抖音作为现下最火的短视频平台之一，其中蕴藏的巨大流量让无数品牌趋之若鹜。那么，品牌如何在抖音创造更多的商业价值呢？本文作者对此进行了分析，希望对你有帮助。 打开网易新闻 查看精彩图片 工作前六年基本都在做2B的产品运营，去年开始转型商业化销售运营，一个完全未知的领域，也是能力倍增的一年。分享下过程中我对商业化产品的认识和业务思考，希望对你也有帮助。 一、从抽象到具体，以「效率与体验」为例 网络上有很多企业家的分享，他们爱讲一些宏观的东西，商业概念、组织理念、竞争准则，大家也很爱听，很多人花了不少钱去学习这些内容，想要打磨自己的底层逻辑。 但事实上，要把他们所说的抽象内容落实到业务里去，往往是一个很具体的过程。我们就以「效率与体验」为主题，通过商业化的案例来深入理解。 “企业到底是追求效率，还是追求体验”？这个问题在众多老板口中是哲学一般的存在，你肯定听过某某大佬提到：“只要坚持为用户创造价值，就一定能实现商业上的成功。”阿里价值观认为「客户第一，股东第三」，同样表达了这种观点。 总之，在老板视角往往是“两手都要抓，两手都要硬。” 然而，老板们可以大谈哲学问题、人文主义，但作为基层打工人，我们常常需要做取舍。以抖音为例，如果每刷10条视频7条都是广告，即使短期抖音可以获得更高的收入（效率），但用户体验将受到严重影响伴随高的流失率（体验），收入增长不可持续。产品加速商业化的过程，就需要去化解两者难以兼顾的困难局面。 「体验与效率」之所以要取舍，是因为两者站在了不同的视角。用户关注「体验」，当然是广告越少越好。抖音关注「变现效率」，当然是广告越精准并且越多越好。 体验与效率的对立统一，在搜索引擎时代体现为李彦宏的搜索引擎三定律： 搜索引擎第一定律是相关性定律，即根据内容里出现的关键词频率给出搜索结果。第二定律是人气质量定律，即根据用户对某一内容的感兴趣程度给出搜索结果。 第三定律是自信心定律，即根据谁出的钱多给出搜索结果。 ——李彦宏 到了短视频场景下，抖音等新兴广告媒体的解决方案仍然沿用了李彦宏的理论： 用户为了享受免费的内容服务，就需要接收广告信息，平台会根据相关性和兴趣推荐广告。 广告售卖以平台收益（eCPM）为主要的优化目标。
- 抖音推1条广告要考虑的事情 2020年，抖音通过广告收入达到了1000亿以上。我们享受着抖音带来的便利和乐趣，同时也为抖音带来了丰厚的广告收益。相信在未来，我们将继续与抖音携手前行，共创美好未来。 然而，广告对用户活跃度可能会产生一定的负面影响。为了确保用户体验的持续优化，抖音的广告加载率被限制在了12%~14%之间。这意味着每100次滑动中，平均会有12~14条广告出现。 根据华创证券的数据，抖音的广告加载率为12%~14%，即每100次滑动中，平均有12~14条广告。 要想进一步提高收入，抖音需要扩大总用户时长或提高eCPM（平台展示千次广告的收入）。要实现这两个目标，抖音需要持续优化「内容分发、广告分发」的能力。虽然两者都是分发，但它们有着本质的区别：
- 内容分发的本质是【个性化推荐（推荐系统）】
- 广告分发的本质是【计算广告】 前Facebook工程师宋一松定义了这两者的区别：“推荐系统和计算广告是不同维度上的概念。推荐系统是一种技术，而广告是一项业务。个性化推荐可以用在广告中，更可以用在别的产品层面。同时，个性化推荐只是计算广告的一个环节，一个完整的广告系统还需要其他很多重要的技术组件。” 这种解释非常准确。 个性化推荐的核心目标是用户体验。基于大量历史数据尝试推荐用户最感兴趣的内容，包括广告。其中，用户体验的正向行为有“完播、点赞、评论、关注、分享、下载、打赏”等。抖音每日活跃6亿+用户，每个人刷出来的视频排序大概率都是不一样的，这与用户偏好、属性、实时热点都有关系。 从每个独立用户视角所看到的视频排序，一般都会经历【内容召回→内容粗排→内容精排】的过程，利用协同过滤、机器学习、深度学习等算法/策略来确保推荐的精准度。 由于平台不可能直接把数千万条视频、直播与用户的兴趣进行匹配、排序，所以先通过多种策略做内容召回（比如：兴趣标签、相似用户、热门内容等），再进行内容排序。 谷歌的Deep Neural Networks模型在YouTube推荐系统中扮演着至关重要的角色。这个模型通过学习用户的嵌入向量u，作为输入数据，经过Softmax分类器处理后，生成初步的候选集，作为视频的召回结果。一旦召回完成，内容排序算法就会根据多种算法模型进行优化，但在此过程中，我们无法深入探讨其细节。 最终，服务器会向用户手机返回一个排好顺序的视频列表，用户可以通过滑动观看这些视频。同时，用户的点赞、评论和观看时长等行为会被记录下来，用于未来模型训练，以提升预测的准确度。海量的兴趣数据经过训练不断反哺到内容推荐与广告业务中，呈现出飞轮式增长的趋势。 接下来，我们来谈谈计算广告如何更高效地运作。计算广告的核心目标是平衡用户、平台和广告主三方的利益：
- 平台利益：最大化千次广告展示收益（eCPM），即单位流量售价最高。例如，如果抖音Q2的平均千次广告展示获得的广告费为40元，环比Q1上涨了10元，那么说明Q2的变现效率提高了。
- 广告主利益：最大化投资回报率（ROI），即收益/CPM。这里的“收益”指的是广告主支付广告费后获得的收益水平。例如，阿里在抖音投放1000次广告需要支付20元，平均可以获取1个新用户，而每个新用户一年只能为阿里带来10元的综合收益（ROI=0.5），那么20元的广告费就不算划算。
- 用户利益：尽量减少广告观看量，确保用户看到的是他们感兴趣的内容。 为了解决上述问题，我们模拟了一个简单的广告分发场景：“用户看了广告主A和C的素材后都没有点击，而用户B不仅点击了广告主B的素材，并且注册成为B产品的客户。”在这个场景中，广告主A和C需要根据广告展示次数向平台付费（CPM），但他们获得的客户利益点没有得到满足，长期下去，广告主自然就会停止投放。 因此，要满足客户的投放目标（如合理的获客成本），就需要提高广告的点击率（CTR）和转化率（CVR）。这又回到了个性化推荐在计算广告中的应用，尽量匹配用户感兴趣的广告。比如，给饭圈粉丝推荐偶像代言的产品。如何持续改善广告点击率（CTR）呢？ 以京东的广告排序模型为例，用户在搜索商品的场景下，广告点击的概率（CTR）可以描述为依赖于4个不同类型输入的函数：
- Query：描述用户搜索意图。
- user(用户侧特征)：描述用户的兴趣、偏好。
- item(商品侧特征)：描述这个商品是否优质。
- Context(文本特征)：描述用户搜索时属于怎样的场景，是上班的时候搜的还是周末搜的，此时是否有活动。 通过构建特征工程并确定目标函数（贪心算法/长期回报），利用Online-Learning大量数据训练后得到CTR优化结果。 在推送1次广告时，平台到底从海量的广告主中推哪一个，核心考量因素是eCPM（平台每千次展示的收入）= 预估点击率（p-CTR）预估转化率（p-CVR） 预估出价（p-Bid）。根据每个广告的eCPM进行排序，选出值最大的那个进行展示，如果涉及i个不同的客户则，取所有客户∑eCPM求和最大化的解。 从产品实现的角度，平台在广告排序时需要前置预估点击率（p-CTR）、转化率（p-CVR）和出价（p-Bid），所以预估准确度决定了最终平台的收益是否真的能实现最大化。 预估点击率（p-CTR）与转化率（p-CTR）很好理解，就是广告实际下发前，平台并不知道推给用户后有多少人会点击、转化，只能用模型估算，广告下发后再基于实际数据返回模型学习，不断提高预估准确度。 预估出价（p-Bid）主要是因为广告平台通常采用GSP（广义第二价格）模式，即：广告被展示后，广告主所需支付的价格并非自己出具的价格，而是为下一位出价者的价格+Δ（字节为0.01元）。这里就涉及到广告系统需要预估最终的bid price，并在产生实际值后带回模型进行学习。 直观感受，采用GSP（第二价格）计费增加了系统预估的参数量（p-Bid），会让预估变得更难，为什么不直接使用广告竞得者的出价（第一价格）？ 在考虑广告竞拍过程中的出价波动问题时，我们意识到“第一价格”机制可能导致竞价者不断调整出价以追求更高的收益。这种策略虽然可能暂时提高广告主的曝光率，但最终会导致广告成本的不稳定增加，从而影响eCPM（每千次展示收入）的准确预估。谷歌自2002年起将GSP（Google Sponsored Search）引入其搜索引擎平台，并成为主流的在线广告计费模式。 字节跳动作为中国领先的互联网企业之一，其商业模式和商业潜力引人注目。从商业化的角度来看，字节跳动的创新能力和市场扩张速度使其成为中国乃至全球独角兽公司中最具想象力的企业之一。 在2020年中美主要的互联网公司中，阿里巴巴、亚马逊等电商巨头依靠强大的电商广告业务成为收入的主要来源。例如，阿里巴巴通过其电商平台实现超过2000亿美元的年收入，这主要得益于其电商广告业务的强大影响力。相比之下，Google和Facebook等社交媒体巨头则主要依赖于非电商广告，如搜索广告和社交媒体推广，这些广告形式更多地关注用户行为数据而非直接转化数据。 以天猫为例，Skechers旗舰店在天猫投放运动鞋搜索词广告时，其ROI计算方式为用户的成交金额（GMV）与利润率之比除以广告成本。这种模式下，当用户被广告吸引进入店铺并完成购买后，相关数据会被天猫APP记录，从而实现数据的闭环管理。通过这种方式，阿里巴巴可以更有效地利用这些数据来优化其商家的变现效率。 另一方面，Facebook推广的游戏如《皇室战争》则采用不同的ROI计算方法。在这种情况下，广告主需要通过回传机制（oCPM）向平台报告注册和付费行为的数据，以便平台基于这些数据进行模型学习并优化广告效果。尽管这种方法可能无法直接追踪到具体的用户行为数据，但它允许广告主间接了解其广告活动的成效。 字节跳动巨量引擎APP转化回传对接方案的实施，标志着字节跳动在广告技术方面的进一步创新。通过这一方案，字节跳动能够更精确地控制广告投放的效果，确保广告主的投资回报最大化。这不仅有助于提升用户体验，还能增强广告主对平台的信任和依赖，从而推动整个广告生态系统的发展。 在当今的互联网行业中，字节跳动公司凭借其独特的商业模式——同时运营内容平台和电商业务（抖音+抖音电商），展现出了与众不同的市场竞争力。这种双重身份不仅为字节跳动带来了巨大的商业潜力，同时也为其广告系统提供了前所未有的数据优势。 首先，字节跳动的内容平台——抖音，已经成为全球领先的短视频分享平台。根据最新报道，抖音非电商广告年收入已经达到了1000~2000亿，这一数字足以证明其强大的市场影响力和盈利能力。而抖音电商在2021年的目标是实现GMV突破1万亿，按照3%的货币化率计算，预计电商广告将带来超过300亿的收入。随着直播带货的流行趋势，抖音电商的增长空间巨大，字节跳动的商业前景可谓光明。 然而，面对新的挑战，字节跳动也面临着诸多困境。以往电商广告和Feeds广告主要向用户推送「广告素材（视频、图文）」，广告主可以通过大量差异化的素材/投放人群进行AB测试，寻找最优的人群和素材。但在直播电商中，由于直播的实时性和不可预测性，给广告系统提出了更高的要求。 此外，有观点认为电商平台通过收取商户费用（包括店铺租金、广告费）具有“征税权”，这种观点在反垄断的大背景下具有一定的合理性。但实质上，天猫等电商平台之所以能够向商户收费，是因为这些平台能够为商户带来持续的生意，例如物流端的支持、金融服务的提供等。 与天猫等平台不同，字节跳动投入大量资本建设更有商业价值的经营环境，并向商户收取的租金、广告费，可以视作【流量产权】（主要是经营权）的商业变现。这种模式不仅有助于提升平台的商业价值，也为广告系统提供了更加丰富的数据来源，有助于提高广告效果和ROI。 总之，字节跳动通过其独特的商业模式，不仅实现了业务的多元化发展，还为广告系统提供了前所未有的数据优势。未来，随着市场的不断发展和技术的进步，字节跳动有望继续保持其在互联网行业的领先地位。 谈到产权，它涵盖了经营权、收入分配权、使用权与转让权。我们并不陌生，1979年安徽省凤阳县小岗村的农民签下了“生死状”，开启了包产到户的农村改革序幕（即：生产者获得经营权），包产到户后第1年的产量就相当于实行人民公社25年产量的总和。 然而，当我们谈论虚拟世界的【流量产权】时，其价值又是由什么决定的呢？回到天猫的例子，归根结底还是由商户在这里的变现能力决定的。如果天猫如同城郊荒野的老旧小区底商一般，商户们不会沉迷在“淘宝直通车”的氪金游戏里。 脱离电商语境，我们把本文前半部分提到的【广告业务】与【短视频/直播业务】联系在一起，抖音就像一个线上的旅游度假区，这里有好看的妹子表演节目，也有跳伞、赶海、自驾等项目，也有不断扩建的大型购物商场（抖音电商），6亿用户每天都愿意来这里娱乐消遣，这里的广告位自然有人愿意买单。 B站也是非常典型的以【关注关系】为中心的社区，大家关注自己喜爱的UP主，UP主持续创作优质的内容获取更多忠实粉丝和稳定的流量，并最终通过广告变现。此时，【流量产权】成为KOL的核心资产。 也不排除未来的某一天，B站迫于压力急于变现，也许会像YouTube那样，用户每看几分钟就强行插入一个广告。强制插入广告的行为，意味着即使KOL利用【关注关系】和粉丝建立了强的连接，但流量控制权仍然掌握在平台手中。 当平台开始加速商业化时，往往就是【流量产权】再博弈过程，一个健康的内容平台，可以支撑更多的创作者在必要的规则约束下得到良好发展，这类平台在博弈中就能掌握更大的话语权。想想也是，你去迪士尼乐园里卖烤串，当然会自觉遵守园区的抽佣规则。 但如果平台把过多精力放在变现上，则大概率会稀释内容质量与用户体验，百度多年来依赖医疗广告成瘾不能戒除，导致其长期承受舆论的讨伐。抖音即使在广告分发领域找到了【个性化推荐】的良药，也无法无节制地提高广告加载率，并且伴随着抖音电商内容的激增，娱乐内容占比进一步下降，消费者的口袋终会捉襟见肘。即使是这样，算法的上帝视角仍有机会根据不同用户对商业内容忍耐度的差异，千人千面地调整娱乐与消费的内容比例，最终把人困在系统里，成为欲望的囚徒。 在当今的商业环境中，“体验与效率”成为了一个难以兼顾的课题。尽管老板们一再强调这两者的重要性，但在实际执行中，却常常感到力不从心。然而，市场的力量总是能够通过“无形的手”推动商业活动向更高效、更真实的方向发展。比如，抖音上的一位舞蹈家井川里予纯欲天花板的表演，仅用1小时便吸引了2000亿的观看量。这不禁让人相信，只要我们坚持并不断优化我们的商业模式，未来一定会充满光明。 【全文完】