短视频平台是怎么把“推荐系统”变成“现金流”的？
推荐的目标函数如果只盯着“时长”，很难养活一家公司；真正落地的是一套多目标加权的机器：时长 / 互动 / 广告收益 / GMV / 订阅留存，在不同场景、不同人群间动态换挡。
话不多说，我们直接进入正文。
0. 先把“目标函数”说清楚
平台侧常见四个一等公民指标：Watch Time（时长）、Ads Revenue（广告）、GMV（带货）、Subscription（订阅）。它们不会共享同一个最优点，所以线上一般是分场景多目标排序：信息流的主目标偏时长，穿插广告位时在收益上调权重；直播间偏打赏概率/预期收入；货架/导购页偏转化与客单；付费内容页偏续费率与N天留存。
简单写成一个目标函数是这样的：
maximize ( w₁·WT + w₂·AdRev + w₃·GMV + w₄·Subs )
subject to 频控、体验阈值（跳失率上限、投诉率上限）、品牌安全、合规要求、延迟预算等约束
权重不写死，人群×时段×上下文都是调参点。
1. 数据与在线服务的“底座”
先给一张总览图，后面逐块展开：
flowchart A[客户端埋点\\n曝光/点击/停留/转化/支付] --> B[Log Agent] B -->|实时| C[Kafka Topic] C --> D[Flink 实时计算\\n曝光/点击/频控/转化回补] C --> E[离线Batch\\n特征汇总/样本产出] D --> F[特征服务（Feature Store）\\n在线特征] E --> F F --> G[召回层\\nCF/Embedding/Graph/规则] G --> H[粗排\\n轻模型] H --> I[精排\\n多目标学习] I --> J[重排&约束\\n频控/多样性/新鲜度/品牌安全] J --> K[下发Feed/广告/直播/带货位] K --> L[AB平台\\n指标采集/归因/显著性检验] L --> E L --> D I --> M[收入结算&对账\\n广告/分成/佣金/订阅]
关键点：
- 埋点不是“越多越好”，而是可回放、可对账、可归因。曝光、视完、点击、加购、支付、退货，都要链路打通。
- 特征服务同时提供低延迟在线特征（近5/30/180分钟行为、近场会话特征）与稳态离线特征（长期偏好、画像、创作者画像）。
- 召回多路并行：CF、向量召回（ANN/HNSW/IVF）、图召回、规则/冷启动，保证覆盖率与多样性。
- 多目标排序：多任务学习（CTR/CVR/时长/打赏/下单/续费），线上做重排与约束（频控、品牌安全、多样性、topic阈值）。
- AB平台是生命线：指标定义要统一，归因要可解释，显著性检验别玩花样。
2. 广告变现：从竞价到频控
链路：请求 → 候选广告召回 → 预测（CTR/CVR/ARPU） → 出价/eCPM → 拍卖/排序 → 展示与落地页 → 结算。
几个落地点：
- 出价与eCPM：不同计费模型（CPC/CPM/CPA/oCPM），线上常把“预期价值”统一到eCPM空间做可比排序：
eCPM ≈ Bid × p(click) × p(value|click) × ... - 多目标排序：信息流中广告要与自然内容一起排，常见是把广告的收益值映射到与时长接近的分值，再统一排序。
- 频控（Frequency Capping）：人均/创意/广告主维度的上限，避免“广告疲劳”拉高跳失。
- 预算节奏（Pacing）：平滑消耗，避免早晨就花完预算；对大促/节点做节奏模型。
- 品牌安全：类目/语义/画面检测，屏蔽不合宜的上下文；再做负反馈快速生效。
- 效果衡量：线上看 eCPM、CTR、CVR、跳失、次日留存；归因既要广告内转化，也要看间接影响（比如时长下降是不是被广告频次拉的）。
3. 直播打赏与虚拟礼物：激励与反作弊
商业核心是分成模型 + 激励设计：
- 分成：平台、主播、公会、渠道的比例与发放周期；礼物价格档位设计（从几毛到几百），配合特效与社交放大。
- 激励：任务阈值（连击解锁、榜单冲刺）、PK 倒计时、行为闭环（送礼→主播反馈→继续送）。
- 模型侧：预测打赏概率与预期收入，直播feed排序时把潜在高ARPPU用户与高转化场景匹配。
- 反作弊：识别“自刷/对倒”与“黑产礼物”：设备指纹、支付指纹、同构图谱、异常时序/金额分布；风控与财务对账要打通。
4. 带货：从内容到GMV的转化漏斗
把“上头剁手”翻译成指标，就是一条转化漏斗：曝光 → 点击 → 到达 → 停留 → 加购 → 下单 → 支付 → 退款。
工程点：
- 内容-商品匹配：视频/直播内容向量与商品向量做相似度召回；再加类目/价格带/人群匹配。
- 多目标排序：不仅看点击，更看预期GMV与退货风险（有的类目高退货会吃掉利润）。
- 归因：last-click 很“省事”但常常失真；多触点/时间衰减/路径模型更稳，至少要做对比线上验证。
- 风控：高返利场景要盯“刷单/羊毛党/虚假物流”；对账维度细到订单、商家、达人三侧。
- 实验：别只盯GMV，总要搭配净利润/客诉/退款率看；否则“拔苗助长”。
5. 订阅与反流失：付费墙是个策略问题
订阅不是“弹个窗”这么简单，它是一个漏斗 + 生命周期问题：
- 漏斗节点：曝光 → 点击 → 试用 → 支付 → 次月续费 → N月留存。
- 付费墙：触发时机（关键内容、关键时长、关键能力）、权益打包（免广告、画质、独家内容）、价格分层。
- 反流失：续费预测、价格弹性测试（降价/延长试用）、到期前唤回（Push/站内信/福利）。
- 合规与体验：自动续费明确告知、取消路径清晰、扣费前提醒；这些不是“形式”，它们影响复购口碑与投诉率，最终回到指标。
6. 激励玩法与“金币返现”：单位经济学算得过来吗？
很多“看视频赚金币”的玩法，本质上是以激励换时长/留存。能不能长期跑通，看两条：
- 单位经济学：激励成本（可视为现金等价） vs. 额外带来的广告/电商收入增量。如果每小时激励支出 > 每小时增收，就是在烧钱换“漂亮报表”。
- 风控与清结算：批量设备、模拟器、自动脚本很好混入；没有设备/账号/行为三合一的识别，很快被薅秃。
- 经验上，这类玩法适合冷启动/节点拉活，长期要用阈值、衰减、上限控制成本，并与主目标（时长/留存）做边际收益分析。
7. 短剧小额付费：切片、定价与AB
短剧火不是偶然，它把“内容切片 + 付费点设计”做到了极致。
- 内容切片：高密度反转/悬念点在1min左右卡断，提升下一集点击与付费转化。
- 定价：金币打包 vs. 单集直付 vs. 套餐；不同用户分层价格测试（注意合规边界）。
- 指标：CPM/千次播收入、ARPU/ARPPU、完播率、集间流失、退款率；不要只看收入，退费与投诉会反噬口碑。
- 风控与合规：自动续费提示、未成年人限额、消费二次确认、显著的“价格-时长”信息披露。
8. 一张可落地的系统蓝图
延迟预算：信息流/广告位一般要在 50~150ms 内给出排序结果；召回与特征服务各自占一部分，缓存命中与降级预案要写进SLO。
召回与向量检索：ANN（HNSW/IVF/PQ），冷热分层；Embedding 训练走对比学习/多任务，线上做域适配。
重排与约束：多样性（topic/作者去重）、新鲜度（冷启保护）、频控（广告/创意/达人数），以及“品牌安全/内容安全”的硬约束。
AB与指标：统一指标平台、统一归因口径；显著性检验别“厨艺”，小流量先验算，避免业务大动脉被抖坏。
结算与对账：广告账期、佣金结算、主播/达人分成、渠道费与退款回冲；财务侧的单据与日志哈希留痕，支撑审计。
治理：黑灰产识别（设备指纹、同构图谱、异常时序）、内容安全（审核+增量在线拦截）、未成年人保护（时长/夜间/付费限额）。
9. 取舍与边界：别让目标函数跑偏
- 收益 vs 体验：短期把广告频次拉满会涨收入，但抬跳失、掉留存，三周后ARPU回落得更快。
- GMV vs 口碑：强推高退货类目带来的“假繁荣”，会在客服与退款里找回来。
- 订阅 vs 信任：取消路径一旦“绕”，投诉与差评就会教育增长团队什么叫“负向飞轮”。
10. 结语：把“商业”还给“系统”
如果只把“推荐系统”当成“让人多看两条”的工具，最后会陷在时长里拔不出来；把变现指标、风控合规、体验约束纳入统一的目标函数，用工程化方式治理，系统才会越跑越稳。
