04 июн. 2025 г.·8 мин
Чжан Иминг и ByteDance: создание глобального механизма внимания
Как Чжан Иминг и ByteDance объединили алгоритмы рекомендаций и логистику контента, чтобы масштабировать TikTok/Douyin в глобальный механизм привлечения внимания.
Как Чжан Иминг и ByteDance объединили алгоритмы рекомендаций и логистику контента, чтобы масштабировать TikTok/Douyin в глобальный механизм привлечения внимания.
Чжан Иминг (род. 1983) больше известен как основатель ByteDance, но его история — это не столько про предпринимательскую славу, сколько про конкретную продуктовую веру.
После учёбы в Нанькайском университете (переход от микроэлектроники к программному обеспечению) он работал в областях, которые дали опыт с поиском, лентами и масштабом потребительского интернета: работа в стартапе поиска путешествий Kuxun, короткая стажировка в Microsoft China и затем создание раннего продукта для недвижимости, 99fang.
Ключевой вопрос Чжана был прост: как быстро подбирать нужную информацию нужному человеку, не заставляя его делать много работы?
Ранние интернет-продукты предполагали, что пользователи будут искать или подписываться на порталы и категории. Но по мере взрыва объёма контента узким местом стало не «нехватка информации», а «слишком много информации». Его продуктовая теза заключалась в том, что софт должен больше фильтровать — и делать это непрерывно — так что опыт улучшается с каждым взаимодействием.
С самого начала ByteDance рассматривала персонализацию как первоклассную продуктовую примитиву, а не как фичу, которую добавляют позже. Эта установка проявляется в трёх повторяющихся решениях:
Это разбор механизмов, а не мифов: как алгоритмы рекомендаций, продуктовый дизайн и «логистика контента» работают вместе — и что это значит для создателей, рекламодателей и безопасности в глобальном масштабе.
ByteDance не начинала с короткого видео. Компания стартовала с более простого вопроса: как помочь людям найти полезную, интересную информацию, когда её слишком много?
Ранние продукты Чжана были новостными и информационными приложениями, которые учились, что важно каждому пользователю, и перестраивали ленту соответственно.
Прорывным ранним продуктом был Toutiao (приложение «заголовки»). Вместо того чтобы просить пользователей подписываться на издателей или друзей, оно рассматривало контент как товар на полке, а ленту — как персонализованный магазин.
Такая постановка задачи была важна, потому что заставила компанию рано построить основную машину: разметку контента, ранжирование и измерение удовлетворения в реальном времени.
Большинство потребительских приложений тогда опирались на социальный граф — то, кого вы знаете, определяет, что вы видите. ByteDance поставила на граф интересов — то, что вы смотрите, пропускаете, читаете, делитесь и ищете, определяет, что вы увидите дальше.
Этот выбор сделал продукт менее зависимым от сетевых эффектов при запуске и более зависимым от того, чтобы рекомендации были «достаточно хороши» быстро.
С самого начала продуктовые решения в ByteDance рассматривали как гипотезы. Фичи, макеты и правки ранжирования тестировались постоянно, и победившие варианты выпускались быстро.
Это было не просто A/B-тестирование как инструмент; это была система управления, поощряющая скорость обучения.
Когда движок рекомендаций заработал для статей, переход в более богатые форматы был естественным следующим шагом. Видео давало более понятные сигналы обратной связи (время просмотра, повторы, завершение), быстрее потреблялось и имело больший потенциал, если лента могла оставаться релевантной — это подготовило почву для Douyin и, позже, TikTok.
В истории медиа проблема долгое время была в дефиците: не хватало каналов, издателей или создателей, чтобы заполнить каждую нишу. Дистрибуция была простой — включил ТВ, купил газету, зашёл на несколько сайтов — и «лучший» контент проходил через узкие ворота.
Теперь узкое место поменялось. Контента стало больше, чем любой человек способен оценить, даже в одной категории. Это значит, что «слишком много контента» — это уже не столько проблема создания, сколько проблема дистрибуции: ценность смещается от производства большего количества постов к тому, чтобы помочь правильному зрителю найти правильное в кратчайшие сроки.
Хронологические ленты предполагают, что вы уже знаете, кого подписываться. Они хороши для слежения за друзьями или небольшим набором авторов, но испытывают трудности, когда:
Доступ на основе подписок также отдаёт преимущество устоявшимся игрокам. Как только несколько аккаунтов захватят внимание рано, рост для всех остальных становится сложнее — независимо от качества.
Когда контента много, платформам нужны сигналы, которые отделяют «увидел» от «понравилось». Время, проведённое за просмотром, важно, но это не единственная подсказка. Коэффициент завершения, повторы, паузы, шеры и действия «не интересно» помогают отличить любопытство от удовлетворения.
В модели вещания масштаб означает распространение одного хита на миллионы. В персонализированной модели масштаб — это доставка миллионов разных «малых хитов» правильным микроаудиториям.
Задача — не охват, а релевантность с высокой скоростью, регулярно, для каждого человека.
Ленты ByteDance (Douyin/TikTok) кажутся волшебными, потому что они быстро учатся. Но основная идея проста: система многократно делает предположение о том, что вам понравится, наблюдает, что вы делаете дальше, и обновляет следующее предположение.
Представьте ленту как магазин с миллионами товаров.
Генерация кандидатов — это шаг «шортлиста». Из огромного каталога система вытягивает несколько сотен или тысяч видео, которые могут вам подойти. Она использует широкие подсказки: язык, местоположение, устройство, аккаунты, на которые вы подписаны, темы, с которыми вы взаимодействовали, и то, что понравилось похожим зрителям.
Ранжирование — это шаг «окончательного порядка». Из этого шортлиста система предсказывает, какие видео вы с наибольшей вероятностью посмотрите и получите удовольствие сейчас, и сортирует их. Даже небольшие различия здесь важны: перестановка двух видео может изменить следующий просмотр и тем самым то, что система изучит.
Алгоритм не читает мысли — он читает поведение. Распространённые сигналы включают:
Важная часть — система учится и на «негативных» предпочтениях: что вы регулярно пропускаете, отключаете или помечаете как неинтересное.
Для нового пользователя система начинает с безопасных, разнообразных подборок — популярный контент в вашем регионе и языке плюс микс категорий — чтобы быстро выявить предпочтения.
Для нового видео часто проводится контролируемое «испытание»: показывают его небольшим группам, вероятно заинтересованным, затем расширяют дистрибуцию при сильной вовлечённости. Так неизвестные авторы могут пробиться без существующей аудитории.
Короткие видео дают много обратной связи за минуты: много просмотров, много свайпов, много завершений. Этот плотный поток сигналов помогает модели быстро обновляться, сокращая цикл между «тестом» и «обучением».
ByteDance может запускать A/B-тесты, где разные группы видят слегка разные правила ранжирования (например, более высокий вес для шер). Если версия улучшает значимые исходы — удовлетворённость и «время с пользой» — она становится новым стандартом, и цикл продолжается.
Ленту ByteDance часто называют «аддиктивной», но на самом деле это компаундирующая система обратной связи. Каждый свайп — и выбор, и измерение.
Когда вы смотрите, пропускаете, лайкаете, комментируете, пересматриваете или делитесь, вы генерируете сигналы, которые помогают системе угадать, что показать дальше.
Один просмотр сам по себе мало информативен. Но миллионы мелких действий — особенно повторяющиеся паттерны — создают ясную картину того, что обычно удерживает ваше внимание. Платформа использует эти сигналы, чтобы:
Это и есть маховик: вовлечённость → лучшее сопоставление → больше вовлечённости. По мере улучшения сопоставления пользователи тратят больше времени; дополнительное время даёт больше данных; данные снова улучшают сопоставление.
Если система будет только гоняться за «тем, что сработало», ваша лента быстро станет однообразной. Поэтому большинство рекомендательных систем сознательно включают исследование — показывают контент новый, смежный или неопределённый.
Исследование может выглядеть как:
При хорошем выполнении это сохраняет ленту свежей и помогает пользователям обнаруживать то, что они бы не стали искать.
Маховик может закрутиться в неправильном направлении. Если самым лёгким способом выиграть внимание становится сенсационность, возмущение или экстремальный контент, система может чрезмерно вознаграждать это. Могут образоваться фильтрующие пузыри, когда персонализация становится слишком узкой.
Платформы обычно балансируют удовлетворённость и новизну с помощью правил разнообразия, порогов качества контента и политик безопасности (о них далее), а также контролей темпа, чтобы контент с высокой эмоциональной возбудимостью не доминировал в каждой сессии.
Когда говорят о ByteDance, обычно указывают на алгоритмы рекомендаций. Но есть тихая система, которая делает не меньше работы: логистика контента — сквозной процесс перемещения видео с телефона создателя до экрана нужного зрителя быстро, безопасно и регулярно.
Думайте об этом как о цепочке поставок для внимания. Вместо складов и грузовиков система управляет:
Если какой-либо шаг медленный или ненадёжен, алгоритм получает меньше материала — и создатели теряют мотивацию.
Высокоэффективной ленте нужен постоянный поток «свежего инвентаря». Продукты типа ByteDance помогают создателям чаще публиковать, уменьшая усилия: встроенные шаблоны, эффекты, фрагменты музыки, быстрый монтаж и подсказки.
Это не просто развлекательные фичи. Они стандартизируют форматы (длина, соотношение сторон, темп) и делают видео проще для завершения, что повышает частоту постинга и облегчает сравнение результатов.
После загрузки видео должно быть обработано в несколько разрешений и форматов, чтобы воспроизводиться гладко на разных устройствах и в разных сетевых условиях.
Быстрая обработка важна, потому что:
Надёжность также защищает «сессию». Если воспроизведение подтормаживает, пользователи прекращают скроллить, и петля обратной связи ослабевает.
В масштабе модерация — это не единичное решение, это рабочий процесс. Большинство платформ используют многоуровневый подход: автоматическое обнаружение (спам, нагота, насилие, защищённая аудиозапись), скоринг риска и таргетированное ручное рассмотрение для крайних случаев и апелляций.
Правила работают только тогда, когда их последовательно внедряют: понятные политики, обучение рецензентов, аудиторские следы, пути эскалации и метрики (ложные срабатывания, время обработки, повторные нарушители).
Другими словами, исполнение — это операционная система, которая должна эволюционировать так же быстро, как и контент.
Преимущество ByteDance — не только «алгоритм». Это способ, которым продукт сконструирован, чтобы генерировать нужные сигналы для ленты — и поддерживать их поток.
Отличной рекомендательной системе нужен стабильный запас контента. TikTok/Douyin уменьшают трение постоянной камерой в приложении, простым обрезанием, шаблонами, фильтрами и большой библиотекой звуков.
Две детали дизайна важны:
Больше создателей, публикующих чаще, значит больше вариаций для тестирования ленты и больше шансов найти совпадение.
Плеер на весь экран убирает конкурирующие элементы интерфейса и делает одно очевидное действие: свайп. Звук по умолчанию усиливает эмоциональное воздействие и делает тренды переносимыми (звук становится общей ссылкой).
Этот дизайн также улучшает качество данных. Когда каждый свайп — сильный сигнал «да/нет», система учится быстрее, чем в загромождённых интерфейсах с распределённым вниманием.
Форматы ремикса превращают «создание» в «ответ». Это важно, потому что ответы наследуют контекст:
На практике ремикс — это встроенная дистрибуция без необходимости в подписчиках.
Уведомления могут заново открывать петлю (новые комментарии, посты авторов, прямые эфиры). Стрики и похожие механики повышают удержание, но могут толкать людей к компульсивной проверке.
Полезный продуктовый урок: предпочитайте значимые напоминания (ответы, упоминания, подписки, о которых просили) над давящими напоминаниями (страх потерять стрик).
Маленькие решения — мгновенное воспроизведение, минимум загрузок, один основной жест — делают рекомендованную ленту «дефолтным» способом исследования.
Продукт не просто показывает вам контент; он тренирует повторяющееся поведение: открой приложение → смотри → свайп → подстройка.
ByteDance не просто «перевела приложение» и назвала это международной версией. Компания рассматривала глобализацию как продуктовую проблему и одновременно как проблему операционной системы: что людям нравится — сильно локально, но машина доставки должна быть консистентной.
Локализация начинается с языка, но быстро переходит к контексту — мемам, музыке, юмору и тому, что считается «правильным» темпом видео.
Локальные сообщества авторов здесь важны: ранний рост часто зависит от небольшой группы местных создателей, которые задают тон, и другие копируют.
Команды обычно локализуют:
По мере роста лента становится логистической операцией. Региональные команды работают с партнёрами (лейблы, спортивные лиги, медиа), программами для авторов и исполнением политик, соответствующих местному законодательству.
Модерация масштабируется слоями: проактивные фильтры, жалобы пользователей и ручной просмотр. Цель — скорость и последовательность: быстро удалять явные нарушения и разбирать крайние случаи с локальной экспертизой.
Выход на глобальный рынок означает жить внутри правил магазинов приложений и ограничений устройств. Обновления могут задерживаться проверками, фичи могут отличаться по регионам, а дешёвые телефоны диктуют жёсткие решения по качеству видео, кэшированию и использованию данных.
Дистрибуция — это не маркетинговая ремарка; она формирует то, что продукт может надёжно делать.
Тренды могут появляться и исчезать за дни, тогда как написание политики и обучение модераторов занимают недели. Команды заполняют разрыв «временными правилами» для новых форматов, оперативными инструкциями по исполнению и усиленным мониторингом в волатильные моменты — а затем переводят успешные практики в устойчивые политики и инструменты.
Для деталей о том, как лента поддерживается за кулисами, смотрите /blog/content-logistics-hidden-system-behind-the-feed.
Ленту ByteDance часто называют «алгоритмом», но она функционирует скорее как маркетплейс. Зрители приносят спрос (внимание). Создатели поставляют инвентарь (видео). Рекламодатели финансируют систему, платя за доступ к этому вниманию — когда его можно достигнуть предсказуемо и безопасно.
Создатели не просто загружают контент; они производят сырьё, которое система рекомендаций может тестировать, распространять и учиться на нём.
Постоянный поток свежих постов даёт платформе больше «экспериментов»: разные темы, хуки, форматы и аудитории.
Взамен платформы предлагают стимулы, которые формируют поведение:
Бренды обычно меньше заинтересованы в вирусной удаче и больше в повторяемых результатах:
Рекомендации позволяют нишевым сообществам процветать без огромных подписок. Одновременно они могут быстро концентрировать внимание в массовые тренды, когда многие зрители реагируют похожим образом.
Эта динамика создаёт стратегическое напряжение для создателей: нишевой контент строит лояльность; участие в трендах даёт всплеск охвата.
Поскольку дистрибуция основана на производительности, авторы оптимизируются под сигналы, которые система быстро читает: сильные вступления, понятные форматы, серийность и регулярность публикаций.
Также вознаграждается «читаемый» контент — явные темы, узнаваемое аудио и повторяемые шаблоны — потому что их проще сопоставить с правильными зрителями в масштабе.
Сверхспособность ByteDance — оптимизировать ленты под вовлечённость — порождает встроенное напряжение. Те же сигналы, которые говорят системе «люди не могут остановиться смотреть», не всегда означают «это полезно для них». В малом масштабе это выглядит как UX-проблема. В масштабе TikTok/Douyin это становится вопросом доверия.
Системы рекомендаций учатся на том, что пользователи делают, а не на том, о чём они потом жалеют. Быстрые повторы, долгое время просмотра и ночное скроллинг — легко измеримые. Сожаление, тревога и компульсивное использование измерить труднее.
Если лента настроена только на измеримую вовлечённость, она может чрезмерно вознаграждать контент, который провоцирует возмущение, страх или навязчивость.
Некоторые предсказуемые риски появляются в разных рынках:
Ни одно из этого не требует «плохих акторов» внутри компании; это может возникнуть из обычной оптимизации.
Люди просят простого объяснения: «почему я это увидел?» На практике ранжирование смешивает тысячи признаков (время просмотра, пропуски, свежесть, контекст устройства, история автора) плюс эксперименты в реальном времени.
Даже если платформа перечислит факторы, это всё равно не даст простого человеческого объяснения для одного конкретного показа.
Безопасность — это не только модерация постфактум. Её можно проектировать в продукт и операции: трение для чувствительных тем, усиленные контролы для несовершеннолетних, диверсификация, чтобы уменьшить повторяющееся воздействие, лимиты на ночные рекомендации и простые инструменты для сброса или настройки ленты.
Операционно это означает хорошо обученные команды рецензентов, пути эскалации и измеримые KPI по безопасности — не только KPI роста.
Политики о том, что позволено, как работают апелляции и как проверяется исполнение, прямо влияют на доверие. Если пользователи и регуляторы считают систему непрозрачной или непоследовательной, рост становится хрупким.
Устойчивое внимание требует не просто удержания людей, но получения разрешения регулярно появляться в их жизни.
Успех ByteDance делает «рекомендации + быстрый выпуск» привлекательной схемой. Переносимая часть — не одна модель, а операционная система вокруг обнаружения: плотные петли обратной связи, ясная метрика и серьёзные инвестиции в конвейер контента, который подпитывает эти петли.
Быстрая итерация работает, когда её связывают с измеримыми целями и короткими циклами обучения. Рассматривайте каждое изменение как гипотезу, выпускайте небольшое, читайте результаты ежедневно — не раз в квартал.
Фокусируйтесь на метриках пользовательской ценности, а не только на времени. Примеры: «сессии, заканчивающиеся подпиской», «контент, сохранённый/переданный», «опросная удовлетворённость», «удержание создателей». Они сложнее, чем просто суммарное время просмотра, но направляют в лучшие компромиссы.
Оптимизацию только по вовлечённости без ограничений. Если «больше минут» — табло, вы в конце концов начнёте вознаграждать низкокачественный, поляризующий или повторяющийся контент, потому что он удерживает.
Также не верьте в миф, что алгоритмы убирают потребность в редакционной оценке. Системы обнаружения всегда кодируют выборы: что усиливать, что ограничивать и как обрабатывать крайние случаи.
Начните с ограничений, а не лозунгов:
Рекомендации зависят от логистики контента: инструменты, рабочие процессы и контроль качества. Инвестируйте рано в:
Если вы планируете бюджет, учитывайте всю систему — модели, модерацию и поддержку — перед масштабированием (/pricing).
Практическая заметка для команд, создающих ПО: многие из этих «системных» инвестиций (дашборды, внутренние инструменты, рабочие приложения) просто прототипировать быстро, если сократить цикл build–measure–learn. Платформы вроде Koder.ai могут помочь, позволяя командам быстро создавать веб-приложения через чат-интерфейс, затем экспортировать исходный код или деплоить — полезно для запуска дашбордов экспериментов, прототипов очередей модерации или инструментов операций для создателей без долгой традиционной разработки.
Для других материалов по продуктовому мышлению смотрите /blog.
Ключевая продуктовая теза ByteDance сводится к простой формуле:
алгоритмы рекомендаций + логистика контента + продуктовый дизайн = масштабируемый механизм внимания.
Алгоритм сопоставляет людей с вероятно интересными видео. Система логистики обеспечивает постоянный запас для просмотра (поставка, проверка, разметка, доставка, инструменты для авторов). А продуктовый дизайн — полноэкранное воспроизведение, быстрые сигналы обратной связи, низкий порог создания — превращает каждый просмотр в данные, которые улучшают следующий просмотр.
Некоторые важные детали остаются неясными или трудно проверяемыми без внутреннего доступа:
Вместо догадок относитесь к публичным заявлениям (компании, критиков или комментаторов) как к гипотезам и ищите последовательные доказательства через раскрытия, исследования и наблюдаемое поведение продукта.
Если хотите углубиться, но не углубляться в технику, сосредоточьтесь на темах:
Если держать эти вопросы под рукой, вы сможете анализировать TikTok, Douyin и любой будущий продукт на основе ленты с более ясным взглядом.
Чжан Иминг исходил из идеи, что программное обеспечение должно непрерывно фильтровать информацию за пользователя, опираясь на поведенческие сигналы, чтобы опыт улучшался с каждым взаимодействием. В условиях избытка контента задача продукта смещается с «помогите найти информацию» к «решите, что сейчас наиболее релевантно».
Лента на основе социального графа формируется тем, кого вы читаете/на кого подписаны; лента на основе графа интересов — тем, что вы делаете (смотрите, пролистываете, пересматриваете, делитесь, ищете). Подход на основе интересов работает даже если вы никого не подписаны, но сильно зависит от быстрого получения «достаточно хороших» рекомендаций и оперативного обучения на фидбэке.
Обычно ленты выполняют две основные функции:
Генерация находит «возможные совпадения», ранжирование определяет окончательный порядок, где даже небольшие перестановки меняют следующий просмотр.
Сильные сигналы обычно приходят из наблюдаемого поведения, особенно:
Лайки и комментарии важны, но поведение при просмотре часто надёжнее, поскольку его труднее фальсифицировать в масштабе.
Для новых пользователей платформа начинает с разнообразного, «безопасного» популярного контента на вашем языке/в регионе, чтобы быстро выявить предпочтения. Для новых видео часто проводят контролируемое «пробное распространение»: показывают его небольшим группам, которые, вероятно, заинтересованы, и расширяют охват при сильной вовлечённости. Практически это даёт шанс неизвестным авторам прорваться без большой базы подписчиков — при условии хороших ранних показателей.
Исследование (exploration) предотвращает скучность ленты. Практики включают:
Без исследования система переобучится и создаст узкие петли, которые быстро устареют или будут поляризовать контент.
«Runaway optimization» — это когда самый простой способ завоевать внимание — сенсация или экстремальный контент, и алгоритм невольно вознаграждает такое поведение. Платформы борются с этим через правила разнообразия, пороговые стандарты качества, политики безопасности и механизмы управления темпом, чтобы контент с высокой возбудимостью не доминировал каждую сессию.
Логистика контента — это сквозной конвейер, который переносит видео с телефона создателя на экран зрителя:
Если этот конвейер медленный или ненадёжен, рекомендации страдают — системе не хватает инвентаря и плотного фидбэка.
Инструменты с низким порогом входа (шаблоны, эффекты, библиотека звуков, простое редактирование) повышают частоту публикаций и стандартизируют форматы, что упрощает тестирование и сопоставление видео. Механики ремикса (дуэты, ститчи) действуют как встроенное распространение: новые клипы привязываются к проверенному контенту, ускоряя понимание контекста системой и расширяя охват без подписчиков.
A/B-тестирование превращает продуктовые решения в измеримые гипотезы. Команды выпускают маленькие изменения (UI, веса ранжирования, уведомления), измеряют результаты и быстро внедряют победные варианты. Чтобы быть ответственным, используйте метрики шире времени просмотра: удовлетворённость, сохранения/шеры, показатель «не интересно», число жалоб — они сложнее, чем простое суммарное время, но помогают делать лучшие компромиссы.