deai-analytics

# `deai-analytics` — 发布数据回刷与选题反馈闭环 ## When to Use - 文章发布后 3 天/7 天，需要回刷各平台数据 - 需要评估"什么样的内容真正有效"（标题类型/体裁/选题来源/平台维度） - 需要验证 deai-review 的爆款指数预测是否准确 - 需要为 deai-topic 的评分权重提供数据反馈 ## Input - `published/{日期}/{选题名}-发布记录.md`（发布记录——含各平台链接与状态） - 各平台数据源（手动采集或平台后台导出） ## Output - `published/{日期}/{选题名}-数据回刷.md`（单篇数据回刷） - `analytics/效果周报.md`（按周/月聚合的效果分析，反馈给 deai-topic） - `analytics/标题敏感词库.md`（标题数据回填沉淀——已验证有效/低效的标题句式与关键词，反哺 deai-title） --- ## 核心方法论 **发布不是终点，是数据起点**。原《自媒体自动化工作流设计方案》V3.0 设计了"数据回刷→反馈选题"闭环，但 Skill 体系一直未实现——本 Skill 补上这一环，让选题从"经验驱动"升级为"数据驱动"。 **闭环逻辑**： ``` 发布 → 3/7 天数据回刷 → 效果维度分析 → 爆款复盘 → 反馈 deai-topic 评分权重 ↓ 选题评分更准 → 下一篇更好 ``` --- ## Procedure ### Step 1：读取发布记录 从 `published/{日期}/{选题名}-发布记录.md` 读取： - 各平台链接（知乎/公众号/头条/百家号/CSDN/小红书） - 发布状态与时间 ### Step 2：回刷各平台数据（发布后 3 天/7 天） 对每个已发布平台，采集以下指标： | 平台 | 回刷指标 | 采集方式 | |------|----------|----------| | 知乎 | 赞同/评论/收藏/阅读量 | 回答页 or 创作中心 | | 公众号 | 阅读/在看/点赞/留言 | 公众号后台 | | 头条 | 阅读/评论/转发/收藏 | 头条号后台 | | 百家号 | 阅读/评论/收藏/分享 | 百家号后台 | | CSDN | 阅读/评论/收藏/点赞 | CSDN 后台 | | 小红书 | 赞/藏/评/阅读 | 小红书创作中心 | **回刷节奏**： - 3 天快照：判断首发流量（标题/封面效果） - 7 天终值：判断长尾趋势（搜索流量/收藏沉淀） ### Step 2.5：标题数据回填（2026-08-16 新增，P2 数据闭环） **背景**：deai-title v2.2 的标题方案已含「九、标题数据跟踪表」（标题/平台/打开率/完读率/分享率空表）。发布数据回刷后，将实际数据回填该表，并沉淀"本账号敏感词/句式"——让标题经验从"一次性创作"变成"可复利的资产"。 1. **定位跟踪表**：读取对应选题目录 `drafts/{日期}/{选题名}/标题方案.md` 的「标题数据跟踪表」章节 2. **回填指标**（对每个已发布平台的首选标题）： - 打开率(2h)：发布后 2 小时阅读量 / 展示量（平台后台可见时） - 完读率(24h)：24 小时完读数据（知乎/公众号后台） - 分享率(24h)：24 小时转发/分享数据 - 结论：标注 `✅ 有效`（打开率高于账号均值）或 `⚠️ 待观察`（低于均值） 3. **回填后写入**：将回填结果写回 `drafts/{日期}/{选题名}/标题方案.md` 的跟踪表（在已发布平台行填入数据），并在 `analytics/` 下沉淀： ```markdown # 标题敏感词/句式库（analytics/标题敏感词库.md，2026-08-16 起持续沉淀） > 来源：标题方案.md「标题数据跟踪表」回填数据。用于 deai-title 下次候选池生成时 > 参考——标 ✅ 的标题句式/关键词优先复用，标 ⚠️ 的避免。 ## 已验证有效（✅ 打开率高于账号均值） - {标题}（{平台}，打开率 {x}%，标题类型：{反直觉式}）→ 敏感点：{如"涨价/掏空钱包"数字锚定有效} - ... ## 已验证低效（⚠️ 打开率低于账号均值） - {标题}（{平台}，打开率 {x}%）→ 教训：{如"提问式在头条打开率低，信息流不吃问答"} - ... ``` 4. **反哺 deai-title**：deai-title 执行 Step 3 候选池生成前，读取 `analytics/标题敏感词库.md`——已验证有效的句式/敏感词融入候选池（标注 `[历史数据]`），已验证低效的句式进入临时禁用列表。 ### Step 3：单篇数据回刷输出 ```markdown --- type: 数据回刷 date: {回刷日期} topic: {选题名} model: deai-analytics --- # 数据回刷 · {选题名} ## 发布信息 - 发布日：{日期} - 体裁：{深度分析体等} - 标题类型：{反直觉式等} - 选题来源：{微博热搜/知乎热榜/评论区挖掘/趋势储备} ## 各平台数据（7 天终值） | 平台 | 阅读 | 点赞/赞同 | 评论 | 收藏 | 转发/在看 | 亮点 | |------|:----:|:-------:|:----:|:----:|:-------:|------| | 知乎 | | | | | | | | 公众号 | | | | | | | | 头条 | | | | | | | | 百家号 | | | | | | | | CSDN | | | | | | | | 小红书 | | | | | | | ## 关键结论 - 最佳平台：{平台}（{数据}） - 最佳指标：{阅读/收藏/互动} - 长尾表现：{7 天 vs 3 天变化——搜索流量是否持续} ``` ### Step 4：效果维度分析（聚合视角） 将多篇回刷数据聚合到 `analytics/效果周报.md`，按维度拆解"什么有效"： | 维度 | 分析问题 | 数据依据 | |------|----------|----------| | **标题类型** | 哪种标题打开率高？（反直觉 vs 提问 vs 数字锚定） | 各篇阅读量 / 打开率 | | **体裁** | 深度分析 vs 清单体 vs 快评，哪种互动好？ | 各篇完读率 / 收藏 | | **选题来源** | 热点追踪 vs 评论区挖掘 vs 趋势储备，哪个出爆款？ | 各篇爆款指数 vs 实际 | | **平台** | 同一篇文章哪个平台表现最好？（平台偏好） | 各平台数据对比 | | **情绪基调** | 焦虑/好奇/共鸣/希望哪种情绪传播最好？ | 各篇转发率 / 互动率 | ### Step 5：爆款复盘（验证预测 vs 实际） 对照 deai-review 的爆款指数预测与实际数据： ```markdown ## 爆款预测 vs 实际 | 文章 | 预测爆款指数 | 实际表现（阅读/互动） | 偏差分析 | |------|:----------:|:------------------:|----------| | {标题} | 8.1 | 高（如 10w+） | 预测准确 | | {标题} | 7.5 | 低（如 500） | 预测高估——标题/选题问题 | | {标题} | 6.0 | 中 | 预测低估——长尾搜索流量 | ## 偏差归因 - 高估原因：{如：标题党感强被限流 / 选题过时} - 低估原因：{如：搜索长尾 / 收藏驱动} ## 评分模型调参建议 - {如：收藏力权重应提高，因为收藏高但转发低的内容长尾好} - {如：情绪共鸣在公众号权重应提高} ``` ### Step 6：反馈 deai-topic 将效果分析结论反馈到选题环节（写入 `analytics/选题权重反馈.md`，供 deai-topic 执行时参考）： | 反馈项 | 建议 | |--------|------| | 权重调整建议 | {如：收藏力维度从辅助改为正式评分项} | | 选题方向 | {如：评论区挖掘的选题实际效果好，提高此类选题优先级} | | 平台策略 | {如：深度分析在知乎长尾好，清单体在头条好} | **与 deai-topic 的联动**：deai-topic 执行 Step 3 评分前，读取 `analytics/选题权重反馈.md`，若有反馈则按数据调整权重（如收藏力强的话题在爆款潜力维度 +1 分）。 --- ## 数据采集注意 1. **数据真实性**：以平台后台数据为准，不使用估算值 2. **样本量**：单篇数据波动大，至少积累 5 篇后再调整权重 3. **时效**：3 天快照看首发、7 天终值看长尾；特殊选题可 30 天复查 4. **合规**：数据仅用于内部运营分析，不公开 ## Calling Examples ```text @deai-analytics 回刷最近发布文章的数据 @deai-analytics 周报 生成效果周报 @deai-analytics 复盘 2026-08-11 复盘指定日期发布的文章 @deai-analytics 反馈选题 输出选题权重反馈 ``` ## Reference - 上游：`deai-publish`（发布记录）→ `deai-analytics`（本 Skill） - 下游：`deai-topic`（选题权重反馈）、`deai-title`（标题敏感词库反哺候选池生成） - 关联：`deai-review`（爆款指数预测，本 Skill 验证其准确性）