商业化入门手册：抖音如何赚到2000亿？

商业化入门手册：抖音如何赚到2000亿？_爱运营

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。

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。

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年抖音靠广告挣了多少钱呢？从字节跳动对外披露的财务数据预估，大概在1000亿以上。我们在抖音看美女，抖音靠我们挣1000亿广告费，相信我们都有光明的未来。

考虑到广告对用户活跃会有负向影响，最终用户接收的广告数量将被约束在一定的范围内。根据2019年华创证券的数据，抖音广告加载率（Ad load）为12%~14%，也就是用户每100次上下滑，平均有12~14条广告。

根据公式：广告收入=DAU（每日的活跃用户数）*人均浏览视频次数*Ad load（广告加载率）*eCPM（平台展示千次广告的收入）/1000

既然抖音的广告加载率已经比较高了，如果还想把收入从1000亿做到2000亿，则需要靠更大的总用户时长（DAU*人均视频条数）或者更高的eCPM。

要想实现这两个目标，需要持续优化「内容分发、广告分发」的能力。虽然都是分发，但这两者是有区别的：

• 内容分发本质是【个性化推荐（推荐系统）】

• 广告分发本质是【计算广告】

前Facebook工程师宋一松定义了两者的区别：“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，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。”

这是一种非常准确的解释。

【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），先召回有限的候选集，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》

召回完成后，内容排序有很多种算法模型这里就不展开了，因为我也看不太懂。总之，老板那句“两手都要抓，两手都要硬”，并不是想象中那么简单。

最终，服务器向用户手机返回了排好顺序的视频，用户依次向下滑动，他的点赞、评论、观看时长等行为将被记录下来，用于未来模型训练，提升预测的准确度。以亿为单位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去，呈现飞轮式增长。

计算广告如何更「高效」

刚才也提到，【计算广告】作为一项业务，其核心目标是「平衡」用户、平台、广告主三方的利益：

• 平台利益：Max(eCPM【千次广告展示收益】)，代表单位流量售价最高，如果抖音Q2平均1000次广告展示获得的广告费是40元，环比Q1上涨10元，那说明Q2的变现效率提高了。

• 广告主利益：Max(ROI)，ROI=收益/CPM【千次广告展示成本】，这里的“收益”指广告主支付广告费获得的收益水平。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，1个用户1年只能为阿里带来10元的综合收益（ROI=0.5），那20元的广告费就是不划算的。

• 用户利益：尽量少看广告（抖音的Ad load），即使看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。”

这一轮广告展示中，广告主A和C需要根据广告展示次数向平台付费（CPM），但他们获得客户的利益点没有得到满足，这就出现了客户收益与平台成本不匹配的问题，长期没有改善广告主自然就会停止投放。

所以，想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/转化水平（CTR/CVR），这就回到了前文所说的「个性化推荐」在计算广告的应用，尽量匹配用户感兴趣的广告。例：给饭圈粉丝推荐Idol代言产品。

如何持续改善广告点击/转化率（CTR/CVR）呢？

以【京东】的广告排序模型为例，用户在【搜索商品的场景】，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。

来源：刘鹄，《CSCNN：新一代京东电商广告排序模型》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。来源：刘鹄，《CSCNN：新一代京东电商广告排序模型》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。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、Facebook主要营收同样来自广告业务（年收入800~1500亿美金），他们的广告主要是将流量导给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。【简称「非电商广告」】

「电商广告」与「非电商广告」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。以天猫为例，Skechers旗舰店在天猫投放“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。