用户看其他游戏类视频行为，给用户喜欢的游戏类型，游戏内容贴标签

通过这一步整理以后，就能对两个目标状况做出判断。理论上播映次数越高越好，但人均时长不能低于必定水平，或者10%跳出用户比例不能超过必定水平，这样就能对每一期视频进行点评。有了点评，就能做出进一步剖析。

五、从多目标到原因解读

点评了好/坏，就能进一步剖析：为什么好、为什么坏。到这一步，就会发现，现有数据目标的问题：虽然看似一堆目标，可都是成果性目标。并不能直接从目标里推出：究竟为啥用户喜欢看。这时优先考虑的是：补充数据，看看添加哪些数据能解说清楚问题。

首先想到的是视频自身的数据，视频自身能够有多种标签：

• 视频主题：讲哪一类游戏
• 视频内容：游戏八卦、玩法、比赛……
• 视频讲解：找技能高手还是找个美人亮腿……
• 视频时长：太长的可能中心关掉的多
• 发稿时刻：选播映好的时刻发

做内容运营，首先得对自己做的内容有清晰的了解，打好标签，再做其他作业。有了标签，单纯地结合标签剖析成果目标，也可能得出一些有用的结论，比方：

• 5分钟比10分钟作用好
• 美人亮腿比男主持人作用好
• 讲比赛比讲八卦作用好

这些现已足够优化运营了。

更进一步的还能够结合用户画像来看，比方：

• 调查用户看其他游戏类视频行为，给用户喜欢的游戏类型，游戏内容贴标签
• 调查用户近期重视的热点内容、盛行的梗
• 调查用户更喜欢技能宅还是美人

有了这些用户标签，能够查看：

• 目前观看视频的用户集体是否是目标集体
• 依据集体规划大的用户，制造新的内容
• 依据用户近期重视的论题、主播喜爱，选论题和主持人

当然，并不见得投其所好必定有效，更有可能有“标题党蹭热度”的作用——播映次数很多但看一眼就跳出。所以终究还是得结合优化前后作用，做终究结论。

六、小结

建立数据剖析体系能够很简单（如下图）

真正阻碍建立目标体系的，是：

1. 数据间没逻辑，写的越多，看得越晕
2. 没有刚性做统领，不知道怎么点评好坏
3. 只要成果目标，不能解说原因。

因此在调查一个业务的时分，一开始宁可看的目标少一点，先调查出规律，再看目标间联系，这样更容易让众多目标联系清楚，读出意义。