为什么不要碰自媒体
要是失业了,搞自媒体,可行吗?毫无希望!
如今的自媒体早卷得不成样子了,很难再有机会,根本原因在于几乎没有增量用户的同时,存量用户也不再有剩余时间,全量用户的时间早已被几个自媒体头部大 v 抓住。
注意力是流量核心,就是流量为王,博主们不得不毫无底线博眼球,蹭热点,包括不限于猎奇,装疯卖傻,极端吃播,擦边,即便大 v 都开始加入这狭窄的内卷赛道。新博主丝毫没有机会抓取用户注意力,原因很容易理解,首先挤占有限用户的有限时间很难,涉及到平台方流量曝光,博主无法控制,其次,博主能控制的范畴内,博眼球蹭热点的行为难以持续。
意难平。
如果平台方不给流量,用户根本发现不了新博主,如何让平台方给更多的曝光机会,这就是另一个生意和赛道了,即便给到了曝光,一次曝光也只生成了一次流量脉冲,问题还是回归到流量是否可持续。
几个普遍现象:
- 大 v 各种矩阵号在多个平台抢流量,新博主根本无法较量;
- 偶尔出现一些流量尖刺的新博主,但昙花一现,再无更新;
- 小众领域流量还不错且努力的博主,终江郎才尽,逐渐停更;
- 各平台号主相互转手,互吹,线下互动,抱团取暖,新人更没机会;
- 出现专门培训自媒体流量技巧的元自媒体,教人无下限刷流量;
- 被裁员,被流量红利忽悠的新人纷纷加入自媒体赛道,卷上加卷;
- 视觉疲劳,即使大 v 也逐渐掉粉;
- …
- 【搞自媒体,赚钱之前,还要花钱?】
当一件事你的邻居大妈都知道赚钱的时候,它就是赔钱的了,钓者,愿你上钩,参考某股市…
短视频,与文字不同,推送大于搜索,而推送算法很容易构建信息茧房,新人更没有机会,即使搜索,大 v 的曝光度依然远大于新人小白,这一切与内容质量无关,背后起作用的是复杂网络的幂律,而幂律的成因简单讲就是优先连接,表现为强者愈强,胜者通吃。
凡是有的,还要加给他,叫他有余;没有的,连他所有的,也要夺过来。”《新约·马太福音》
复杂网络理论,本文不谈,本文先用拥塞控制理论给出直感,再用疾病传播理论给出解释。
前些天我写了些拥塞控制动力学建模的文字(参见 拥塞控制耦合系统,bbr 建模),用微分方程组描述了变化,其实自媒体赛道动力学也可以类似感知。
把每个用户的时间看作 buffer,一天只有 24 小时,用户不加增前提时,总时间固定,总 buffer 固定,与拥塞控制一样,所有自媒体和所有用户之间也是耦合系统,自媒体也要通过挤占 buffer 而获得用户的实际注意力,注意力就是带宽。但与拥塞控制不同,自媒体天然反公平,都在追求 buffer 占比最大化,能挤占坚决不会退让,buffer 一定时,buffer 溢出对占比小的博主影响更大,这就是根本现实。
我用疾病传播理论模拟上述过程,采用 SIDR(Susceptible-Infected-Differently Susceptible-Recovered) 模型就够了。
个体在关注某博主后,对其他博主的兴趣降低(时间有限),即他处于 “Differently Susceptible” 状态,这状态的用户仍然可能关注别的博主,但关注率比完全闲人低,这是事实,试想你第一次玩抖音时。
SIDR 模型的微分方程组我们定义以下变量:
- S(t):时间 t 时潜在的时间空闲用户;
- I(t):时间 t 时已经关注了某博主的用户数;
- D(t):时间 t 时具有较低关注其他博主欲望的用户数;
- R(t):时间 t 时长期关注或取关某博主的用户数
并假设:
- 从 S 到 I 的转化率为 β;
- 从关注到长期关注 or 取关的转化率为 γ;
- 关注者到较低欲望再关注者的转化率为 σ;
- 从低欲望关注者再次关注某博主转化率为 δ。
注意,长期关注和取关效果一样,可如下解释,长期关注说明用户对博主感兴趣,他因此不会再关注其他博主,取关意味着用户不感兴趣,因此对其他类似博主也很难有兴趣。
设全量用户数为 N,表示能买智能手机的都买了,能注册各自媒体平台的都注册了,微分方程组可如下表达:
d S i d t = − β S i I i N \dfrac{dS_i}{dt} = -\beta \dfrac{S_i I_i}{N} dtdSi=−βNSiIi
d I i d t = β S i I i N − γ I i − σ I i \dfrac{dI_i}{dt} = \beta \dfrac{S_i I_i}{N} - \gamma I_i-\sigma I_i dtdIi=βNSiIi−γIi−σIi
d D i d t = σ I i − δ D i ⋅ I i N \dfrac{dD_i}{dt}=\sigma I_i-\delta \dfrac{D_i\cdot I_i}{N} dtdDi=σIi−δNDi⋅Ii
d R i d t = γ I i \dfrac{dR_i}{dt} = \gamma I_i dtdRi=γIi
用户关注博主越多,继续关注另外博主的欲望越低,如果用户的时间已经被固定大 v 占据,新博主很难再挤占用户时间,这里无关自媒体博主的内容,可能仅仅由于大 v 们进驻更早,新博主没赶上红利而已。
取参数 β = 0.8, γ = 0.2, σ = 0.1, δ = 0.3, N = 1000,模拟如下:
无论如何调参,系统很快就会稳定,“易感人群” 很快会跌入低谷消失不见(剩余的是油盐不进的对短视频根本不感兴趣的人,比如我),“感染痊愈者” 瞬间稳定到高值,“感染免疫”(绿线) 者将很难再感染(关注其他博主)。
博流量往往在于前面一瞬间,而效果将很长久。
由是分析,在自媒体早期的蓝海节点,有饱满的潜在增量用户,只要有博主直播一次吃 shi,就很容易抓住大量粉丝,并长久维持,但潜在增量用户不见(日活为 1/10 数量级就可)后,企图对存量用户直播吃 shi,可能只能引发一个突刺,每天吃 shi 也只能让突刺钝一些,再说如果天天吃 shi 只有这效果,还不如天天吃自助探店,但众所周知,博眼球的另类吃播喝播因此而患病猝死的已经不少。
自媒体内部已是一片红海,新人没任何出路,毫无希望。它对外的影响则是一个劣币驱良币的过程,影响则更大。
如今的互联网很难找到有营养有价值的信息,根本原因就是自媒体的总体(这里不区别大 v 和新人)占据了流量的绝大部分。如果有一篇很有价值但作者不是大 v 且不运营的文章,只因幂律法则和传播法则,没有曝光量,需要的人连找都找不到,更别提让更多人看到和传播。用拥塞控制的理论讲,博眼球内卷的流量获得 buffer 大占比,有营养的纯粹的内容只能夹缝里生存,buffer 溢出意味着用户的忽视,最终这些有营养的纯粹的内容被溢出,淹没。
所以,不要碰自媒体,对你自己好,你不需要卷,也对别人好,如果不卷流量,好内容才能浮现。
可是流量为王的底色就是乌合之众主导的劣币驱良币的结果,谁在乎什么内容质量
浙江温州皮鞋湿,下雨进水不会胖。
相关文章:

为什么不要碰自媒体
要是失业了,搞自媒体,可行吗?毫无希望! 如今的自媒体早卷得不成样子了,很难再有机会,根本原因在于几乎没有增量用户的同时,存量用户也不再有剩余时间,全量用户的时间早已被几个自媒…...

酷炫末世意境背景404单页HTML源码
源码介绍 酷炫末世意境背景404单页HTML源码,背景充满着破坏一切的意境,彷佛末世的到来,可以做网站错误页或者丢失页面,将下面的代码放到空白的HTML里面,然后上传到服务器里面,设置好重定向即可 效果预览 …...
PHP 调用 1688 详情 API 接口的实战攻略
在电商领域,获取准确和详细的商品信息对于业务的发展至关重要。1688 作为国内知名的批发采购平台,其详情 API 接口为开发者提供了丰富的数据资源。本文将为您详细介绍如何使用 PHP 调用 1688 详情 API 接口。 一、前期准备 注册 1688 开放平台账号&#…...

SAP ABAP性能优化
1.前言 ABAP作为SAP的专用的开发语言,衡量其性能的指标主要有以下两个方面: 响应时间:对于某项特定的业务请求,系统在收到请求后需要多久返回结果 吞吐量:在给定的时间能,系统能够处理的数据量 2. ABAP语…...
【鸿蒙学习笔记】构建布局・选项卡 (Tabs)
官方文档:选项卡 (Tabs) 目录标题 底部导航顶部导航侧边导航限制导航栏的滑动切换固定导航栏・可滚动导航栏自定义导航栏切换至指定页签 底部导航 Entry Component struct Bujv_tabs {build() {Column() {Tabs({ barPosition: BarPosition.End }) {TabContent() {T…...

独立游戏《星尘异变》UE5 C++程序开发日志5——实现物流系统
目录 一、进出口清单 二、路径计算 三、包裹 1.包裹的数据结构 2.包裹在场景中的运动 四、道路 1.道路的数据结构 2.道路的建造 3.道路的销毁 4.某个有道路连接的建筑被删除 作为一个工厂类模拟经营游戏,各个工厂之间的运输必不可少,本游戏采用的…...

Web开发:<br>标签的作用
br作用 介绍基本用法常见用途注意事项使用CSS替代 介绍 在Web开发中,<br> 标签是一个用于插入换行符的HTML标签。它是“break”的缩写,常用于需要在文本中强制换行的地方。<br> 标签是一个空标签,这意味着它没有结束标签。 基本…...
DVC+Minio
由于参数文件比较大,因此onnx、engine等大文件弃用LFS管理,改用dvc管理: minio就是存储用的 启动miniosudo netstat -ntpl#查看端口号 sudo kill -9 $(sudo lsof -i:5061 -t) 关闭端口对应进程 ./minio server --console-address ":6570…...

C++内存管理(区别C语言)深度对比
欢迎来到我的Blog,点击关注哦💕 前言 前面已经介绍了类和对象,对C面向对象编程已经有了全面认识,接下来要学习对语言学习比较重要的是对内存的管理。 一、内存的分区 代码区:存放程序的机器指令,通常是可…...

手把手带你写一个精简版 HashMap 的 put 方法
👆🏻👆🏻👆🏻关注博主,让你的代码变得更加优雅。 前言 HashMap 大家工作中遇到的太多了,已经成了必须使用的类了, 在面试的时候 HashMap 基本是必问题,但是…...

【面试题】数据结构:堆排序的排序思想?
堆排序的排序思想? 堆排序是一种高效的排序算法,其基本思想是利用堆这种数据结构来实现排序。堆是一种特殊的完全二叉树,通常用数组来表示。堆排序的基本步骤如下: 1. 构建初始堆: 将待排序的数组转换成一个最大堆&a…...

PyTorch 深度学习实践-循环神经网络基础篇
视频指路 参考博客笔记 参考笔记二 文章目录 上课笔记基于RNNCell实现总代码 基于RNN实现总代码 含嵌入层的RNN网络嵌入层的作用含嵌入层的RNN网络架构总代码 其他RNN扩展基本注意力机制自注意力机制(Self-Attention)自注意力计算多头注意力机制…...
vue实现可拖拽dialog封装
一、实现modal弹窗组件 <template><divv-if"visible"class"customer-dialog"id"customer-dialog":style"dialogStyles"v-dialogDrag:[dialogDrag]><div class"dialog-container"><divclass"dial…...

本地多模态看图说话-llava
其中图片为bast64转码,方便json序列化。 其中模型llava为本地ollama运行的模型,如:ollama run llava 还有其它的模型如:llava-phi3,通过phi3微调过的版本。 实际测试下来,发现本地多模型的性能不佳&…...

人工智能算法工程师(中级)课程14-神经网络的优化与设计之拟合问题及优化与代码详解
大家好,我是微学AI,今天给大家介绍一下人工智能算法工程师(中级)课程14-神经网络的优化与设计之拟合问题及优化与代码详解。在机器学习和深度学习领域,模型的训练目标是找到一组参数,使得模型能够从训练数据中学习到有用的模式&am…...
Java异常抛出与处理方法
在Java编程中,异常处理是一个非常重要的部分。通过正确的异常处理,我们可以提高程序的健壮性和可靠性,避免程序在运行过程中出现意外的崩溃。本文将详细讲述Java异常的抛出与处理方法,并通过示例代码进行说明。 一、Java异常的分类 Java中的异常体系结构可以分为三类: 检…...

兼容性测试主要有什么类型?
兼容性测试的类型 有两种类型的兼容性测试。这是一个快速细分。 1、前向兼容性测试 向前兼容性测试或向上兼容性测试可确保当前软件版本在相关组件(例如操作系统、浏览器和第三方库)的未来版本中保持功能。此类测试对于在系统升级期间保持稳定性和用户体验至关重要。 例如&…...
设计模式--组合模式
组合模式(Composite Pattern)详解 组合模式是一种结构型设计模式,它允许你将对象组合成树形结构来表示“部分-整体”的层次结构。组合模式使得用户对单个对象和组合对象的使用具有一致性。 适用场景 需要表示对象的部分-整体层次结构时&am…...
ArduPilot开源代码之AP_DAL_RangeFinder
ArduPilot开源代码之AP_DAL_RangeFinder 1. 源由2. 框架设计2.1 枚举 Status2.2 公有方法2.3 私有成员变量 3. 重要例程3.1 应用函数3.1.1 ground_clearance_cm_orient3.1.2 max_distance_cm_orient3.1.3 has_orientation3.1.4 get_backend 3.2 其他函数3.2.1 AP_DAL_RangeFind…...

SpringCloud教程 | 第九篇: 使用API Gateway
1、参考资料 SpringCloud基础篇-10-服务网关-Gateway_springcloud gateway-CSDN博客 2、先学习路由,参考了5.1 2.1、建了一个cloudGatewayDemo,这是用来配置网关的工程,配置如下: http://localhost:18080/aaa/name 该接口代码如…...
【杂谈】-递归进化:人工智能的自我改进与监管挑战
递归进化:人工智能的自我改进与监管挑战 文章目录 递归进化:人工智能的自我改进与监管挑战1、自我改进型人工智能的崛起2、人工智能如何挑战人类监管?3、确保人工智能受控的策略4、人类在人工智能发展中的角色5、平衡自主性与控制力6、总结与…...

23-Oracle 23 ai 区块链表(Blockchain Table)
小伙伴有没有在金融强合规的领域中遇见,必须要保持数据不可变,管理员都无法修改和留痕的要求。比如医疗的电子病历中,影像检查检验结果不可篡改行的,药品追溯过程中数据只可插入无法删除的特性需求;登录日志、修改日志…...

CMake基础:构建流程详解
目录 1.CMake构建过程的基本流程 2.CMake构建的具体步骤 2.1.创建构建目录 2.2.使用 CMake 生成构建文件 2.3.编译和构建 2.4.清理构建文件 2.5.重新配置和构建 3.跨平台构建示例 4.工具链与交叉编译 5.CMake构建后的项目结构解析 5.1.CMake构建后的目录结构 5.2.构…...

YSYX学习记录(八)
C语言,练习0: 先创建一个文件夹,我用的是物理机: 安装build-essential 练习1: 我注释掉了 #include <stdio.h> 出现下面错误 在你的文本编辑器中打开ex1文件,随机修改或删除一部分,之后…...
基础测试工具使用经验
背景 vtune,perf, nsight system等基础测试工具,都是用过的,但是没有记录,都逐渐忘了。所以写这篇博客总结记录一下,只要以后发现新的用法,就记得来编辑补充一下 perf 比较基础的用法: 先改这…...
【AI学习】三、AI算法中的向量
在人工智能(AI)算法中,向量(Vector)是一种将现实世界中的数据(如图像、文本、音频等)转化为计算机可处理的数值型特征表示的工具。它是连接人类认知(如语义、视觉特征)与…...
uniapp中使用aixos 报错
问题: 在uniapp中使用aixos,运行后报如下错误: AxiosError: There is no suitable adapter to dispatch the request since : - adapter xhr is not supported by the environment - adapter http is not available in the build 解决方案&…...

第 86 场周赛:矩阵中的幻方、钥匙和房间、将数组拆分成斐波那契序列、猜猜这个单词
Q1、[中等] 矩阵中的幻方 1、题目描述 3 x 3 的幻方是一个填充有 从 1 到 9 的不同数字的 3 x 3 矩阵,其中每行,每列以及两条对角线上的各数之和都相等。 给定一个由整数组成的row x col 的 grid,其中有多少个 3 3 的 “幻方” 子矩阵&am…...

iview框架主题色的应用
1.下载 less要使用3.0.0以下的版本 npm install less2.7.3 npm install less-loader4.0.52./src/config/theme.js文件 module.exports {yellow: {theme-color: #FDCE04},blue: {theme-color: #547CE7} }在sass中使用theme配置的颜色主题,无需引入,直接可…...
Vite中定义@软链接
在webpack中可以直接通过符号表示src路径,但是vite中默认不可以。 如何实现: vite中提供了resolve.alias:通过别名在指向一个具体的路径 在vite.config.js中 import { join } from pathexport default defineConfig({plugins: [vue()],//…...