從信息分發(fā)的角度理解互聯網行業(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）互聯網信息傳播的演變歷程人類社會的發(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、到造紙印刷術的發(fā)明、電報電話廣播電視的普及、再到互聯網的誕生與普及，每一種信息媒介的出現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應著底層技術的革新，進一步導致了生產方式的變革。圖表 1互聯網信息傳播的迭代歷程資料來源：整理互聯網作為有史以來最高效的信息傳播媒介，信息在網絡上的傳播方式又經歷了門戶（編輯分類）、搜索（搜索引擎）、SNS（社交關注）、信息流（算法推薦）幾個大的時代?；ヂ摼W信息傳播方式的演變伴隨著底層算法技術的變遷，進一

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

3、信息供給的線上化，但并未從本質上改變傳統(tǒng)的信息分發(fā)方式。從報紙、雜志到廣播電視再到門戶網站，盡管信息傳播的媒介發(fā)生了變化，但是內容分發(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形式圖表 5內容信息：2000 年搜狐網的信息展現形式資料來源：搜狐科技，資料來源：搜狐科技，（三）搜索時代：基于關鍵詞的搜索引擎技術搜索引擎相比編輯分類索引提升了信息查找的便捷度，同時隨著算法的持續(xù)迭代優(yōu)化，信息匹配效率進入持續(xù)提升的正循環(huán)。從技術上來說，搜索引擎的爬蟲技術可以直接爬取頁面內對應的信息，相比分類索引收錄

4、網址的方法更為直接；而頁面排序算法將用戶需求（關鍵詞）和對應信息（相應頁面）進行匹配（且隨著數據量的增多算法精準度持續(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搜索引擎的結果頁面：關鍵詞驅動頁面數量 商業(yè)化廣告 關鍵詞資料來源：整理離線部分在線部分原始網頁內容召回：多種召回方式從索引庫里獲取數據搜索詞處理輸入搜索詞索引數據爬蟲時效性索引數據排序：基于篩選集進一步計算從而獲得最終結果排序模型圖表 7搜索引擎的架構邏輯資料來源：整理（四）關注訂閱：“公域分發(fā)”走向“私域關注”訂閱分發(fā)相比門戶和搜索時代的最大區(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)技術將獲取信息的權利交給用戶自身；諸如 QQ 微信等社交網絡的興起，為內容的訂閱分發(fā)提供了天然的底層網絡。訂閱時代創(chuàng)作者的地位顯著提升，并涌現出一批自媒體公司。圖表 8關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化，因此可以更加高效：對內容而言，內容在被消費的每一次都會得到來自用戶的反饋，被認可的內容

6、得以進一步擴散，不被認可的內容則被系統(tǒng)糾偏；對用戶而言，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)化推薦的精準度。圖表 9推薦算法的架構邏輯資料來源：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；計費方式從展示到效果，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（報刊雜志）的線上化，商業(yè)模式也類似傳統(tǒng)報紙媒體出售廣告位。該階段的商業(yè)模式為最簡單的 banner 廣告售賣，廣告位收入=數量（DAU*人均 PV）*單價（按照 CPM 展示計價），訪問的頁面數（PV）決定廣告庫存量，頁面的熱度水平決定廣告價格。編輯分發(fā)的缺點在于千人一面

7、的信息展示形式限制了廣告庫存的擴張，同時按展示付費的計價方式無法監(jiān)測廣告的效果，此階段的廣告模式仍為線下模式的線上化?；陉P鍵詞的搜索分發(fā)方式對傳統(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量（PV）轉化為依賴搜索條數，廣告主可對海量的關鍵詞參與競價；另一方面廣告計費方式從 CPM 轉化為 CPC，商業(yè)廣告正式邁向效果可監(jiān)測的時代。訂閱分發(fā)雖然對信息分發(fā)方式有所創(chuàng)新，但基于訂閱關注的分發(fā)關系更偏私域，增加 ad load 對用戶體驗影響更大，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搜索的人均條數天花板更高。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；訪問的頁面數（PV）決定廣告庫存量，頁面的熱度水平決定廣告價格早期門戶，報刊，長視頻，梯媒廣告搜索分發(fā)庫存大幅提升（取決于關鍵詞數量）；效果可監(jiān)測（CPC 點擊）轉化效率大幅提升（內容廣告融為一體）；搜索次數（DAU*人均搜索次數）*ad load*單價（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品主動推薦DAU*人均 feed*ad load*CPM

9、字節(jié)跳動資料來源：整理圖表 11幾類公司廣告收入對比圖表 12幾類公司單用戶（DAU）廣告收入對比150010005000愛奇藝編輯分發(fā)主導百度搜索分發(fā)主導朋友圈微博訂閱分發(fā)主導抖音推薦算法分發(fā)主導68.2663廣告收入（億）400100100040030020010068愛奇藝編輯分發(fā)主導百度搜索分發(fā)主導朋友圈微博訂閱分發(fā)主導抖音推薦算法分發(fā)主導0368單用戶廣告收入5345286資料來源：公司公告，預測（收入為 2020 年）資料來源：公司公告，預測（收入為 2020 年）三、從信息生產和分發(fā)兩個維度思考行業(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系，而是逐漸融合。目前主流的內容APP 通常融合了編輯推薦、搜索、關注、推薦算法于一身，但不同類型的產品在幾種推薦方式流量分配比例上有所不同（如同為短視頻產品，抖音 90%以上時長為算法主導的推薦頁，推薦頁中可供編輯/運營主導的通常為開屏第一刷；而快手關注/訂閱頁的流量/時長占比遠高于抖音）。從 Y 軸看，生產門檻越低的內容，在整個產業(yè)鏈中信息分發(fā)方的話語權越重（如短視頻）；生產門檻更高的內容如長視頻/游戲，產業(yè)鏈中內容方的話語權和重要性更高（因此平臺方往往采取向上游延伸直接參與內容生產的方式獲取話語權）；而像購物/本地生

11、活等直接和物理現實的交易掛鉤的信息，信息從分發(fā)到完成交易還需要一整套服務/基礎設施來支持，平臺方需要面臨更大的挑戰(zhàn)。圖表 13信息生產和分發(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/消費內容等的需求，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，但平臺的早期特點和價值觀導向決定分配系數的不同，進而造成不同平臺的差異。以短視頻產品為例，抖音快手視頻號均融合了算法分發(fā)、關注分發(fā)、編輯/運營干預等多種分發(fā)方式，但不同平臺的算法機制導致了流量分

12、配的差異。目前的產品越來越趨向于集合編輯推薦、搜索、關注、推薦算法于一體的綜合型信息分發(fā)產品。圖表 14抖音 APP 的幾種內容分發(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。生產門檻越低的內容(供給充足)，在整個產業(yè)鏈中“匹配”的重要性越高，因此信息分發(fā)方（平臺方）的話語權越重（如短視頻）；生產門檻較高的內容如長視頻/游戲，產業(yè)鏈中內容方的話語權和重要性更高（因此平臺方往往采取向上游延伸直接參與內容生產的方式獲取話語權），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實的交易掛鉤的信息，信息從分發(fā)到完成交易還需要一整套服務/基礎設施來支持，因此對平臺方的后端服務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 年預測值）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)性和價值觀探討：人工引導與算法推薦并不沖突編輯分發(fā)的優(yōu)勢在于借助專業(yè)背景知識完成了從海量內容到有限展示位置的過濾和篩選，經過篩選的內容平均質量通常較高。但編輯分發(fā)的劣勢在于少數編輯的判斷與廣大用戶的需求可能會存在錯位，因此傳統(tǒng)媒體也有編委會投票、綠燈委員會等機制應對供需錯配的問題。相比之下，引入了機器推薦算法的信息分發(fā)系統(tǒng)，由于達到了“千人千面”的效果，可以高效的匹配個性化的信息消費需求，相比編輯推薦通常擁有更高的推薦準度。但人工和算法并