咪蒙的演算法，有毒！為什麼奈飛和蝦皮就成功了

邦哥推薦：

A/B測試不僅是營銷學裡最常見的數據分析手段，在如今更成為電商了和新媒體的增長黑科技

同時，這種演算法猶如一把雙刃劍，好的企業用它加強管理提高效率，被價值導向有所偏差的自媒體利用便會後患無窮。

本文授權自： 新加坡國立大學商學院（ID：nusbschool）

咪蒙，倒了。

這個飽受爭議的自媒體，就連關停都成了華語網路世界一個標誌性的事件。

有人叫好，有人唏噓。

「毒雞湯」、「喪文化」、「販賣焦慮」這些咪蒙從一出場就摘不掉的標籤，成了很多人討厭咪蒙的理由。而與此同時，咪蒙的公眾號卻又吸引著千萬人的眼球，帶動流量。

流量的背後，自然是讓更多人艷羨卻未可及的商機。2018年，咪蒙的自媒體廣告報價據說已經高達80萬人民幣，能換來一輛保時捷。

在當下這個流量即王道的互聯網世界，咪蒙憑藉寫作就能處於中文自媒體內容行業的食物鏈頂端，顯得太過刺眼。

咪蒙的套路

作為一個坐擁1400萬粉絲、篇篇文章閱讀量10萬 以上，有些爆款的閱讀量甚至能達到1000萬 的自媒體大V，咪蒙在過去的三年多時間裡，每天定時製造話題。

有讀者說，雖然她的文章讀起來是滿滿的「套路感」，但篇篇推送就是能吸引眼球，很多人覺得咪蒙的爽文讀起來痛快。

來看看咪蒙推送過的文章標題

大多數婚姻不是死於無性，而是死於無話

我們對父母，正在使用冷暴力

對不起，我女兒就是拿來賣錢的

我就是泡了小奶狗的變態老女人

致賤人：我憑什麼要幫你？

……

簡單、直接、粗暴，讓人秒懂，但卻最容易吊足胃口，甚至震蕩人心。

從標題到內容設計，咪蒙旗下每一篇「產品」都要踩准讀者的痛點或燃點，要確保引爆話題，要達到流水線創作生產，要觸及百萬甚至千萬的閱讀量。

咪蒙在接受媒體採訪時曾說過，她和團隊為讀者們「量身定製」的文章用的是產品思維。

是的，這樣規模化的寫作不能僅靠個人情懷，靈光乍現，更不能只圖自嗨，咪蒙和團隊製造爆款是有方法的。

她跟外界分享過「10W 製造公式」：1/50選題 四級採訪 5小時互動式寫作 100個標題 5000人投票 1萬字數據分析報告

每天從50個熱點話題裡面挑選一個，寫作前先做採訪，覆蓋核心粉絲群、話題相關群體以及專家團隊的角度。

咪蒙的核心策略是採用開放式寫作。文章創作的每一個環節，都有團隊和大量的用戶在參與、推導、投票。

這樣定製出來的內容，怎麼能不吸睛呢？

在方法上來看，咪蒙爆款文章寫作高度依賴與團隊和粉絲的「互動」，這其實遵循的是營銷學裡最常見的A/B測試（A/B Testing）。

如今，A/B測試已經成為電商和新媒體的增長黑科技，它是怎麼工作的呢？

下圖是一個簡單的例子

某網站推出兩款測試版，其中一半的訪問者被隨機分配看到紅色版本A，另一半則被隨機分配到了綠色版本B。

如果紅色版本A的點擊率達到23%，而綠色版本B的點擊率只有11%，那網站最終版就應選擇紅色版本A。

這個測試的核心是，通過對最終用戶的選擇行為進行實驗和數據分析，從而得出最佳設計決定。

咪蒙對A/B測試思路的運用是，讓編輯團隊和潛在讀者看到不同的版本的未完成情節，然後讓他們用投票的方式選出更喜歡的版本。

例如，她的團隊每篇文章都要擬100個標題，然後放到5000人的核心讀者群里，讓大家票選。最終選取的標題的原則不是「我覺得好」，而是潛在讀者覺得好。

文章推送後，咪蒙強調對每一篇作品用上萬字的「數據分析」進行復盤。這包括收集公眾號讀者的留言，進行文本分析。

例如20%的人被標題觸動，15%的人「受到了感染」等等。這樣的復盤為下一篇文章怎麼寫，提供了寶貴的經驗積累。

咪蒙的文章總是能搔到讀者的癢處，這一切不是偶然和天賦，而是建立在數據挖掘上的營銷分析創作。

這樣的套路，其實不新鮮，好萊塢和韓國的專業編劇早就在用了。一部劇由多位編劇共同打造，可以做到拍攝、播出、撰寫同時進行。

無論是劇情的走向、人物的設定，還是懸念的鋪陳，每一個環節都能運用A/B測試，讓觀眾參與進來，按照觀眾的偏好來設計後面的劇情。

而對比好萊塢編劇，咪蒙的爆款文章製作流水線缺失了一個很重要的環節：好萊塢每個故事出爐前，要先確立「三觀「，世界觀和價值觀不能跑偏，其他環節和細節才在主線基礎上展開。

否則，只注重數據搜集分析和流量效果，對用戶的選擇一味地迎合，而忽略了其他元素，很容易導致整體決策的失誤。

對於擁有千萬粉絲的咪蒙來說，其實容不得閃失，稍有不慎，就很容易招致「滅頂之災」。

咪蒙的落幕，錯不在於她在寫作中運用了數據分析，而是戰略決策出現了偏差——以流量和眼球為唯一目標的價值導向，忽視了其作為千萬粉絲量級自媒體的社會責任和其產生的影響力。

奈飛的崛起

在數據挖掘和分析上，咪蒙團隊還只是「小作坊」，說到把A/B測試應用到極致的企業，當屬流媒體巨頭奈飛（Netflix）。

今日的奈飛，堪稱把數據分析與企業戰略完美結合的典範。

作為現今市值最高的視頻點播公司，從創立之日起，奈飛的商業模式就是基於用戶行為數據不斷進行優化。

用戶的每一次訂閱、點擊、觀看、收藏行為都被記錄並分析，奈飛根據分析結果不斷地改善對用戶體驗——個性化推薦、精準分類、差異化頁面設計等等，而積累起來的數據也成為奈飛在影視內容的購買和製作投入的重要指標。

奈飛的演算法可以做到什麼？

舉個例子來說，不同的用戶即便在線觀看同一部影片，它能夠根據每一個用戶的觀影習慣，分析其個人偏好，最終給到用戶不一樣的海報圖。

Netflix通過A/B演算法可以照顧到用戶的偏好，給到不同用戶的同一部影片封面，能做到量身定製。如圖，兩個同樣選擇點播《低俗小說》的用戶，基於不同的偏好，出現的影片完全不同。

2018年，奈飛連續投入數億美元，進行了幾筆重磅的簽約。其中包括格雷醫生（Grey』s Anatomy）的製片人Shonda Rhimes，寫下美國犯罪故事（American Crime Story）的Ryan Murphy以及美國前總統奧巴馬夫婦。他們將在未來為奈飛製作多部原創作品。

做出這些重大投資的原因不是類似「他們一定能紅」的敏銳第六感，而是來自機器學習演算法對需求量的預測：哪些演員、題材、創作團隊的組合最可能獲得成功。

這些演算法被奈飛用實踐數據訓練多年，並不斷完善，已經變得非常可靠。

儘管奈飛在決策中非常倚仗演算法的力量，有趣的是他們也時不時背離演算法做出妥協。

一個著名的例子便是，2016年奈飛推出熱播劇 Grace and Frankie第二季時，遇到了海報爭議。

據說，在正式海報推出前，奈飛的數據工程師進行了大量的A/B測試，發現大牌明星Jane Fonda沒有出現在海報上的時候，該劇的點擊量反而更高。

於是，圍繞海報版本公司內部進行了大論戰。「工程師派」想要跟著演算法走，「好萊塢派」則想遵從藝術直覺。

最終的結果是Jane Fonda依然出現在了海報上。

為什麼？誰敢得罪這位好萊塢大牌明星呢？

2016年，奈飛上線的美劇Grace and Frankie第二季海報，經過博弈，最終還是帶上了Jane Fonda（網路圖片）

憑藉「理性化的演算法與分析」與「人性化的妥協與把握」，奈飛成為全球流媒體獨角獸，稱霸在線視頻點播服務。

如今，他們更是有膽量和實力，直接向傳統的好萊塢發起挑戰。

在今年第91屆奧斯卡最佳影片的提名中，奈飛的出品的《羅馬》成為多項提名大獎的領跑者。

而奧斯卡公布提名的同一天，奈飛也正式加入美國電影協會，晉陞為好萊塢「第七大」。

取得好萊塢今日的地位，環球、華納、迪士尼等六大電影公司幾乎用了100年的時間，而奈飛今年才22歲。

小蝦皮吞食大鯨魚

A/B測試不僅可以為在線內容企業斬獲流量，在電商領域，也是各大巨頭和新貴青睞的演算法。

2015年10月，一個名不見經傳的移動購物APP——蝦皮（Shopee）在台灣異軍突起。這個新加坡本土孕育的名不見經傳的電商平台，在台灣市場的亮眼表現，引起了很多人注意。

短短一年半的時間，蝦皮讓台灣的移動購物市場快速「橙」起來，下載用戶達到800萬，占年輕人的一半，成台灣最大移動購物平台，並助力母公司SEA在紐交所成功上市。

奇招頻出，所向披靡。

蝦皮讓當地的電商老大「網路家庭」(PChome)彰顯被動，無力招架，市場板塊被逐一擊破，股價腰斬，並被迫叫停旗下公司的赴港上市計劃。

蝦皮（Shopee）進入台灣市場，不到九個月時間，月成交商品數量超過千萬件，成為全台灣最大的移動購物平台 （網路圖片）

什麼奇招使蝦皮在台灣上演了小蝦米吞食大鯨魚的市場奇蹟？

奇招之一就是把A/B測試的招數運用得風生水起。

在廣告素材部分，蝦皮通常依據不同目標客群、不同商品，透過 A/B 測試 ，找出最終適合大量投放的廣告版本，比如：

彩妝類的商品廣告，有人像的圖片往往比沒人像的效果好；

需要呼籲行動（ Call to Action） 的廣告，色調不要太過粉色，否則容易看過就忘，衝動購買的慾望不易被激發；

買一送一等的優惠訊息，對於多以目標購物導向為主的男性，效用不大

蝦皮還利用A/B測試不斷創新，改進用戶界面：很多時候不是等產品 100% 準備好才推出，反而是要小部分、小部分的進行測試，然後再針對需要改善的地方逐一加強。

A/B測試提高廣告和產品的精準性和針對性，增加了用戶的滿意度和平台黏性，提升了用戶轉化率，降低了退貨率。

這使蝦皮在同類APP中凸顯五大優勢：移動用戶多、用戶粘度高、轉化率高、超低退貨率、平台易於上手等優點。

當然，蝦皮在台灣市場的成功要歸功於一套完善的營銷戰略。除了善於利用A/B測試以外，蝦皮還結合了精準定位、利用社交媒體進行病毒式營銷等方法，來提高營銷效率，增強用戶黏性。

無論是咪蒙的套路，奈飛的崛起，還是蝦皮的突襲，A/B測試只是商業數據挖掘的基本方法之一。面對複雜的商業世界和不同的行業，我們更要結合文本分析、機器學習等更為複雜深入的數據分析方法。

因為無論是基於用戶思維，還是基於產品思維，最終商業數據分析也還是要服務於企業決策，而不能簡單的主宰或代替企業決策。

學到和運用數據方法還只是第一步，對於個人和企業來說，未來能走多遠，關鍵取決於對數據的綜合分析和科學運用。

文：楊楠（新加坡國立大學商學院策略與政策系及市場營銷系助理教授）、楚軍紅（新加坡國立大學商學院市場營銷系副教授）、王彤（新加坡國立大學商學院華語品牌官）

推薦邦哥的好朋友「企業創投聯盟」，ID：cvcbang

MORE | 更多原創文章

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！