上一篇把改稿拆成几关，每关给一个可判定的完成标准：标题和内容对得上、逆向大纲连成一条通路、扫一遍首句不掉队、句子读不出想改的地方，就停。停在哪儿，就该发布。
发布之后，你第一次拿到不是来自自己感觉的判断依据——数据。但数据不会替你下结论：同一个“阅读量低”，可能是标题没筛对人，可能是正文没兑现承诺，也可能这篇根本没被推给多少人。所以读反馈的第一步不是问“好不好”，而是问：这个数字停在四道关的哪一层。
数据不是一条总分，是四道关
一篇文章要被人读走，读者得连着过四道关，每过一道留一个数字：
- 被看到：平台把这篇推到了多少人面前（展现、曝光、送达人数）；
- 被点开：看到的人里有多少愿意点进来（打开率、点击率 CTR）；
- 被读完：点进来的人有多少走到了结尾，或者平均停留多久（完读率、平均观看时长）；
- 被转出去：读过的人愿不愿意分享给别人、存下来（分享、收藏、在看）。
各平台指标的名字和口径不太一样，但都能归到这几层，先归层比记名字重要。
一个数字只回答它那一层的问题
最容易犯的错是跨层解释：拿打开率说正文不好，或者拿完读率说标题不行。
打开率的分母是“看到的人”，所以它检验的是 标题这道筛选：有没有让对的人认出自己。点进来的人已经是被标题筛过的一批，他们读不下去，跟没点开的人没关系。反过来，完读率只在你已经确定“进来的这些人就是冲着你的承诺来的”之后，才说明正文。样本不对，读数就没有意义。
YouTube 官方把这条漏斗讲得很直白：封面标题管“吸不吸引人点”，观看时长管“满不满意”，是不同环节的读数，不能互替2。
单独看一个数字会读错
归对层之后，还有两件事要确认。
相邻两层要成对看。 单个数字往往有歧义。高打开率加低完读率，通常说明标题写的是 A、正文答的是 B——这正是上一篇第一关“承诺兑现”的事后版本：发布前靠自查，发布后靠这两个数字一起看。YouTube 直接点出，高点击率配合低平均观看时长，是封面标题“骗点击”的典型特征，而且观看时长短会让平台减少推荐1。所以高点击本身只是半个信号。
和数字出生的环境一起读。 曝光来源不同，同一个指标不能横着比：推荐流里的曝光天生点击率低，因为你的标题在跟一堆别的内容抢点击；来自订阅、老读者、聊天会话的曝光天生高14。新账号和刚发布的几小时波动更大，YouTube 建议不要刚发完就看点击率，也不要为小幅波动立刻动手；同一个平台上，一半频道和视频的点击率大致落在 2% 到 10% 这个很宽的带子里1。绝对阈值不存在，你只能跟自己的历史比。内容形态也会改数字：有运营者复盘发现完读率和字数明显负相关3，所以一篇 800 字和一篇 3000 字的完读率不能直接比。
还有一点：指标和结论不是一对一。同样的复盘提醒，写热点时读者早就知道来龙去脉，会跳过部分内容，完读率偏低而分享不差；长文也可能因为“先收藏，回头再读”而完读率低4。看到低完读率就断定正文有问题，会误判。
先分清：是没人看到，还是没人想点开
“被看到”这一层要单独看，因为它有一个别的层没有的作用：它是判断“该不该拿这篇的数据说事”的开关。
曝光或送达量突然掉下来——平台改了推荐规则、你换了发布时间、账号被限流、渠道结构变了——后面三层的数字全都跟着动，这段区间不能用来评价内容。曝光正常但打开率低，问题在标题承诺；打开正常但完读率低，问题在正文；前三层都正常而没人分享，那是另一个问题：内容对上了，但读者没有一句可以转述出去的话。
先看开关，再往下看，能省掉很多无效的自省。
从一次反馈到下一篇：把结论降级成假设
读反馈的目的不是给这一篇打分，而是让下一篇更准。三件事值得固定下来。
不要用单篇下结论，用同一层的横向比较。 把最近一二十篇按打开率排一遍、按完读率排一遍。两榜前三重合，说明标题和正文是一致的；只有打开率高，问题在正文兑现；打开率普遍低而完读率高，说明进来的人很准但太少——这是标题要改，正文别动。样本小、变量多的时候，单篇只能给出猜测，排序才能给出形状。
把数字落到具体位置，动作才可执行。 完读率不该只用来看“这篇行不行”。有些后台把阅读完成情况按位置给出，例如把全文分成若干节点，能看到读者大致读到哪儿开始成批离开3。有了位置，你就能回到上一篇的逆向大纲，对照那一段：是它本来就没在干活，还是它和前后两段的顺序反了。公众号运营者复盘时也发现，读者常在 20% 到 30% 的位置跳出去，多是开头铺垫太久、进入主题太慢3。
一次反馈的唯一产出，是一句待验证的假设。 把猜测写成一句可以被推翻的话，存进选题库存，例如“读者吃‘具体数字加反面案例’的标题，不吃‘方法论’式标题”。下一次发布时只改这一个变量，看同一层的数字有没有动——一次改三样，数字动了也不知道是谁的功劳。另外，选这一层最短的反馈周期：验证标题看打开率，很多平台几小时就有数；验证正文兑现要等完读率稳下来，通常一两天。不必等整篇的“总成绩”出来才开始想下一篇。
这条路的边界
刚起步时你还没有基线，这时数据的用处不是评判“写得好不好”，而是攒出自己的基线——同一层至少凑够若干篇，比较才谈得上。曝光只有几十次的时候，任何比率都是噪声，不值得为它改动什么。
还有一条别弄反：数据告诉你 哪儿卡住了，不告诉你 该写什么。假设验证完，选题仍然从内容支柱里长出来。一切都跟着数字走，你会慢慢被改成平台推荐口味的形状，而那个形状通常长不出稳定的读者预期。
发布之后的第一份工作不是查成绩，是取样：这次的四层数字各自停在哪里，其中哪一条能被写成假设，交给下一篇去验证。