在用户个性化时代, 垂直化, 精细化的运营, 被看作企业重要的竞争力. 完整, 清晰的用户画像体系, 可以帮助企业从海量的用户信息中发掘每个用户的行为特性, 潜在能力及兴趣等信息, 从而为用户提供具有针对性的服务.
马蜂窝拥有海量的用户出行体验数据, 在成长和发展的过程中一直在探索如何通过基于海量 UGC 的数据挖掘出每个用户的基本特征, 对旅游主题, 目的地的偏好和潜在兴趣, 从而精准地定位和标记用户, 将优质的内容, 商品和服务与用户进行连接.
今天这篇文章, 主要围绕马蜂窝用户标签体系中的「用户贡献能力」标签, 来介绍我们如何挖掘那些对马蜂窝的 UGC 有贡献能力的群体, 这样做的价值是什么.
挖掘用户内容贡献能力的意义
鼓励用户分享原创内容, 彼此借鉴旅游信息, 是马蜂窝得以持续吸引用户的核心. 这些用户产生的原创内容不仅包括记录自己旅游体验的攻略, 游记, 也包括帮助其他用户解决旅行疑惑的问答, 点评等. 通过这种互享型的内容互动模式, 越来越多存在个性化旅行需求的用户在马蜂窝完成旅游消费决策的闭环.
为了更好地帮助用户提升决策效率, 我们需要挖掘出那些拥有丰富的自由行经验, 并且具有一定内容生产能力的旅行者, 围绕内容增长, 用户活跃制定相关策略.
如果只通过用户的等级划分来评估该用户的影响力, 显然是存在问题的. 我们都知道, 用户等级作为用户激励体系中的一种方式, 是对用户过往行为的认可, 因此等级一般只会上升不会下降, 这种特点导致:
用户核心输出能力无法得到有效量化: 用户只要每天进行打卡, 回复, 评论等简单行为也会慢慢升级到高级别;
用户升级以后等级固化: 例如用户很长时间没有登录, 但从等级来看他的影响力依然很强;
无法感知用户的内容输出意愿: 即使用户等级高且在近期有过登录行为, 但对哪些话题感兴趣, 是否存在生产内容的意愿我们无从感知.
为了解决以上问题, 我们将内容贡献能力作为用户画像标签体系中的一个字段进行挖掘, 并应用到马蜂窝很多业务当中, 比如:
旅游问答邀请
马蜂窝问答可以看成是一种更快捷, 简短, 个性化的旅游攻略. 我们可以圈定近期在该领域内容贡献丰富的, 以及内容受欢迎的相关用户, 推荐给提问者定向邀请回答, 保证旅行者的问题能够快速, 准确地被解答.
马蜂窝 KOL 挖掘
利用用户内容贡献能力标签, 我们可以更精准地挖掘活跃的, 专业的, 热爱旅行并能生产高质量内容的 KOL, 一方面可以在线上通过邀请入驻, 内容推荐等方式, 让这些资深旅行者的优质内容得到更多曝光; 另一方面, 可以将 KOL 的力量组合起来, 转移到线下, 用他们的亲身经验最简单地带动用户的直观认知, 比如「马蜂窝指路人」等.
图: 马蜂窝旅行家专栏
图: 马蜂窝指路人俱乐部
用户内容贡献能力模型
简单来说, 就是从用户的的活跃度, 在一定时间内的受欢迎度, 输出意愿三个维度构建模型, 从而对用户贡献能力进行测度, 即:
用户内容贡献能力 = 用户的输出意愿 + 用户的活跃度 + 用户的受欢迎程度
1. 用户活跃度模型
RFM 模型我们很多人都不陌生, 这是衡量用户价值和用户创利能力的经典工具. 这里我们基于马蜂窝旅游社区的场景, 将 RFM 模型的三个因素调整为:
A(Activity): 用户活跃度
e^(-αt): 最近一次访问时间距今天的时间衰减, 采用指数衰减, 其中 α 为衰减系数. 这里利用指数衰减函数做为时间衰减因子, F*E 可以理解为用户的活跃的热度, 时间衰减因子体现了用户活跃的热度随着时间逐渐衰减的过程. 在马蜂窝场景下, 通过对实际数据的调参, 我们选择当时间 t 为一年 (365) 的时候衰减为最小值 0.0001, 此时带入公式求出 α 的值. 这里考虑的是用户一年未贡献任何的内容则意愿衰减至最低, 求得 α 为 0.0189;
F(Frequency): 用户在特定时间内的内容贡献频次. 这里也是基于场景包含对游记, 问答, 攻略, 笔记 (图, 文, 视频结合) 等所有类型内容的计算;
E(Engagements): 用户最近一次贡献内容的类型, 不同类型的 UGC 对应的值不同. 例如产出一篇游记的难度以及内容的价值要高于回答一个用户的问题, 和以图片, 视频为主的笔记. 经过在马蜂窝全站计算不同类型的文章在 UGC 数量占比, 得出如下结论: 游记的 E 值为 5, 问答值为 2.5, 笔记值为 3 .
2. 用户受欢迎程度
来源: https://www.cnblogs.com/mfwtech/p/10996215.html