5D Library › 短视频完播率风险函数、推荐反馈环与自动化获客漏斗 · English

序 短视频的三个经验法则

注

本书不是营销、投资或经营建议,也不描述任何平台的真实算法,请先读这一段。 本书研究短视频获客中可以用算术检验的部分:观众在哪一秒划走,推荐系统的流量池如何分级晋级、会误杀多少好视频,钩子越宽为何播放越多而成交越少,以及从播放到现金之间的滞后与风险。书中的威布尔参数、流量池规模与阈值、转化率、价格(以令吉 RM 计)与封号概率都是示意模型参数,不是任何平台、账号或企业的数据;结论的方向来自概率与统计,具体数值随参数而变。

做短视频获客的人普遍相信三条经验法则。其一,前三秒决定生死,完播率是唯一重要的指标;其二,平台把每条新视频先推给约 300 人的初始流量池,表现好的逐级晋级到 3,000、50,000 乃至百万级的池子,没过第一关的视频就是坏视频;其三,播放越多越好,钩子越宽、越能吸引人越好。本书把三条法则写成可以运行的程序逐条检验。

与 5D Library 的其他著作一样,本书先尝试反驳,再给出边界,负面结果照实报告。

本书的内容

第一章用威布尔风险函数描述划走行为,计算不同时长视频的完播率与平均观看时长,并检验「中途再钩」的作用。第二章模拟分级流量池,计算第一关在 300 人样本下误杀好视频的比例,并比较重发与重剪两种对冲。第三章用波利亚式的反馈模型说明马太效应,并比较完播率、观看时长与按时长归一的指标哪一个能被剪辑长度「刷」高。第四章求钩子宽度的现金最优,并用注意力残留模型讨论落地页的出价时机。第五章模拟从播放到到账的现金流,以及账号矩阵在关联封号下的风险。第六章讨论证据:钩子 A/B 测试的样本量与偷看、只学头部账号的幸存者偏差、播放衰减与早期预测。第七章读《鬼谷子·揣篇》、《文心雕龙·章句》与《韩非子》「买椟还珠」。第八章给出十项自动审计与一项以视频为单位随机化的预注册实验。

核对后需要修正的说法

  1. 「前三秒决定生死」大体成立,但理由与通常所说不同。 在递减风险(威布尔形状参数 0.6)下,60 秒视频全部划走中有 0.320 发生在前 3 秒、0.413 发生在前 5 秒;而留下来的观众越来越不容易离开,所以完播率随时长下降得比指数模型慢得多(p01、p14)。
  2. 没过第一关不等于坏视频。 300 人样本下,即使各池观众完全相同,前 10% 的好视频也有 0.169 在第一关被拦下;加入池与池之间的观众差异后为 0.308 至 0.478,与流传的「三到四成误杀」相符(p03)。
  3. 完播率与观看时长都可以靠剪辑长度「刷」高。 前者奖励短视频,后者奖励长视频;按同时长基线归一,或直接拟合「留存力」,才能恢复真实的优劣次序(p06)。
  4. 钩子不是越宽越好。 在本书的示意模型中,最宽的钩子带来 10 倍于最窄钩子的播放,日净现金却只有最优宽度的约五分之一(p07)。
  5. 账号矩阵不等于分散风险。 共享设备或支付资料的账号会一起被封:失去十个账号中八个以上的概率从 0.0019 升到 0.2353(p10)。

如何阅读标注框

标注框分别标出已发表的证据、可运行的 Python 计算(16 段程序,只用标准库,固定随机种子,每段在构建时实际运行并把真实输出印在下方)、原典、注释与作者的假说;每条假说都写明什么结果会证明它错。为了让代码在印刷中保持完整,程序及其输出只使用 ASCII 字符,术语以英文表示,对照如下。

注

代码对照: hazard 风险函数;retention 留存率;completion 完播率;mean watch 平均观看时长;re-hook 中途再钩;pool 流量池;audience draw 观众差异;good / best videos 好视频(真实完播率前 10%)/ 最佳视频(前 0.1%);repost 重发;re-edit 重剪;Gini 基尼系数;holding power 留存力(威布尔尺度 L);breadth 钩子宽度;buyers 成交人数;net cash 净现金;rho 注意力残留;settlement 平台结算到账;linked accounts 关联账号;peeking 偷看式提前停止;survivorship 幸存者偏差;icc 组内相关;design effect 设计效应;casket buyers 买椟者(被钩子吸引却不会购买的观众)。

利益披露

作者以 5D Library 的著作(包括本书)作为其社群课程、升维牌卡(5D Ascension Cards,Dimensional Shift Card Decks)与 Yafu AI 知识库的方法论基础,并经营东南亚网红营销与直播电商业务(AsiaInfluencerX)、筹建网红档案与商家客户管理的双边平台(TalentDecX),同时开发、经营以传统术数与身心调节为题材的付费在线软件与课程;本书的模型直接适用于这些业务的短视频获客与转化,因此与本书主题有直接商业利益关系。本书不推销任何软件、课程、牌卡或服务,不使用作者企业的任何客户、账号或销售数据,也不接受任何赞助。本书所有模型仅供数理研究与教学,不构成营销、投资或其他经营建议,也不描述任何平台的真实推荐算法。第八章的实验必须由与作者无经济关系的独立分析者按预先登记的代码执行,结果不论正负都发表。

Fan, Y. (2026). Short-Video Completion Hazards, Recommender Exploration Loops and Automated Acquisition Funnels: Weibull Swipe-Away Kinetics, Multi-Stage Pool Promotion Thresholds and Traffic-to-Cashflow Conversion Bounds [短视频完播率风险函数、推荐反馈环与自动化获客漏斗] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.24090213 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).