做TikTok带货视频,靠的是平台的推送机制,
自然要与平台的底层算法打交道。
算法决定了视频的曝光量,能给多少人看到,有没有人喜欢,系统再根据用户行为反应进行回溯分析,给予曝光扶持。
按流量池来划分,短视频的播放量可以划分为四个层级:
第一层:300-500观看量
第二层:1000-5000观看量
第三层:5w-100w观看量
第四层:100w+播放量
那么,哪些数据会对推荐算法有加持作用?帮助视频突破更大的流量池?
如果按照打分权重标准来看,可以划分为以下几种:
1分:Like(点赞)
2分:Comment(评论)
3分:Shares(分享)
5分:Completion Rate(完播率)
6分:Re-Wacth(重复观看)
以上为粗略的推荐逻辑评判,另外还有一些曝光算法的潜规则:
系统会按照账号归属地,将视频优先推送给账号定位地区的用户。
比如你的账号定位在印尼,在视频发布初期,平台会主要把视频发给印尼用户。
这也是出于平台的区域性运营策略,让视频能从当地匹配度较高的群体中先获得反馈。如果在本地数据表现不错,再进一步推给其他地区用户。
除了归属地用户外,视频还会被投放到一个初始的小流量池,这个流量池里的用户是平台基于一系列宽泛的标签(如年龄、性别、大致兴趣等)筛选出来的。
例如一个宠物类视频,就有可能被推送给对宠物类有过浏览记录或点赞评论等互动行为的用户。
让视频在小范围内测试,测一测吸引力和内容质量,在一定程度上也决定了推荐量。
如果视频的数据表现好,点赞率、评论率、转发率、完播率等几个核心指标都很高,
高于平台设定的阈值时,视频会被推进到下一级更大的流量池。
新的流量池覆盖的用户范围更广、特征更多样化,可能会跨年龄层、跨兴趣群组等。
一旦确认该视频热度够高且趋势良好,TikTok平台会为该视频提供持续的曝光机会——叠加推荐。
到了这个量级基本百万播起步,只有超级爆款视频才会达到。平台还会给予更多的流量支持,推向更多不同类型的用户,引起大规模的传播和讨论。