抖音作为当前最热门的短视频平台之一，其巨大的流量吸引了无数品牌的关注。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深入分析，希望对大家有所帮助。 在工作前六年的时间里，我一直专注于2B的产品运营。然而，去年我开始转型为商业化销售运营，这是一个全新的领域，也是我能力得到极大提升的一年。在此过程中，我对商业化产品有了更深入的认识和业务思考，希望能与大家分享。 首先，我们需要从抽象的概念出发，以「效率与体验」为例。网络上有很多企业家分享他们的商业哲学、组织理念和竞争准则，这些都是非常有价值的内容。然而，将这些抽象的内容落实到具体业务中，往往需要我们进行深入的思考和实践。 以「效率与体验」为主题，我们可以深入理解这两个概念。企业到底是追求效率还是体验？这个问题在老板们眼中往往是哲学般的存在。他们可能会强调客户第一、股东第三的理念，但这并不意味着他们在追求两者的平衡。相反，他们需要在效率和体验之间做出取舍，以实现商业上的成功。 以抖音为例，如果每刷10条视频有7条是广告，即使短期内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）。因此，产品加速商业化的过程就需要化解这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；而抖音关注变现效率，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：相关性定律、人气质量定律和自信心定律。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：根据相关性和兴趣推荐广告，广告售卖以平台收益为主要的优化目标。 总之，在商业化产品的过程中，我们需要从抽象的概念出发，通过具体的案例来深入理解。同时，我们也需要在效率和体验之间做出合理的取舍，以实现商业上的成功。 在2020年，抖音通过广告赚取了超过1000亿的收入。我们观看美女的短视频时，抖音通过我们获得了巨额的广告费，这让我们对未来充满希望。 然而，广告对用户活跃度有一定的负面影响。为了限制广告的数量，抖音将广告加载率控制在12%~14%之间，即用户每100次滑动平均看到12~14条广告。 根据公式：广告收入=DAU（每日活跃用户数）*人均视频浏览次数*Ad load（广告加载率）*eCPM（平台展示千次广告的收入）/1000，如果抖音想要从1000亿增长到2000亿，需要依赖更大的总用户时长或者更高的eCPM。 实现这两个目标，关键在于持续优化内容分发和广告分发的能力。尽管两者都是分发，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）】，它的目标是用户体验。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。 而广告分发的本质是【计算广告】，它是一项业务。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。 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DNN模型的目标就是在给定YouTube用户历史行为与上下文的情况下，学习 user embedding 向量u，作为输入送到 Softmax分类器，用以生成初步候选集作为视频的召回结果。 谷歌论文《Deep Neural Networks for YouTube Recommendations》 在YouTube推荐系统召回完成后，内容排序算法多种多样，这里就不一一展开了，因为我自己对它们也不太了解。然而，老板的那句“两手都要抓，两手都要硬”，其实远没有想象中那么简单。最终，服务器向用户手机返回了经过精心排序的视频，用户依次浏览，他们的点赞、评论和观看时长等行为将被记录下来，这些数据将用于未来模型的训练，以提升预测的准确性。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。

  1. 计算广告如何更「高效」 计算广告作为一项核心业务，其目标在于「平衡」用户、平台和广告主三者的利益：
  • 平台利益：通过最大化千次广告展示收益（eCPM），即单位流量售价最高，来提高变现效率。例如，如果抖音Q2平均每1000次广告展示获得的广告费是40元，环比Q1上涨了10元，说明Q2的变现效率提高了。
  • 广告主利益：通过最大化ROI，即收益/CPM，这里的“收益”指的是广告主支付的广告费带来的收益水平。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，而一个用户一年只能为阿里带来10元的综合收益（ROI=0.5），那么20元的广告费就不够划算。
  • 用户利益：尽量减少广告的曝光，即使看到也是看自己感兴趣的内容。 我们模拟一轮简化的广告分发场景：“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。”在这一轮广告展示中，广告主A和C根据广告展示次数向平台付费（CPM），但他们获得的客户利益没有得到满足，长期下来会导致广告主停止投放。因此，为了满足客户的投放目标（如合理的获客成本），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，尽可能匹配用户感兴趣的广告。例如，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）和转化率（CVR）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）可以描述为依赖于四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: 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（局部最优）/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。 字节跳动巨量引擎oCPM的GSP计费介绍 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）？ 这里主要考虑了使用“第一价格”带来的出价波动问题，如果广告竞得者支付他的竞价价格，则广告主为了获得展现，他会不断提高价格，在获得广告展现后，他又会开始不断减少出价以降低成本，这个博弈过程，容易使得出价不稳定，影响eCPM的预估准确度。谷歌2002年开始将GSP引入搜索引擎，并成为主流的在线广告计费模式。
  1. 字节跳动的天花板与挑战 毫无疑问，字节跳动已经成为比肩阿里、腾讯的顶级互联网企业，单纯从商业化的角度，它的想象力也是独角兽里最大的。 2020年中美主要的互联网企业里： 阿里、Amazon为代表的电商公司，广告是重要的收入来源，尤其阿里依靠电商广告成为中国第一大在线广告媒体，年收入超过2000亿+。【简称「电商广告」】 Google和Facebook的主要收入都来自于广告业务，年收入在800~1500亿美金之间。他们的广告主要是将流量引导到APP、网站等广告主，用户在点击广告后进入广告主的产品体系，成为其用户；后续的付费、活跃数据就与Google、Facebook无关了。这种广告模式被称为「非电商广告」。 而电商广告和非电商广告的主要区别在于“用户被广告转化后，核心数据是否留在广告平台”。包括在广告主侧的行为数据、付费数据、偏好数据等等。例如，天猫在Skechers旗舰店投放“运动鞋”的搜索词广告，其投放目标ROI=用户的成交金额（GMV）*利润率/广告成本。当用户被搜索广告影响进入Skechers店铺，并发生了关注店铺、购买商品（GMV）等行为时，相关数据均被天猫APP记录，广告全流程实现了数据闭环，阿里可以利用这些数据更高效地优化模型，提高商家的变现效率。 而非电商广告，例如Facebook推广游戏【皇室战争】，其投放目标ROI=用户在皇室战争的付费金额/广告成本。但当用户下载皇室战争APP之后，其注册、付费行为Facebook是无法掌握的，只能通过与Facebook的回传机制（oCPM）让广告主告诉平台谁注册了、谁的付费水平更高，平台基于回传数据进行模型学习，持续优化广告主的ROI。 字节跳动巨量引擎APP转化回传对接方案考虑到用户付费很可能是长周期的行为，并且回传模式难以监测更多维的用户特征，使得非电商广告受制于数据隔离问题，很难像电商广告系统那样实时+全量化地将用户转化数据用于广告系统的训练，有效提高电商广告主的ROI。但字节跳动强就强在，同时兼具了【电商广告】与【非电商广告】两大业务（内容+电商），这在过去所有中美互联网巨头里都是没有过的。抖音非电商广告年收入已经做到了1000~2000亿；而抖音电商2021年GMV目标是1万亿，按3%的货币化率计算，电商广告有机会做到300亿以上。随着直播带货大趋势的推动，未来抖音电商还有成倍的增长空间，字节跳动的商业化天花板远没有见顶。 当然，字节也在面对很多新的挑战。在过往的电商广告、Feeds广告都是向用户推送「广告素材（视频、图文）」，广告主可以使用大量差异化的素材/投放人群做AB测试，找到最优人群和素材。但直播电商的实时性很强，罗永浩周日18:00~21:00点直播，广告系统也只能调度相关时段的流量，并且直播过程也是难以预测的，这也给广告系统提出了更高的要求。 9月24日抖音电商在杭州举办了2021抖音电商达人峰会 二、「流量产权」的博弈场 有些观点认为，电商平台做大后拥有了对合作商户收费的权力，这是一种“征税权”。在反垄断的大背景下，赋予“征税”标签更有利于突出平台的强势与商户的弱势。 但冷静下来思考，天猫作为线上的万达广场，其向商户收费（包括：店铺租金、广告费）的前提是天猫能够为商户带来持续的生意。为此平台也付出了很多的努力，包括在物流端做重（菜鸟网络）保障用户的购买体验，提供丰富的金融服务（蚂蚁金服+网商银行）支持小微商家经营。 阿里每年还要去外部媒体采买流量以支撑更大的交易规模，2020年在抖音阿里就花了200亿的广告费，这些努力的目的则是构建平台流量的持续性和竞争力，这和万达付出高价抢拍市中心的土地资源是一个道理。 相比于“征税”的强制性，电商平台投入大量资本为建设更有商业价值的经营环境，并向商户收取的租金、广告费的行为，可以视作【流量产权】（主要是经营权）的商业变现。 谈到产权，意味着经营权、收入分配权、使用权与转让权。它的威力我们并不陌生，1979年安徽省凤阳县小岗村，18位农民签下一份“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。 该“生死状”现藏于中国国家博物馆 小岗村农田的经营权价值由产量决定，四十年后虚拟世界的【流量产权】，它的价值又由什么决定呢？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。 在B站，一个典型的社区模式以【关注关系】为核心，用户们通过关注自己喜爱的UP主来建立连接。这种关系促使UP主持续创作优质内容，吸引并保持一群忠实粉丝，从而获得稳定的流量和广告收入。在这个过程中，【流量产权】成为KOL（关键意见领袖）的核心资产。 然而，未来某一天，如果B站为了变现而急于采取强制插入广告的策略，这可能会导致流量控制权的转移。在这种压力下，即使KOL与粉丝之间建立了强连接，但流量的所有权仍然可能被平台所掌控。 当平台开始加速商业化时，【流量产权】的博弈过程随之展开。一个健康的内容平台能够支持创作者在规则约束下良好发展，这样的平台在博弈中将拥有更大的话语权。例如，迪士尼乐园中的烤串销售者会遵守园区的抽佣规则，因为这是他们生存的基础。 但如果平台过度关注变现，可能会稀释内容质量和用户体验。长期依赖医疗广告的百度，虽然找到了“个性化推荐”的良药，却因无法无节制地提高广告加载率而饱受批评。抖音虽然在广告分发领域取得了进展，但电商内容的激增和娱乐内容占比的下降也让消费者感到负担加重。尽管算法可以根据不同用户对商业内容忍耐度的差异调整内容比例，但最终可能导致消费者被系统困住，成为欲望的囚徒。 总体而言，在未来的日子里，「体验与效率」仍将是一个难以实现但又必须追求的目标。相信市场经济的力量终将推动商业活动走向更有效率的现实。就像我每天在抖音只花1小时观看「井川里予纯欲天花板舞蹈」，字节跳动就能赚取2000亿的收入，我们也都将迎来光明的未来。 【全文完】