想了解電商直播？看我們就夠了
illustration by Double Team
1
前言
內容電商發展如火如荼，新概念也層出不窮。大家知道的抖音“推薦演算法”、淘寶“千人千面”，以及老生常談的“賽馬機制”、“去中心化”、“平臺流量池”等等。
面對新概念層出不窮的當今，有行業人士認為是“概念炒冷飯”或者“炮製概念”的行為，當然也有大把熱詞概念追捧者。
我在日常思考中經常告誡自己，世界上很多事物的本質都是相通的，在複雜的概念背後，是最質樸的邏輯關係。如何把概念資訊做為知識工具真正運用到工作生活中成為可以一直踐行的方法論，這才是一個從認到知的過程。
這些商業新潮熱詞的概念背後到底是什麼？
我們試著分析一下“千人千面”、“賽馬機制”、“去中心化”、“流量池”這些概念背後，不就是平臺為了系統化管理使用者與內容所制定的一套遊戲規則策略嗎？
2
什麼是演算法？
“演算法”這個概念一直都很熱，對於大多數網際網路從業者並不陌生。當今演算法分發已經是各大資訊平臺、社交軟體、搜尋引擎、瀏覽器的標配。
釋意：
演算法（Algorithm）是指解題方案的準確而完整的描述，一個演算法是解決一個問題的程序，我們並不需要每次出現一個問題就發明一個解決方案。而是通過一系列解決問題的清晰指令，利用系統程式設計有序的解決問題。
演算法代表著用系統的方法描述解決問題的策略機制。
首先要思考一個問題，無論抖音、快手、淘寶，當你站在平臺運營者的角度去思考，本質上平臺是不是希望越來越多的人可以在平臺上活躍併產生持續價值。
那遊戲規則，就會按照本質上的目的去制定。
短視訊內容平臺主要連結兩端，一為使用者端，一為內容端，使用者與內容的正向互動才會產生平臺價值。只有更多的優質內容與更多的優質使用者互動，才會持續的為平臺產生正向價值。
那在短視訊平臺的視角去設計“遊戲規則”的時候，首先就是面對龐大的使用者與內容規模，平臺如何解決內容找人及如何把優質內容篩選出來的問題。
如果我們了解平臺的目的，並了解平臺對於內容與流量的分發策略，我們是否就可以根據自己的定位制定出運營策略呢？
因為大播老師在做抖音的內容孵化，所以最近我也研究了一些抖音的內容。下文更多以對抖音的演算法內容理解做基礎闡述。
3
相似度匹配演算法
以抖音為例，這種演算法是建立在三種基礎維度設計的，是從根本上解決使用者、資訊、環境的匹配：
第一個維度是內容；
圖文、視訊、UGC小視訊，每種內容有很多自己的特徵，需要考慮怎樣提取不同內容型別的特徵做好推薦。
抖音系統的內容分析有文字分析、圖片分析、視訊分析幾種方式，而文字分析在推薦系統中最重要的作用就是資料建模。
文字特徵對於演算法推薦中有獨特的價值，可以解決內容冷啟動的問題（第一波流量怎麼獲取），並且沒有文字特徵，推薦引擎無法工作。
所以在新內容上傳中，你所選分類、上傳標題、熱門話題跟隨、文案關鍵詞等，也是非常重要的。
以上不再針對語音分析與視訊分析的內容做更多的贅述。
第二個維度是使用者特徵；
包括各種興趣標籤，職業、年齡、性別等，還有很多模型刻劃出的隱式使用者興趣等。
第三個維度是環境特徵；
這是移動網際網路時代推薦的特點，使用者隨時隨地移動，在工作場合、通勤、旅遊等不同的場景，資訊偏好有所偏移。
結合三方面的維度，演算法模型會給出一個預估，即推測推薦內容在這一場景下對這一使用者是否合適，進行相似度匹配。
以上也就是我們經常說的打標籤。
比如，給喜歡聽【音樂】的使用者，打上【音樂】標籤；
給喜歡【英雄聯盟】的使用者，打上【英雄聯盟】的標籤。
那這樣對有什麼作用呢？
a.幫助內容推薦：將某一標籤下優質內容推薦給關注這一類內容的使用者；
b.生成頻道內容：內容進行類目/行業劃分，形成平臺頻道，將使用者推薦到對應標籤頻道下。
抖音訊道標籤-來自飛瓜資料
淘寶直播類目標籤
本質上，平臺想要的目的不同，設計演算法模型的變數維度也不盡相同。
那以上只解決了基礎維度內容匹配。
那平臺的使用者也會關注那些熱門、同城、時效強的優質內容的，這些內容的篩選如何解決呢？
並且基礎的演算法會導致推薦內容窄化。越是精準的內容，匹配到精準使用者，使用者的行為反饋高，但是使用者探索空間會越來越小。
那便會結合「典型推薦特徵」的維度變數，做演算法組合。
對於推薦內容窄化的問題，協同特徵維度通過使用者行為分析不同使用者間相似性，比如點選相似、興趣分類相似、主題相似、興趣詞相似，甚至向量相似，從而擴充套件模型的探索能力。
以上，也就是我們經常所說的“千人千面”，但是這種方法是存在弊端的，就是系統會經常把陳舊的過時的內容繼續推薦，這個可以統稱為機器系統的弊端。
那這樣的弊端如何解決呢？就要講到第二個主流推薦演算法了。
4
使用者投票演算法
這類演算法並不會去搜集平臺內容標籤歸類，匹配。
也不去了解使用者要看什麼，對什麼感興趣。
他就只做一件事，蒐集使用者體驗，彙總使用者投票，依靠投票來做推薦。
那使用者的投票如何來蒐集，來去做量化呢？
其實就是通過使用者的正向行為，對使用者興趣標籤下的內容做截斷，高效的從很大的內容庫中篩選比較靠譜的一小部分內容。
召回策略架構就是系統蒐集使用者體驗
並處理再推薦的過程
5
“去中心化”的賽馬機制
釋意：
“去中心化”是在一個分佈有眾多節點的系統中，每個節點都具有高度自治的特徵。節點之間彼此可以自由連線，形成新的連線單元。任何一個節點都可能成為階段性的中心，但不具備強制性的中心控制功能。
節點與節點之間的影響，會通過網路而形成非線性因果關係。這種開放式、扁平化、平等性的系統現象或結構，我們稱之為去中心化。
這個釋意是不是有點難理解。
那大家想想，我們目前的網際網路社交網路即自然系統（或者把抖音/淘寶想想成一個社交網路平臺），每個使用者/內容都是網路中的節點。
當用戶/內容從單一節點形成群，再形成熱門事件，這樣就慢慢從單一節點變成了階段性中心。
像不像達人在平臺上釋出內容或者直播，通過不斷的產出內容，積累粉絲，然後慢慢在一定範圍內產生影響力？
去中心化不是不要中心，而是中心多元化，任何人都可以成為中心。那是不是在去中心化平臺，人人都是KOC？
使用者投票下，優質的內容就有更多的機會與其他使用者產生連結與影響，變成了一箇中心。影響力越強，產生的連結與互動就會越多，產生一個正向的機制。
像不像達人的成長過程？
這樣理解了嗎？
那接著補充一個概念——“賽馬機制”。
“賽馬機制”簡單的講就是在一個公平的環境下，通過公平的競爭，然後獲得合理有效的資源。
就是給使用者內容提供一個公平的環境下，通過系統的考核與評估進行分層，給到不同層級的使用者內容，匹配不同層級的資源。前文中提到了如何解決內容找人以及把優質內容篩選出來的問題。
一個視訊釋出之後，分配到一個基礎流量池，這是你獲得使用者投票的第一個機會。
在第一輪流量池，如果你得到的選票數量觸發了系統演算法的一個閥值，那麼ok，你晉級了。
再給你更大的流量池，進行第二輪投票，接下來還有第三輪第四輪。
如果你每一輪投票都能晉級，那麼一個熱門的視訊就誕生了。
說直白點，在去中心化平臺的賽馬機制中。你的內容火了，不是平臺推薦的，而是使用者投票的結果。
6
小結
總結一下什麼是演算法，演算法就是平臺為了更好的運營平臺上的內容與使用者，制定的一套系統策略。今天主要以抖音平臺做參照，提及到目前幾個比較主流的推薦演算法及常常談及的概念。
簡單來講，
相似度匹配演算法，解決內容找人的問題。
使用者投票演算法，解決了把優質內容選出來的問題。
“去中心化的賽馬機制”，解決了內容分層考核，及資源匹配的問題。
那總結上文，我們可以得到一定的內容運營思路
1.內容垂直度；
要清晰的知道，自己所在類目頻道。通過持續穩定的內容，讓系統持續把你推送給同一批使用者，使用者更容易產生正向的投票反饋。
2.內容的冷啟動；
演算法告訴我們，沒有文字特徵，推薦引擎就無法工作，那你的內容就無法獲取平臺的第一波流量。
那麼對於內容來講，你的文字特徵要明確，所以在新內容上傳分類、標題、熱門話題跟隨、文案關鍵詞等也都是精細化運營的關鍵。
3.運營權重；
通過演算法模型建模中所需要的維度，我們可以獲知，系統在判定內容時候通過怎麼樣的思考方式。
「召回策略架構」就是蒐集使用者投票反饋的模型，用演算法模型按照權重演算法捕捉使用者的行為資訊，比如完播>點贊>評論>轉發>關注，並快速處理，實時進行新一刷的推薦中。
4.流量資源分配；
將大的流量池分配成小的流量分桶、分包、測試包。
新的內容釋出以後，系統會識別你的文字特徵，給你的內容打標，並給你推送第一批測試流量。如果得到正向的使用者投票，那將繼續給你更大的流量包，如此迴圈往復。
其中，每個階段觸發的流量閥值，與內容的承接能力非常重要。
今天不對內容層面的運營做過多的贅述，但當泡沫消退，靠紅利起來的那批人不再有空間，內容才進入到成熟的階段。使用者教育已經很成熟了，他們學會了篩選真正有深度、有價值的內容/產品。
所以內容即為王道。
為什麼今天要提到演算法，因為在系統管理運營下的平臺，要知道平臺的目的，與系統判定的邏輯。從上帝視角看問題，建立平臺思維，制定出正確的運營策略。
千萬不要用「戰術」的勤奮來掩蓋「戰略」的懶惰，我的身邊有很多開口閉口把概念、商業模式放在嘴邊的人，但是這些碎片化的資訊，最終無法成為他的知識體系，並且運用在切實工作中。
今天主要以抖音的流量演算法作為案例，但是每個平臺的底層邏輯都是相通的。
例如：淘寶直播的演算法底層也是對使用者做了分層，千人千面的推薦邏輯。但是演算法模型不同，因為淘寶直播畢竟屬於電商平臺，所以要兼顧內容與成交。
在淘寶直播的流量研究，不得不提一下我們的凌空老師。他通過研究100+直播間，捕捉直播間背書資料與流量的變化。
通過「波段理論」為流量分層定義，並且給到每個波段考核的指標。
再通過「7天螺旋」的打法，精細深耕，給到系統正向反饋，來突破流量瓶頸。
文：張小野