文中条数与比例均为方法示例,用于说明计算过程,不是对任何平台的实际统计;涉及具体规则时只写公开常识,不构成法律意见。
第一次折:可用率
第一步算可用率。抽二十条,每条按三项判断:名字对得上、能打开、内容与描述一致,三项全过才算可用。可用条数除以二十,得到可用率。抽样点要分散到目录前中后段,否则得到的比例会偏高。这一步通常最打击人——按经验,靠后的位置可用率往往不到一半,而首页那一屏几乎全过。三项判断里,“名字对得上”最容易被忽略,也最能筛掉东西:名字都不肯认真写的条目,内容通常也不会认真整理。
第二次折:重复率
第二步算重复率。在可用条目里找重复:时长完全相同、体积接近、首尾画面一致。重复条数除以可用条数,得到重复率。可用率乘(1 减 重复率),得到去重后的可用率。如果同一内容有多种清晰度,记得把它们合并成一条再算,否则重复率会被低估。重复率高的库还有一个特征:可用率往往也不低,因为重复条目大多来自同几批质量较好的内容。
第三次折:失效率
第三步算存活率。条目上的日期越久,失效概率越高;抽查十条较老的条目,看还有几条能打开,得到存活率。三次折算相乘,再乘宣传数字,就是数量级估计。举例:千万乘零点四乘零点七乘零点八,结果约二百二十万——这个数仍然粗糙,但已经能回答“值不值得花时间”。三个比例不必算得很细,取整数就够:四成、七成、八成,乘出来的量级不会因为小数点后一位而改变。
可执行检查单
- 01二十条抽样,三项判断,算出可用率
- 02在可用条目里找重复,算出重复率
- 03三个比例相乘,再乘宣传数字,只保留数量级
一个常见问题
这样算出来的数字准吗?
不准,但够用。三次折算会把每一步的误差放大,所以结论只能保留数量级:是百万级、十万级还是万级,而不是精确到个位。判断要不要继续投入时间,这个精度已经足够。想更稳,就分别从前中后段各抽一组,看三组结果是否接近;差得远,说明库内质量不均,取最低那组更保守。
估算到哪里就该停?
算出数量级就可以停。继续细算的收益很低:你不需要知道确切数字,只需要知道它比宣传小一个量级还是两个量级。真正值得继续的是另一条线——来源有没有说明、条件写在哪一屏。数量估算解决“有多大”,来源与条件解决“能不能用、能撑多久”,后者往往更影响决定。估算还有一个副作用:一旦你算过一次,宣传语对你的效果会明显减弱,因为你知道那个数字后面要乘几个零点几。把三个比例写在一张纸上,比记在脑子里有用:数字一旦落在纸上,宣传语就很难再把它盖过去。