技能提升网账号连续两周播放和完播都在降，运营会上最常见的反应是换选题、重做封面、缩短视频同时进行。几天后数据仍没起色，团队也说不清是哪项改动有效，因为曝光、点击和内容留存根本没有被分开。
AI可以把多条视频的指标、分镜和时间码放进同一张诊断表，找出异常出现在哪一层。它不能从一条下降曲线直接宣布“内容不行”，也不能把平台分发机制当成已知事实。正确顺序是先定位断点，再形成可验证假设，最后一次只改一个关键变量。
先统一每个指标的口径和时间窗
确认播放、有效播放、平均观看时长、完播和互动在当前平台的定义，固定账号、内容类型、发布时间和比较周期。新版后台口径、投放、活动流量或视频时长结构变化，都可能让横向比较失真。
从平台导出明细后，保留视频 ID、发布时间、时长、选题、封面版本、曝光、播放、各时间点留存、完播、互动和转化。XLSX Skill 可清理字段、统一日期并把多期数据按视频对齐；公式和分组仍要重新计算并抽查。
播放下降先区分曝光与点击
若曝光先下降、播放随之下降，而播放率相对稳定，应先检查发布频率、内容供给、受众覆盖和异常流量来源。若曝光稳定但播放率下降，问题更可能靠近封面、标题、首帧承诺或选题与受众的匹配。
这两种情况不能用同一动作解决。前者需要复核分发条件和选题组合，后者可以对同类视频做封面或标题小样本测试。没有对照组时，不能因为改图后某条播放上升就认定改图是唯一原因。
留存曲线要落回具体时间码
把前 1 秒、3 秒、关键转折、中段和结尾的留存断点对应到分镜。开场快速流失常见于承诺太慢、首帧与标题不一致或背景铺垫过长；固定中段跳失可能来自重复解释、节奏停顿、信息难度突增或广告插入。
完播下降也要考虑视频时长变化。同样平均观看 20 秒，在 25 秒和 60 秒视频上的含义不同。逐条观看异常视频，并与同主题表现稳定的视频比较，记录画面、口播、字幕、转场和信息密度的差异。
用指标层级管理假设而不是猜原因
Metrics Review 适合把当前值、历史对比、目标、分群和已知事件组织成记分卡，区分趋势、风险、解释和待验证动作。对短视频任务，可把播放或有效观看设为结果指标，把曝光、播放率、前段留存、中段断点和完播设为诊断指标。
每个假设都写明支持证据、反证、需要的样本和验证动作。例如“封面承诺过宽”必须同时解释曝光稳定而播放率下降，并通过同主题封面测试验证；仅凭团队感觉不能进入结论列。
一次实验只动一个主要变量
先选内容类型相近、发布时间接近的一小组视频，分别测试封面、首句、信息前置或中段删减。不要同时换选题、镜头、时长和发布时间，否则结果无法归因。样本量不足时只记录方向，不宣称统计结论。
测试前写明主要指标、保护指标、观察期和停止条件。提升播放率却让前 3 秒留存大幅下降，说明封面可能制造了错误预期；完播提高但转化下降，也可能只是内容变短而非更有效。
人工复看仍是内容诊断的关键
数据能告诉团队观众在哪离开，不能自动说明为什么。运营、编导和剪辑应抽看断点前后的画面，核对标题承诺、信息完整性、情绪节奏、字幕可读性和声音质量。评论也可提供线索，但高赞评论不代表多数用户。
涉及平台限流或算法变化时，只能写成外部假设，并找同期同类内容、账号整体曝光和官方通知佐证。不要把模型推测包装成平台内部原因，也不要因短期波动大规模删除历史内容。
最终交付是一张视频问题定位表
表中至少包含视频、内容类型、时长、曝光、播放率、留存断点、对应分镜、假设、反证、改动、负责人和复查日期。把事实、解释和决定分列，避免复盘会把所有意见混成一句“内容质量下降”。
短视频下滑并不可怕，可怕的是团队同时改所有东西，最后仍不知道问题在哪。AI的价值是缩小排查范围、保留比较口径，让每次重剪或重拍都有证据和下一步。
