Eckpi

（转）🌸行业维度指标梳理🌸 #

指标体系的目的是为了了解业务全貌、快速业务定位问题、以及明确解决方案。

首先 是需要确定我们的战略目标，以及与之对应的北极星指标（比如DAU）

第二步，看为了达到这个北极星指标所需要走的业务链路是哪些（比如AARRR模型）Acquisition：获取用户；Activation：提高活跃度；Retention：提高留存率；Revenue：获取收入；Refer：自传播

第三步，围绕业务流程设计维度和指标

第四步：最后用趋势、对比、细分、分布的方式去aggregate各种指标

• 趋势比较容易理解，即通过折线图看到数据指标的走势和波动，如果只看表格上的数字明细，肉眼很难快速看出某个数字的涨幅跌幅是否在正常范围内；
• 对比是指同比和环比，同比是指今年某月或某季度和去年某月或某季度相比，环比可以是环比上周、环比上月等，对比数据除了能反映出业务发展情况之外，也可以帮助排除季节性或周期性的影响因素，比如今年7月的订单量环比6月增幅很大，但同比去年7月几乎持平，而且去年7月的订单量涨幅也比较大，说明可能是因为放暑假刺激了学生群体的消费；
• 细分是指某个指标是由哪些来源组成的，比如在看商品详情页的曝光量时，除了看总曝光量，还需要支持细分看每个曝光是从哪个页面进来的（首页、活动详情页、商品分类页、排行榜页等）；
• 分布是指组成某个指标的来源占比，比如在看商品详情页的曝光量时，可以看首页、活动详情页、商品分类页、排行榜页等页面带来的曝光量占总曝光量的百分比。

第五步：形成分析SOP和配套的数据看板

Ecommerce Metrics Dashboard: 21 KPIs to Track

👜电商 E-commerce #

REFERENCE #

电商数据指标体系详解：电商数据的定义、体系构建和指标

🎬短视频 Short video #

各种内伤荣生产机制：

• UGC ( User-Generated Content），也称UCC（User-created Content），即用户生产内容，泛指以任何形式在网络上发表的由用户创作的文字、图片、音频、视频等内容
• PGC（Professionally-generated Content），也称PPC（Professionally-produced Content），即专业生产内容， 生产创作主体是由专业精英构成，其发展历程早于 UGC，生产程序偏向专业性，内容质量可控性更强，对生产者知识背景和专业资质的要求较高。
• OGC（Occupationally-generated Content），即职业生产内容，指主要通过具有一定知识和专业背景的行业人士生产内容，并且这些人会领取相应的报酬（如部分新闻网站雇佣的内容编辑）。生产主体主要是来自相关领域的职业人员，他们对内容产出严格把控，尽力满足用户对内容的需求，其创作行为属于职责义务，是履行人事契约的体现。

• 区别：

  • UGC和PGC的区别是有无专业的学识、资质，PGC的生产创作主体在所共享内容的领域具有一定的知识背景和工作资历，UGC则没有。
  • PGC和OGC以是否领取相应报酬作为分界。PGC的生产创作主体往往是出于“爱好”，义务的贡献内容，不收取报酬；而OGC是以职业为前提，其创作内容属于职务行为，获取报酬。
  • UGC和OGC没有交集。在一个平台（网站）上，用户和提供商总是相对的，既是该平台的用户也是该平台的提供商的角色可能有，但属于极少的群体。
    • 有观点认为，PGC是UGC中的一部分，只是这部分内容相当精彩。故互联网内容供应仍是泾渭分明的UGC和OGC。

• PUGC (Professional User Generated Content)：专业用户生产内容，以UGC形式产出的相对接近PGC的专业内容。PUCC模式是UGC、PGC模式发展中逐渐演化出的一种全新生产模式，率先由国内数字音频领域提出，后延伸到视频内容生产领域，被认为是“互联网短视频长远发展的趋势”。

  • PUGC短视频既满足了用户对专业化、高品质内容的需求，又达到了贴近性且个性化的效果，满足了短视频用户的多种需求，极大程度提升了短视频平台内容的品味。
  • YouTube与B站目前是全球PUGC较为集中的社交型视内容网站，其中B站已经在内容战略上明确转向“建设**PUGV( Professional User Generated Video)**社区”。
  • PUGC与PGC、UGC的关系
    • 1.从发展阶段上来说，PUGC是UGC、PGC模式在深度发育后为规避各自发展瓶颈而协商整合的结果
      • PGC导向的长视颏（爱优腾）与UGC导向的短视频的平行发展格局已经确立，但两种生产方式的固有弊病也在逐渐极化：UGC尽管建构出生产的民主性与圈层化，但非专业性制作和扁平叙事造成了视觉品相的降低和叙事深度的缺失；PGC的专业研创保证了视觉与内容品质，但作为融媒体时代重要标志的个性化需求却被抑制。
      • 因而，业务界开始寻求两种模式的组合：专业用户生产内容（PUCC）由此产生。这种模式要求保留内容作者的个性，同时对内容生产全流程的专业性进行把控，不仅维系了内容作者的核心性，同时在其生产链中植入了“专业化”的模块。
    • 2. 从生产模式来看，PUGC的生产链已经与传统UGC、PGC逐渐分异
      • 目前，以B站为代表的PUGC视频生产模式的主流策略基本采用几种方式：
      • （1）以UP主本人为核心的视频内容：利用专业团队辅助内容生产，以内容作者共同体的身份参与平台发布流程（例如“李子柒”系列）。
      • （2）专业视频内容团队直接生产内容，以作者身份在平台发布（例如“回形针”科技评系列）。
      • （3）UP主本人通过平台专业技能培训计划或自行学习，生产专业内容在平台发布（例如“茶几君梦二”系列）。
    • 由此可见，PUGC的生产链已经与传统UGC、PGC逐渐分异：**内容作者仍位于生产链的中心位置，但“专业化模块”以各种形式介入生产流程。**这一独立的生产模式的形成对既有的UGC 、PGC模式研究提出了新的要求，尤其对PUCC模式语境下的作者核心性和专业化方面的研究亟需展开。

• MGC（Machine Generated Content）即机器生产内容或技术生产内容，指万物互联和全时在线的数据通过数据挖掘和智能算法生成海量的传感器资讯。如MGC新闻就是运用现代化的人工智能技术，由机器智能生产的新闻。通过摄像头、传感器、无人机等设备获取音视频线索，经由内部视频图像识别功能，让机器智能理解内容并做价值判断。随后与已有数据相关联，对语音语义进行检索和排列组合，智能生产审核新闻稿件，再经视频语音合成编辑、数据可视化系列过程，最终生成富媒体新闻。新华社发布的首条MGC视频新闻由媒体大脑中的“2410（智能媒体生产平台）”创造。

REFERENCE #

打开：标题和封面的吸引力；点赞：对内容的认可/共鸣；评论：带来了思考；关注：视频的可看性/价值

深度洞悉短视频行业 | 抖音、快手、视频号，下一步落子何处

📷直播/直播电商 Live #

REFERENCE #

直播复盘到底是在复盘什么？如何做好直播复盘总结？

教你如何利用数据复盘提升直播流量

直播复盘怎么做？这7个最核心的数据，一定要掌握

👫社交媒体 Social Media #

REFERENCE #

PDF智能阅读

场外 #

请教小羊~你说社媒这块我是分成不同平台（微博、小红书、Facebook..）【有点太多了555】还是整合成一个呢（有点难归纳！因为每个都有自己的特点！）@杨谨行

• 我觉得可以整理一个社媒的典型，比如微博

• 然后其他的平台 首先只筛选可以代表自己门类的大平台，然后这几个平台只整理有他的特性的！

  @潘钰

  • 区分门类可以看这个平台有几种特性的id，比如特性的微博的id 小红书的帖子id，共性的是用户，比较相似的就一个门类整理一个就好啦

PDF智能阅读

🎮游戏 #

我对游戏太不熟了..感觉漏了很多，蹲一个指导建议🥺 @Maureen

https://games.qq.com/a/20150709/017811.htm

在游戏行业中，IP产品通常指取得文学、影视、热门游戏授权使用其角色、形象、图像、文字、情节等所制作的游戏产品。

IP可以短时间内迅速累积巨大用户群，在某种程度上就代表了一定的市场。但游戏想大成光靠IP不行，在选择上应考虑知名度、传播度、产品延伸空间和团队匹配四个维度。

游戏收入、留存、ARPU值等数据似乎是评定一款游戏成功的界限。但从更深入的角度来说，IP与衍生品的契合度、粉丝的接受程度更能代表产品的成功标准。

REFERENCE #

Game Industry Metrics Terminology and Analytics Case Study

移动游戏数据分析白皮书

📚读书 #

🎧音乐 #

💻风控 #

• 7.如何识别作弊用户（爬虫程序， 或者渠道伪造的假用户）
  • 分类问题可以用机器学习的方法去解决，下面是我目前想到的特征：
  • （1）渠道特征：渠道、渠道次日留存率、渠道流量以及各种比率特征
  • （2）环境特征：设备（一般伪造假用户的工作坊以低端机为主）、系统（刷量工作坊一般系统更新较慢）、wifi使用情况、使用时间、来源地区、ip是否进过黑名单
  • （3）用户行为特征：访问时长、访问页面、使用间隔、次日留存、活跃时间、页面跳转行为（假用户的行为要么过于一致，要么过于随机）、页面使用行为（正常用户对图片的点击也是有分布的，假用户的行为容易过于随机）
  • （4）异常特征：设备号异常（频繁重置idfa）、ip异常（异地访问）、行为异常（突然大量点击广告、点赞）、数据包不完整等
• 8.怎么做恶意刷单检测?
  • 分类问题用机器学习方法建模解决，我想到的特征有：
  • （1）商家特征：商家历史销量、信用、产品类别、发货快递公司等
  • （2）用户行为特征：用户信用、下单量、转化率、下单路径、浏览店铺行为、支付账号
  • （3）环境特征（主要是避免机器刷单）：地区、ip、手机型号等
  • （4）异常检测：ip地址经常变动、经常清空cookie信息、账号近期交易成功率上升等
  • （5）评论文本检测：刷单的评论文本可能套路较为一致，计算与已标注评论文本的相似度作为特征
  • （6）图片相似度检测：同理，刷单可能重复利用图片进行评论