荐书丨探索传媒前沿：《传媒前沿课：智能融媒、算法逻辑与数据实践》

喻国明

田永鸿

刘燕南

张洪忠

金小刚

张   伦

丁   迈

谭北平

姜   涛

郑维东

王北云

喻亮星

葛承志

杨淼钰

张希煜

郭全中

附  录

后  记

就传播侧而言，我们说新媒体抢占了传统媒体的生存空间，很大程度上并不是说它们生产了多么丰富优质的内容，而是说它们拥有或占据了更多的内容分发渠道，引发传统媒体的触达焦虑。在传统大众传媒时代，传播侧的内容生产和内容分发这两个环节基本是一体的，传媒主要通过优质的内容来吸引受众，分发渠道单一，以中心式分发为主。

新媒体的出现使得内容分发环节异军突起，在整个传播链条中发挥着举足轻重的作用。一个互联网资讯平台或集成平台，可以不是一个好的内容生产者，甚至不是内容生产者，却可以通过做内容搬运工，通过内容分发、精准匹配而在市场竞争中脱颖而出。之所以如此，原因在于数智技术的支撑，使内容分发得以从传播环节分离出来，独立于内容生产，真正落实到与受众的连接上，成为能够适配受众和发挥变现能力的关键环节，因为，它离受众最近。

目前，内容分发大体分为三种模式：第一是编辑分发又称为中心式分发，第二是社交分发，第三是智能分发。传统媒体时代的分发逻辑是中心式的，信息从一个点辐射到一个面，编辑同时完成内容生产的把关和分发工作。社交分发和智能分发则是媒介进化到互联网时代的产物，是具有标志性意义的创新。

当然，这些平台也在深耕分发环节，比如会构建自己的内容流量池，对其中的信息进行不同的预处理。快手与抖音最大的不同是，快手的初级流量池会将内容按照 60% 兴趣标签 +40% 关系用户的比例进行推荐，而抖音推荐基本上根据兴趣标签来，比例大约是90% : 10%，而且进入推荐位置要经过两轮流量池的筛选，快手只有一层筛选。所以整体来说快手推荐的社区属性更强一些。另外，今日头条会给同一条新闻配上不同的标题或配图，根据这些内容在流量池中表现的好坏来进行取舍。这类似于一种AB实验的测试方式，优胜劣汰，不断优化传播的内容爆点，找到与受众兴趣和偏好相匹配的信息。总之，对比传统媒体由点到面的无差别分发，智能推荐是点对点更精准的分发。

上述所有的数据确实都是一个个数据孤岛，各个数据平台之间是有相当隔阂的。一方面这种数据孤岛存在于各个品牌商、运营商、广电部门以及电视台之间。因为大家都明白这个时代数据的价值，同时还存在一定的商业竞争关系，谁也不愿意主动分享数据。另一方面，这种数据孤岛甚至存在于企事业单位的各个部门中，例如一家省级电视台想拿到IPTV数据不一定可行，要看IPTV数据在省级运营商中由哪个部门分管。同时，IPTV和有线电视的数据管理部门也很难共享数据。

所以，现在行业中的数据非常多，但更像是一个个封闭的王国。目前，大部分公司还处于数据的加法增长阶段，少部分公司进入数据的指数增长阶段。在指数级增长后，公司的主要矛盾将成为日益增长的数据存储费用和仍然稀缺的数据应用之间的矛盾。这种数据富足和数据孤岛并存的状态所带来的问题是，数据价值在市场中的不断贬值，这稀释了管理者对于数据市场价值的认知。换言之，数据随处可见，而又标准各立，大家会发现好像在面对这些数据的时候有些无所适从的感觉。因为一套数据体系各用一套标准来衡量，没有全国乃至世界统一的一个标准，在这种情况下数据的市场价值就很难真正去衡量了。

解决这个问题的主要方案是建立一套权威、标准的数据标准体系，实现跨平台的数据统一，这也是目前数据市场所面临的难题。从目前来看，我国媒体融合的方向主要还是在尝试做内容的加法，打通产业链；大屏电视、长视频平台、短视频平台以及具有社交媒体属性的互动平台都在互相布局。微信推出的视频号功能，西瓜视频尝试做中长视频的思路，都是内容加法的一种应用。所以，未来的媒体生态其实是一个共生共荣的内容生态。那么，我们的数据生态也就是评价体系如何呢？如下图所示，左边是CNNIC发布的第46次《中国互联网络发展状况统计报告》的数据，其中网络应用包括即时通讯、网络视频、音频、短视频、网络音乐、网络直播、游戏、在线教育、网络新闻、网络文学和其他。右边是2020年上半年CSM所有调查城市当中各类节目的收视比重，其中包括整个电视媒体的三大支撑：综艺、新闻及电视剧，其次还包括生活服务专题、青少电影、体育等。大家一般引用的大屏端数据是CSM的，互联网端数据是CNNIC的，但这两套数据是完全没关系的。换句话说，这两套数据的评价内容是共融共生的，但评价体系却是分裂的。所以，我们不仅需要建设一个共生共荣的内容生态，也要建设一个共生共荣的评价体系。

CSM媒介研究网络端与电视端的评价体系

内容添加水印实际上是为了把内容标签化，便于跟踪，对多终端的内容都可以实现有效的监测，而且有助于去重。

严格来说，内容测量和建立数据集成平台不是两种思路，而是两种不同的技术类型：一种是测量技术，通过内容的标签化有效实现多终端的内容测量；数据集成则是一种数据应用，把测量所得数据、后台回传数据等多种来源的数据进行整合，其中有同源样本数据，也有非同源样本数据。但是从逻辑的角度来说，实际上只有一种思路，即能用样本测量解决问题的就用样本测量来解决，样本测量解决不了的问题，就用大数据或者回路数据等其他办法来解决。但是目前的传媒实践是平台很多，内容也相应很多，就变成了各种数据混合而成的集成数据，而不是一套完整的数据。但是在具体的数据获取和测量方式上，可能有所不同，例如凯度是通过对测量内容添加水印的方式来获取测量数据的,而尼尔森也有别的办法。

所以要做跨屏测量其实主要的思路就是先分再合。混合的数据要放到一起，通过数据处理中心的规则算法抽取和清洗这些数据，获得有关收视行为和用户标签大数据的基本维度，然后再将这些数据进行融合，现在业界有一些整合数据的方法，比如可以通过数据融合(data fusion)、数据整合(data calibration)等方式找到其中的一些关键变量，对不同维度的数据进行搭桥，来实现同源、不同源样本数据的融合，其中就涉及一些具体的算法了。