youtube涨粉有多难（油管涨粉）

很多公司裁员，为何都是裁那些看起来很勤快的员工？

为什么公司裁员，总是裁那些看起来很勤快的员工？

我觉得，这是个表象。

通常来说，留下勤快印象的员工都是比较优秀的，把这种很勤快的员工裁掉，除非是价值观有问题，或是和公司业务不相符，否则的话我认为这家公司有毛病

假如公司真的把勤快的员工裁掉了，我觉得很大的可能是因为这个员工没有实际的产出或是对公司的绩效没有帮助。

包括我们自己的公司，每隔一段时间都会去复盘员工的产值是多少。比如张三和李四两个员工，张三是更勤快那个，但张三的产值是每月5万，李四的产值是每月10万，作为老板肯定更愿意留下的是李四。

公司裁员，一般情况下会有这3个逻辑：

1、与公司价值观不相符的员工需要裁掉；

2、“政治”不正确，引发公司内部不良竞争的员工需要裁掉；

3、长期达不成KPI，实在无法匹配工作岗位的员工需要裁掉；

如果你自认为是一个勤快的员工，曾经有被裁掉，或者正面临可能被裁，那我给你的建议是：

在工作中，一定要搞清楚公司对你这个岗位需要达到的目标是什么？有没有具体的数字和标准？清楚之后再想办法去达成它。只有在这个前提下，再去表现出勤快，那你就是优秀了。

勤快是对的，但不能瞎忙，不能乱忙。

三寿：

今天的公众号虽然不再火爆，但对每个企业来说都已经成为了标配，对个人品牌、个人IP的自媒体来说公众号也是一个很好的载体。相比抖音、小红书、视频号来说，公众号在今天也并不逊色，图文内容也不会过时。公众号的价值依然还是非常大的。

那么，做公众号到底有多难？

第一，涨粉比较难

粉丝获取成本越来越高，获取的速度越来越慢。

公众号刚推出的那几年，还处于红利期，那个时候“狼少肉多”，获取粉丝相对容易，成本也比较低。

但如今整个生态中有三千万个公众号，已经演变成“狼多肉少”了，获取粉丝的成本自然就要高很多。

而且内容的同质化也越来越严重，例如你是做一个美食公众号，五年前可能只有一万个同类型的账号，到今天可能就有三万个、五万个、甚至十万个。粉丝的选择多了，你的涨粉速度自然慢很多。

第二，坚持输出比较难

公众号就像一列行驶的列车，不断有人上车，也不断有人下车。

大部分人下车的原因都是因为无法坚持。你可能连续写一个星期、一个月你还能坚持下去，但是一年365天，然后持续一年、两年、三年，这对很多个人自媒体或是企业来说，要持续地去输出都是非常难的。

想想可能很多人以前小学写一篇语文作文都比较难，更何况现在每天都要去生产内容，如果没有很强的利益去驱动，很难做到持之以恒。

第三，粉丝留存比较难

粉丝今天关注了你，不代表他会关注你一辈子。

我认为能否留住粉丝，很大程度取决于你带给粉丝的价值有多大，有多稀缺。

比如一个美食账号，你要思考和其他美食账号的内容有什么区别？是不是比他们的内容更加丰富？是不是比他们的内容更有深度？还是说你的内容更加的幽默？而且美食类的内容对于视觉的呈现有更大的要求。

难不难这个问题，也取决于你对公众号的期望。

就比如我自己的公众号，我是打算做个三十年、五十年，甚至是一辈子。我们把时间维度放到足够长的时候，你定下的一些目标我觉得都不会很难了，每天坚持去做内容，去分享就好了。当然这也是我做公众号的一个初衷，就是分享营销，分享生活，分享管理，分享创业，所以我不觉得这件事有多难。如果有时候没时间写，可能会转载，或者说会摘抄一些其他的文章去发布，我觉得这样就就挺好了。

油管收入与播放量关系

在YouTube油管频道的收益中，博主的播放量越高，也就意味着收益获得量会越高。平台给频道主的提成是55%，也就是说1000块的平台收入，频道主可以收到550块，平台自己留450块。

YouTube1万次有效视频播放大概的收益是130~150的范围之间（不同类型的内容、广告CPM稍有差别，但量级不会差）。所以如果我们想要在YouTube上实现广告收入过1万的话，每个月的有效广告播量要达到7万次以上。

YouTube开通广告的重要指标：

观看时长和粉丝数

YouTube在转正获取收益之前有两个重要的指标，那就是视频的播放时长要达到4000小时以及粉丝数要达到1000人。播放时长4000小时，说难也难，因为在一开始没有看的情况下，可能一个月都涨不了几个小时。说容易可能也容易，如果你有一个视频得到了推荐，这个视频5分钟，只需要有5万次完播率就可以完成了。

我们在录制视频时对视频类型、用户观看体验的洞察提出更高的要求。如果你的视频是需要用户慢速播放的，其实你自己就应该放慢视频的速度，一来可以提升用户体验，二来也可以获得更多的视频观看时长，更快的转正开通收益。

Youtube 算法规则

在Google工程师Paul Covington，Jay Adams和Emre Sargin发表的这份 研究论文中 ，他们分解了用于对YouTube推荐视频进行排名的信号：

前三个信号是您可以直接影响的唯一信号。其余部分取决于您频道之外的因素，以便个性化推荐。

这些Google工程师甚至声称，他们的最终排名目标“通常 是预期的每次观看观看时间的简单函数。 按点击率排名通常会宣传用户未完成的欺骗性视频（“点击诱饵”），而观看时间可以更好地吸引用户参与。”

有人可能会认为这意味着优化点击率会让您受到YouTube的惩罚，但这是一个巨大的误解。

YouTube只会惩罚诱饵和切换策略-点击前的承诺过多，而点击后的内容令人失望。点击率仍然像以往一样重要。毕竟，如果不先获得点击，就无法为YouTube带来大量观看时间。

您甚至可以在 YouTube Studios中 看到这些优先级：YouTube的新分析仪表板。

最多可以在5秒内总结出最出色的YouTube频道或系列：

另一方面，许多YouTube频道很难吸引人，因为他们将YouTube频道视为上传所有视频内容的地方，而不是一个连续的视频系列的首页。

保持一致性的YouTube频道能够 持续 增加其订阅者人数和观看人数，因为它使人们更容易决定观看更多内容并订阅其频道。

“我们的盛宴”频道体现了我们正在谈论的那种一致性-名人吃食物-具有多个系列，这些系列本质上是同一前提的变体。

较新的YouTube频道不能依靠推荐引擎来获得所有观看次数。

毕竟，推荐内容主要取决于观看者过去观看和与您的视频互动的方式。YouTube需要数据来作为推荐的依据，没有人观看您的视频就没有数据。因此，请采取所有通常的措施来宣传您的视频，例如：

但最重要的是，着眼于 YouTube SEO 并 吸引更多的订阅者 ，这不仅是为了长期 获取 视频观看次数，而且还因为用户反复在平台上消费以及用户订阅的内容是YouTube算法用于提出个性化建议。

在工程师中，工程师注意到“最重要的信号是那些描述 用户之前与商品本身和其他类似商品互动的信息 ……例如，考虑用户过去的历史以及上传了被评分视频的频道用户从该频道观看了许多视频？用户最后一次观看有关该主题的视频是什么时候？”

如果您可以让新用户点击其中一个视频后继续观看更多内容，则可以增加在下次打开YouTube时向他们推荐视频的机会。

我们已经确定，点击率仍然很重要，YouTube优先考虑观看时间只是针对低质量点击诱饵的一种对策。

环顾YouTube，您会发现视频缩略图上不乏表情丰富的面孔。

Netflix所做的一项 关于平台上艺术品性能的研究表明，“情感是传达复杂细微差别的有效方法。众所周知，人类必须对面孔做出硬性回应-我们已经看到这在所有媒介上都是一致的。但重要的是要注意， 情绪复杂的面孔胜过坚忍或良性的表情。 ”

Netflix也注意到的最早趋势之一，值得发扬到自己的缩略图，它是当图像包含3个以上的人时，它赢得别人的倾向就下降了。

三分法则是实现“ 黄金分割率” 的简化方法，研究表明，这种方法可以 最大程度地减少 大脑处理图像 所需的时间 。

该图像构图准则建议您将兴趣点放置在图像的中心，而不是图像的中心。

根据 Sandvine 的2019年研究，YouTube现在占互联网上所有移动流量的37％。这也意味着相当一部分观众会在移动设备上观看您的视频。

4.鼓励观众点击后留下

让人们观看您的视频是一回事。让他们从头到尾真正观看视频是另一回事。

幸运的是，通过在视频创建过程中建立此目标，可以提高视频的完成率（并获得更多的观看时间）：

从头开始，并在视频介绍中加入一个“钩子”

转录您的视频，以便人们可以观看静音

根据您的分析调整视频的长度（观看者在下车之前实际拍到多远？）

请勿过长地使用同一张镜头，否则可能会让观看者感到厌烦（这就是为什么跳跳剪辑在YouTube上很受欢迎的原因）

如果您的视频很长，请在片刻间撒些片刻，以便在观众开始徘徊时重新吸引观众的注意力

5.鼓励您在频道上疯狂观看

您还可以通过采用涉及视频消耗和一致性的策略来优化频道级别的观看时间。

除了为您的YouTube频道提供专门的前提条件（这可能是最重要的因素）之外，您还可以通过以下其他方法使观看者更轻松地观看更多内容：

使用插卡和结束卡手动推荐相关视频

每当您共享时，都链接到播放列表中的视频，以便用户观看的下一个视频始终是您自己的视频

开发从缩略图到视频本身的一致格式-如果观众喜欢您的其中一个视频，那么他们应该能够正确地假设他们会喜欢您的其他视频。

将特定的号召性用语甚至是其他视频中的场景整合到观众中，直接“吸引”观众，以消费更多内容。

随着YouTube算法的变化，一件事保持不变

多年来，YouTube的算法发生了很大变化，每次都使创作者和品牌争先恐后，想知道为什么他们曾经依赖的方法不再有效。

但是，即使YouTube算法不断发展，但请记住，该平台的目标仍然不变：吸引更多的人在YouTube上观看和观看更多视频。那与您的没什么不同。

「干货」YouTube 基于深度神经网络推荐系统剖析

YouTube推荐系统的三大难点：

· 一是规模太大，简单的推荐算法在如此大规模数据量上可能是失效的；

· 二是实效性，即新数据不断产生，需要将其良好的呈现给用户，以平衡旧有的好内容以及新内容；

· 三是噪音问题，用户行为与视频描述均有噪音，并且只能获得充满噪音的用户隐含反馈，而不能直接获取用户满意度。

图1.YouTube基于深度学习推荐系统架构图

本文呈现的推荐系统解决方案分为两个部分:

· 一个是备选生成（Candidate Generation），其目标是初选结果，从海量数据中选择出符合其个人需求偏好的百级别数据;

· 一个则是排序（Ranking），通过更加丰富的用户，视频乃至场景信息，对结果进行精细化排序，得到呈现给用户的备选。

备选生成阶段，将推荐系统定义为一个多分类器，其职责是确定某个用户，在某个场景与时间下，将从系统的视频中选择消费哪一个视频。具体的方法是，将用户与视频全部转化为Embedding描述，即一个向量，最终用户消费某个视频的概率通过如下方式计算得到：

而构建用户与视频的Embedding，则是通过训练而来。将用户观看视频/搜索记录/其它信息如年龄性别等作为输入特征，部分稀疏特征首先进行Embedding化，中间为数层ReLU，最终一层用SoftMax进行分类。 换句话讲，是将用户与场景信息作为输入，预估用户下一个要看的视频，也就是将用户分到具体某一个视频作为其类别。 用户与视频的Eembedding，则是神经网络最后一层的对应矩阵。这种方法除了能利用用户行为信息外，其它信息例如设备，地理位置，性别等也可以作为输入，这是神经网络相对于普通MF类算法的优势之一。

图2.YouTube推荐备选生成阶段架构

备选生成的下一个阶段是排序。其网络结构跟备选生成阶段类似，将所有排序模型中的信息输入后，进入多层ReLU，最终进行优化的是一个加权逻辑回归损失函数，观看时间作为阳性样本权重。在这一层，也可以看到其推荐“代理问题”的转化：由点击行为预估转为了以观看时长为权重的点击行为预估，这样更佳贴近Youtube的产品优化方向。与备选生成阶段另一个不同在于，排序模块需要考量的特征要多得多:

· “场景”类特征，例如用户可能在某个地方某个时间愿意观看某一条视频，但是在别的地方别的时间则不会；

· 曝光信息：用户观看了某界面，但是并未在其上进行操作，那么随之应进行已呈现内容降级；

· 备选生成层输出：排序需要将各种备选结果联合起来；

· 更丰富的用户信息：例如用户最近的一次搜索词，用户最近观看的同一个主题下的视频数量，用户上一次观看同主题视频的时间，用户所使用的语言等；

图3.YouTube推荐排序阶段架构

除了整体设计与系统架构以外，本篇论文中陈述了很多“选择”，这些选择更多的是“艺术”而不完全属于技术范畴。这些选择往往是很多技术人员关注不多的点，但在笔者看来，这些都蕴含着YouTube技术与产品人员深入的思考与判断。

“Example Age” 特征

对于YouTube产品层来讲，鼓励内容产生毫无疑问是至关重要的，所以推荐系统也希望对用户上传的新内容的有所偏好。然而幸运的是，即使损失一部分相关性，视频的消费者也偏好新内容。也就是说，新内容的价值可以良好的通过其带来的吸引力呈现出来，并不需要平台刻意而为之。

由于系统使用一个时间窗口的训练样本进行训练，如果没有视频的上传时间信息，那么模型会认为这个时间窗口内用户对视频的偏好是稳定的，然而事实远非如此。将视频的上传时间加入到特征集合后，预估更加准确，尤其是视频刚上传阶段的强烈便好被成功捕捉到。

图4.无时间特征预估/有时间特征预估/真实情况 三者对比

优化目标选择

图5.优化对象的选择

算法系统的设计首先要明确优化对象，这不仅仅涉及到损失函数的形式，同样也是评判系统成功与否的标准。YouTube是视频平台，更是富含“价值”的长视频平台，其观看行为比点击行为意义更大。（当然，笔者认为没有任何一个简单指标可以完全代表一个产品）

“正样本”定义

图6.何为正样本的设计选择

训练数据来源

图7.关于训练数据来源的设计抉择

训练数据应该只来源于推荐界面的曝光吗？YouTube认为不然。如果只考虑推荐界面曝光，则无法对用户便好进行 探索 ，更加无法捕捉用户偏好的变化，因为用户偏好的变化往往首先会对应着搜索与浏览行为。所以YouTube将各个界面例如搜索，导航等用户行为全部纳入其中。

训练数据窗口

图8. 训练数据收集方式的设计选择

Youtube将所有用户等而视之，每个用户收集一定量的样本。而不是惯常可见的直接收集一个时间窗口内的所有用户行为，作为训练样本。这样的好处是避免系统收到少数行为过多用户的影响，使得系统更多的为大众设计。这样的设计理念与近期阿里Gai Kun的论文中评测方法(用户AUC)设计有异曲同工之妙。

用户行为序列处理

图9.用户行为序列信息处理的设计选择

在系统中，用户往往会顺着一个检索结果页或者用户发布者浏览页进行顺序观看，如果系统捕捉到了用户看了检索界面的前三个结果，那么预估用户将看第四个结果就会很容易。但是这样真的好吗？将检索结果页面或者用户发布视频界面直接作为推荐结果呈现给用户是并不友好的--抢了别的界面应该干的活嘛。所以此处YouTube对用户行为序列做了处理，在模型输入中选择放弃用户行为的序列信息，将其打散成词袋Embedding，即使这样的信息有利于模型的离线训练效果。

预估对象的选择

图10.关于预估对象的设计选择

用户的行为往往是有顺序的，用户在系统中“热身”后，在一个频道下面，往往先看大众喜欢的热门，然后逐步找到自己的兴趣点，聚焦看一块内容。那么，训练数据则应该收集用户前段时间行为，预估此后的行为。而不是收集时间前后段的行为，预估中间时间段的用户行为。这样模型更加接近用户习惯。

除此之外，Youtube根据系统设计了对应的实验，结果非常简单：深度网络层数越高，效果越好。

YouTube的推荐系统，已经为其贡献了70%的用户播放时长，搜索与导航在PC时代的主导地位在移动时代已经完全被颠覆掉。希望大家在其中学到一些东西。笔者水平所限，若有错误不当之处，敬请指正。

另外，个人用TensorFlow模拟Youtube的推荐系统，做了一个简单实现。其实就是一个多分类器外加一个单分类器，远谈不上成熟，可以供大家参考。

——END——