6.6 内容稀缺性的度量方法
在不同的内容型产品中，我们往往面临一个难题：“如何运用数据手段刻画内容稀缺性？”
举例来说，当前平台中存在多种分类的内容，在内容生产时应该选择哪种分类的内容投入更多精力？假设将精力投入到A类内容的集中生产中，如何证明A类内容是平台最缺少的内容？
对于内容稀缺性的度量，针对不同内容形式有不同的解决办法，笔者的经验如下。
●对于生产成本高的IP类内容，比如漫画、电影、电视剧等需要重度前期投入的内容，更多地依赖相应领域的专家判断。比如国产漫画崛起是绝大多数数学模型无法预测的“黑天鹅事件”，因为模型是依赖过去数据进行未来判断的，而国产漫画的历史数据过于稀疏，显然不是数学模型擅长的领域。
●对于单次生产成本较低的UGC、PGC、OGC内容，比如贴吧社区中的帖子，由于历史数据量较大，可以使用模型进行近似拟合，使用数学手段进行稀缺性的度量。
关于第一种情况，笔者的第二份互联网工作是在一家漫画公司，身边接触到的是动漫行业最出色的内容团队，他们对于市场容量的判断以及此时应该推出何种漫画品类、在剧情和人设上进行何种打磨的能力都是机器所不能及的，这种能力倚仗于行业多年的浸润，也是人工智能时代不可取代的。
关于第二种情况，我们可以使用数据策略的方法论进行预估。接下来，笔者将简述关于稀缺性度量的两种思路。
●基于用户画像的度量：如果平台已经有了充分可用的内容画像，可以使用活跃用户画像及内容画像进行匹配计算。此时的计算并非完全是数据导向的，需要加入平台价值观的判断，即对于某种类型的用户，他们大概率会喜欢阅读哪种类型的内容。这种思路偏向于相信人的判断，用户画像和内容画像只作为辅助信息，适合做长期的内容趋势判断。
●基于A/B测试实验的度量：如果平台的内容体量已经足够大，能够承担起试验期间数据的损失，就可以选择使用A/B测试实验进行更为定量的稀缺性度量。基本思路是用砍掉一部分某分类内容带来的损失，来预估增加相应内容带来的收益。这种方式是由数据驱动的，在数据量较大时效果较好，适合做短期内容趋势的判断。