作者評分模型:刺激用戶,獲取高質量內容

不懂技術怎么做產品?15天在線學習,補齊產品經理必備技術知識,再也不被開發忽悠。了解一下>

對于一個資訊平臺來說,優質內容是核心中的核心。筆者就通過分析兩個評分模型成功案例,說明了數據模型的效果與重要性,向我們介紹一個可以刺激用戶,源源不斷提供高質量內容的模型——作者評分模型。

如果將平臺比喻成病人,我們為“病人”診斷、治療有以下幾種方式:

  • 打點滴——渠道拉新:療效快,立竿見影,能夠保證新流量入駐,不但可以增加DAU,同時能帶動各業務線數據增長。
  • 吃藥——用戶運營:見效慢,以調理為主,提升用戶留存,增加用戶粘性,從而提高轉化率。
  • 手術——內容運營:根除病癥,真正做到強身健體,內容強則平臺強。

而對于一個資訊平臺來說,優質內容是核心中的核心。

今天就向大家介紹一個可以刺激用戶,源源不斷提供高質量內容的模型——作者評分模型。

在做模型之前,咱們要想清楚一個問題,作者評分模型是干什么用的?

如果只是為了給用戶打分而打分的話,大可不必做這么復雜的模型,最原始暴力的看PV和UV就可以解決了。我個人理解,作者評分模型分以下幾個作用:

  • 綜合評價作者(自媒體)
  • 激勵作者輸出更多更好的作品
  • 針對作者不同屬性,精細化運營

僅從文章消費角度的PV和UV來認定一個作者的好壞,是一種很片面的做法,因為有些“標題黨”會得到更高的分數。

可以試想一下,標題為《二手特斯拉僅需20萬》的文章,對于想買車的讀者來說誘惑力有多大。

但讀者點進去,往下拉,再拉,拉到底下也沒看到在哪里能夠買到20萬的特斯拉,讀者一臉黑人問號的同時,有抄起板磚拍作者的沖動——這就是典型的標題黨。

若僅從PV、UV角度來看,也顯得不那么公平,但如果加上新增粉絲數、點贊數、完度率、評論數等因素綜合評估的話,那么標題黨就不會那么吃香了。再加上反作弊指標,作弊刷量作者便無處遁形。

在講模型之前,我們通過兩個家喻戶曉的游戲(評分模型成功案例),來分析如何刺激用戶提供更多、更高質量的游戲(作品)。

下圖和平精英(刺激戰場)及王者榮耀總覽圖,紅框部分為某用戶該賽季的排名或評分。

和平精英總覽圖

王者榮耀總覽圖

兩款游戲的賽季排名以百分比的形式展現,并附有段位的劃分和隊友點贊等,能夠激勵玩家不斷提升自我。

馬斯洛需求層次理論的金字塔的倒數第二層便是尊重,每個人都希望自己努力的成就被別人認可,在尊重得到滿足后,便使人充滿對某件事物的信心,進入良性循環,從而享受在某一領域獨特的價值。

我相信當有人說我這哥們是王者,全服前1%的時候,應該是最滿足的時刻。

和平精英詳細數據圖

王者榮耀詳細數據圖

如果說總覽圖是讓用戶一眼能夠看出好壞,那么詳細數據就是要告訴用戶哪些方面可以提高。這樣一來用戶可以對癥下藥,提升質量。

在游戲里中體現的是更多玩家打出質量局,若在作者體系中,就是輸出更高質量的文章。由以上兩個游戲案列,我們引出今天的主題--——作者評分模型。

一、模型概述

我先把成品給大家展示一下,讓大家對這個模型有個初步印象,接下來再具體講解細節。

作者評分總覽圖一

作者評分總覽圖二

簡單的講,模型是通過算法頁的不同變量(指標),對作者進行標準化打分,再根據各項指標不同的權重,匯總一個總得分,各項指標可以向下拆分一級、二級或更多級指標。

在樣例模型中:

作者總得分=質量得分*權重1+互動得分*權重2+消費得分*權重3+發布得分*權重4+附加項得分*權重5

有人會問,影響力得分為什么要用開根號乘以100呢,我們先來看一下開根號乘以10,如下圖所示:

令f(x)=sqrt(x)*10,(0≤x≤100),x為作者總得分,把x經過f映射后,好處有以下幾點:

(1)f(x)是單調上升的,映射后仍保留原序,保證了公平公正

(2)f(36)=60,及格萬歲!

(3)f(x)為凸函數,原分數越低,得到的補償分數越高如上圖,原始分數在20分時獎勵25,原始在60分時獎勵17分,而80分時只獎勵9分。

大家應該恍然大明白了,這么做主要以積極鼓勵作者為目的,同時也不改變全局排序,最后在乘10的基礎上稍作改動乘以100沒有別的意思,就是顯得分數更多而已。

欲問我為什么知道此“大法”,要追溯到高中時期的化學期末考試,當時的我慘目忍睹得考了49分,本以為要補考的我,最終被開根號乘10大法拯救,以至于沒有完全放棄對化學這門課程,拿到最終分數的我大喊了一句“開根大法好”!

二、模型算法

納入評級庫標準

(1)所有媒體庫中的作者

(2)數據異常無法獲取正確信息的作者不參與評分

打分方法

(1)各項一級指標、二級指標在0到100分范圍內打分,無及格分數線。

(2)對于可獲取數據的定量指標,采用標準化的方式打分;若數據量級相差較大,可以先取對數,再進行標準化(減小量級差異造成的影響)。

以文章瀏覽得分為例:

其中,

(3)附加項加分,正向指標,如個別數值表現突出,超過預設值的5倍,則給與額外加分,比如點贊數預設上限值為800,當有作者得到4000以上的點贊時,我們會考慮額外加分。

(4)附加項減分,反向指標,當發現有作者作弊時,情節輕者扣分警告,惡劣者刪除作者號。作弊可通過第三方軟件和算法識別出來,反作弊反欺詐會在今后單獨寫一篇文章介紹,下面只是簡單的介紹一下作弊的類型。

  1. 用戶IP異常,包括請求次數與地域異常
  2. 手機設備被篡改或者安裝高危軟件
  3. 存在一個賬號多個設備,或者一個設備多個賬號
  4. 特定時間,訪問量出現激增情況

不要小看作弊這件事,這會嚴重影響體系的平衡性,質量差的文章通過刷量占據TOP榜,那么推薦算法就會增加該文章曝光度,讀者便會看到低質量的文章,久而久之,會造成作者與讀者的流失。

權重確立方法:層次分析法(AHP)

層次分析法是一種常見的權重分配法,這里就不多贅述了,想了解AHP算法的朋友可以看一下本人的另一篇文章《如何用更少的錢,帶來更優質的量?渠道質量評估模型|一文通透》,在網上也可以找到免費的層次分析法軟件,非常實用。

簡單的概括AHP層次分析法,就是用科學的方法確定權重,拒絕“拍腦袋大法”。這樣便有了如下圖,一級指標權重。

一級指標圖

二&三級指標篩選(聚類)

1. 盲選:將根據經驗得到的、現有的備選聚類變量全部納入模型,暫時不考慮某些變量是否合適。

2. 貢獻量分析:通過方差分析,觀察分類是否存在顯著差異,踢出對模型聚類沒有貢獻的變量。

3. 相似矩陣分析:輸出相似性矩陣,對相關系數進行分析,若兩變量相關系數接近1,說明兩個變量可以互相替代,踢出一個變量以達到降維目的。

4. 通過上述3步對變量進行篩選,既能踢出貢獻度較低變量,又將相關性強的變量進行整合,最終輸出相互間屬性獨立的變量。各項二、三級指標的權重也參照一級指標一樣,層次分析法進行權重分配,最終得到指標骨架圖,如下圖所示。

模型指標骨架

模型指標骨架圖

骨架填充與BI展示

將數據填充到骨架中,再按照自己想看的維度去做相應的BI展示,本文按周和月對作者進行評級,也可以按照日為維度進行監控。接下來的第三章講解模型的應用。

三、模型的應用

這一環節主要介紹模型的應用。

俗話說得好,不能將模型落地執行的需求都是在耍流氓。

模型好么?好!怎么用?不會!那就是一種資源浪費,數據分析師的價值就是用數據推動業務。廢話不多說,來看一下模型如何應用。

應用場景一 排名獎勵促生產

每月對影響力進行排名,根據排名TOP100的自媒體和用戶,按照排名梯度給予額外獎勵,刺激用戶多發文章,發好文章。

應用場景二 熱度征稿獎勵

除了一些自由文章外,還需要做活動引導作者發表熱門文章,比如以“國五國六排放標準的汽車如何選擇”為主題的文章,貼合現階段市場行情,更容易吸引用戶的眼球;

還有類似新車搶先評測獎勵,在大多數人還處在購車猶豫階段,一篇新車搶先報可以解答用戶的疑難雜癥。

文章寫出來,我們便可通過模型對用戶進行綜合評價,避免標題黨的情況出現,同時作者也會獲得模型加分項的加分和活動的雙重獎勵,促使作者輸出讀者想要的熱門文章。

應用場景三 裂變拉新

文章還能拉新?

當然能!

其實這里面就用到了互動得分,將模型里互動得分高的文章篩選出來,作為裂變的種子,通過種子用戶進行傳播,達到裂變拉新的效果。

應用場景四

Know your customer,知道你所運營的作者是啥屬性,一般一個內容運營手底下有許多作者,根據模型判斷。

如果作者屬于“沉默是金”類型,出品頻率雖低,但只要出品必屬精品,那就引導作者提高頻率或者轉變熱門話題。

若屬于高頻低質量的“口水文”,那么有必要來一波質量提升。如果是作弊用戶,那就“拜拜了您內,不送!”該應用主要是針對作者屬性,精細化運營。

此模型的優勢之處在于綜合評估作者,而且還能將作弊之人“繩之以法”,在了解你的作者和讀者基礎上運營,必將事半功倍。實際上,該模型的玩法還很多,我們等待更多內容運營大神腦暴,以發揮模型最大價值。

四、模型的拓展

該模型不只局限于作者評分,還可以做渠道評估、活動評估、用戶質量評估、用戶積分評級系統等等。把相應的指標替換,賦予相應權重,便可套用此模型。

渠道評分模型

用戶評分示例

至此,整個模型流程已經介紹完畢,后續還有多種分析方法以及策略,在這里只是拋磚引玉,就不多贅述了。最后我們就把今天分析的過程捋一捋:

流程魚骨圖

  • 模型確立
  • 納入數據庫標準確立
  • 打分標準確立
  • 權重計算
  • 變量指標篩選與調試
  • 結果展示
  • 運營并制定策略

今天給大家介紹的作者評分模型就到這里,文章里埋了個伏筆,就是用戶反作弊反欺詐。

互聯網的作弊行為還是相當嚴重的,如果無法排除這些用戶及其行為,會給模型、運營策略等造成很大的負面影響,錯誤的數據、高效的執行便是災難。今后會和大家分享反作弊心得,敬請期待。

寫在后面:希望這篇文章可以幫助廣大的運營人士,也能夠讓用戶了解平臺運營方式,同時歡迎同行與愛好者一起交流學習,提出您寶貴的意見。

 

作者:姜頔。碩士畢業于日本早稻田大學,前人人貸高級數據分析師,現易車網數據分析專家。主要負責數據運營和用戶增長。

本文由 @姜頔 原創發布于人人都是產品經理。未經許可,禁止轉載。

題圖來自Unsplash,基于CC0協議

給作者打賞,鼓勵TA抓緊創作!
評論
歡迎留言討論~!
  1. 開根號大法能夠在不影響函數性質的狀態下,讓增長速率變小,這一步是很巧妙的。

    回復
    1. 對的,更能照顧分值低的作者,避免低分打擊作者積極性~~

      回復
  2. 可以和您申請加個微信么

    回復
    1. 可以的,您可以去鳥哥筆記搜索姜頔,然后有我個人微信號~~

      回復
  3. 謝謝,非常實用

    回復
    1. 謝謝您得肯定~.~

      回復
  4. 關注了,非常有價值

    回復
    1. 謝謝您的肯定

      回復
  5. 確實很受用,閱讀完之后收益良多。如果可以,希望您可以產出一篇文章,就是說明在不同的場景下適用于怎樣的推薦算法,這是我的一個請求。十分不好意思。

    回復
    1. 好的,我會考慮加到后面的文章里,敬請期待~~

      回復
    2. 十分感謝您了,做產品快兩年了,十分期待您的“干貨”!

      回復
  6. 之前你寫的幾篇現金貸的文章看不到了呀?想再次拜讀一下

    回復
    1. 網貸之家里可以還能搜索到

      回復
  7. 這個開根大法真是實用,避免給作者打分過低,影響作者積極性

    回復
    1. 是的~~盡量以鼓勵為主,但又能保證整體排名不變

      回復
  8. nice。 :twisted: 第1個收藏的是我。

    回復
    1. ;-) ;-) ;-)

      回復
彩票开奖接口怎么接