從信息分發(fā)的角度理解互聯(lián)網(wǎng)行業(yè)的變遷

1、一、信息傳播演變歷程：編輯分發(fā)搜索分發(fā)社交分發(fā)推薦算法分發(fā)（一）互聯(lián)網(wǎng)信息傳播的演變歷程人類社會(huì)的發(fā)展伴隨著信息傳播效率的提升。從語言的誕生到文字的創(chuàng)造、到造紙印刷術(shù)的發(fā)明、電報(bào)電話廣播電視的普及、再到互聯(lián)網(wǎng)的誕生與普及，每一種信息媒介的出現(xiàn)都大大提高了信息的傳播半徑，而各種媒介迭代的背后都對(duì)應(yīng)著底層技術(shù)的革新，進(jìn)一步導(dǎo)致了生產(chǎn)方式的變革。圖表 1互聯(lián)網(wǎng)信息傳播的迭代歷程資料來源：整理互聯(lián)網(wǎng)作為有史以來最高效的信息傳播媒介，信息在網(wǎng)絡(luò)上的傳播方式又經(jīng)歷了門戶（編輯分類）、搜索（搜索引擎）、SNS（社交關(guān)注）、信息流（算法推薦）幾個(gè)大的時(shí)代?；ヂ?lián)網(wǎng)信息傳播方式的演變伴隨著底層算法技術(shù)的變遷，進(jìn)一

2、步改變了用戶消費(fèi)和生產(chǎn)信息的習(xí)慣，同時(shí)催生了新的商業(yè)模式、涌現(xiàn)出一代代的互聯(lián)網(wǎng)巨頭。圖表 2 幾種不同分發(fā)模式的技術(shù)、代表性公司和壁壘幾種不同的分發(fā)模式底層技術(shù)代表公司分發(fā)方式壁壘編輯分發(fā)超文本鏈接雅虎 搜狐 新浪編輯推薦內(nèi)容搜索引擎爬蟲技術(shù)和頁面排序算法google 百度主動(dòng)搜索技術(shù)/算法訂閱關(guān)注RSSMySpace Facebook 博客 微博 微信關(guān)注朋友產(chǎn)品推薦算法協(xié)同過濾算法抖音 頭條上下滑刷新技術(shù)/算法資料來源：整理圖表 3互聯(lián)網(wǎng)信息傳播的迭代歷程資料來源：整理（二）門戶時(shí)代：分類索引的編輯分發(fā)模式門戶網(wǎng)站是自互聯(lián)網(wǎng)普及以來最早誕生的一批互聯(lián)網(wǎng)公司，門戶網(wǎng)站使用超文本鏈接技術(shù)完成了

3、信息供給的線上化，但并未從本質(zhì)上改變傳統(tǒng)的信息分發(fā)方式。從報(bào)紙、雜志到廣播電視再到門戶網(wǎng)站，盡管信息傳播的媒介發(fā)生了變化，但是內(nèi)容分發(fā)的方式始終保持著“中心化分發(fā)、有限展示位有限、千人一面”的形態(tài)，信息傳播的決策權(quán)掌握在編輯手中。圖表 4電商信息：2001 年阿里巴巴的信息展現(xiàn)形式圖表 5內(nèi)容信息：2000 年搜狐網(wǎng)的信息展現(xiàn)形式資料來源：搜狐科技，資料來源：搜狐科技，（三）搜索時(shí)代：基于關(guān)鍵詞的搜索引擎技術(shù)搜索引擎相比編輯分類索引提升了信息查找的便捷度，同時(shí)隨著算法的持續(xù)迭代優(yōu)化，信息匹配效率進(jìn)入持續(xù)提升的正循環(huán)。從技術(shù)上來說，搜索引擎的爬蟲技術(shù)可以直接爬取頁面內(nèi)對(duì)應(yīng)的信息，相比分類索引收錄

4、網(wǎng)址的方法更為直接；而頁面排序算法將用戶需求（關(guān)鍵詞）和對(duì)應(yīng)信息（相應(yīng)頁面）進(jìn)行匹配（且隨著數(shù)據(jù)量的增多算法精準(zhǔn)度持續(xù)提升），大大提升了海量信息背景下用戶查找信息的效率。圖表 6搜索引擎的結(jié)果頁面：關(guān)鍵詞驅(qū)動(dòng)頁面數(shù)量 商業(yè)化廣告 關(guān)鍵詞資料來源：整理離線部分在線部分原始網(wǎng)頁內(nèi)容召回：多種召回方式從索引庫里獲取數(shù)據(jù)搜索詞處理輸入搜索詞索引數(shù)據(jù)爬蟲時(shí)效性索引數(shù)據(jù)排序：基于篩選集進(jìn)一步計(jì)算從而獲得最終結(jié)果排序模型圖表 7搜索引擎的架構(gòu)邏輯資料來源：整理（四）關(guān)注訂閱：“公域分發(fā)”走向“私域關(guān)注”訂閱分發(fā)相比門戶和搜索時(shí)代的最大區(qū)別在于從用戶從信息中介（搜索引擎/門戶）獲得信息變?yōu)橛脩糁苯雨P(guān)注創(chuàng)作者獲

5、得信息。訂閱分發(fā)方式的興起主要有幾方面的原因：個(gè)體的信息創(chuàng)作（從文字到圖片到視頻）參與度大幅提升；RSS 分發(fā)技術(shù)將獲取信息的權(quán)利交給用戶自身；諸如 QQ 微信等社交網(wǎng)絡(luò)的興起，為內(nèi)容的訂閱分發(fā)提供了天然的底層網(wǎng)絡(luò)。訂閱時(shí)代創(chuàng)作者的地位顯著提升，并涌現(xiàn)出一批自媒體公司。圖表 8關(guān)注訂閱模式相比編輯/搜索方式的區(qū)別資料來源：整理（五）推薦算法：基于信息流的個(gè)性化推薦推薦算法是解決信息過載和信息爆炸的有效解決方案。相比搜索分發(fā)，推薦算法的優(yōu)點(diǎn)在于探索人們未知的信息需求；相比編輯和訂閱，推薦算法可以不斷迭代與進(jìn)化，因此可以更加高效：對(duì)內(nèi)容而言，內(nèi)容在被消費(fèi)的每一次都會(huì)得到來自用戶的反饋，被認(rèn)可的內(nèi)容

6、得以進(jìn)一步擴(kuò)散，不被認(rèn)可的內(nèi)容則被系統(tǒng)糾偏；對(duì)用戶而言，每一次行為反饋都在不斷地完善自己的用戶畫像，幫助系統(tǒng)持續(xù)優(yōu)化推薦的精準(zhǔn)度。圖表 9推薦算法的架構(gòu)邏輯資料來源：整理二、分發(fā)模式背后的商業(yè)模式變遷：以廣告為例展示從千人一面到千人千面，庫存空間變大；計(jì)費(fèi)方式從展示到效果，廣告在變“深”編輯分發(fā)的分類索引模式類似傳統(tǒng)線下媒體（報(bào)刊雜志）的線上化，商業(yè)模式也類似傳統(tǒng)報(bào)紙媒體出售廣告位。該階段的商業(yè)模式為最簡(jiǎn)單的 banner 廣告售賣，廣告位收入=數(shù)量（DAU*人均 PV）*單價(jià)（按照 CPM 展示計(jì)價(jià)），訪問的頁面數(shù)（PV）決定廣告庫存量，頁面的熱度水平?jīng)Q定廣告價(jià)格。編輯分發(fā)的缺點(diǎn)在于千人一面

7、的信息展示形式限制了廣告庫存的擴(kuò)張，同時(shí)按展示付費(fèi)的計(jì)價(jià)方式無法監(jiān)測(cè)廣告的效果，此階段的廣告模式仍為線下模式的線上化?；陉P(guān)鍵詞的搜索分發(fā)方式對(duì)傳統(tǒng)的門戶廣告模式做出重大革新。一方面廣告庫存由之前依賴頁面展示數(shù)量（PV）轉(zhuǎn)化為依賴搜索條數(shù)，廣告主可對(duì)海量的關(guān)鍵詞參與競(jìng)價(jià)；另一方面廣告計(jì)費(fèi)方式從 CPM 轉(zhuǎn)化為 CPC，商業(yè)廣告正式邁向效果可監(jiān)測(cè)的時(shí)代。訂閱分發(fā)雖然對(duì)信息分發(fā)方式有所創(chuàng)新，但基于訂閱關(guān)注的分發(fā)關(guān)系更偏私域，增加 ad load 對(duì)用戶體驗(yàn)影響更大，因此 ad load 的天花板相比搜索更低。基于信息流的商業(yè)廣告模式和搜索廣告類似，但算法推薦相比主動(dòng)搜索的人均條數(shù)天花板更高。圖表

8、10幾種不同分發(fā)模式的廣告收入邏輯拆分幾種不同的分發(fā)模式商業(yè)化創(chuàng)新收入邏輯典型公司編輯分發(fā)與傳統(tǒng)廣告類似，售賣廣告位量*價(jià)；訪問的頁面數(shù)（PV）決定廣告庫存量，頁面的熱度水平?jīng)Q定廣告價(jià)格早期門戶，報(bào)刊，長(zhǎng)視頻，梯媒廣告搜索分發(fā)庫存大幅提升（取決于關(guān)鍵詞數(shù)量）；效果可監(jiān)測(cè)（CPC 點(diǎn)擊）轉(zhuǎn)化效率大幅提升（內(nèi)容廣告融為一體）；搜索次數(shù)（DAU*人均搜索次數(shù)）*ad load*單價(jià)（CPC）google，百度社交訂閱分發(fā)自媒體廣告庫存*ad load（私域的 ad load 較低）*CPM朋友圈廣告，微博廣告推薦算法分發(fā)從用戶確定性的搜索需求產(chǎn)品主動(dòng)推薦DAU*人均 feed*ad load*CPM

9、字節(jié)跳動(dòng)資料來源：整理圖表 11幾類公司廣告收入對(duì)比圖表 12幾類公司單用戶（DAU）廣告收入對(duì)比150010005000愛奇藝編輯分發(fā)主導(dǎo)百度搜索分發(fā)主導(dǎo)朋友圈微博訂閱分發(fā)主導(dǎo)抖音推薦算法分發(fā)主導(dǎo)68.2663廣告收入（億）400100100040030020010068愛奇藝編輯分發(fā)主導(dǎo)百度搜索分發(fā)主導(dǎo)朋友圈微博訂閱分發(fā)主導(dǎo)抖音推薦算法分發(fā)主導(dǎo)0368單用戶廣告收入5345286資料來源：公司公告，預(yù)測(cè)（收入為 2020 年）資料來源：公司公告，預(yù)測(cè)（收入為 2020 年）三、從信息生產(chǎn)和分發(fā)兩個(gè)維度思考行業(yè)變遷我們從信息分發(fā)方式和信息類型兩個(gè)維度看信息傳播方式的演變。從X 軸看，信息分發(fā)

10、方式經(jīng)歷了從編輯推薦到搜索到訂閱到推薦算法的迭代，但這種迭代并不是替代關(guān)系，而是逐漸融合。目前主流的內(nèi)容APP 通常融合了編輯推薦、搜索、關(guān)注、推薦算法于一身，但不同類型的產(chǎn)品在幾種推薦方式流量分配比例上有所不同（如同為短視頻產(chǎn)品，抖音 90%以上時(shí)長(zhǎng)為算法主導(dǎo)的推薦頁，推薦頁中可供編輯/運(yùn)營主導(dǎo)的通常為開屏第一刷；而快手關(guān)注/訂閱頁的流量/時(shí)長(zhǎng)占比遠(yuǎn)高于抖音）。從 Y 軸看，生產(chǎn)門檻越低的內(nèi)容，在整個(gè)產(chǎn)業(yè)鏈中信息分發(fā)方的話語權(quán)越重（如短視頻）；生產(chǎn)門檻更高的內(nèi)容如長(zhǎng)視頻/游戲，產(chǎn)業(yè)鏈中內(nèi)容方的話語權(quán)和重要性更高（因此平臺(tái)方往往采取向上游延伸直接參與內(nèi)容生產(chǎn)的方式獲取話語權(quán)）；而像購物/本地生

11、活等直接和物理現(xiàn)實(shí)的交易掛鉤的信息，信息從分發(fā)到完成交易還需要一整套服務(wù)/基礎(chǔ)設(shè)施來支持，平臺(tái)方需要面臨更大的挑戰(zhàn)。圖表 13信息生產(chǎn)和分發(fā)的 X-Y 軸資料來源：整理（一）從 X 軸出發(fā)：不同信息分發(fā)方式逐漸走向融合信息分發(fā)本質(zhì)上是為了更高效率的完成信息和用戶之間的匹配，以滿足用戶獲取信息/消費(fèi)內(nèi)容等的需求，因此信息分發(fā)方式基于用戶需求而存在，并無絕對(duì)的孰優(yōu)孰劣。多元化的信息分發(fā)方式將成為未來的主流，但平臺(tái)的早期特點(diǎn)和價(jià)值觀導(dǎo)向決定分配系數(shù)的不同，進(jìn)而造成不同平臺(tái)的差異。以短視頻產(chǎn)品為例，抖音快手視頻號(hào)均融合了算法分發(fā)、關(guān)注分發(fā)、編輯/運(yùn)營干預(yù)等多種分發(fā)方式，但不同平臺(tái)的算法機(jī)制導(dǎo)致了流量分

12、配的差異。目前的產(chǎn)品越來越趨向于集合編輯推薦、搜索、關(guān)注、推薦算法于一體的綜合型信息分發(fā)產(chǎn)品。圖表 14抖音 APP 的幾種內(nèi)容分發(fā)方式資料來源：抖音 APP，整理圖表 15騰訊視頻 APP 的幾種內(nèi)容分發(fā)方式資料來源：騰訊視頻 APP，整理（二）從 Y 軸出發(fā)：分發(fā)方式的作用存在邊界從 Y 軸出發(fā)，信息分發(fā)方式并不能改造一切。生產(chǎn)門檻越低的內(nèi)容(供給充足)，在整個(gè)產(chǎn)業(yè)鏈中“匹配”的重要性越高，因此信息分發(fā)方（平臺(tái)方）的話語權(quán)越重（如短視頻）；生產(chǎn)門檻較高的內(nèi)容如長(zhǎng)視頻/游戲，產(chǎn)業(yè)鏈中內(nèi)容方的話語權(quán)和重要性更高（因此平臺(tái)方往往采取向上游延伸直接參與內(nèi)容生產(chǎn)的方式獲取話語權(quán)），創(chuàng)新的信息分發(fā)方式

13、往往作用有限；而像購物/本地生活等直接和物理現(xiàn)實(shí)的交易掛鉤的信息，信息從分發(fā)到完成交易還需要一整套服務(wù)/基礎(chǔ)設(shè)施來支持，因此對(duì)平臺(tái)方的后端服務(wù)能力提出了更高的要求。圖表 16圖文信息分發(fā)演變資料來源：整理圖表 17從貨架電商到社交/信任電商到興趣電商，電商 APP 變遷背后是購物信息傳播方式的變遷資料來源：公司公告，整理（GMV 為 2021 年預(yù)測(cè)值）圖表 18視頻信息分發(fā)演變資料來源：整理（三）推薦算法的合規(guī)性和價(jià)值觀探討：人工引導(dǎo)與算法推薦并不沖突編輯分發(fā)的優(yōu)勢(shì)在于借助專業(yè)背景知識(shí)完成了從海量?jī)?nèi)容到有限展示位置的過濾和篩選，經(jīng)過篩選的內(nèi)容平均質(zhì)量通常較高。但編輯分發(fā)的劣勢(shì)在于少數(shù)編輯的判斷與廣大用戶的需求可能會(huì)存在錯(cuò)位，因此傳統(tǒng)媒體也有編委會(huì)投票、綠燈委員會(huì)等機(jī)制應(yīng)對(duì)供需錯(cuò)配的問題。相比之下，引入了機(jī)器推薦算法的信息分發(fā)系統(tǒng)，由于達(dá)到了“千人千面”的效果，可以高效的匹配個(gè)性化的信息消費(fèi)需求，相比編輯推薦通常擁有更高的推薦準(zhǔn)度。但人工和算法并