800 億美元、快手公司廣告電話和被吞掉的時間

推薦系統做得好，收入用戶跑不了

「800 億美元」的主角是 Alphabet（Google 母公司）。

2016 年，Alphabet 的廣告收入為 794 億美元，牢牢占據全球媒體廣告收入第一名。排在第二的是 Facebook，第三名是傳統媒體 Comcast（美國康卡斯特電信公司），129 億美元的收入還不到 Alphabet 的五分之一。

為什么 Google 能在廣告上獲得如此高的收入，將其他競爭者遠遠甩在身后？

2003 年上線時，Google 的廣告系統還是以用戶鍵入的關鍵詞（query）為出發點，通過匹配、分析點擊數據提升效果的廣告系統。十幾年間技術更迭，如今已經變成了擁有上千億特征的龐大的機器學習系統。

Google 的廣告為什么不會令人反感？在基于個人、廣告和關鍵詞的千億特征之間，推薦系統努力將真正可能感興趣的商品、服務的廣告呈現在你面前。學習用戶點擊行為的反饋數據后，推薦系統還可以不斷提升廣告的準確度和轉化率。現在，Alphabet 70% 以上的營收來自廣告。支撐一個近萬億美元市值的互聯網帝國，推薦系統功不可沒。

「上線一年日活超千萬」的主角是快手。

自去年 9 月上線以來，快手廣告投放電話的日均活躍用戶數已超千萬，迅速從 2011 年誕生的老前輩「快手」手中搶得一片天地。在上周的今日頭條段快手廣告投放電話峰會上，官方給出的數據是快手的日均播放量已經超過 10 億。

為什么快手有毒，一刷就停不下來？

通過收集用戶點贊、分享、上滑（不喜歡）、觀看時長等數據，快手不斷分析著用戶的行為喜好。配合使用快手公司廣告電話時已有的用戶畫像和龐大的用戶基數，在推薦系統的幫助下，快手可以不斷將「真正感興趣的內容」推送給你，實現「像素級的個性化」讓你上癮。

「花掉 20 倍時間」的主角是 YouTube。

2015 年，YouTube 開始使用基于深度學習的推薦系統。從基于搜索的「視頻網站」，到依賴「頻道」訂閱的「電視臺」，再到現在的「個性化主頁」，10 年間 YouTube 一直在改變?，F在，YouTube 用戶在線觀看時長與三年前相比整整提升了 20 倍，其中 70% 都來自算法推薦。

把你需要的交給你，這就是推薦系統，一項影響著我們每個人的技術。

? 2 ?

快手猜測你，猜測一顆營銷曖昧的心

顧名思義，推薦系統就是向用戶推薦感興趣或者需要的商品及內容的系統。

并不會溝通的機器，快手如何了解你的喜好？只能通過一些不那么明顯的信息——你的歷史行為、社交關系、興趣點、所處上下文環境等等，試著將你感興趣的內容找出來。淘寶的相似商品，豆瓣的「喜歡這部電影的人也喜歡」、甚至今日頭條整個產品，都是推薦系統的表現形式。

最早人們使用的是基于內容的推薦方法（Content-based Filtering），即根據物品（item）的屬性為它們打上標簽，快手廣告投放電話通過標簽計算它們之間的相似度。用戶只要選擇一種物品，機器就會推薦出與之類似的物品。最早采用這種方法的是亞馬遜，當時這種方法幫他們賣掉了不少書。

當你瀏覽《正義聯盟》頁面，快手豆瓣推薦的都是超級英雄電影

不過基于內容的推薦方法有著顯而易見的缺點。一旦我們已經購買了某種物品，快手公司廣告電話并不需要更多類似的東西。還有很多東西我們的確需要，只是沒有表達或者不知道該如何表達出來。

于是人們提出了協同過濾方法（Collaborative Filtering）。就像日常生活中我們會讓興趣相投的朋友推薦電影或者音樂，協同過濾的做法是通過行為、標簽等數據找到與你相似的用戶，通過他們的行為和他們喜歡的內容，為你推薦你可能感興趣的物品或內容。

除此之外，Spotify 還會使用自然語言處理技術分析社交網絡、網頁中的文字內容，以此判斷作品之間的聯系進行推薦。使用深度學習技術的 YouTube，還能找到內容之間人類難以發現的聯系。

互聯網中沉淀了大量有用的、適合你的信息，只是通過搜索引擎很難表現出來。這些信息就像一座冰山，搜索讓我們看見水上的部分，推薦系統則盡量將水下龐大的體積盤活，讓那些沒被注意到的部分浮出水面。

? 3 ?

快手搜索向左、Feed 流向右

歡迎來到「有毒」時代

馬太效應（Matthew Effect），指強者愈強、弱者愈弱的現象。

長久以來無論電商銷售還是新聞傳播，互聯網一直因馬太效應而受詬病。

也許我們不該將責任推卸給互聯網。趨從熱點、希望了解他人已經了解的事物是人的本能，快手公司廣告電話了解他人不了解的事物、追求個性與不同同樣是人的本能——也許只是這部分需求暫且沒有被滿足。

Chris Anderson 早早就注意到了這個特點。2004 年他在《長尾理論》中表達了自己的觀點：當商品儲存、流通、展示的場地和渠道足夠寬廣，看似需求極低的產品只要有賣都會有人買，其所占的市場份額甚至可以超過熱賣品。

亞馬遜的線上圖書銷售狀況證明了長尾理論的合理性，「那些過去根本賣不動的書，現在要比暢銷書賣得多」。

信息同樣如此。愛玩社交網絡的你一定已經發現，過去一年不論新浪微博還是 Instagram，信息流中的內容被強制變亂了。與此同時，百度在首頁增加了新聞信息流，就連工具產品 UC 瀏覽器，也早早把自己變成了信息流產品 UC 頭條。

為什么大家都盯上了個性化 Feed 流（即我們通常所說的「信息流」）？

從基于搜索的、到基于信息的，「Feed 流」改變了用戶需要強驅動才會主動獲取信息的行為模式，只需要被動選擇自己想要的；從基于時間的、到基于興趣的，「個性化」將原本因為時間被刷掉、用戶本應感興趣的內容重新呈現在人們面前。

你也可以用不感興趣，調教屬于自己的推薦系統

雖然你可能并不喜歡主頁的雜亂無章，但社交網絡產品的用戶和留存時間的確在大幅上升。2017 年二季度財報顯示，新浪微博月活躍用戶數為 3.61 億，較上年同期增長 28% ；日均活躍用戶數為 1.59 億，較上年同期增長 26%。

2013 年，Alexis Madrigal 曾在《大西洋月刊》的一篇文章中寫道：「Feed 的巔峰時刻已經過去……沒完沒了的內容流服務會讓人感覺精疲力竭?！?/p>

顯然他沒有意識到推薦系統的巨大魅力。只要推薦得足夠好，用戶的時間就像擠不干的海綿，永遠都有。

2000 年代的廣告系統，2010 年代的 Feed 流，推薦系統的下一個爆發點在哪兒？

? 4 ?

教育、金融、招聘……

快手能想到的垂直廣告領域都有它

也許是各個垂直行業。

比如教育。通過切入作業場景，根據學生的答題狀況進行畫像，教育類應用就可以推薦適合學生的題目和需要鞏固的知識，阿凡題、猿題庫、作業盒子都已經部署了類似的個性化教育系統。

比如金融。通過分析以往沉淀的用戶數據為用戶畫像，快手廣告再根據市場和環境的變化推薦合適的理財產品，推薦系統相關技術早已被各大銀行采用。

再或者招聘、尋找伴侶。除了根據求職者的情況推薦合適的工作，快手招聘類應用也在根據雇主的需求推薦合適的候選者；世紀佳緣等相親類產品自不必說，Tinder、探探等交友產品早早就應用了推薦系統。不然，是誰來找出那些你可能感興趣的用戶呢？

只要有用戶、有個性化的需求，就有推薦系統的用武之地。

據某信息流產品負責人稱，「年初 50 萬年薪還能招到合適的推薦系統工程師，現在 100 萬都找不到」。

這是推薦系統的黃金時代，快手廣告也是推薦系統工程師的黃金時代。

同樣是屬于用戶的黃金時代。叢林里的鳥唱了一首絕妙的歌，如果沒有被人聽到，這歌聲就不存在了嗎？推薦系統正在讓我們聽見這歌聲，看見更多原本被忽略的事物。

也正是因為推薦系統，才讓我們在浩如煙海的信息世界中相遇。

如您想在快手上投放廣告，請撥打快手廣告投放熱線400-960-2809進行咨詢。

公司優勢

開戶流程

注意事項