0基础新人必看:如何通过数据分析文章质量?3步就搞定!| 学方法

2019 年 6 月 27 日 三节课



文&编辑:司林


大家好,我是三节课的新媒体实习生,司林。刚刚入职三节课2个月,目前主要的工作就是负责协助小姐姐运营三节课这个公众号。

 

这是我的第一份实习工作,也是第一次参与运营公众号。所以,当小姐姐让我帮她拉一下最近的数据,分析一下公众号的运营状况时,我一下子就陷入了困境,不知道该从哪里入手,也不知道怎么分析才能得出一些正确的结论。

 

为了帮助我快速掌握这些技能,小姐姐让我先去学了一下我们的《新媒体运营P1系列课程》,这门课程中有专门讲了一些关于数据分析的方法。


对于新媒体运营来说,无论是在微信、抖音还是其他平台,学会通过数据去分析账号的运营状况以及内容的质量都是一项必备技能。刚好最近我学完了课程也在实践,今天,就把这套方法分享给大家,希望可以帮助到大家!

 

PS:这套方法属于新手入门级别,比较适合0-1岁的新媒体新人学习。


在文章发布后,我们常常会面临以下问题:

  • 想通过数据去挖掘一些东西,但往往只会看阅读量和点赞数;

  • 每天都在坚持推文,却不知道推文的质量如何,也不知道什么样的选题和内容更受读者欢迎,什么样的标题会让读者更想打开;

  • 无论阅读量高还是低,都无法准确判断出到底是因为什么原因导致的,领导在问起的时候只能含糊着回答...


大多数新媒体运营新人刚入门时,往往只注重发文的数量而忽略了文章的质量,最终导致图文打开的相关数据不佳,同时还缺少阶段性的分析总结,不知道哪方面出了问题,或者是出了问题也不知道该如何入手解决,导致工作事倍功半,进展缓慢。

 

这就需要我们学会通过数据去分析文章质量,知道问题所在后,才能对症下药,知道是该改选题方向,还是优化内容。长期通过数据反馈来调整内容策划,从而把运营工作往一个好的方向上推进。

 

不过在进行分析数据前,我们还需要解决几个问题,那就是:数据从哪来?这么多的数据中哪些是我需要的?哪些是关键数据?这些数据背后的含义是什么?


接下来,我们将会以公众号运营为例来一一解答。

 

只要在公众号发布文章,后台就会生成对应的数据,在新榜、西瓜数据、侯斯特上,也会有一些相关数据。我们可以通过这些平台获取数据,然后去分析,找到数据背后所指向的问题,从而判断内容质量的好坏并进行改进。如何利用数据分析文章质量?我们分为以下三个步骤,分别是找出关键数据、分析数据的好坏、最后得出结论。

 

看关键数据

 

什么样的数据才算关键数据呢?在订阅号后台的图文分析里,我们可以对单篇图文导出excel表格,导出后,我们可以看到如图所示的数据。

 

△ excel数据导出图


从图中我们可以看到,导出的数据很多且很详细,但缺点是数据繁多让人眼花缭乱。到底哪一些数据对我们来说是有用的数据,这些数据又反映了什么,还需要我们进一步进行分析和筛选。


在这里,我们给大家列出了7个关键数据,它们分别是:阅读量、打开率、点赞率、会话打开率、分享率、收藏率和原文打开率。接下来,我们来看看这几个数据背后的含义和所指向的问题。

 

(1)阅读量


阅读量指阅读该篇文章的人数。这个数据会出现在文章的左下角,一般我们常说的10万+,指的就是阅读量。阅读量往往跟文章的标题、选题、内容和粉丝质量有关。


在没有看到文章内容之前,标题就是文章的门面,读者在无论是通过什么渠道看到了你的文章,影响ta会不会打开的决定性条件就是标题够不够吸引人。所以,被标题吸引而愿意打开文章的人越多,阅读量自然也就越高。

 

从传播渠道来看,一篇文章在一定程度上能被看到,读者很大一部分的占比会是公众号的粉丝,除了既有粉丝的阅读量,粉丝传播也会为文章带来阅读量。


而粉丝愿意去传播这篇文章,也是因为文章的选题比较契合既有粉丝的口味,内容质量过硬,这也反映了公众号粉丝质量较高,并不是关注之后就再也没有看过的僵尸粉。

 

(2)打开率


打开率=阅读数/公众号粉丝数。与阅读量类似,打开率与你的标题、选题、内容和粉丝质量有关。文章发布后,阅读量大部分应该是公众号粉丝贡献的,但我们会发现,你的阅读量与关注人数之间有很大的差距,也就是说,并不是所有的粉丝都会打开你的文章。

 

以三节课公众号为例,我们的粉丝数在40万,每篇主图文的平均阅读量在1万左右,计算可知主图文的打开率大约是2.5%,忽略一些误差因素,也就是说,我们的原创图文的打开率要在2.5%左右或高于2.5%,才能说明这篇图文算是比较优质的图文。如果没有达到这一数值,我们也知道打开率与哪些因素有关,从而去反思文章的标题、选题、内容等。

 

(3)点赞率


微信文章在早期有点赞功能,后来改版之后这一功能变成了在看,这个按钮出现在文章末尾的右下角。


点击在看之后的文章会出现在“看一看”这一发现页里,你的微信好友可以通过这个界面看到你“在看”过的文章,同样你也可以看到你的为你好友“在看”过的文章。


这个数据可以反映内容质量和公众号的粉丝质量,因为内容优质+粉丝愿意传播可以为你的文章增加曝光率。

 

(4)会话打开率


会话打开率=会话阅读人数/公众号粉丝数。这一数据排除了其他渠道来源的阅读量,看的是粉丝通过会话窗口打开文章的这一部分阅读量来源。这一数据可以反映文章标题、选题和公众号粉丝质量。因为这一数据主要面向的人群是订阅号粉丝,而粉丝愿意打开文章,往往取决于标题和选题。

 

(5)分享率


分型率=分享人数/阅读人数,同样也可以衡量文章的内容和粉丝的质量,在阅读之后还愿意做出分享这一动作的说明内容和粉丝质量较好。

 

(6)收藏率


收藏率=收藏人数/阅读人数,与分享率同理,可以反映内容质量和粉丝质量。

 

(7)原文打开率


原文打开率=原文打开人数/阅读人数,这个数据可以反映转化效果。

 

分析数据好坏

 

数据导出并经过筛选之后,我们需要对筛选出来的数据进行分析。那么这些数据该怎么分析,我们主要是从以下三个角度来进行:


1.参考自身平均数据


在筛选出关键数据之后,我们可以先做一个内容分类,然后计算每类图文相关数据的平均值,以这个平均值作为衡量标准,对标到每个类型对应的每篇图文。


2.参考行业水平


只跟自身对比难免有局限性,这时候我们还需要跟行业的数据进行对比。在很多一些网站里会有行业数据的榜单,在这里我们可以到侯斯特进行查询。

       △ 侯斯特行业榜单图


从侯斯特的行业榜单中可以看到各行业的平均打开率、分享率和原文打开率,因为榜单对样本的选择和样本量有限,所以这些数据仅作为参考,我们可以用自己整理出来的数据去做一个对比。

 

3.参考竞品水平


知己知彼,百战不殆。有时我们也需要通过分析竞品的数据来找到两者之间的差异,这里我们可以通过新榜的查一查趋势、考拉新媒体、壹伴等网站协助(扒竞品需付费)导出竞品的数据。但要注意,对于竞品能看到的数据也只有阅读量和点赞量。


在这个过程中,我们也可以学习竞品好的文章和选题,为内容策划增加基础,去优化自己的内容。

 

得出结论


在筛选出关键数据和分析数据后,我们可以总结出一个结论,看看做的不好的地方,究竟是哪里出了问题。我们将订阅号的核心问题指向分为四个部分,分别是选题、标题、内容和粉丝质量。通过数据来大致判断这四者的好坏。

             

例如,如果粉丝质量很好,那么图文阅读量较低的原因可能是标题起的不好。

 

通过上述三个步骤去分析文章质量,相信你会找到公众号问题所在,从而更有针对性地去对症下药,问题也会迎刃而解。

 

以上就是我今天的分享。为了方便大家学习,我把上述内容整理成下图,直接保存就可以方便随时回看啦!(完)

             

 

—— / 你可能错过的精彩内容 / ——




学习使我快乐!

👇

登录查看更多
4

相关内容

【实用书】学习用Python编写代码进行数据分析,103页pdf
专知会员服务
192+阅读 · 2020年6月29日
专知会员服务
145+阅读 · 2020年6月15日
干净的数据:数据清洗入门与实践,204页pdf
专知会员服务
161+阅读 · 2020年5月14日
【2020新书】如何认真写好的代码和软件,318页pdf
专知会员服务
63+阅读 · 2020年3月26日
《迁移学习简明手册》,93页pdf
专知会员服务
134+阅读 · 2019年12月9日
【机器学习课程】机器学习中的常识性问题
专知会员服务
73+阅读 · 2019年12月2日
新书《面向机器学习和数据分析的特征工程》,419页pdf
专知会员服务
142+阅读 · 2019年10月10日
如何完成一篇有效的英文写作
中科院物理所
7+阅读 · 2018年4月13日
关于Python数据分析,这里有一条高效的学习路径
算法与数据结构
5+阅读 · 2018年1月17日
【入门】数据分析六部曲
36大数据
18+阅读 · 2017年12月6日
【回顾】从零开始入门机器学习算法实践
AI研习社
5+阅读 · 2017年11月28日
从0到1 | 0基础/转行如何用3个月搞定机器学习
机器学习算法与Python学习
3+阅读 · 2017年11月15日
一位数据分析师的书单
R语言中文社区
12+阅读 · 2017年10月28日
机器学习必备手册
机器学习研究会
19+阅读 · 2017年10月24日
如何用Python从海量文本抽取主题?
AI研习社
7+阅读 · 2017年7月6日
On Feature Normalization and Data Augmentation
Arxiv
15+阅读 · 2020年2月25日
Deep Co-Training for Semi-Supervised Image Segmentation
Deep Learning for Generic Object Detection: A Survey
Arxiv
13+阅读 · 2018年9月6日
Arxiv
22+阅读 · 2018年8月30日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Two Stream 3D Semantic Scene Completion
Arxiv
4+阅读 · 2018年7月16日
Arxiv
8+阅读 · 2018年6月19日
VIP会员
相关VIP内容
【实用书】学习用Python编写代码进行数据分析,103页pdf
专知会员服务
192+阅读 · 2020年6月29日
专知会员服务
145+阅读 · 2020年6月15日
干净的数据:数据清洗入门与实践,204页pdf
专知会员服务
161+阅读 · 2020年5月14日
【2020新书】如何认真写好的代码和软件,318页pdf
专知会员服务
63+阅读 · 2020年3月26日
《迁移学习简明手册》,93页pdf
专知会员服务
134+阅读 · 2019年12月9日
【机器学习课程】机器学习中的常识性问题
专知会员服务
73+阅读 · 2019年12月2日
新书《面向机器学习和数据分析的特征工程》,419页pdf
专知会员服务
142+阅读 · 2019年10月10日
相关资讯
如何完成一篇有效的英文写作
中科院物理所
7+阅读 · 2018年4月13日
关于Python数据分析,这里有一条高效的学习路径
算法与数据结构
5+阅读 · 2018年1月17日
【入门】数据分析六部曲
36大数据
18+阅读 · 2017年12月6日
【回顾】从零开始入门机器学习算法实践
AI研习社
5+阅读 · 2017年11月28日
从0到1 | 0基础/转行如何用3个月搞定机器学习
机器学习算法与Python学习
3+阅读 · 2017年11月15日
一位数据分析师的书单
R语言中文社区
12+阅读 · 2017年10月28日
机器学习必备手册
机器学习研究会
19+阅读 · 2017年10月24日
如何用Python从海量文本抽取主题?
AI研习社
7+阅读 · 2017年7月6日
相关论文
On Feature Normalization and Data Augmentation
Arxiv
15+阅读 · 2020年2月25日
Deep Co-Training for Semi-Supervised Image Segmentation
Deep Learning for Generic Object Detection: A Survey
Arxiv
13+阅读 · 2018年9月6日
Arxiv
22+阅读 · 2018年8月30日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Two Stream 3D Semantic Scene Completion
Arxiv
4+阅读 · 2018年7月16日
Arxiv
8+阅读 · 2018年6月19日
Top
微信扫码咨询专知VIP会员