行业洞察：广电行业数字化时代的数据破局指南

2019-10-08

神策数据

如今，在移动互联网、大数据、云计算的发展与应用下，各行各业面临着新旧的冲击和颠覆。广电行业也不例外，本文将为你深度剖析广电行业的困境与破局方式。

一、困境：广电行业的发展趋势与挑战

广电行业伴随着冲击迎来了 2.0 时代——互动电视阶段。该阶段颠覆了过去单向、刻板的传播方式，让广播电视行业的观众向“用户”转变。如下图，为广电行业发展趋势：

图广电行业的发展趋势

事实上，在移动互联网时代的迅猛发展下，新媒体行业凭借信息传播的及时性、海量性与多样性等优势逐渐分割大量媒体市场，对广电媒体发展带来极大挑战，具体可分为内部和外部两方面的因素，如下图：

图互动电视阶段下面临的困境

二、破局点：以用户为中心的数据驱动

在媒体融合和大数据发展的背景下，广播电视行业要逐步转变传统理念和运营模式，借助大数据平台采集、存储、挖掘数据资产，通过大数据平台对媒体内容数据、用户服务数据进行全方位分析挖掘，其中的关键是建立以用户为中心的数据驱动，以此为业务运营、产品优化、内容推荐提供决策支持。

广播电视行业向以用户为中心的运营思路转变，需积极把握用户需求与偏好，制作并传输符合用户心理预期和感观体验的节目内容，研究用户的行为数据与用户的互动数据，应用大数据技术在以“用户”为中心格局下研究广播电视业务新的需求特点，创新广播电视业务产品，才能更好地促进发展。具体可从用户、内容、产品、服务四个方面展开，如下：

图数据搭建以用户为中心的运营思路

究其根本是以数据驱动为加速引擎，通过用户行为数据的采集、分析、应用、反馈的闭环，实现用户需求的精准洞察，并采取相应产品服务的创新以赢得用户的喜爱。

三、数据驱动痛点及数据生产流程的建设

广播电视行业搭建以用户为中心的运营思路的基础为数据运营体系及流程规范的稳步搭建，但目前广电行业在实践数据化运营时最常遇到以下几个问题：

图广电行业数据驱动的难点

这四大问题的根源是数据采集、数据分析等数据化驱动基础不完善。下面简单介绍数据整合及指标体系建设：

将不同探针、埋点的数据整合（包括用户浏览页面、推荐位点击、节目播放、服务订购等），并丰富相应的维度属性（比如节目媒资信息），进而根据业务需求设计科学全面的数据指标体系是数据化驱动的基础。

在数据生成过程中也不止是技术开发探针采集即可。为了避免采集错误、遗漏等数据不可用问题，需要在企业内部建设并规范好数据生成的全流程，如下图为神策数据的数据高质量保障流程：

图神策数据的数据高质量保障流程

数据的定义、采集需求由业务人员从业务需要出发进行整理，并非所有的数据、所有的维度都需要进行采集。

首先需求确定后，由数据产品或数据分析师对需求进行埋点设计，将业务需求具象为技术实现形式，保障最终的采集结果能够满足业务需求。方案设计完成后，由探针或埋点开发人员开发并完成自测，这是保证数据准确可用的第一层流程保障。开发完成后，还需要由测试工程师进行二次测试，从数据正确性、顺序性、完整性三方面对数据进行全面的技术验收，这是保证数据准确可用的第二层流程保障。数据上线后，再由业务人员以及分析师使用验收，确认数据是否与业务需求一致，这是保证数据准确可用的第三层流程保障。以上基本为一个企业建立数据驱动化基础的流程。

四、以用户为中心的数据驱动内容运营

广播电视行业数据驱动内容运营主要包含采集用户观影数据，分析内容偏好趋势，搭建内容评价体系，指导内容采购生成，优化内容编排。

推荐位运营是广播电视行业运营编辑的主要工作之一。现主要存在以下问题：

根据节目总体数据评估效果，无法排除其他来源影响
关注点播和订购数据，无法获知用户转化的流失环节
无法分离推荐位与推荐内容的相互影响

广播电视行业客户的原有数据系统大多以看板为主，而且是大类数据，比如各页面 UV、PV或播放的 UV、PV、时长等。在推荐位分析时的核心痛点是无法区分推荐内容的多来源数据，只有一个整体数据，如只能看到《流浪地球》的总体点击量，不能看到点击量的来源，而且没法分析推荐位的转化路径（点击推荐位-详情页/专题页-试看-试看结束-订购成功），更无法分析哪些内容的点击数据好，以及指导后续的内容与推荐位的高效匹配。

下面具体介绍推荐位订购归因分析、推荐位订购转化分析：

A.推荐位订购归因分析

在 IPTV 业态中，增值服务包的订购是非常重要的收入来源，而且一般来说，超过一半的服务包订购是通过各频道页面的推荐位导流。因此，如何更好地利用数据优化推荐位流量运营，是提升 IPTV 订购金额的关键之一。

而推荐位的转化归因，根据不同的业务形态，归因的方式有很多，比如综合电商常用订购前最后一次点击的推荐位，再比如家装社区认为一系列推荐位点击共同贡献，而对于 IPTV 来说，最常用的也是末位归因方式。在神策分析中，使用者可以自由地在多种归因方式之间切换，选择适合自己的业务模型。如下图，为神策分析的归因分析界面，可自主选择不同的归因分析模型。

图神策分析归因分析界面

上图是神策分析中的归因分析结果，我们以用户的订购成功作为转化事件，以推荐位点击作为待归因事件，按照末位归因模型，这时神策分析就会自动回溯每次订购成功最近一次的推荐位点击，并进行订购次数或订购金额的统计。

比如在上述结果中，电影频道的第二屏第二排位置（推内容《流浪地球》）是订购贡献度最大的推荐位，该推荐位共被点击过 378 次，有 71 次在点击后试看并完成了订购，因此推荐位的流量转化是 16.4%。

当我们有了电视上各频道各推荐位的用户点击流量、流量转化率，就能有的放矢地进行流量优化运营，最常见的思路是将转化好、流量低的推荐位内容调到更显眼的推荐位、提升流量，将流量大、转化差的内容调到频道或专题的推荐位，提高导流的精准性。通过数据驱动的精准优化，在整体流量、用户不变的情况下，也能产生更多的订购。

图推荐位流量运营的思路

B、推荐位订购转化分析

除了推荐位的订购归因，我们在上面提到的当发现推荐位内容的订购转化较差时，需要通过更深的分析寻找原因，比如是因流量不够精准还是因内容本身质量较差造成转化率较低。

下面举例来说明推荐位的转化分析思路。比如在首页某个推荐位全量上线《流浪地球》电影后，通过漏斗分析发现推荐位点击- 详情页 - 试看–订购成功的转化率为 0.5%。那么这个转化率是好还是差还是一般呢，我们可以按照下述思路进行分析：

可以看到主要可从位置因素和内容因素两个方面进行分析。比如，我们通过漏斗分析分析此推荐位过去 90 天的整体转化率，以此对比新上的《流浪地球》转化如何；又比如限定本推荐位过往推荐的科幻电影，分析此位置过往科幻电影的转化率情况，对比新上片的效果。

再者，除了推荐位点击 - 详情页 - 试看 - 订购成功整个流程的转化率分析，还能对比新上片转化是在哪个环节较低，判断是因为详情页后介绍不吸引、没试看完，还是试看完后没进行订购等。也能跟本位置的过往电影进行比较，分析上述举例环节在过往推荐内容中是否存在相似问题。

图推荐位转化效果分析

五、以用户为中心的数据驱动产品运营

广播电视行业产品在互联网视频产品的高速发展冲击下，对颠覆传统产品服务，加强产品的智能化实践提出了更高要求，由于其用户画像的丰富多样性和观看场景的完整性（分发曝光几率小），导致对精准个性化推荐的需求更为迫切。下面针对这一核心痛点，下面展开介绍：

针对广播电视行业的内容特征，个性化推荐能针对性地扬长避短，促进业务增长，如广播电视行业的存在信息过载和马太效应的两大特征，针对信息过载，企业需要提供用户感兴趣的节目，增加用户体验；针对马太效应，企业需要利用节目的长尾效应，加强传播效果。如下：

A、首页个性化推荐

企业可先将节目库数据、用户行为数据与推荐系统（如神策智能推荐）打通，通过推荐系统基于用户行为与偏好的排序集进行“千人千面”定制，同时可以加入人工干预的运营规则，将用户当下的行为数据，实时反馈给推荐系统进行分析和运营干预，提升首页推荐流量精准度。在这个过程中的关联指标为 CTR、人均点击次数、点击播放率。

图首页个性化推荐应用场景

B、猜你喜欢推荐

猜你喜欢推荐与首页推荐的主要差别在于猜你喜欢对推荐内容的把控度要更高。首先，企业可以将点播节目库数据与推荐系统（如神策智能推荐）打通，再基于用户行为数据将视频内容分门别类形成不同的视频子集，用于赋能各个细分场景的推荐，如猜你喜欢、播放结束推荐、搜索页推荐等，且在这个过程中用户行为数据最好是保持实时更新，以保证推荐的精准度。

在首页、搜索页等流量位置基于用户行为进行偏好推荐的猜你喜欢，可提升人均播放时长，同时为付费内容、服务引流、提升订购业务次数，其关联指标为 CTR、点击播放率、点击付费率。

图猜你喜欢推荐应用场景

下面以某个使用神策智能推荐的 IPTV 企业为例，介绍广播电视行业的个性化推荐应用（神策智能推荐系统是一款百度视频、东方明珠、惠头条、妈妈帮等行业标杆企业都在使用的推荐系统）。

某 IPTV 播放平台 A 在使用神策智能推荐前采用人工编辑，以周为时间周期固定内容全量推荐。在明确广播电视行业的发展趋势后，急需引入智能推荐引擎，实现“千人千面”的个性化推荐，以实现提升影视推荐的精准度、更新频率和提升用户观影体验的两个主要目标。

A 企业在接入神策智能推荐后，不仅对比人工推荐让 CTR 指标提升了 6 倍、对推荐内容的人均浏览次数也提升了 1.9 倍，同时在整个实施过程中接受了神策数据整体方案的培训，A 企业的算法团队能力也有了显著提升，并将方案试图推广到其他驻地。

此外，神策推荐的运营干预后台赋能运营编辑能够进行全局内容的播控管理，比如封禁某些敏感内容，置顶、必推某些节目内容等等。

图某 IPTV 推荐实践

图神策推荐的运营干预功能

六、数据驱动用户运营

目前，广播电视行业的用户运营意识还比较薄弱，大部分没有专门的用户运营团队，运营方式单一，有很大的潜能可挖掘。广电企业用户运营的一大困境是用户的大量流失，其流失后再进行召回的难度和成本很大，而防止用户流失的第一步是预先识别潜在的流失。下面具体介绍：

首先，广电企业需要定义流失，通过一些流失用户的特征来进行流失用户的判定，如随着时间推移，一直没有开机的用户越来越少，并趋于稳定，这群一直不开机的用户即可定义为流失。

事实上，广电企业可以通过建立适合自身的用户沉默流失曲线来判定流失，如此一来用户所处生命周期阶段便一目了然，可及时抓住黄金时机进行用户运营干预，促进用户的活跃防止流失等。如下图，某广电企业将连续不开机 4 天的用户定义为沉默用户；将连续 10 天不开机的用户定义为流失用户。

图用户沉默流失曲线

明确流失用户的定义后，企业可以使用相关的数据分析工具进行更细粒度的分析。如使用神策分析可以通过用户行为特征定位流失用户群（如下图），并保存为单独的流失用户群以进行不同行为的流失分析，如开机流失、点播流失、直播流失等分析。

图神策分析的用户行为流失分析

同时，在明确流失用户群后，企业还可以做更丰富的维度探索，挖掘沉默用户特征，如下图，企业可通过使用度减少、内容满足度下降、观影角色变化、服务到期四个方面进行分析，定位沉默流失用户潜在的具体特征行为。

图用户流失原因分析

企业明确沉默用户及流失用户特征后，可通过用户行为分析工具进行多维干预，及时防止沉默或流失，如通过神策分析的用户分群将沉默用户和流失用户群划分出来，给沉默用户进行偏好内容的推荐，激发用户的再次活跃；给流失用户进行优惠促销的信息推送，促进用户的再次使用和活跃等。

除此之外，企业还可以通过用户行为分析，进行线上线下运营的打通。举个例子，当企业通过线上的用户行为数据的标签发现某些用户的使用度降低，社区经理就可以去这些用户的家中进行访问和沟通，了解具体原因，之后企业也可以将这些反馈结果通过标签的形式加到线上的数据系统中，从而建立流失用户特征的提炼，建立流失特征标签，生成沉默用户群，如此一来，就实现了线上运营到线下客情维护再到运营策略制定和实施的打通。