編者按：本文來自微信公眾號劉言飛語（ID： liufeinotes），創(chuàng)業(yè)邦經(jīng)授權(quán)轉(zhuǎn)載。

今天想聊聊關(guān)于音樂產(chǎn)品的一些觀察和思考。

許多人會(huì)說，音樂產(chǎn)品的戰(zhàn)爭就是版權(quán)戰(zhàn)爭，版權(quán)買差不多了，音樂產(chǎn)品也就分出勝負(fù)了。實(shí)則不然。在騰訊系（QQ音樂、酷狗、酷我）早年間在華語流行領(lǐng)域建立版權(quán)優(yōu)勢前提下，網(wǎng)易云音樂還是堅(jiān)守住了陣地，有了黏性的用戶，形成今日的兩強(qiáng)格局。

背后的原理是什么呢？我們可以展開說下，用戶有關(guān)聽音樂的需求階段。

在決策層，要有發(fā)現(xiàn)音樂的途徑。這種途徑，一方面是站外通過熱門的綜藝、影視劇、公域（微博）或私域（朋友圈）的推薦，另一方面，是產(chǎn)品內(nèi)通過歌單、推薦等功能實(shí)現(xiàn)。

在消費(fèi)層，當(dāng)然最重要的就是先要可以聽（有版權(quán)的曲庫），播放的體驗(yàn)（播放器）。除了單純的聽歌消費(fèi)，圍繞著社區(qū)互動(dòng)而展開的 UGC 歌單、歌曲評論、動(dòng)態(tài)分享等，也會(huì)變成音樂體驗(yàn)的重要一環(huán)。

整體的價(jià)值邏輯是這樣的：

逐個(gè)來說。

1.足夠大的曲庫

關(guān)于版權(quán)的爭奪由來已久。早在 2015 年（聽起來都那么遠(yuǎn)古了），阿里就跟騰訊爭搶過不少獨(dú)家版權(quán)。那個(gè)年代阿里一度有超過 60% 的中文歌曲獨(dú)家版權(quán)。但蝦米和天天動(dòng)聽的發(fā)展卻還是讓人覺得可惜。

網(wǎng)易云音樂也是在那幾年突然崛起的，在華語流行版權(quán)并不占優(yōu)勢的情況下，甩開了其他對手。

看歷史發(fā)展也能得出結(jié)論：沒有版權(quán)是萬萬不行的，但只有版權(quán)也是萬萬不可的。

2.決策場景和消費(fèi)場景

播放器方面，體驗(yàn)很難能拉開大的差異，無非是封面圖的展示方式、歌詞的展示和定位、播放的設(shè)置等等。并不是說創(chuàng)新難，而是創(chuàng)新的任何功能，對手都能輕松抄去。

在消費(fèi)場景上可突破的，顯然不如在決策場景上可突破的。

決策場景要解決的是：用戶想聽歌的時(shí)候，去哪里找歌。

站外的決策難以影響，在產(chǎn)品內(nèi)就是兵家必爭之地。網(wǎng)易云音樂的“發(fā)現(xiàn)”標(biāo)簽頁，和 QQ 音樂的“推薦”標(biāo)簽頁，是最核心的頁面。

他們起到的核心作用就是推薦。

可以聯(lián)想到淘寶為什么對微信和拼多多非常忌憚：假如用戶的決策過程都在微信里完成了，那是多么可怕的事情。而龐大完整的熟人關(guān)系鏈、朋友圈和公眾號公私全包的內(nèi)容平臺，簡直是消費(fèi)決策的溫床。

還可以類比高德對滴滴的威脅：一旦高德的打車心智在用戶心里建立穩(wěn)固了，滴滴會(huì)淪為運(yùn)力供應(yīng)公司（大型出租車公司）。

所以反過來看就知道做推薦的價(jià)值多大了。把握了決策環(huán)節(jié)，至少會(huì)有這些衍生價(jià)值：

• 通過更佳的使用體驗(yàn)增加用戶留存

• 通過更多使用場景增加用戶活躍

• B端的廣告價(jià)值（品牌效果均可）

推薦是重中之重，做的方式有兩種：UGC 和系統(tǒng)推薦。

這兩種方式都可以“發(fā)現(xiàn)內(nèi)容”，在不同內(nèi)容載體上出現(xiàn)了明確的產(chǎn)品形態(tài)區(qū)分。比如電商里，淘寶的“有好貨”就是系統(tǒng)推薦，直播帶貨就是 UGC。知乎里，推薦頁面是系統(tǒng)推薦，收藏夾就是 UGC。

下面著重說下個(gè)性化推薦。有機(jī)會(huì)再聊 UGC。

3.個(gè)性化推薦方法

發(fā)現(xiàn)/推薦音樂的方式有很多，有多個(gè)維度可以拆解。

第一個(gè)維度，是基于什么推薦。

推薦系統(tǒng)是個(gè)龐大的復(fù)雜問題，在文內(nèi)不宜展開講。底層邏輯則可以用兩種常見的協(xié)同過濾（Collaborative Filtering）算法舉例。

基于用戶的協(xié)同過濾（UserCF），指的是給用戶A的推薦，參考愛好跟A相似的用戶B的情況。這種方法在亞馬遜發(fā)揚(yáng)光大，國內(nèi)的豆瓣早期是代表。如今電商平臺、內(nèi)容平臺也都普遍使用。

基于內(nèi)容的協(xié)同過濾（ItemCF），指的是用戶A的推薦，參考A之前喜歡的內(nèi)容。同樣也是常見算法，適用于已經(jīng)有足夠的用戶內(nèi)容喜好數(shù)據(jù)的場景。

很顯然的，ItemCF 只能源源不斷給用戶推薦已經(jīng)喜歡聽的音樂，不能讓用戶發(fā)現(xiàn)新的音樂類型。一直聽搖滾的，就永遠(yuǎn)是搖滾；一直聽流行的，也不會(huì)發(fā)現(xiàn)搖滾。UserCF 能相對好一些，雖然一直聽搖滾，但有相似的用戶開始喜歡上流行搖滾了，那也會(huì)被推薦流行搖滾。

第二個(gè)維度，是采用哪些數(shù)據(jù)。

如何量化“喜歡”，通常是通過用戶行為，計(jì)算一個(gè)合理的模型來做量化。公開信息里沒有找到詳細(xì)的描述，但可以間接判斷出，音樂產(chǎn)品通常是會(huì)采用這些數(shù)據(jù)的：

• 播放（及完播情況）

• 下載

• 收藏

• 搜索

• 評論

• 分享

• 主動(dòng)選擇不喜歡

得到喜歡的量化情況，在使用協(xié)同過濾時(shí)，還要量化“相似”。常見的有余弦相似度，計(jì)算空間向量夾角余弦。這個(gè)不展開說了，但很有趣，對算法邏輯感興趣的可以搜下。

第三個(gè)維度，是達(dá)到怎樣的目的。

從終極目的看，當(dāng)然是用戶的活躍和留存。不過中間的二級指標(biāo)，才是模型可控的，比如推薦轉(zhuǎn)化率（接受程度）、完播情況等等。

但這兩個(gè)指標(biāo)主要還是考慮準(zhǔn)確率。還有像剛剛提到的：我雖然平時(shí)經(jīng)常聽A風(fēng)格，但也需要聽B風(fēng)格的歌。畢竟喜歡某個(gè)歌手，反復(fù)狂推他的歌肯定沒錯(cuò)，但容易讓用戶覺得，推薦不到新的內(nèi)容。

這就要考慮召回率。這背后是多樣性和新穎性，也可以用指標(biāo)來體現(xiàn)，比如歌曲相似情況的方差、每輪推薦里是否有方差較大的歌，等等。

比如我最近聽中文流行和民謠比較多，但歌單里還是出現(xiàn)了一首英文歌和一首韓文歌。

另外，真實(shí)情況下，還要考慮各種特殊的場景。網(wǎng)易云音樂官方就做了這樣一個(gè)說明：

第四個(gè)維度，是推薦的對象。

歌曲是一個(gè)顆粒度，歌單則是另外一個(gè)重要的顆粒度。歌單比起歌曲來有這樣的好處：

其一，對用戶的容錯(cuò)率高。歌單的 30 首歌里有 20 首滿意也可以接受。但歌曲推薦不成功，用戶就對功能失望。電臺處于二者之間，用戶對無預(yù)期的播放列表，容錯(cuò)率也不是很高。

其二，以歌單為維度設(shè)計(jì)模型更容易實(shí)現(xiàn)多樣化目標(biāo)。比如剛剛提到的新穎程度，歌單容易實(shí)現(xiàn)。而單首歌曲的推薦就不太容易實(shí)現(xiàn)。

所以我們看到，QQ 音樂和網(wǎng)易云音樂幾乎都是歌單推薦為主。

4.說說體驗(yàn)

網(wǎng)易云音樂和 QQ 音樂的每日推薦都在各自推薦/發(fā)現(xiàn)頁很顯著的位置。

推薦的歌曲都是 30+首。維度也相似，大多是常聽的風(fēng)格，少數(shù)是有些陌生的風(fēng)格。

從個(gè)人體驗(yàn)上而言，我?guī)缀踔挥镁W(wǎng)易云音樂，當(dāng)然并非只因?yàn)橥扑]做得好，更多是我平時(shí)聽歌在網(wǎng)易云音樂比較多，QQ 音樂想推薦好力不能及。

看公眾評價(jià)的話，網(wǎng)易云音樂起步更早，目前的好評也更多。

另外，《界面》在 2017 年就提到，網(wǎng)易云音樂的曲庫使用率高達(dá) 80%。這很大程度上是個(gè)性化推薦的功勞。說明在個(gè)性化推薦的多樣化和新穎性上做得出色。

有意思的是，網(wǎng)易云音樂最近上線了一個(gè)叫“私人雷達(dá)”的功能，呈現(xiàn)為歌單形式，用戶進(jìn)入的是同一份歌單，但實(shí)際上每個(gè)用戶看到的歌曲內(nèi)容都不一樣。本質(zhì)也是個(gè)性化推薦功能。

我讓平時(shí)日均聽歌時(shí)間超過 2h 的哥們試用了下，他表達(dá)說，感覺私人雷達(dá)的準(zhǔn)確度還不錯(cuò)，讓他有興趣收藏的會(huì)在 1/2，用其它產(chǎn)品類似功能的時(shí)候一般到 1/4 就不錯(cuò)了。

和其他推薦功能不同，歌單是可以評論的，在工具性的基礎(chǔ)上還有點(diǎn)社區(qū)互動(dòng)屬性。私人雷達(dá)的評論區(qū)是這樣的：

有個(gè)細(xì)節(jié)是，私人雷達(dá)會(huì)出現(xiàn)聽過的歌，因此更像心動(dòng)模式（基于紅心歌曲進(jìn)行推薦的模式）。說明是與“發(fā)現(xiàn)新歌”不同的場景。

這就很有意思了。是否對更多場景，有更多個(gè)性化探索的可能性？現(xiàn)在的場景化大都是 UGC 來完成，未來是否有針對每個(gè)人個(gè)性化的咖啡場景動(dòng)態(tài)歌單、學(xué)習(xí)場景動(dòng)態(tài)歌單？

UGC+機(jī)器學(xué)習(xí)算法結(jié)合，在音樂曲庫方面，會(huì)比文字和視頻都要容易做（歌曲的信息更機(jī)構(gòu)化），也許是一個(gè)很前瞻的探索。

先說到這吧，希望能有啟發(fā)。

本文（含圖片）為合作媒體授權(quán)創(chuàng)業(yè)邦轉(zhuǎn)載，不代表創(chuàng)業(yè)邦立場，轉(zhuǎn)載請聯(lián)系原作者。如有任何疑問，請聯(lián)系editor@cyzone.cn。