慧

如前所述，標籤是我們對事物的抽象理解，那有沒有一種方式能夠讓我們放棄標籤呢？以人的行為來標記內容，這就是協同過濾的基礎思想。

舉一個生活中的場景：初次為人父母，“無證上崗”的新手爸媽們內心是激動而又惶恐的。打聽，成了他們育兒的重要法寶之一。“你家寶寶用的是什麼沐浴液啊、你們有沒有上什麼早教班啊…”親子群中，無時無刻不在發生這樣的討論，這樣的討論也構成大家後續消費決策的主要因素之一。

這種基於人和人之間的相互推薦固然是弱社交關係分發的一種形態，但是促成大家有價值資訊交換和購買轉化的，其實是人和人之間的相似點：為人父母、擁有相似的價值觀和消費觀。

把使用者的消費行為作為特徵，以此進行使用者相似性或物品相似性的計算，進行資訊的匹配，這就是協同過濾(Collaborative Filtering)的基礎思想。

協同推薦可以分為三個子類：

基於物品（Item-based）的協同基於使用者（User-based ）的協同基於模型（Model-based）的協同

1.基於使用者的協同

即切合了上面的例子，其基礎思路分為兩步：找到那些與你在某一方面口味相似的人群（比如你們都是新手爸媽，傾向於同一種教育理念），將這一人群喜歡的新東西推薦給你。

2.基於物品的協同

其推薦的基礎思路是：先確定你喜歡物品，再找到與之相似的物品推薦給你。只是物品與物品間的相似度不是從內容屬性的角度衡量的，而是從使用者反饋的角度來衡量的。使用大規模人群的喜好進行內容的推薦，這就是在實際工程環境裡，各家公司應用的主流分發方式。

3.基於模型的協同

是應用使用者的喜好資訊來訓練演算法模型，實時預測使用者可能的點選率。比如，在Netflix的系統中就將受限玻爾茲曼機（Restricted Boltzmann Machines, RBM）神經網路應用於協同過濾。將深度學習應用於基於模型的協同，也成為了業界廣泛使用的方式。

以協同的方式，透過使用者行為的聚類發現許多隱層的連線。

但是，透過協同的方式，我們會發現喜歡馬家輝老師領讀作品的使用者，同時也會喜歡楊照老師領讀的《刺殺騎士團長》一書。這種聯絡，是很難透過標籤資訊發現的，只有透過使用者的行為選擇，才會建立聯絡，提升內容和使用者之間連線與匹配的效率。

三、從冷到熱：內容和使用者在分發中的生命週期

作為連線內容與人的推薦系統，無時無刻不在面對著增量的問題：增量的使用者，增量的內容。

新的使用者、新的內容對於推薦系統來說都是沒有過往資訊量積累的、是陌生的，需要累積一定的曝光量和互動量（閱讀、分享等）來收集基礎資料。這個從0到1積累基礎資料的過程就是冷啟動，其效果的好壞直接關係到使用者端、作者端的滿意度和留存率。

如果我們假設一篇新內容要經過100次閱讀才能夠得到相對可信的內容畫像，新使用者同樣需要完成100次閱讀之後才能夠建立起可用的使用者畫像。那麼一個最直觀的問題就是：怎麼樣達成這100次有效的閱讀？這就是冷啟動面臨的問題。下面我們從內容和使用者兩個維度來分別論述。

在推薦系統中，透過分析一篇內容的標題、關鍵字來確定要向哪個目標人群進行探索性展示，藉由探索性展示完成了從0到1的使用者反饋積累過程。在這個冷啟動過程中，如果沒能得到足夠正面的使用者反饋（點選行為和閱讀體驗），系統就會認為這篇內容是不受歡迎的，為了控制負面影響，就會逐步降低這篇內容的推薦量。

而對於使用者冷啟動，推薦服務的是一個大目標：使用者的留存率。

只有保證了使用者留存的前提下，才會考量推薦的興趣探索效果如何，是否在有限的展示裡全面探索出了使用者的偏好。對於慢熱型的使用者，我們並不急於獲悉他的方方面面，而是以“留住使用者”作為第一目的。

時下，最火熱的莫過於快手、抖音類的PUGC影片應用了。那麼，這些短影片內容的推薦方式是什麼樣的呢？

迴歸到豐富先驗資訊、依賴後驗資訊的角度來闡述整個通用的流程。

一個短影片應用裡面，大體上會有三類人：半職業或職業的生產者、工具的使用者、短影片的消費者。從消費性的角度來看，大機率是第一類人生產，第三類人消費。先驗資訊就是儘可能挖掘出第一類人生產內容的固有特徵，比如作者是誰、配的音樂是什麼、是否有參與活動話題等等，對於足夠的頭部生產者還可能會以運營介入的方式人工標註，去完善先驗資訊。

客觀上說，小影片的先驗資訊是遠小於文字內容的。從資訊量的角度來看，我們將其類比微博類的短文字內容或者全圖片內容可能會更合適。先驗資訊的缺乏，就會更依賴協同演算法支撐下，使用者參與行為的後驗資訊的補充。

將一則小影片冷啟動推薦給特定類別的使用者來檢視，從使用者角度去統計不同特徵、不同聚類使用者的有效播放，從而以使用者的行為去刻畫小影片的特徵。

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影片，哪個更好？在業務場景裡，真正值得依賴的一定是普通使用者觀看行為的投票，才能選擇出更值得擴散內容，最佳化全域性的效率。

四、三分天下？編輯、演算法與社交

不誇張的說，演算法分發將是未來資訊分發行業的標準配置。

為什麼這麼說？因為演算法是個筐，什麼都能往裡裝。

在內容展現和推薦的過程當中，可以參考下述公式：

演算法分發權重=編輯分發權重 + 社交分發權重 + 各種演算法產出權重

將任意一個權重設定為1，其他部分設定為0，演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，演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，只要演算法應用的不太差，基本上引入演算法分發一定是正向。因為它在有限的貨架裡，圍繞使用者展示了無限的貨品。

在業務層面，我們通常會複合型使用三種分發，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、使用者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，推薦給使用者今日讀書會上新了什麼大咖領讀的書籍。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，但當你進入使用者的場景時，就發現有點差異：首先，使用者不是每天都來的。如果他一週來一次，在他沒來的這一週內同樣有文學、網際網路、藝術等專業人士的領讀，你該給他的是今日推薦，還是本週推薦呢？進一步考慮到使用者偏好問題。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註了“想讀”的一本藝術類書籍的解讀呢？

當我們收集到了足夠多使用者資料的時候，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，結合資料的反饋來對內容進行調整：內容的播放完成率為什麼低？是稿件問題，還是領讀人語音的問題，是否需要重新錄製等等。

五、演算法的價值觀

演算法有沒有價值觀呢？演算法沒有價值觀，演算法背後的人卻是有價值觀的。

因為我們最佳化推薦系統，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。

1.新使用者冷啟動:

大家可以以新使用者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。

因為新使用者是透過不同渠道獲取的，你獲取到的是怎樣的使用者，你就會推薦怎樣的內容；進一步的，基於馬斯洛需求模型，越底層的內容越有更廣泛的受眾。這就是為什麼很多小影片應用，開啟來之後，全都是白衣校花大長腿的原因了，人性爾。

2.推薦多樣性：

多樣性是另一個評估分發產品調性好壞的所在。喪失多樣性，深挖使用者的區域性興趣點，一定是短期收益最大化的。

比如我喜歡看科比，那麼你把科比的比賽影片推給我，可以讓我刷到深夜兩點；但是從一個產品的長線來看，我們需要更長久的留住使用者，而不是短期讓使用者沉迷。在短期時長和長期留存中，就依賴於產品設計者的價值觀判斷了。

如果把平臺比作一個商場的話，不同的平臺會有不同的選擇，最典型的兩種型別莫過於：自營 V.S 第三方運營。

直營商場的好處當然是體驗可控、甚至於能夠在某個特定垂類人群身上做到近乎可量化範圍內的極致。由於其收取的是商品流通中的利潤，所以在短期內可以攫取巨大的紅利，並用這些利潤去給商場自身打廣告，做新客獲取。

開放給第三方運營的商場，其好處當然是供貨商的靈活性和多樣性，商場賺取的是房租而非商品流透過程的利潤。一個常見的問題是：這種完全開放給第三方運營的商場是否會使用者體驗崩塌，比如會有各種在商場入口發小廣告的，以各種圖謀短線的方式來吸收商場的流量。這就是區域性失控與全域性可控的關係。

七、資料驅動自媒體迭代

站在自媒體的角度，又該如何面對平臺？如何應用資料驅動的方式，更加目標導向的面對不同平臺呢？

首先，自媒體面臨的問題是平臺選擇。

由於不同的平臺有不同的分發規模和不同的發展階段，所以，更應該選擇適合自己品牌調性的平臺，選擇符合自己長線商業化變現角度的平臺。要區分清楚，哪些平臺是叫好不叫座、哪些平臺是叫座不叫好。

但對於承接品牌廣告的自媒體而言，其利潤更多的和內容的傳播量有關，在傳播量導向的角度來看，就應該更多的選擇和自己品牌調性相符的、哪怕是一些垂直類的內容分發網站。透過彙集全網各平臺的流量，來實現自己對廣告主的全網閱讀量（播放量）的承諾。

因為每個平臺的投入都需要牽涉到運營人力，所以如果一個平臺的投入產出比不能夠達到預期，就應該主動止損，避免進一步的資源投入。

在自媒體確定了自己選擇的平臺之後，就需要深究不同平臺的分發特點，來進行針對性的運營從而提升自己在相應平臺的曝光量。常見的三種平臺：編輯分發、訂閱分發和演算法分發平臺。

1.對於編輯分發平臺

最快速的方法一定是維繫好和平臺的關係。因為在這樣的平臺上，其推薦位置都是人工分配的，更好的編輯關係能夠保證自媒體有更好的流量曝光。在編輯分發的平臺上，時不時的會有相應的官方活動、積極地配合官方導向，就能從流量傾斜政策中獲取紅利。

2.對於訂閱分發平臺

做粉絲，做垂直品類粉絲是不二法門。藉由微信，其實大家能夠看到一些常見的誘導分享的手段。由於微信是一個規定行業下限，而非設定上限的開放式環境，所以在這樣的平臺上進行運營，首先需要保證自己有足夠高的敏感度，對於一些新的傳播形態可以及時跟進，從而最大化的獲取時間差的紅利。

3.對於演算法分發平臺

儘管平臺關係維護和粉絲數積累都需要，但是最需要投入的還是對於內容的包裝。因為你的內容不僅僅要抓住人的眼球，同時也要能夠對機器演算法的胃口，透過研究過往一段時間的平臺熱門關鍵詞，能夠給內容的標題封面包裝提供一些借鑑。

不同平臺上的不同運營方式，本質上還是一個數據驅動，目標導向的過程，以下進行更細粒度的拆解。

他山之石可以攻玉，首先和大家介紹的是在國外，將資料分析指導內容生產做的非常極致的BuzzFeed。

員工總數逾千人，擁有全球新聞團隊、自家影片製作工作室、尖端資料運算中心和內部創意廣告機構，每月全網超過50億次閱讀——這就是BuzzFeed，怎麼看都是一個龐大的媒體集團。

然而，當我們深入瞭解BuzzFeed的工作流程後就會發現：與其說它是一家媒體公司，不如說它是一家科技公司。

“資料驅動內容創作”

這是BuzzFeed給自己貼上的標籤。

在這家公司的內容創作和分發過程中，反饋閉環（Feedback Loop）是出現頻次最高的術語：透過將市場環境和讀者反饋資料儘可能的量化和結構化，及時反饋給運營人員、內容編輯，從而構成了輔助創作的一個閉環。

由於很早就樹立了“將內容分發到使用者常駐的平臺，而非吸引使用者到自己的平臺看內容”的思路，YouTube、Facebook，Twitter、Vine等一眾平臺都成為了BuzzFeed的戰場。為了更好的理解使用者反饋，BuzzFeed追蹤收集並彙總了各個平臺上的閱讀傳播和互動資料。比起閱讀量、分享量這些結果指標，其更關心內容分發和傳播的過程。

以下圖為例：如果只看終態資料，那麼報表展示給你的無非是一篇內容從不同的平臺渠道上獲取了多少流量而已（下圖左）。但是深究下來，這些流量是如何來的呢？是透過Facebook或Twitter上的分享，還是透過郵件的傳播？哪些節點帶來了更大的輻射量和擴散量？只有深入分析傳播路徑，才能給出這個問題的答案（下圖右）。

不止於結果， BuzzFeed開始探究一篇內容的傳播軌跡，他們開了一套名為Pound（Process for Optimizing and Understanding Network Diffusion）的系統，透過給同一頁面的不同分享追加不同引數的方式，來追溯內容在網路上的傳播過程。

透過這套系統，人們意識到：傳播並不是一棵簡單的傳播樹，而是一片密集的傳播森林。

每一次分享都構成了一棵新樹，如果一個人的社交好友很多，那麼這個節點的一度關係觸達就會很廣；如果內容的質量一般沒有引發進一步的傳播，那麼就會止步為一棵低矮的樹；如果內容引發了大量的傳播，就會變為一個繁茂的大樹。

由於社交傳播對於內容的影響力貢獻巨大， BuzzFeed在衡量內容價值時，會更看重社交分享所帶來的閱讀量，並以名為“病毒傳播提升係數（Viral Lift）”的指標來衡量這一過程。

對於粉絲已經超過百萬、內容閱讀篇篇10W+的自媒體大號來說，這一衡量指標的制定不難理解：如果一篇內容的閱讀構成主要來自於自己的粉絲，那麼就意味著粉絲們更有可能是基於慣性開啟的，但是由於內容並沒有觸及到它們的興奮點、沒能引發認同，從而失去了進一步擴散傳播的可能，也失去了觸達更多潛在粉絲的機會。

對於BuzzFeed而言，在相近的總閱讀量下，一篇“病毒傳播提升係數”更高的內容，因為收穫了更多的社交傳播而變得更有價值。有了技術追溯的支援，內容團隊才能夠總結出不同平臺之上的內容偏好和病毒傳播模式。

人們往往會誇大BuzzFeed的內容三把斧“清單體、短影片和小測驗”，卻忽視了在這些內容背後更深層次的資料支援。

具體到我們日常的內容閱讀分析和粉絲分析過程當中，有哪些可以供分析注意的資料？

對內容分析來看，可以分為一次開啟和開啟後的體驗。

影響內容一次開啟率最直接的因素有兩個：活躍粉絲量和內容包裝。

無論是粉絲分發平臺還是推薦分發平臺，活躍粉絲量都會影響內容展示的基本盤，只是傳導係數不太一樣罷了；對於粉絲分發的平臺，你有多少活躍粉絲就意味著有相應比例的基礎展示量；對於非粉絲分發的平臺，你的活躍粉絲量會被視作你在平臺上的貢獻程度和受眾情況從而影響分發權重。同樣的一篇內容，10萬活躍粉絲的賬號釋出一定比1萬活躍粉絲的賬號釋出會獲得更大的基礎展示量。

對於標題，我習慣於引用咪蒙的觀點：

“不能在一秒鐘看明白的標題，不適合傳播，不是讀者理解不了，而是他只能給咱們一秒鐘。”

在咪蒙的工作方式中，她會把當天寫好的內容發出來，交於自媒體小組的員工開始取標題。15-20分鐘內，每人至少取5個標題。這樣，每一篇內容背後，都有近100個標題！咪蒙隨後會從中挑出5-6個標題，放到3個由使用者顧問群裡投票（每個顧問群都有人負責統計票數）。 咪蒙會參考最終的投票結果，決定用哪一個標題。這種方式，其實就構建了一個最樸素的AB系統來驗證標題對於內容一次開啟率的影響。

為了便於比較，我們通常計算一次開啟率而非開啟量。

對於粉絲分發平臺：

一次開啟率=閱讀量/粉絲量

對於推薦分發平臺：

一次開啟率=應用內閱讀量/推薦量

一次開啟率對於不同分發模式的平臺有不同的意義：

在粉絲分發的平臺上，一次開啟率能比閱讀量更好地衡量自媒體賬號的價值。為了保證更高的一次開啟率，需要更科學地獲取精準粉絲、重視粉絲群體的互動維護，使得自身始終能夠保持較高的粉絲觸達率。對於推薦分發平臺，一次開啟率考量了自媒體對平臺分發特點的認知和對內容包裝功力。一次開啟率（推薦點選率）高就意味著具有成為爆款的可能。甚至會收穫比粉絲分發平臺更大的閱讀量。八、閱讀體驗

如果說一次開啟代表了上門推銷人員成功敲開了使用者的房門，那麼閱讀體驗衡量的就是使用者是否會為這次推銷最終選擇買單。

想要衡量消費體驗，內容的消費比例是一個重要的指標。

對於圖文來說這個指標是平均閱讀進度和閱讀速度；對於影片來說是播放進度和播放時長（因為使用者會有快進的行為，所以100%的播放進度並不意味著100%的播放時長）。平均消費比例越高，代表使用者的認可度越高、消費體驗越好。

粉絲增長分析，就是圍繞有變現價值粉絲算的一筆賬：如果一個粉絲能給自媒體帶來5塊的淨利潤，那麼花低於5元的成本來購買這個粉絲就是划算的。

首先，引入三個概念——LTV、CAC和ROI

首先，現身說法，舉一個親身犯下的“人傻錢多”的蠢事：

15年初，微信朋友圈集讚的路數還很火熱，我們也不能免俗，搞了三場集贊有禮的活動。三場集贊有禮的活動，表面上看起來一面光鮮，各種指標在活動日都有顯著的提升。但是興奮過去之後的分析，卻讓人笑不出來了。三次活動中，發起活動的老使用者重疊度越來越高，帶來的新使用者越來越少，同時，新使用者的次日留存情況也越來越差。

於是，我們開始反思使用者為什麼要參加集贊有禮的互動？唯利爾。

想要提升使用者增長的ROI，就必須降低新使用者中非精準使用者的比例，從而拉昇渠道使用者的LTV，降低使用者獲取成本CAC。

新一期集贊活動的禮品是凱叔西遊記第二部的部分章節收聽權，每個使用者只需要拉5個使用者就能獲得。因為是虛擬產品，CAC得到了顯著降低。而兒童故事音訊跟微信賬號捆綁只能自用，使用者如果不是真有需求就絕不會參與活動，從而提升了新增使用者的精準程度。在後續的此類活動中，我們都有意識的對禮品的形態進行了控制：實物禮品用於鼓勵已有的活躍老粉絲，虛擬禮品用於啟用和拉新。

運營微博、微信這樣的平臺，我們很容易沉迷於追求短期粉絲數字的飆漲而舉辦各種活動。某些活動拉新從CAC的角度看或許是划算的，但深究其所帶來的真實活躍粉絲，就往往會發現ROI遠遠小於1，充其量只能算是一次展示廣告曝光，做了一筆又一筆的蝕本生意。

對於付費增粉渠道，每隔一段時間暫停一些，比較渠道暫停前後自己粉絲量的增長情況和粉絲閱讀佔比、線上活動粉絲參與量情況，建立起對付費渠道更清醒的瞭解。

透過資料分析的方式，能夠讓我們更加清醒的審視內容創作的消費性好壞，粉絲積累的價效比高低，從而以更經濟的方式提升自己的增長速度。

既然說內容演算法時代，如何引爆流量，那麼我們就得看演算法的精細度。演算法分類跟演算法對使用者的關係是如何的，我覺得今天演算法確實帶來了便利跟減少使用者閱讀時間，但是弊端在於使用者容易在某個領域浪費更多的時間。演算法跟引爆流量真的在我看來沒有太大關係，引爆流量最終還是得回到內容，而不是演算法！

內容演算法時代，如何引爆使用者流量

先來說說演算法，再說說如何引爆流量

 

在當今內容演算法的時代，資訊行業重新進入了一輪發展的快車道

演算法是什麼？

演算法就是根據使用者的性別、年齡、自定義、訪問資訊類別、需求傾向等特徵，來給使用者推薦特定的資訊內容，投使用者所好，送使用者所要。

 

從某種角度分析演算法有兩個層次：

1、使用者消費時長、活躍度和粘性有了極大提升，瀏覽資訊也成了一件讓人“上癮”的事兒，如同吸食精神鴉片後所獲得的心理上的舒適感，刷到停不下來

 

2、演算法也助推內容產業進入“黃金時代”，從全民消費到全民生產，演算法的“神奇”之處就在於，任何內容都能找到特定的目標受眾，極大地降低了內容的准入和生產門檻。

 

 

而內容演算法也在面臨的優劣情況：

1、內容困局：演算法推動了內容產業的“繁榮”，但從內容質量上講，很難說水平也是處於上升狀態。雖然資訊平臺沒有主動去鼓勵低俗、虛假內容的生產，但演算法卻客觀上造成了這一結果

 

2、技術難題攻關：人工推薦時代，演算法時代在技術層面已經有了質的飛躍，投入產出比更高、覆蓋面更廣、個性化程度更高。不過，演算法依舊沒有足夠智慧到讓使用者完全“舒心”

 

3、流量滿天飛的時代：任何新興網際網路領域，都需要面對這樣一個殘酷的現實：過了流量紅利期後，如何應對使用者資料增長放緩的困境

 

 

總而言之對於演算法平臺而言，當下最為急迫的，就是找到技術、商業和價值體系間的平衡點。僅僅依賴機器和演算法，是完全不夠的

 

 

再者就在這種演算法的時代下，如何才能去引爆流量的觀點

 

1、貨源：貨源的選擇要是你熟悉或者熱愛的，這樣才能做得專業。比如你自己從事食品行業多年，那麼這是你的優勢。如果你是個動漫達人，對動漫產品充滿熱愛，那麼就去做吧。不要開一家賣你你不瞭解和一點都不喜歡的，只是據說能賺錢的店

 

2、定位：不管你要引爆何種的流量，一定要明確的是自身的定位，只有明確好了自身到底要坐什麼樣的產品，確定位區之後，才能進行下一步的統籌規劃。總不能在自己一頭霧水的時候就想要引爆各種流量

 

3、佈局與資料運營：對於商品的佈局和安排

（1）我們確定寶貝的數量控制在20個左右比較好，這樣有利於你去最佳化你的寶貝標題以及主圖詳情頁，合理的安排上下架時間，例如：上午十點半，下午三點半，晚上八點半這幾個流量高峰時段；

 

（2）安排價格佈局，例如：低價進行引流，平價進行留客，高價進行盈利等等一些基礎的方案進行運營，

 

（3）根據你寶貝最佳化的情況進行資料的鋪墊，親可以選擇先從人氣開始操作，例如：寶貝的收藏加購資料等；做完人氣之後就可以操作一些銷售數量以及買家秀好評資料，相信這個大家都是明白的，已經是行業的公開秘密了，做好了這些某些權重比較高的單品就會自然的展示出來，你可以根據單品的曝光情況去推廣你單品起爆的一個過程和節奏

 

4、付費推廣和站外引流

 

5、專業運營分享：也可以在網路上請教或者諮詢各個行業比較權威的人物，從他們身上取取經，畢竟好的方法是成功的一半

 

 

對於標題，我習慣於引用咪蒙的觀點：“不能在一秒鐘看明白的標題，不適合傳播，不是讀者理解不了，而是他只能給咱們一秒鐘。”

在咪蒙的工作方式中，她會把當天寫好的內容發出來，交於自媒體小組的員工開始取標題。15-20分鐘內，每人至少取5個標題。這樣，每一篇內容背後，都有近100個標題！咪蒙隨後會從中挑出5-6個標題，放到3個由使用者顧問群裡投票（每個顧問群都有人負責統計票數）。 咪蒙會參考最終的投票結果，決定用哪一個標題。這種方式，其實就構建了一個最樸素的AB系統來驗證標題對於內容一次開啟率的影響。

為了便於比較，我們通常計算一次開啟率而非開啟量。對於粉絲分發平臺，一次開啟率=閱讀量/粉絲量；對於推薦分發平臺，一次開啟率=應用內閱讀量/推薦量。一次開啟率對於不同分發模式的平臺有不同的意義：

在粉絲分發的平臺上，一次開啟率能比閱讀量更好地衡量自媒體賬號的價值。為了保證更高的一次開啟率，需要更科學地獲取精準粉絲、重視粉絲群體的互動維護，使得自身始終能夠保持較高的粉絲觸達率。

對於演算法分發很多人會有所誤解，這或許源自遠觀而缺乏瞭解，才會覺得演算法猛如虎。而當你走近了演算法分發，有了一定的瞭解之後，可能會有重新的認知：演算法如虎，細嗅薔薇。

運用資料探勘與內容故事相結合製造一個引爆點。

用平臺數據挖掘使用者，對哪些內容感興趣，如透過平臺數據知道使用者的個性標籤、個人品味、生活情趣，共同的興趣偏好等。要了解平臺帶給使用者的價值和吸引的地方。哪些使用者喜歡看影片，哪些使用者喜歡看資訊，哪些使用者喜歡看圖文等等，根據使用者資料選擇在什麼樣的平臺來講故事、創作有價值的內容。

講一個好的故事

透過平臺的演算法推薦，根據使用者的興趣挖掘內容故事，有技巧的編制、闡述、重組故事，用自己獨特的方式說給使用者聽，用故事包裝自己傳遞的價值資訊。

根據當紅話題創造故事情景，流行主題可能是人名或事實，也可能是流行的網路語言。抓住不同時代內的主題情緒，讓創作的內容故事成為潮流文化的一部分。

與使用者真實的溝通，是雙向互動，不是單方面傳播。建立與真實使用者的連線，而不是在乎閱讀量，點贊量，積累忠實的粉絲。擁有好的口碑，讓使用者願意分享與他們相關有價值的內容，讓使用者人群撕掉地域、年齡、和文化背景而聚合成新的社群力量，創造一個勢不可擋的引爆點。