ByteView 内容平台创作者增长与推荐分发效率诊断

一个围绕互联网内容平台创作者生态、推荐分发效率、异常归因和 A/B 实验评估的全链路数据分析项目。

项目概览

本项目基于一份内容平台示例数据，围绕一次业务指标波动进行完整诊断：

2026-04-12 至 2026-04-25 期间，泛知识垂类推荐分发效率和消费质量下滑。分析目标是判断问题是否来自平台整体流量、垂类结构、创作者供给、推荐曝光迁移，并评估创作者激励实验是否有效。

分析链路：

数据清洗 -> 指标计算 -> 垂类诊断 -> 创作者供给分析
-> 分发漏斗下钻 -> 原因证据链 -> 策略实验 -> 看板汇报

核心发现

• 平台整体 DAU 和 CTR 基本稳定，异常主要集中在泛知识垂类。
• 泛知识完播率从 0.3308 降至 0.2204，降幅明显大于 CTR，问题更偏向内容质量和推荐匹配。
• 泛知识腰部创作者日均投稿从 287.8 降至 154.7，下降 46.2%。
• 推荐页泛知识腰部曝光份额从 53.4% 降至 32.3%，头部曝光份额从 37.3% 升至 55.7%。
• A/B 实验显示 treatment 改善供给侧和内容质量，但未改善 CTR。

关键指标

指标	数值
示例数据规模	约 321 万行 / 12 张表
DuckDB 全库规模	约 642 万行 / 30 张表
泛知识日均曝光	8,501 -> 7,023
泛知识 CTR	0.0721 -> 0.0671
泛知识完播率	0.3308 -> 0.2204
泛知识腰部日均投稿	287.8 -> 154.7
泛知识推荐页腰部曝光份额	53.4% -> 32.3%
A/B treatment 日均投稿率 lift	+5.2pp
A/B treatment 优质内容占比 lift	+4.6pp
A/B treatment CTR lift	-0.28pp

目录

.
├── README.md
├── docs/
│   ├── EDA异常归因与实验分析报告.md
│   ├── 全链路过程总结.md
│   ├── 指标口径字典.md
│   ├── 数据模型设计.md
│   ├── 数据文件清单.md
│   └── 看板设计需求说明.md
├── sql/
│   ├── 00_环境搭建/
│   ├── 01_数据清洗/
│   ├── 02_指标计算/
│   └── 99_数据校验/
├── data_samples/
│   └── aggregated_dashboard_csv/
├── images/
│   └── dashboard/
└── assets/
    └── 项目全流程图.md

看板预览

页面	说明
images/dashboard/01_overview.png	经营总览与异常雷达
images/dashboard/02_category_diagnosis.png	泛知识异常定位与垂类对比
images/dashboard/03_root_cause.png	创作者供给与推荐曝光迁移归因
images/dashboard/04_experiment.png	A/B 实验评估与策略建议

技术栈

• SQL / DuckDB
• Python
• 指标体系设计
• 数据质量校验
• 异动分析
• 创作者分层分析
• 推荐分发漏斗
• A/B 实验评估
• Dashboard storytelling

不公开内容

• 原始明细数据
• 本地 DuckDB 数据库
• 过程草稿
• 旧版看板与过程素材

说明

本仓库保留公开展示所需的 SQL、聚合样例数据、分析文档和看板图片；不包含原始明细数据和本地数据库文件。项目数据仅用于分析方法展示，不代表任何真实平台的经营情况。