如何快速提升用户的内容生产量（如何刺激用户不断提供高质量内容）
如何快速提升用户的内容生产量（如何刺激用户不断提供高质量内容）（1） 综合评价作者（自媒体）如果只是为了给用户打分而打分的话，大可不必做这么复杂的模型，最原始暴力的看PV和UV就可以解决了。我个人理解，作者评分模型分以下几个作用：3）手术——内容运营：根除病症，真正做到强身健体，内容强则平台强。而对于一个资讯平台来说，优质内容是核心中的核心。今天就向大家介绍一个可以刺激用户，源源不断提供高质量内容的模型——作者评分模型。在做模型之前，咱们要想清楚一个问题，作者评分模型是干什么用的？
作者：姜頔 来源：鸟哥笔记
将平台比喻成病人，我们为“病人”诊断、治疗有以下几种方式：
1）打点滴——渠道拉新：疗效快，立竿见影，能够保证新流量入驻，不但可以增加DAU，同时能带动各业务线数据增长。
2） 吃药——用户运营：见效慢，以调理为主，提升用户留存 增加用户粘性，从而提高转化率。
3）手术——内容运营：根除病症，真正做到强身健体，内容强则平台强。
而对于一个资讯平台来说，优质内容是核心中的核心。今天就向大家介绍一个可以刺激用户，源源不断提供高质量内容的模型——作者评分模型。
在做模型之前，咱们要想清楚一个问题，作者评分模型是干什么用的？
如果只是为了给用户打分而打分的话，大可不必做这么复杂的模型，最原始暴力的看PV和UV就可以解决了。我个人理解，作者评分模型分以下几个作用：
（1） 综合评价作者（自媒体）
（2） 激励作者输出更多更好的作品
（3） 针对作者不同属性，精细化运营
仅从文章消费角度的PV和UV来认定一个作者的好坏，是一种很片面的做法，因为有些“标题党”会得到更高的分数。
可以试想一下，标题为《二手特斯拉仅需20万》的文章，对于想买车的读者来说诱惑力有多大，但点进去，往下拉，再拉，拉到底下也没看到在哪里能够买到20万的特斯拉，读者一脸黑人问号的同时，有抄起板砖拍作者的冲动——这就是典型的标题党。
若仅从PV、UV角度来看，也显得不那么公平，但如果加上新增粉丝数、点赞数、完度率、评论数等因素综合评估的话，那么标题党就不会那么吃香了；再加上反作弊指标，作弊刷量作者便无处遁形。
在讲模型之前，我们通过两个家喻户晓的游戏（评分模型成功案例），来分析如何刺激用户提供更多、更高质量的游戏（作品）。下图和平精英（刺激战场）及王者荣耀总览图，红框部分为某用户该赛季的排名或评分。
和平精英总览图
王者荣耀总览图
两款游戏的赛季排名以百分比的形式展现，并附有段位的划分和队友点赞等，能够激励玩家不断提升自我。
马斯洛需求层次理论的金字塔的倒数第二层便是尊重，每个人都希望自己努力的成就被别人认可，在尊重得到满足后，便使人充满对某件事物的信心，进入良性循环，从而享受在某一领域独特的价值。
我相信当有人说我这哥们是王者，全服前1%的时候，应该是最满足的时刻。
和平精英详细数据图
王者荣耀详细数据图
如果说总览图是让用户一眼能够看出好坏，那么详细数据就是要告诉用户哪些方面可以提高。这样一来用户可以对症下药，提升质量。
在游戏里中体现的是更多玩家打出质量局，若在作者体系中，就是输出更高质量的文章。由以上两个游戏案列，我们引出今天的主题——作者评分模型。
模型概述
我先把成品给大家展示一下，让大家对这个模型有个初步印象，接下来再具体讲解细节。
作者评分总览图一
作者评分总览图二
简单的讲，模型是通过算法页的不同变量（指标），对作者进行标准化打分，再根据各项指标不同的权重，汇总一个总得分，各项指标可以向下拆分一级、二级或更多级指标。在样例模型中：
作者总得分=
质量得分*权重1 互动得分*权重2 消费得分*权重3 发布得分*权重4 附加项得分*权重5
有人会问，影响力得分为什么要用开根号乘以100呢，我们先来看一下开根号乘以10，如下图所示：
令f(x)=sqrt(x)*10，(0≤x≤100)，x为作者总得分，把x经过f映射后，好处有以下几点：
（1） f(x)是单调上升的，映射后仍保留原序，保证了公平公正
（2） f(36)=60，及格万岁！
（3） f(x)为凸函数，原分数越低，得到的补偿分数越高如上图，原始分数在20分时奖励25 原始在60分时奖励17分，而80分时只奖励9分
大家应该恍然大明白了，这么做主要以积极鼓励作者为目的，同时也不改变全局排序，最后在乘10的基础上稍作改动乘以100没有别的意思，就是显得分数更多而已。
欲问我为什么知道此“大法”，要追溯到高中时期的化学期末考试，当时的我惨目忍睹得考了49分，本以为要补考的我，最终被开根号乘10大法拯救，以至于没有完全放弃对化学这门课程，拿到最终分数的我大喊了一句“开根大法好”！
模型算法
纳入评级库标准：
（1）所有媒体库中的作者
（2）数据异常无法获取正确信息的作者不参与评分
打分方法：
（1）各项一级指标、二级指标在0到100分范围内打分，无及格分数线
（2）对于可获取数据的定量指标，采用标准化的方式打分；若数据量级相差较大，可以先取对数，再进行标准化（减小量级差异造成的影响）
以文章浏览得分为例：
（3）附加项加分，正向指标，如个别数值表现突出，超过预设值的5倍，则给与额外加分，比如点赞数预设上限值为800，当有作者得到4000以上的点赞时，我们会考虑额外加分。
（4）附加项减分，反向指标，当发现有作者作弊时，情节轻者扣分警告，恶劣者删除作者号。作弊可通过第三方软件和算法识别出来，反作弊反欺诈会在今后单独写一篇文章介绍，下面只是简单的介绍一下作弊的类型。
- 用户IP异常，包括请求次数与地域异常
- 手机设备被篡改或者安装高危软件
- 存在一个账号多个设备，或者一个设备多个账号
- 特定时间，访问量出现激增情况
不要小看作弊这件事，这会严重影响体系的平衡性，质量差的文章通过刷量占据TOP榜，那么推荐算法就会增加该文章曝光度，读者便会看到低质量的文章，久而久之，会造成作者与读者的流失。
权重确立方法 层次分析法（AHP）
层次分析法是一种常见的权重分配法，这里就不多赘述了，想了解AHP算法的朋友可以看一下本人的上一篇文章《如何用更少的钱，带来更优质的量？渠道质量评估模型|一文通透》，在网上也可以找到免费的层次分析法软件，非常实用。
简单的概括AHP层次分析法，就是用科学的方法确定权重，拒绝“拍脑袋大法”。这样便有了如下图，一级指标权重。
一级指标图
二&三级指标筛选（聚类）
1. 盲选：将根据经验得到的、现有的备选聚类变量全部纳入模型，暂时不考虑某些变量是否合适。
2. 贡献量分析：通过方差分析，观察分类是否存在显著差异，踢出对模型聚类没有贡献的变量。
3. 相似矩阵分析：输出相似性矩阵，对相关系数进行分析，若两变量相关系数接近1，说明两个变量可以互相替代，踢出一个变量以达到降维目的。
4. 通过上述3步对变量进行筛选，既能踢出贡献度较低变量，又将相关性强的变量进行整合，最终输出相互间属性独立的变量。各项二、三级指标的权重也参照一级指标一样，层次分析法进行权重分配，最终得到指标骨架图，如下图所示。
模型指标骨架
模型指标骨架图
骨架填充与BI展示
将数据填充到骨架中，再按照自己想看的维度去做相应的BI展示，本文按周和月对作者进行评级，也可以按照日为维度进行监控。接下来的第三章讲解模型的应用。
模型的应用
这一环节主要介绍模型的应用。
俗话说得好，不能将模型落地执行的需求都是在耍流氓。
模型好么？好！怎么用？不会！那就是一种资源浪费，数据分析师的价值就是用数据推动业务。废话不多说，来看一下模型如何应用。
应用场景一排名奖励促生产
每月对影响力进行排名，根据排名TOP100的自媒体和用户，按照排名梯度给予额外奖励，刺激用户多发文章，发好文章。
应用场景二热度征稿奖励
除了一些自由文章外，还需要做活动引导作者发表热门文章，比如以“国五国六排放标准的汽车如何选择”为主题的文章，贴合现阶段市场行情，更容易吸引用户的眼球；
还有类似新车抢先评测奖励，在大多数人还处在购车犹豫阶段，一篇新车抢先报可以解答用户的疑难杂症。
文章写出来，我们便可通过模型对用户进行综合评价，避免标题党的情况出现，同时作者也会获得模型加分项的加分和活动的双重奖励，促使作者输出读者想要的热门文章。
应用场景三裂变拉新
文章还能拉新？当然能！其实这里面就用到了互动得分，将模型里互动得分高的文章筛选出来，作为裂变的种子，通过种子用户进行传播，达到裂变拉新的效果。
应用场景四
Know your customer，知道你所运营的作者是啥属性，一般一个内容运营手底下有许多作者，根据模型判断.
如果作者属于“沉默是金”类型，出品频率虽低，但只要出品必属精品，那就引导作者提高频率或者转变热门话题。
若属于高频低质量的“口水文”，那么有必要来一波质量提升。如果是作弊用户，那就“拜拜了您内，不送！”该应用主要是针对作者属性，精细化运营。
此模型的优势之处在于综合评估作者，而且还能将作弊之人“绳之以法”，在了解你的作者和读者基础上运营，必将事半功倍。实际上，该模型的玩法还很多，我们等待更多内容运营大神脑暴，以发挥模型最大价值。
模型的拓展
该模型不只局限于作者评分，还可以做渠道评估、活动评估、用户质量评估、用户积分评级系统等等。把相应的指标替换，赋予相应权重，便可套用此模型。
渠道评分模型
用户评分 示例
至此，整个模型流程已经介绍完毕，后续还有多种分析方法以及策略，在这里只是抛砖引玉，就不多赘述了。最后我们就把今天分析的过程捋一捋：
流程鱼骨图
（1） 模型确立
（2） 纳入数据库标准确立
（3） 打分标准确立
（4） 权重计算
（5） 变量指标筛选与调试
（6） 结果展示
（7） 运营并制定策略
今天给大家介绍的作者评分模型就到这里，文章里埋了个伏笔，就是用户反作弊反欺诈。
互联网的作弊行为还是相当严重的，如果无法排除这些用户及其行为，会给模型、运营策略等造成很大的负面影响，错误的数据，高效的执行便是灾难。今后会和大家分享反作弊心得，敬请期待。
写在后面：希望这篇文章可以帮助广大的运营人士，也能够让用户了解平台运营方式，同时欢迎同行与爱好者一起交流学习，提出您宝贵的意见。
