Fractl 已针对各个，在过去七年中，我们一直在监控每个活动，以改进和完善我们代表客户制作的内容。
在我为 Moz 撰写的上一篇文章中，我解 海外数据 释了如何为您的内容设定切合实际的数字公关期望。根据您所在的位置获取您的内容。在这个主题中，我想更深入地研究数据并分享有关内容来源如何决定内容性能的重要见解。
在本次分析中，我研究了六个不同数据源类别的 1,474 个客户内容活动：
- 客户数据
- 社交媒体
- 参与方式
- 公开数据
- 民意调查
- 细菌拭子
值得注意的是，我们在 Fractl 每天用于内容活动的无数其他数据源并未在本文中提及。在本次分析中，每个类别至少有 20 个活动，而有些类别则有数百个活动。
还要注意的是，平均值是排除上部异常值后 Shopify的SEO 得出的。对于那些“病毒式”传播且表现优于平常的活动，我们将其排除在计算之外，以免平均值更高。
除了分享链接和新闻平均值之外，我还将解释如何从每个数据源创建值得报道、可共享的内容并提供示例。
管理跨内容类型的期望
在整个 1,474 个活动样本中，一个项目平均收到 24 个 dofollow 链接和总共 89 次媒体提及。
新闻提及是指内容活动在出版商的网站上被提及。
一些单独的数据源类别的平均值与样本平均值相似，而其他类别的平均值与样本平均值偏差很大。
公开数据
对于几乎任何地方，您都可以确信有 瑞典商业名录 一个可供公开使用的数据集。一些例子包括来自疾病预防控制中心、美国人口普查局、学院和大学、世界卫生组织和运输安全局的数据。 当使用公开数据作为内容方法时،机会确实是无穷无尽的.
虽然免费数据集可以成为您内容 v 的信息宝库，但请记住，它们并不总是易于处理。需要进行大量分析才能理解其中包含的大量信息，并使受众能够理解其中的见解。
以我们为客户开展的名为“邻里名称”的活动为例.该数据独立于美国人口普查，但为了理解它，我们的研究人员必须使用 QGIS、Python、文本挖掘和 Phrase Machine（一种文本分析 API）来缩小我们正在寻找的范围。
那么我们在寻找什么？看看美国各地的街区名称一开始似乎很无聊，直到你意识到有些词与财富相对应。