这篇我们来说说一个新的话题：商业。商业剖析是一个有趣但复杂的命题，每个人的切入角度和剖析方式都不尽相同，得出的推论也可能千差万别。我们还是本着分享的精神，抛砖引玉，欢迎你们留言讨论。
本文所有数据都来自我们亲自搜集和第三方数据源。由于抖音和快手都不是上市公司，并没有财报等官方材料可以参阅，而且可以免费找到的数据量有限，所以我们只做方向性剖析，并不会公布具体数值。
01
从问题开始谈起
任何商业剖析就会从一系列问题开始，脱离了问题的剖析会”空“而”散“。我们这篇的问题起源于一份商业报告。在Fastdata极数发布的《2019年中国短视频行业发展趋势报告》中，有这样两张图：
这个现象很有意思，但是这份报告中的配图并不能挺好的证明这个现象。我们这篇要讨论的问题就是：这个现象是否创立？如果创立的话，产生这样的现象背后的商业逻辑是哪些？我们可以从中得到如何的洞察呢？
首先来看第一个问题：这个现象是否创立？我们给出的假定是：成立。那么如何验证假定呢？这须要数据搜集整理和剖析。我们始终要指出，受限于数据量，我们只剖析方向性的推论。下面来看具体剖析。
要剖析两个平台粉丝分布情况，我们关注的主要指标是帐号的粉丝数。我们搜集了截至2020年1月31日，抖音和快手粉丝数最多Top 200的帐号和其粉丝数(数据来源：飞瓜网)，将其分别从高到低排序。
同时，粉丝的绝对数目并不具备有效的比较意义，我们要对搜集到的数据进行归一化处理，归一化的标准是两个平台2020年1月的月活数(数据来源：飞瓜网)。
某账号归一化粉丝数 = 该账号粉丝数 / 该平台当月月活
(这样归一化的假定是帐号的累计粉丝数，与相应平台的月活数呈一定程度的正相关。)
归一化后的数据在一定程度上抹掉了平台间的差别，就具有了比较的意义，我们记作
normalized # of followers tiktok(i)
normalized # of followers kwai(i)， i代表排序。
下一步我们来生成一个比较值：
normalized#offollowerstiktok(i)-normalized#offollowerskwai(i)，i是1到200。
记作delta normalized # of followers t-k (i)。其代表的意义是，在某一排序位i上，归一化后的粉丝数，抖音(t)比快手(k)高多少。
我们将上述指标呈现在图表中，如下图所示。
(蓝色代表抖音归一化后粉丝数，红色代表快手归一化后粉丝数，黄色代表两者差值，横轴代表排序位，从左到右从高到低。)
我们可以看见，在排行相对较高的区间内，抖音帐号比快手帐号的粉丝数多，随着排行的增加，二者差别变小。由此我们可以基本得出方向性的推论：抖音粉丝向腹部小号集聚，快手粉丝分布愈发扁平，这个现象是创立的。下一部分我们来看这现象背后的商业逻辑是怎么样的。
02
用系统思维看商业逻辑
对于系统思维是哪些，不是本文重点，感兴趣的小伙伴可以参阅Dennis Sherwood的书: Seeing the Forest For the Trees: A Manager's Guide to Applying System Thinking。这里直接上剖析结果：
那么如何理解这张图呢？在这张图里我们可以看见几个要素、多条因果关系和一个提高回路。简单来说，就是对于抖音或则快手这样的平台，账号的粉丝数降低，会带来更大的流量，更大的流量会带来帐号主体也就是创作者的收入降低，创作者的收入降低或则品牌效应会激励其生产更多内容，而更多的内容经过平台的内容分发渠道，就会更多的引流，从而带来更多的粉丝，如此循环往复，就会形成一个正向的提高回路。
我们可以很容易看出，当平台的内容分发逻辑不同时，就会对不同等级和类别的帐号形成不同硬度的提高回路，从而造成我们看见的“抖音粉丝向腹部小号集聚，快手粉丝分布愈发扁平”现象。这样我们就确定了下一步剖析的重点：不同平台的内容分发逻辑有何不同。
我们主要从两个方面剖析抖音与快手的内容分发逻辑：产品交互设计，推荐算法逻辑。
产品交互逻辑
鉴于我们都不是专业的产品人，就简单剖析一下抖音和快手首页的一级交互方法设计，来管中窥豹，略见一斑。下面是抖音(左)和快手(右)的首页。
第一点。可以看见，对于页面上方的重点突出位置的交互入口，抖音是两个，分别为“关注”和“推荐”，而快手为三个，为“关注”、“推荐”、“附近”。简单来说，除了“关注”和“推荐”两个主要的内容分发方法外，快手非常指出了“附近”，或者说“同城”的分发方法。
强调“同城”，就意味着将更多用户引流进更小的圈子，相比抖音的全视频库算法推荐，快手的同城内推荐，就会让更多的视频和创作者在小范围内得到更多的爆光度。
第二点。二者首页的另一个显著的区别是，抖音是单视频、自动播放、沉浸式的体验，而快手是双排四视频、点击播放、预览式的体验。这种设计方法的区别会导致单位时间内，更多作品会在快手上得到更多爆光。
我们期盼产品高手能在评论中带来更多剖析。不过虽然这只是九牛一毛，也基本可以看出抖音和快手在内容分发上的逻辑有很大差异，也从一定程度上能看出为什么我们会听到“抖音粉丝向腹部小号集聚，快手粉丝分布愈发扁平”的现象。
推荐算法逻辑
对于短视频产品，最重要的内容分发还是”推荐“，而”推荐“又离不开背后的算法。解构一套复杂的算法是一项基本不可能完成的任务，所以我们采取了作出假定，然后以实际用户的角度来进行数据剖析的方式来进行部份的reverse engineering。仍然要指出，受限于数据量和剖析复杂度，我们只做方向性的假定和验证，而不做数值上的验证。
我们把”推荐“分成两块：对已关注帐号的内容推荐、对未关注的热门个性化推荐。
