
教你十招搞定内容营销关键原则_数据分析师
在谷歌的实验室中,数百名有着博士学位的数学家在为钻研搜索引擎和算法,试图寻找能让大家都关注、喜欢的内容和提升用户体验的有效途径,他们在寻找优质内容,和产生优秀内容的原因。
内容是搜索引擎和社交网络所构建的信息网络的血脉与基石。不论你是专注于社会化媒体、搜索引擎优化还是互联网营销,构建属于你自己的内容营销策略与系统都是非常必要的。
内容营销的演变伴随着整个社交媒体的变化而逐步转变。精明的社交媒体的营销者不再打算继续做扎克伯格手上的玩物,他们开始意识到他们不能一味地追随Facebook和社区的脚步,真正有含金量的内容才是关键。
把握在线内容的导向和趋势,结合优质内容创作并策划才是走向未来的关键。不再单打独斗,将内容营销的DNA植入销售和运营,让注意力引导到正确的方向。接下来,我们仔细看看内容营销的十大关键原则。
好内容是关键。不过,说起来简单,执行起来却并不容易。创作令人难忘的内容没法信手拈来,但是有迹可循。在《Made to Stick》这本书中,作者介绍了创作优质内容的六大原则:
·简单直观
·令人意外
·具体细节
·可信可靠
·饱含情绪
·故事完整
如果你能基于这些原则来创作和修改内容,至少能让你的内容更上一层楼,为接下来的营销打好坚实的基础。
再不喜欢标题党,你也得承认这是一个必然的趋势。在过去,人们不得不通过购买图书和报刊杂志来获取内容,一般而言,自己花钱买的内容再难看也要忍着读完。
但是在社交网络上并不是这样,免费的内容到处都是,如果你的标题够不够炫酷、不够抢眼、不够抓人、不够走心、不够炸裂,那么必然会读者忽略被用户抛弃。
实际稍纵即逝,每一个文字的时间窗口都非常短暂,稍纵即逝的时机是对每一个标题的严苛考验,不论是在Facebook、Twitter还是在微博和微信,皆是如此。
如果不能让每篇文字都成为经典的内容,至少你可以做一个称职的“标题党”。
成功的企业了解他们的客户是谁,明白问题在哪里,掌握用户的痛点。这也是内容的创造者和营销者需要具备的素质,内容需要围绕着给用户提供解决方案/问题答案来打造,迎合用户的需求,戳中他们内心深处的欲望、需求,击中他们内心最柔软最痛苦的地方。
内容就是你的食材,你就是站在案板前的首席厨师。鞋合适不合适,脚最清楚,所以你需要让自己成为一只敏锐的脚,每次都问问自己,“这是不是用户想要知道的?”“他们会不会为此而着迷?”。如果对于你的内容所探讨的主题极为熟悉,热衷于这个行业,那么你会很清楚这些问题的答案。
时间就是金钱,谁的时间都不够用。在这样的社会中,信息爆炸,数据满天飞,大家获取信息的关键已经从“看什么”变成了“不看什么”。所以,清晰的内容结构能够让读者更顺畅地获取信息,良好的内容结构通常符合下面的特征:
·短句
·短段落
·副标题
·提纲要点
·列表
所以,请千万不要用夹缠不清的长句挑战用户的底线。
你需要让你的内容“流动起来”。它需要像液体一样灵活,基于社交网络的属性来设计和构建, 通过分享不断提升生命力。社会化营销是一场战争,从内容页的网页设计到分享按钮的布置,从用户评论到社交媒体上的文案,每一个细节都要慎重考虑。让社交分享按钮尽量清晰方便,但是又不会过于突兀,或者喧宾夺主。
即使著名的纽约时报的网页版,同样有着这样的错误。
搜索引擎优化几乎是中国的网络营销者必备的技能。抓住关键词,了解搜索引擎的抓取内容机制,确保你的内容很容易被搜索引擎发现。如果你的内容发布在诸如Wordpress这样的博客网站上,借助系统内置的关键词功能;如果是在微博、Twitter上,尽量在内容上加上热门的标签和话题,提高曝光度。
下图的截图展示了名为Yoast的工具如何帮助网站进行搜索引擎优化:
这个工具可以让你的博客能被搜索引擎“看到”。
不论是企业还是个人,在网络和社交媒体上都具有品牌属性,在这个内容为王的时代,应该让品牌发声。虽然有的看起来略显粗糙、冒险或者保守,但是它们确实存在,所以作为内容营销者,应该有品牌意识,并且将品牌的基因诸如内容营销中。
如何令品牌“发声”呢?诸如可口可乐这样的品牌,通常会让内容和他们的品牌目标相“匹配”、“一致”,这也就是“发声”。看看红牛的内容营销,你就很容易明白了。
其实个人品牌的品牌营销也是遵循相似的规律。看看这篇“7 Tips to Finding your Writing Voice”,这里会告诉你具体的做法。
文字的力量不容小觑,但是视觉内容能够更直接地冲击用户,这也是为什么日本的年轻人更愿意接受漫画而不愿阅读文字,每年世界范围内视频内容的分享的分发都翻着倍地增长。
以不同格式呈现相同的内容。
值得注意的是,多媒体媒介中,所涉及到的感官越多,内容的保留率越高。下面是Edgar Dale 的“学习金字塔”,这幅图也正好证明了这一点。
来源: National Training Laboratories, Bethel, Maine
创建并发布视频、播客、视频和信息图,这还仅仅只是一个开始。别忘了还有用户喜欢阅读,你还可以将你的内容制作成为epub电子书和PDF文档。
在国外,你除了搞定传统的Facebook和Twitter之外,Instagram、Pinterest、Tumblr、Youtube也都是必须覆盖到的。同理在中国,你拥有微博和微信公众号还不够,在移动端,头条、陌陌、优酷、B站都是相当不错社交媒体平台。
在不同的社交网络上展示内容。
坚持不懈地在多个平台上稳定均匀地分发内容,能够同你的用户建立信任,增长品牌知名度。
没有目标的内容是浪费时间的金钱,也是对品牌的极大浪费。内容营销的目标应该包括获取用户的联系方式(邮件、微博、微信、电话),点赞,转发和分享,销售产品和服务。你需要将你内容的读者转化为你的产品和服务的购买者或者用户。“以转化率为中心的设计”应该是你进行内容设计的核心思想。从设计和心理学的角度,你需要关注七个方面:
设计:
·封装模式
·对比度和色彩
·方向引导
·留白
心理学:
·紧迫性和稀缺性
·先试用再购买
·社会认同
接下来的案例展示了这些因素是如何被融入进去的:
内容营销的这十大原则看起来很空泛,但是结合那些成功的案例来看,你会很快明白它们的价值所在。祝你成功。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03