Переупаковка контента: экономим и получаем профит
Контент-маркетинг – отличный инструмент привлечения новой аудитории, доказательства экспертности, удержания действующих клиентов, формирования лояльности, донесения важной информации до целевой аудитории и др. Но есть и минусы: все это долго, дорого и трудозатратно. И чем больше каналов дистрибуции контента, тем больше его надо создавать.
Однако есть способ сэкономить деньги, время и силы на контенте, при этом не потерять в трафике, вовлеченности, охватах и т. п. Такой инструмент называют ресайзом, ресайклом или переупаковкой.
Что такое ресайз и зачем он нужен
Resize переводится как изменение размера. Получается, ресайз – это тот же контент, но в другом размере и формате. Переупаковать – значит из одной единицы контента сделать несколько.
Когда мы слышим о том, что для SEO-продвижения важно 100% уникальности, или читаем новости про борьбу алгоритмов соцсетей с ворованным контентом, создается впечатление, что нужно публиковать только новые материалы. Что ранее опубликованное уже неуникальное и об этом стоит забыть. Но это ошибка.
На самом деле хороший – крутой, трафиковый, годный, вечнозеленый – контент можно и нужно использовать повторно. Зачем это делать:
А больше охвата и трафика – больше лидов, целевых действий на сайте.
Примеры повторного использования контента
Самый распространенный способ сделать ресайз – переупаковать контент из длинного в короткий. В редакции New York Times такие форматы называют «second hour stories» и отмечают, что часто они становятся популярнее больших. К примеру, можно:
Благодаря выжимке не обязательно переходить на сайт, чтобы узнать важную информацию. Пример – пост «Т—Ж»
Пример выжимки статьи в телеграм-канале Kinetica
«Паша и его прокрастинация» берет из статьи TexTerra сервисы по своей тематике и рассказывает о них в посте (кстати, это и ресайз, и курирование контента)
Такие вот нетопорные подборки статей бывают в журнале «Код»
Но это не единственный способ отресайзить контент. Можно просто менять формат, не меняя количества информации на входе и выходе. Другой вариант – создавать более масштабные сущности, объединяя или расширяя короткие материалы. Например, вы можете:
Что ж, можно даже выпускать подкаст, монтируя голосовые сообщения от нескольких людей, как это делают авторы «Проветримся!» (Tel)
Пример ресайза собственного контента в блоге TexTerra
А это статья в блоге Cybermarketing, написанная по расшифровке доклада с конференции
Вспомогательные инструменты для переупаковки
Чтобы относительно быстро и легко генерировать старый-новый контент, вам понадобятся некоторые дополнительные инструменты. Что вам может пригодиться:
Хотите лучше разбираться в контент-маркетинге, SMM, веб-аналитике и других направлениях? Добро пожаловать в образовательный центр Cybermarketing. Есть материалы как для специалистов, так и для предпринимателей. Самые разные форматы: вебинары, видеокурсы, очные интенсивы, конференции.
Как получать максимум трафика от каждой статьи
Делайте ресайзы
Ресайз — это когда вы берете уже написанную статью и переделываете ее в другой формат:
То же самое делаем для соцсетей, Телеграма, рассылки. Выпишите пару советов из статьи, объясните их в паре абзацев — и вот вам новый пост для Фейсбука. Не надо искать информацию, опрашивать экспертов, придумывать инфоповод — просто возьмите уже готовый контент и выкиньте из него 90%.
Вот пример ресайза для Чип Тревела. Сначала мы написали статью «Какую одежду брать в отпуск девушке». Затем, спустя некоторое время, сжали статью до короткого поста на Фейсбуке:
Поменяйте формат контента
Можно пойти еще дальше ресайзов и выпустить тот же материал в другом формате. Было выступление на конференции — стала статья. Была статья — стал подкаст. Был подкаст — стало видео. Было видео — стал вебинар. Понятна идея?
У разных форматов есть свои поклонники и свои преимущества. Кому-то удобнее смотреть видео, кто-то слушает подкасты, пока едет в машине. Кто-то не любит бубнеж над ухом и лучше почитает. А кто-то хочет послушать спикера вживую, он пойдет на вебинар.
Тестируйте разные форматы, переводите один в другой. Если какая-то статья понравилась аудитории, это повод сделать из нее видео и выложить на Ютубе. Материал хороший, тема удачная — скорее всего, люди оценят.
Соберите много маленьких материалов в один большой
Этот способ хорош для тех, кто создает контент уже давно и у кого накопилось много материалов на одну тему.
Вы можете взять все эти материалы, немного переработать и получить мегаматериал.
Серия постов в соцсетях → лонгрид в СМИ.
Несколько статей и писем из рассылки → книга.
Так делал Максим Ильяхов: выпустил сотни статей и несколько курсов про редактуру, а потом на основе этой информации написал «Пиши, сокращай».
Книга — это тоже контент-маркетинг, вы ведь в курсе? Хоть и более масштабный и сложный, чем статьи в блог писать. Книгу продвигает издательство, о вас узнает много новых людей. Или ее можно не издавать, а использовать как лид-магнит: дарить за подписку на рассылку.
Напоминайте о старых статьях
Если вы ведете блог давно, у вас наверняка накопилось много хороших старых статей. Тех, которые когда-то много лайкали и комментировали, а сейчас уже подзабыли. Их время еще не прошло.
Анонсируйте эти статьи в соцсетях по второму разу. У вас появились новые подписчики, которым эта информация будет полезна. Фактически вы получите трафик, вообще не создавая новый контент.
Только не переусердствуйте. Не надо забивать статьями из архива весь контент-план. Подписчики будут не рады, если перестанут выходить новые публикации. Но напомнить о крутых материалах несколько раз в месяц — самое оно.
Дорабатывайте старые статьи
Этот пункт вытекает из предыдущего. Старым статьям можно дать вторую жизнь: дополнить их, актуализировать, оформить получше, поработать над ключевыми словами. Можно даже поменять дату публикации — второе издание нашей старой статьи.
Например, так иногда делает Текстерра. Они берут популярные материалы из прошлого, дополняют их и выпускают по второму кругу, получая новый трафик. Эта статья изначально вышла в июне 2017 года. А через 1,5 года в нее дописали про новые функции Гуглдоков, поменяли дату публикации и еще раз проанонсили по своим каналам.
Делайте подборки
Совет про подборки довольно банальный, но на всякий случай напишу. Сделать подборку из уже написанных статей — 10−20 минут. А сработает она как полноценная статья, на которую вы тратите несколько дней. Может, даже лучше.
А еще люди очень любят репостить подборки. Кто-то сохраняет себе на стену, чтобы не забыть, кто-то делится с коллегами, кто-то хочет показать, какой он умный и как много читает. Для вас же польза очевидна. Больше репостов → больше охват → больше трафика.
Первое время делать подборки будет не из чего, но когда у вас наберется хороший пул статей, стоит иногда этим заниматься.
Подборки можно оформлять как отдельные статьи или посты в соцсетях. А можно запустить ежемесячную рассылку со списком лучших материалов, как делает «Билайн» Бизнес:
Промоутируйте статьи
Кидать анонс новой статьи в свои паблики в соцсетях — это очевидно, так делают все. Если вы вдруг не делаете, срочно начните.
Но ведь в соцсетях есть много других мест. В Фейсбуках-Телеграмах есть сотни профильных сообществ, куда можно кинуть ссылку на вашу статью. Найдите их, добавьтесь и иногда присылайте свои анонсы. Только не слишком часто. И лучше общайтесь в сообществе, а не просто спамьте своими постами. Иначе администрация может на вас обидеться и забанить.
Когда я был редактором на одном проекте, мы выпустили статью про GDPR. Чтобы ее увидело больше людей, кинули ссылки в разные сообщества про бизнес. За день статья набрала почти 3000 просмотров.
Мы для себя собрали большой список пабликов про маркетинг, контент и бизнес и кидаем новые статьи туда. Какие-то публикации дают 5 просмотров, какие-то — 100. Но в сумме получается неплохой рост бесплатного трафика. А еще есть email-рассылки с дайджестами статей и пуш-уведомления. Если вы еще не подключили эти штуки к своему блогу, срочно подключите.
Сюда же относится Яндекс.Дзен. Это отличный источник бесплатного трафика для блога. Если вы делаете массовый продукт (банк, путешествия, ремонт квартир), Дзен даст тысячи и десятки тысяч просмотров на статью. Если что-то менее распространенное, типа контент-маркетинга, то можно рассчитывать на сотни просмотров.
Упоминайте свои статьи в обсуждениях
В соцсетях и чатах люди постоянно задают вопросы. Вы можете приходить в эти обсуждения и кидать ссылки на статьи, которые отвечают на вопрос.
— Всем привет. Вот тут новый закон выходит, я не очень понимаю, что теперь делать. Знающие люди, подскажите.
— Привет. Я вчера как раз написал статью об этом — вот, почитай.
— О, как круто, спасибо!
При этом статью пойдет читать не только топикстартер, но и вообще все интересующиеся, кто увидит ваш ответ.
Необязательно специально выискивать вопросы (хотя можно и так). Но если вы где-то увидели возможность поделиться своим контентом, не ленитесь ей воспользоваться.
Это работает не только в соцсетях, но и в комментариях блогов и СМИ. Вот ребята пришли в обсуждения под моей статьей и поделились ссылками на свою. И это выглядит как полезное дополнение к материалу, а не как навязчивая реклама или впаривание. Поэтому сообщество на такое обычно реагирует нормально.
Опубликуйте статью в СМИ
Необязательно тащить все статьи в свой блог, как пухлощекий хомячок. Конечно, своя площадка — это основа, но иногда полезно размещаться и на чужих сайтах: в СМИ и тематических блогах.
Во-первых, их читают люди, которые про вас еще не слышали. То есть такой публикацией вы привлечете новую аудиторию. Во-вторых, эти площадки сами вкладывают силы в продвижение контента — публикуют его в соцсетях, рассылают по email и так далее.
Получается, что статья размещена не у вас, зато и трафиком для нее будете заниматься не вы. Это удобно. Я советую хотя бы раз в месяц-два писать статью и публиковать ее в СМИ.
Настраивайте таргетинг на свои посты
Таргетированную рекламу можно пускать не только на лендинги и сообщества. С ее помощью можно продвигать ваши статьи, давая им дополнительные просмотры.
Не обязательно вкладывать в этот канал огромные суммы и делать на него упор. Если у вас небольшой бизнес, хватит и нескольких тысяч в месяц, чтобы заметно увеличить охват.
И не забивайте на SEO
Поисковые системы — это огромный канал трафика, который нельзя игнорировать. Если вы пишете статью в блог, потратьте время и соберите хотя бы ключи в Вордстате. А еще лучше — наймите сеошника, чтобы он составил для вас рекомендации по контенту и собрал список перспективных тем.
SEO — это отдельная большая тема, не буду ее здесь расписывать. Надеюсь, что вы и так помните про важность этого канала.
Шпаргалка-напоминалка
Просто написать статью и ждать, что весь мир прибежит ее читать, — наивно. Одна из главных задач контент-маркетинга — бегать за людьми и показывать им созданный контент.
Если вы уже потратили время, деньги и силы на создание материала, потратьте еще немного, чтобы доставить его целевой аудитории.
Поможем вам с контент-маркетингом
Мы в «Сделаем» помогаем компаниям создавать и распространять крутой контент. Запустим блог и соцсети, придумаем идею для рассылки, сделаем статьи для СМИ, настроим на все это рекламу.
Почитайте наши кейсы или сразу задавайте вопросы — пообщаемся и предложим лучшее решение.
Ликбез: методы ресайза изображений
Почему изображение, масштабированное с бикубической интерполяцией, выглядит не как в Фотошопе. Почему одна программа ресайзит быстро, а другая — нет, хотя результат одинаковый. Какой метод ресайза лучше для увеличения, а какой для уменьшения. Что делают фильтры и чем они отличаются.
Вообще, это было вступлением к другой статье, но оно затянулось и вылилось в отдельный материал.
Этот человек сидит среди ромашек, чтобы привлечь ваше внимание к статье.
Для наглядного сравнения я буду использовать изображения одинакового разрешения 1920×1280 (одно, второе), которые буду приводить к размерам 330×220, 1067×667 и 4800×3200. Под иллюстрациями будет написано, сколько миллисекунд занял ресайз в то или иное разрешение. Цифры приведены лишь для понимания сложности алгоритма, поэтому конкретное железо или ПО, на котором они получены, не так важно.
Ближайший сосед (Nearest neighbor)
Это самый примитивный и быстрый метод. Для каждого пикселя конечного изображения выбирается один пиксель исходного, наиболее близкий к его положению с учетом масштабирования. Такой метод дает пикселизированное изображение при увеличении и сильно зернистое изображение при уменьшении.
Вообще, качество и производительность любого метода уменьшения можно оценить по отношению количества пикселей, участвовавших в формировании конечного изображения, к числу пикселей в исходном изображении. Чем больше это отношение, тем скорее всего алгоритм качественнее и медленнее. Отношение, равное одному, означает что как минимум каждый пиксель исходного изображения сделал свой вклад в конечное. Но для продвинутых методов оно может быть и больше одного. Дак вот, если например мы уменьшаем изображение методом ближайшего соседа в 3 раза по каждой стороне, то это соотношение равно 1/9. Т.е. большая часть исходных пикселей никак не учитывается.
1920×1280 → 330×220 = 0,12 ms
1920×1280 → 1067×667 = 1,86 ms
1920×1280 → 4800×3200 = 22,5 ms
Теоретическая скорость работы зависит только от размеров конечного изображения. На практике при уменьшении свой вклад вносят промахи кеша процессора: чем меньше масштаб, тем меньше данных используется из каждой загруженной в кеш линейки.
Метод осознанно применяется для уменьшения крайне редко, т.к. дает очень плохое качество, хотя и может быть полезен при увеличении. Из-за скорости и простоты реализации он есть во всех библиотеках и приложениях, работающих с графикой.
Аффинные преобразования (Affine transformations)
Аффинные преобразования — общий метод для искажения изображений. Они позволяют за одну операцию повернуть, растянуть и отразить изображение. Поэтому во многих приложениях и библиотеках, реализующих метод аффинных преобразований, функция изменения изображений является просто оберткой, рассчитывающей коэффициенты для преобразования.
Принцип действия заключается в том, что для каждой точки конечного изображения берется фиксированный набор точек исходного и интерполируется в соответствии с их взаимным положением и выбранным фильтром. Количество точек тоже зависит от фильтра. Для билинейной интерполяции берется 2×2 исходных пикселя, для бикубической 4×4. Такой метод дает гладкое изображение при увеличении, но при уменьшении результат очень похож на ближайшего соседа. Смотрите сами: теоретически, при бикубическом фильтре и уменьшении в 3 раза отношение обработанных пикселей к исходным равно 4² / 3² = 1,78. На практике результат значительно хуже т.к. в существующих реализациях окно фильтра и функция интерполяции не масштабируются в соответствии с масштабом изображения, и пиксели ближе к краю окна берутся с отрицательными коэффициентами (в соответствии с функцией), т.е. не вносят полезный вклад в конечное изображение. В результате изображение, уменьшенное с бикубическим фильтром, отличается от изображения, уменьшенного с билинейным, только тем, что оно еще более четкое. Ну а для билинейного фильтра и уменьшения в три раза отношение обработанных пикселей к исходным равно 2² / 3² = 0.44, что принципиально не отличается от ближайшего соседа. Фактически, аффинные преобразования нельзя использовать для уменьшения более чем в 2 раза. И даже при уменьшении до двух раз они дают заметные эффекты лесенки для линий.
Теоретически, должны быть реализации именно аффинных преобразований, масштабирующие окно фильтра и сам фильтр в соответствии с заданными искажениями, но в популярных библиотеках с открытым исходным кодом я таких не встречал.
1920×1280 → 330×220 = 6.13 ms
1920×1280 → 1067×667 = 17.7 ms
1920×1280 → 4800×3200 = 869 ms
Время работы заметно больше, чем у ближайшего соседа, и зависит от размера конечного изображения и размера окна выбранного фильтра. От промахов кеша уже практически не зависит, т.к. исходные пиксели используются как минимум по двое.
Мое скромное мнение, что использование этого способа для произвольного уменьшения изображений попросту является багом, потому что результат получается очень плохой и похож на ближайшего соседа, а ресурсов на этот метод нужно значительно больше. Тем не менее, этот метод нашел широкое применение в программах и библиотеках. Самое удивительное, что этот способ используется во всех браузерах для метода канвы drawImage() (наглядный пример), хотя для простого отображения картинок в элементе используются более аккуратные методы (кроме IE, в нем для обоих случаев используются аффинные преобразования). Помимо этого, такой метод используется в OpenCV, текущей версии питоновской библиотеки Pillow (об этом я надеюсь написать отдельно), в Paint.NET.
Кроме того, именно этот метод используется видеокартами для отрисовки трехмерных сцен. Но разница в том, что видеокарты для каждой текстуры заранее подготавливают набор уменьшенных версий (mip-уровней), и для окончательной отрисовки выбирается уровень с таким разрешением, чтобы уменьшение текстуры было не более двух раз. Кроме этого, для устранения резкого скачка при смене mip-уровня (когда текстурированный объект приближается или отдаляется), используется линейная интерполяция между соседними mip-уровнями (это уже трилинейная фильтрация). Таким образом для отрисовки каждого пикселя трехмерного объекта нужно интерполировать между 2³ пикселями. Это дает приемлемый для быстро движущейся картинки результат за время, линейное относительно конечного разрешения.
Суперсемплинг (Supersampling)
С помощью этого метода создаются те самые mip-уровни, с помощью него (если сильно упростить) работает полноэкранное сглаживание в играх. Его суть в разбиении исходного изображения по сетке пикселей конечного и складывании всех исходных пикселей, приходящихся на каждый пиксель конечного в соответствии с площадью, попавшей под конечный пиксель. При использовании этого метода для увеличения, на каждый пиксель конечного изображения приходится ровно один пиксель исходного. Поэтому результат для увеличения равен ближайшему соседу.
Можно выделить два подвида этого метода: с округлением границ пикселей до ближайшего целого числа пикселей и без. В первом случае алгоритм становится малопригодным для масштабирования меньше чем в 3 раза, потому что на какой-нибудь один конечный пиксель может приходиться один исходный, а на соседний — четыре (2×2), что приводит к диспропорции на локальном уровне. В то же время алгоритм с округлением очевидно можно использовать в случаях, когда размер исходного изображения кратен размеру конечного, или масштаб уменьшения достаточно мал (версии разрешением 330×220 почти не отличаются). Отношение обработанных пикселей к исходным при округлении границ всегда равно единице.
1920×1280 → 330×220 = 7 ms
1920×1280 → 1067×667 = 15 ms
1920×1280 → 4800×3200 = 22,5 ms
Подвид без округления дает отличное качество при уменьшении на любом масштабе, а при увеличении дает странный эффект, когда большая часть исходного пикселя на конечном изображении выглядит однородной, но на краях видно переход. Отношение обработанных пикселей к исходным без округления границ может быть от единицы до четырех, потому что каждый исходный пиксель вносит вклад либо в один конечный, либо в два соседних, либо в четыре соседних пикселя.
1920×1280 → 330×220 = 19 ms
1920×1280 → 1067×667 = 45 ms
1920×1280 → 4800×3200 = 112 ms
Производительность этого метода для уменьшения ниже, чем у аффинных преобразований, потому что в расчете конечного изображения участвуют все пиксели исходного. Версия с округлением до ближайших границ обычно быстрее в несколько раз. Также возможно создать отдельные версии для масштабирования в фиксированное количество раз (например, уменьшение в 2 раза), которые будут еще быстрее.
Данный метод используется в функции gdImageCopyResampled() библиотеки GD, входящей в состав PHP, есть в OpenCV (флаг INTER_AREA), Intel IPP, AMD Framewave. Примерно по такому же принципу работает libjpeg, когда открывает изображения в уменьшенном в несколько раз виде. Последнее позволяет многим приложениям открывать изображения JPEG заранее уменьшенными в несколько раз без особых накладных расходов (на практике libjpeg открывает уменьшенные изображения даже немного быстрее полноразмерных), а затем применять другие методы для ресайза до точных размеров. Например, если нужно отресайзить JPEG разрешением 1920×1280 в разрешение 330×220, можно открыть оригинальное изображение в разрешении 480×320, а затем уменьшить его до нужных 330×220.
Свертки (Convolution)
Этот метод похож на аффинные преобразования тем, что используются фильтры, но имеет не фиксированное окно, а окно, пропорциональное масштабу. Например, если размер окна фильтра равен 6, а размер изображения уменьшается в 2,5 раза, то в формировании каждого пикселя конечного изображения принимает участие (2,5 * 6)² = 225 пикселей, что гораздо больше, чем в случае суперсемплинга (от 9 до 16). К счастью, свертки можно считать в 2 прохода, сначала в одну сторону, потом в другую, поэтому алгоритмическая сложность расчета каждого пикселя равна не 225, а всего (2,5 * 6) * 2 = 30. Вклад каждого исходного пикселя в конечный как раз определяется фильтром. Отношение обработанных пикселей к исходным целиком определяется размером окна фильтра и равно его квадрату. Т.е. для билинейного фильтра это отношение будет 4, для бикубического 16, для Ланцоша 36. Алгоритм прекрасно работает как для уменьшения, так и для увеличения.
1920×1280 → 330×220 = 76 ms
1920×1280 → 1067×667 = 160 ms
1920×1280 → 4800×3200 = 1540 ms
Скорость работы этого метода зависит от всех параметров: размеров исходного изображения, размера конечного изображения, размера окна фильтра.
Именно этот метод реализован в ImageMagick, GIMP, в текущей версии Pillow с флагом ANTIALIAS.
Одно из преимуществ этого метода в том, что фильтры могут задаваться отдельной функцией, никак не привязанной к реализации метода. При этом функция самого фильтра может быть достаточно сложной без особой потери производительности, потому что коэффициенты для всех пикселей в одном столбце и для всех пикселей в одной строке считаются только один раз. Т.е. сама функция фильтра вызывается только (m + n) * w раз, где m и n — размеры конечного изображения, а w — размер окна фильтра. И наклепать этих функций можно множество, было бы математическое обоснование. В ImageMagick, например, их 15. Вот как выглядят самые популярные:
Примечательно, что некоторые фильтры имеют зоны отрицательных коэффициентов (как например бикубический фильтр или фильтр Ланцоша). Это нужно для придания переходам на конечном изображении резкости, которая была на исходном.