起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識流量過度集中，移動直播平臺該如何進行流量分配？
移動直播平臺發展到一定階段后，隨著頭部不斷集中、用戶量不斷增加，平臺的流量開始過度集中化，導致轉化率有限和流量浪費。面對這種情況，我們勢必要在運營策略以及產品邏輯上進行優化，克服這一問題。
前一篇文章《直播App熱門列表冷啟動：如何排序，才能把最好的直播間優先讓用戶看到？》總結了基礎的直播熱門列表排序方法。
在具體策略上線后，又遇到了一些流量集中導致的問題，在解決問題過程中，也發現一些比較有意思的東西，在這里先也和大家分享下。
一、如何看待平臺的流量集中？
最初的列表排序主要依據的是直播間的用戶數及留存等因素，加上一些運營策略，諸如置頂，PGC內容優先等，上線后基本可以滿足挑選出質量較高主播的目標。
但隨著用戶量的增長，頭部集中的問題就慢慢顯現出來了。大部分用戶集中在少數幾個人的直播間里，其它的直播很難被看到，也就是大家常說的“馬太效應”。
如下圖所示，人數多的直播間都在靠前位置。
但是到底如何看待這種流量集中呢？
這個時候我們還是可以從成本和收益的角度來考慮，直播的曝光其實就是平臺成本的相應轉化，比如點擊、評論、關注、禮物等就是平臺的收益。
我們可以套用計算廣告中的一個數據，每一千次曝光帶來的收益既RPM (Revenue Per Mille impressions，千次曝光收益)
利用RPM來作為主播曝光價值的衡量指標，然后根據流量集中的直播間在這個數據上的表現，來判斷出目前平臺中流量集中的好壞。
據此，我們看了下平臺排序Top直播間的RPM，特別是一些置頂直播間的RPM，結果發現遠遠低于平臺均值。
這就說明我們的頭部主播已經被過度曝光了，我們給他的曝光沒能換回相應的收益。
由此可以判斷，流量集中已經給我們的平臺帶來了問題，我們的流量沒有得到最有效率的利用。
二、如何解決流量集中？
通過前面的分析，我們知道我們的頭部主播的RPM是低于平臺均值的。
這也從側面說明了我們的用戶對于頭部主播的喜愛沒有我們預想中的那么理想。
于此同時，用戶的人均進房間數也在增長，說明很多用戶在不停尋找主播，我們的頭部主播可能已經讓他們感到膩了。
基于此，一方面修改之前的運營策略，盡量控制置頂行為，取消PGC內容優先的規則等；
另一方面在產品邏輯上我們能自然想到的辦法就是：控制頭部主播的曝光，增加中尾部主播的曝光。
實現這個辦法的策略有很多，最初我們采用了特別粗暴簡單的一種：隨機抽取。
我們將平臺的主播按照已有的評分進行排序，之前的排序策略是所有人都會看到這個排序中所有的主播；當然這種情況下，大部分人都只會看到排名比較靠前的主播。
因此，我們將這個排序分成若干段，從定義上將主播分為了大主播、中主播、中小主播、小主播等幾個級別。
然后從這幾個級別的主播中隨機抽取部分組成一個用戶的列表。
這樣達到的狀態是每個人都會增大幾率看到各種類型的主播，特別是本來很靠后的主播；同時又因為從每一種主播中隨機抽取，從而使的本來被所有人都能看到的大主播，變成了只有部分人可以看到，這就起到了限制大主播曝光的作用。
我們可以定義幾個衡量這種流量分散效果的指標：
- 有人看過的直播間比例（有人看過的直播間數／所有直播間數）
- 第一個人進直播間的平均耗時
策略上線后，整個平臺有人看過的直播間比例大幅增長，第一個人進直播間的平均耗時也縮短了不少。
從這些數據看，我們達到了流量分散的效果。
現在回頭看，當時膽子有點大，一下子把流量分得這么散。還是完全沒有考慮控制的，僅憑灰度試驗時的部分留存、使用時長等基本數據作為依據，最后整體RPM居然有所提升，也是運氣不錯。
三、怎么才能更合理？
這樣粗暴的流量分散后，的確解決了頭部過度集中的問題。但是我們的目標不是把流量分開，這只是手段，目標還是優化千次曝光的收益（RPM），去盡可能提高整體RPM均值。讓流量分配得更為合理。
為此，我們覺得所有的主播都應該存在一個合理曝光的值，這個合理的曝光正好保證他所能帶來的RPM是最大的。
因此，我們可以建立一個主播所對應的合理曝光量，那么問題就轉化為如何確定一個主播的合理曝光量。
對于主播合理曝光量的確定，可以采用增量測試的辦法。
所有來平臺開播的主播都給予一個基礎的流量曝光，然后可以得到一個考核的指標。就像考試一樣，給一個分數，如果分數不錯，那么就再增加曝光；如果依然表現不錯就繼續增量上漲，如果表現一般或不行后就停止流量的增加，以此來動態確定一個主播的合理曝光量。
一個主播的合理曝光量確定后，就需要合適的辦法去達到這樣的曝光。
方法可以有很多種，這里簡單介紹一種思路，學過控制理論的人都知道，閉環控制最基礎的是得到一個反饋量，有了反饋后才能通過控制算法確定控制輸出。
在這里可以簡單套用這種反饋的思路。如下圖所示：
合理的曝光量為u，y為實際已有的曝光量，e為實際曝光和合理曝光的差值。
我們可以把這個差值融入到直播間在列表排序的分值中去，這樣沒達到合理曝光量的直播間差值e就會很大，該直播間在排序中就會靠前；如果達到了合理曝光量，甚至超過了，那么誤差e為零或負值，就會降低原有的排序值，降低排序，從而減少了曝光。
總結&后記
上述主要解釋了如何判斷流量集中的好壞，以及在流量集中造成不好影響時，如何進行流量的分散以及如何合理的分配流量。
具體可操作的方式有很多，至于何種好，還是看其對流量最核心優化目標RPM的提升。在具體操作中，也需要通過不停的灰度試驗去調節相關的參數。
而且上述的所有思路都是在沒有考慮個性推薦，假設所有流量是無差別的基礎下做的。
想必到這，大家也會覺得，個性推薦是提升RPM，合理分配流量的下一步。
的確，個性推薦就引出了下一個話題——如何精準的實現流量分配。在這里就不多說了，具體的后面再總結。
作者：南村小付，微信公眾號：南村小付，快手高級產品經理，曾任職阿里，歡聚時代，7年互聯網產品設計運營經驗。
本文由@南村小付 原創發布于人人都是產品經理，未經許可，禁止轉載。
題圖來自Unsplash，基于CC0協議
關于：怎么才能更合理？大佬可以展開說說嗎
直播排序的第三篇沒有了？