04 Haz 2025·8 dk
Zhang Yiming & ByteDance: Küresel Bir Dikkat Motoru İnşa Etmek
Zhang Yiming ve ByteDance, öneri algoritmaları ile içerik lojistiğini birleştirerek TikTok/Douyin'i küresel bir dikkat motoruna nasıl dönüştürdü.
Zhang Yiming ve ByteDance, öneri algoritmaları ile içerik lojistiğini birleştirerek TikTok/Douyin'i küresel bir dikkat motoruna nasıl dönüştürdü.
Zhang Yiming (1983 doğumlu) genellikle ByteDance'in kurucusu olarak bilinir, ancak hikâyesi ünlü girişimcilikten ziyade belirli bir ürün inancıyla ilgilidir.
Nankai Üniversitesi'nde (mikroelektronikten yazılıma geçiş) eğitim gördükten sonra, arama, akışlar ve tüketici internet ölçeğine maruz kaldığı roller aldı: seyahat arama girişimi Kuxun'da çalışma, Microsoft China'da kısa bir dönem ve sonra erken bir emlak ürünü olan 99fang'i kurması gibi.
Zhang'ın temel sorusu basitti: doğru bilgiyi doğru kişiye çabucak, onların çok fazla çaba harcamasını gerektirmeden nasıl eşleştirirsiniz?
Erken internet ürünleri kullanıcıların arama yapacağını veya portalları, kategorileri takip edeceğini varsayardı. Ama içerik patladıkça darboğaz “yeterince bilgi yok”tan “çok fazla bilgi”ye döndü. Onun ürün tezi, yazılımın filtrelemeyi daha fazla yapması gerektiğiydi—ve bunu sürekli yaparak her etkileşimle deneyimin iyileşmesini sağlamak.
Başından itibaren ByteDance kişiselleştirmeyi sonradan eklenen bir özellik değil, birincil ürün yapısı olarak gördü. Bu zihniyet üç tekrar eden seçimde ortaya çıktı:
Bu mitolojiyi değil, mekanizmaları parçalayacak: öneri algoritmalarının, ürün tasarımının ve “içerik lojistiği”nin nasıl birlikte çalıştığı—ve bunun yaratıcılar, reklam verenler ve global ölçekte güvenlik için ne anlama geldiği.
ByteDance kısa video ile başlamadı. Daha basit bir soruyla başladı: çok fazla olduğunda insanlara yararlı, ilginç bilgiyi nasıl bulmalarına yardım edersiniz?
Zhang Yiming'in erken ürünleri, her kullanıcının neyle ilgilendiğini öğrenip akışı buna göre yeniden sıralamak üzere tasarlanmış haber ve bilgi uygulamalarıydı.
Patlayan erken ürün Toutiao (başlıklar uygulaması) idi. Kullanıcılardan yayıncıları veya arkadaşları takip etmelerini istemek yerine içeriği bir envanter gibi, akışı ise kişiselleştirilmiş bir vitrin gibi ele aldı.
Bu çerçeve önemliydi çünkü şirketi çekirdeği erken inşa etmeye zorladı: içeriği etiketlemek, sıralamak ve gerçek zamanlı memnuniyeti ölçmek.
O dönemin çoğu tüketici uygulaması sosyal grafiğe dayanıyordu—kimleri tanıdığınız ne gördüğünüzü belirliyordu. ByteDance, ilgi grafına bahis etti—ne izlediğiniz, geçtiğiniz, okuduğunuz, paylaştığınız ve aradığınız bir sonraki gösterimi belirliyordu.
Bu seçim ürünü ilk lansmanda ağ etkilerine daha az bağımlı ve önerileri hızlıca “yeterince iyi” hale getirmeye daha bağımlı kıldı.
Başından itibaren ByteDance ürün kararlarını hipotez olarak ele aldı. Özellikler, düzenler ve sıralama ayarları sürekli test edildi ve kazanan varyantlar hızla yayıldı.
Bu sadece A/B testi bir araç değildi; öğrenme hızını ödüllendiren bir yönetim sistemiydi.
Öneri motoru makalelerde işe yaradıktan sonra, daha zengin formatlara geçmek doğal bir sonraki adım oldu. Video daha açık geri bildirim sinyalleri (izleme süresi, tekrarlar, tamamlamalar), daha hızlı içerik tüketimi ve akış tutarlı kalırsa büyük bir getiri sundu—bu, Douyin ve ardından TikTok için zemin hazırladı.
Medya tarihinin çoğunda problem kıtlıktı: her nişi dolduracak yeterli kanal, yayıncı veya yaratıcı yoktu. Dağıtım basitti—TV'yi aç, gazeteyi oku, birkaç siteye git—ve “en iyi” içerik sınırlı kapılardan geçen neyse oydu.
Şimdi darboğaz tersine döndü. Her insanın değerlendirebileceğinden daha fazla içerik var, hatta tek bir kategoride bile. Bu, “çok fazla içerik”in artık yaratım meselesi olmaktan çok dağıtım meselesi olduğu anlamına geliyor: değer daha fazla gönderi üretmekten, doğru izleyicinin doğru şeyi hızla bulmasına yardım etmeye kaydı.
Kronolojik akışlar zaten kimi takip edeceğinizi bildiğinizi varsayar. Arkadaşlar veya küçük yaratıcı gruplarla takipte kalmak için iyidirler, ancak şu durumlarda zorlanırlar:
Takipçi tabanlı keşif ayrıca yerleşik olanları kayırır. Birkaç hesap dikkat çeker ve erken büyüdüğünde diğerleri için büyüme zorlaşır—kalite ne olursa olsun.
İçerik bol olduğunda platformlar "görüldü" ile "beğenildi"yi ayıran sinyallere ihtiyaç duyar. İzleme süresi önemlidir ama tek gösterge değildir. Tamamlama oranı, tekrar izlemeler, duraklamalar, paylaşımlar ve “ilgisiz” işaretleri merakla memnuniyeti ayırt etmeye yardımcı olur.
Yayın modelinde ölçek, milyonlara bir hit göndermek demektir. Kişiselleştirilmiş modelde ölçek, milyonlarca farklı “küçük hiti” doğru mikro-kitlelere teslim etmek demektir.
Zorluk erişim değil—hızda, tekrar tekrar herkes için alaka düzeyidir.
ByteDance'in akışları (Douyin/TikTok) sihirli hissettiriyor çünkü hızlıca öğrenir. Ama temel fikir basit: sistem neyi seveceğinizi tahmin eder, ne yaptığınızı izler ve sonraki tahmini günceller.
Akışı milyonlarca ürünün olduğu bir mağaza gibi düşünün.
Aday oluşturma kısa liste adımıdır. Büyük katalogdan size uygun olabilecek yüzlerce veya binlerce videoyu çeker. Diliniz, konumunuz, cihazınız, takip ettiğiniz hesaplar, etkileşimde bulunduğunuz konular ve benzer izleyicilerin beğendikleri gibi geniş ipuçlarını kullanır.
Sıralama son sipariş adımıdır. O kısa listeden şu anda en çok izleyip beğeneceğinizi tahmin eder ve ona göre sıralar. Küçük farklar burada önemlidir: iki videonun yerini değiştirmek bir sonraki izlediğiniz şeyi değiştirebilir ve bu da sistemin öğrenmesini etkiler.
Algoritma zihin okumaz—davranışı okur. Yaygın sinyaller şunlardır:
Ayrıca sistem sürekli olarak negatif tercihleri öğrenir: tutarlı şekilde kaçırdığınız, sessize aldığınız veya ilgisiz işaretlediğiniz şeyler.
Yeni bir kullanıcı için sistem, beklenecek şekilde bölgenizdeki ve dilinizdeki popüler içeriklerden ve çeşitli kategorilerden güvenli seçimlerle başlar—tercihleri çabuk tespit etmek için.
Yeni bir video için genellikle kontrollü bir “deneme”: ilgilenen küçük gruplara gösterilir ve etkileşim güçlüyse dağıtım genişletilir. Bu, bilinmeyen yaratıcıların büyük bir takipçi kitlesi olmadan da öne çıkabileceği yoldur.
Kısa videolar dakikalar içinde çok sayıda geri bildirim üretir: birçok izlenme, birçok kaydırma, birçok tamamlanma. Bu yoğun sinyal akışı modelin hızla güncellenmesine yardımcı olur ve "test" ile "öğren" arasındaki döngüyü sıkılaştırır.
ByteDance, farklı gruplara hafifçe farklı sıralama kuralları gösteren A/B testleri yürütebilir (örneğin paylaşımlara beğenilerden daha fazla ağırlık verme). Bir versiyon anlamlı sonuçları—memnuniyet ve geçirilen kaliteli süre gibi—iyileştiriyorsa, yeni varsayılan haline gelir ve döngü devam eder.
ByteDance'in akışı sıklıkla “bağımlılık yapan” olarak tarif edilir, ama gerçek olan şey bileşikleyen bir geri bildirim sistemidir. Her kaydırma hem bir seçim hem de bir ölçümdür.
İzlediğinizde, geçip gittiğinizde, beğendiğinizde, yorum yaptığınızda, tekrar izlediğinizde veya paylaştığınızda, sonraki gösterimi tahmin etmesine yardım eden sinyaller üretiyorsunuz.
Tek bir görüntü kendi başına çok bilgilendirici değildir. Ancak milyonlarca küçük eylem—özellikle tekrar eden örüntüler—ilginizi neyin çektiğine dair net bir resim oluşturur. Platform bu sinyalleri kullanır:
Bu çark: etkileşim → daha iyi eşleme → daha fazla etkileşim. Eşleme geliştikçe kullanıcılar daha fazla zaman geçirir; ekstra zaman daha fazla veri üretir; veri eşlemeyi tekrar geliştirir.
Eğer sistem sadece "işe yarayanın daha fazlasını" kovalarsa, akışınız hızla tekrarlayıcı hale gelir. Bu yüzden çoğu tavsiye sistemi kasıtlı olarak keşif ekler—yeni, bitişik veya belirsiz içerikler gösterir.
Keşif şu şekilde olabilir:
İyi yapıldığında akışı taze tutar ve kullanıcıların aramadıkları şeyleri keşfetmesine yardımcı olur.
Bir çark ters yöne dönebilir. Dikkati kazanmanın en kolay yolu sansasyon, öfke veya aşırı içerikse, sistem bunu fazla ödüllendirebilir. Kişiselleştirme çok daraldığında filtre kabinleri oluşabilir.
Platformlar bunu memnuniyet ve yeniliği çeşitlilik kuralları, içerik kalite eşikleri ve güvenlik politikalarıyla dengeler; ayrıca yüksek uyarımlı içeriğin her oturumu domine etmemesi için hızlandırma kontrolleri uygular.
İnsanlar ByteDance'ten bahsettiğinde genelde öneri algoritmalarına işaret eder. Ama aynı derecede iş yapan daha sessiz bir sistem var: içerik lojistiği—bir videoyu yaratıcının telefonundan doğru izleyicinin ekranına hızlı, güvenli ve tekrarlı şekilde taşıyan uçtan uca süreç.
Bunu dikkat için bir tedarik zinciri gibi düşünün. Depolar ve kamyonlar yerine sistem yönetir:
Her adım yavaş veya güvensizse algoritmanın üzerinde çalışacağı şey azalır—yaratıcılar motivasyon kaybeder.
Yüksek performanslı bir akış sürekli “taze envanter” gerektirir. ByteDance tarzı ürünler yaratıcıların daha sık üretmesini kolaylaştırır: uygulama içi şablonlar, efektler, müzik parçaları, düzenleme kısayolları ve yönlendirici istemler.
Bunlar sadece eğlenceli özellikler değildir. Formatları (uzunluk, en-boy oranı, tempo) standartlaştırırlar ve videoların bitirilmesini kolaylaştırır; bu da gönderi sıklığını artırır ve performansı karşılaştırmayı kolaylaştırır.
Yüklemeden sonra, videoların farklı çözünürlüklerde ve formatlarda işlenmesi gerekir ki çeşitli cihaz ve ağ koşullarında sorunsuz oynasınlar.
Hızlı işlem önemlidir çünkü:
Güvenilirlik de “oturumu” korur. Oynatma takılırsa kullanıcı kaydırmayı bırakır ve geri bildirim döngüsü zayıflar.
Ölçeklendikçe moderasyon tek bir karar değildir—bir iş akışıdır. Çoğu platform katmanlı adımlar kullanır: otomatik tespit (spam, çıplaklık, şiddet, telifli ses için), risk puanlama ve uç durumlar ile itirazlar için hedeflenmiş insan incelemesi.
Kurallar yalnızca tutarlı şekilde uygulandığında işe yarar: net politikalar, inceleyici eğitimi, denetim izleri, yükseltme yolları ve ölçüm (yanlış pozitifler, dönüş süresi, tekrar eden ihlalciler).
Başka bir deyişle, uygulama operasyonel bir sistemdir—içerik kadar hızlı evrilmek zorundadır.
ByteDance'in avantajı sadece “algoritma” değil. Ürünün doğru sinyalleri üretmek ve bu sinyallerin akmasını sürdürmek için inşa edilme şeklidir.
Harika bir öneri sistemi sürekli arz ister. TikTok/Douyin her daim hazır kamera, basit kırpma, şablonlar, filtreler ve geniş bir ses kütüphanesi ile sürtünmeyi azaltır.
İki tasarım detayı önemlidir:
Daha fazla yaratıcı daha sık gönderi yapar; bu da akışın test etmesi için daha fazla varyasyon ve daha çok eşleşme şansı demektir.
Tam ekran oynatıcı rekabet eden UI öğelerini kaldırır ve tek bir net eylemi teşvik eder: kaydır. Sesin varsayılan açık olması duygusal etkiyi artırır ve trendleri taşınabilir kılar (bir ses ortak bir referans haline gelir).
Bu tasarım ayrıca veri kalitesini iyileştirir. Her kaydırma güçlü bir evet/hayır sinyali olduğunda, sistem dağınık arayüzlerde dikkat bölündüğünde olduğundan daha hızlı öğrenebilir.
Remix formatları “oluşturmayı” “yanıtlamaya” çevirir. Bu önemlidir çünkü yanıtlar bağlamı miras alır:
Uygulamada remixing, takipçi gerektirmeksizin yerleşik bir dağıtımdır.
Bildirimler döngüyü yeniden açabilir (yeni yorumlar, yaratıcı gönderileri, canlı etkinlikler). Seriler ve benzeri mekanikler tutmayı artırabilir, ama aynı zamanda kompulsif kontrolü de teşvik edebilir.
Faydalı bir ürün dersi: anlamlı tetikleyicileri (cevaplar, istediğiniz takipler) baskı tetikleyicilerinin (seriyi kaybetme korkusu) önüne koyun.
Küçük seçimler—anında oynatma, minimum yükleme, tek bir birincil jest—önerilen akışı keşfetmenin varsayılan yolu gibi hissettirir.
Ürün sadece size içerik göstermiyor; aç-kapat-izle-kaydır-iyileştir döngüsünü öğreten tekrar eden bir davranış eğitiyor.
ByteDance bir uygulamayı “çevirip” uluslararası yaptıklarını söylemedi. Küreselleşmeyi hem ürün sorunu hem de işletim sistemi sorunu olarak ele aldı: insanların neyi sevdiği yoğun biçimde yerel ama onu teslim eden mekanizma tutarlı olmalı.
Yerelleştirme dil ile başlar ama hızla bağlama—meme'ler, müzik, mizah ve bir videoda “iyi” sayılan şeyin ritmine—döner.
Yerel yaratıcı topluluklar burada önemlidir: erken büyüme genellikle diğerlerinin taklit ettiği tonu belirleyen küçük bir ana grup yerel yaratıcıya dayanır.
Ekipler genelde yerelleştirir:
Kullanım arttıkça akış lojistik operasyonuna dönüşür. Bölgesel ekipler ortaklıkları (plak şirketleri, spor ligleri, medya), yaratıcı programları ve yerel yasaları yansıtan politika uygulamalarını yönetir.
Moderasyon katmanlı ölçeklenir: proaktif filtreler, kullanıcı bildirimleri ve insan incelemesi. Amaç hız ve tutarlılıktır—bariz ihlalleri çabucak kaldırırken uç durumları yerel uzmanlıkla ele almak.
Küreselleşmek, uygulama mağazası kurallarının ve cihaz kısıtlarının içinde yaşamayı gerektirir. Güncellemeler inceleme süreçleriyle gecikebilir, özellikler bölgeye göre farklı olabilir ve düşük donanımlı telefonlar video kalitesi, önbellekleme ve veri kullanımı konusunda zorlu seçimler gerektirir.
Dağıtım bir pazarlama notu değil; ürünün güvenilirce ne yapabileceğini şekillendirir.
Trendler günler içinde ortaya çıkıp kaybolabilirken, politika yazımı ve uygulayıcı eğitimi haftalar alır. Ekipler bu boşluğu "geçici kurallar", hızlı uygulama rehberliği ve hareketli anlarda sıkı izleme ile kapatır—sonra işe yarayanı kalıcı politika ve araçlara dönüştürürler.
Daha fazla arka plan için bu makaleye bakın: /blog/content-logistics-hidden-system-behind-the-feed.
ByteDance'in akışı sıklıkla bir “algoritma” olarak tanımlanır ama daha çok bir pazaryeri gibi çalışır. İzleyiciler ilgi (talep) getirir. Yaratıcılar envanteri sağlar (videolar). Reklam verenler bu dikkate erişim için ödeme yaparak sistemi finanse eder—öngörülebilir ve güvenli şekilde ulaşıldığında.
Yaratıcılar sadece içerik yüklemez; öneri sisteminin test edebileceği, dağıtabileceği ve öğrenebileceği ham malzemeyi üretirler.
Sürekli taze gönderiler platforma daha fazla “deneme” imkânı verir: farklı konular, kancalar, formatlar ve kitleler.
Karşılığında platformlar davranışı şekillendiren teşvikler sunar:
Markalar genelde viral şanstan çok tekrarlanabilir sonuçlarla ilgilenir:
Öneri, niş toplulukların büyük takipçi sayılarına ihtiyaç duymadan gelişmesine izin verir. Aynı zamanda birçok izleyici benzer şekilde yanıt verdiğinde dikkat hızla kitlesel trendlere konsantre olabilir.
Bu dinamik yaratıcılar için stratejik bir gerilim yaratır: niş içerik sadakat kurabilir; trendlere katılım erişimi anlık artırır.
Dağıtım performansa dayalı olduğu için yaratıcılar sistemin hızlı okuyabileceği sinyalleri optimize eder: güçlü açılışlar, net formatlar, seri davranışı ve tutarlı gönderiler.
Ayrıca “okunabilir” içeriği—açık konular, tanınabilir sesler ve tekrarlanabilir şablonlar—ödüllendirir çünkü bunları doğru izleyicilerle eşleştirmek daha kolaydır.
ByteDance'in süper gücü—etkileşim için akışları optimize etmesi—içsel bir gerilim yaratır. Aynı sinyaller "insanların izlemeyi bırakamadığı" şeyleri söyleyebilir ama bunun “onlar için iyi olduğu”nu otomatik olarak söylemez. Küçük ölçekte bu bir UX meselesidir. TikTok/Douyin ölçeğinde bu bir güven meselesine dönüşür.
Öneri sistemleri insanların ne yaptığından öğrenir, sonra pişmanlık, kaygı ve kompulsif kullanım gibi sonra hissedilenleri değil. Hızlı tekrarlar, uzun izleme süresi ve geç gece kaydırmaları ölçülmesi kolaydır. Pişmanlık, anksiyete ve kompulsif kullanım daha zordur.
Eğer bir akış sadece ölçülebilir etkileşim için ayarlanırsa, öfke, korku veya takıntı tetikleyen içeriği aşırı ödüllendirebilir.
Bazı öngörülebilir riskler şunlardır:
Bunların hiçbiri şirket içinde kötü niyetli aktörler olmasını gerektirmez; sıradan optimizasyon süreçlerinden ortaya çıkabilir.
İnsanlar sıklıkla basit bir açıklama ister: “Bunu neden gördüm?” Pratikte sıralama binlerce özelliğin (izleme süresi, geçişler, tazelik, cihaz bağlamı, yaratıcı geçmişi) yanı sıra gerçek zamanlı deneyleri karıştırır.
Bir platform faktörlerin bir listesini paylaşıyor olsa bile, bu tek bir gösterim için insana okunabilir net bir sebep haritasına net şekilde dönmez.
Güvenlik sadece sonradan moderasyon değildir. Ürüne ve operasyonlara tasarlanabilir: hassas konular için sürtünce, küçükler için daha sıkı kontroller, tekrar maruz kalmayı azaltacak çeşitlendirme, gece geç saatlerde önerilere sınır ve akışı sıfırlama veya ayarlama için net araçlar.
Operasyonel olarak bu, iyi eğitilmiş inceleyici ekipleri, yükseltme yolları ve ölçülebilir güvenlik KPI'ları—sadece büyüme KPI'ları değil—anlamına gelir.
Neyin izinli olduğu, itirazların nasıl işlendiği ve uygulamanın nasıl denetlendiği hakkındaki politikalar doğrudan güveni etkiler. Kullanıcılar ve düzenleyiciler sistemi opak veya tutarsız bulursa, büyüme kırılgan hale gelir.
Sürdürülebilir dikkat, insanları izlemeye devam ettirmek değil, hayatlarında görünme iznini kazanmaktır.
ByteDance'in başarısı “öneriler + hızlı gönderim”i basit bir tarif gibi gösteriyor. Aktarılabilir kısmı tek bir model değil—keşif etrafındaki işletim sistemidir: sıkı geri bildirim döngüleri, net ölçüm ve bu döngüleri besleyen içerik hattına ciddi yatırım.
Hızlı yineleme, ölçülebilir hedefler ve kısa öğrenme döngüleriyle işe yarar. Her değişikliği bir hipotez gibi ele alın, küçük gönderin ve sonuçları günlük okuyun—çeyreklik değil.
Kullanıcı değerine odaklanan metriklere öncelik verin, sadece geçirilen süreye değil. Örnekler: “takiple biten oturumlar”, “kaydedilen/paylaşılan içerik”, “anketle ölçülen memnuniyet” veya “yaratıcı tutunumu.” Bunlar ham izleme süresinden zor ama daha iyi takaslara rehberlik eder.
Koruyucu önlemler olmadan sadece etkileşim optimizasyonu. Eğer puan tahtası “daha fazla dakika” ise, sonunda düşük kaliteli, kutuplaştırıcı veya tekrarlayıcı içeriği ödüllendirirsiniz çünkü bunlar güvenilir şekilde tutar.
Ayrıca algoritmaların editoryal yargıyı ortadan kaldırdığı mitine de kapılmayın. Keşif sistemleri her zaman seçimler kodlar: neyi yükseltmek, neyi sınırlamak ve uç durumları nasıl ele almak.
Sloganlarla değil kısıtlarla başlayın:
Öneriler içerik lojistiğine bağlıdır: araçlar, iş akışları ve kalite kontrol. Erken yatırım yapın:
Bütçe yapıyorsanız, ölçeklemeden önce tüm sistemi—modeller, moderasyon ve destek—fiyatlandırın (/pricing).
Pratik bir not: yazılım ürünleri geliştiren ekipler için bu “sistem” yatırımlarının çoğu (panolar, dahili araçlar, iş akışı uygulamaları) eğer build–measure–learn döngüsünü kısaltabiliyorsanız hızlıca prototiplemek kolaydır. Koder.ai gibi platformlar, sohbet arayüzüyle web uygulamaları hızla oluşturup kaynak kodu dışa aktarmanıza veya dağıtmanıza olanak vererek deney panoları, moderasyon kuyruk prototipleri veya yaratıcı operasyon araçlarını geleneksel uzun yapı boru hattı beklemeden hazırlamanıza yardımcı olabilir.
Daha fazla ürün düşüncesi için bkz: /blog.
ByteDance'in temel ürün tezi basit bir eşitlikle özetlenebilir:
öneri algoritmaları + içerik lojistiği + ürün tasarımı = ölçeklenebilir bir dikkat motoru.
Algoritma insanları olası ilgi alanlarına uygun videolarla eşleştirir. Lojistik sistemi her zaman izlenecek bir şey (arz, inceleme, etiketleme, dağıtım, yaratıcı araçlar) olmasını sağlar. Ve ürün tasarımı—tam ekran oynatma, hızlı geri bildirim sinyalleri, düşük sürtünceli yaratım—her görüntüyü bir sonraki görüntüyü iyileştiren veriye dönüştürür.
Bazı önemli detaylar içeride erişim olmadan belirsiz veya doğrulanması zordur:
Tahmin yürütmek yerine, şirket, eleştirmenler veya yorumcular tarafından yapılan kamuya açık iddiaları hipotez olarak ele alın ve açıklamalar, araştırmalar ve gözlemlenebilir ürün davranışları boyunca tutarlı kanıtlar arayın.
Teknik detaya çok boğulmadan daha fazlasını öğrenmek isterseniz bu konulara odaklanın:
Bu soruları elinizde tutarsanız, TikTok'u, Douyin'i ve gelecekteki herhangi bir akış ürününü daha net gözlerle analiz edebilirsiniz.
Zhang Yiming'in ürün tezi, yazılımın bilgi yükünü sürekli olarak sizin için filtrelemesi gerektiğiydi; davranış sinyallerini kullanarak her etkileşimle deneyimin iyileşmesini sağlamak. İçerik aşırı yükü olan bir dünyada ürünün işi, “bana bilgi bul” olmaktan “şu anda en alakalı olanı belirle”ye kayar.
Sosyal graf tabanlı bir akış, kimi takip ettiğiniz üzerinden çalışır; ilgi graf tabanlı bir akış ise ne yaptığınız (izleme, hızlı atlama, tekrar izleme, paylaşma, arama) üzerinden çalışır. İlgi-graf yaklaşımı kimseyi takip etmiyorsanız bile işleyebilir, ama tavsiyelerin erken aşamada yeterince iyi olmasına ve geri bildirimden hızlıca öğrenmeye çok dayanır.
Çoğu akış iki ana adım yapar:
Aday seçimi olası eşleşmeleri bulur; sıralama ise küçük değişikliklerin bile ne izleyeceğinizi nasıl etkilediğini belirler.
Güçlü sinyaller genelde gözlemlenebilir davranışlardan gelir, özellikle:
Beğeniler ve yorumlar önemlidir ama izleme davranışı genellikle ölçeklendirmede daha güvenilirdir çünkü taklit edilmesi zordur.
Yeni kullanıcılar için platformlar, diliniz ve bölgenizde popüler olan güvenli ve çeşitli içeriklerle başlar; böylece tercihlerinizi hızla keşfederler. Yeni videolar içinse genellikle küçük bir deneme dağıtımı yapılır: ilgili olması muhtemel küçük gruplara gösterilir ve etkileşim güçlüyse dağıtım genişletilir. Bu sayede tanınmamış yaratıcılar da, erken performans iyiyse, kitlesizken öne çıkabilir.
Keşif (exploration), akışın tekrar edici olmasını önler; kasıtlı olarak yeni veya bitişik içerikleri test etmek demektir. Örnekler:
Keşif doğru yapıldığında akışı taze tutar ve kullanıcıların aramadıkları şeyleri keşfetmesine yardım eder.
Kaçışsız optimizasyon, dikkat kazanmanın en kolay yolu sansasyonel veya uç içerikse algoritmanın bunu aşırı ödüllendirmesidir. Platformlar bunu çeşitlilik kuralları, kalite eşikleri ve güvenlik politikaları ile dengeler; ayrıca yüksek uyarımlı içeriğin her oturumu domine etmesini önleyecek hız kontrolü uygulanır.
“İçerik lojistiği”, içeriğin yaratıcıdan izleyicinin ekranına ulaşana kadar geçen uçtan uca boru hattıdır:
Bu boru hattı yavaş veya güvensizse, algoritmanın çalışacak envanteri azalır ve geri bildirim döngüleri zayıflar—tavsiye sistemi bundan zarar görür.
Düşük sürtünmeli yaratım araçları (şablonlar, efektler, ses kütüphanesi, kolay düzenleme) paylaşım sıklığını artırır ve formatları standartlaştırır; bu da içeriğin test edilmesini ve karşılaştırılmasını kolaylaştırır. Remix formatları (duet/stitch) ise yeni içeriği kanıtlanmış bir klibe bağlayarak yerleşik bir dağıtım kanalı sağlar—takipçi olmadan bile içerik yayılabilir.
A/B testleri ürün kararlarını ölçülebilir hipotezlere çevirir. Ekipler küçük değişiklikler yapar (UI, sıralama ağırlıkları, bildirimler), sonuçları ölçer ve kazananı hızla uygular. Sorumluluğu korumak için hırs saatleri yerine şu tür metriklere odaklanın: “takiple biten oturumlar”, “kaydedilen/paylaşılan içerik”, anketle ölçülen memnuniyet veya içerik üretici tutunumu—bunlar ham izleme süresinden daha zor ama daha doğru yön gösterir.