证券研究报告 | 首次覆盖报告 2019 年04 月08 日 每日互动 （300766.SZ ） 数据智能领军迎来变现加速点 推送衍生的数据智能领军。公司起家于第三方消息推动，拳头产品为“个 买入 （首次） 推SDK”，APP 开发者可将SDK 产品集成进入其APP 获得消息推送能力， 股票信息 而公司从集成了SDK 的APP 获得客户流量和海量数据资源。2018 年收入 和净利润分别为5.4 亿(+62%)、2.5 亿元(+69%)。 行业 互联网传媒 最新收盘价 44.42 推送业务具有内在马太效应。推送业务具有强马太效应，头部APP 倾向选 总市值(百万元) 17,772.44 择更加精准智能的推送服务方。2018 年末个推SDK 日均活跃用户数6.7 亿 总股本(百万股) 400.10 （+14% ），日均活跃设备数3.9 亿（+17% ），Questmobile 的月活跃用 其中自由流通股(%) 10.02 户规模前 100 款APP 中，公司提供推送服务的共57 款。公司主要客户来 30 日日均成交量(百万股) 0.02 自新浪、百度、今日头条、滴滴出行、唯品会、人民日报等知名互联网企 股价走势 业，庞大的终端覆盖量以及优质的客户资源给公司带来优质数据源，让公 司拥有了完整的大数据产业链条。从底层获取用户画像以及用户行为数据， 并对数据进行脱敏、筛选、整理，经过深度挖掘后建立模型，去满足不同 场景的需求，为大数据在各垂直领域的应用打下坚实基础。 与政策方合作深入解决合规担忧。在数据获取上，公司通过APP 开发者获 得数据并进行去标识化处理，并得到公安局核发的安全等级保护第 3 级要 求；在数据应用上，公司与政府合作紧密，为各地政府部门提供公安领域 数据服务、为旅游部门提供人流分析服务、为灾备部门提供防灾救援服务。 立足海量数据，“数据智能”落地多元领域潜力巨大。通过技术服务汇聚 的海量数据，公司探索数据服务和营销服务：公共服务领域，公司为国家 灾害预警、春运等提供人口热力图等数据支持服务；旅游大数据领域，“个 作者 旅”产品帮助政府及旅游管理机构全方位了解客流；金融大数据领域，“个 分析师 刘高畅 真”产品为金融客户提供白名单营销推广、反欺诈风控服务、风险预警等 方面的解决方案。此外，公司面对广告主提供移动互联网营销服务，将广 执业证书编号：S1 告精准投放给目标人群。 邮箱：liugaochang@ 首次覆盖给予“买入”评级。公司是移动应用开发技术服务的服务提供商， 基于大数据提供面对各行业领域的数据服务、以及移动互联网营销服务。 预计公司 年净利润分别为3.77 亿、5.47 亿、7.83 亿元，18-21 年复合增长率为47%。考虑到公司丰富的客户资源，以及数据服务的广阔 前景，给予公司 1.2 倍PEG，对应PE 56 倍。 风险提示：行业受到政策监管严格、市场竞争加剧、客户拓展不及预期、

　　数据区间是2018年2月1日—5月10日，历时两个月，累计260968条。

　　采集过程中，对作者做了去重处理，也就是说每个作者只取了TA的一条视频数据。

　　这也代表着我们拥有26W个作者的数据。

　　数据包含视频描述、发布时间、播放数、点赞数、评论数、转发数、尺寸、清晰度、时长、是否包含商品广告、是否包含水印，以及视频作者的昵称、性别、生日、账号创建时间、是否认证、认证类型等数据。

　　另外，数据均为前端可见数据，未使用任何违规操作。

　　2、首次推荐分水岭是5000，请把赞“刷”到100+

　　做过今日头条自媒体账号的人应该了解，头条的推荐算法是先把文章做小范围推荐，查看文章在该部分人中的阅读数据。

　　如果阅读数据良好，则会扩大文章的推荐范围。数据越好，推荐范围则越大。

　　既然抖音是头条系产品，那肯定采用了同样的推荐逻辑。

　　从用户的方便程度来看，点赞>评论>转发，那么点赞作为推荐算法的指标权重应该会大于其他两个。

　　从头条的推荐算法推测，视频应该会先被推荐给一部分用户，如果点赞数达到某个水平，则会将视频推荐给更多的人；如果没有，那么视频大概率会凉了。

　　经过不断分段统计视频各播放量与点赞之间的关系，得到了下面这张表格：

　　由于采集机制的原因，我们很难采集到没有被推荐的视频，但就现有的1907条播放量在5000以下的视频我们可以清晰地看到，这些视频的点赞量100以下的占到了94%。

　　那么反过来可以推断，想要你的视频被更多的人看到（也就是进入系统推荐的二阶段），那么你视频的点赞量至少应该增加到100以上。

　　我做了几个视频进行了测试，发布后分享出去让好友帮忙点赞（下文会给出方法），那些在1小时内点赞量突破一百的，播放量在几小时内很快破万；

　　而那些点赞量低的，则不再被人问津。

　　即便这个结果在测试中得到了验证，但是我却不能给出实锤结论。

　　首先，目前采集到的低于5000播放量的数据，大都在5月以后发布，传播时间不够长，或许这恰好是点赞量低的原因；

　　其次，与整体的样本量相比，这部分数据只占不到1%，没有达到统计分析的样本数要求。

　　无论如何，视频的点赞量肯定会作为推荐权重的依据，点赞越高自然是越好的。

　　3、看似红红火火，但瓶颈似乎已经到来

　　作者数据包含了账号的注册时间，我把作者的注册时间按照月份统计，发现抖音用户的增长似乎在放缓：

　　从上面的用户注册时间分布来看，抖音用户在2018年1月份达到顶峰，随后开始逐月递减，4月份已经只有3月份的一半！

　　实际上，这个数据仍然存在一些漏洞。

　　毕竟存在一种可能，就是新注册的用户不喜欢发布视频，而是在注册一段时间后才开始发布。

　　或者，新注册用户的视频因为还未得到系统的推荐，被我们采集到的概率也随之降低。

　　如果账号的创建时间不能说明问题，我们来看另一组数据。

　　把视频的发布时间与其相对应的播放量和点赞量结合，我得到了各月发布视频的平均点赞量。

　　为了去除数据传播时长的影响，我去掉了5月以后发布的视频，得到各月平均点赞量分布图：

　　数据显示，各月视频的平均点赞数在逐月降低，4月份视频平均点赞量甚至不足3月份的一半。

　　或许是因为视频越来越堵，用户已经麻木，但无论如何，早期的红利在逐渐降低，想上车的要赶紧了。

　　4、拍满15s不是最好的，10s更受用户欢迎

　　目前抖音未公布获得视频超过15s时长权限的机制，但至少我们知道“优质”是选拔的重要条件，所以在分析视频时长时，我去掉了时长超过15s的视频。

　　对15s以内视频的平均点赞情况作了分析，得到以下分布图：

　　数据并不支持我们把视频拍满15s，10s是最好的，13s也不错，甚至11s都优于15s。

　　由于超过15s的视频数量仅6866条，在样本中占比太少，我就不再给出分析。在相同数量级下（均少于100条），39s、42s、50s和58s看上去效果不错。

　　5、男女比例严重失调，小哥哥的视频更受欢迎

　　统计26W个作者的性别，我发现抖音用户中女性用户数量接近男性的3倍！

　　（注：“无”代表用户没有填写性别信息）

　　从用户组成来看，就很容易理解为什么抖音的带货能力这么强了。

　　从购物能力来看，女性购买力更强，毕竟大部分钱都掌握在女性的手里。

　　把作者性别和其发布视频的平均点赞量结合，我神奇的发现，小哥哥们的视频竟然更受欢迎！

　　难不成是因为女性用户多于男性，异性相吸？

　　注：没有性别信息的用户有多个视频点赞量超过百万（比如用户@安德罗妮、的一个视频点赞量达到600W），造成了该类别用户的平均点赞量过高，不排除这部分用户均为女性的可能性。

　　6、生活化的内容是抖音的主流，年轻人愿意表达爱与喜欢

　　使用新浪微舆情的文本分析功能，把视频的描述文字做了词性和情感方面的分析，发现生活化的内容是抖音的主体。

　　对视频描述文本的词性分析，动词方面除了“喜欢”和“爱”以外，生活化的“想”、“拍”、“吃”是出现频率最高的词；

　　形容词方面“快乐”、“开心”、“好看”和“可爱”是抖音用户最喜欢表达的感情；

　　名词上“小哥哥”和“小姐姐”显然已经成为发抖音的固定搭配。

　　整体词频方面，除了“小哥哥”、“小姐姐”以及“抖音小助手”以外，具备强烈生活色彩的“爸爸”、“我妈”、“弟弟”、“老公”、“我家”这些词同样被高频率使用。

　　福利：一些抖音小技巧

　　1.精细化运营，一些小细节很重要

　　我们来看下面两个视频截图，你发现什么差别了么？

　　如果两个视频都需要视频描述来完善视频的内容，那么后一个视频的效果会更好，因为相比于白色视频背景，纯黑色可以非常清晰的把底部的视频描述凸显出来。

　　除此以外，视频内容和质量相似的情况下，竖向的视频比横向的视频更容易被点赞，不信你横过手机点赞一下试试……

　　2.能不能绕过机器筛选直接被推荐到更大的流量池？

　　随着监管制度的完善，纯机器算法筛选和推荐已经不能满足用户对高质量内容的需求，于是今日头条引入了大量人工审核团队。

　　这些人工除了审核内容是否违规外，还承担发现优质内容、使其提前进入推荐队列的职责（我猜的）。

　　如果我猜对了，那么，如果视频能跨过机器的迭代推荐，直达人工，岂不是会更快速的火起来？

　　这个方法就是在视频描述里加入一些机器识别不准确的敏感词，你们如果胆大可以试一试。

　　你现在在抖音中还会点赞吗？

　　欢迎评论区留言，与大家分享哦。

如今，无论在哪个行业，用户画像的构建都显得尤为重要。只要借助了用户画像，就可以在充分了解和挖掘用户的基础上，做好精准营销从而提高转化。说到用户画像的搭建策略，数据的收集是十分关键的环节 。可能绝大所数的运营者都有相同的困惑，没有数据应该如何做用户画像呢？这就牵扯到如何提取有效数据，如何给用户做标签等等问题。下面我们一起来分析一下用户画像的搭建策略。

1、用户画像与数据的关系

简单来说，用户画像是所有与用户相关的全部数据，包括用户的属性数据、行为数据等。从技术角度来说，是技术的一种重要应用方式。许多公司的用户画像来源都不同，有些是自己做的，有些则是从外部采购的。归纳起来，用户画像里面的数据通常包括两个方面，即公司内部数据和外部数据。通常外部数据是用来弥补内部数据的不足。

2、构建用户画像需要收集什么数据？

数据收集主要包括用户行为数据、用户偏好数据、用户交易数据。以平台为例，收集用户行为数据：比如活跃人数、页面浏览量PV、访问时长、浏览路径等；收集用户偏好数据：比如登录方式、浏览内容、评论内容、互动内容、品牌偏好等；收集用户交易数据：比如客单价、回头率、流失率、转化率和促活率等。收集这些指标性的数据，方便对用户进行有针对性、目的性的运营。我们可对收集的数据做分析，让用户信息形成标签化。比如搭建用户账户体系，可自建立，实现平台数据共享，或打通用户数据。

3、搭建用户画像的策略分析

（1）标签体系设计。开发者需要先了解自身的数据，确定需要设计的标签形式；

（2）多数据源数据融合。在建设用户画像时，个推会整合自有海量数据以及该APP自身的数据；

（3）实现用户统一标识。多数情况下，APP的众多用户分布于不同的账号体系中，个推会将其统一标识，帮助APP打通账号，实现信息快速共享；

（4）用户画像特征层构建。即将每一个数据进行特征化；

（5）画像标签规则+算法建模。两者缺一不可，在实际的应用中，算法难以解决的问题，利用简单的规则也可以达到很好的效果；

（6）利用算法对所有用户打标签；

（7）画像质量监控。在实际的应用中，用户画像会产生一定的波动，为了解决这个问题，个推建设了相应的监控系统，对画像的质量进行监控。

以上就是没有数据如何搭建用户画像的全部策略。总的来讲，用户画像的搭建并不是完全固定的，需要结合行业和产品来进行具体分析。