有时候，不同的角度或身份可以让我们看透不同内容背后的逻辑。 比如短视频内容的背后，当你从内容策略和产品的角度来看，你会发现背后其实是标签和数据系统的构建。 逻辑。 具体怎么理解呢？ 我们来看看作者的解读和分析。
我们在日常阅读小红书的时候，有时只是觉得内容很好，对特定目标群体有价值。 如果从内容策略和产品的角度来看，其背后是标签和数据系统的构建逻辑。
在这个命题中，短视频的基础内容体验是过程，为谁提供体验是服务目标。 用户和内容本质上是两种完全不同的类型，需要通过一个能够很好地服务于目标的流程来实现。
1.什么是内容？
通常来说，短视频内容池中，基础内容可以简单理解为平台内支持最多DAU消费vv的内容。 具体到各个平台不同的内容形式，表现可能会不一致。 如果我们细分平台上DAU的增长情况，vv的形式基本上可以表达70%的DAU趋势。 因此，在当前的平台上，我们使用vv（视频视图）来描述平台上内容的呈现。
2.什么是好的内容体验？
回到定义，vv是表达基础内容的交换数据，所以良好的基础内容体验直观上就是能够带来持续的vv供给的内容。 如果说一个策略必须有一个北极星作为指标，那么vv可以被视为内容体验的北极星指标，它至少满足以下四个属性（可量化、可执行、可监控、可分析）。
那么vv持续增长就一定是好事吗？ 如果我们真的想废除这个定义，我们就必须回到好内容的本质问题：内容多样性、可持续性和安全性。 随着vv的不断成长，内容需要足够多元化，输出多元化内容的可持续性也需要不断加强。 同时，输出的内容必须维护平台的底线。
1、如何量化？ 上面提到的基本内容体验？
通过持续监控投稿，创作者会从平台渗透率、日均投稿量、流程指标等方面关注与投稿相关的曝光、互动、分发情况。
2. 安全性
看过滤，主动过滤看率，被动过滤看报告渗透率。
3. 多样性
多样性是目前任何平台的主要任务。 如何提高多样性，如何量化多样性，需要不断练习内功（内部指标）以及横向比较各内容类别在其他平台的占比。
向内看，如何抓住内部生态，通过流量控制也可以帮助我们探索多样性的缺失，比如定期开放AB，观察当某类内容供给比例减少时，用户消费时长是否会增加/增加。 增加/保持不变？
向外看，横向比较不同品类下各平台的内容质量和内容分发量。
以上是我们思考好内容的一些重要参考，但话说回来，内容生态本质上是围绕用户提供的，最终的评价视角必须回归到目标群体。
这里大家可以想一想，如果我们要给在线用户提供基础的内容，我们应该怎么做呢？ 在回答这个问题之前，我们首先要探讨一下用户类型。 遵循内容标签和数据拆解的思路，用户本身就是平台给出的定位用户的载体。 从内容分发的角度来看，这些实体更深层次上是数据和标签。 如何拆除它们？ 这些标签？
3.我们通常将用户标签分为描述性、计算性和预测性类型。
描述性类型：表达用户使用平台过程中产生的客观数据信息。
按照数据来源的方向，可以细分为：设备信息、用户基本信息、行为数据。 设备信息：设备型号、IMEI、常用登录WiFi、IP等； 用户注册手机号、用户名、平台ID。行为数据：消费内容数据、交互数据、搜索数据、关注数据
计算型：经过数据处理和分析，得到大致描述平台用户特征的数据。 时间相关：月消费天数、日使用时长、日互动次数、关注度、粉丝度、日消费金额。
预测数据：本质上生成的是平台通过预测规则产生的反映用户画像的标签。 具体标签可以按照类别来划分：猫、人文风景。
按照表现类型的类别，还可分为：纪实类、育种类、萌系类、萌系类。
根据预测可信度，可以在每个标签后给出预测值，并从0-1区间进行分类。 可信度得分是通过用户在平台上的行为获得的，例如用户的浏览历史记录、给他人分享过的记录； 与该用户高度相似的其他用户浏览过； 浏览过相同内容的用户已浏览并分享过该内容。
那么我们从预测数据中可以得到的结果是：用户A在萌猫标签中的关联可信度为0.98。 这就可以解释为什么我们打开抖音看到的内容都是我们比较喜欢的内容。
以上就是从用户行为标签上讲的取悦用户需要付出的努力。
4.GID介绍
那么这里就会出现一个问题。 如果所有在线用户都使用这种方式，算法的压力就会不堪重负。 如何实现简单高效的分发逻辑，保证基础内容的消费者快速、精准地触达目标用户？ 呢绒？ 这里需要引入GID()的概念。
它是一个虚拟的概念，相当于聚合相似的在线内容和相似的用户。 引入GID的概念可以有效快速地将目标用户与目标内容关联起来，快速试错，快速调整推荐方向。
比如最近网上出现了一些新的内容形式，这些内容得到了70后的大量转发和点赞。 如果复用在线推荐流程，我们可以先拉动满足70到70之间相似度高的GID的10%的流量。事实证明，这类内容的消费在短时间内变得非常流行。时间，以便可以快速切换推送视角。 我们推荐的那些与70年代出生的人高度相似的政府GID也可以提出类似的建议。 那么这样的信息流就可以轻松实现平台“基础内容热度高”的目标。
以上介绍的都是推荐端的基本常识。 如果我们建了这套货架，是不是就可以高枕无忧了呢？ 但无论如何，流量也是有上限的。 当我们所有的基础设施都到位后，我们面临的问题将集中在“持续活跃用户”和“召回流失用户”上。 这两个命题实施起来困难的主要原因是，大刀阔斧的工作已经达到了80分，而具体的策略还有待探索。 如果具体的战略也要做成一个完整的战略环节，动力和效益就会受到影响。 挑战。
5. 面对这些问题的常用策略
以上只是内容本身。 但现阶段各大厂商都在做聚合，所以仍然需要回答的问题是：从能够最大限度满足目标群体满意度的基础内容来看，我们需要分配多少流量给用户创作、内容分发、本地生活、企业广告？
除了决策层面的意见输出外，回答这个问题本质上还需要回归到其背后的数据和标签，但这些数据标签需要更详细的拆解。 比如刚才提到的服务目标群体的量化，除了现有的基本内容的价值和频次之外，还需要引入一个价值因素，即服务对象的实际消费潜力。用户。
消费潜力本质上是标签的预测能力。 后续我们将从商业角度详细介绍消费潜力的拆解。
好了，今天的主题就讲到这里吧，不管如何，能帮到你我就很开心了，如果您觉得这篇文章写得不错，欢迎点赞和分享给身边的朋友。
