爱华网系列专题：大数据营销
在硅谷众多星光熠熠的IT公司中，奈飞(Netflix )并不是一家很起眼的公司。但是这家公司在近两年间股价的戏剧性跌涨，却廓清了互联网商业伦理的影子，成为探究互联网盈利模式的好案例。 暴跌暴涨有玄机 奈飞公司是一家在线影片租赁供应商。在互联网流媒体兴起之前，影片的主要载体是DVD。早在2009年，奈飞就拥有了超过10万部的DVD影片。顾客在线选择后，奈飞免费将DVD邮寄给他们。后来，随着流媒体的热兴，奈飞在保留邮寄DVD业务的同时，也开始提供通过电子邮件传送DVD和在网上直接观看DVD这两种流媒体服务。 奈飞公司股价的暴跌始于2011年7月。当时，其股价处于300美元的高点，此后一路暴跌至2012年9月53.8美元的最低点，随后又一路攀升，到2013年5月14日，再度跃上229美元的高点，基本收复失地，成为纳斯达克表现最好的股票之一。 奈飞的股价为什么会暴跌?又为什么会骤涨呢?对于第一个问题，商业观察家们和奈飞公司内部的回答是一致的。这是由2011年下半年，奈飞宣布的两项变革导致的。 第一，提高服务价格。原本用户每月支付10美元，可以同时享有通过电子邮件获得DVD和在网上直接观看DVD两项服务。变革后，用户每月付8美元，选择享受两种服务中的一种;如果两种都选，需要付16美元。 第二，计划将公司分拆为二。一家是继续提供DVD 邮购服务的Qwikster公司，另一家仍顶着奈飞的名头提供流媒体视频服务。这两项计划一经公布，就引发了股价的持续下跌，直至最低点。而对于第二个问题，最时髦的回答就是大数据的胜利。 承载这一胜利的是奈飞推出的一部自拍剧——《纸牌屋》(House of Cards)。《纸牌屋》原是英国的政治博弈剧，奈飞花费1亿美元购进版权，再请来明星导演和演员自行重拍，很快成为了包括美国在内的40个国家及地区的网络热播剧。 在《纸牌屋》热播的拉动下，投资者对奈飞的信心很快恢复，奈飞的股价快速回升。而公司的盈利也出现了迅猛增长，相比去年同期的 10.2 亿美元上升了 18 %。同时，在美国又新增了200 万付费用户。如今，奈飞在美国的付费用户已经达到2920万(世界范围内已达3600万)，超过了HBO电视网的2870万付费用户。 大数据运用的关键动作 《纸牌屋》之所以能够在互联网浩淼的视频之海中成为独领风骚的热播剧，其背后的大数据运作居功至伟。 奈飞在全球拥有3000多万用户，他们在每个播出季使用 1000 多种不同的设备收看超过 40 亿小时的节目。奈飞通过遍布全球的定制视频服务器来为数量庞大的用户提供服务。当任何一个用户点下“播放”按钮后，奈飞必须在0.5秒内就计算出哪一台含有这部影片资源的电脑离这位用户最近，然后再筛选上千个对应视频，选出最适合这位用户所使用播放设备的那一个视频。
由此，奈飞也成为了世界上最大的云计算用户之一，它按小时向AWS 租借服务器、存储资源以及计算能力，以快速便捷地满足用户的需求。 为了便于用户选择并给予评价，奈飞精心设计了自己的搜索引擎，并提供了一个1~5级的评级功能。这些用户每天能够“生产”出3000万次播放动作、400万次评级、300万次搜索。这些数据的日积月累，就构成了大数据。奈飞的700名数学家和工程师每天对上述数据以及用户的视频观看时间、所使用的设备等进行大数据分析及挖掘，以分析用户的喜好品味，并不断地推送出适合的内容以延长用户的在线时间。 强大的大数据运算分析能力，为奈飞的服务、决策、预测提供了强大的支撑。当奈飞通过计算分析，得知某一地区当天最火的影片是什么后，就可以提前为随后的一天预备好片源。比如，周二这一天某一影片在休斯顿地区很火，休斯顿地区所在的德克萨斯州的服务器就会预先装载更多的剧集，为周三晚上做好准备。最热播的剧集会得到高速闪存驱动的配备，而其它不那么热的内容，则会存放在相对廉价和低速的硬盘里。 为了更好地为用户服务，奈飞专门设置了“用户界面管理员”岗位。其中的一位被称为“10 英尺设计师”，他的工作职责是控制好视频的分辨率，让其在电视上(人距电视的观看距离一般为 10 英尺)播放的效果能与电影院相媲美。相应的，“2英尺设计师”，负责的是让那些用笔记本电脑看影片的用户获得最佳的视觉体验;“18英寸设计师”则是负责让平板电脑的用户满意。 奈飞还拥有自己的专有技术，可以将传统影视剧厂商提供的片源进行压缩，并且转换成 100 多种版本，每一种版本对应一种带宽、设备或是用户的语言环境，以满足不同用户的需求，而不是让用户将就。 通过“大数据”技术，奈飞还颠覆性地改变了美国热播电视剧沿袭了数十年的播出模式。此前，各大电视台都选择一周中固定的晚间时段播出，且每周只播出一集。 所以，追剧者只能在每周一个固定晚上的固定时刻守在电视机前，等着收看最新剧集。但是，基于互联网超越时空而且海量无限的传播特性，追剧者日益喜欢将剧集“攒”起来，直到整季剧情全部播放完毕之后，才选一个自己方便的时间段和地点，在方便的设备(多数是网络设备，如电脑、iPad)上一次性观看。 在大数据技术支持下，奈飞发现了用户的这一重大变化。由此，奈飞在推出《纸牌屋》时，一举将全季13集全部推出，以满足用户“想看就看，想看多少就看多少”的新需求。业内人士认为，这也是《纸牌屋》迅速蹿红的重要因素，如果沿袭此前每周一集的旧播出模式，《纸牌屋》恐怕很难一鸣惊人。 总之，基于大数据运算，奈飞可以精准掌握用户的品味喜好、需求变化，从而能够集中优势资源来满足用户的最大化需求。由此可见，《纸牌屋》的成功既非偶然，也不会是孤例。奈飞新近推出的剧集《铁杉树丛》在宣传力度上小于《纸牌屋》，但收视率却一举超过了《纸牌屋》。随后即将播出的《发展受阻》则有可能一举超越前两者。 反长尾的胜利 在奉为互联网商业新圣经的《长尾理论》一书中，曾经将奈飞公司的运作视为践行长尾理论的典范之一。那么，奈飞公司在《纸牌屋》以及后续的热播剧运作上的成功，是不是也可以视为是长尾理论的胜利呢? 答案正好相反，这恰恰是反长尾的胜利。 长尾现象实际上是与奈飞公司拥有几乎完全相同的商业架构(盈利模式)的Ecast公司的CEO范·阿迪布首先发现的。而不同之处在于，奈飞为用户提供的是在线点播的影视剧视频，而Ecast公司提供的则是在线点播的数字化歌曲。 范·阿迪布发现，与传 统的“8 0 / 2 0 法则”不同，用户点播歌曲的分布状况体现了“98%法则”，即再冷门的歌曲也有用户点播，消费者几乎盯着所有的东西(98% )，而不仅仅是 那些最热门的2 0 %流行歌曲。 但是，长尾理论却忽略了最根本的一点：尽管长尾产品确实可以汇聚出不菲的收益，但任何生产者对收入的预期，都是与为生产而付出的成本相匹配的。每一个专业性的生产者，都希望自己的产品成为热门产品，而不是乏人问津的长尾产品。如果一个生产者的产品永远都是长尾产品，从经济学的成本分析来看，这样的生产者是无法长久支撑的。 追求长尾产品，最终只能消灭长尾产品。长尾产品的长期稳定供给只建立在一种可能性上。那就是，生产消费两者合一的生产消费者(Prosumer )所生产的随意性内容。这样的内容，会体现出一定的专业性，但大多都是“营养价值”不高的随意性产品，几乎没有什么成本，从而他们对收益也几乎没有预期。 不管他们乐不乐意，他们本身就是长尾。 从这个角度来看，视频分享网站YouTube才是长尾理论最忠实的践行者，其内容来自五湖四海的用户，数量惊人，而无论是视频内容、视频格式、视频时长、拍摄技术等均纷繁庞杂，无一定之规。这样的内容确属长尾产品，其中某些产品也会倏忽而兴，热播一时，但大多数则是观者寥寥。而总量汇聚后，其流量却让YouTube一直保持着全球名列前茅的热门网站的地位。但尴尬与讽刺的是，尽管人气鼎盛、热闹非凡，YouTube的盈利之路却步履维艰，曙光难现。 YouTube悖论式的处境，其实正昭示了长尾理论的失败。而同样是身为流媒体供应商的奈飞追求数量有限的热播剧，而不是追求大量冷门剧的聚合，正是对长尾理论的扬弃与反动。 前述的奈飞基于大数据运算的各项精细化服务(比如针对不同用户的不同观看设备提供不同的视频规格)，看似也属面向差异化的长尾之道，但其最核心的内容却是完全相同的剧集，只不过在服务的提供上考虑了不同用户的区别。也正因如此，奈飞才能集中各项资源，通过导演、演员、剧本等各个环节的精心选择，根据大数据运算结果的启示，打造出热播全球的剧集。而这正是传统的“80/20法则”的体现，也即是反长尾的胜利。 对于追求商业盈利的公司来说，长尾法则也许是一个不折不扣的毒苹果。奈飞从《纸牌屋》的成功中领悟到了这一点。 目前，在奈飞最热播的200部剧中，有113部无法从亚马逊和Hulu(另一家知名的流媒体供应商)上看到。为此，奈飞付出了每年高达20亿美元的版权费用。奈飞公司的首席内容官Ted Sarandos说：“很多人以为奈飞为了取胜，会不惜一切代价疯狂买入剧集，但其实我们对于要买入什么内容是有着深远考量的。 奈飞会用自己独特的算法计算出某部影片的演员最多有可能吸引多少观众，这就是我们对自己购入的剧集非常有自信的原因。” 将主要的资源集中在热播剧，甚至是独家的热播剧，而不是海量冷门剧的汇聚上，已经成为奈飞新的成功范式。 根据Sandvine的统计数据，目前，在美国网络使用的高峰时段，奈飞占所有下载量的33%，这一数据高于YouTube(14.8% )、BitTorrent(5.9%)、苹果的iTunes( 3.9% )、Amazon Video(1.8% )、以及Facebook(1.5% )。换言之，在流媒体供应商的竞争中，奈飞比谷歌的YouTube、苹果的iTunes、亚马逊的Amazon Video以及Facebook这几个IT巨无霸都要成功! 大数据运算为精心打造热门产品提供了最可靠的支撑。所以，奈飞的成功是大数据的胜利，更是建立在大数据胜利基础上的反长尾的胜利。
