← 返回首页 思考[AI 辅助]

给创作种草

让用户创作,和商业化里的种草、拔草,是同一类增长问题。商业化验证过的漏斗、打法和坑,几乎都能搬到创作上:种草让人想拍,拔草帮人拍完;作品发出去之后的分发,是一种社会认可,也是对种草最大的激励;最后让创作者给创作者种草,生态才会自己转起来。

观点来自作者本人与 AI 的讨论,文字整理由 AI 辅助完成。

在做创作者生态的工作里,「激发创作」「inspire」这些词我几乎每天都在说。但说多了会发现,这个词其实很虚:到底什么样的内容算「有启发」?用户从刷到一条视频,到自己拍出一条,中间到底发生了什么?

前几天早上我突然想到:这不就是种草吗?

只不过种下的不是一件商品,而是一个念头:「我也想拍一个。」

顺着这个念头往下想,我越来越觉得这不只是一个比喻。

同一类增长问题

我的看法是:让用户创作,和商业化里的种草、拔草,是同一类增长问题。

两者要解决的事情是一样的:用户本来在刷内容,平台希望他在刷的过程中,做出一个成本更高的行动。商业化希望他掏钱买东西,创作希望他花时间做一个作品。而推动这个行动的,主要都是他刷到的东西。

把两边并排放在一起看,结构几乎一模一样:

商业化用户创作
目标行动购买发布作品
行动的成本钱时间、技能,还有「敢不敢发出来」
推动它的内容种草笔记、达人视频、广告别人的作品、模板、音乐
推动它的产品活动大促、新品首发、限时秒杀、品牌挑战赛trend、挑战赛、节日话题、创作活动、创作激励
意图信号搜索、加购、收藏收藏音乐、打开模板、点开相机、存草稿
拔草的基础设施购物车、优惠券、一键下单模板、一键进入创作工具、草稿箱
衡量的难点归因不准,要看真实增量同样的问题
和消费的取舍广告多了,体验会变差用户回去创作,就会少刷一会儿
对生态的意义卖家越多,供给越丰富创作者越多,内容越丰富

这张表里有一点值得单独说:两边的增长,都是靠「内容」和「活动」两条腿在走。 内容提供日常、持续的种草;活动负责制造集中爆发的时间点,给用户一个「就是现在」的理由。电商有双 11,创作有 trend 和挑战赛。

既然是同一类问题,商业化这些年验证过的漏斗、打法、衡量方法,以及踩过的坑,就都值得搬过来。

其实这一类问题不只这两个。关注一个人、付费订阅、直播打赏,本质上都是「从消费走向行动」。只不过电商把这件事研究得最透,创作又恰好是我每天在做的事。

一张漏斗:种草、拔草和自转

国内平台把种草做得非常细。巨量引擎的 O-5A 模型,把用户分成五层:了解(Aware)、吸引(Appeal)、问询(Ask)、行动(Act)、拥护(Advocate)。1 这个模型里我最在意的,是第三层「问询」的定义:它不是由「看了多少」来定义的,而是由搜索、加购这类主动的、高意图的动作来定义的。

背后的认识很朴素:看到不等于想要,想要也不等于行动。 每一层之间都有一道坎。

把这五层搬到创作上:

阶段电商创作属于
了解刷到一个商品刷到一条可以模仿的内容种草
吸引反复看、被打动觉得「我也想试试」种草
问询搜索、加购收藏了音乐、打开了模板、存了草稿,但还没发种草和拔草的分界
行动下单发布作品拔草
拥护复购、推荐给朋友持续创作,并带动别人也来拍自转

我把「问询」,也就是用户已经心动的那一刻,当作分界线:种草负责把人带到心动,回答「种给谁、种什么」;拔草负责从心动走到发布,回答「怎么跟进这份心动」;自转是最后一层,让创作者去给更多人种草。

对着这张表,我最大的感受是:在创作上,大家的力气大多花在前两层,想办法让用户刷到更有启发的内容。可是有大量用户,其实已经卡在了第三层。他们收藏了一首歌,打开过一个模板,甚至拍了一半,然后就没有然后了。电商里,购物车里躺着东西的用户是最值钱的;创作这边,这群人往往没有被单独看见。

种草:让人想拍

种草这一段,我觉得可以拆成六项工作:

工作电商里怎么做创作里怎么做
找到能种草的内容测评、好物合集、教程可复刻的作品、教程、有时效和新鲜感的玩法
种给对的人人群定向按创作倾向、创作领域、兴趣来定向
选对种子来源KOL / KOC 金字塔,重在腰部让「像我的人」来种草,而不是头部大号
产品活动大促、新品首发、品牌挑战赛trend、挑战赛、节日话题,并推给对的人
降低门槛派发试用装模板、同款音乐、一键进入创作工具
社会证明销量、评价「已有 1 万人拍过」「你关注的人拍过」

找到能种草的内容。 让人想拍的内容,和让人想一直刷的内容,往往不是同一批。教程、新鲜的玩法、普通人也能复刻的作品,未必是最「好看」的,但最容易让人动手。有时效性的内容也一样:一个刚冒头的玩法,比一个已经被拍烂的玩法更能激发人。

种给对的人。 种草最怕撒胡椒面。同一条内容,推给一个本来就有创作习惯、领域又对口的人,和推给一个只看不拍的人,效果完全不同。

选对种子来源。 品牌种草讲究金字塔:头部 KOL 负责声量,腰部达人和大量普通用户负责转化。Facebook 早年的一项大规模实验也发现,单个强关系的影响更大,但真正把新信息传开的,是数量庞大的弱关系。2 创作上更是如此。一个百万粉丝的大号拍的东西,普通人看了会觉得「那是人家的」;一个跟自己差不多的人拍的,才会让人觉得「这个我也能拍」。

产品活动。 电商靠大促集中引爆,创作靠 trend 和挑战赛制造「现在就拍」的理由。推荐在这里的作用,是把活动推给对的人:一个美妆创作者对篮球挑战不会有感觉,活动再热,推错了人也是打扰。还要看 trend 处在哪个阶段:早期推给愿意尝鲜的人,晚期推给需要「抄作业」的人。

降低门槛。 派样是最古老的营销手段之一。研究发现,派样的价值不只是让本来就会买的人提前买,更重要的是「扩张」:让本来根本不会尝试的人也试了一次。3 创作上的试用装,就是模板、同款音乐、卡好节拍的素材。它最大的价值不在于服务老创作者,而在于把从来没拍过的人拉进来。还有一点:心动之后要一步到位,直接落进创作工具。中间每多一个页面,就多流失一批人。

社会证明。 一项著名的音乐市场实验发现,让人看到别人的选择,会显著改变他们自己的选择。4 在用户犹豫要不要动手的那一刻,告诉他有多少人、甚至他认识的谁已经拍过,往往比再推十条示范视频更管用。

怎么知道草种下了? 小红书和抖音衡量种草,常用「看后搜」:看完内容之后,有没有去搜这个东西。创作上可以有一个对应的「看后做」:看完之后,有没有去收藏音乐、打开模板、开始创作。但要注意,这类归因数字很容易高估。有研究专门比较过,观察性的归因方法,常常还原不出随机实验测到的真实广告效果。5 想知道种草到底有没有用,最终还是要靠 A/B 实验。

拔草:帮他拍完

种草之后是拔草。电商里,拔草是一整套基础设施:购物车、优惠券、一键下单、降价提醒。平台花了大量心思,就为了让已经心动的人顺顺利利把钱付了。

创作这边的拔草,是帮一个已经心动、甚至已经开始创作的人,把作品做完。这件事目前几乎没有人认真做。我觉得它可以拆成五项工作:

工作电商里怎么做创作里怎么做
识别心动的人加购、收藏、搜索过的人收藏了音乐、打开过模板、存了草稿的人
同兴趣反复触达再营销跨多次使用,持续推同一兴趣的内容
按生命周期由宽到窄从品类推荐到具体型号从方向,到具体参考,到细节技巧
推进,而不是模仿推「能促成下单」的,不只是「会点的」推「能帮他往前一步」的,不只是「他会看的」
减少摩擦、适时提醒购物车提醒、降价通知草稿放了几天后,用相关内容把他带回来

识别心动的人。 拔草的前提,是先把这群人找出来。还可以更细一点:按他最近是从哪个创作入口进来的来分组。从音乐页进来的人、从模板进来的人、自己打开相机的人,需要的帮助并不一样。

同兴趣反复触达。 用户一旦表现出意图,就值得在接下来的几次使用里,持续给他推同一兴趣的内容。不过商业化在这里踩过坑:有研究发现,对表达过兴趣的人反复推同一件商品,平均效果反而不如普通广告。6 所以反复触达的重点是「同一个兴趣、不同的内容」,而且频次要克制,一天看到同一个创作机会两三次,比看到十次更像种草,而不是骚扰。

按生命周期由宽到窄。 这是我觉得拔草里最有意思的一点。一个人在创作的不同阶段,需要的东西完全不同,推荐的口径应该跟着收窄。拿想拍一条「自己在家做手冲咖啡」的视频举例:

阶段他在做什么推荐口径推什么
有了想法想拍一条做咖啡的视频宽:咖啡、生活 vlog各种风格的咖啡视频,帮他找到方向
开始拍存了草稿,拍了几个镜头中:同一种格式同样是「一镜到底做手冲」的作品,常用的配乐
打磨在剪辑、配乐、调色窄:同一种技巧转场教程、同款音乐的优秀作品、调色参考
发布之后作品发出去了回到宽新的灵感,开始下一轮

这和电商其实也很像:刚开始逛的时候推品类,心里有数了推具体型号,快下单时推评价和对比。

推进,而不是模仿。 由宽到窄背后,是推荐目标的一个变化。平时做推荐,问的是「他接下来大概会看什么」,这是在模仿他过去的行为。可对一个正在创作的人,更该问的是「推什么能帮他把作品往前推一步」。前者推的可能是他刷着刷着就跑题了的内容,后者推的是能让他回到草稿、继续做下去的内容。

减少摩擦、适时提醒。 购物车提醒之所以有效,是因为它提醒的是用户自己想要的东西。创作也一样:草稿放了几天,与其推一条泛泛的「快来创作吧」,不如推一条和他草稿相关的优秀作品,把他自然地带回来。没人要的提醒是骚扰,和他手上的事有关的提醒才是帮忙。

怎么知道草拔掉了? 拔草看的是草稿的完成率和从开始到发布的时间。其中完成率更重要:大部分草稿失败,不是因为做得慢,而是被放弃了。

创作之后:分发就是社会认可

前面说的种草和拔草,都发生在创作之前。我们现在的工作,也主要集中在这一段。但这绝不代表创作之后的事情不重要。恰恰相反,从我接触到的数据来看,创作之后的流量分发,对创作的激励是更重要的一环。 真正决定一个人还会不会再拍、甚至决定种草能不能成立的,往往是作品发出去以后,有没有人看见。

所以我觉得,创作之后的分发,是对种草最大的激励。它本质上是一种社会认可。

硬要和电商比的话,它像两样东西。一是用户买完之后得到的认可:买了一件新衣服,穿出去被朋友夸好看。正是这句夸奖,让这次购买「值了」,也让他下次还想再买、还愿意推荐给别人。二是评价和口碑:买家的评价,一点点攒成商家的信誉,又影响下一批人买不买。

创作上的这句「夸奖」,就是分发带来的观看、点赞、评论和关注。

电商创作
行动之后的认可衣服穿出去,被身边的人夸作品被看见,有人点赞、评论、关注
评价与口碑买家评价、商家信誉评论、关注,创作者慢慢攒下的口碑
它带来什么让这次购买值得,带来复购和推荐让这次创作值得,带来下一次创作

而且,这份认可不只作用在创作之后,它也在反过来影响创作之前。很多人卡在「心动但没发」,不是因为不会拍,而是因为心里没底:「拍了会有人看吗?」一个人第一次发作品就收到了真实的反馈,下一次就更敢发;他身边的人看到「一个跟我差不多的人,拍了也有人看」,本身又成了一次种草。

这里有一个和电商很不一样的地方。衣服穿出去有没有人夸,商家控制不了;可作品发出去有没有人看见,很大程度上是由平台的分发决定的。在创作上,社会认可的开关就握在推荐系统手里。 这既是平台最大的杠杆,也是一份责任。

所以对推荐系统来说,新创作者作品的冷启动分发,不只是一个内容分发问题,也是整条种草链路的最后一环。几点我觉得比较重要:

  • 第一批观众要找对。 同样是一百次观看,来自对这个话题真正感兴趣的人,和来自随机刷到的人,带来的反馈完全不同。认可的质量比数量更重要。
  • 反馈要来得快。 发完作品后的头几个小时,是一个新人最在意、也最容易放弃的时候。
  • 认可要是真实的。 刻意给新人刷量,短期看数字好看,但消费者的体验会变差,创作者也迟早会发现这份认可是虚的。分发能做的,是让好作品不被埋没,而不是给每个作品都制造掌声。

自转:让创作者给创作者种草

回到漏斗的最后一层:拥护。电商里,拥护是复购和口碑;创作里,拥护是一个人持续创作,而且他的作品带动了更多人来创作。

我在创作者飞轮那篇里画过一个圈:消费者变成创作者,创作者产出内容,内容回流给消费者。那个圈里最容易被忽略的,是 inspire 那条回路:创作本身在给创作种草。

一个生态能不能自己转起来,很大程度上取决于这条回路。如果每一个新创作者都要靠平台去激发,这个生态就永远需要平台推着走。只有当一个创作者的作品,能精准地被那些和他相似、正在犹豫的人看到,并且让他们也动手,生态才会开始自转。所以创作者作品的分发,也应该当成一件种草的事来做:不只推给会看的人,还要推给会因此去拍的人。

上一节说的社会认可,让一个创作者愿意继续拍;这一节说的回路,让他的作品去点燃更多人。两者合在一起,就是电商里的「复购」加「口碑」。

和商业化不一样的地方

说它们是同一类问题,不等于完全一样。至少有三点不同。

第一,目标和消费价值是背离的。 电商里,好卖的商品往往也是用户爱看的。创作上却不是这样:让人想拍的内容,和让人想一直刷的内容,往往不是同一批。如果只按消费价值来分发,最能激发创作的内容反而会被埋没。所以创作需要有自己的目标,不能指望消费侧的推荐顺便把这件事做了。

第二,创作和消费之间有取舍。 用户回去拍视频,就会少刷一会儿。长期来看,更多的创作者意味着更多的好内容,这笔账大概率是划算的;但这个取舍需要被看清楚、被主动选择,而不是被忽略。

第三,种草种多了,内容会变得同质化。 商品卖得越多越好,但同一首歌、同一个模板被一百万人复刻,平台上就只剩下一种声音。模仿是很多人迈出第一步的方式,这没有问题;可种草的终点,应该是更多的人开始表达自己,而不是更多的人在重复同一件事。

最后

商业化的种草,终点是一次下单。

给创作种草,终点是多了一个创作者。


  1. 巨量引擎,O-5A 人群资产模型。 ↩︎

  2. Eytan Bakshy, Itamar Rosenn, Cameron Marlow, Lada Adamic. The Role of Social Networks in Information Diffusion. WWW 2012. arXiv:1201.4145. ↩︎

  3. Kapil Bawa, Robert Shoemaker. The Effects of Free Sample Promotions on Incremental Brand Sales. Marketing Science, 2004. ↩︎

  4. Matthew Salganik, Peter Dodds, Duncan Watts. Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market. Science, 2006. ↩︎

  5. Brett Gordon, Florian Zettelmeyer, Neha Bhargava, Dan Chapsky. A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook. Marketing Science, 2019. ↩︎

  6. Anja Lambrecht, Catherine Tucker. When Does Retargeting Work? Information Specificity in Online Advertising. Journal of Marketing Research, 2013. ↩︎

创作者生态Creation推荐系统增长思考
← 全部文章Read in English →