本质上，OTT 平台就像一家实体书店。用户浏览各个“书架”（即平台上的不同类型或分类的内容区域），阅读书籍简介（了解内容的简要信息），尝试一些标题（接触部分内容以初步感受），还会根据“封面”（即内容的展示封面等第一印象）来评判。有时，用户带着明确的目的来，比如寻找青少年浪漫题材的内容、经典传统作品，或者是当下在地铁上大家都在看的那本畅销书。而在其他时候，他们则依赖平台的推荐以及偶然发现。经过一番犹豫不决后，他们决定要花接下来的几个小时来看哪个故事，并且会在自己闲暇的时候开始观看。在观看过程中，他们经常会中断退出，之后可能很快又回来继续看，也可能再也不会回来。

　　所有这些在 OTT 平台的数字图书馆中看似简单的动作，都有着巨大的商业影响。这就是为什么每一个用户动作都会被跟踪、衡量、汇总和分析。

　　不过，有人可能会想：如果我是 OTT 公司的首席执行官，那么对我来说，重要的不就是收入和成本吗？用户的行为——打开应用程序、浏览其目录以及观看节目——这与公司整体的商业价值有何相关性呢？到底衡量了什么，这又与我的损益表（P&L损益表是衡量公司盈利能力的关键指标，包括收入和成本。）有什么关系呢？

　　OTT 平台主要有两大收入来源：

　　广告收入：当观众观看广告时，OTT平台会从品牌商那里获得报酬。

　　订阅收入：OTT平台会通过观众直接或间接支付的方式获得收入。

　　广告收入

　　其核心公式非常简单：

　　广告收入 = 广告费率 × 广告位数量

　　广告费率（CPM）和广告位的填充率（填充率）取决于有多少观众（独立观众数量）持续关注一部节目。观众每观看一分钟（每位观众观看时长）都会影响在不破坏观看体验的情况下可以插入多少广告。

　　这一过程的起点是确保用户在其偏好的设备上下载应用程序（应用覆盖）。其中一部分用户会浏览内容目录（活跃用户数量），一些用户会发现一部引起他们兴趣的节目（采样），而更小一部分用户会点击播放（视频观众数量）。观众可能会在几秒钟内停止观看（无效观看），连续观看多集（完成率），或者完全不再活跃（上次登录天数）——每一种行为都会输入到一个复杂的分析引擎中，这个引擎不仅决定了广告库存，还决定了定价能力。

　　因此，就像过去的黄金时段电视一样，广告位是根据观众收视率（收视率）出售的，OTT 平台的广告收入也与观众参与度直接相关。然而，与传统电视不同的是，OTT 平台提供的不是大众广播，而是细分的定向广告——甚至可以细化到人口统计学特征和过往行为。例如，一个运动服装品牌不仅仅想要一个随机的广告位，它还想要一个合适的受众心智空间。它希望自己的广告能够出现在观看体育赛事直播或健身纪录片的用户面前（曝光量），并且希望广告具备能够促使观众点击（点击通过率）并从其商店购买商品（转化率）的功能。

　　最终，观众在流媒体平台上的参与度决定了其产生广告收入的能力。

　　订阅收入

　　订阅业务的本质可以用一个简单的公式来概括：

　　订阅收入 = 付费用户数量 × 每用户平均收入

　　假设你是一家采用付费订阅模式的 OTT 平台（比如 YouTube Premium）的高管，你可能会思考这样一个问题：我的平台是否足够吸引用户掏钱订阅？还是他们更愿意免费观看带广告的内容？

　　你还需要了解那些有付费意愿的用户究竟花了多少钱（是按月付费还是按年付费？是只在移动设备上使用专享套餐，还是选择了家庭套餐？）。有多少用户会自动续费（自动留存率，Auto-Retention Rate），又有多少用户需要通过一些激励措施来促使他们续费，比如发送提醒通知、提供特别折扣或者独家内容？至关重要的是，有多少用户选择离开，以及他们离开的原因是什么（流失率，Churn Rate）？

　　接下来是关于新用户获取的原因。新用户（新获取的订阅用户数量，Count of New Subs Acquired）是因为大型体育赛事（如奥运会）被吸引过来，还是因为一场特别活动（比如现场音乐会）或者一部热门网络剧集（订阅归属，Subs Attribution）？他们是通过应用直接订阅（直接面向消费者订阅，D2C Subs），还是通过与电信运营商或 DTH（Direct-to-Home，直接到户，通过卫星直接将电视信号传输到用户家庭接收设备的电视服务模式）运营商的套餐捆绑（合作伙伴订阅，Partner Subs）？了解这些用户获取的路径不仅仅是研究用户行为，更是优化用户获取策略和定价模型的关键，最终推动订阅收入的增长。

　　OTT 订阅业务的核心是用户习惯。每个月，用户都会评估平台的内容是否值得他们付费。如果平台无法吸引用户——比如没有吸引人的连续剧可以追，或者推荐里没有必看的电影——用户不仅可能会流失，还可能会转向竞争对手。

　　这就是为什么队列分析（cohort analysis）、用户流失预测模型（churn prediction models）和用户参与度指标（engagement metrics）是订阅驱动型业务的核心。真正的成功不仅仅是让用户注册，而是确保他们能够持续订阅，月复一月，年复一年（客户终身价值，Customer Lifetime Value）。

　　知识拓展：

　　队列分析（cohort analysis）：队列分析是一种分析方法，它将用户按照特定的时间段或特征（如注册时间、用户类型等）分组为“队列”，然后跟踪和分析每个队列在不同时间段内的行为和表现。应用场景如下：

　　1、用户留存分析：通过观察不同队列的用户在注册后的第一个月、第二个月、第三个月……的留存情况，了解用户在不同阶段的流失趋势。例如，发现某一队列的用户在注册后的第一个月留存率很高，但在第二个月突然大幅下降，可以进一步分析原因。

　　2、行为模式分析：分析不同队列的用户在平台上的行为模式，比如观看时长、观看频率、内容偏好等。例如，发现早期注册的用户更倾向于观看体育赛事，而近期注册的用户更喜欢观看电视剧。

　　队列分析可以帮助企业更精准地了解用户群体的动态变化，从而制定更有针对性的策略，比如针对留存率低的队列推出特别活动或优化用户体验。

　　用户流失预测模型（Churn Prediction Models）：用户流失预测模型是一种数据分析工具，通过分析用户的行为数据和历史记录，预测哪些用户在未来可能会流失（即停止订阅）。应用场景有：

　　1、提前干预：通过模型预测出可能流失的用户，企业可以提前采取措施，比如发送提醒、提供优惠、推送独家内容等，以减少用户流失。

　　2、优化用户体验：分析导致用户流失的关键因素（如内容不满足需求、界面操作复杂等），并针对性地优化产品或服务。

　　用户流失预测模型可以帮助企业提前识别潜在的流失风险，采取有效的挽留措施，从而提高用户留存率，降低流失率（Churn Rate）。

　　用户参与度指标（Engagement Metrics）：用户参与度指标是衡量用户与平台互动程度的一系列数据指标。这些指标反映了用户对平台内容和服务的兴趣和参与情况。常见指标

　　观看时长（Watch Time）：用户在平台上观看内容的总时长。

　　观看频率（Watch Frequency）：用户在一定时间内观看内容的次数。

　　互动率（Interaction Rate）：用户与平台内容的互动情况，如点赞、评论、分享等。

　　留存率（Retention Rate）：用户在一定时间后仍然使用平台的比例。

　　用户参与度指标是衡量用户是否满意和忠诚的重要依据。高参与度通常意味着用户对平台的内容和服务感兴趣，更有可能继续订阅。通过分析这些指标，企业可以优化内容推荐、改进用户体验，从而提高用户满意度和留存率。

　　客户终身价值（Customer Lifetime Value，CLV）：客户终身价值是指一个客户在整个生命周期内为企业带来的总利润。它不仅包括客户首次购买的价值，还包括后续的重复购买、推荐新客户等带来的长期价值。

　　客户终身价值是衡量企业长期盈利能力的重要指标。通过提高用户留存率、增加用户参与度和优化用户体验，企业可以延长客户的生命周期，提高每次购买的金额和频率，从而增加 CLV。这不仅有助于提高企业的收入，还能增强企业的市场竞争力。

　　队列分析：帮助我们了解不同用户群体的行为模式和留存情况；

　　用户流失预测模型：帮助我们提前识别可能流失的用户并采取干预措施；

　　用户参与度指标：帮助我们衡量用户对平台的满意度和忠诚度；

　　客户终身价值则是衡量企业长期盈利能力的关键指标。

　　这四个概念相互关联，共同构成了订阅驱动型业务的核心分析框架，帮助企业在激烈的市场竞争中保持用户忠诚度，实现可持续的收入增长。

　　总结

　　书店的成功并不仅仅取决于拥有合适的书籍，更重要的是要确保人们能够找到这些书籍、与之产生互动（比如阅读等行为），并且会持续地光顾书店。传统书店在运营过程中存在一定的局限性，它们像是在黑暗中摸索，无法确切地了解是什么因素促使每个读者做出选择。也就是说，传统书店难以精准地把握顾客的偏好、购买动机等信息，因为缺乏有效的数据收集和分析手段来深入洞察顾客行为背后的驱动因素，从而在一定程度上限制了其更好地满足顾客需求和优化运营策略的能力。

　　与传统书店不同，OTT 平台无需像读心术一样去猜测用户的想法，因为用户的每一个操作，如滚动页面、点击和播放等行为，都是一种明确的信号（tell-tale），这些行为数据会被收集并转化为关键绩效指标（KPI），进而能够回答一些关键的商业问题。例如，通过分析这些数据可以知道观众是否观看得足够久从而实现商业变现、内容的发现和播放过程是否顺畅无阻或者存在令人沮丧的问题、是什么因素促使用户留存以及又是什么因素导致用户流失等，这些都为 OTT 平台的运营和决策提供了有力依据。

　　本文中所列举的指标只是可以测量内容的冰山一角，在 OTT 平台领域，可测量和分析的数据维度非常丰富多样，远远超出了文中已经提及的那些指标，为平台提供了全方位、深入洞察用户行为和业务状况的可能性。虽然不同的企业可能会根据自身情况调整数据利用的具体方法，但商业智能的核心目标是一致的，即把过去收集到的原始数据转化为未来发展的战略优势。OTT 平台通过对历史数据的深入挖掘、分析和解读，能够从中提炼出有价值的信息和洞察，进而制定出更具针对性、前瞻性和竞争力的策略，以在激烈的市场竞争中占据有利地位，实现业务的持续增长和优化。

责任编辑：房家辉