
2016年大屏生态运营大数据蓝皮书
大屏蓝皮书大数据显示,作为家庭互联网设备的核心,2015年OTT终端(包括智能电视及盒子)保有量达到1.65亿台。预计到2020年,OTT终端保有量将突破4亿台,超七成的中国家庭使用OTT端收看节目。
规模创造流量,流量成就价值。2013年,中国移动智能终端覆盖率为43%,促成移动互联网市场爆发。大屏蓝皮书预测的OTT端市场发展曲线,与移动互联网市场曲线有着惊人的相似。四年之后的2017年,OTT端家庭覆盖率预计将达到45%,非常有希望接过移动互联网这一棒,创造新一轮互联网神话。预计至2020年,OTT端市场规模将达到6300亿元,万亿市场蛋糕并不遥远,让我们拭目以待。
—内容为王,引大屏洪荒之力
相较于PC/移动端使用场景的碎片化,目前OTT端聚焦家庭互动场景。在重拾美好、回归家庭的社会趋势下,互动、开放的大屏平台帮助家庭留住人们的身影,成为开启全新家庭生活的一把金钥匙。
任何平台,离开内容,都是空中楼阁,所以说大屏把用户吸引回来的核心优势,也是内容。OTT端具有海量优质资源和独特资源,其中2016年上半年TOP30优质资源OTT端覆盖率已经高达87%。一方面把互联网人群吸引到电视机前,另一方面,电视机前的传统用户有了更多选择机会。海量、新鲜和独特资源的快速上线,让观众体验到与观看传统电视完全不一样的畅快感。
—亿量用户,星星之火开始燎原
从尝试到接受,OTT端发展经历了漫长的过程。在创新体验和丰富优质内容的双重吸引下,电视受众正在从传统电视向OTT终端转移。
大屏蓝皮书数据显示,2016年6月OTT月活跃终端覆盖用户2.36亿,日活跃终端覆盖用户1.53亿。目前移动互联网市场规模6000多亿元,移动网民6.2亿,人均贡献约1000元/年。按此推算,OTT端的市场规模将达2300亿,但实际远未达到。可以说,OTT市场是一个尚待开发的高价值蓝海市场。
过去半年,OTT点播行为变得越来越活跃,已经显著超越传统直播收视行为,完全实现逆转。从具体月份看,应该有一定节日规律,如春节期间,大家更多还是关注直播行为,平常月份点播行为更突出。
大屏蓝皮书数据显示,互联网电视单一终端日均开机时长达到5.04小时,高于传统电视终端开机时长的4.18小时(CMS统计数据)。这说明,互联网电视观看时间更长,受众粘性更高。一部分原本在PC和移动端的行为回归客厅,转移到互联网电视大屏上来。
同时,在互联网电视终端,用户收看时长的配比向互联网点播行为倾斜。数据显示,单一终端点播行为花费时长2.77小时,比传统直播行为时长高出0.5小时。互联网点播行为抢占了用户在电视终端的时间,形成了用户时间争抢拉锯战。
让我们来看一组传统电视直播频道与点播应用的具体表现对比。OTT端的三大视频应用日活终端覆盖达到1765万台,与传统电视直播频道相比看似旗鼓相当,但单一频道或应用的日均收看时长方面却差之千里。TOP3视频应用在单一OTT端点播日均3.2小时,远高于三大传统直播电视频道的1.2小时。这恰恰说明,传统直播电视频道因频繁换台,导致停留时间短,而OTT点播端则具有更强的用户粘性和吸粉持久力。
—面向未来,创大屏营销新价值
2015年,传统电视仅广告市场规模就超过千亿元,而OTT端市场规模尚不及其二十分之一。同为电视大屏,其市场营销价值差距竟如此之大,值得深入思考。增强OTT端的影响力,扩大对品牌的营销价值,成为行业共同的目标和责任。
OTT互联网市场已经初具流量基础,并随终端规模扩大而不断增强。OTT端的“传统直播+网络点播”双重特性,不仅增强了电视受众的使用体验,更能实时获取用户画像特征和使用偏好。所以,OTT端的营销方式不再只是卖流量,卖广告,更能够精准定位特定受众群体,将产品和服务与受众喜好的内容相结合,直接引导营销并产生销售成果。OTT端将演变成一个巨大的内容和产品服务平台,成为品牌与家庭沟通并提供商业服务的重要桥梁。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10