为什么只有一个快手

2019 年 1 月 28 日 虎嗅网

最近两周,很多一线城市居民都发现,电梯视频广告中出现了一位号称“无用发明家”的胡渣大汉手工耿;而在小区门口的公交站灯箱上,一位身处北方雪国的姑娘坐在三匹狼中间,文案写着“不会海草舞,只会与狼共舞”——这一轮刷街广告投放,来自于活跃在老老少少屏幕中的快手。



2018年,中国科技舆论界错判了很多事情,最著名的当属“腾讯将被头条系抄了后路”,其次则是“新造车/纯电动的春天即将到来”。结果,一是腾讯用数据和生态证明了,在智能手机时代,即使外部因素再不可控,也尚无任何中国企业可以颠覆其社交链牢固优势;二是“电动爹”的戏谑之语传遍了社交媒体,如果不考虑车牌紧张因素,家用代步车主想购买纯电尝鲜的意愿已经大幅下降。

 

这两个错判比较明显,而另一个不是特别明显的错判就比较少人知晓了。即2018年初,春节过后时,由于抖音的迅速飘红,对于快手的担忧和看衰成为了一种相当有代表性的意见。其声量类似于年中对OFO的集体判决,以及年末对luckin的集体质疑。

 

看衰的逻辑是:既然都是做“短视频”,那么一个崛起必然意味着另一个失势,尤其是上升期的暴涨曲线与上线几年的产品比较,更是对比显著。再加上“土味视频”被吐槽和行业红海因素,很多人觉得快手“可能就这样了”,已经撞上天花板。

 

可是2018年全球iOS应用收入榜排名第5、全球iOS & Google Play合并榜收入第8的事实(分别出自Sensor Tower、App Annie),很难看出这是一家被对手抢了风头、没有后劲的企业。

 

人们为什么会错判快手呢?

 

别被“短视频”蒙蔽了


虽然在各种榜单和评选中,快手总是和抖音、秒拍、微视等一系列应用从属于“短视频”分类,但这正是外界错判和误读的开始。

 

首先,短视频在当下越来越不像是个细分垂直领域,而是多数2C应用的必备产品模块,无论是网易云音乐、小红书、大众点评,还是淘宝、京东、陌陌,都在搞自己的短视频战略,包括MCN、红人扶持之类的计划也都齐备。

 

这就相当于眼下几乎所有内容类应用都在搞信息流一样,从知乎到豆瓣每家都有自己的分发算法,肯定不能把这些应用和今日头条、手机百度、腾讯新闻都归类到“信息流产品”吧。

 

所以,为了分类方便,暂时都叫“短视频”应用是没问题的。但千万别真以为,这个名号下的产品做的都一样的事情,哪怕看起来类似,实际上也千差万别。

 

一个产品,究竟怎样划分,是要以其真实价值,尤其是满足用户具体需求的价值为依据的。比如微信和陌陌都是“社交软件”,但人们都知道两者完全不同。粗浅地说,前者是熟人社交,后者是陌生人社交。但更本质地说,前者是现实人际关系的线上呈现,后者是自我内心人际关系诉求的线上呈现。

 

所以,微信在其专属的领域中,是没有对手的。反过来陌陌在其独特的赛道中,也是毫无对手的(尤其是在收购了探探之后)。他们互相既不是对手,也没有交集,只是为了方便讨论,而都被归类为“社交软件”罢了。

 

再比如淘宝和拼多多,看起来都是电商,拼多多的优惠促销、社交拉新给人印象深刻一些,除此之外还有什么区别吗?区别大了,淘宝满足的主要是消费者对“品牌”的购买需求,哪怕小品牌也是品牌。而拼多多主要满足的,则是消费者对“出厂产品或原产地产品”的购买需求,连品牌商这一环都省去了。

 

非要划分的话,拼多多其实和网易严选、米家优品之类的企业更类似,和淘宝则是基因上就有差别。

 

说回快手。

 


快手虽然在内容呈现上主要是短视频为载体,但其解决的根本需求,是用户希望看到“普通人真实、有趣的视频化生活记录”。这乍一看没啥特殊之处,我们不妨对比一下业界公认的快手对头——抖音解决的根本需求是什么呢?是用户希望看到“极低概率出现的或极高成本门槛的,精美且花心思做过后期处理的视频化集锦”。

 

比如说,抖音上经常会刷屏的萌宠视频,下方大多会有这样的评论:“别人家的狗/猫”、“我也这样逗我家狗/猫结果不理我”等等,其实精彩视频中那样非常配合、拟人、乖巧、萌的猫狗行为,与普遍宠物行为相比,是极低概率的。其根源要么是宠物主人精心训练、要么是种类极佳、要么是偶然碰上,总之普通人的宠物是基本没什么机会能被拍下这种镜头的。

 

相比而言,快手上比较容易受欢迎的宠(动)物视频,一大因素是这种动物很少见,比如狼、鳄鱼、鸬鹚、土拨鼠、蝙蝠、海豚等。再者是宠物主人的个人魅力因素,比如直爽、搞笑、帅气等。至于这些动物能做出什么精彩的表情、声音、动作,反而并不是重点。

 

再比如,抖音上受欢迎的旅行视频中,非常有代表性的一类是:身材修长的女孩推开巨大的落地玻璃窗,对面就是雪山、大海、古堡等外国旅游胜地,此时背景音乐正好演奏到高潮。无论是“身材修长”还是“雪山大海”还是“坐落在旅游胜地对面的漂亮宾馆”都是极高成本门槛的代表,而恰好的背景音乐则象征着后期处理的耐心打磨。

 

而快手上最受欢迎的旅行视频,则从感官上来看接地气很多。其中有代表性的,是驾驶自行车、摩托车、改装小房车等工具,奔走于西藏、云南等天险地带,每天用自带炊具煮面吃火腿肠,在野外睡在车里或帐篷中,夜里靠给粉丝直播打发时间。洗澡、理发、充电、找张床睡觉等事宜经常要靠在路上通过结交新朋友的方式去“蹭”。发的视频也大多拍完就上传,最多加个简单的封面标题。

 

更不必提抖音曾经在产品和运营端做了很多工作,设计出了很多天马行空的玩法,以及令人惊艳的特效。那些用手机运镜、调色、打光、渲染出的技术流视频在快手上则不太常见。当然,抖音上也不会出现“保定农村电焊工、苏北修车工、四川拉面工”的工作视频,更不会给这种视频点十几万的赞。这也是快手能够在品牌层面,越来越有底气的重要因素,敢于自称“在快手,看见每一种生活”。

 

到底什么是“生活”,什么是“集锦”,什么是“有趣”,什么是“精美”,通过以上案例已经不难看出具体区别。这两个产品只不过在形态上表现为短视频,提供的服务和解决的需求几乎是完全不同的。

 

消费内容与消费人

 

2018年4月时,腾讯出品了一份《快手&抖音用户研究报告》。在这个算是迄今中国互联网圈比较全面丰富的“短视频”专题研究报告中,腾讯的研究团队发现了一些有趣的现象。

 

比如——

 

快手用户刷“关注”和“同城”页的比例,比抖音用户多出30%;

抖音用户会关注很多人,但却不会专门去看这些博主的新视频;

快手用户更爱看已经关注的用户发的新视频,在关注新用户方面比较审慎;

抖音上很多粉丝过万的中小V用户发表的视频中,只有少数几个“爆款”内容;

点赞数,是抖音用户决定是否看该视频的重要因素。

 

虽然两款产品的用户,大多会刷“推荐页”。但快手用户刷“关注”和“同城”的比例,明显要高于抖音用户。这是为什么呢?

 

这其中当然有产品设计的因素,抖音打开就是推荐页,其它页面大多隐藏起来。大部分用户的使用习惯就是大拇指上刷,一个动作持续几十分钟。而快手上部有三个标签:关注、发现、同城,可以随时来回切换。

 

但更根本的,还是两款产品背后的用户消费机制的巨大差别。

 

抖音用户,正如上文所述,消费的是“精美集锦”。实际上是更在意内容品质是否符合标准(算法分发)和受欢迎程度(点赞数),至于这个内容是谁发的,则没那么要紧。在抖音用户的长期使用中,有时甚至会淡化视频上传者的身份,在每次上刷中,仿佛都是从虚拟的“抖音”中获取了无穷集锦视频。

 

而快手用户,消费的是“生活记录”。既然这种记录本就真实甚至粗砺,那么是谁记录的反而更重要。如果是老乡或者同好,则可以确保这个ID源源不断生产对自己口味的视频。这时候维护好一个关注列表,反而比单纯地大海捞针(上刷)要更重要。

 

另一维度的问题是,由于抖音内容生产成本高(要么概率低,要么门槛高,要么后期制作费心思),很多ID其实是并不能支持长期生产符合用户需求的集锦,再加之用户的习惯并不刷关注页,就导致很多上传者“不上热门就没什么人看”。

 

而快手上传者一旦获得用户关注,便为自己开辟了“私域流量”,那是与平台是否分配流量无关的“保底收成”。

 

不难看出,抖音用户消费的是“内容”,抖音如同一个巨大的媒体容器,不断按算法为用户分配内容。而快手用户消费的是“人”,快手用户的冷启动肯定要比抖音慢,只有维护好一个关注列表,才能按照喜好畅快观看。

 

那这种区别有什么意义吗?

 

挣谁的钱

 

前几天,界面做了一篇报道,题为《繁荣抖音背后,焦虑的底层内容工厂》。文中这样写到:“MCN感受到抖音的控制能力太强了,无论在流量还是商业化上,他们根本没有议价权……私自接了几单广告,被抖音识别出来,接单的账号被降权,养了半个月才回来……大大小小的MCN共同创造了抖音的繁荣,抖音成为新的流量帝国,但他们却在为赚钱焦虑,即使赚到钱的也为以后是否能继续赚钱焦虑。”

 

为什么抖音要打击视频上传者及背后的MCN机构“私自”接广告呢?这些机构手握众多大号,却又为何要为赚钱焦虑呢?

 

原因无它,作为一个内容型信息流产品,抖音面临了和微博当年同样的问题——基本无法向C端收费(如电商、会员、直播等),只能依靠B端收入,即广告费。所以当年微博要打击大号接广告,而抖音也必须要走同样的路。因为一旦广告主都去找KOL和MCN了,那就是直接抢抖音的饭,大家吃的都是一碗饭。

 

这些KOL和MCN的焦虑也是同理:他们在抖音上也只能靠广告维持收入,其它收入几乎可以不计。可以随时打开抖音看看最顶部一排推荐的直播,粉丝200万,同时在线1300人的状况几乎是常态。

 

这又是之前提到的原因,因为抖音用户只是来消费内容的,对看某个KOL的直播没那么大兴趣,也不是他使用抖音的核心诉求。更多情况下,是一个本来短视频里超搞笑的红人因为长时间无亮点的直播而被用户退粉,或者是用户根本不记得关注过这个KOL,因为当时连他主页都没进去就点了关注,甚至于完全想不起来那条当时被自己看了多遍的短视频到底讲的是什么内容了。

 


而快手则几乎完全相反,快手能够成为(IOS系统内)收入前8的APP,主要就是依靠直播收入、増值服务(如粉丝头条)等直接向C端收费的项目。头条系早就有成熟高效的广告变现机制,快手直到去年才正式启动商业化。因为快手的确不依赖广告收入,即便接下来快手也要开拓广告客户。

 

由于快手用户最终消费的是人,很多粉丝数并不算太多的KOL,也可以把自己的快手直播间搞得很热闹。这种收入结构对于平台和KOL是双赢,双方是一起把饼做大的关系,而不是一块饼你吃完我就饿着的关系。

 

这个现象在腾讯此前的调研中也有数据体现——认为上传视频是希望“通过直播或卖东西赚钱”的快手上传者,其比例要比抖音上传者高出近10倍。而当这些创作者吸粉之后,粉丝购买其推荐的产品,或加其粉丝微信群,或给其发私信的比例,快手也要比抖音整体高出8%。

 

独自赛跑

 

既然用户需求、消费核心、收入方式都有巨大差别,几乎不可能再将快手和抖音,或者其它什么“短视频软件”混为一谈了。即便有相当高的重合用户,但他们在用户心智中有不同定位,唤起的是不同快感,甚至于抢的流量都不一样。

 

根据Questmobile此前数据,头条系的流量崛起,直观上影响了游戏产品的用户时长。而在2018年中的短视频大整顿中,秒拍和波波视频的卸载用户中选择继续观看短视频的,都有近一半优先选择了快手。

 

抖音代表着一种经过设计、筛选、组装的精美成瘾内容,这与网游的用户需求非常类似。而快手代表着一种人际魅力认同、情感共鸣的真实生活写照,它能抢的,主要还是观看普通人视频、直播的市场需求。

 

正因为赛道的截然不同,抖音才能够瞬间崛起。同理,快手也没有慢下自己发展的脚步。双方的确存在竞争,但更多的还是错位。

 

至于快手是“中国YouTube、国内版instagram”之类的说法,更是懒于思考或为了表达省事的结果。快手无论在国内还是在国际上,都是一款非常独特的产品。很难拿某个坐标系或参考物去套。比如,YouTube的头部网红基本都大学毕业,大多手握社会科学类文凭,而且他们的主要收入也来自平台的广告分成。这和快手在哪个层面来看,都很不一样。

 

快手没有对手,快手注定独行。


特别策划

登录查看更多
0

相关内容

商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
【实用书】Python爬虫Web抓取数据,第二版,306页pdf
专知会员服务
117+阅读 · 2020年5月10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
【德勤】中国人工智能产业白皮书,68页pdf
专知会员服务
303+阅读 · 2019年12月23日
快手的变现能力,可能不及抖音二分之一
互联网er的早读课
5+阅读 · 2019年8月27日
Python数据分析案例实战
炼数成金订阅号
5+阅读 · 2019年5月9日
改了3次APP首页后,我的一些认知
从0到1
11+阅读 · 2019年1月13日
刘强东人设崩了,京东没崩
PingWest品玩
6+阅读 · 2018年11月20日
快手类推荐系统实践
机器学习算法与Python学习
17+阅读 · 2018年2月7日
为什么不能和阿里巴巴好好说话呢?
创业邦杂志
3+阅读 · 2017年7月3日
Deformable Style Transfer
Arxiv
14+阅读 · 2020年3月24日
Music Transformer
Arxiv
5+阅读 · 2018年12月12日
Implicit Maximum Likelihood Estimation
Arxiv
7+阅读 · 2018年9月24日
Arxiv
6+阅读 · 2018年7月12日
Relational recurrent neural networks
Arxiv
8+阅读 · 2018年6月28日
VIP会员
相关资讯
快手的变现能力,可能不及抖音二分之一
互联网er的早读课
5+阅读 · 2019年8月27日
Python数据分析案例实战
炼数成金订阅号
5+阅读 · 2019年5月9日
改了3次APP首页后,我的一些认知
从0到1
11+阅读 · 2019年1月13日
刘强东人设崩了,京东没崩
PingWest品玩
6+阅读 · 2018年11月20日
快手类推荐系统实践
机器学习算法与Python学习
17+阅读 · 2018年2月7日
为什么不能和阿里巴巴好好说话呢?
创业邦杂志
3+阅读 · 2017年7月3日
相关论文
Deformable Style Transfer
Arxiv
14+阅读 · 2020年3月24日
Music Transformer
Arxiv
5+阅读 · 2018年12月12日
Implicit Maximum Likelihood Estimation
Arxiv
7+阅读 · 2018年9月24日
Arxiv
6+阅读 · 2018年7月12日
Relational recurrent neural networks
Arxiv
8+阅读 · 2018年6月28日
Top
微信扫码咨询专知VIP会员