對(duì)于一個(gè)資訊平臺(tái)來說，優(yōu)質(zhì)內(nèi)容是核心中的核心。筆者就通過分析兩個(gè)評(píng)分模型成功案例，說明了數(shù)據(jù)模型的效果與重要性，向我們介紹一個(gè)可以刺激用戶，源源不斷提供高質(zhì)量內(nèi)容的模型——作者評(píng)分模型。

如果將平臺(tái)比喻成病人，我們?yōu)椤安∪恕痹\斷、治療有以下幾種方式：

• 打點(diǎn)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(shí)能帶動(dòng)各業(yè)務(wù)線數(shù)據(jù)增長。
• 吃藥——用戶運(yùn)營：見效慢，以調(diào)理為主，提升用戶留存,增加用戶粘性，從而提高轉(zhuǎn)化率。
• 手術(shù)——內(nèi)容運(yùn)營：根除病癥，真正做到強(qiáng)身健體，內(nèi)容強(qiáng)則平臺(tái)強(qiáng)。

而對(duì)于一個(gè)資訊平臺(tái)來說，優(yōu)質(zhì)內(nèi)容是核心中的核心。

今天就向大家介紹一個(gè)可以刺激用戶，源源不斷提供高質(zhì)量內(nèi)容的模型——作者評(píng)分模型。

在做模型之前，咱們要想清楚一個(gè)問題，作者評(píng)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(fù)雜的模型，最原始暴力的看PV和UV就可以解決了。我個(gè)人理解，作者評(píng)分模型分以下幾個(gè)作用：

• 綜合評(píng)價(jià)作者（自媒體）
• 激勵(lì)作者輸出更多更好的作品
• 針對(duì)作者不同屬性，精細(xì)化運(yùn)營

僅從文章消費(fèi)角度的PV和UV來認(rèn)定一個(gè)作者的好壞，是一種很片面的做法，因?yàn)橛行皹?biāo)題黨”會(huì)得到更高的分?jǐn)?shù)。

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

但讀者點(diǎn)進(jìn)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(hào)的同時(shí)，有抄起板磚拍作者的沖動(dòng)——這就是典型的標(biāo)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(shù)、點(diǎn)贊數(shù)、完度率、評(píng)論數(shù)等因素綜合評(píng)估的話，那么標(biāo)題黨就不會(huì)那么吃香了。再加上反作弊指標(biāo)，作弊刷量作者便無處遁形。

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

下圖和平精英（刺激戰(zhàn)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(píng)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(xiàn)，并附有段位的劃分和隊(duì)友點(diǎn)贊等，能夠激勵(lì)玩家不斷提升自我。

馬斯洛需求層次理論的金字塔的倒數(shù)第二層便是尊重，每個(gè)人都希望自己努力的成就被別人認(rèn)可，在尊重得到滿足后，便使人充滿對(duì)某件事物的信心，進(jìn)入良性循環(huán)，從而享受在某一領(lǐng)域獨(dú)特的價(jià)值。

我相信當(dāng)有人說我這哥們是王者，全服前1%的時(shí)候，應(yīng)該是最滿足的時(shí)刻。

和平精英詳細(xì)數(shù)據(jù)圖

王者榮耀詳細(xì)數(shù)據(jù)圖

如果說總覽圖是讓用戶一眼能夠看出好壞，那么詳細(xì)數(shù)據(jù)就是要告訴用戶哪些方面可以提高。這樣一來用戶可以對(duì)癥下藥，提升質(zhì)量。

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

一、模型概述

我先把成品給大家展示一下，讓大家對(duì)這個(gè)模型有個(gè)初步印象，接下來再具體講解細(xì)節(jié)。

作者評(píng)分總覽圖一

作者評(píng)分總覽圖二

簡單的講，模型是通過算法頁的不同變量（指標(biāo)），對(duì)作者進(jìn)行標(biāo)準(zhǔn)化打分，再根據(jù)各項(xiàng)指標(biāo)不同的權(quán)重，匯總一個(gè)總得分，各項(xiàng)指標(biāo)可以向下拆分一級(jí)、二級(jí)或更多級(jí)指標(biāo)。

在樣例模型中：

作者總得分=質(zhì)量得分*權(quán)重1+互動(dòng)得分*權(quán)重2+消費(fèi)得分*權(quán)重3+發(fā)布得分*權(quán)重4+附加項(xiàng)得分*權(quán)重5

有人會(huì)問，影響力得分為什么要用開根號(hào)乘以100呢，我們先來看一下開根號(hào)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(jīng)過f映射后，好處有以下幾點(diǎn)：

（1）f(x)是單調(diào)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(shù)，原分?jǐn)?shù)越低，得到的補(bǔ)償分?jǐn)?shù)越高如上圖，原始分?jǐn)?shù)在20分時(shí)獎(jiǎng)勵(lì)25,原始在60分時(shí)獎(jiǎng)勵(lì)17分，而80分時(shí)只獎(jiǎng)勵(lì)9分。

大家應(yīng)該恍然大明白了，這么做主要以積極鼓勵(lì)作者為目的，同時(shí)也不改變?nèi)峙判?，最后在?0的基礎(chǔ)上稍作改動(dòng)乘以100沒有別的意思，就是顯得分?jǐn)?shù)更多而已。

欲問我為什么知道此“大法”，要追溯到高中時(shí)期的化學(xué)期末考試，當(dāng)時(shí)的我慘目忍睹得考了49分，本以為要補(bǔ)考的我，最終被開根號(hào)乘10大法拯救，以至于沒有完全放棄對(duì)化學(xué)這門課程，拿到最終分?jǐn)?shù)的我大喊了一句“開根大法好”！

二、模型算法

納入評(píng)級(jí)庫標(biāo)準(zhǔn)

（1）所有媒體庫中的作者

（2）數(shù)據(jù)異常無法獲取正確信息的作者不參與評(píng)分

打分方法

（1）各項(xiàng)一級(jí)指標(biāo)、二級(jí)指標(biāo)在0到100分范圍內(nèi)打分，無及格分?jǐn)?shù)線。

（2）對(duì)于可獲取數(shù)據(jù)的定量指標(biāo)，采用標(biāo)準(zhǔn)化的方式打分；若數(shù)據(jù)量級(jí)相差較大，可以先取對(duì)數(shù)，再進(jìn)行標(biāo)準(zhǔn)化（減小量級(jí)差異造成的影響）。

以文章瀏覽得分為例：

其中，

（3）附加項(xiàng)加分，正向指標(biāo)，如個(gè)別數(shù)值表現(xiàn)突出，超過預(yù)設(shè)值的5倍，則給與額外加分，比如點(diǎn)贊數(shù)預(yù)設(shè)上限值為800，當(dāng)有作者得到4000以上的點(diǎn)贊時(shí)，我們會(huì)考慮額外加分。

（4）附加項(xiàng)減分，反向指標(biāo)，當(dāng)發(fā)現(xiàn)有作者作弊時(shí)，情節(jié)輕者扣分警告，惡劣者刪除作者號(hào)。作弊可通過第三方軟件和算法識(shí)別出來，反作弊反欺詐會(huì)在今后單獨(dú)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(shù)與地域異常
2. 手機(jī)設(shè)備被篡改或者安裝高危軟件
3. 存在一個(gè)賬號(hào)多個(gè)設(shè)備，或者一個(gè)設(shè)備多個(gè)賬號(hào)
4. 特定時(shí)間，訪問量出現(xiàn)激增情況

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

權(quán)重確立方法：層次分析法（AHP）

層次分析法是一種常見的權(quán)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(yōu)質(zhì)的量？渠道質(zhì)量評(píng)估模型|一文通透》，在網(wǎng)上也可以找到免費(fèi)的層次分析法軟件，非常實(shí)用。

簡單的概括AHP層次分析法，就是用科學(xué)的方法確定權(quán)重，拒絕“拍腦袋大法”。這樣便有了如下圖，一級(jí)指標(biāo)權(quán)重。

一級(jí)指標(biāo)圖

二&三級(jí)指標(biāo)篩選（聚類）

1. 盲選：將根據(jù)經(jīng)驗(yàn)得到的、現(xiàn)有的備選聚類變量全部納入模型，暫時(shí)不考慮某些變量是否合適。

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

3. 相似矩陣分析：輸出相似性矩陣，對(duì)相關(guān)系數(shù)進(jìn)行分析，若兩變量相關(guān)系數(shù)接近1，說明兩個(gè)變量可以互相替代，踢出一個(gè)變量以達(dá)到降維目的。

4. 通過上述3步對(duì)變量進(jìn)行篩選，既能踢出貢獻(xiàn)度較低變量，又將相關(guān)性強(qiáng)的變量進(jìn)行整合，最終輸出相互間屬性獨(dú)立的變量。各項(xiàng)二、三級(jí)指標(biāo)的權(quán)重也參照一級(jí)指標(biāo)一樣，層次分析法進(jìn)行權(quán)重分配，最終得到指標(biāo)骨架圖，如下圖所示。

模型指標(biāo)骨架

模型指標(biāo)骨架圖

骨架填充與BI展示

將數(shù)據(jù)填充到骨架中，再按照自己想看的維度去做相應(yīng)的BI展示，本文按周和月對(duì)作者進(jìn)行評(píng)級(jí)，也可以按照日為維度進(jìn)行監(jiān)控。接下來的第三章講解模型的應(yīng)用。

三、模型的應(yīng)用

這一環(huán)節(jié)主要介紹模型的應(yīng)用。

俗話說得好，不能將模型落地執(zhí)行的需求都是在耍流氓。

模型好么？好！怎么用？不會(huì)！那就是一種資源浪費(fèi)，數(shù)據(jù)分析師的價(jià)值就是用數(shù)據(jù)推動(dòng)業(yè)務(wù)。廢話不多說，來看一下模型如何應(yīng)用。

應(yīng)用場景一 排名獎(jiǎng)勵(lì)促生產(chǎn)

每月對(duì)影響力進(jìn)行排名，根據(jù)排名TOP100的自媒體和用戶，按照排名梯度給予額外獎(jiǎng)勵(lì)，刺激用戶多發(fā)文章，發(fā)好文章。

應(yīng)用場景二 熱度征稿獎(jiǎng)勵(lì)

除了一些自由文章外，還需要做活動(dòng)引導(dǎo)作者發(fā)表熱門文章，比如以“國五國六排放標(biāo)準(zhǔn)的汽車如何選擇”為主題的文章，貼合現(xiàn)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(píng)測獎(jiǎng)勵(lì)，在大多數(shù)人還處在購車猶豫階段，一篇新車搶先報(bào)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(duì)用戶進(jìn)行綜合評(píng)價(jià)，避免標(biāo)題黨的情況出現(xiàn)，同時(shí)作者也會(huì)獲得模型加分項(xiàng)的加分和活動(dòng)的雙重獎(jiǎng)勵(lì)，促使作者輸出讀者想要的熱門文章。

應(yīng)用場景三 裂變拉新

文章還能拉新？

當(dāng)然能！

其實(shí)這里面就用到了互動(dòng)得分，將模型里互動(dòng)得分高的文章篩選出來，作為裂變的種子，通過種子用戶進(jìn)行傳播，達(dá)到裂變拉新的效果。

應(yīng)用場景四

Know your customer，知道你所運(yùn)營的作者是啥屬性，一般一個(gè)內(nèi)容運(yùn)營手底下有許多作者，根據(jù)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(dǎo)作者提高頻率或者轉(zhuǎn)變熱門話題。

若屬于高頻低質(zhì)量的“口水文”，那么有必要來一波質(zhì)量提升。如果是作弊用戶，那就“拜拜了您內(nèi)，不送！”該應(yīng)用主要是針對(duì)作者屬性，精細(xì)化運(yùn)營。

此模型的優(yōu)勢之處在于綜合評(píng)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(chǔ)上運(yùn)營，必將事半功倍。實(shí)際上，該模型的玩法還很多，我們等待更多內(nèi)容運(yùn)營大神腦暴，以發(fā)揮模型最大價(jià)值。

四、模型的拓展

該模型不只局限于作者評(píng)分，還可以做渠道評(píng)估、活動(dòng)評(píng)估、用戶質(zhì)量評(píng)估、用戶積分評(píng)級(jí)系統(tǒng)等等。把相應(yīng)的指標(biāo)替換，賦予相應(yīng)權(quán)重，便可套用此模型。

渠道評(píng)分模型

用戶評(píng)分示例

至此，整個(gè)模型流程已經(jīng)介紹完畢，后續(xù)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(shù)據(jù)庫標(biāo)準(zhǔn)確立
• 打分標(biāo)準(zhǔn)確立
• 權(quán)重計(jì)算
• 變量指標(biāo)篩選與調(diào)試
• 結(jié)果展示
• 運(yùn)營并制定策略

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

互聯(lián)網(wǎng)的作弊行為還是相當(dāng)嚴(yán)重的，如果無法排除這些用戶及其行為，會(huì)給模型、運(yùn)營策略等造成很大的負(fù)面影響，錯(cuò)誤的數(shù)據(jù)、高效的執(zhí)行便是災(zāi)難。今后會(huì)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(yùn)營人士，也能夠讓用戶了解平臺(tái)運(yùn)營方式，同時(shí)歡迎同行與愛好者一起交流學(xué)習(xí)，提出您寶貴的意見。

作者：姜頔。碩士畢業(yè)于日本早稻田大學(xué)，前人人貸高級(jí)數(shù)據(jù)分析師，現(xiàn)易車網(wǎng)數(shù)據(jù)分析專家。主要負(fù)責(zé)數(shù)據(jù)運(yùn)營和用戶增長。

本文由 @姜頔 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議