随着全球游戏市场的发展，中国游戏厂商在出海时也会面临更多的挑战。买量市场的2.0升级不仅存在于国内，同样也发生在全球市场。不同的海外市场有着不同的特点和用户特征，渠道也五花八门，在竞争加剧的情况下，更需要游戏厂商进行精细化运营和广告投放。

从全球范围来看，Google在广告投放技术上一直都走在行业前列。而它推出的通用应用广告系列（Universal App Campaign，UAC），经过多年的持续优化和增加功能，不仅提高了广告投放的效率和效果，还为中国开发者的海外游戏行销提供了很大的帮助。（文末“阅读原文”附Google广告App相关内容与活动推送申请）

一、上线三年的谷歌UAC，2017年为开发者提供了超过100亿的应用安装量

App Annie数据显示，从2012年到2017年，Google Play的App数量增长了9.1倍，海量应用的出现使得App“被看见”变得更加艰难。对于开发者来说，如何提高自己应用产品的曝光度、提高留存率和付费率，如何在海量的应用程序中通过广告精准触达用户群体至关重要。

自2010年收购AdMob以来，Google便一直在移动广告方面持续发力，并在2015年正式推出了UAC平台。与机器学习技术结合的UAC，将开发者从广告投放中机械性的工作中解放出来，让机器代替完成投放中的机械化过程（比如添加关键词、人工测试标题等），极大地简化了开发者的工作流程。

据悉，使用UAC进行广告投放和优化的广告主，平均每美元的转化率比其他Google应用推广产品高出了140%。此外，2017年UAC通过应用程序广告为提供了超过 100 亿的应用安装量。

不过UAC为开发者带来的不仅仅是广告投放的极大提升，在游戏出海大浪潮之下，这个平台还为开发者的游戏全球化发展带来了极大的帮助。

二、追踪高价值用户、提高留存…UAC助力中国开发者海外营销“三步走”

Google数据显示，2018上半年中国手游公司海外增长率为44%，越来越多的中国游戏公司选择出海。然而在游戏全球化的征途上，不同国家的语言、文化以及用户行为都千差万别，要想打破全球化壁垒并非易事。

在这方面，UAC平台借助机器学习和大数据，能够为出海厂商提供游戏设计、产品运营、品牌营销等多个方面的帮助。37游戏的《创世破晓》在面临不同的海外市场时，便是通过UAC平台了解并使用机器学习技术，为游戏在海外市场的推广和运营打造良好的基础。

三七互娱海外发行市场总监吕春华在采访中表示，通过UAC平台收集数据分析，《创世破晓》从三个维度展开游戏推广，即建立游戏品牌度提升下载量、维持现有玩家的互动性、提升ROI以及每个用户的终身价值，最终实现了游戏的整体运营和推广效果的提升。

1.第一阶段：建立品牌知名度

在游戏上线前，如何让尽可能多的用户快速了解游戏品牌是非常重要的，通过品牌大量曝光去扩大游戏的用户池。这是提高游戏认知度的核心，也是立足市场的关键所在。

这个过程需要开发者收集大量的用户数据并对其分析，从而了解用户行为。借助UAC的机器学习能力，开发者可以迅速了解到用户最近搜索了什么相关话题、在Google Play下载了哪些类型的游戏、在YouTube上看了什么样的游戏视频等等，从而建立起一个较为完整的用户画像。与此同时，UAC还会根据这些数据去为游戏追踪到更多的潜在用户。

通过UAC平台，37游戏能够基于详细的用户行为在游戏的营销活动中展开针对性的部署。值得注意的是，UAC这种数据收集和追踪不同于意外营销活动中使用的人口统计指标（比如年龄、性别、收入等），它提供了更准确、更全面的用户画像，能够让游戏开发者触达到真正对游戏感兴趣的潜在用户，从而有效提高了下载量和玩家人数。

2.第二阶段：提高玩家留存率和活跃率

在游戏的运营过程中，保持并增加玩家人数、提升玩家活跃度是极为重要的运营目标。吕春华表示，通过UAC平台，开发者可以及时了解到各个类型的玩家行为，并检测到重要事件节点，从而针对游戏的不同阶段、不同的玩家情况进行细分营销，这样可以有效地提升玩家的互动和活跃度，由此提升游戏留存率。

比方说，玩家在游戏中成长到了50级并且遇到了难点，这时候比较容易造成玩家流失。开发者可以通过UAC2.0向玩家推送一个付费道具，解决玩家的痛点，从而提升游戏留存，并且能够在游戏的运营中后期挖掘更多的用户价值。

3.第三阶段：优化ROI并识别高价值用户

如何识别高价值用户并说服他们增加游戏内消费额度，是提高游戏收入的关键。通过UAC平台，开发者可以快速识别出游戏消费额度高的玩家，并通过Google Ads优化广告系列定位高消费玩家，对其进行针对性的营销策略，从而在整体上提高用户的生命周期和付费率，最终提升游戏收入。

整体来看，37游戏通过UAC规划并帮助营销策略的实现，让《创世破晓》在多个海外市场都取得了非常好的成绩。在品牌认知度方面，《创世破晓》获得谷歌2016年年度最佳人气奖；在提高留存方面，《创世破晓》的游戏留存率和活跃率同时提高了50%；在游戏收益方面，《创世破晓》游戏总收入增长了20%，最高全球月流水达到了1500万美元。

三、出海市场“百花齐放”，开发者更需要大数据和技术支撑

如今，出海市场已经来到了一个新阶段。大厂的相继入局打破了原有的出海格局，从海外市场冲出来的“黑马”频率也高了不少。从产品类型上看， MOBA、“吃鸡”等大DAU竞技游戏类型在营收上拿下了高位，二次元、女性向、宫斗等细分类型也在海外市场迎来了突破。

与此同时，中国厂商出海也不再局限于港澳台、东南亚等用户属性相似之地，同时也逐步入侵欧美、日本、韩国等成熟市场，在印度等新兴市场也开启了争夺。

可以说，从单点到全球，中国厂商出海的这张网撒得越来越广，但是难点也随之而来。

由于全球市场用户差异的复杂性越来越大、投放渠道也越来越多，使得寻找和定位目标用户也变得越来越困难。除此之外，在过去营销策略往往侧重于应用程序安装的初始报价，比如每次安装成本（CPI）。然而，这种方式无法获取玩家的全面图景，也无法将这些潜在用户划分为重度用户和休闲用户，因此在后续的用户转化和收益提升上将会面临阻碍。

在面临复杂的全球市场和用户情况时，如果还依靠人力去收集数据并分析、大量制作定制化广告素材，显然是会消耗大量的人力和财力，也会给开发者带来很大的负担。因此，借助大数据和机器学习技术就变得尤为重要，可以为开发者节省掉大部分繁琐的、机械性的操作，从而让开发者能够将重心投入到行销的决策和落地上，提高效率。

“效率的提升，最终会决定一个公司的成败。”如果一个游戏厂商能够紧跟潮流，利用机器学习技术、并使用详细的分析数据来发掘有价值的信息，那么它将能够更快更准确地了解目标用户，有效地提高游戏营销活动，从而成功抓住品牌出口的机会。

在互联网下半场竞争中实现科学增长，切实让A/B测试发挥增长引擎的作用是应有之义。本文分享了A/B测试对业务转化率提升带来的价值，以及如何在团队中有效推进A/B测试及A/B测试系统科学设计实践等内容。

一、今日头条增长秘籍：A/B测试驱动

抖音可以说是现在增长最火热的公司，流行于大街小巷行走的人们手机之中，它让腾讯感到深深的危机感，被迫应对，从2017年下半年开始，抖音就呈现出现象级爆发式增长。

其母公司字节跳动，估值750亿美元，本身就是一个非常讲究实验、以A/B测试驱动科学增长的公司。

A/B测试对头条系产品来讲是很自然的事情，整个公司从最高管理层张一鸣开始就非常注重。36Kr曾在一篇报道中写道，“头条发布一个新APP，其名字都必须打N个包放到各大应用市场进行多次A/B测试而决定，张一鸣告诉同事：哪怕你有99.9%的把握那是最好的一个名字，测一下又有神马关系呢？”

今日头条从起名字开始就运用了数据思维，创始团队没有头脑风暴，没有投票，没有老大拍板儿，而是采用科学实验的方式，通过数据观测确定了头条的名称。

他们将App Store上各类免费榜单的前10名整理出来，然后根据名字归类（朗朗上口白话类，内涵情怀类，模拟特殊声音类，公司名+用途类等），分析那各类数量占比。分析结论是朗朗上口的大白话效果最好。

其次，分渠道A/B测试，确定先验效果类似的发布渠道，分别投放，界面功能logo完全一样，统计各个渠道的用户下载和活跃等核心数据指标，最后测得《今日头条》效果最好。

二、什么是A/B测试？

A/B 测试是一种产品优化的方法，为同一个优化目标制定两个方案（比如两个页面），让一部分用户使用 A 方案，同时另一部分用户使用 B 方案，统计并对比不同方案的转化率、点击量、留存率等指标，以判断不同方案的优劣并进行决策。

上面图示就是一个典型的A/B测试范例。

在A/B测试比较成熟的公司中，可能并不局限于只有A、B两个版本，可能会有ABC测试、ABCD测试，甚至是ABCDE测试。

有一些情况，可能会出现比较特殊的A/B测试，比如说AAB测试，因为需要验证整个AB测试系统的准确度，需要设置两个对照组，所以叫AAB测试。

不管同时运行几个实验，我们都可以将它们统称为A/B测试，英文为ABtest或ABtest。

结合公开数据和行业深度调查，我们整理了行业A/B测试频率概览图，其中可以看到，公司市值或体量与A/B测试频率呈正相关关系。

像谷歌等大体量公司，它本身具有较为成熟的A/B测试系统与数据分析平台，平均每周A/B测试就多达2000个A/B测试，其中包括一些相对复杂的实验，如推荐算法A/B测试，也有相对简单的A/B测试。至于国内BAT等一线互联网公司，它们每周也会进行上百个A/B测试。

在与我们合作的大部分公司当中，行业分布广泛，比如互联网金融、电商、O2O等厂商，它们自身没有能力和精力自研一套成熟的A/B测试平台，所以他们选择与Testin A/B测试合作，将A/B测试服务快速应用到业务中。

比如，某互联网金融用户，在使用Testin A/B测试前，每周只能做0.1个A/B测试，使用了云测A/B测试服务后，大大提升了A/B测试频率，每周跑大概30个A/B测试实验。

当然，在其每周30个实验中，约有1/3的实验会取得转化率指标提升5%-30%的效果，剩余2/3的实验效果并不理想，未取得较好的数据指标提升。

通过这个例子，我们可以看出，大概2/3的产品设想并不符合预期，就是说转化率其实没有原始版本好。这个也是为什么需要A/B测试的根本原因，凭借产品直觉去做产品决策，但2/3的改进并不是最优解。

上述图表展示的是微软必应搜索引擎A/B测试增长曲线，覆盖Bing从2008年到2015年的时间的A/B测试实验增长情况。

可以看到，在Bing产品初期，每周A/B测试频率维持在10~50个，到2012年之后，Bing A/B测试每周频率进入快速增长。

图表右下角绿色曲线，是Bing移动端的A/B测试频率增长曲线。通过该图表，我们可以看到，Bing非常看重并认真实施A/B测试实验，以驱动数据增长，促进业务发展。

三、A/B测试应用场景及案例

我们先看下A/B测试在移动应用中的四大应用场景，分别是App、落地页、后端算法和小程序。

APP端是目前移动互联网增长的主要载体，PC或H5(如常见的朋友圈刷屏活动)或者广告投放落地页面等则可以归为落地页，还有后端算法场景，如推荐算法、广告算法、千人千面等等。

目前增长最快的应用场景，则是小程序。

在不同的场景，A/B测试的侧重点也有不同，但最核心目标仍然都是围绕业务的增长展开，也就是大家所熟悉的「北极星指标」，或者是 DAU、MAU等在A/B测试中设定的具体目标。

案例一：相机拍照类应用

以Camera360为案例，它选用Testin A/B测试服务帮助其进行产品优化决策。

该案例是其产品商业化过程中的一个尝试，希望提升商店中表情包或道具的付费比例，但要完成付费指标，首先要提升商店入口点击率。

所以，他们设定了多个商店入口方案（更改图标样式、文案），通过A/B测试来验证哪个方案可以最大化提升商店入口点击率。

在验证过程中，他们也针对人群目标做了相关定向测试，如日本、中国、韩国等区域，最终他们针对这一入口同时上线7~8个测试版本，通过A/B测试，将整体点击率提升了80%左右。

案例二

本案例为互联网理财行业的App，他们期望通过更改签到按钮的文案提高签到人数，从而提高留存率，按钮文案由「签到」改为「签到赚钱」，并进行A/B测试，为A、B版本分配了各5%的流量。

在经过测试后发现新版本的签到次数比原始版本签到次数提高4.17%，其中95%置信区间结果显示小范围人群的试验结果推广到全量用户之后，有95%概率获得1.7% 至 6.6%的提升；p-value小于0.05，显示新老版本有显著统计差异，Power 为100%，说明统计功效显著。

通过这次简单的A/B测试，就极大提升了App留存率。

本次测试，也借助Testin A/B测试的可视化功能，直接修改相关元素属性就实现了对照功能，无需开发人员介入。

那产品什么时候需要A/B测试呢？

我们知道进行A/B测试需要成本，比如需要开发多套版本，需要搭建可用的A/B测试及数据分析平台等。

从投入产出比考虑，进行A/B测试平台有2个必要条件，一是产品决策影响大，二是产品方案选择困难。

如果某决策对产品影响很大，但选择不困难，则没有必要进行A/B测试，比方是否决定给App增加微信及第三方登录方式，这对产品影响很大但决策并不困难，因为业界已有常见的解决方案。

再比方说，添加某很细小的功能，且该功能入口极深、用户量不大，那么A/B测试优先级也并不高。只有当一个产品决策同时满足影响大和选择难这两个条件的时候，才最适合进行A/B测试。

拿我们自身进行的测试来说，我们会基于功能影响大小、选择困难程度，对要做测试的功能做好优先级排序，然后判断哪些功能要做A/B测试。

四、A/B测试落地三要素

通过与我们的合作伙伴，如自如、36氪、子弹短信或51信用卡等众多增长团队交流，我们发现A/B测试做到落地有三大关键要素：

• 第一，人的因素，或者说整个团队的思维习惯、思维方式。
• 第二，业务流程，就是增长工作流程。
• 第三，工具。

展开来说，在「人」的角度上，要求整个团队具备数据驱动增长、A/B测试驱动决策的思维习惯，这是最重要的事情。

同时，如果增长或产品团队负责人本身不具备这种意识，认为A/B测试无关紧要，比较依赖经验进行产品优化决策，那么A/B测试做起来也很困难。

对APP也好，包括现在的小程序也好，新型产品层出不穷，产品面对的竞争也异常激烈。加之目前互联网流量红利期逐渐结束，获客成本增加，如果想继续获得业务增长，目前最有效的办法就是落地A/B测试、以数据驱动增长这一路径。

行业发展趋势决定所有团队都会慢慢迁移到用科学的实验进行增长这条路上来，即使你现在的团队推进A/B测试困难，但是我相信不远的将来，A/B测试将是最重要的产品增长驱动力。

我曾与较多欧美增长同行进行过深入交流，有一个很深感受就是他们的互联网企业中 A/B测试氛围更强，主要因为美国人工成本相对较高，他们特别注重投入产出比，所以他们很早进入到精细化运营阶段。

在业务流程上：

• 第一，需要注意你的产品是什么形态，是依托APP、小程序、公众号还是Web网站。不同的业务场景，A/B测试落地方案也会不一样。
• 第二，要考虑A/B测试是否很好融入到了产品迭代或增长团队工作流程中去，最佳实践就是做到将整个产品优化迭代流程、发版节奏与A/B测试紧耦合，形成流水线作业，这也是BAT等公司能够把A/B测试每周频率做到那么高的原因。

在工具方面，一种是自研，另外一种是使用第三方服务。

自研的话，在可控性、业务耦合方面有一定的优越性，但对一般企业来讲，其研发成本、人力成本很高，开发A/B测试服务还涉及到较为严格的数据统计，需要配置专业的数据分析师。

如果使用目前市面上的第三方工具，比如Testin A/B测试服务，可以最大化降低成本、加速业务落地A/B测试服务。

比如，某小程序用户当天接入Testin A/B测试服务后，当天就运行起三个A/B测试实验。无论是自研还是使用第三方工具，关键在于适合自身团队。

五、A/B测试最佳流程实践

A/B测试最佳流程，可分成四个步骤：

• 分析数据：分析现有原始版本的各项数据指标，如注册转化率等，比如说注册转化率仅有10%，针对这一转化率提出想法；
• 提出想法：比方说要改进注册流程，之前用户需要输入短信校验码，计划改成图片校验码，形成改进备选方案。有了该基本假设后，预估大概率可以提升转化率；
• 重要性排序：限于团队资源有限，无法把所有需求想法全部都去验证，这就需要做重要性排序，选择最重要的这几个改进方案去做A/B测试，接着进入第四步；
• A/B测试：在这个过程中，我们要监测A/B测试数据，结果一般有两种，一是数据证明实验无效，一是证明实验有效。我们经过大量测试发现，大部分进行的A/B测试实验，1/3被证明有效， 2/3被证明无效（与原始版本效果差别不大，或者比原始版本效果还坏）。

这里需要大家注意，不是所有的实验都会被证明对指标增长有显著效果，如果是这样，我们就没有必要进行实验了。

如果遇到这种情况，需要告诉自己的团队成员不要灰心，正因为某些实验被证明无效，我们才会找到有效的增长方式。

实验失败是大概率事件，我们最好的办法就是增加测试频率、持续测试，而非浅尝辄止，又回到经验主义决策的老路上。

如果你的团队从来没有做过A/B测试，有三点建议给到大家：

1. 从最简单的文案A/B测试开始，比如说测试关键按钮中不同文案的转化率；
2. 多做团队间的经验分享，多分享你的成功经验，有效果的事情大家都愿意尝试；不要天天去分享失败的经验，如果过多分享失败经验，会让你包括你的团队对A/B测试产生质疑，影响团队士气；
3. 可以优先使用第三方免费的A/B测试工具，比如Testin A/B测试，目前支持App、Web/H5、小程序。

六、企业A/B测试成熟度模型

上面介绍了落地A/B测试的三大关键因素，以及A/B测试的最佳实践流程。在这部分，为大家分享企业A/B测试成熟度模型。

我们把企业A/B测试分成四个阶段，分别是起步阶段、成长阶段、成熟阶段和大规模应用阶段。该能力的成熟度最核心指标，就是每周能做多少个A/B测试。

处于起步阶段，平均每周能做0~1个A/B测试，整个组织架构处于开始尝试A/B测试阶段，但内部没有成型的A/B测试实验平台，仍使用最简单的分流方式和数据分析方法进行实验。

此时的A/B测试并不是一个标准的A/B测试，从实验评价体系角度来看，已经设定一个最基本的指标，比如说转化率，但仍没有体系化。

何为体系化指标？也就是从单一指标演进为多维度指标体系，系统跟踪实验对产品的多方面影响。

第三个阶段就是相对比较成熟的阶段，这个时候每周能做到3~10个测试，A/B测试已经成为产品迭代流程的一部分，并需要可视化A/B测试，后端A/B测试等高级功能，以便满足多样的A/B测试需求。

在成熟和大规模应用阶段，提到了一个名词OEC。OEC，可以理解成综合评价指标，可能是复合型指标，在很多单项指标通过加权平均后得到。 通过OEC的设定，指导整个组织的业绩发展。

七、A/B测试系统设计能力

上面分享了如何落地A/B测试。接下来，跟大家分享下设计一个典型的A/B测试系统，需要具备哪几点能力或特征：

1. 科学流量分割

包括唯一性、均匀性、灵活性、定向性及分层分流。

1. 唯一性是指通过精准且高效的Hash算法，确保单个用户每次登录应用时被分到的试验版本是唯一的；
2. 均匀性，则是确保分流人群，各维度分配比例均匀；
3. 灵活性，则需要支持用户随时在实验的进行过程中，调节实验版本之间的流量分配比例；
4. 定向性，则是可以根据用户标签来实现精准定向分流，如根据用户设备标签及其他自定义标签特定分流；
5. 分层分流，则可以满足并行进行大量A/B测试需求。

左：未开启分层分流机制；右：开启分层分流机制

这里重点介绍下为什么需要分层流量分割机制。如果没有分层流量机制，则存在如下限制：

• 每个用户最多只能参加一个A/B测试实验
• 多个实验不能同时使用全体用户进行测试，可能因为人群覆盖度不够高导致结果偏差每个实验的可用实验流量受限于其他正在进行的实验，缺乏灵活的流量分配机制

有了分层流量分割机制，就可以很好地满足并行进行不同业务或不同场景，或者不同产品模块之间的A/B测试需求。

1. 科学统计算法

• 科学统计，使用科学的统计分析方法来对实验数据进行分析，并给出可靠的试验结果；
• 区间估计，给出95%置信区间，避免点估计带来的决断风险；统计显著性判断，通过p-value来判断不同实验版本之间差异显著性；统计功效判断，通过Power来判断不同实验版本统计功效是否充足；精益分析，对实验数据进行去噪音处理，去除噪音数据，以提高统计结果的质量。

上面就是基本的分享内容，限于篇幅，更多A/B测试后面有机会再与大家分享。

如果让你将竞价划分，你会划分出几个模块？

你可以先在脑中大致划分一下。可以把竞价想象成一棵树，它是根基，从这个根出发会延伸出来几个树杈？每个树杈又需要延伸出来多少根树枝？

根据多年竞价的从业经验，我们将其分为四个模块：账户搭建、账户优化、数据分析、效果提升。

如果你想提升自身能力，你恰好可以从这几大模块出发，分析出自己薄弱之处，针对性学习、提升。

今天跟大家分享下我对第一个模块的见解。

账户结构可以说是所有优化操作的根基。一个合理的账户结构可以帮助我们：

1. 更有效地控制消费

不同产品或地区的转化情况是不同的，一个清晰的账户结构可帮助我们更好地去控制每个产品或地区的消费。

2. 更简单地分析数据

一个清晰的账户结构，后期所下载的数据也是清晰，使我们的数据分析工作达到事半功倍的效果。

3. 更高效地优化账户

账户结构清晰明了，那么优化时我们的思路也会更加清晰，有助于我们迅速找到优化方向，使优化工作高效。

虽然合理的账户结构很重要，但在实际操作中，它却被罗列为最复杂的工作之一。首先它需要你了解人群、了解关键词，然后在根据自己账户结构对关键词进行分类，并根据不同关键词撰写不同的创意……

但所谓至繁归于至简。竞价最终不过是一个控制流量的过程。即：流量要或不要，多或少的过程。

想要搭建出一个清晰、合理的账户，那么第一件事就是划分账户维度。

账户搭建维度

01、访客需求维度

竞价不过是根据流量需求让流量转化的一个过程。而不同流量会有不同的需求，那我们便可根据关键词购买阶段的维度进行划分账户结构，并根据不同词性区分出价等。

02、产品维度

通常每个产品的利润、价值和种类等都会有所不同，对于多产品来说，我们不妨根据产品维度进行搭建账户结构，以此来控制每个产品的消费和成本。

03、地区维度

地区是在推广中很重要的一个维度。有时，不同地区的转化效果也会相差很大。

那我们便可通过重点和非重点来划分地区，以此来更好地控制流量。

04、设备维度

简单来说，便是PC和移动端。由于产品的不同，在设备转化上也会相差甚远。

比如传统企业可能PC端转化较好，移动端很低，那我们便可根据设备此维度进行账户结构搭建。

05、时段维度

此划分和地区是一样的道理。根据产品不同时段的转化效果进行划分。

每个维度对应着不同的流量。

比如产品维度，不同产品对于的人群自然不同；再比如访客需求维度，更是对应着不同的流量。

清晰的维度出来了，也就代表人群出来了，在后期的关键词分类和创意撰写还会很麻烦吗？

也许会有小伙伴提出疑问：我是多产品、多地区，我应该根据哪个维度进行划分？

问的很好，而这也是整篇文章的重点：我应该如何根据维度进行搭建账户？

通常账户可根据预算的不同，分为大账户、中账户、小账户三类。那兔子便以这三类为例，来说一下账户搭建维度。

1. 大账户

• 单产品、单地区可根据“地区+设备”、“地区+购买阶段”进行组合搭建账户
• 单产品、多地区可根据“需求+时段”、“需求+设备”进行组合搭建账户
• 多产品、多地区可根据“产品+地区+购买阶段”、“产品+购买阶段+设备”进行组合搭建账户

2. 中账户

• 单产品、单地区可根据“设备+购买阶段”进行组合搭建账户
• 多产品、单地区可根据“产品+购买阶段”进行组合搭建账户
• 多产品、多地区可根据“购买阶段+地区”进行组合搭建账户

3. 小账户

• 单产品可根据“购买阶段”进行搭建账户
• 多产品可根据“一个产品一个计划”进行搭建账户

账户搭建案例

产品：妇科

预算：10000元

地区：多地区

实际情况：移动70%、PC30%

至繁归于至简。不知道如何对关键词分类？不知道如何撰写创意？那么不妨先尝试这对账户划分维度。

所以，亲爱的看官，你知道要如何搭建账户了吗？

提起数据分析，大家往往会联想到一些密密麻麻的数字表格，或是高级的数据建模手法，再或是华丽的数据报表。其实，“ 分析 ”本身是每个人都具备的能力；比如根据股票的走势决定购买还是抛出，依照每日的时间和以往经验选择行车路线；购买机票、预订酒店时，比对多家的价格后做出最终选择。

这些小型决策，其实都是依照我们脑海中的数据点作出判断，这就是简单分析的过程。对于业务决策者而言，则需要掌握一套系统的、科学的、符合商业规律的数据分析知识。

一.数据分析的战略思维

无论是产品、市场、运营还是管理者，你必须反思：数据本质的价值，究竟在哪里？从这些数据中，你和你的团队都可以学习到什么？

1.1 数据分析的目标

对于企业来讲，数据分析的可以辅助企业优化流程，降低成本，提高营业额，往往我们把这类数据分析定义为商业数据分析。商业数据分析的目标是利用大数据为所有职场人员做出迅捷、高质、高效的决策，提供可规模化的解决方案。商业数据分析的本质在于创造商业价值 ，驱动企业业务增长。

1.2 数据分析的作用

我们常常讲的企业增长模式中，往往以某个业务平台为核心。这其中，数据和数据分析，是不可或缺的环节。

通过企业或者平台为目标用户群提供产品或服务，而用户在使用产品或服务过程中产生的交互、交易，都可以作为数据采集下来。根据这些数据洞察，通过分析的手段反推客户的需求，创造更多符合需求的增值产品和服务，重新投入用户的使用，从而形成形成一个完整的业务闭环。这样的完整业务逻辑，可以真正意义上驱动业务的增长。

1.3 数据分析进化论

我们常常以商业回报比来定位数据分析的不同阶段，因此我们将其分为四个阶段。

阶段1：观察数据当前发生了什么？

首先，基本的数据展示，可以告诉我们发生了什么。例如，公司上周投放了新的搜索引擎 A 的广告，想要比对一周下来，新渠道 A 比现有渠道 B 情况如何，A、B 各自带来了多少流量，转化效果如何？ 又比如，新上线的产品有多少用户喜欢，新注册流中注册的人数有多少。这些都需要通过数据来展示结果，都是基于数据本身提供的“发生了什么”。

阶段2：理解为什么发生？

如果看到了渠道 A 为什么比渠道 B 带来更多的流量，这时候我们就要结合商业来进一步判断这种现象的原因。这时候我们可以进一步通过数据信息进行深度拆分， 也许某个关键字带来的流量，也许是该渠道更多的获取了移动端的用户。这种数据深度分析判断，成为了商业分析第二个进阶，也同时能够提供更多商业价值上的体现。

阶段3：预测未来会发生什么？

而当我们理解了渠道 A、B 带来流量的高半年销量不到百万部，苹果要放弃印度市场吗？低，就根据以往的知识预测未来会发生什么。在投放渠道 C、D 的时候，猜测渠道 C 比渠道 D 好，当上线新的注册流、新的优化，可以知道哪一个节点比较容易出问题；我们也可以通过数据挖掘的手段，自动预测判断 C 和 D 渠道之间的差异，这就是数据分析的第三个进阶，预测未来会发生的结果。

阶段4：商业决策

所有工作中最有意义的还是商业决策，通过数据来判断应该做什么。而商业数据分析的目的，就是商业结果。当数据分析的产出可以直接转化为决策，或直接利用数据做出决策，那么这才能直接体现出数据分析的价值。

1.4 数据分析的 EOI 框架

EOI 的架构是包括 LinkedIn、Google 在内的很多公司定义分析型项目的目标的基本方式，也是首席增长官在思考商业数据分析项目中一种基本的、必备的手段。

其中，我们先会把公司业务项目分为三类：核心任务，战略任务，风险任务。以谷歌为例，谷歌的核心任务是搜索、SEM、广告，这是已经被证明的商业模型，并已经持续从中获得很多利润。谷歌的战略性任务（在 2010 年左右）是安卓平台，为了避免苹果或其他厂商占领，所以要花时间、花精力去做，但商业模式未必成型。风险任务对于创新来说是十分重要的，比如谷歌眼镜、自动驾驶汽车等等。

数据分析项目对这三类任务的目标也不同，对核心任务来讲，数据分析是助力（E），帮助公司更好的盈利，提高盈利效率； 对战略任务来说是优化（O），如何能够辅助战略型任务找到方向和盈利点；对于风险任务，则是共同创业（I），努力验证创新项目的重要性 。首席增长官需要对公司业务及发展趋势有着清晰的认识，合理分配数据分析资源、制定数据分析目标方向。

二.数据分析的3大思路

而面对海量的数据，很多人都不知道从如何准备、如何开展，如何得出结论。下面为大家介绍做数据分析时的 3 个经典的思路，希望在数据分析的实际应用中能给大家带来帮助。

2.1数据分析的基本步骤

上面我们提到了数据分析与商业结果之间关联的重要性，所有商业数据分析都应该以业务场景为起始思考点，以业务决策作为终点。数据分析该先做什么、后做什么？基于此，我们提出了商业数据分析流程的五个基本步骤。

第一步，要先挖掘业务含义，理解数据分析的背景、前提以及想要关联的业务场景结果是什么。

第二步，需要制定分析计划，如何对场景拆分，如何推断。

第三步，从分析计划中拆分出需要的数据，真正落地分析本身。

第四步，从数据结果中，判断提炼出商务洞察。

第五步，根据数据结果洞察，最终产出商业决策。

举个例子：

某国内互联网金融理财类网站，市场部在百度和 hao123 上都有持续的广告投放，吸引网页端流量。最近内部同事建议尝试投放神马移动搜索渠道获取流量；另外也需要评估是否加入金山网络联盟进行深度广告投放。

在这种多渠道的投放场景下，如何进行深度决策？ 我们按照上面商业数据分析流程的五个基本步骤来拆解一下这个问题。

第一步：挖掘业务含义。

首先要了解市场部想优化什么，并以此为北极星指标去衡量。对于渠道效果评估，重要的是业务转化：对 P2P 类网站来说，是否发起 “投资理财” 要远重要于 “访问用户数量” 。所以无论是神马移动搜索还是金山渠道，重点在于如何通过数据手段衡量转化效果；也可以进一步根据转化效果，优化不同渠道的运营策略。

第二步，制定分析计划。

以 “投资理财” 为核心转化点，分配一定的预算进行流量测试，观察对比注册数量及最终转化的效果。记下俩可以持续关注这些人重复购买理财产品的次数，进一步判断渠道质量。

第三步，拆分查询数据。

既然分析计划中需要比对渠道流量，那么我们需要各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度以及订单等类型数据，进行深入的分析和落地。

第四步，提炼业务洞察。

根据数据结果，比对神马移动搜索和金山网络联盟投放后的效果，根据流量和转化两个核心KPI，观察结果并推测业务含义。如果神马移动搜索效果不好，可以思考是否产品适合移动端的客户群体；或者仔细观察落地页表现是否有可以优化的内容等，需找出业务洞察。

第五步，产出商业决策。

根据数据洞察，指引渠道的决策制定。比如停止神马渠道的投放，继续跟进金山网络联盟进行评估；或优化移动端落地页，更改用户运营策略等等。

以上这些都是商务数据分析拆解和完成推论的基本步骤。在接下来的内容中，我们都会有这个分析思路。

2.2 内外因素分解法

在数据分析的过程中，会有很多因素影响到我们的北极星指标，那么如何找到这些因素呢？在此向大家推荐内外因素分解法。内外因素分解法是把问题拆成四部分，包括内部因素、外部因素、可控和不可控，然后再一步步解决每一个问题。

举个例子：

某社交招聘类网站，分为求职者端和企业端。其盈利模式一般是向企业端收费，其中一个收费方式是购买职位的广告位。业务人员发现， “发布职位” 的数量在过去的 6 月中有缓慢下降的趋势。对于这类某一数据指标下降的问题，可以怎么分析呢？

根据内外因素分解法，我们可以从四个角度依次去分析可能的影响因素。

内部可控因素：产品近期上线更新、市场投放渠道变化、产品粘性、新老用户留存问题、核心目标的转化。

外部可控因素：市场竞争对手近期行为、用户使用习惯的变化、招聘需求随时间的变化。

内部不可控因素：产品策略（移动端/PC端）、公司整体战略、公司客户群定位（比如只做医疗行业招聘）。

外部不可控因素：互联网招聘行业趋势、整体经济形势、季节性变化。

有了内外因素分解法，我们就可以较为全面地分析数据指标，避免可能遗失的影响因素并且对症下药。

2.3 DOSS 思路

DOSS 思路是从一个具体问题拆分到整体影响，从单一的解决方案找到一个规模化解决方案的方式。首席增长官需要快速规模化有效的增长解决方案，DOSS 是一个有效的途径。

举个例子：

某在线教育平台提供免费课程视频，同时售卖付费会员，为付费会员提供更多高阶课程内容。如果我想将一套计算机技术的付费课程，推送给一群持续在看 C++ 免费课程的用户，那么数据分析应该如何支持呢？

我们按 DOSS 思路的四个步骤，分解如下：

具体问题：预测是否有可能帮助某一群组客户购买课程。

整体影响：首先根据这类人群的免费课程的使用情况进行数据分析、数据挖掘的预测，之后进行延伸，比如对整体的影响，除了计算机类，对其他类型的课程都进行关注。

单一回答：针对该群用户进行建模，监控该模型对于最终转化的影响。

规模化方案：之后推出规模化的解决方案，对符合某种行为轨迹和特征的行为进行建模，产品化课程推荐模型。

三.数据分析的8种方法

上面介绍了3个经典分析思路，它们可以帮你搭建一个清晰的数据分析思路框架。那么对于具体的业务场景问题，我们又该怎么办呢？我们以一个电子商务网站为例，用数据分析产品 GrowingIO 对该网站进行快速地数据采集、清晰和可视化展示，然后给大家分享这 8 种常见的数据分析方法。

3.1 数字和趋势

看数字、看趋势是最基础展示数据信息的方式。在数据分析中，我们可以通过直观的数字或趋势图表，迅速了解例如市场的走势、订单的数量、业绩完成的情况等等，从而直观的吸收数据信息，有助于决策的准确性和实时性。

对于电子商务网站，流量是非常重要的指标。上图中，我们将网站的访问用户量（UV）和页面浏览量（PV）等指标汇汇聚到统一的数据看板（Dashboard），并且实时更新。这样的一个数据看板，核心数字和趋势一目了然，对于首席增长官来说一目了然。

3.2 维度分解

当单一的数字或趋势过于宏观时，我们需要通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。在选择维度时，需要仔细思考其对于分析结果的影响。

举个例子，当监测到网站流量异常时，可以通过拆分地区、访问来源、设备、浏览器等等维度，发现问题所在。图 7 中，当天网站的访问用户量显著高于上周，这是什么原因呢？当我们按照访问来源对流量进行维度拆分时（图 9 ），不难发现直接访问来源的访问量有非常大的提升，这样就进一步把问题聚焦了。

3.3 用户分群

针对符合某种特定行为或背景信息的用户，进行归类处理，是我们常常讲到的用户分群（segmentation ）的手段。我们也可以通过提炼某一群用户的特定信息，创建该群体用户的画像。 例如访问购物网站、寄送地址在北京的用户，可以被归类为“北京”用户群体。而针对“北京”用户群体，我们可以进一步观察他们购买产品的频度、类别、时间，这样我们就创建出该用户群体的画像。

在数据分析中，我们往往针对特定行为、特定背景的用户进行有针对性的用户运营和产品优化，效果会更加明显。上图中，我们通过 GrowingIO 的用户分群功能将一次促销活动中支付失败的用户挑选出来，然后推送相应的优惠券。这样精准的营销推广，可以大幅度提高用户支付的意愿和销售金额。

3.4 转化漏斗

绝大部分商业变现的流程，都可以归纳为漏斗。漏斗分析是我们最常见的数据分析手段之一，无论是注册转化漏斗，还是电商下单的漏斗。通过漏斗分析可以从先到后还原用户转化的路径，分析每一个转化节点的效率。

其中，我们往往关注三个要点：

第一，从开始到结尾，整体的转化效率是多少？

第二，每一步的转化率是多少？

第三，哪一步流失最多，原因在什么地方？流失的用户符合哪些特征？

上图中注册流程分为 3 个步骤，总体转化率为45.5%；也就是说有 1000 个用户来到注册页面，其中 455 个成功完成了注册。但是我们不难发现第二步的转化率是 56.8% ，显著低于第一步 89.3% 和第三步转化率 89.7%，可以推测第二步注册流程存在问题。显而易见第二步的提升空间是最大的，投入回报比肯定不低；如果要提高注册转化率，我们应该优先解决第二步。

3.5 行为轨迹

关注行为轨迹，是为了真实了解用户行为。数据指标本身往往只是真实情况的抽象，例如，网站分析如果只看访问用户量（UV）和页面访问量（PV）这类指标，断然是无法全面理解用户如何使用你的产品。

通过大数据手段，还原用户的行为轨迹，有助于增长团队关注用户的实际体验、发现具体问题，根据用户使用习惯设计产品、投放内容。

上图中展示了一位用户在某电商网站上的详细行为轨迹，从官网到落地页，再到商品详情页，最后又回到官网首页。网站购买转化率低，以往的业务数据无法告诉你具体的原因；通过分析上面的用户行为轨迹，可以发现一些产品和运营的问题（比如是不是商品不匹配等等），从而为决策提供依据。

3.6 留存分析

在人口红利逐渐消褪的时代，留住一个老用户的成本要远远低于获取一个新用户。每一款产品，每一项服务，都应该核心关注用户的留存，确保做实每一个客户。我们可以通过数据分析理解留存情况，也可以通过分析用户行为或行为组与回访之间的关联，找到提升留存的方法。

在 LinkedIn，增长团队通过数据发现，如果新用户进来后添加 5 个以上的联系人（上图红色线条），那么他/她在 LinkedIn 上留存要远远高于那些没有添加联系人（上图绿色和紫色的线条）的留存。 这样，添加联系人称为 LinkedIn 留存新用户的最核心手段之一。

除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等等，这些都是常见的留存分析场景。

3.7  A/B 测试

A/B 测试用来对比不同产品设计/算法对结果的影响。产品在上线过程中经常会使用 A/B 测试来测试不同产品或者功能设计的效果，市场和运营可以通过 A/B 测试来完成不同渠道、内容、广告创意的效果评估。

举个例子，我们设计了两种不同的产品交互形式，通过比较实验组（A 组）和对照组（B 组）的访问时长和页面浏览量两个衡量指标，来评估哪一种交互形式更佳。

要进行 A/B 测试有两个必备因素：第一，有足够的时间进行测试；第二，数据量和数据密度较高。因为当产品流量不够大的时候，做 A/B 测试得到统计结果是很难的。而像 LinkedIn 这样大体量的公司，每天可以同时进行上千个 A/B 测试。所以 A/B 测试往往在公司数据规模较大时使用会更加精准，更快得到统计的结果。

8.数学建模

当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数学建模、数据挖掘的手段进行建模，预测该商业结果的产生。

作为一家 SaaS 企业，当我们需要预测判断客户的流失时，可以通过用户的行为数据、公司信息、用户画像等数据建立流失模型。利用统计学的方式进行一些组合和权重计算，从而得知用户满足哪些行为之后流失的可能性会更高。

我们常常说，不能度量，就无法增长，数据分析对于企业商业价值的提升有着至关重要的作用。当然，仅仅掌握单纯的理论还远远不够，实践出真知。数据分析的方法大家不妨在自己日常工作中，有分析相关项目里尝试使用，相信可以事半功倍，创造更多商业价值。

公众号数据分析深度解密，全面分析全网独一份！

什么是数据分析呢？数据分析的价值是什么？

你以为统计一下阅读量、新关注人数，取消关注人数、总粉丝人数，然后把一周或一个月的数据划曲线、做对比就是数据分析了吗？显然，这样简单的数据分析对我们的工作并没有什么实质性的指导意义。

下面是我根据自己的工作经验总结的一些数据分析方法，希望对初入运营的你有所帮助，哪怕让你开始审视数据分析的重要性，那这篇文章就是有价值的。

数据分析方法

首先打开公众号的后台，今天着重分析后台左侧的“统计”栏。

一、用户分析

1、关注来源

在用户分析栏里，主要看关注全部来源（可以下拉了解更多渠道来源）。

通过来源的数据分析可以得出，目前这个公众号的新增人数主要来自：图文页内公众号名称、名片分享、扫描二维码。这个数据表明，你之后可以在这些渠道着重做推广。

数据推理：

图文页内公众号名称：推文中的关注引导。

名片分享：业务人员在销售时，指引用户关注了公众号。

扫描二维码：技术人员或运营推广人员在推广平台上面做了引流。

数据指导：

1、一个公众号如果没有固定的开源渠道是很痛苦的，那么数据分析就明确了你的开源渠道。

2、合理的利用开源渠道，有针对性对开源渠道进行设计，比如通过活动、各种运营方式等，在开源渠道加大宣传力度。

这样子可以避免因渠道指向不明而造成的人力、物力、财力的损失，同时，在有效的渠道上，设计增长机制，达到增长用户的目的。

2、用户属性

特别关注一下用户属性，在这里可以查看用户的性别比例、语言分布等。

用户的省份分布、城市分布、终端分布、机型分布。（这个点开后台就一目了然，不一一截图）

如果性别和地区，这个数据明显的偏向于某一部分人群，可以在做内容的时候，进行针对性营销。比如女性多于男性，北方地区的多于南方地区的。这些都有助于在做内容的时候，做有针对性的运营，迎合用户喜好，做用户喜欢的内容。

二、图文分析

1、小时报

在公众号的数据分析中，单篇图文其实是价值不大，所以我们要分析全部图文。

打开小时报，这才是我们重点要分析的数据。

小时报代表一天24小时中你的公众号流量情况。通过小时报，可以看到你公众号的流量趋势。这个数据值得好好统计，至少要按月分析。

在分析变化的数据过程中，我们首先要明确常量，再用变量来对比，才能找出规律。（划重点）

因为我选择的是上一个月的，没有发文的那些天的公众号流量趋势图。有发文的天数，流量趋势图会人为的倾向于某个节点，分析的意义不大。

这是我在分析一个阶段的大概数据，先通过每一天24小时的数据观察，得出每一天的关键流量点。

将每一天出现的关键点，分别标注出来做成表格。

你们会看到，在10-24号这段时间，在没有发送文章的情况下，公众号的流量节点是这样的。

18点出现的次数是4，15点出现的次数是6，8点出现的次数6。

这说明公众号的最高流量点有可能在15点和8点这两个时间。有了这样的结论，我们就可以调整推文时间了。不要拍脑门去主观臆断、或者只通过自己的个人习惯去猜测用户的习惯，数据才是最重要的凭据。

2、阅读量

关于阅读量的分析，主要包括：阅读量、转发量、点赞、留言之类的。之所以没有重点谈这些，是因为这些数据可以人为操控。比如留言，如果你做了一个留言点赞的活动，那这一篇文章的数据自然会高。

所以在数据分析的时候，一定要在统一常量的基础上，分析变量，并做大范围的分析才有价值。

A：都没有做活动的情况下，通过阅读数、转发率，分析出用户喜欢的内容类型，在此基础上持续的优化。

B：在活动的情况下，通过活动复盘、分析数据，总结优点，查找不足，从而优化活动方式。

三、菜单分析

公众号的菜单栏可以定位是公众号的功用属性，利用好菜单栏，设置出高点击率的公众号菜单。

如果是购物类的公众号，菜单栏基本就是一个购物入口，在这里可以利用菜单栏进行网站的品类分类，发布优惠券、购物活动等，便于用户直接购物。

功能类的公众号只要将功能直接嵌在公众号菜单栏即可。

其他类型的公众号，依项目发展需要，设置推广重点，最好是你想要让用户经常看到的，同时能够与用户产生互动、提高用户粘性的类目。

那么问题来了，菜单栏的数据分析怎么做？

公众号的菜单栏里面有子菜单，合理设计分类公众号子菜单的内容，通过菜单栏的点击率，了解用户真正的需求，再根据数据做出对应的调整。

建议在设置菜单栏时，将子菜单的内容同级分类，这样便于我们了解哪一个品类更受用户欢迎。

比如运营类：产品、运营、营销、推广…

音乐教育类：钢琴、小提琴、吉他…

通过分类，来调查用户的兴趣，从而更好的进行内容运营，产出用户感兴趣的内容。

因此我个人建议，菜单栏的设置要跟产品发展阶段挂勾使用，我看到有的公众号的菜单栏长期没有更换，或只是单纯的链接历史消息的。个人感觉非常浪费，好好利用菜单栏，可以让我们更好的了解用户需求，帮助我们做好内容运营。

四、消息分析

1、小时报

小时报的数据可以分析出用户的集中访问时间，在这个时间段，我们可以更好的分配客服人员的工作。具体分析跟上文提到的一致。

2、消息关键词

关于消息关键词，是我们要重点关注的地方。

通过关键词的分析，可了解到用户的主要疑惑点或需求点，做好FAQ。

通过FAQ提高客服工作效率，这是做这一部分数据分析的主要目的。

至于剩下的接口分析与网页分析，涉及到专业技术，在这里我就不赘述了。

总结

以上四个方面进行的数据分析，根据对工作的指导意义，可以做如下概括。

用户分析：找到关键用户属性，找到主要开源渠道；

图文分析：找到关键流量点，总结内容规律；

菜单分析：找到用户兴趣点，合理化菜单与产品定位充分结合；

消息分析：找到用户集中访问时间，充分利用关键词，做好FAQ。

数据分析是贯穿运营人运营生涯始终的事情，数据分析最重要的是，找出规律，并将规律用于迭代工作。一个运营人必须要具备数据分析方法和意识，因为它对运营工作的指导意义是巨大的。

大家如果能按照我今天推荐的方法去做数据周分析、月分析，相信大家很快就能缕清思路，当然，数据当中可能还隐藏着一些潜在的能让你把一件事情变得更好的线索和菜单，有待于你去发现和发掘。

我曾服务过一家在线教育公司。当时为其制作的落地页有16p，通过数据发现最后1p的用户留存率有13%，这证明内容策划得不错，用户也感兴趣，但就是不报名，这是什么原因呢？

当时，触发报名的按钮只有三个，我们建议添加足够的按钮去引导用户报名，客户却说出于品牌调性的考虑，不想添加太多报名按钮。这就是典型的中间动作走形的案例。

马云曾说过一句话：“只有精细化的过程控制，成功才能复制”，这放在提升转化率这件事中，就是需要精准每一步的转化动作，坚定地执行，不然最终的结果不会好。

接下来我们分三个板块，具体讲一下提高营销转化率的方法：

第一，曝光到成交全流程的拆解

第二，让用户下单的”六要素”

第三，”六要素”使用示例及注意事项

企业在线上投放，首先要选择渠道，实现展示，然后等待用户来查看，从而产生关系。

主要原因：网页打开的速度太慢。一般来说，打开时间超过三秒，正常的用户就直接关掉网页离开了。

►案例解析：如何将儿童围棋学校的ROI做到102？

接下来，我们通过一个案例来分析，如何优化用户购买过程中的每一个指标，来提高总体的转化率。

这些指标分别是：兴趣率、预约率、到场率及到场成交率，只有提高每一步的转化率才能让最终转化率有大幅度提升。

我以前负责了一个针对4-6岁儿童的围棋培训项目。在我负责之前，其招生方式就是让人背着棋盘出去招生，平均20个人中有一人会留下来听你说几句，也就是兴趣率为5%，最后留下号码的是1/3，来上试听课的也是1/3左右，最终进行购买的，好的时候能达到50%。

从传统意义上来说，这个数据还不错，但在我看来还有很大的上升空间。

于是我建议老板投百度，但他觉得没效果。我就问了一个问题，既然百度没效，为什么竞争对手还天天投百度广告？答案也很简单，就是投百度有效，都赚钱了。

之所以认为投百度没效，是因为没有摸清百度投放的商业规则，没有把百度投放的工具用到极致。老板最后同意了，于是我就开始用自己的方法去提高各项的转化率，最后做到的数据是这样的：

用户打开页面到愿意发起咨询，愿意填表单的兴趣从5%上涨到33%；然后通过话术的调整，让用户在咨询过后愿意预约试听课的转化率从33%提升到74%；再通过流程的改造让用户的到场率从33%提升到80%，最后一步成交率主要影响因素是试听课的质量决定的，所以还是50%左右。

总体的转化率差了30倍以上，怎么做到的？有几个方面：

1、捋清用户离开的每一个原因

首先，明确一个点就是总体转化率是N个转化率相乘的结果，但很多公司就没有去测试每一个点的数据，自然也不知道到底是哪一步流失了用户。通过分析数据，去思考用户在哪流失了，思考流失的原因是他不感兴趣，还是说他感兴趣，但我的内容表达形式不对，导致他离开了。

找出原因后再一步步地优化，提高每一步的转化率，最后的转化率才会出现指数级增长。

2、优化SOP促进整体转化率

1）如何将到场率从33%提高到80%？

还是一个逻辑，先分析用户不来听试听课的原因。

通过调查，原因主要有三个：

• 价值传达不够，客户觉得学围棋不重要，周末就想在家休息，这很正常。
• 客户忘了有试听课，忙其他事情去了。
• 来的路上堵车，算算时间要迟到20分钟以上，就不来了。

原因找到了，接下来就是找解决方法。

第一个，优化话术，传递学围棋的意义和价值；

第二个，提前进行试听课提醒，解决用户忘记听课的问题；

第三个，解决用户迟到的尴尬，在上课前，比如9点的时候打电话询问客户是否已经出发，传递我们会等他的信息。

所以，要提高转化率就不能任由事情自然发生，要去优化这些阶段。

2）如何将预约率从33%提升到74%？

首先还是找原因，家长为什么要让孩子学习围棋？

答案五花八门，但后来我做调研的时候发现，家长让孩子学围棋的最主要的原因不是培养孩子逻辑思维能力，而是为了提高孩子的注意力。

举个例子，当一个客户问价格时，特别是价格远高于同行情况下，该怎么回答？以我操盘的儿童围棋项目举例。

如果直接说价格，基本就不会有下一步了，因为：

1、不看价值只看价格，我们价格远高于同行，

2、直接问价格的客户是询价的客户，这个时候正确的做法不是说价格。而是：

第一步：提供多种选择，避开主要问题。

家长：你们多少钱？

售前客服：家长您好！我们这有初级班、中级班、高级班，还有3个月、半年、1年、3年的课程，要看孩子适合读哪种班，才知道最终价格。

第二步：用容易回答的问题来筛选目标用户

售前客服：孩子几岁了？

家长：X岁（如果符合4-6岁的适学年龄，继续后面的问，不符合就说不合适，，低于4岁，记下孩子年龄和家长号码，在系统中记录下来，到了适学年龄的前2周再联系家长，超过6岁，就说不适合我们这种班了，委婉拒绝掉。

之所以第二步问年龄是为了快速判断是否属于目标客户，不属于目标客户的迅速解决，挂掉接另外一个电话，售前客户人数有限，需要把时间留给目标客户。

第三步：把所有可能的情况都遍历一遍+对应的痛点刺激

售前客服：是男孩还是女孩

情况1、

家长：男孩

售前客服：性格是活泼好动还是成熟稳重

情况2、

家长：女孩

售前咨询问：性格是活泼好动还是文静

情况1.1、

家长：男孩子性格活泼好动

售前客服：家长您好！我们北京有12所校区，最大的校区是望京的六佰本校区，有1000多个孩子，绝大部分家长把孩子送过来学围棋就是因为孩子活动好动，太闹了，注意力不集中。我们都知道，注意力不集中，学什么都不行，孩子将来可能是个废才，听孩子的幼儿园老师或一些教育专家和朋友说学围棋能提高注意力，所以把孩子送过来学围棋，锻炼孩子的注意力。

情况2.2、

家长：女孩性格偏文静

售前客服：您还记得您读高中的时候，学空间立体几何和排列组合是不是班里的男生成绩普遍比女生好？

这是个事实，大部分女生比男生的空间想象能力和逻辑推理能力要差，现在生了个女儿，将来读高中也要学排列组合和空间立体几何，你说家长是现在花钱送孩子去学习解决问个问题，还是等将来孩子读高中的时候，孩子痛苦，家长也跟着一起痛苦（辅导孩子数学题也是很痛苦的事）

所以你通过把所有的情况都模拟一遍，无论他问什么，你都能回答，并且能刺激痛点+传递产品/服务的价值，你的预约率一定会高很多。

这就是为什么围棋项目网络营销团队经过话术优化之后，预约率能从33%提高到74%。

细节决定成败，细节里面不仅有魔鬼，还有很多钱，全是钱。

之前做过一个小调研，女性在天猫或淘宝上买衣服的购物过程很漫长且复杂。先是看眼缘，看上了就点进去看商品详情，看完后基本要刷8页评论，然后再看看有没有差评，如果能接受的就会下单。有的人还会去看有没有优惠券，或者联系客服看能不能拿到折扣。

这些都是正常的用户购买行为。

那我们反过来去思考这些行为，就是用户为什么会选择在这家买，不去另外一家。

答案有很多，总结起来基本上是以下几个：

试想一下，我们自己购物都需要购买理由，那么大家看下自己的产品页面，把理由都展示给顾客了吗？如果都没有，凭什么让顾客购买？

回过头来看客户下单的三个阶段，整个交易环节中最难的就是建立信任。

那我们应该如何控制这三个阶段，让客户快速下单呢？有六个要素需要控制，分别是：

第一步能让客户产生兴趣的点，叫互惠，不是优惠。比如有时候出去吃饭，商家主动给的优惠券就没人要，因为这个不是相互优惠的。

进入建立信任的环节，有三个步骤，第一个是承诺和一致，对于建立信任来说这是非常重要的一步，也相对比较难，后面详细解释。第二个是权威，因为前面的承诺和一致已经与顾客建立了轻度信任，但还不足够，所以需要权威来加码，比如说请名人代言，做一些知名的检查报告等。最后，权威还不够就要用到社会认同，这是最高级的信任，比如一般人买东西会选择销量最高的，或者没有差评的。

最后到下单阶段，到了这步顾客还是没有下单，原因就两个：没有购买能力；没有需求，不着急。我们说没有需求的基本上不用管他，但面对没有需求，不着急但又喜好的顾客，我们就需要营造稀缺性来让他着急起来，就下单了。

►案例解析：如何打造减肥产品的承诺和一致，让客户产生信任？

六要素中最难的就是承诺和一致。接下来用一个减肥药的案例解析操作的具体方法。

假如公司研发了一种非常有效的减肥药，能让人在60天内从160斤减到130斤，作为企业的CMO，怎么制定市场策略，怎么做产品的详情页让消费者相信这个药真的有这种效果？

一般来说都会有以下四种想法：

看到上面的几个广告，你会相信这个减肥药真的能在60天内，从160斤减到130斤吗？

即使是找到医生来背书，大部分的人依然是不相信的。

再问一个问题：大家相信科学吗？我想基本上都是相信的。

那我们沿着上面广告三的思路，找全中国最好的医院：协和医院，挂一个特需号（特需号医生比专家医生要厉害，部分还是学术泰斗）问医生怎么减肥。这个医生就说：减肥也很简单，我们中国科学院和美国科学院联合研发了一种药，经过了美国FDA和中国食品药品监督管理局的认证，没有任何副作用，懒得动的话就不用动，实在控制不了自己，随便吃也行，也能减下来。就把这个过程录下来，最后贴上减肥前后的对比图。

首先，我们找到了最权威的医院和医生来证明药效，可以说是很科学了吧，但这样的广告还是让人难以相信。

为什么？

因为我们表面上相信科学，骨子里更相信直觉。人原始大脑的话语权是高于后天进化的理性大脑。所以，实现承诺和一致，要先在前文作出承诺，后文则是做出常理上认可的实现承诺的保障措施再加成功案例。为什么上面请到协和医院的医生来证明也不能让消费者相信，就因为不管住嘴迈开腿就可以减肥是不符合常理的，更别说随便吃，不用动，所以消费者就不相信。另外，成功案例一定要放在最后面，放在前面消费者会认为这是造出来的，他就不相信。

这就是取得消费者轻度信任：承诺和一致的实现方法。今天时间不够，主要讲六要素中最难的承诺和一致，其他要素就不一一讲解了。

总的来说，让用户下单的六要素，首先互惠就是为了激发兴趣，承诺和一致就是为了产生轻度的信任，权威则是传递信任，社会认同就是让消费者主动选我，喜好是为了让消费者远离痛苦，稀缺就是为了成交。这其实就是把整个用户购买的行为逻辑都复盘了一次。

大家检查下自己产品的详情页面缺少什么东西，补上去就可以了。

最后，我们来说一说“六要素”如何使用，还有注意事项。

使用示例：如何让一所不知名的学校显得很牛？

这个学校是一所美国的高校，叫索菲亚大学，专业实力很强但不知名。

所以首先就要找到一个能让客户产生兴趣的点，本来想从学校的历史入手，但它成立只有40年。

接下来就从美国高校与中国高校的不同之处下手，项目方就说主要有三点不同：

第一点，中国大学的证书盖章，而美国的证书签字；

第二点，国内毕业有两个证，一个学位证书一个学历证书，而美国则是一个证。

第三点，中国绝大多数的大学归教育部直接管辖，美国的大学归东部、西部、中部三个教育联盟管，索菲亚大学就归西部教育联盟管，而且这家学校对面就是斯坦福大学。

从这三个不同点中，拉出了两个能有大流量的点，就是这家学校它比邻斯坦福大学，并且和加州理工大学，美国空军军官学校和华盛顿大学统归西部教育联盟管。这些牛逼的学校能为不知名的索菲亚大学带来流量和可信度。

注意事项一：做好流量承接

再分享一个事情来解析具体如何做好流量承接，就下面这两张海报图：

上图之前参与的课程的推广海报，这个课邀请了不少牛人来讲，模式是一个月上一个老师的课。

首先第一张海报第一版吸引力不够。比如定位理论实践牛人冯卫东老师，第一版的介绍是：天图资本CEO，但目前天图资本在大众领域的知名度还不够，也不知道它投了周黑鸭、奈雪的茶等知名消费品牌。对于普通人来说，也许周黑鸭的知名度更高，所以我建议把冯卫东老师的简介有天图资本CEO改为周黑鸭、奈雪的茶投资人，这样可以和大家熟悉的事物产生链接。

后来，课程负责人做了每位老师的单人海报，就是右边那张，老师也很配合转发了。但问题是扫我的码的朋友肯定是关注我的课程，而进去看到的是课程所有的内容，前面是讲完的老师，需要滑动好几屏才找到我的课，而且还没开始，所以进来的人多半会选择直接离开。

这就是流量承接的工作没做好。海报发出去了，就应该提前想好如果用户扫了会想看什么，呈现他想看的。

注意事项二：巧用MAT模型：动机-能力-触发

最近腾讯把宇宙第一的广告位给了微视，但效果并不好，原因是什么？

因为微视对于大众来说是陌生的，即使把它放到最好的广告位，大部分人都很少去点它，因为我都不知道你是什么东西，为什么要点，就算点了，也是直接跳转到应用商店去下载，普通用户又不是干互联网的，每个月流量没那么多，我不知道是做什么的，更不会花流量去下载。

更好的做法是按MAT模型，当用户点进去后应该跳出一个页面告诉用户微视是什么，能用微视做什么。然后设置多个手机型号让用户选择，再跳到各手机型号的应用商店进行下载。把下载的能力和触发都提前设计好，下载量就会好很多。

只有提高每一步的转化率才能让最终转化率有大幅度提升，所以大家回去分析一下自己家产品，从广告曝光或者线下的门店，客户从看到你的广告或门店到下单到底分为几步，看还有哪些优化的空间，把每一步都落实，转化率自然就上来了。第二就是要活用六要素去控制一个人的消费过程。

其实，做微信裂变也是有法可循的，首先目的性要明确，其次是设计并细化流程，最后进行实际操作，当然其中也需要利用一些实用的工具。

我总结过微信裂变的14种模式，其中“微信群+微信群裂变”是我最常用的裂变模式之一，这里给大家讲下它的所有裂变技巧，希望你也能做出一场爆款活动。

“微信群+微信群裂变”的裂变路径是这样的。

用户看到裂变海报扫码进群，机器人提醒新进群的用户分享文案和海报到朋友圈，群满100人后自动切换到下一个群，每一个用户扫码后都进入到群里面，如此反复。

当用户完成任务后，提醒用户添加我们的客服领取资料，资料的链接里面还附上公众号的二维码，又导流一部分用户至公众号里。实现了微信群、个人号、公众号同时涨粉。

它的优点：

用户参与度高，相比于添加、关注，进群的操作更加容易；将用户沉淀至群，从众效应，群氛围刺激用户转发；裂变率高，流量损耗小，风险几乎为零。

反正，一旦是流量较大的裂变，一定要用群裂变，才能把你的效果最大化。

那么，在这里，我给大家讲一下我是如何做群裂变的，你自己去跑直接按照我这个流程来即可。我们已经通过群裂变跑了100多万的微信粉丝了。

一、确定裂变目的和路径

每一次裂变活动的设计，你都要想好这次我裂变的最终目的是什么，是想给你的公众号做增长，还是个人号，还是社群，这肯定是要根据你的产品形态来决定。

但我的建议是，裂变尽可能给微信群和个人号涨粉，现在是微信群和个人号的红利期，沉淀在这里面用户是有极大的几率多次反复触达到你的产品的。公众号的阅读量越来越低相信你们也都知道。

我们设计的裂变是以群裂变的形式把流量导向微信个人号，再倒流到公众号。

二、设计裂变素材

确定好裂变目的和路径之后，接下来就是开始设计裂变素材了，素材包括文案和海报，大家一定不要小看这两块，一句文案的改进和修正就可能提高80%的转化率，甚至是100%。所以他们的重要性不容小觑。

文案包括：海报文案，进群文案，朋友圈分享文案，课程资料领取文案。接下来一个个给大家分析。如何将这些文案做到效果最优。

（1）首先来看海报文案，做海报不能只做一版，至少做两版，因为你需要来回做测试，看哪张海报的效果最好，我跟大家举一个我之前做群裂变的例子，你就能做到我是如何去迭代我的海报的。

那次一共做了4版海报，我跟大家讲一下这个过程。

大家可以看一下第一张海报，说实话第一张海报的效果很差，大家知道具体的原因吗？

三节课理解人工智能与Python，什么叫三节课理解人工智能与Python，主标题是最重要的一环，如果你解决不了用户的痛点问题，用户看了之后无感，那接下来的所有裂变工作都无法进行。

什么叫三节课理解人工智能与Python，什么叫理解？

焦虑感爆棚的时代，谁会想仅仅是理解人工智能与Python，大家想的肯定是如何习得，如何获取这个技能，而不是仅仅停留在理解的层次上。说白了，“理解”这两个字不够痛不够重。

但当时我们还没意识到问题，以为是海报不够刺眼。所以从这一维度去考虑，是否是因为海报设计的影响，然后在内容不变的情况下，修改了海报样式，把标题和底色区别开来。但结果还是一样，裂变效果并不满意。

后来我们排除了海报设计的因素，找到第二个维度的影响。也就是主标题不够有诚意，不够厚重。改了第三版海报。29讲零基础Python入门。

用户一看，听完29讲我就能学会Python了，直接了当，痛点得到解决，那么裂变效果就变得柳暗花明了，这一张海报裂了有三百个群，但是我们还不满足。

你们一定要抱着不满足的心态去跑裂变，因为裂变能率大于1.2，说明肯定是可以跑通的，我们只需再优化做到极致。然后我们就加重了课程内容，也就是第四张海报，同时，我们修改看海报详情，之前都是说明变量，变量分析。

说实话，小白也不太懂，而且不够有重量，后来变成了29讲Python入门，16讲人工智能入门，同时还赠送了学习资料。而且把原价写上去，用上价格锚点。就是这一版海报，我们这一次差不多裂了2000多个群。

所以，总的来说，海报的文案的设计需要围绕痛点，卖点，爆点来设计。痛点体现在标题上，你的标题要让用户第一眼看到，就能知道，这张海报解决的是什么问题的，不要拐弯抹角，直接开门见山，用户就给你几秒钟的时间。

卖点是你提供的解决方案，和竞品相比你有什么优势，这需要根据你的产品来提取。最后一个是爆点，比如说限时免费，0元，仅限xx人。爆点就是临门一脚，给用户最后一次刺激。

群裂变能否成功，很大因素取决于海报设计，通过对目标群体的洞察提炼需求，不断优化，让用户感觉极具诱惑力。海报的元素要围绕如何解决用户痛点来设计。

记住：主标题的字一定要大，大到要让 用户在刷朋友圈的时候，不用点开大图就知道你这张图在讲什么 。因为大家在刷朋友圈的时候，图是缩略状态，如果不是你一眼就感兴趣的，是不会点击查看。

如果你是小白，不知道从何下手。你就去网上搜索裂变海报，也有人专门搜集好了，你就挑一部分你看得顺眼的，然后板式不变，句子的结构不变，你可以尝试改下文案。直接复用。比如“你有多久没好好读书了”，有书他们做了两年，做成了千万级别的大号。

（2）用户进群文案：

1. 扫码进群的文案：侧重以情动人，同情心，向用户透露举办活动不易的相关字眼；让他转发朋友圈，强调不转发的会被移除出群。服务要好，态度要坚定。
2. 催促未转发用户：踢掉1、2位反复提醒无效的人，杀鸡儆猴，刺激用户快速转发，激发他们的从众心理。
3. 增加人工客服：机器人是刻板的，每进一个人机器人就自动发话术让用户转发，实际推广过程中还需要工作人员在微信群中不断发言，真正让用户感受到价值的还有你服务态度和温度，让群内成员信任活动的可靠真实，如果可以，也可以发一两条语音。发现有截留的营销号马上踢群。
4. 当用户完成操作后，引导他加你好友，然后发送课程。发送课程资料链接给他的时候，链接里面的最下面附上你的公众号二维码，引导用户如果想领取更多资料可以关注公众号流去，这一步把用户引导到公众号。

（3）裂变的朋友圈文案：

换位思考：让用户转发到朋友圈的文案一定要站在用户的口吻去推荐你的课程，这样有利于用户转发朋友圈后增加信任背书，提高扫码率。文案不能随意，因为每条朋友圈都代表一个人的形象，最好多写几版文案。

朋友圈的文案是至关重要的。在裂变大环境下滑的情况下，提升用户转发朋友圈的概率可以从以下几个技巧去考虑。

1. 这条朋友圈的文案是否能提高用户的自我形象。用户希望展现在其他人面前的是一个高于自身期望的朋友圈，让别人觉得他是一个热爱学习的，积极上进的人。比如：用户增长学习大礼包，比用户增长资源大礼包更好，因为学习更加能够提升用户在朋友圈的形象，虽然只是改了一个词，但是结果是完全不一样的。
2. 如果你提炼的中心文案，不能让用户看到想象中的美好自我，一定很难爆发。比如下面这些文案都是优秀案例，这些都是能让用户想象中美好自我，你看，标题就写了美好的自己应该是怎样的，比如拥有千万级社群资源的，比如写着顶尖的文案，比如操盘着千万级别的小程序等等。要给用户看到理想的自己与现实的自己之间的差别。
3. 用户发朋友圈是为了获得某个利益，你能否给他一个正当理由，或者是升华一下这个行为，那他分享的几率就会更高。你要告诉他，分享海报不是为了帮助自己，而是为了帮助别人，赋予其意义升华。文案千万不要有局限性，比如说，你可以出现一些类似于“赠送给大家，推荐给爱学习的你们”以这种用户能够接受的口吻去让用户转发问朋友圈。

三、启动渠道测试

海报设计好之后，接下来就是投放渠道了。群裂变的核心原理是人以群分、从众心理，只有在目标用户的垂直渠道投放（朋友圈、社群、公众号），你才能去捕捉用户的微信关系链，在行业中形成刷屏效果。

所以裂变海报就是要为垂直用户群体设计的、宣发的首发引爆点也要在该用户群体中。这次我们选取的渠道是计算机类的公众号，非常垂直。

当然，如果你已经有了自己的用户池，你可以选择在自己的公众号或者是朋友圈或者是微信群去测试。

所以裂变启动到底选择微信群，还是朋友圈，还是公众号，这里说下我自己的一些经验。如何选择精准的裂变启动渠道。

对于这个话题，我是比较有感触的，我也吃过很多亏，一旦裂变渠道不精准，你的裂变就直接失败了，这里我就把我吃过的亏分享给大家。

1. 微信群投放

我的建议是，你一定要谨慎去做，我自己尝试了买群分发裂变海报和文案，但发现效果很差。

比如说我做一个针对k12学生的活动，我的目标用户都是家长，我找了一些专门在卖群的朋友，我把海报和文案发给他，他会在他的所有家长群里群发。

我大概做了有三次群推，发现没有一次是成功的，钱都打水漂了，钱打水漂了就打水漂了，我想知道真正的原因到底在哪，找出背后的影响因素，为什么每一次通过买群推群去宣传活动，真的是一个人都没有。微信群群推的话一个群的市场价格大概在2-5块左右。

后来我又买了一些群，我说你拉我进去就好。这次我不推广，我想观察下群的质量，然后结果一进去之后，里面全是广告党，都是家长，但都是家长中的广告党，也就是说群里只会互相发广告，没有日常的聊天内容。

所以说微信卖群的质量是参差不齐的，不是说卖群的不可靠，当然有一些是在良心卖群，但是特别特别少，除非你有专门的渠道，否则市面上那些卖群的，还是不要相信为好。

1. 朋友圈投放

第一种是朋友圈代理模式。有一些代理是专门在做朋友圈投放的，第一种模式是腾讯的朋友圈广告，我测试尝试过投放裂变，他的成本是5万起投，所以还需要一定的预算成本。但是发现效果比较差，还不如直接售卖。

其实这属于投放的范畴，不是属于裂变的范畴，但是我把投放和裂变结合起来。投了一次ppt课程的裂变，由于朋友圈广告微信的限制，发现用户路径走完整个裂变流程还是挺漫长的，不及直接扫码进群裂变。所以我个人并不建议大家投放朋友圈广告来做裂变。这是我自己吃过的亏。

第二种模式是朋友圈代发模式。他们会专门购买某个精准行业的kol或者是这部分用户的朋友圈，一旦他接单了之后，就会让这些人统一发朋友圈，这种朋友圈的价格大概在5块-10块钱一个人左右。

效果的话其实和微信群是一样的，这些做代理的其实也是参差不齐，但是还是有一些靠谱的专门售卖朋友圈的人，他们的流量都很真实，都是真实的微信号真实的朋友圈。

现在很多大学生其实都有涉及这块业务，一些传媒公司直接去跟大学生谈合作，租他们的朋友圈位置。我测试过很多，没有一个跑得起来，所以，建议你们还是慎用。

1. 公众号投放

第三个是付费公众号投放，或者公众号互推。公众号的评估非常重要，因为一次投放可能花个几千块甚至是上万块钱。一旦失策就打水漂了。

你要充分观察他的精准度和质量，他的公众号的介绍和定位，他发的文章的内容是否是你的目标用户所感兴趣的，是否是切中他们的需求和痛点，他们的留言区里的留言是否是你的目标用户经常提的问题。

除此之外，还要看数据，除了点赞量，阅读量，评论数，文章赞赏数，头条和二条的阅读量的差距，还要去新榜或者是西瓜数据这种第三方平台去观察下他们公众号的活跃度。

选号之前你也可以询问下号主他们是否有粉丝群，有的话你假装是粉丝进去观察下群的活跃度，如果活跃还可以的话，证明他们粉丝的粘性是靠谱的。所以你需要从多个维度去判断一个公众号的质量，这是至关重要的，不仅仅是关乎广告费的事情，还真的是关乎裂变能不能起来的问题。

但是选号，你一定要选择与你行业非常有相关性的号吗？不一定，比如你投一个PPT的课程你，你第一个想到的肯定是职场号，大学生号吧。

投这些号的话，基本上行业泛滥，很难去洗，所以你要转变思维，比如说你投一些教师类，医生类，护士类的号，这批人平时工作时表示也会使用PPT，这些行业还没怎么被洗过，所以投放还是非常有效果的，所以你思维要放得开。

我说的这三种模式，我建议还是直接投公众号，因为我已经吃过很多亏了，你们不必再来一次。

朋友圈和微信群你想尝试的话也可以，但肯定会踩一些坑，所以还是投公众号比较好。但是我觉得大家应该往积极乐观的方向去想，这种大环境下对我们的要求就更高了，我们需要有甄别渠道好坏的超高能力，这真的是一种别人不能取代的能力。

大家都在找号，都在找渠道，如果你的甄别能力比别人强，那么你的裂变就等于成功了一半。当然，这种能力是经过不断的实操不断的采坑不断的分析数据而形成的，所以大家一定要在渠道投放这块多花点经历，这是裂变启动的第一步，也是很重要的环节之一。

这个表格说我做群裂变的时候会统计的数据，你统计完数据之后你就会发现整个裂变流程中哪一个环节出现了问题。

那么整个裂变流程怎么去监控数据，每一个环节的跳转都需要有数据，用以监测整个流程的留存率，一旦发现某个流失率偏高，那你就要想好解决方案了，后面真正跑起来的时候是很耗成本的。所以在启动渠道测试的时候，你就需要做好所有环节的数据监控，做到精细化运营。

你的裂变设计的整个路径，你都需要观察用户整个流程的跳转率，比如扫码率，进群人数，添加好友数，关注公众号的数量，每一次启动每一项都做好记录，作对比，算出每一步的跳转率，比如第一个渠道多少人扫码，多少人进群，几分钟满一个群，第二个渠道多少人扫码，多少人进群，几分钟满一个群，这样作对比能很快发现问题，并且立即改进和优化。

比如相同维度下，相同的投放素材，相同的渠道，都是投放公众号，只是投放两种不同的性质的公众号。这就监测出这一维度的影响因子了。然后之后你再去做投放的时候可以避开这些已经踩过的坑。

测试阶段的裂变效果监测，我们会把整个裂变路径的转化率都详细的记录下来。一般我们会找公众号渠道来投放软文，软文最下面会有裂变海报。

我们会监测文章的打开率、海报扫码次数、进群人数、退群率、添加个人好友数、公众号关注人数。一般的话，前期的测试肯定是找3-4个相同的渠道去投放，看每个渠道的每个裂变路径的跳转和转化率是否具有相似性，如果这几个渠道中，某个环节的跳转。

比如说，海报扫码率都偏低，那么就寻找原因，海报扫码率偏低的原因是什么，可能很多人打开文章后，并没有完全下滑到文章底部，大家被你的标题吸引进来后，发现文章内容并不是他感兴趣的或者是标题和文章落差较大，那么他就会推出去而看不到底部的裂变海报，这个时候你就应该来优化你的文章内容，提高用户的文章的完读率。

第二种情况，如果你没有投放软文，直接在朋友圈启动。同样的你需要检测海报扫码次数，进群人数，群满人的时间，退群率，裂变率，完成任务后的好友添加数或者是公众号关注数。

我们一般做微信群裂变的时候，最后会让用户添加我们的群主为好友，然后再给他发送资料，到这里还没有停止哦，我们还会在给的资料里面附上我们的公众号二维码，这样就又导了一部分用户沉淀到公众号里去了，这种转化关注率大概是40%。

也就是说100个人领取资料之后，还会有一半的人来关注我们的公众号。这样就能最大程度的把用户沉淀到微信群，个人号和公众号了，养成自己的一个流量池，后面再去做裂变的时候才会有足够的启动量。

然后测试后，你可以根据活动的预估流量，提前准备微信群。A-Z。之前我们用的是建群宝，现在你可以用爆汁，也可以用八爪鱼。反正各家都有优缺点。

四、风险控制

注意：公众号二维码准备随时切换，以防被微信封锁：我们这边一般一个公众号一次裂变涨2-3万粉（老号）即可切换。当然新增粉丝越多风险系数越高。

五、闭环回流

引来的流量如何让它再次形成二次裂变？裂变来的流量，一个都不要放过，一定要进行充分的利用，尽可能把所有人都导流到你们的流量池里面去。

大家发现没有，我做的整个群裂变的整个流程，在最大程度上把用户沉淀到我们的所有渠道。整个裂变流程是这样的：群裂变-个人号-公众号-二次回流-爆粉的模式。

用户想要领取课程，用户扫码进群（这是第一步，沉淀到我们的群里面），发完朋友圈之后加客服领取课程（这是第二步，沉淀到我们的个人号里面），客服给他一个课程连接，这个连接里面有诱饵引导到关注公众号（这是第三步，沉淀到我们的公众号里面），公众号里面，还藏着其他课程的裂变，用户想要继续领取其他课程，那么就继续参与裂变，从而形成回流模式（这是第四步，循环再循环），最后所有进裂变群的用户，肯定有人进去之后没有分享朋友圈的，我们就主动加他为好友，给他送课（这是第五步，榨干剩余的流量，变成我们的个人号好友）。

尽可能把流量洗进你的流量池里面。

所以说，一切的群裂变活动，从经验上看，每次裂变活动都要找到转化路径上影响转化率的核心节点，从渠道优化，需求匹配，产品设计，文案优化等多个角度进行改进，充分挖掘沉淀用户流量池，不放过任何一个流量。你可能会觉得这样会不会太麻烦，没什么人力来做，其实，通过各种工具其实已经可以省很大的成本，这里用到的工具有进群宝，金数据，wetool，很方便的。

当你对每个细节都认真打磨，最后的流量池的用户以及转化率肯定会快速增长。

六、裂变率测试，也就是所说的k值

• 第1步：在群裂变工具（进群宝，爆汁裂变，八爪鱼）后台，新建两个一模一样的任务，分别记为A和B。
• 第2步：准备两张裂变海报（除了海报上的活码不同，其他都一模一样），一张海报放A任务的活码，记为A海报，另一张海报放B任务的活码,记为B海报。
• 第3步：在A任务中，将小助手发给用户的海报设置成B海报。
• 第4步：在B任务中，将小助手发给用户的海报也设置成B海报。
• 第5步：裂变活动开始推广了，在所有老用户渠道都投放A海报。
• 第6步：统计数据：

老用户数=A任务群成员数

新用户数=B任务的群成员数

病毒系数K=新用户数/老用户数

这种方法的逻辑是：在老用户渠道投放A海报，老用户看见A海报后，扫码只能进入A任务的群里，所以A任务下的用户总数就可以近似认为是老用户数。

接着，老用户入群，小助手给老用户发送的却是B海报让他分享朋友圈，这决定了绝大多数用户分享出去的海报将会是B海报，所以老用户带来的新用户就只能通过B海报进入B任务的群里。

七、裂变工具

根据裂变路径，一般的裂变工具有进群宝、八爪鱼这种微信群裂变工具，还有爆汁个人号裂变这种针对于个人微信号的裂变，还有醉赞、乙店、媒想到这种公众号任务宝工具，还有集合派，官推精选这种小程序裂变工具。所以根据不同的裂变路径，你自己可以寻找不同的裂变工具来使用。

至于相同的工具应该选择哪个。比如说群裂变应该选择爆汁，还是进群宝，还是八爪鱼。大家可以所有的裂变工具都尝试一遍。你会发现每家的工具都有优缺点，所以这个需要根据你的产品，你的预算来决定。

如今，无论是传媒从业者还是普通用户，已经没有人会轻视技术的力量。

从传统智能手机到可穿戴设备、区块链技术、标志计算机新时代的人工智能，以及即将成为主流的混合现实（Mixed Reality）……这些逐渐切近日常生活与行业变革的技术，传媒从业者应当如何把握？

本期我们精编了这份报告，以期和读者一同触碰技术与传媒业态的未来。

趋势一：人工智能

我们习惯将“人工智能（Artificial Intelligence）”当成一个总体概念，但事实上，人工智能范畴之中，包含着许多具体类别。在当下的传媒行业，那些看似生僻的技术，实则也渐渐应用于我们熟悉的领域中。

自然语言生成

（Natural Language Generation, NLG）

自然语言生成技术现今已被不少媒体与营销机构所应用，基于大规模的数据集来进行自动内容生产。NLG可实现的功能包括，集成关键词、提升SEO（Search Engine Optimization，搜索引擎优化，即利用搜索引擎的规则来提升网站的搜索排名）以及为用户批量提供个性化的内容。

这项技术有两项具体应用，我们都不陌生。

首先是将结构化的数据转化为叙事性的报道，Bloomberg、AP等媒体都在应用这项技术，来收集数据并自动写作有关足球赛事、收益报告等方面的报道，ProPublica等机构也在试验如何在公开数据中发掘报道线索。

另外，一些阅读App可以根据用户所选的阅读水平，来对词汇、语法的复杂程度进行调整。一家教育行业的初创公司Newsela就主打“阅读水平转换（reading level converter）”的产品，为用户提供个性化文本，文本来源则是与他们合作的各大新闻机构，如《华盛顿邮报》和《卫报》等。在未来，NLG还可能与智能语音等领域结合，为内容个性化提供技术基础。

Newsela界面示意，左边栏可选“Reading Level（阅读水平）”

自然语言理解

（Natural Language Understanding, NLU）

现今，我们会频繁接触到以社交媒体文本、政府企业网站公开数据等为代表的各种非结构化数据，自然语言理解技术能够帮助研究者来量化此类数据，从中抽取关键概念、梳理关系以及分析情感。在医学、法政、农业、交通、教育多种学科领域，NLU都可以帮研究者获取更深层面的洞察——传媒领域同样。

机器阅读理解

(Machine Reading Comprehension, MRC)

MRC使得系统阅读大数据、推断含义并且立即得出答案的流程成为可能。举个例子，当你搜索时，你是希望系统直接给出一个确切答案，还是提供给你一堆“欲知后事如何请看更多超链”的URL合集？前者就是MRC可以做到的事。在未来，MRC是实现强人工智能的关键性步骤之一，而近期，它则可以协助我们把技术手册、历史地图和医疗记录等各种资料转化为易于搜索的信息集合。

实时机器学习

（Real-Time Machine Learning）

机器学习指的是一种应用算法来分析数据，从而可以更好地完成各种任务的系统，并且随着时间推移，它会越来越擅长这些任务。但这种系统也面临着效率问题：系统需要停下来解析数据。而最新研究表明，实时机器学习可以随数据获取而实时调整模型。这种技术使得同声传译自动化成为可能，即便是在多种语言混杂的情况下；也可以协助对内容分发进行随时调整，从而为读者提供更具有贴近性的内容。比起刻板地使用历史数据（读者XX只喜欢体育类报道），实时偏好则能够将内容纳入推荐机制（读者XX在接下来的几天里对大选新闻的需求可能会更强烈）。

IBM的“辩论者（Project Debater）”即是真实世界的文本如何被应用于实时学习系统中的范例，它是首个能够和人类就复杂主题展开辩论的AI系统。它能够实时消化复杂信息、组织逻辑完整的主题演讲、清晰阐述并且反驳对手。这一系统将可以提供论据支撑的有力论点，并限制其中情感、偏见和谣言的影响，从而帮助人们辩论。

 IBM Project Debater的网站首页

音视频算法

（Generative Algorithms For Voice, Sound and Video）

MIT计算机科学与人工智能实验室（MIT’s CSAIL）正在研究儿童如何学习新词汇，从而将之应用到训练计算机的自动语言识别功能的开发中去。研究人员也在训练计算机在观看视频的同时，预先判断其中会出现的真实物理世界中的对应声音。比如，树叶落地是什么声音，那木条触碰到沙发呢？研究目的在于，训练系统理解真实物理环境中的物体之间是如何发生交互的。

这种算法未来可以为游戏、视频电影和电视节目自动配音与添加音效，但它也意味着，音频可能构成欺骗——当计算机能够模拟我们的声音和自然音时，会发生什么呢？2017年，华盛顿大学的研究者们就开发了一个能“展示”奥巴马总统某次演讲的模型，事实上这次演讲从未发生过。这恰恰与当今的假新闻和新闻核查不谋而合。

# 2017年“奥巴马演讲视频”的介绍 时长：01:55

图像修复

（Image Completion）

如果计算机系统接触到足够多的图片，那么它可以修补图片缺陷，如失焦、人像肤色等问题，专业摄影师和普罗大众皆可使用。但这种技术难免面临伦理争议：真实和美化的界限在哪里？多大程度上的修补是被允许的？这些问题记者都应当自问。它也可以成为执法和军事的一部分，帮助相关部门识别图像中的人或者物体。以及，考虑我们已经在机器学习和算法中发现的偏见，图像修补的未来，可能涉及设备与隐私等方面的争议。

“隔墙有AI”

（AI For Seeing Trough Walls）

MIT的计算机视觉科学家已经发现了如何通过“意外摄像头（accidental cameras）”来追踪信息。窗户、镜子、角落、绿植等许多物体都可以和AI结合，被用来追踪光线、阴影、震动等外界的细微变化，据此分析出某种条件下我们难以用感官直接捕捉的信息。举个例子，研究者们宣布他们拍摄了一株绿植，通过投射在叶片上的阴影来建立室内其他部分的三维影像，或者他们也可以将叶片转化为“视觉麦克风”，根据叶片震动来分析出室内的人正在说什么。

技术应用示意图

这样，我们可能都会拥有X光般敏锐的视觉——调查记者对此表示十分渴望。

可预测性机器视觉

（Predictive Machine Vision）

MIT的研究者们正在训练计算机，它不仅可以识别一段视频中有什么，还要推断其中的人接下来会做什么。比如说，基于YouTube平台上的视频和电视节目（例如《绝望主妇》），计算机系统现在可以预判两个人接下来是会拥抱、亲吻还是握手。有朝一日，这项技术能够帮助机器人更容易地判断人的身体语言并和人互动。

新型生成式建模技术

（New Generative Modeling Techniques）

自回归分位点网络(Autoregressive Quantile Networks for Generative Modeling, AIQN）看上去复杂，但它本质上就是一个帮助提升算法、使之更加稳定的创新理念。这种技术可以提升AI技术的进步速度，也就意味着媒体和技术领域中的机遇与革新会更快出现。

更快的深度学习

（Much Faster Deep Learning）

深度学习（Deep Learning, DL）是机器学习中相对较新的分支，也会很快无形融入到各个组织机构当中。设计者会使用较为特殊的深度学习算法，结合包括文本、图像、视频、演讲等类似内容在内的各种数据库。从概念层面上来讲，它不算新，最近更新的是计算处理能力和可用数据的数量。落实到实践，这就意味着更多的人类事务可以被计算机自动完成，比如设计软件写代码。

DL受计算机网络运行速度的制约：几年前，用ImageNet网站中的数据集来训练图像识别功能，可能要花费一个月或者更长时间；而现在，Facebook可以在一小时内实现相同的效果。随着计算机提速和硬件技术的提升，系统也会以更加“超人”的速度完成任务。

强化学习与分层强化学习

（Reinforcement Learning and Hierarchical RL）

强化学习（Reinforcement Learning, RL）是处理决策型问题的强力工具，它被应用于训练AI系统，使之拥有超出常人的能力。在计算机模拟过程中，一个系统尝试、失败、学习、实验,然后再次尝试——这一系列步骤都能飞速完成，且每次试错都会对它的未来尝试有所修正。我们所熟悉的AlphaGo就是基于RL机制学习如何决定战胜人类棋手。但这项技术也存在问题：当智能体（agents）缺乏足够的监督（supervisor，简单来说监督就是设定输出值/目标，在数据中发现潜藏模式能更容易，而无监督式学习不设定输出值，下文在机器学习相关技术中出现的“监督”也是同一个概念），或是需要运行一项长时间的复杂任务时，可能会遇到困难。

这时，研究者将尝试应用分层强化学习（Hierarchical Reinforcement Learning）——能够发现高水准的行动，有条理地克服学习困难，最终以出乎人类意料的速度掌握新的任务。RL可以提升AI系统的“智能”，来使汽车能在非常规条件下自动驾驶，或者协助军用无人机实现之前尚未实现过的复杂动作。

持续学习

（Continuous Learning）

现在，深度学习技术已经可以帮助系统学习，去以更接近人的所作所为的方式来完成复杂任务，但是这些任务仍然很具象，比如在某一项比赛中打败人类。并且它们需要遵循一个严格的程式：收集数据、设定目标、应用某一项算法。这一过程需要人工参与，也会花费不少时间，特别是需要监督式训练（supervised training）的早期阶段。持续性学习（CL）将偏重于构建提升自主学习与增量学习的技能，研究者未来还将持续扩展其能力边界。

多任务学习

（Multitask Learning）

电影《龙威小子（The Karate Kid）》里，园丁宫地先生承诺教男孩Daniel空手道，但Daniel很快厌倦了日复一日的训练。对于Daniel来说，漆栅栏、汽车、无休止的“打蜡、封蜡”……这些事情看起来都毫无用处，肯定不能帮他学会空手道。当然，最后所有的杂务都被证明与空手道有关，这样的训练也帮他成为一名空手道冠军。

提起这部电影，是因为研究者最近就在训练智能系统像Daniel这样学习。当开发者使用机器学习时，他们要尝试用这种方式解决单个特定的问题。他们会监督智能系统微调，且不断修正，直到系统的表现符合预期。但是仅仅聚焦于单个任务，经常会指向无效结果——也许有比研究者发现的机制更好的解决方案呢？于是，新的研究领域，也就是多任务学习就产生了，让系统像Daniel这样，在各种各样的相关任务中寻求联系，探寻如何更好地解决问题。

电影《龙威小子》剧照

对抗性机器学习

（Adversarial Machine Learning）

简而言之，一段对抗性内容（包括图片、视频、音频等），都包含了一个很小的“优化点”，人类通常无法察觉。科学家设计模型，给计算机训练“识别细微差异”的能力。不过，它也可能被黑客利用，用对抗性图像来误导机器学习系统。

对抗性信息可能会被有意或无意地植入到图片、多媒体报道、虚拟现实等内容之中，在假新闻广泛扩散的当今，这一点尤需谨记。对搜索引擎来说，给图像自动标记tag，实现起来也并不容易。

更加重要的环境交互

（A Bigger Role For Ambient Interfaces）

环境交互（Ambient Interfaces）也以“零界面（zero-UIs）”的概念为人所知。现代交互更像是身边环绕的音乐，更少的直接指令，却能做得更多，还能吸引我们的注意力。据悉，在现代社会，成年人平均每天要做20000多个决定，大到股市投资，小到要不要刷一下手机。新型数字助手（DAs）有望对所有需要决定的事务进行优先级排序，替我们作出委托，甚至自动应答——这一无形的决策制定过程都不需要你直接输入指令。根据梅特卡夫定律（Metcalfe’s Law），网络的价值将和使用者数量成正比。这就意味着，越多的人加入这一环境交互的信息网络中，这项技术就会越好用。

将来，数字助手会变得无处不在，会搭载于手机、耳机、汽车、冰箱，甚至藏在口袋中。MIT等高校的研究者也在尝试让我们的设备能够“听”和“看”，它们会知道我们去了哪里，见了什么人，我们的习惯喜好，等等。之后，它们就会用这些数据来满足我们的需求。不难想象，营销机构、银行、以及媒体，都会用这些技术来呈现和传递信息。

当然目前最常见的还是这些

创意型人工智能

（AI For the Creative Process）

AI能不能从事创意性工作？过去的几年里，我们已经看到了不少AI系统设计创作的音乐、服装、自行车等等作品。比如，去年罗格斯大学和Facebook AI实验室等机构的研究者就设计了以创作艺术作品为目标的AI系统。结果是，艺术批评人士无法分别AI作品与人类作品之间的区别。这种创意型应用，可以说是从弱人工智能走向强人工智能的关键一步。

机器人

（Bots）

基本意义上的机器人（Bots）是指，为自动完成某一特定任务而设计的软件应用。在媒体领域，机器人可被分为两大类：新闻型机器人（news bots）和生产力型机器人（productivity bots）。前者可以协助集合新闻信息，并自动为读者推送特定新闻事件；而生产力型机器人，则可以帮助新闻组织自动化他们的日常流程。比如说，推送一则地震警报需要几步？手动登陆美国地质调查局（USGS）的网站，获取信息，再派一位记者撰写一则简讯。或者设计一个机器人，自动抓取与写作。这种自动化可以提高简讯新闻的时效性，并且解放记者生产力，使其能从事到更复杂的任务中去。

而新闻型机器人相关的主要风险是，它们依赖于背后的程序设计，这就使一些居心不良的人可以利用它来散布虚假信息。

 还有我们所熟悉的聊天型机器人（chatbots）

AI中的偏见

（Ongoing Bias In AI）

研究者发现算法当中出现了预期之外的偏见。这一问题与训练AI的初始数据有关：系统一开始基于有限的数据集训练，而且训练程序由人设计，这就难免会反映出我们身上潜藏的偏见。随着计算机系统越来越擅长制定决策，我们可能会发现自己莫名被打上了某一类群体的标签，被判定为无资格贷款或不能享有某种医疗服务——而理由却潜藏在算法中，不那么容易发现。

AI云

（The AI Cloud）

过去一年，人工智能生态之中的领导企业，一直在争夺“人工智能云共享（AI cloudshare）”，以期成为值得信赖的AI远程服务提供者。Amazon、微软、IBM和Alphabet都在为开发人员推出新的软件服务，让AI初创公司能更容易地将自己的创意投向市场。不仅仅是提供服务器，每个公司都会提供现成的AI软件。如Amazon的SageMaker能帮开发者训练神经网络（neural nets），而Rekognition则可以检测并追踪视频中的人、运动和物体。

专有AI语言

(Proprietary, Homegrown AI Languages)

当AI开启了计算机时代的第三纪元，巨头公司都开始竞争市场份额和注意力。上文提到，微软等公司已经为开发者提供软件包，它们同时也为AI应用提供了独特的编程语言。如Uber发布了自家用Python写的编程语言，名为Pyro。这意味着未来AI生态的竞争中将更加分裂多元，而不仅仅类似现在的OSX和Android，或者早期的MAC和PC两大阵营。这提醒新闻机构也该开始为这种多元做准备，为开发者提供训练，提升从业者的能力。

AI芯片组

(AI Chipsets)

对我们来说，平常笔记本和手机上搭载的CPU性能已经在不断提升，却满足不了机器学习的要求。它们的问题在于，缺少足够的处理单元，去完成下一个计算机时代所需的连接和计算。这时就需要一组新型处理器，搭载于SoC（系统级芯片）之上。华为、Apple、IBM等企业都在试水新系统的构建和SoCs。简而言之，这意味着芯片已经可以在AI项目中发挥作用，并且有更快的速度和更精确的数据——也不难预料到，几家企业在未来即将开展竞争。

AI算法交易市场

（Marketplace For AI Algorithms）

大多数组织都无法组建一个无限期地创造、测试和提升算法的开发者团队，所以，开发者团体会在算法交易市场中提供他们的算法。Algorithmia 是现今最大的算法公共交易市场，在这里，开发者可以将他们的算法上传至云，其他人付费获取。Amazon、微软、谷歌等巨头公司也在将自家的框架和服务提供至算法交易市场。

Algorithmia网站首页

AI生态中的更多整合

（More Consolidation in AI）

AI生态中现在不乏这样的担忧：未来方向即将被掌握在少数几家公司手中。AI版图已被九家巨头占据：Alphabet、Amazon、Microsoft、IBM、Facebook和Apple，以及中国的腾讯、百度和阿里巴巴。投资方面，则由Intel Capital、Google Ventures、GE Ventures、Samsung Ventures、腾讯和In-Q-Tel等引领。对于任何技术领域来说，当少数几家公司主宰时，他们会倾向于垄断自身的创意和知识产权，也会视情况和他方展开合作。谈及AI的未来，我们应当思考整合会带来更好的前景，还是如电信和有线电视领域一样，可能带来一定的垄断和阻碍。

AI构筑无处不在的深度链接

(AI For Deep Linking Everywhere)

移动深度链接已经随着智能手机的普及而普及，通过手机应用搜索和分享数据都变得更加容易。深度链接分为三种：传统、延迟和场景。传统深度链接能够实现你从一个应用或网站直接跳转至另一个已安装应用；延迟深度链接则导向应用商店，安装链接导向但本机尚未安装的应用；情景深度链接提供更为强大的信息，实现网站向应用、应用向网站、应用向应用的跳转，并且可以提供个性化功能。比如说，当你下飞机时，你可能会发现你的航程应用为你推送了一条导向Uber的链接。随着机器学习的发展，基于独立用户习惯的应用链接应用的体验会更普及。

AI为自己代言

(Making AI Explain Itself)

有人质疑AI正在成为“黑箱”，除了领域内的研究者之外，没有人知道最新系统是怎么运作的。这不完全正确，但却呼应了一些计算机与认知科学家、记者和法律学家现在的主张：AI系统不应该如此神秘。接下来，我们会争论AI是否应当能够解释自身决策过程，并且提供更多的透明度。这一主张的障碍在于，这样的揭示可能会泄露商业机密，以及不断停下来解释，可能会影响AI工作的速度和质量。

责任与信任

(Accountability and Trust)

很快，我们会到达一个无法判断数据集是否被干预过（无论有意无意）的阶段。如果我们不再信任AI系统输出的结果，那么数十年的技术进展都将付之东流。政府、商业还是非营利组织的领导者，都必须对自己所使用的数据和算法有自信。构建信任需要展示算法工作的流程，但这又与组织希望数据保密矛盾。

建立信任的方式包括，承诺机制的透明性，不必然损害个人数据；另外，请一位伦理学家来和经理人以及开发者一起工作，也可以减少算法中可能出现的偏见。

AI的中国式繁荣

（China’s AI Boom）

现今，中国正成为无可置疑的AI强国。中国的AI初创公司现在已经占据了领域内全球投资的48%，中国研究者拥有的AI研究专利数量也是美国研究者的5倍，人口优势则为科技创新提供了足够的未来需求，BAT几家引领性科技公司也在不断加大对AI领域的投入。同时，中国所能获取的丰富数据，也为应用与从教育到零售制造业等各行各业的AI的训练提供了数据基础。

算法数据特种部队

（I-Teams For Algorithms and Data）

随着数据和算法应用于我们的日常生活，媒体中一支用来调查AI的特别行动小组出现了。《纽约时报》、《华尔街日报》、Publica和《华盛顿邮报》都开始应用采访的核心技能来调查算法。技术越发展，AI系统的不透明度就越高。且不论AI最终的结果是如何输出的，仅仅理解信息从哪里来、如何传播、以及它具有什么影响，就都需要一定特殊的技巧。

对于算法的调查，其结果的紧迫性前所未有。路透新闻研究所的报告表明，在美国，41%的被调查者认为政府应该努力抵抗在线假新闻，英国和法国则是61%，而西班牙则超过了70%。

趋势二：计算新闻学

数据和算法怎样加持新闻业？

计算机摄影

（Computational Photography）

计算机摄影是计算机视觉、计算机图形学、网络和摄影等技术的融合产物。不仅是单单依赖于光学过程，它同时应用了数字图像采集和生成技术，来捕捉真实生活。每一个智能手机用户现在都可以体验到计算机摄影。比如iPhone就使用计算机摄影来实现浅景深效果（人像模式）。

计算机摄影接下来还有许多可实现的功能：实时调节构图，产出多个角度的摄影作品；在图片中增减特定元素，调节光影效果；与此同时，MIT人工智能实验室和Google还联合开发了修饰照片和增强手机拍摄效果的自动功能。显然这会给记者带来一些伦理问题：多大程度上的修正是被允许的？而对应的，新闻从业者也应该开发一种技术，在将一张图片应用于报道之前，先看看它经过了多少修改。

一个处理过程的图示

计算新闻学

（Computational Journalism）

计算机辅助报道（CAR）是一项调查新闻应用的技术。记者寻找、清洗和挖掘公共记录与文件，处理数据并发现潜在的报道线索。在机器学习算法和AI的协助下，计算新闻学就是进化版的计算机辅助报道。

计算机新闻学技术包括多语言索引、自动写作、算法可视化、对于数据集的多维度分析和灵活的数据抓取，这些都可以帮助记者综合在数据中的发现，然后在事实、概念、关键词之间发现联系，从而找到人或组织之间的潜在关系。

此外，还包括一类技术叫做“众学”（crowdlearning）。这项技术可以从我们无意之间产生的数据当中，比如线上活动、定位和健康记录等，来挖掘到一些新的事实。初创公司Neura就是应用这项技术的一个范例。

 Neura网站

脸部标记

（Faceprints）

系统现在可以根据我们面部的独特特征——骨架结构、肤色甚至毛细血管——来识别出我们是谁。“脸部标记”现在相当于指纹。比如去年，Apple就在iPhone X中引进了人脸识别技术。英国的研究者还尝试在脸部识别时应用热感因素，日本的研究者也在用3D扫描来提升人脸识别——预期这项技术能够应用于2020年的奥运会。而这一项技术也面临着法律挑战，在获取用户的面部信息之前，应当在何种程度上得到他们的许可。

声音标记

（Voiceprints）

你的声音由许多独特特性集合而成，这种特性就是声音标记。新型机器学习技术能够通过听我们说话时的微小特征，来协助研究者识别我们是谁。这项技术可以帮助智能语音助手，为家里的每个成员定制对应的交互风格。卡内基梅隆大学的研究者甚至还发现了，如何只根据声音标记，建立起一个人面部的3D模型。

趋势三：区块链技术

区块链代表一种在一个分布式系统上分享和储存信息的方式，在这里身份和交易都被加密。它从比特币开始进化，从数字货币的边缘脱身成为主流。尽管这项技术还在发展中，它的广泛应用已经足以影响许多产业。因此，我们需要了解它与新闻业相关的关键主题。

 代币经济

（Tokenomics）

区块链技术使商业公司能够创造代币（token），Token是指商业公司创造出来，以实现机构自我运作、激励用户和对所有利益相关者进行利益分配的价值单位。代币经济能够为媒体公司变现和分配的方式带来革命性的变化。

通常媒体都是依赖于广告与订阅两者结合的盈利模式——当然报纸也证明了这种模式能多迅速地被数字竞争者冲击。区块链可以实现零交易成本的小额支付，或者能允许用户降低月度订阅费用，却可以消费更多媒体内容。

适用于智能版税和自由职业者的代币

（Tokens For Smart Royalties and Freelancers）

以Ethereum为代表的平台，能够实现对新闻或音乐等内容版权的小额支付——通过自动生效的智能合约。比如说，每当一首歌已经播放了一段时间，它就会从听众那里给歌手拨过去一小笔钱。

类似的平台的创建有两个重点：给内容创作者以最大限度的所有权，和奖励创作内容。内容创作者会很快采用这一模式，因为这能让他们得到大多数收入，而不是要把大多数收入给分发平台。同时，创作者能让自己的版权更多地控制在自己手里，且能直接与受众互动。报告预测，新闻平台会迅速跟进这一模式，但会努力激励读者转向新的平台——毕竟单个记者缺乏足够的市场影响力和关注基础。

永久新闻

（Immutable Journalism）

区块链技术可以创建一个分布式的永久性信息记录（不能被删除或者更改，本质上只能被添加）。这就使得信息的记录和分发的过程可以被所有人看见，不能被改变——除非通过大多数用户更改全部记录。一个应用区块链技术的分发渠道，会让监管和信息限制更难以施行。内容创作者会以此来保护他们的内容在通往终端读者的过程中，不被第三方修改、过滤或封锁。

TRON和Civil都是为信息资源去中心化而设计的平台。他们允许任何人自由创造并分发内容，不受监管。去中心化的信息平台会给内容发布方（包括媒体）以更多的控制权，而削弱平台在权力结构中的优势。另外，不妨把这作为一种为关键信息增加可信度的方式。

自主身份系统

（Self-Sovereign Identity）

身份管理系统已经从政府应用逐渐向邮箱和社交平台账户转移。Google、Yahoo和Facebook等公司现在也根据用户数据建立自身的商业模式，但用户却苦于大规模信息泄露。自主身份系统的逻辑是，用户完全拥有自己的数据，并对其有绝对的控制力。数据在不同应用、设备和平台之间具备互用性和可传输性。它有两个好处，提升安全性和可控性：去中心化的身份理论上更难受攻击；个人拥有自己的数据，他就可以自行决定如何利用数据变现盈利。

对于媒体公司来说，自主身份系统也是一种趋势，可以关联付费墙、身份验证（比如解决几个用户共用一个付费帐户的问题）、创意IP和版税跟踪，以及数字广告。

共有目标的分布式计算

（Distributed Computing For a Cause）

分布式计算意味着这样的过程：大型电脑问题可以被分解，成为多个可以在许多常规电脑上运行计算的问题片段。这就使个人电脑、手机和其他电子设备的闲置时间成为有价值的资源。预计会有不少平台允许用户以此种方式变现他们的电脑闲置资源，需要计算资源的开发者也可以降低成本，增加选择的多样性。对媒体来说，这能减少数字新闻分发的消耗，促进针对社会公共事业的计算机资源的捐赠，并因此减少信息分发的经济负担，和由新闻提供者承担的分析工作。

去中心化策展

（Decentralized Curation）

加密货币和应用平台可以成为去中心化内容策展（Curation，此处可理解为对信息内容的“策展”，即收集筛选、整合编辑、传播分享等处理过程）的一种模型。这是因为平台在探索自治方式，而不是设立集体组织中一贯出现的中心权威管理者。结果就是，基于区块链和智能合约平台建立的自治和激励结构，创造出一种替代性的信息策展方式的试验场，这种信息处理方式更能根据特定利益相关者的需求而灵活变化。

Steemit是类似于Reddit的博客型社区，它建立了一种加密型分数系统，在这里创造、策展内容以及与内容互动的用户会被奖励一定分数，分数可以交换现实货币。另外，名誉值高的用户则可以在内容策展方面拥有更高的影响力，名誉值可以逐渐积累或是直接购买。

未来，用户会对平台信度的建立提出更高的要求。如Reddit之类的网站，起初内容都由用户“众包”提供，这种“众包”内容将会从以往的“大多数人决定”到“有资格的大多数人决定”结构进化。加密系统中的数字人格将会更加重要，因为此种资格会视特定个人账户/用户名之下的历史贡献而定。

趋势四：界面交互

语音交互

（Voice Interfaces）

我们已经进入了一个对话交互的时代。语音交互系统使用自然语言生成技术（NLP），结合我们的数据，来参与我们的所想所需。2019年需要考虑的一个新问题：当语音交互逐渐成为更多的网页搜索行为的接口，会发生什么呢？

对话式交互，能够模仿记者与编辑之间可能发生的谈话，这些谈话可能会与报道事实相关。IBM的人工智能程序Watson的许多应用程序接口（API），包括上文提过的Debater，以及对话和语调分析等，都可以用来协助记者工作。同时，传媒组织也该思考，如果Amazon和Google掌握了我们未来对话的方式，自身应该如何融入这个生态，并在其中取得优势呢？

基于聊天应用的内容变现

（Monetizing Chat-Based Journalism）

信息交流平台已经成为社交行为的新中心，这其中就包括信息分发和经济交易行为，且二者可以合二为一。这种渠道的中心化创造了到达读者的新机会，且读者拥有小额数字支付的功能。比如微信公众平台的“赞赏”设计。其他包括Facebook messenger、iMessage、Gmail等平台，也加入了此种使读者向作者进行个人交易的功能，这也促使记者从在新闻编辑室的工作中抽离出来，转向他们自己的追随者。

音视频叙事新形式

（New Video and Audio Story Formats）

利用视觉响应、触觉反馈和语音交互等技术，报道者正在开发非传统的新型叙事来吸引读者。已经有新闻媒体和娱乐组织开始探索创意叙事形式，其中重点在于个性化、交互与沉浸。

去年，BBC发布了可以在Amazon智能音箱Echo上播放的广播剧，听众可以通过直接与人物对话的方式来决定故事走向。同时，以RYOT为代表的公司也在尝试和主流新闻组织展开合作，比如《纽约时报》和NPR等，开发了用VR形式观看的沉浸式纪录片视频片段，观众可对其展开360°的全景探索。在网络交互剧集《那个时刻（that moment when）》中，观众则可以决定主角的行动，实时改变故事线。

《那个时刻》中的选择之一

趋势五：新闻教育与业务训练

新闻编辑室的自适应学习

（Adaptive Learning For Newsrooms）

AI加持的交互式学习方式已经应用到了商业和教育组织中，根据问题回答的正误来为个人定制课程。具体机制可以解释为：当四个人同时参与一个关于报道突发新闻的测试，一个人回答正确，另外三个人都回答错误，却分别选择了三个不同的错误答案。按照传统方式，此时回答错误的三个人会继续受到同等的训练，但自适应学习则会根据错误为受训者额外提供对应帮助。对于新闻编辑室来说，想要为记者编辑提供特定领域的训练，帮助组织在更广阔的主题领域建立专业度，这个技术将大有可为。

授予记者的纳米学位

（Nanodegrees For Journalist）

相比为期两年到四年的传统学位项目，线上授课的纳米学位（Nanodegrees）提供了一种替代选项，它涉及某个特定主题领域或行业的研究，目标是增长知识，以及获得某种资格认证。这种方式适用于那些只想获得某一领域学习认证，却不想花费过多成本、也不想获得与传统教育同等精进程度的人。

以Coursera为代表的平台即为记者提供更具体的课程，比如由宾夕法尼亚大学开设的“记者专业外语”。Udacity是最受欢迎的纳米学位平台之一，一般6~12个月可以结业，按学期或按月付费都可以，主题包括成为数据科学家、学习开发者技能以及数字营销等。纳米学位在未来面临的重要障碍之一则是，HR和招聘团队对这种资格的认知与认可程度。

Udacity网站中的一些课程项目

趋势六：出版与分发

Web 3.0

就像云计算革命性地改变了商业管理和储存信息的方式一样，区块链技术也将带给信息技术和数据库一波创新浪潮。分布式账本能够鼓励大规模的公共参与，并开启Web 3.0 的新时代。在Web 3.0时代，合作和分散创作都能够加速发展的原因有二：基于数据挖掘、自然语言生成（NLP）和文本解析等技术，收集、挖掘与理解非结构化数据都变得更容易；通过AI和机器学习，机器能够直接彼此合作。最终，机器将能够互相训练。

已经有类似的项目在进行中。在媒体领域，Otoy通过创立一个合作者组成的去中心化分布式网络，共享空闲的处理资源，降低视觉设计效果的生产成本。另外，在Web3.0时代，媒体也能够建立微型支付系统，或者使用户能对自己的隐私和数据拥有更多的控制力。

Otoy网站首页

接近性新闻

（Proximity News and Information）

不仅仅是我们的设备能够推送和接受信息，新技术使得身体也具备这一功能，这就把我们纳入一个永远运转的信息网络当中。具体技术机制是围绕“信标（Beacon）”发生的。基于低功耗蓝牙技术的信标就是一个能够广播信号、并且根据地理上的接近性来触发行动的微型设备。Target就已经在数百家商店配置了信标，这些信标将跟踪消费者在商店不同区域间的移动 。

蓝牙技术之外，内容生产者现在可以在手机应用中内置地址围栏（Geofence）功能，来根据用户位置推送通知。比如说，受过CRP心肺复苏训练的人，现在就可以在PulsePoint应用上收到提醒——附近有人需要帮助。这也意味着媒体可能实现基于消费者地理位置的精准投放。

数字化脆弱

（Digital Frailty）

过去三年，我们目睹了无数广泛传播的重要新闻报道从网上被抹去的例子，因为媒体兼并或因为网站不再维护。“数字化脆弱”指的是，新闻网站发布的数字资料难以永久保留、易于损坏的现象。

当2015年Peter Barbey收购杂志《村声（Village Voice）》时，他信誓旦旦地说“它会活下来，并且蓬勃发展”。但两年之后，Barbey取消纸版，2018年，《村声》被彻底关停。也没有任何备案来保存它的数字记载，这就意味着那些仅仅在线上发行的内容永远地消失了。而这个案例，只是无数不再存在的新闻组织之一而已。

 《村声》在纽约的总部

彻底透明化

（The Case For Radical Transparency）

在未来，打击不实信息的唯一方式就是让信息收集过程完全透明化。就像读者想看内容署名一样，他们很快就会想知道内容写作的过程，确认内容的可信度。而使用智能系统的记者，也应该说明他们所使用的工具和数据。同时，由计算机自动写作内容的报道，也应该标明算法负责的是内容的哪些部分。

罗格斯大学教授Ahmed Elganmmal 开发了一种算法，能够寻找绘画作品中的创新性，并分析哪些艺术家对此产生了影响。他的研究激励别人去使用类似的网络分析、历史数据和机器学习等技术，来寻找在文学和新闻中的相似性。类似的系统可以被用来寻找新闻报道中的潜在影响因素。

闪现式新闻编辑室与限期新闻产品

（Pop-Up Newsrooms and Limited-Edition News Products）

一些组织已经开始实验“闪现式新闻编辑室（Pop-Up newsroom）”，主要为了打造特别主题的报道和一些短期产品：限期发送的新闻信、只播出几集的播客等，仅仅在专项活动发生时报道。比如，瑞典2018年选举时，一百多个记者组成了Riksdagsvalet——一个用来在选举期间抑制不实信息的短期新闻编辑室。

同时，新闻组织也在创造限期新闻产品（Limited-Edition News Products），不需要太多人力和工作流程。将来也会有更多的新闻组织做出尝试，专为某些特定活动打造短期播客、新闻信和聊天机器人。由于这种指向性，它们也适用于数据收集和精准投放广告，对媒体来说是提升收入和读者参与度的好机会。

“一对少”出版

（One-To-Few Publishing）

新闻信、播客和细分网络，都是利用小众化的吸引力来获取巨额回报，下一步就要扩展到更细分的受众群体。此外，一些平台也会为内容创作者提供构建小众付费订阅模式的机会，比如Revue和Substack就提供了上线一项付费新闻信服务的工具：软件、分析、首款服务和模板。

我们已经看到了不少独立播客和新闻信的细分尝试，但同时也期待更多的混合现实应用等创新形式。对于所有想要通过细分受众来获取收益的媒体公司来说，这个领域都潜藏着机会。

通知的滥用

（Abusing the Notification Layer）

通知显示碎片信息，包括即时更新、提醒和朋友发来的信息。它们会在手机、可穿戴设备以及其他连接设备的锁屏界面上弹出。

推送通知对新闻组织来说一直很有吸引力，因为它们能在我们专注程度最薄弱的时候捕获我们的注意力。利用我们的错失恐惧心理（FOMO，Fear of Missing Out），让我们看向屏幕并点击内容。

但问题在于，现在通知简直无处不在——从政府预警、天气预报应用、游戏、社交平台、播客……无穷无尽。新闻组织需要开发新的策略，来确保他们的通知不会对这种杂乱状况助纣为虐，避免推送把读者推得更远。

服务型新闻

Journalism as a Service（Jaas）

在传统新闻产品之外，新闻组织现在也在提供新闻服务。这种转向使得媒体能充分实现其内容价值。新闻服务主要面向从事知识领域工作的群体，包括大学、法律初创公司、数据科学公司、商业、医院甚至科技巨头等。媒体积累的内容实际上是能够被结构化、清洗，从而被多种组织运用的数据资源。

作为服务的新闻包含多个部分：新闻报道；API；编辑部和付费第三方均可使用的数据库；与新闻事件结合的日历插件；使用媒体组织积累的内容和数据库来自动生成报告的系统等。服务可以脱离社交媒体平台而提供，减少新闻组织对外的利润分成，使其提供的服务可以充分变现。

度量透明

（Transparency in Metrics）

媒体现在希望社交网络返还给它们的数据能够具有更多的透明性。对于在内容公司工作的许多人来说，数据度量标准既不容易被发现，又不容易被理解。之前，Facebook为视频播放数据有误而向广告主和媒体道歉，并且表示这种不正确的机制已经持续了两年。无疑，数据测量会影响内容生产和商业决策，也会影响公众对一则报道的流行程度的感知。现在多数大型机构都雇佣了专门的受众参与度分析经理人，来充当一种中间人的角色。

Chartbeat是新闻组织中比较流行的度量工具

平台度量标准的有效性会被媒体和广告商质疑，是因为这个标准很难被验证。同时，希望新闻能够开发出更具透明度的数据模型，也为内部员工提供有参照意义的指标。

实时信息核查

（Real-Time Fact Checking）

面对假新闻的挑战，由人和算法合作进行的实时信息核查，将会成为记者优先选择的方法。2016年，Google在其新闻服务中引入了事实核查标签，读者就能在热门报道旁边直接看到核查结果。

在以后几年，AI系统能够实现更多复杂的事实核查：揭示信息是否脱离背景、夸大或低估其重要性。很快，AR系统也能够提供协助，比如在演讲过程中，AR应用可以实时展示演讲者的资助者等利益相关情况。而基于社交媒体数据和媒体自身文章数据库的实时信息核查，在将来也能同时提升公众关注和品牌美誉度。

离线连接

（Offline Connections）

随着用户转向移动设备，开发者们也应当确保自家APP能够离线使用。Netflix、Youtube和Amazon Prime现在都在打造离线浏览功能，允许用户缓存视频，稍后观看。新闻内容聚合应用，如Google、Smartnews和Apple，同样想要尽可能地利用用户时间，哪怕在wifi信号很弱的时候。《华盛顿邮报》的渐进式网络应用（Progressive Web App，可以理解为类似微信小程序，但它是基于Web浏览器运行）就将移动网页的加载时间从4秒缩短到了80毫秒，使用户在离线状态下也能阅读新闻。

Netflix的视频离线缓存功能

音频搜索引擎

（Audio Search Engine）

随着新闻机构在播客形式上的探索，新的搜索工具需要实现媒体和用户对于纯音频内容的内容搜索。Spotify近期实现了这一功能，用户对语音助手说出他们的搜索需求，就能立刻跳转到他们尝试回忆起来的播客、重播他们在车上听到的新闻报告，或是获取特定主题相关的音频片段。

然而，我们也看到了很多对语音识别AI展开的新型攻击行为。这种攻击会欺骗语音识别系统，使其转而识别合成语音、人耳不易察觉的声音甚至家中常见的环境噪声。这些音频提示，都可能触发智能系统执行用户本来并不想要的操作，比如进行购买，或者将音量调到最大。日益依赖音频搜索的用户更需要警惕个中漏洞。

趋势七：混合现实与视频

美国成年人每天花费将近一小时线上视频，并且越来越多地使用移动端。而皮尤中心的报告显示，更多美国人偏好看新闻视频（46%），而非阅读（35%）或者听新闻（17%）。可见这一媒介形态之重要。而混合现实（VR、AR、全景视频和全息图等），也正在成为视觉形态的有力加持。

流媒体

（Streamers）

2017年的第四季度，见证了50万名消费者抛弃了他们的有线和卫星电视服务。而用户持续为电视付费的两大原因在于，电视能够观看直播，和价格优惠的互联网与有线服务套餐。——显然这两个理由都不大像传统有线电视能持续的优势。未来预期会看到Amazon Fire Stick、Google Chromecast和Roku等更多流媒体设备的份额增长，和有线卫星电视订阅的稳定消退。而流媒体服务则会侵蚀本地广播新闻市场，也会使较长时长的电视新闻节目陷入劣势。

联网电视

（Connected TVs） 

可以联网的电视已经不是什么新鲜概念，而新发生的改变是它在家庭中的平均渗透率，和绕过各大有线公共频道而直接使用的流媒体应用，比如Amazon Prime Video、Roku、Youtube、Hulu、Netflix等。媒介组织应当主动利用这一技术，提供更为丰富的内容，赢得观众。

网页实时通信

（WebRTC）

WebRTC是由Google、Mozilla和Opera提供支持的实时通信技术。Google Hangouts就是基于此技术开发的应用。网页实时通信技术可以将你在电脑上阅读的文章传送到移动端，并对呈现部分进行调整以提供更好的用户体验。这一技术能够实现设备之间的无障碍沟通，这意味着媒体不再需要第三方应用，比如Skype，来为用户直播新闻，并且视频播放会更加流畅。

流媒体社交视频

（Streaming Social Video）

很多人都通过Facebook Live、Twitter、Youtube等社交平台观看过突发事件的直播。而彭博社上线TicToc这款24小时新闻产品不到一个月，就收获了超出75万的日常观众。随着人们更加倾向于通过手机和电脑屏幕观看内容，他们对直播内容的需求也就更高。

同时，我们也进入了有史以来第一个不需要任何技术基础和特殊装备就能生产新闻的时代，因此得以通过社交媒体见到了许多未经过滤的新闻事实。这也引出了一个问题，出于公共利益，是否所有内容都应该被呈现？这就需要媒体建立一个框架，来决定是否可以在社交视频中，复现一场谋杀或其他暴力行为。

全景视频

（360-Degree Video）

《纽约时报》、CNN、《华盛顿邮报》等多家新闻机构都开始使用全景视频，我们有望看到沉浸式新闻的持续发展。全景视频让用户可以捕捉到正在发生的新闻事件的全貌，而不是被迫接受镜头背后那个人选择的视角；在长视频中，全景视频也能使观众成为一个积极互动的侦探，寻找事件的蛛丝马迹。这样，全景视频就可以让观众长时间专注于作品，尤其是在这样一个注意力短缺的时代。

全息图

（Holograms）

由于其高成本和相对有限的应用，全息设备应该不会先普及到个人用户，而是先出现于较为专业的情境中。这种情况下，媒介组织可以考虑尝试为全息平台定制内容，目前来看，这一形式更适用于娱乐领域，如初创公司Eyellusion使用全息技术制作了巡回演唱会的全息版本。

虚拟现实

（Virtual Reality） 

虚拟现实是一种计算机模拟环境。佩戴VR眼镜或者将手机嵌入特定设备，即可获得身临其境的体验。目前，VR市场还没有成熟到可以投入广泛应用，毕竟VR内容生产需要搭建一整个虚拟环境，对于新闻机构来说，投入产出比显得不够理想。VR未来发展可能需要娱乐和游戏方面来驱动。

另外，VR对品牌来说意味着宣传层面的新商机——通过沉浸式体验，来直接对消费者的认知产生影响。比如，宝马和沃尔沃都为想要买车的顾客推出了VR试驾的体验APP，想象一下，比起一个喋喋不休的汽车销售人员，在蓝天白云之下开阔路面上驾驶的交互体验，很容易将你的心锁定在那辆车的驾驶座位上——这也被形容为VR带来的观念偏好（belief biases）。

这位女士正通过三星VR设备来试驾一辆BMWi汽车

增强现实

（Augmented Reality）

AR并不像VR那样要模拟整个新环境，而只是在你的自然视野里放置几个数字元素。我们熟悉的游戏Pokémon Go就是AR在移动设备上的应用。不久的将来，AR会为新闻机构开启新的市场，媒体可以通过用户视野中的可识别元素，来丰富实时内容的传递。

AR在媒体中的应用还有不少。比如类似于Snapchat脸部贴纸的AR功能，可以隐藏信源的身份。另外，AR可以为报纸印刷版增加交互亮点，作为吸引读者的一种方式。内容方面，AR公司Blippar可以为之补充只能用智能手机解锁的动画或图像。广告投放方面，用户可以使用AR来扫描他们喜欢的东西，浏览数字商品信息界面，直接通过手机购买。AR的这种加成意味着媒体与广告主之间的双赢。

美妆公司Max Factor和Blippar联合推出的识别商品的功能

混合现实体验馆

（Mixed Reality Arcades）

就像上个世纪80年代的电子游戏一样，游戏形式日渐流行，但大多数人并不能负担设备费用，所以如同当年的游戏厅，混合现实体验馆应运而生。新成立的“虚拟世界体验馆”即提供一种无限VR体验时间的会员资格。这种生意能够持续的原因还在于，随着技术发展，游戏愈加沉浸化，玩家不时需要更新设备——这就没有购买会员资格来得划算。

趋势八：可穿戴设备

可穿戴设备（Wearables）如今已成趋势。对媒体来说，一方面，它是需要为之定制内容来抵达特定读者的新媒介形式；另一方面，也是可以从读者一方收集反馈信息的方式。比如，视线、心率、睡眠模式乃至身处的天气情况，都可以及时传递给企业，反馈用户行为，实现高度定向化的内容分发。

智能眼镜

（Smart Glasses）

这是开发者开始尝试智能眼镜Magic Leap的一年。Magic Leap直接投影到用户眼中，看到的数字影像就好像存在于现实世界当中一样。目前来看，智能眼镜还在探索其市场方向。

智能收听设备

（Hearables/Earables）

智能收听设备集成了语音指令、生物识别跟踪、选择性降噪、音乐和数据存储以及软件集成等功能，本质上是功能更高级的耳机。Apple旗下无线耳机Earpods将来可能可以监控运动时的体温、出汗、心率等情况，同时也可以仅仅通过感应头部动作来控制手机等设备。耳机Bragi Dash配合智能语音助手，响应语言与动作指令。媒体现在也可以尝试为听觉设备的交互场景设计音频应用了。

头戴式显示器

（Head Mounted Displays）

头戴式显示器（HMD）是目前VR、游戏和其它沉浸体验中最多应用的设备。虽然由于佩戴不适感和眩晕等原因，此种设备尚未普及至家用用户，但HTC Vive和Oculus等设备品牌还是展示了引领游戏与专业使用者细分市场的潜力。目前，新闻与之结合的主要机会还是通过360°全景视频。

触觉交互

（Haptics）

在可穿戴设备的情境中，触觉交互（Haptics）代表着设备与用户通过肢体感知来沟通的手段，比如智能手表的震动提醒。随着可穿戴设备进步，触觉交互的机制和应用都会变得更复杂。Facebook甚至测试过佩戴在前臂上的设备，该设备可以将一定单词词汇转化成一系列模式化表意的震动。这项技术离普及应用还比较遥远，不过也提醒媒体可以利用触觉交互，在没有视听界面的情境下，向读者传递新闻标题或一些简短推送。

思考式设备

（Thinkables） 

思考式设备（Thinkables）是指在技术和人脑之间建立交互的可穿戴设备，使用户用想法去控制指定设备。公司4DForce制造了一种头戴设备，可以将脑电波转化为电脑能够理解的信号，搭载于游戏、健康和娱乐等应用之中。Facebook也在尝试开发一种设备，可以读取脑电波，推断人所想的词语。

植入式设备

（Embedables）

植入式设备是可穿戴设备的极端趋势。一些技术狂热者寻求将技术直接植入自己的身体，植入物包括装饰性LED灯，嵌入手臂皮肤之下的RFID芯片（用来解锁电子门）等。这种趋势过于小众，对于新闻机构而来，尽管有一种流行做法是在耳朵中植入磁铁代替耳机，可能会促进音频媒体消费，但由于健康风险，预计不太可能在短期内成为主流。

智能手表

（Smartwatches）

考虑Apple watch和Samsung Gear等产品的普及，智能手表和智能手环可能是可穿戴设备中最亲民的一种了。目前它们仍然作为手机的辅助性角色出现，但随着发展，基于位置服务、动作感应和解放双手等特色，以及开发者不断为其定制应用与功能，它也会渐渐独立。智能手表前景不错，新闻机构可以考虑怎样定制内容，从而在可穿戴设备领域占据一席之地。

趋势九：硬件

微型卫星

（Cubesats）

接下来的三年里，企业会尝试制造和发射数以千计的低成本、高价值的卫星。这些卫星很小，能够彼此联系，无间断地拍摄地球表面每一寸土地的影像。

微型卫星，直译是“立方体卫星”。其拍摄的图片经过图像分析软件，可以提示沃尔玛等大型零售商，停车场里现在停了多少辆车，并且观察不同时段的变化规律。美国联邦航空管理局计划在2018-2020年间发射“前所未有的数量”的微型卫星。记者、公司、政府和公民个人都可以出于各种目的来获取其拍摄的图像和工具，但也意味着一定的国防安全问题。

无人机物流

（Drone Delivery）

2016年底，商用无人机运输开始运行。美国公司Zipline用其无人机运输系统向卢旺达地区供应血液，UPS、亚马逊、DHL等也在测试自己的无人机。预计2019-2020年，航空管理当局会开始行动，商用无人机也最终进入正式运行阶段。这意味着会出现更多的新闻报道选题，也很有可能代表着人工投递报纸时代的终结。

一只帮7-11送货的无人机

上升的无人机专利数量和对新法规的呼吁

（Increasing Patents and Calls For New Regulation）

无人机运输服务能否发展，很大程度上取决于立法和企业的发展。2017年底，特朗普政府宣布授权一项项目，来测试“创新区”不同条件下的无人机飞行。在欧洲，欧盟暂时批准相关法规，目前仍在等待成员国的确认。加拿大、英国和国际民用航空组织都在制定新的法规。这些结果都将影响2020年及之后无人机的发展。

无人机交通

（Drone Lanes）

业余无人机驾驶员一直在给商业和私人航空飞行员带来麻烦。目前，美国联邦航空局（FAA）规定，禁止无人机在机场空域飞行。NASA和美国联邦航空局正在制定计划，以提供全国范围内无人机交通管理的解决方案。这也为从事基础设施管理和基于AI云的监控项目的公司提供了机遇。

自主检测与避障技术

（Sense and Avoid Technology）

利用神经网络和人工智能的机器人能够依据程序设计做出推论和决策。“自主检测与避障技术”是其原理。今年，无人机将可以沿着GPS定位点的路径飞行，它们会在空中策划最佳路线，决定何时避开建筑物、树木和山峰或者其他无人机。

应用于极端领域的无人机

（Microdrones and Drones Used In Dangerous/ Hard-To-Reach Areas）

工业领域开始应用AI驱动的迷你无人机来进入难以到达的危险空间，比如地下矿井和核设施的内部。这样一来可以降低人类生命危险，缩短无人机停机时间，从而节省成本。Facebook推出了一款提供网络信号的无人机，加上AT&T开发的蜂窝网络信号无人机的成功运行，证明了无人机可以给缺乏基础设施的欠发展地区提供基本服务。

无人机群

（Drone Swarms）

几百台微型无人机可以同时部署，作为一个有机技术整体在空中移动，速度可以快到相机难以实时捕捉。这项技术由军方开发，被应用于迪斯尼公园和超级碗半场表演期间的灯光秀。不过，在2018年，据称由叙利亚叛乱分子控制的无人机群袭击了两个俄罗斯军事基地。

Intel无人机灯光秀（gif）

物联网搜索

（Searching The Internet of Physical Things）

物联网正在以相当可观的速度发展，可能会有数以亿计的实体设备被关联到网络当中，那要如何搜索它们呢？Shodan和Thingful是两款针对物联网设备的搜索引擎，它是一款用来帮助IT人员定位物联网设备的追踪工具——但与此同时，黑客也发现他们可以用此来远程连接婴儿的摄像头或车库的门。在不远的将来，也许不难看到世界上所有的东西都成为分布式网络中可搜索的一份子。黑客行为也提醒着我们需要匹配一个核实搜索结果的新系统。

 搜索引擎shodan的主页

智能摄影机

（Intelligent Cameras）

搭载AI功能的智能摄影机能够自动听声音和观看所拍摄的影像，然后根据获取的信息做出拍摄决定。比如记录一段谈话，或者追踪一个小偷。2017年，亚马逊云服务（AWS）上线了一种名为DeepLens的AI摄影机，包含图像和物体识别功能。智能摄影机可以协助公司远程统计和监控仓库中的货物。华盛顿大学也开发了一种可以追踪人体移动的智能相机网络系统。

 DeepLens

将来，智能摄像机会和其它物联网设备联合，进行自主决策，比如什么时候应当锁门——以及最后一块派应该分给哪一位室友。

速度更快的5G网络

（Faster Connected With 5G）

5G是第五代无线技术，现在正在全世界范围内建设当中。5G会大幅度地提升连接速度，我们将可以在云端加载高清和3D视频，甚至使用VR，下载速度预计可以达到10Gb/s左右，这将对新闻组织的视频内容分发产生极大的帮助。不仅仅是手机可以使用5G网络，无人驾驶汽车、智能电网和智慧城市也都可以。

趋势十：媒介经营

媒介整合

（Media Consolidation）

在美国，数字用户日渐增加，传统媒体公司利润持续下降，基于广告的收入模式很难维持，尤其是对于本地媒体来说，形势更加艰难。美国联邦通信委员会（FCC）的去管制化政策也为大型媒体集团的收购合并与垂直整合铺平了道路。

广告拦截

（Ad Blockers）

拦截技术继续发展，威胁媒体的商业模式，正在被媒体联合起来共同抵制。媒体所采用的更好的广告形式和移动体验似乎已经生效了。研究发现，广告拦截率已经趋于稳定，但给媒体造成的收入流失依然是一个重要问题。

媒体用来拦截广告的拦截软件的策略有两种，提升广告质量和用户体验的“曲线救国”法，和更直接地检测拦截软件、禁用其脚本的方法。也有一些网站在检测到广告拦截软件时，要求用户将其加入白名单。广告之外，媒体还在探索其它替代性的内容变现方式，但进展缓慢。Google 2014年上线了Google Contributor，作为读者来对媒体进行小额付费的方式，具体视他们访问的频率而定。

趋势十一：政策规制

互联网巴尔干化

（Splinternets）

二十年前，互联网作为一个信息自由的全球性空间诞生。而现在，互联网应当如何被规制，被谁规制，每一个人都有不同的观点。不远的将来，我们即将抵达一个分裂的巴尔干化的互联网时代。2018年的GDPR法案使得数以百计的合法新闻机构被封锁，我们可以看出不同地理环境中的网络状况有多么不同。

由于缺乏协调努力，互联网的分裂趋势未来几年会继续扩散。这可能会使世界范围内的优质新闻传播更加困难。它也可能会给面向全球读者分发内容的新闻机构带来大麻烦。

泄密

（Leaking）

2018年同样见证了大量的泄密事件的发生，泄密涉及政治和社会领域。但需要记住的是，如果政府信息不向媒体披露，那么政府将有效控制公众了解到的信息。问题在于如何确立哪种信息可以披露的标准，比如事件完全出于政治的或违反道德的原因。以及，在泄露信息可以被快速散布的情境下，应该做些什么来保护特殊信息。

数字时代的第一修正案

The First Amendment in a Digital Age

虽然美国宪法第一修正案制定已经很久了，但今天一如既往，它还在设计和开发的领域发挥着建设性的作用，为技术创造者和用户提供着法律保护。

然而，宪法第一修正案反对的只是政府对于自由言论的压制，不包括私人企业。如果Facebook或者Twitter决定封锁所有政治倾向言论，只因其无法摆脱虚假消息的嫌疑，他们也仅仅只是做出商业决策，而并不违反第一修正案，收紧信息规则对他们来说有着绝对的正当性。

数字时代，第一修正案的问题还在于，AI的言论是否应当被赋予同样的权利，以及技术、算法和代码的开发者，应当负何种程度上的义务。

趋势十二：安全与隐私

如今，再怎么强调隐私安全的重要性也不为过。科技巨头、政府管理者乃至每个公民都被卷入了各种问题当中：从个性化到隐私，从信息安全到监管，从透明度到国家安全。相对较大的新闻组织拥有解决安全和隐私问题的资源，但小型新闻编辑室则面临着保全自身和用户数据的安全挑战。网络环境下，信息产业面临着堪称影响生死存亡的危机，是继续现在的商业模式，还是开始建立更能保护用户数据的新模式，全看他们的选择。

合规方面的挑战和不切实际的预算

（Compliance Challenges and Unrealistic Budgets）

安全与隐私之间由来已久的张力，在未来将产生更多挑战。用户每天都在产生更多的数据，每天都有更多的连接设备进入市场，也就使得可用数据激增。而那些掌握用户数据的组织，尚未做好未来备案——但相关规章制度又作出了要求。管理者将需要持续更新他们的安全策略，并使个中细节透明化。大多数组织并没有投入足够的预算来保护他们的数据和设备，但这意味着承担后果。比如，没有为物联网安全制定足够预算的企业，会发现自己将要处理大量的召回、问题补救和诉讼纠纷。

差分隐私

（Differential Privacy）

差分隐私原本是一个数学概念，近期，它被Apple和Google等公司运用，作为一种分析总体数据、但不会泄露个人信息的方式。差分隐私是通过在数据集中策略性地注入随机噪音而实现的。差分隐私很适合用来研究低敏感度的简单问题，比如分析iPhone用户中最流行的emoji，谷歌地图中的交通模式等，同时可以保护个人用户的匿名状态。

差分隐私能做的相对有限，即使很多科技巨头都提供了各自的成功经验。这一机制生效仍然取决于具体的应用和数据集，在多种变量相关时，差分隐私也很难维持其效果。

勒索软件

（Ransomware As A Service）

在英国，一款名为WannaCry的勒索软件关闭了80家医疗中心的电脑，迫使20000多个预约被取消。黑客应用恶意工具来劫持数据，锁定系统和设备，直到要求的费用被支付为止。考虑现金和网银支付容易被追踪，比特币成为他们新的选择。区块链和加密货币的出现使得勒索软件转而成为一种可以盈利的生意。现在，简单的数据备份可能也不够为我们带来实质性的保护了，因为研究者发现，黑客不单单满足于扣留你的数据，而是威胁要将它们悉数公布在网上，供所有人观看。

黑客行为增长

（Hacktivism On The Rise）

由黑客转型而来的激进分子（Hackers-turned-activists）近几年很忙碌——为了信仰。他们对政府、组织和银行发起了DDoS攻击，渗透美国大选。包含维基解密在内的黑客组织，已将自身视为推动变革的持续性力量。这一类黑客将继续用他们的技能来帮助重塑政治和商业实践。

针对语音助手的定向攻击

（Targeted Attacks on Digital Assistants）

Alexa、Siri、Cortana等语音助手已经成为主流应用，我们也就不难预料到随之而来的定向攻击——无论攻击者针对的是语音助手还是它们的硬件。这也需要被纳入媒体公司的考虑范围之内。

计算机“小故障”频发

（Strange Computer Glitches Will Keep happening）

小故障（Glitches）指的是那种不会产生即时的、显著的影响，但可能导致毁灭性结果的问题。比如，英特尔就被一位谷歌工程师发现其芯片设计的巨大漏洞，后招致了许多批评；摩根大通等银行遇到技术故障，导致用户无法访问其账户信息，也没办法存钱或者取钱；或者语音助手Alexa错误地把一对夫妻在厨房中的谈话发给了他们的朋友，这也属于系统小故障的范畴。“小故障”通常与网络连接和带宽需求计算中存在的问题有关。

加密货币协助，暗网扩散

（Proliferation of Darknets, Aided By Cryptocurrencies）

暗网一般是指为违法活动提供匿名性保证的网络空间。人们可能会在这里出售枪支，或者兜售被黑客窃取的数据。而可以保证交易活动基本不受追踪的加密货币，刺激了暗网的活动。浏览暗网并不违法，但也不像你在网上搜索你高中的暗恋对象一样随意，还是需要具备特定软件和一定的技术知识。不过也有少数好的事情在暗网之中发生，比如异见者在这里寻求庇护，有些调查记者也会在这里寻找新闻线索。

政府和执法部门会接受如何探测暗网的技术培训，但其挑战在于，培训是静态的，而暗网掌握在其开发者的手中。

新型开源应用的脆弱性

（New Open Source App Vulnerabilities）

2017年，一位数据科学家发现了一种能够感染OpenAI Gym的新型恶意软件——OpenAI Gym是一种用于机器学习算法的开源工具。这只是恶意程序利用开源应用程序漏洞的案例之一，这种恶意程序的市场还在不断扩展。随着AI生态的发展，势必需要更多的开源代码和社区构建的工具，所以提前发现问题就显得尤为重要。而使用开源工具的组织以后也需要每日例行检查，来保障安全。

窃听与被窃听的权利

（The Right To Eavesdrop/Be Eavesdropped On）

随着我们越来越多地使用接入物联网的设备（手机、汽车、咖啡机等等），这些设备之间、设备和开发公司之间都在随时交换信息——关于用户的信息，设备在“窃听”、彼此“交谈”和研究用户，但用户却被排除在这一过程之外。关于用户权益的争论点就在于，用户是否应当拥有这样的权利，去了解设备传递了自身哪些信息、以及背后是谁在窃听这些信息呢？

匿名

（Anonymity）

匿名性是如今的技术趋势之一。世界需要匿名性，它可以保护泄密者，还有那些可能因自己的信仰而遭到迫害的人们。数字匿名性允许我们在需要的时候联合起来，进行善意募捐，或是与不正义作斗争。然而，匿名性也助长了泄露隐私信息、攻击其他社交用户和发表诽谤性言论等线上行为。我们对于匿名发表内容的希望不会消退，但同时，我们对于核实查证的需求也更强烈了。

网络喷子

（Trolls）

喷子（Trolls）代表的是一种特定类型的网络暴力，通常包括垃圾邮件、仇恨言论、人肉搜索和其他形式的骚扰。抑制喷子行为往往迫使许多媒体必须要在言论自由和审查两种立场之间抉择。过去一年，Twitter、Facebook和Instagram都提升了平台对于仇恨言论的限值标准。Facebook在2016年首次应用人工智能算法DeepText，来减少Instagram和Messenger中冒犯性的言论。

媒体机构，尤其是新闻网站，在调节线上言论的过程中，都在努力保持一种客观无偏见的立场。Google开发的Perspective API通过使用机器学习和人工智能技术，帮助其他平台和媒体提升其网站的评论审核能力，其中就包括维基百科、《纽约时报》、《卫报》、《经济学人》等。

真实性

（Authenticity）

内容真实性问题已经不只出在虚假新闻，现在还扩展到了一种新型的虚构媒体：视频。Deepfakes就是一例，由计算机生成“换脸”视频。这一趋势起初发端于Reddit，并在关闭之前积累了超过80000名订阅者。真实性核查公司Trupic已经拿到了超过1000万美元的种子投资，致力于打击被操纵的图片或视频。

数据保留

（Data Retention）

欧盟通用数据保护条例（GDPR）给全球媒体组织都敲醒了警钟，提供了数据保存政策所急需的标准。随着科技巨头随之更新数据政策以符合监管，依赖报告和分析的小型媒体组织也感受到了压力。YouTube宣布，从2018年7月开始，它会在60天之后删除数据分析报告。

所有权

（Ownership）

法律意义上来讲，数据所有权一般指的是IP或者版权数据。随着可穿戴设备和物联网的兴起，人们也意识到他们自身的健康数据和线上活动是如何被大型公司收集并利用的。近期Facebook、Apple和Amazon又都上线了面部识别功能和相关产品。我们已经进入了一个设备生来智能且永远处于连接之中的时代，但数据使用的监管和所有权却尚未明晰。

加密管理

（Encryption Management）

过去两年发生了许多大型攻击事件，但至今，拥有我们数据的组织要么不使用加密手段，要么使用过时的工具。黑客自然也知道这一点，所以我们接下来有望看到更多攻击。不过，加密数据可以阻挡黑客侵入，但也会使员工和消费者合法使用数据变得更难。未来，企业总需要投入大量资源来建设数字安全——或者在被攻击时花上数百万美元善后。

语音监控

（Constant Audio Surveillance）

有了新型智能音箱技术和更先进的机器学习系统，公共区域成为监控的主要场所。2018年，沃尔玛申请了一项专利，用于监听客人和员工之间的互动，以及货物上架下架产生的噪声，还有我们使用移动设备发出的咔哒声。所有这些数据都可以收集起来做进一步的分析，但这无疑也带来了隐私问题。

数据泄露

（Leaky Data）

用户越来越讨厌所谓的“开源”网站，尤其是那些使用他们数据的网站。一家开源家谱网站GEDmatch允许用户自愿免费分享他们的基因档案，作为寻找亲人与追踪家谱的一种方式。GEDmatch也被执法部门使用，成功追踪并逮捕了连环杀手Joseph James DeAngelo，他自己没有提供过生物样本，但显然某个和他有亲缘关系的人这么做过。这个案例表明，如果你认识的人——或者和你有某种联系的人——将自己的信息上传至开源网站，就很有可能由此追溯到你。

总之，这份报告不仅描摹了技术革新为行业带来的美好愿景，也暴露了种种伦理规范尚未匹配之时的问题。最后不妨也引用FTI创始人Amy Webb在报告前言中的话：“无论技术怎样变化，我们都要有能力创造自己喜欢的未来。”

截止到 2018 年，App Store 上架的 App 已经超过两万款，App 市场占有率的竞争非常激烈。实际上，对于 App 发行商来说，真正竞争的是能否在受众脑海中留下印象，因而需要花费大量的资源来赢得潜在用户的时间和注意力。

这便是内容营销大显身手的时刻了。内容营销协会的调查显示，相比于 Outbound 营销，内容营销在花费上要少 62%，带来的营销线索却是其三倍多。因此，有多达 86% 的 B2C 营销人员都选择内容营销作为其销售策略的一环。

言归正传，接下来我们将为您带来一份 App 内容营销的终极指南。

1、确定您的受众与目标

所有内容营销都有两大必要因素：明确的受众与商业目标。而头脑风暴则是开始内容营销的第一步。

在作出决策之前，可以先考虑这些问题：

• 您的 App 受众是谁？
• 怎样才能找到他们？
• 他们的年龄段是什么？
• 他们还有什么其他的兴趣？
• 他们会怎样使用您的 App？
• 他们为什么会使用您的 App？
• 最初上市三个月的目标下载量是多少？
• 理想的留存率是多少？

这些问题的答案是整个内容营销策划的基础。并且在后期还可以继续帮助您衡量内容营销的表现。从一开始就确定好目标受众可以为内容提供明确的方向。

2、应用商店优化（ASO）

每一个应用发行商都面对一项艰巨的挑战：需要让 App 在应用商店中数百万个 App 中脱颖而出。ASO 便是从排行、浏览、分享、评分、评价和下载量全方位入手，整体优化 App 的一种途径。

尽管在应用商店中能够展示内容的空间十分有限，但可以并且应该尽可能地利用网站、博客或者落地页等其他在线平台上的内容，提升 App 的知名度从而驱动 App 下载。

3、创造优秀的内容

有了完善的内容营销计划，下一步就是要创造内容了。“内容”是一个很宽泛的概念，涵盖了博客文章、社交媒体推文、落地页、电子书、白皮书、案例研究、客户证言、新闻通讯、邮件、以及视频等。

内容营销协会所提供的数据显示，最受 B2C 品牌营销人员推崇的内容表现形式是社交媒体推文和博客，但也不要仅限于此，要大胆创新，尝试其他形式。

这里有几条小技巧可以帮助您创造出优质的内容：

1）较长的文章表现更好

长文章之所以表现得更出色，是因为其有价值、与读者的相关性高、并提供了独到的见解。利用内容来推广为 App 时，一定要确保内容能够具体地和 App 的用途联系起来，这样用户才能自然的从阅读内容到点击 CTA。

2）连贯性是关键性因素

更新博客要规律且连贯，这意味着要实时关注产业最新动向和热点话题，并提供人人都愿意分享的高品质、权威性内容。

3）互动性内容

互动性内容能够给用户带来一种传统静态文字所没有的参与感与娱乐性，因而表现颇佳。也正是因为这个原因，超过 80% 参与调查的内容营销人员都表示互动性内容能够更好地吸引用户。同时，互动性内容不仅可以刺激 App下载，也可以让用户在下载 App 后持续使用。小测试、游戏、调查、信息图、以及计算器都是能吸引受众互动的方式。

4、传播内容

App 内容营销有三种关键渠道：

1）社交媒体：社交媒体平台，如 Facebook，Instagram 和 Snapchat，都是消费者与品牌互动的主要渠道。95% 的消费者会在网络上关注品牌账号。目前全球有 25.6 亿的社交媒体手机用户，因而社交媒体无疑是内容传播的优先选择。同时无论是自然覆盖还是付费覆盖，社交媒体都是一个绝佳的平台，而且只要通过在品牌社交媒体账户上发帖和推广即可。注意，记得留下一个明确有效的 CTA，下载 App 或是跳转到落地页均可。

2）内容发现：相比搜索引擎或社交媒体，内容发现的浏览量更高而跳出率更低，因而是一种更为有效的内容传播渠道。当消费者进入“发现模式”时，他们主要意在寻找与他们的需求和兴趣相关、有趣且有用的内容。内容发现平台帮助广告主在恰当的时间把合适的题材推送给感兴趣的用户，从而使用户更容易被内容吸引并下载 App。

3）原生广告：今年，原生广告的投入超过了展示广告。网络用户点击付费内容的可能性是点击展示广告的二倍。毫无疑问，原生广告已经成为内容营销策略中不可缺少的一环。应用发行商可以针对特定受众及渠道，利用原生广告平台传播优质内容，从而推广 App。

5、评估效果

内容营销进行一段时间后，就可以开始分析数据，并与 KPI 进行比对。并据此对内容进行或大或小的调整，优化营销效果。

许多复杂的工具可以帮助您对 App 营销的表现进行分析。比如说，移动归因可以帮助您追踪到每一次 App 下载，并将这些数据归因到营销活动上，计算转化率。这些关键性数据可以帮助您优化 App 营销活动。

简而言之，尽管内容营销是一种复杂的商业模式，但却是一个可以一步步完成的、有逻辑性且可评估的过程。内容营销的关键是认清您的受众、创造出连贯的内容、找到一系列传播渠道、并且对数据进行分析总结，据此优化内容并开始下一个循环。

App 内容营销免不了实验与失误。但只要有先进技术的协助，有条理并且不断调整，就可以在公平的竞争环境下为您的 App 赢得成功。

用户增长（User Growth，后文简称UG）这个概念是美国传来的，从趋势看，以后肯定会是各大互联网公司的标配。

但目前真正做过UG的人和公司比较少，所以大部分书和文章还都是摆出国外产品的案例，业内人都知道，国外和国内的互联网行业是两回事，看了国外的成功案例除了让你心里爽一下，没别的用。

大家以后可以多关注和研究一下UG，会用的到，这类人才也会很抢手。本文是我对UG的理解，应该是片面的，但终归是从实战中提炼出来的。

身边很多人说，这只是酷的概念，没啥实际意义，本来我们做的每一件事都是为了增长啊。

没错，在过去20多年里，国内互联网一直在关注增长，从最初的UV、PV，到之后的DAU、GMV，产品每做一次迭代，运营每做一个活动，都是为了提高这些数字，这不就是增长吗？

当然不一样，下面详细说。

要点一：用户增长是一套方法论

有些老板以为UG是密钥，拿到之后就可以打开产品增长的大门，快速看到数据的变化，这个肯定是不对的。

用户增长是一套方法论，就像做产品、做运营一样，不是特效药，不会一针见血。如果只是不成体系的单兵作战，谈不上是用户增长。

简单的说，就是下图中的AARRR模型。无论什么产品，都是在这条主线基础上去做细分的尝试。只有在一次次优化和AB测试后，才能找到更优方案。

从上图可以看到，UG可不只是拉新，还包括留存，甚至是收入的增长。对UG来说，闭环思维是一个很重要的素质，需要更理性、更数字化的方法，关注整个用户的生命周期，直到商业化变现。

假设你做一个app，需要花钱做投放做活动推广，拉来一个新客需要20块。但平均每个用户可以给你带来30块的收入，ROI是正的。

这样就可以随便花钱投放，推广成本是无上限的，能限制你的只是你能获取的用户量。因为你花出去越多的钱，给你赚回的钱越多，这就是闭环思维。

举个极端的例子，有个做两性约会的app，把名字和app的icon一换，同样的东西就复制了几十个，名字都类似「同城XXX」这种。他们的投放费用是无上限的，因为花出去的钱都是能赚回来的，这个闭环模式是跑通了的。

以上就是我对UG的理解，总结如下：

用户生命周期是主线数据是导向用户或收入增长是目标整合产品、运营、技术做执行手段

换一个方式说：不管用什么方式，只要能带动增长，就是对的。

与UG相对应的，是目前大多数互联网公司的做法。虽然产品、运营、技术、市场等部门的KPI都是用户量，但大家仔细想想，每个部门的工作内容，大多不会直接带动增长，而且相互是割裂的，这就引出了第二点。

要点二：用户增长是一种团队协作方式

目前大部分互联网公司的分工，都是以产品或业务线为单位划分的，分别对应了产品、运营、研发、设计等角色，而且通常情况下，这也是团队划分的方式，也就是PM是一个team，运营、研发同理。

这是一个很奇怪的现象，PM团队内部是很少需要协作的，是远远小于PM与研发的协作。大部分的时候，PM是和研发、设计、交互在一起工作，那为什么让一堆PM组成团队，而不让经常协作的那些人组成团队呢。

可能是有历史原因吧，或者是「一堆PM」组成团队可以找一个更资深的PM去管理他们。不管怎样，现在这个模式已经变得不合理。

更严重的是，因为这样的分工模式，导致公司内出现「筒仓现象」。像一个个青蛙待在各自的井底，只顾抬头等老板发话，而信息共享和协作很差，整个公司都是割裂的。

为了解决这些问题，已经有不少公司去打乱传统分工，成立了多个「五脏俱全」的小规模项目组。这样可以通过优化协作，去解决效率的问题，但这样还是不够的。

需要UG团队，去串联公司所有的部门，打破「筒仓现象」，真正的以增长为目标去做点什么。

这么说还是虚，举个例子。一个电商产品希望提升新用户的购买转化，是不是要优化这里或那里，是不是要做一个给力的促销活动？其实都不对，这就是没找到问题的源头，还是在割裂的思考。

按照UG的思路，要做好新用户购买转化，先要分析新用户的来源。把获取用户的几大渠道以此列出，比如：

1. 广点通
2. 应用宝
3. OV商店
4. 百度SEM

这四个渠道覆盖了新用户的80%，而且每个渠道的投放特点和目标用户群都有差异，所以要逐一分析这四个渠道，拆解为以下问题：

精细化投放策略→获取用户画像→做针对性产品或运营措施→形成成熟方案

1. 分析渠道的数据和投放策略，是否可以更精准。保证渠道获取的是优质和精准的用户，后续做的留存和转化才有意义。
2. 获取每个渠道的用户画像和行为特征，这很可能是三不管地带，虽然渠道同学是需要的，但没那么大的动力去推进。
3. 针对拿到的画像，不同渠道去做对应的转化实验，这是最核心的执行项，具体策略不限于产品或运营端。转化新客的问题，肯定不能全量新客一概而论的。
4. 形成成熟方案落地，后续维持正常运转。UG不会持续跟进这个项目，一旦成型，就交给对应同事负责。

以上，是UG做这件事的大概思路。可以试想，这事交给PM，肯定是不断梳理产品转化漏斗，重点肯定只是产品端优化；交给运营，估计是不断做精细化的促销活动，利用运营工具去推广，产品端想的就会少。

哪个方法是更合理和彻底的？现在看就很清晰了。这是一个具体案例，但UG和传统业务分工的区别，大致就是这个意思。

具体做法要遵循上图，也就是用户生命周期AARRR模型，再发一次。

在这5步里，重点说前3步：获取、激活和留存。

第4步「变现」属于商业化产品关注的，这部分我平时很少涉及，这里也先绕开。第5步「推荐」是一步延伸，主要依赖产品做得好，再附加给一些激励和刺激，就可以做到了。

以下逐一说具体做法，篇幅所限，只能点到为止。

第一步：获取用户（Acquisition）

就是拉新，说起来也简单，只要是能拉来新用户的方式，都可以。但需要关注这几个指标：新增用户、次日留存、单个用户成本、获取用户ROI。

这几个数其实是告诉你，要看拉新的人数，也要看用户质量，还要看花的钱值不值。

具体方法可分为三类：

1.渠道投放

对于有推广预算的公司来说，这是获客的最重要的方式，这里门道也很多，我并不专业，只从增长角度去谈。

渠道拓展和商务关系维护，这两点暂且不说，单说投放策略就有很多深挖的地方。

①优化投放素材，提升信息流、厂商、商店推广资源的CTR。这是一个持续尝试、沟通、看结果的过程，有相对很多琐碎的工作，尤其是沟通环节。

理想的状态，是用算法策略顶替人工。算法可以千人千面的生成投放素材，并且可以快速更换素材，从而可以提升广告曝光和CTR。这又是一个比较庞大的分支，我用两句话带过了。

②精细化投放策略，提升ROI。也就是就让投放更合理，想要「把钱花在刀刃上」。

举个例子，你每天要给10盆花浇水，但每天只有固定的1壶水。你可以平均分配给这10盆花，每盆都浇一点；

你还可以先看一下这10盆花，哪几盆该浇水了，哪几盆不需要浇水，你只需要把这1壶水分给需要浇水的花，或许还可以省下水，以后就可以养15盆花了，而所需的水是不变的。

精细化投放策略就是这个道理，不是通投，而是先分析用户，去制定投放策略，只把钱花在合理的地方。

比如，投放信息流广告，可以选择获取新用户，也可以唤起老用户。对于新用户，可以选择性别年龄地域兴趣等基础信息，尽量圈定适合自己产品的目标人群，做到精细化投放；对于老用户，可以选择投放给非高活用户，例如近30天内未访问的用户，避免对本来每天都会访问的用户进行投放。

再比如，更极端的情况，可以圈定产品无法触达的用户，或已流失用户，通过投放去触达和流失召回。这样的目的性更强，虽说量级可能不大，但策略是合理的。

③资源利用最大化，预装、厂商和第三方商店推广资源的最大化利用。

这点是以渠道商务为核心的，需要尽可能多的获取资源方的信息和资源，做好外部资源和内部团队的对接，为增长获取更多的方法。

比如，做了预装的产品，肯定有未激活的存量，利用厂商的推广资源去把存量激活，是快捷高效获取新用户的方式；

再比如，对于安卓各厂商来说，有很多资源和玩法可以去摸索，有的是官方的，有的是私下摸索的。哪怕OV华米这几个大厂商空间很小了，也可以去研究一下相对小的一些品牌，没准有蓝海。

2.任务体系

拼多多的月GMV据说已经400亿了，京东电商做了6年才过100亿，而且日订单量已经超过京东。

趣头条（下图）用了一年半的时间，DAU已经过千万。

趣头条的任务体系

这是目前很受关注的两个产品，具体形态和定位不一样，但都是以「利」为诱饵，让用户去做裂变。

通过任务体系，可以让用户去「收徒」，获取新用户；还可以设置提升留存、评论、分享等行为的任务，用户完成后可获得现金或金币的奖励。产品通过用户行为获得广告收入，去cover奖励给用户的成本，形成闭环。

金币还可以直接兑换成现金，具体汇率是浮动的，这样可以保证ROI的稳定。

这是获取新用户的一种有代表性的形式，不是为了让大家都搞「收徒」，而是可以借鉴这种裂变的任务体系。

3.活动

对于活动的定义，有太多不同的解读。比如京东美团的大促是活动，新世相的扔书是活动，网易的传播H5是活动，今日头条的百万英雄也是活动。

但这里我说的活动，完全是以拉新或提升留存为目的的，品牌曝光等收益不在此列。所以，以上提到的活动里，比较典型的UG方向的活动，就是今日头条的百万英雄。

视频答题这个形式，如果不是当时被叫停，估计也快成为标配了。这类活动因为很低的参与门槛、诱人的现金奖励和复活卡的传播机制，为产品带来不错的新增用户。

什么样的活动才能带来用户增长？下一个「百万英雄」是什么？现在不知道，但有途径去探索。

建立一个专注在增长的活动项目组，成员包括活动策划、产品、交互、视觉、前端后端研发等，制定共同的目标，让大家都坐在一起，不断去快速尝试。甚至可以去copy国外已被验证的形式，就像视频答题一样。

4.把握红利

这点有点虚，但确实是一个方向。UG需要时刻关注国内外最新动向，快速抓住新技术或新玩法的红利，用超强的执行力去落地，为产品获取新用户。

随便举个例子，支付宝发短信领红包（下图），就是一个很好的提升DAU的方式。成本可控，就是短信成本+红包成本；操作简单，复制短信再打开客户端，这个操作之前已经被教育过，很多用户都知道。

这类新奇玩法层出不穷，小到一条短信，大到一个视频答题的模式。UG的同学们必须保持对待新鲜事物的好奇心，以及快速执行的能力，才能抢占红利。

第二步：激活用户（Activation）

「激活」这两个字容易有歧义，其实这个阶段要做的就是新用户留存，从某种程度说这是最重要的一环。

因为当你某天获取1万新增用户之后，只能留下1千人，次留是10%。那么流失的9千人的成本是浪费的，而且实际上新增的用户只是1千，不是1万。如果可以把新用户留存提升到20%，每天就可以带来1千人的增量活跃用户，一个月就是3万。

新用户留存是获取新用户和活跃老用户的中间环节，这一步做不好，会造成断流，新用户流失了，也没有积累到老用户，整个大盘就不会增长。

举个例子，你的小饭馆刚开张，大概的思路就是服务好第一批客人，这样他们就可以再次光顾，而且还会带来更多的朋友。做一个app也是一样的，新来的第一批客人得服务好，慢慢老顾客才会越来越多。

具体可以有以下方法：

1.用户访问路径的优化

梳理用户从不同来源访问产品的路径，一步步列出，看看哪些环节是可以优化的。保证新用户使用产品是流畅的、愉快的，留下一个好印象，才会有后续的留存。

以摩拜的新用户使用路径为例，下图分别是优化前和优化后的情况。可看出，不仅节省了步骤，还优化了体验（扫码速度）。

需要注意的是，要把用户体验的方方面面都考虑进去，比如页面加载速度，广告带来的负面体验等。用户在不同机型（尤其是低端机）和不同网络环境下（非WIFI），有可能会出现加载慢或出错的情况，这些都是坐在办公室的PM们很难想象到的，所以必须多测试，多调研，去分析数据漏斗。

2.利益刺激

还是以小饭馆为例，当你第一次光顾时，给你发一张满100减20的券，但只能下次使用，有效期还是在1个月内。这就是用利益刺激的方式，达成新用户留存。

如何定义这个「留存」，其实不只是狭义的「次日留存」，而是能对用户留存有帮助的「指标」。

比如，通过数据分析可以发现，新用户中有行为的用户的留存，会远大于没有行为的用户。所以，要做好新用户留存，就是提升这部分新用户的有行为用户占比，这是达成目标的拆解路径。

有点绕，套用案例来说：

• 社交产品：留下个人资料的用户留存，比没留的高；
• 互金产品：买过理财产品的用户留存，比没买的用户高；
• 电商产品：领券用户的留存，比没领的高；
• 资讯产品：有评论行为的用户，比没有的高；

以上这些案例是怎么做到的，利益刺激是其中一个方法。

美团在几年前补贴大战的时候，通过发券刺激新用户下单。在这个阶段也没办法获取足够的用户画像，所以不知道新用户的喜好，只能是在用户浏览的品类里，发放优惠券。

还有些产品，给新用户发放红包，连续7天，每天都可以领。这就是最直接的利诱，拉动用户前几天的留存。但这种活动要做到成本可控，单个次留或7日留存的成本太高是不合理的，但拉低成本会导致用户对红包无感知。

3.资源倾斜

试想一下，当你发出一条朋友圈之后，你在想什么？是不是期待会有朋友来评论或点赞？如果有，甚至有很多，你会获得快感和满足感；如果没有，就会比较失望。

这种体验，用户在使用你的产品时也会有。

假设你在知乎、贴吧这样的社区类产品，作为新用户发布一条内容之后，如果能展现在重要的位置，或者快速获得几个回复或点赞，你就会很开心，留下来的可能性就会很大。

这就是为什么做社区运营的小伙伴，会不断刷帖子，看到新人发内容了就马上去回复，就是为了让对方感觉到那种「快感」，认为这里有很多用户在讨论，很热闹的样子。

传言滴滴冷启动时只有很少的司机在用，于是程维让几位员工去打车绕着城区转，这样会让这些使用滴滴的司机觉得这事靠谱，能拉到客人。这个行为带来的效果，其实就是新用户留存。

再回到小饭馆的案例，当老板发现这桌客人是第一次来时，可能会去聊两句，套套近乎，送个水果拼盘什么的。老板这个行为，也是为了做新用户留存。

在以上几个案例里，社区运营去回复新人的帖子、滴滴自己花钱去打车、饭馆老板去套近乎，这些都是有针对性的为新用户投入资源。所以，资源向新用户倾斜，也是提升留存的方式。

第三步：留存用户（Retention）

在获取用户，并有针对性做了留存工作后，留下的用户就进入了「老用户」的池子，不再受到前两步措施的影响，接下来就要对这部分「老用户」做留存。

其实，如果产品本身对产品是有价值的，是能跑起来的闭环，那么本身就可以对老用户达成留存。但实际情况并非那么理想，所以我们还是要做点什么的。

1.激励体系

这是很大的话题，这里不适合展开，只说原则性观点。

不能把激励体系等同于积分、等级、签到、勋章等具体方案，要将用户需求和产品卖点结合，再思考解决方案。而具体的解决方案，也不限于上述几种。

可以看到很多做「签到」产品，都只是把这个功能当成提升留存的工具，但并没有设计完整的闭环，用户并没有什么理由来签到，做这个操作之后没有及时有效的反馈。

同理，大部分产品的积分等级都做成摆设了，反而做的比较成功的产品，比如微信公众号、知乎、豆瓣等，都没有这些。

比如下图中，微博等级做的就没啥价值，keep的等级特权比较鸡肋，勋章想打纯精神激励，但感觉也没到位。

微博和keep的用户体系

再看下图中，滴滴的任务和会员，提供了价格优惠和优先派单，这对用户就是有价值的。不知道数据，猜测会比上图的微博和keep要好。

另外一个截图是游戏「皇室战争」的任务界面，用户通过任务可能获得用钱才能买到，甚至用钱也买不到的卡牌，这对用户来说也是有价值的。而且多任务的设置，可以保证用户一天多频次的访问，以及发起多个操作。

滴滴和皇室战争的任务

滴滴的用户特权体系

上文中提到趣头条的任务，也是老用户激励体系的一种。通过利诱，刺激老用户的持续访问。

用户体系的建设，务必以用户需求为中心，去制定解决方案，不能被已有模式束缚，否则就会做出类似微博的等级。要想办法做出真正有价值的东西，让用户和产品都受益。

2.用户触达

老用户对产品的品牌有认知，有忠诚度，但还需要适时去「提醒」一下，把用户勾回产品，这就是用户触达。

大概有四种常见形式：push、系统消息、短信、邮件。前两个还可以用，后两个效果在大多数场景下是很差的。

push有以下几个要点：

• 内容。可选的发布内容数量多、分类多、及时性强，无论全量或个性化push都可以保证效果；
• 通道。保证push可以触达更多的设备，想办法让更多用户打开手机的push开关。
• 策略。对哪部分用户发、在什么时间发、每天发几条、push文案是否加图、声音是否可以调整等，都是push策略要做的。

另外，push还要做好管理，保证发布的内容和分类是稳定和合理的。建立每天监控数据效果的报表，及时review每一条的效果，便于尽快调整策略。

这四个触达用户的方式，push是最有效，且难度也是最大的。这里用简单几个要点带过，其他三个也不再赘述。

3.活动

线上活动的主要收益是老用户促活，提升活跃频度，比如活动前是3天来一次，活动后提升到每天都来。反而靠活动去拉新是很难的，从成本角度来说还不如让渠道投放去做。

今日头条在春节期间做的「集生肖」活动（下图），拉新和促活的作用都有，但这里只说促活。

今日头条集生肖活动

想要集齐12生肖，就需要每天都启动app，通过这样的活动激励去提升老用户留存。当然，这是个多维收益的活动，可以拉新、社交、绑卡，但成本可控，从第三方数据来看，对今日头条整体DAU也有拉动作用，这就是一个好活动的效果。

说完UG的意义和做法，最后讲讲常见问题，毕竟理论和现实有很大差距，而且这个理念还没有被很广泛的理解，所以缺乏快速生长的土壤。

问题一：数据基础薄弱

大多数国内互联网公司的员工，都会觉得自己的产品数据基础薄弱，这个太正常了。

首先，大部分抱怨者都是「用数据」的人，并非「做数据」的。从自己需求角度出发，总是会觉得数据不能让人满意。

其次，小公司没时间、没成本、没必要去重视数据，大公司有很多也不是数据或技术导向的，这是行业现状。

但问题是数据对UG来说是很重要的，不是依赖数据做决定，而是需要数据去验证主观推测，这样就可以快速做大量的AB测试，从而落地最终方案。在这方面做得好的公司，每天成百上千个AB测试在线上跑，有成熟的技术平台，完全不依赖客户端发版。

即使数据弱也没关系，只要判断是必要的，就可以一点点去建，哪怕多花一些时间。这种基础设施建设，虽然并非快速见效，但坚持推进去建设，从长远来讲收益是很大的。

问题二：内部协作效率问题

我的感受是，做UG最难的不是业务技能方面的，只要主线清晰，团队给力，不断去推进优化，一定能看到效果。

难点是因为整个公司对UG理解层面不同，导致落地难，重点体现在公司内部协作效率低，沟通不顺畅。

因为产品、运营、研发、渠道、市场等，分属不同部门，被不同的老大管，甚至KPI都不一样。而UG恰巧需要把这几个角色整合到一起做做事，势必会遇到协作的问题，也会与现有业务冲突。

比如从UG角度来讲，需要去优化某个产品模块，但这个需求就与本身在做基础产品的需求冲突，而且最终落地的也不是UG的同学，那这个需求就要有足够的理由被认同，才能被排进去。

有的时候，可能不是「需求」的问题，而是「蛋糕」的问题。UG团队会触及原有团队的利益，合作必然不会顺畅。

解决这个问题，很难，也很简单，必须公司、老板的层面去认可和推动，只有这一条路能从根本上解决。

问题三：缺少人才

一个公司想做UG，首先想到的就是找有经验的人。但目前业内真正做过这事，并有些方法论沉淀的人不多，对比需求缺口，差距就更大。

对于人才来讲，这是个很好的机会，之前做过产品、数据分析这样的同学，转做UG更有优势，至少需要有逻辑思维和数据分析能力，以及很强的沟通和推动能力。

对于公司来讲，能直接找到合适且有经验的人，是最理想的。如果找不到，也可以从内部挖掘，至少执行层团队是比较容易搭建的。难点是需要有一个懂UG的leader，这是个大项目，需要有人掌舵和协调推进。

以上，就是我对UG的理解，问题太大，导致很多分支问题只能点到为止；眼界所限，可能也不算是UG的全貌，但至少是从实战中提炼的，希望对大家有帮助。

来源：韩叙