67 lines
2.3 KiB
Markdown
67 lines
2.3 KiB
Markdown
---
|
||
title: "Analytics Feedback Loop"
|
||
type: concept
|
||
tags: ["analytics", "data-driven", "iteration", "social-media", "carousel"]
|
||
sources: ["marketing-carousel-growth-engine"]
|
||
last_updated: 2026-04-26
|
||
---
|
||
|
||
## Definition
|
||
|
||
数据驱动的自我优化闭环：发布内容 → 获取分析数据 → 提取洞察 → 积累学习 → 改进下一条内容。通过持续迭代使内容质量随时间指数级提升。
|
||
|
||
## 与 [[Feedback Loop]] 的区别
|
||
|
||
[[Feedback Loop]]（已存在）是**多 Agent 评审循环**——后续 Agent 审查前序 Agent 产出的迭代机制。本概念是**数据分析驱动的内容迭代**——通过真实用户数据（播放量/点赞/评论）持续改进内容策略。两者同属反馈循环，但应用于不同层面（AI 协作 vs 内容优化）。
|
||
|
||
## Cycle Structure
|
||
|
||
```
|
||
[发布轮播] → [获取数据: views/likes/comments/shares]
|
||
↓
|
||
[learn-from-analytics.js 分析]
|
||
↓
|
||
[提取洞察: 最佳钩子/最佳时间/最佳风格]
|
||
↓
|
||
[写入 learnings.json（持续积累）]
|
||
↓
|
||
[读取 learnings.json 规划下一条]
|
||
↓
|
||
[改进后发布] → (循环)
|
||
```
|
||
|
||
## 追踪指标
|
||
|
||
| 指标 | 来源 | 用途 |
|
||
|------|------|------|
|
||
| 播放量 (Views) | per-post analytics | 钩子效果评估 |
|
||
| 点赞/评论/分享 | per-post analytics | 互动率分析 |
|
||
| 曝光量 (Impressions) | daily breakdown | 发布时间优化 |
|
||
| 粉丝变化 | profile analytics | 长期增长追踪 |
|
||
|
||
## 学习系统 (learnings.json)
|
||
|
||
- **Best Hooks**: 哪种钩子风格（问题/大胆声明/痛点）效果最好
|
||
- **Optimal Times**: 最佳发布日/小时
|
||
- **Winning Visual Styles**: 哪些视觉风格参与率最高
|
||
- **Niche Insights**: 各业务细分的洞察积累
|
||
- **Engagement Trends**: 随时间的参与率变化
|
||
- **Platform Differences**: TikTok vs Instagram 表现差异
|
||
- **容量**: 滚动 100 条历史用于趋势分析
|
||
|
||
## 自动调度优化
|
||
|
||
- 读取 `learnings.json` 中的 `bestTimes`
|
||
- 调整 cron 执行时间为最佳发布时段
|
||
- 下次轮播自动应用最佳钩子风格和视觉建议
|
||
|
||
## Usage in [[marketing-carousel-growth-engine]]
|
||
|
||
[[marketing-carousel-growth-engine]] 每天执行此循环，确保 carousel #30 显著优于 carousel #1。
|
||
|
||
## Aliases
|
||
- Data-Driven Learning Loop
|
||
- Performance Loop
|
||
- Content Optimization Loop
|
||
- 数据驱动反馈循环
|