编辑导语：随着长短视频的发展、“中视频”的提出等等，视频平台应当如何运营也逐渐为人所关注。那么，承载着内容的视频平台可以从哪些方面入手、实现用户拉新与留存？本篇文章里，作者总结了视频平台冷启动场景下新用户的内容推荐策略、与产品经理的相应角色功能，一起来看一下。

​

前言

憋了很久，终于打算开始切入这个话题了。

最近一直在思考，伴随着拉新成本越来越高，对于以视频为载体的内容平台而言，就需要更加细致地为新用户提供起到留存价值的内容，将新用户有效地激活、留存，让自己少花一些冤枉钱。

因此，新用户冷启动内容推荐变成为“拉新内卷”时代的重要议题。

通常意义下，我们所说的视频行业有按视频时长划分的如长视频、短视频还是最近奇奇怪怪硬炒作的“中视频”，也有按照版权形式进行划分如PPC（版权采买）、PGC（平台分成）、UGC等。

本文更希望将目前的市面上的视频内容性质拆分为版权视频（采买或分成）、用户视频两种视频形式。

一、版权视频和用户视频内容差异

1. 内容成本

众所周知，国内版权采买目前是一个非常昂贵的状态，因此内容数量和平台资金呈现正相关。

用户视频目前除了大多头部MCN及创作者之外，绝大多数视频都是免费状态，当然也存在视频平台补贴所有创作者的状态出现。

因此从内容成本而言，版权视频内容成本远高于用户视频。

2. 内容体量

这里的内容体量包含两个方面：数量及多样性。

先说数量，版权视频中的每一个内容都是通过花重金采买的，因此从供给端的资金成本而言，头部PPC、PGC平台内容数量就会低于UGC视频平台。

再说多样性。版权视频从制作到上线，大体流程是制片人选择IP——编剧编撰——剧本敲定——导演引入及选角——内容拍摄——剪辑——送检审核——上线8大步骤。

用户视频的诞生主要步骤是有创意——拍摄（剪辑）——安全审核——上线这4大步骤。

通过以上步骤我们可以发现每一步都是在降低内容多样性，版权视频需要8大步骤，而用户视频仅需要4大步骤。因此在内容多样性方面看，用户视频的多样性大幅领先版权视频。

3. 内容质量

可以延续1.2的视频漏斗模型，通常而言，经过步骤越多，审核人员和制作人员专业性越强，对于内容质量的把控也更高，专业制作水平也更强。因此从平均单一内容质量而言，版权内容的内容质量绝大概率由于用户视频。

4. 内容维护精细度

通过前面三小部分的介绍，我们可以了解到版权视频和用户视频在视频体量、视频质量、视频成本三个方面的不同。

因此我们可以知道，版权视频和非版权视频中，平均每个独立视频的内容维护精细度也是相差很大的。

两者相似的地方包括视频标题、封面图、视频时长、标签分类之外，版权视频（长视频）对于视频封面、视频标题、参演人员、标签分类、内容赛道、内容评级会有更加详细的信息维护，其中视频封面、视频标题更是会有多套信息维度并打上消费喜好的标签。

短视频（用户视频）则会更加在视频分发时强调视频作者，作者信息会更强地表露出来，如头像、昵称、作者简介、联合创作之类的信息。

二、内容推荐

在这里不在详细阐述推荐系统的的由来和工作原理，有需要可以看《推荐系统实践》这本书。众所周知，产品经理在做推荐时着重需要对两个步骤进行分析：召回和排序。

1. 内容召回

常用有效召回包括三种类型：

1. 个性化内容召回；
2. 通用优质内容召回；
3. 个性化内容召回+通用优质内容召回。

2. 内容排序

常用的排序方案主要是三种方式。

1）个性化排序

根据内容与用户相似性，将匹配度高越高的内容排在推荐流的前面。

2）定制规则化排序

根据一定规则对召回的内容进行排序，其中包含3种排序的方式：

1. 纯人工排序；
2. 制定一定的规则进行排序（如根据VV进行排序）；
3. 人工+规则排序。

3）综合性排序

结合个性化+定制规则排序进行推荐排序。

主要是通过在个性化排序的基础上通过各类规则干扰个性化排序的结果，从而达到提升推荐核心指标的作用。

3. 推荐的核心指标

1）推荐服务的对象

谈到推荐，我们可以想到的是精准推送；个性化分发；让用户上瘾等。

如果从业务的角度出发来看，推荐的核心是通过直接或间接的途径提升整体业务的北极星指标。

2）常见的视频业务与推荐指标

当下的视频形式大的方面是版权视频和用户视频，对应的北极星指标也各有千秋。

从用户视频占比较多的平台看，抖音和快手的北极星指标是DAU；版权视频里传统的长视频平台爱腾优、Netflix的北极星指标是总营收；因此面对不同北极星指标，推荐在之中发挥的作用也各不相同。

以DAU作为北极星指标的推荐：

DAU的组成为新增用户+留存用户两个方面，推荐在这种主要的用处是让新增用户留存和活跃用户留存都得到提升，因此最终目标指向了留存。

用户如何能够留下来？主要取决于用户认为这个视频平台的内容有意思，因此整体推荐的指标指向了查看率和互动率两个大指标。查看了主要是由CTR、平均播放完成率组成；互动率则是主要由点赞率、评论率组成。

以总营收为北极星指标的推荐：

版权视频视频平台营收当下主要是由三大部分组成：用户付费、广告收入和版权分销。

推荐的核心作用是降低用户的选片成本，提升用户体验价值，同时平衡平台收益。

不讨论广告推荐的前提下，推荐的核心在于用户付费。RPU=DAU*ARPU，因此推荐的核心指标在于提升ARPU及DAU，同时找到这两者的最大平衡点。

DAU上面已经说明了，ARPU的核心在于会员充值率、单独点播内容购买率等指标。

三、新用户的构成

我们在此将新用户定范围广泛的划定为第一次打开APP的用户。用户如何才能知道一款APP？主要的方式有如下几种：

• 朋友推荐；
• APP商检索（ASO）；
• 明星网红推荐；
• 其他APP推荐；
• ……

通过几种常见的新增方式，从平台的角度而言，拉新用户主要是通过两大来源：

1. 渠道拉新；
2. 自然拉新。

1. 渠道拉新用户

渠道拉新用户顾名思义即平台通过渠道投放、换量的方式，将平台推广给用户，让用户下载投放的产品，从而起到提升整体新增的用户获取类型。

常见的渠道拉稀用户如：网红/明星微博推荐；应用商店推荐；国外的FB/Google国内的BAT广告；相似或关联平台的换量等。

因此，在渠道拉新的用户中我们可以发现，针对于视频平台而言，可以发现有些内容有些用于投放的内容我们是可控的，有些投放的内容是不可控。因此，在渠道拉新中，渠道可以分为可控投放渠道和不可控投放渠道。

2. 自然拉新用户

自然拉新用户对于平台而言，也可以定位为自然增长的流量，通常通过自然流量进入平台的用户有两种类型。

其一是用户很明确地知道他想寻找的内容仅在当前平台存在，如希望寻找周杰伦内容用户会倾向于到快手，希望寻找《半泽直树》的用户会第一件事想到小破站，我们称这部分用户为强搜索型用户。

其二是通过某些渠道搜索推荐或者其它的方式接触到平台的用户，往往这部分用户接触平台以后并不清楚自己希望观看的内容具体是什么，观看内容主要是通过平台的内容推荐机制给出用户可能喜欢的内容，因此我们称这部分用户为推荐型用户。

3. 总结

新用户有两大类，渠道拉新用户和自然拉新用户。

其中不可控渠道拉新用户、自然新增用户两部分可以视为无关键信息新增用户，可控渠道拉新用户可以视为有关键信息新增用户。后续在冷启动推荐时这两者推荐中是可以存在不同之处的。

四、新用户的内容推荐

内容推荐的核心在于内容池建立与优化、内容的召回和排序两个部分。

新用户新内容池决定了新增用户能够获取内容的基础质量和内容广度，内容召回和排序则决定了新用户与平台建立信任的速度。

1. 新用户推荐内容池

前文提到了，新用户可以分为有关键信息的新增用户和无关键信息的新增用户，因此在新用户内容池构建中可以确定思路为内容池由基础内容池和补充内容池两部分组成。

补充内容池主要是由有关键信息的的内容及关联内容进行填充，基础内容池则是新用户内容池最难的部分。

1）新用户基础内容池建立及优化

新用户内容池面对的用户是主要是没有和平台接触过的用户，因此用户并不清楚平台的调性，平台内容的引导性。

因此，平台在面对新用户时，需要紧密围绕当前平台的北极星指标，将北极星指标管理路径上表现优质的内容筛选出来，作为新用户的冷启动内容池。

伴随平台内容的不断增多，时事热点内容的不断革新，这个时候冷启动内容池需要引入当前平台的新热内容，并将已经过时久远的实时性内容移除出冷启动内容池。同时需要根据社会变化，需要将已经不符合平台、社会主流价值观的内容淘汰出冷启动内容池。

冷启动内容池的组成：大致可以分为经典内容+实效内容。

经典内容：经典内容=平台内容用户观看体验较好的内容。如B站芳斯塔芙、小文哥吃吃吃、老师好我叫何同学等up主创作的一些经典内容。

经典内容的筛选指标：以B站用户视频为例，vv超过10万以上的内容，主要查看内容的点赞率、投币率、收藏率、三连率、评论率、近一周播放、创作时间等信息。

当这里面能和北极星指标关系度最高的某几个指标找出，在划定冷启内容池中，将这些内容优质内容不断添加进入冷启内容池中，并在在后续将数据表现不那么好的且所在分类下内容数量较多的内容逐步淘汰出内容池。

时效内容：顾名思义是和当下热点内容息息相关的。

这部分内容主要特点是效性高，热度散得快。因此这部分内容讲求的是需要以最快的方式进入到冷启动内容池之中，在热度大幅衰减（如VV、点赞等）出现后一段时间，移出冷启内容池。

2）新用户补充内容池的内容补充规则及方法

所谓补充内容，即当平台了解到用户在站外是通过哪些内容被吸引后打开平台时出现的操作。

那么这部分主要是用户在站外看大的投放内容，和当前投放内容相关性较强的内容以及和投放内容用户观看行为上相关的内容。在针对于知道用户在站外观看内容而言，可以将这部分内容放入推荐池中。

当知道用户在站外被哪些内容引流以后，经过算法的筛选，可以获取相似（内容相似&行为相似）内容，将整体内容作为用户进入平台后冷启动的内容池承接用户浏览，可以进一步获取某一渠道用户的内容偏好，从而可以指导做投放同学进行某一渠道内容筛选，从而实现系统级的推荐循环。

整体流程图如下：

2. 视频推荐机制

1）常用的视频推荐机制

内容推荐主要来自于两个步骤，召回和排序。

对于新用户而言，内容池均为冷启动用户内容池，因此在整体的内容召回中，需要根据不同产品的交互形态，一次性召回多种类型的站内优质内容，以保证用户对于内容选择的多样性。

排序则是在召回的内容后按照一定的机制实施调整已召回内容的排序，由于面对的是新用户，获得内容消费信息较少，因此在排序中变回存在有两种状态下的排序规则。

冷启动内容的内容初始化排序主要集中在品类权重和内容权重两个方面。品类权重则指定的是历史上某个地区范围内，哪些内容品类消费数据较好，对留存的影响较大，那么这个品类的权重就会相对较高。

为了适应用户的广泛性碎片化内容需求，品类需要做到尽可能的全面。品类中的视频需要按照与北极星指标中相依系数最大的指标做排序，由此确定品类内视频的排序。最终将品类内部所有的内容打散，通过算法做多品类内容综合排序，来确定新用户无行为时查看到的第一波视频。

2）长短视频在推荐中的侧重点

前文提到，由于各家平台内容成本和用户的不同，因此在推荐中会强调很强的差异性。

以用户视频为主的平台推荐：

由于这类平台内容数量巨大，细分场景下视频覆盖度广，因此这类平台在推荐时聚焦于视频内容本身的推荐。

如抖音油管的交互形式为单页播放，快手传统的双列也主要聚焦于视频内容没有对封面图、推荐语做特殊的内容维护和推荐拓展。

以版权视频为主的平台推荐：

版权视频由于内容成本很高，热门内容实效性强的特点。因此在纯内容推荐中更加侧重于人工维护+自动化内容补充的方式进行推荐，其中人工维护的内容为平台更加侧重的上新+热门内容。

由于版权内容内容池相对于用户内容池远远偏低，且内容广度相比用户视频覆盖度小的多的特点，因此版权视频对于内容壳的推荐会更加注重。如在推荐版权内容时，会根据用户画像的标签、平台属性等特征，呈现给用户的内容会有多种一句话推荐、视频标题、视频封面图等因素。

目前这方面Netflix是全球版权内容做的最先进的，Bilibili是笔者认为国内做得最先进的。

3. 产品经理在冷启动推荐的工作

一直以来，推荐产品经理都是相对神秘的角色。神秘之处在于丧失实体产品功能输出后，没有接触过这项工作的人会觉得一时之间无从下手。

如果将推荐的内容当作自己实际输出的产品，将更多的内容召回排序的算法交给研发，通过这样进行产品创意提出、需求完善、上线优化，这就是推荐产品在整个工作中所要担任的角色。

根据推荐产品的角色和所处的业务形态大致，新用户内容推荐的产品工作大致可以拆解成3类。

1）指标对齐

主要是根据现有北极星指标，拆解出来当前产品形态中推荐需要保证的最终指标。

在找到每个目标的转化漏斗的前提下，根据全新的业务指标，制定下一阶段推荐将需要达到的每项指标。

连同研发一起评估指标增长的合理性，与研发一起对齐指标，后续产品经理可以通过策略的思维对功能进行设计，已完成制定的指标。

2）优化模型

在新用户冷启动的推荐的时候，通常的做法是由运营在站内挑选一些优质高留存的内容，由产品和运营一起评估这些内容的合理性。当确认内容可行后，会将内容输出给算法同学进行学习，算法会扩大相似内容的召回及排序结果给到产品经理。

此时产品经理需要对算法给出的结果进行评估，将自己对于内容的问题输出给算法，同时需要了解当前算法模型涉及的维度及主要维度的权重，可以提出自己对于维度补充和权重变更的想法，配合算法一起优化模型。

3）制定规则

以上两种方式比较适合应用于视频类型多、内容量大的用户视频推荐。

对于版权内容而言，由于热门内容、上新内容数量有限，因此产品经理更多要做的事情在于制定规则方面，如基于用户消费的过滤规则（用户看完整部电视剧以后，一段时间不要给用户再推荐了）。通过规则制定，让用户尽可能地对版权视频完成追更、付费，从而提升平台的北极星指标。

五、总结

本文主要普及新用户冷启动场景下视频平台的推荐方法及产品经理在这之中需要的做的事情和角色设定。

整体而言在推荐中需要根据自己平台用户、内容的特色进行合理的推荐，以达到最大收益。

产品经理在整体新用户冷启动内容推荐中主要的工作包含指标对齐、优化模型、制定规则三个方面，通过这三个方面不断优化产品的推荐模型，获得最大的收益，直接或间接提升业务的北极星指标。

作者：大橘子-视频产品，微信公众号：薛慧卿

本文由 @大橘子-视频产品 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议