标题：我把数据复盘了一遍：新91视频最容易被误会的一点：推荐逻辑其实写得很清楚
最近把一批新上传的91个视频数据复盘了一遍，想把结论写清楚送给和我一样每天盯着后台看曲线、纠结为什么“热度来了又没了”的创作者。结论很直接：很多人把注意力放在了能被直观看到的指标上（比如CTR），但平台在“把视频推大”和“挖到对的人”的判断上，更多依赖的是一套可以从行为数据中推断出的多阶段逻辑——而这套逻辑其实通过数据是可以看懂的。
下面把我做的事、关键发现、为什么会被误解、以及对创作者可执行的操作，一条条说清楚。
一、我做了什么（方法概览）
- 样本：91个近两个月内新上传的视频（题材、时长、投放地域有一定多样性），排除了明显的付费推广或付费流量干扰。
- 指标抓取周期：上传后1小时、24小时、72小时、7天的印象、点击率(CTR)、平均观看时长(AVD)、观看完成率（%观看）、互动（点赞/评论/分享）、流量来源分布（推荐、订阅、搜索、外链等）。
- 分析手段：相关性分析（皮尔逊相关系数）、分组对比（按首小时留存高低分组）、以及对“扩量触发点”的行为路径追踪（cold start → 小批量测试 → 扩量）。
三、数据里能看见的“推荐逻辑”脉络（用样本说话）
- 冷启动测试：每个新视频先给一小批潜在兴趣用户（样本中常见的是几百到几千印象）做测试。关键指标：首批观众的平均观看百分比（首5–60秒的留存率）以及是否产生了正向会话行为（点赞/评论/分享 /观看下一个视频）。
- 扩量阈值（经验观察）：在我的样本里，当“首小时内平均观看完成率/相对观看时长”超过该类内容历史中位数的1.2倍时，视频被进一步推荐到更大受众的概率明显上升（扩量系数约3×以上）；若只有CTR高但首小时留存低，扩量中枢往往停滞。
- 个人化检验：平台还会用用户与内容的相似度来做分层投放（哪些用户更可能看完），如果“小范围高质量观看”发生，系统会同时在更多相似兴趣的用户群里重复测试，从而形成良性放大。
- 长期信号：在初期通过测试后，真正把视频送到广泛推荐里，仍取决于用户在不同群体里的满意度。部分视频经过第一次扩量后，若留存下降，算法会逐步收窄分发。
四、为什么会被误解（常见认知陷阱）
- 面板暴露偏差：创作者面板里最直观可见的是印象和CTR，且CTR短期波动明显，容易让人把注意力锁定在“吸睛”的第1步。
- 样本噪声：少数高CTR但低留存的视频偶然通过用户画像命中某些“好奇型”用户，短时看起来数据漂亮，导致误判。
- 逻辑分段不被理解：推荐是一个分阶段的决策树，不同阶段看重的指标不同（先看“是否吸引点进来”，再看“进去后是否满意”）。许多创作者把系统看成“单一指标”驱动。
五、给创作者的实战建议（可直接用的清单）
- 首15秒先钩住（不是骗点击）：把核心价值或悬念在前15秒明确展现，防止高CTR变成“马上跳出”。
- 标题/缩略图要与内容一致：承诺与交付一致会提高“相对观看时长”，减少因误导产生的速跳。
- 关注“相对观看时长”（Relative Retention），而非仅仅看CTR：在后台把同类视频的中位观看百分比当作基线，目标是超越它。
- 用短期实验验证：同一主题做两个版本（不同开头/节奏），上传时间、封面、标签尽量控制一致，观察首24小时的留存差别。
- 优化剪辑节奏：删掉冗余开场，保持信息密度，必要时缩短总时长以提高完成率。
- 刺激后续观看：合理布局“衔接点”或引导，促使观众继续看你的下一个视频，从而增强会话价值。
- 重视早期互动：首小时内的评论/转发信号对扩量有放大作用，适当在视频中引导有质量的互动（问题式引导）。
- 利用播放列表和站内推荐位来“种种子”：给系统更多正向反馈路径，帮助冷启动通过更高质量的初次曝光。
六、简单的A/B测试方案（能在后台直接做）
- 假设目标：提高首24小时相对观看时长10%。
- 方案：选同主题两个版本（A：现在版本；B：前10秒重剪版），同时上传或间隔短时间上传，保持缩略图/描述一致或微调。
- 观测：首小时印象/CTR、首15s留存、首24h平均观看时长、7天累积播放量。对比相对观看时长和扩量倍数。
- 判定：若B在首24小时的相对观看时长> A 10%以上，且扩量表现更好，优先用B作为模板。
七、最后几点判断逻辑要点（方便记忆）
- CTR是门票；留存是通行证；会话行为（接着看、订阅、分享）决定是否把门完全打开。
- 初始受众的“满意度分布”比单一用户的点击行为更能预测扩量结局。
- 推荐不是瞬时赌注，而是分阶段的“测试—扩展—稳固”过程。