“
在上篇文章中，我们用维基百科的搜索量侧面验证了Facebook上曝光的重要性。那么接下来，我希望尝试从数据中找到一些“流行的经验”，让内容得到最大程度的曝光。
在上篇文章《Facebook效应：流量生意背后有哪些数据逻辑（上篇）》里，我们已经证明在 Facebook （以下简称FB）上流行的重要性。想要获得更好的公众曝光，就要在FB上流行，这说起来比做好要容易许多。所以现在我们来试着分析一下，如何做才能更好地在FB上流行。我们可以从FB的流行趋势的一些基本原则着手，看看如何可以让内容得到最大化的曝光。
与我们所想的相反，造成“流行”并不是用无尽的帖子和图片，狂轰滥炸地淹没信息流。FB用户在浏览内容时常常会忽略帖文、图片，尤其是广告。他们只会被吸引眼球的事情抓走注意力，这也是许多营销公司在做的。
一个最好的案例就是新闻机构在FB上分享内容的行为。与用户访问新闻网站获取信息的行为方式彻底相反，在FB上用户不是来看新闻的，因此新闻机构在FB上并非逐字逐句搬运，而是重新撰写推荐语，试图吸引FB用户的注意，继而吸引用户去到他们的网站。
为了弄清楚如何撰写帖子和内容才可以提高FB曝光率，我对纽约时报进行了案例分析。
（图片说明：纽约时报在FB的主页和新闻推荐语；图片来源：Facebook截图）
我爬取了FB上纽约时报从2012到2016年发的所有帖子，这些数据包括FB帖子内容、分享的文章或视频题目、相关描述、以及点赞数。
（图片说明：纽约时报官网上的推荐语）
我发现的第一个明显现象，是FB上的帖子和纽约时报网站上的文章，在简介上有明显的不同：他们在FB上发帖时的简介会更长。
从图中代表平均数的虚线可以看出，在FB上发帖时，单词和字母都会更多。P值都少于0.001。这是否说明较多的文字更适合引发流行？
我接着又做了一个用词数量与点赞数关系的散点图，如上所示，两者呈正相关关系。
那么除此之外，在FB上的用词又有什么区别呢？
（图片说明：FB上推荐语做的词云分布）
（图片说明：纽约时报官方网站上推荐语做的词云）
如果仅从词云的角度来看，如我们所料，FB与官网上的用词大部分相似。所以，我们接着使用谷歌的云端自然语义平台进行分析，以找到更细微的区别。
上图是一组对比。我们可以看到，在这个案例中，FB上的帖子提到了甘地，而网站上的摘要没有。尽管这只是一个简单的例子，但这种模式在整个语料库里也十分明显。当在FB上发帖时，纽约时报非常明显地喜欢提及人名，诸如奥巴马、罗姆尼等。
另外，在FB上发帖时，纽约时报使用问句或者引语的次数是网站的5倍。
所以，总的来说，我们这个对纽约时报的开放分析，研究了纽约时报如何在FB将社交媒体曝光最大化，并获得了一些启发。这包括：
1.与主网站相比，使用更长、更偏叙述的帖子； 2.使用更吸引人的词语，比如总统等，并且具体地指向能让人产生兴趣的人，如奥巴马等； 3.给读者提问，同时使用一些惊人的引语来吸引读者。
在Kylie Jenner的推特之后，Snapchat的市值大约损失了16亿美元。她的推特是造成这一切的全部原因么？我们也许永远也不知道。但是我们可以确定，Jenner在社交媒体上的超强存在感，严重影响了Snapchat的前景。
的确，在这项目中，我尝试解码社交媒体上，尤其是FB平台上，一个内容流行会带来什么。我发现，当一个话题在FB上流行，它会导致其对应的维基百科搜索量提升70%。把维基百科的页面浏览量看作是识别度上升的某种标志的话，可以看到FB曝光度对产品识别度有巨大的影响。
而且，为了确定这个识别度的上升就是由FB平台带来的，我还对比了在FB上流行，与在推特上流行的不同结果，并发现后者带来的影响并不明显。这给我的假设提供了支持。
接下来我对纽约时报在FB和自己网站上发文章时的不同处理方式进行对比，来研究它是如何提高FB等社交媒体平台的存在感。我发现，在FB上的帖子更长，并且会更多地包含人名，并且倾向使用更多的问句和引语。
我的这个项目本质上还是探索性质，所以未来可以进一步做的研究包括：撰写一个脚本，从而持续地爬取FB上流行话题的帖子信息，从而可以在不同时间节点进行更详尽比较；提高我的样本量，让它足够运行固定效应模型（fixed effects models），进而衡量一个话题在流行前和流行后的变化；使用更多的自然语义处理工具，比如潜在狄利克雷分布 （latent dirichlet allocation）等，对FB上和其他网站上发帖时的文本差别进行更深度的分析。
注：本文翻译自技术博客《The Facebook Effect》，内容仅为作者观点，不代表DT财经立场。
作者 | Weijie Deng
题图 | 站酷海洛
▍关于DT×NYCDSA
DT×NYCDSA是DT财经与纽约数据科学学院合作专栏。纽约数据科学学院(NYC Data Science Academy)是由一批活跃在全球的数据科学、大数据专家和SupStat Inc. 的成员共同组建的教育集团。
▍数据侠门派
本文数据侠是William Kye。他拥有美国圣母大学社会学博士学位，对分析和理解人类行为有浓厚兴趣并富有经验。Kye喜欢用数据解决问题，不只将数据看作生硬的数字，他还希望将其置于人类社会行为的大背景下进行理解。他此前做过大量的人口数据与其他数据的交叉分析，比如社区自杀率与种族构成的关系，私立学校的数量与社区士绅化趋势的关系等。Kye掌握R语言、Python等，同时希望将数据分析以有洞见的故事形式展现出来，并将自己的能力用在解决现实世界的难题上。
