AI 時代的限制理論 (三) – YouTube 影片觀看翻 10 倍的故事

在 AI 時代的限制理論（二）：做得更快後，省下的時間該花到哪去？ 裡，我提過一個做 YouTube 封面的經驗。原本在 Canva 上花半小時、一小時做的圖片，改用 AI 之後，三到五分鐘就能完成，但是製作速度變快這件事，流量並沒有因此跟著上升。

後來，我們花更多時間看數據、想受眾，和 AI 討論題目。圖片做得快了，前面的規劃卻變長了，整件事未必比較早完成，但影片的表現開始有了改善，平均起來，每隻影片的觀看數，翻了有 10 倍不只。

這篇我想把過程寫得更具體一點。那些多花出來的時間，到底在討論什麼？AI 給了很多建議之後，我又怎麼判斷哪些值得採用？

我一開始，也以為應該多拍一點影片

用一組假設數字來說，如果一支影片有一千次觀看，能增加一百個訂閱，那想增加一萬個訂閱，是不是多拍一百支影片就好了？既然 AI 可以幫忙節省製作時間，那就拿來多拍一些嘛。

但後來我開始懷疑，這是不是最值得努力的方向。

如果一支影片只有一千次觀看，我更想先研究的是，有沒有機會讓單支影片到一萬、兩萬次觀看？如果能改善單支影片的表現，投入同樣的製作心力，就有機會得到不同的結果。

我的專長是做增長，做增長很重要的一件事，就是辨識現在到底卡在哪裡。是腳本嗎？打光不夠好？還是主持人長得不夠帥？

研究了一陣子，我把注意力放到標題和封面。它們是觀眾接觸影片的重要入口。觀眾滑過去的時候，他願不願意停下來、點進去。

我當時的判斷是，這才是我流量的瓶頸，所以就把封面和標題優化，當作最重要的任務。

用 CCN 框架，重新定義問題

CCN 把受眾分成三種：Core 是核心觀眾，Casual 是偶爾來看的觀眾，New 則是還不熟悉我們的新觀眾。這個分類對我很有幫助，因為它提醒我，同樣一支影片，三種人願意點進來的理由可能很不一樣。

舉例：以理財通識教育頻道來說，在企劃時，我會先用下面這種方式理解他們：

YouTube 後台也提供依觀看行為區分的「新觀眾」「一般觀眾」和「忠實觀眾」資料，可以作為觀察不同受眾的入口。但看過幾次影片，還不能直接告訴我們這個人正在擔心什麼，這部分仍需要進一步理解。

先讓 AI 整理資料，再請它反駁我的理解

接下來，我會讓 AI 協助整理資料：不同觀眾群比較喜歡哪些影片？哪些題目能吸引新觀眾？哪些內容是核心觀眾比較有興趣的？

AI 在這裡很好用。它可以很快讀完資料，幫忙整理、歸納，讓原本散在不同地方的資訊變得比較容易看懂。

但，AI整理雖快，但判斷大都還是有問題，所以還是得人去看 AI 整理好的資料。

所以我會把想法交回給 AI：「我覺得 Core 是這種人，Casual 比較在意這件事，New 則是被這個議題吸引，你覺得對不對？可不可以反駁我？」

你叫它反駁，它就會開始從其他角度看。這個來回很重要。透過資料整理、自己形成想法，再接受挑戰，我們對觀眾的理解才會慢慢變得具體。

AI 有點像一位知道很多事情的顧問。你需要給它資料，也需要告訴它，現在應該看哪裡、幫忙解決什麼問題。

找出三種觀眾共同在意的問題

理解三種人之後，下一個難題就來了：同一支影片的標題和封面，要怎麼讓他們都有興趣？

我覺得這跟做產品很像。我們在理解 Persona 時，會把不同用戶的差異分得很細；真正設計產品時，則需要找出能夠一起滿足的需求。

CCN 也是一樣。要往下找，這三種人背後有沒有共同在意的事情，同時去抓住乾貨、議題、情緒價值。

為了同時滿足 CCN 三種人，你會花很多時間和 AI 來回討論，這往往會讓你花更多時間去產圖、產標題。要討論的包括：我們抓到的焦慮是真的嗎？這個題目對沒看過頻道的人是否容易理解？核心觀眾又能從裡面得到什麼？

AI 可以很快給出十幾種標題和封面圖，但我們仍得研究和思考，哪個切角比較貼近這群觀眾當下在意的事情。

挑兩個有差異的方向，交給市場測試

討論到這裡，AI 通常已經給了很多建議。每一個都能說出一套理由，到底哪個比較有效，還是得拿去 A/B Testing。

以我們的理財頻道來說，我目前比較常選兩組標題和封面。一組從比較樂觀的市場情緒切入，另一組則從比較擔心風險的角度切入。

如果觀眾對市場比較有信心，他會想看什麼？如果他正在擔心下跌，又會被什麼問題吸引？這兩個方向的差異比較清楚，也讓我知道自己想透過測試了解什麼。

這樣通常可以帶來最大的測試成效。

先做預測，等結果出來再回頭對答案

除了把 A/B 版本拿去測試，我還多做了一件事：先請 AI 預測，哪一個版本會贏。

剛開始通常不太準。它可以講得很有道理，也可以給出一個數字，但拿到真實結果後，往往會發現差距不小。

這時我會把數據交回去，問它：「這是真實結果，你覺得為什麼你的誤差這麼大？」

接著再一起檢查，原本對受眾的理解是不是有問題？判斷時太重視了什麼？又忽略了哪些條件？讓它根據回饋，重新調整下一次預測的依據。

大概做了十到十五組之後，我觀察到，至少在判斷「哪個版本比較可能勝出」這件事上，它開始越來越準。

對我來說，有意思的是，企劃開始有了一個可以反覆檢查的過程：先理解受眾，提出想法，形成版本，做出預測，再拿真實結果回來討論。

這些預測、結果和修正理由，都值得留在後續討論的資料裡。修正後的判斷有沒有比較好，則繼續交給下一輪測試檢查。

這樣一來，每次測試的價值就多了一層。除了替當下的影片選一個版本，也幫助我們累積對這個頻道、這些觀眾的理解。

把省下的時間，放回下一次企劃

回到限制理論，做出更多圖片，並不會讓觀眾多出更多注意力。現在產圖很快，但我更願意把時間花在前面：看懂受眾、找出共同需求、討論切角，以及回頭檢查上一次為什麼判斷錯了。

如果這些討論需要兩、三個小時，我覺得很值得。跟再拍一大批影片相比，先把一支影片的題目和入口想清楚，可能更接近當下需要解決的問題。

在 AI 時代，你更應該把精神花在去尋找瓶頸在哪裡，然後花夠多的心力去解決它。

這才是 AI 時代最重要的事。

--
不想錯過我的新文章：訂閱免費電子報

我的線上課：數據化營運、產品增長 和 產品企劃力，歡迎大家報名

關於作者：Mr.PM 下午先生

• 資深產品顧問、數據化營運專家：詳細的個人簡介
• 我的 FB粉絲頁、IG
• 過往演講 投影片整理
• 數位時代訪談：打造產品飛輪。
• 數位時代訪談：做好產品經理三法則。

The post first appeared on Mr. PM 下午先生.