Куда нести статью: замер пяти площадок на 1 552 текстах

Для кого Фаундеры и эксперты, которые пишут статьи для привлечения клиентов

Замер пяти площадок по 1 552 статьям за год: где больше охват, где окупается длинный текст и почему приём с Хабра проваливается в Дзене.

Результат

Медианы просмотров: Дзен 79 895, Хабр 42 720, TenChat 10 213, DTF 1 257, vc.ru 744

TenChat: с 1 000 знаков столько же просмотров, что на Хабре, при тексте в 3,4 раза короче

Короткий текст без подзаголовков — в ленту (Дзен, TenChat), лонгрид с подзаголовками — в поиск (Хабр)

Сбор корпуса через API и браузер Разметка моделью с цитатами-подтверждениями Python

Автор: Команда heg.ai

Что делает

Пишешь статью неделю — и гадаешь, куда её нести. Мы разобрали 1 552 статьи за 12 месяцев на пяти площадках, все с полными текстами. Медиана просмотров типичной статьи: Дзен — 79 895, Хабр — 42 720, TenChat — 10 213, DTF — 1 257, vc.ru — 744. Разброс в 107 раз (79 895 / 744). Выборки собраны по-разному, поэтому честен порядок величины, а не места. Хабр и TenChat дают поровну с 1 000 знаков — 3 638 и 3 668 просмотров, но в TenChat статья в 3,4 раза короче: мало времени на лонгрид — иди туда. Лента и поиск — разные машины: в ленте (Дзен, TenChat) статьи верхней четверти — 3 140 знаков без подзаголовков, в поиске (Хабр, DTF, vc.ru) — 6 552 знака и шесть подзаголовков. Это корреляции на 1 552 статьях, а не гарантия.

Как устроено в двух словах

Корпус по каждой площадке собирается через API или браузер: полный текст и просмотры. Верхняя четверть сравнивается с остальными по форме текста. Жанры и зачины размечает модель, каждое суждение подтверждая дословной цитатой, а код проверяет, что цитата действительно есть в тексте.

В подписке

Пошаговая инструкция по внедрению и промпт для старта

Обсуждение с автором и теми, кто уже внедрил (0)

Заявка на внедрение под ключ

Инструкция, обсуждение и заявка на внедрение — в подписке. 7 дней бесплатно.

Начать бесплатно