长视频,为什么没有强算法推荐的产品

2020 年 12 月 2 日 人人都是产品经理

关注并将「人人都是产品经理」设为星标

每天早 07 : 45 按时送达

如今算法在很多类型软件都存在,比如最常见的短视频平台、电商平台,根据你的喜好等方面进行推荐,但是长视频领域却一直没有被算法占领;本文作者分享了关于长视频没有强算法推荐的思考,我们一起来看一下。


全文共 3333 字,阅读需要 7 分钟

—————— BEGIN ——————

当算法推荐在图文、短视频领域大杀四方、所向无敌时,我们曾经一度以为在内容分发领域,算法就是无敌的、是降维打击。

但是奇怪的是——现在算法在长视频领域依然没有取得主导权。

这里主导权指的是算法分发占据内容消费的主要比例,比如说抖音的用户时长中,算法分发占据超过80%的比例,所以我们可以说抖音是强推荐算法的产品。

算法没有在长视频领域取得主导权最直观的表现是:以爱奇艺、腾讯视频和优酷为代表的传统长视频网站,内容消费主要来自内容运营阵地和导航搜索,新崛起的芒果视频、欢喜传媒也依然如此;就算将视角切到海外,备受吹捧、说算法驱动的网飞(Netflix)内容的主要消费也是这样。

而从另一个角度来看,则是算法集大成者字节跳动依然没有大规模进入长视频领域;字节跳动过去很长一段时间一直践行着张一鸣那张战略PPT——只要在信息分发领域,字节都要用算法来重新做一遍。然而直到今天,字节仍然没有大规模做长视频。

为什么长视频没有强推荐的产品?

如果要找一个正确的维度去看待这件事的话,那么考虑的点主要有两个:

  • 长视频与算法的匹配度;

  • 商业上ROI是否可行;

算法要起作用有两个关键的条件,第一个是算法模型,第二个则是数据。

算法模型是发动机,数据是原料,只有给发动机投放原料,推荐系统才能轰隆隆的运转起来。

这里的数据是什么?

用户的行为数据,准确来说是用户和系统的交互数据,尤其是用户与平台内容的交互数据;比如说,抖音的推荐系统,关键数据是用户看视频的完播率、点赞、评论等;爱奇艺则可能是用户看视频的点击、评分、评论等。

长视频和短视频的数据量级是不一样的。

短视频时长极短,一般15秒/1分钟内,用户消费成本极低,非常适合各个场景消费,尤其是那些碎片化的场景,所以随时随地都可以消费;而长视频时长很长,往往一个小时以上,用户消费成本高,时间弹性要求高。

这造成什么呢?

首先是短视频比长视频的用户更加下沉,应用场景更多。

上厕所5分钟、通勤30分钟和休息2小时等都可以刷短视频。

但是看长视频则首先要衡量一下这段时间窗口适不适合,长视频需要比较长的时间窗口;长视频网站现在都会在用户看完视频后,用算法推荐内容给用户继续观看,但是用户要点开这些内容还需要先衡量一下自己的时间窗口是否合适。

数据的反应最直接,发展了这么多年的爱优腾日活只有一亿多,而抖音日活突破了6亿,快手3亿,且短视频两大豪强的日活还在不断增长。

接着就是:相同时长内,用户消费的视频数量和交互数量不在一个量级。

抖音一条短视频,用户消费完成只要15秒,爱奇艺一部电影,用户消费完成需要90分钟;同样的90分钟,抖音用户不知道刷了多少个短视频,跟系统发生了多少交互,而爱奇艺用户可能才刚看完一部电影。

更大量的用户、更碎片化的消费场景、更短轻快的内容单元、更高频的交互,所以短视频能收集到的交互数据远远超过长视频,两者甚至都不在一个量级。

如果没有这么多的数据作为算法的燃料,算法便很难很好的运转;所以,算法在长视频中能够发挥的作用就相对比较弱。

但相对短视频弱并不代表就不准,有时候长视频平台推荐给我们看的视频也是蛮准的,所以真正决定长视频主要消费模式的因素其实是供给。

长视频的供给和短视频的供给不是一个数量级的。

中国大陆一年只能产出几百上千部影视剧和综艺,但短视频平台一年却能产出几十亿甚至上百亿条短视频,两者根本不在一个数量级。

供给决定了长视频是中心化的消费,而短视频则是去中心化的消费。

短视频过于庞大的供给,只能靠算法去匹配,算法的必要性就强。

而长视频因为影视剧就那么多,头部的就更少了,所以是中心化的消费,算法的必要性就弱。

另外,长短视频的消费决策模型也是不一样的,短视频可以完全依赖系统,长视频则更加依赖外部。

短视频因为时长极短、消费成本极低,且面临的场景是极度碎片化的kill time,这个时候,选择本身就是成本;我们甚至不想要选择看什么内容,系统直接推荐给我们就行了,是内容找人。

但是长视频不一样,视频时长很长、消费成本高,选择本身就是必要的;因为消费成本高,对于时间的损失厌恶风险就高。

一条短视频,因为时长极短,看完就算不合适,用户对时间的损失厌恶心理也不会太高。

但是长视频的时长很长,要判断适不适合、好不好看,就算不用看完全部,往往也需要付出比较长的时间, 所以,损失厌恶风险就会非常高。

所以长视频的消费决策就比短视频重的多,消费长视频除了考虑合适的场景之外,还要选择看哪个影视剧/综艺,所以往往是人找内容。

所以就算现在是信息流时代,长视频依然保持着传统货架型的消费方式:最新最火的内容放在首页曝光度最高的轮播栏;用户依赖类目导航去查找合适的内容,比如说按照类型、热度和评分来选择电影;还有非常大一部分消费来自于搜索,搜索非常重要。

搜索对应的就是站外决策,比如说,在微博、抖音等平台种草了某部电视剧,根据豆瓣评分来选择观看的电影,最近同事们常常聊起的那个综艺等。

然而,因为每年产出的头部电影、电视剧和综艺太少,如果火了,传播到社交媒体和其它短视频平台影响用户的消费决策,内容平台也会将它们放在轮播栏,所以有时候就算是站外决策;但是也不需要搜索就能直接找到内容,背后其实就是因为头部内容供给的稀缺。

另外还有一个非常重要的点也会决定算法匹配必要性的强弱,就是用户在单次使用产品中,消费的内容单元的数量。

同样是90分钟的时间窗口,短视频不知道刷了多少个,而长视频却可能只够看一部。

用户在单次使用产品中消费的长视频数量过少,算法匹配的必要性就弱。

最后,我们要说一下商业可行性的问题。

长视频的成本主要是内容采购/制作成本,而收入也基本上是靠这些内容来创收的,比如提供更多独家好内容和免视频播放广告等增值服务来收取会员费,在长视频中插入广告等。

算法对于长视频的收入帮助有限。

算法是怎么赚钱的?

通过掌握流量分发权来插入广告进而赚钱,但是用户一般在一个合适的时间窗口看的长视频非常有限(甚至大多数时候只看一两部),且有可能会目的明确的冲着某部电影/电视剧/综艺去了,这个时候,流量分发就没那么重要了。

当然,算法还是可以起到一定效果的,比如说长视频中插入的广告可以通过算法来提供更加精准的匹配;但这往往只适用于效果广告,对于品牌广告的作用很弱,而影视综的品牌广告占据非常大的比重。

另外,长视频的会员免广告就直接把很大一部分广告收入给打没了,而算法赚钱则依赖于广告。

长视频平台要赚钱就是要靠那些视频本身,而不是流量的分发权;无论是在长视频中插入广告,还是会员免广告、看独家内容,根本上都依赖于那些长视频的吸引力。

所以长视频平台都要拼命的提供好内容,不仅去采买版权,还要自制;因为国内残酷的竞争环境,内容采购/自制成本居高不下,但是会员价又升不上去,会员人数也到达瓶颈,广告又与会员冲突,所以才会出现“超前点播”这种冒犯会员权益的无奈之举。

字节跳动之所以没有大规模进入长视频领域,很可能就是因为没有想好怎么解决这些问题;同时,自己的算法优势在这个领域似乎也没多大用处,砸钱购版权或者自制内容这种重资产模式也不是字节擅长的,那么何必要进去呢?

除了内容领域之外,现在字节的版图拓张的非常大,包括汽车、教育等跟内容无关的领域都进去了;但同属于内容的长视频就是不进去,或许就是因为这些原因。

算法对于长视频肯定是有帮助的,网飞、爱优腾等都有算法推荐,这个算法推荐能够增加一定的消费规模,但是无法起到像短视频信息流那样的革命性作用。

之所以作用有限,是因为算法匹配在长视频中的必要性较弱,技术能够发挥的威力也弱,同时商业上助益也不大,所以至今仍然没有一款强推荐的长视频产品。

长视频其实并非是个好生意,国内爱优腾长年亏损,国外网飞也无法幸免,而且这种局面目前仍然无法看到尽头。

—————— / END / ——————

▼ 喜欢请分享&收藏,满意点个赞,最后点「在看」 ▼

登录查看更多
0

相关内容

在数学和计算机科学之中,算法(Algorithm)为一个计算的具体步骤,常用于计算、数据处理和自动推理。精确而言,算法是一个表示为有限长列表的有效方法。算法应包含清晰定义的指令用于计算函数。 来自维基百科: 算法
专知会员服务
33+阅读 · 2020年11月18日
不可错过!CMU《深度学习导论》2020课程,附课件与视频
专知会员服务
79+阅读 · 2020年10月27日
最新《深度学习视频异常检测》2020综述论文,21页pdf
专知会员服务
84+阅读 · 2020年9月30日
专知会员服务
142+阅读 · 2020年9月6日
【普林斯顿】持续视角下的机器学习,31页ppt及视频
专知会员服务
23+阅读 · 2020年8月19日
【Contextual Embedding】什么时候上下文嵌入值得使用?
专知会员服务
15+阅读 · 2020年8月2日
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
99+阅读 · 2020年3月9日
2019年人工智能行业现状与发展趋势报告,52页ppt
专知会员服务
121+阅读 · 2019年10月10日
微信"看一看"个性化推荐:排序篇
DataFunTalk
4+阅读 · 2020年7月21日
因果推断在阿里文娱用户增长中的应用
DataFunTalk
14+阅读 · 2020年4月23日
推荐系统产品与算法概述 | 深度
AI100
11+阅读 · 2019年6月13日
两套经典的用户画像
产品100干货速递
26+阅读 · 2018年6月19日
今日头条推荐算法原理全文详解
架构文摘
7+阅读 · 2018年1月30日
推荐|今日头条公布其算法原理(全)
全球人工智能
7+阅读 · 2018年1月16日
看完后,别再说自己不懂用户画像了
R语言中文社区
15+阅读 · 2017年8月28日
Heterogeneous Graph Transformer
Arxiv
27+阅读 · 2020年3月3日
dynnode2vec: Scalable Dynamic Network Embedding
Arxiv
14+阅读 · 2018年12月6日
VIP会员
相关VIP内容
专知会员服务
33+阅读 · 2020年11月18日
不可错过!CMU《深度学习导论》2020课程,附课件与视频
专知会员服务
79+阅读 · 2020年10月27日
最新《深度学习视频异常检测》2020综述论文,21页pdf
专知会员服务
84+阅读 · 2020年9月30日
专知会员服务
142+阅读 · 2020年9月6日
【普林斯顿】持续视角下的机器学习,31页ppt及视频
专知会员服务
23+阅读 · 2020年8月19日
【Contextual Embedding】什么时候上下文嵌入值得使用?
专知会员服务
15+阅读 · 2020年8月2日
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
99+阅读 · 2020年3月9日
2019年人工智能行业现状与发展趋势报告,52页ppt
专知会员服务
121+阅读 · 2019年10月10日
相关资讯
微信"看一看"个性化推荐:排序篇
DataFunTalk
4+阅读 · 2020年7月21日
因果推断在阿里文娱用户增长中的应用
DataFunTalk
14+阅读 · 2020年4月23日
推荐系统产品与算法概述 | 深度
AI100
11+阅读 · 2019年6月13日
两套经典的用户画像
产品100干货速递
26+阅读 · 2018年6月19日
今日头条推荐算法原理全文详解
架构文摘
7+阅读 · 2018年1月30日
推荐|今日头条公布其算法原理(全)
全球人工智能
7+阅读 · 2018年1月16日
看完后,别再说自己不懂用户画像了
R语言中文社区
15+阅读 · 2017年8月28日
Top
微信扫码咨询专知VIP会员