本期为 Alex 个人 YouTube 频道内容，围绕近期热门的社交产品 Kaito 展开，深入探讨了其产品策略、市场背景及发展逻辑。Alexon 是Ferryboat Research 的CIO。通过分析 Kaito 在 Twitter 平台的选择和其在加密社交数据收集、处理及应用上的特点，阐释了其高定价原因及核心优势。此外，对比了类似项目的方向探索，指出 Kaito 如何通过 API 调用优化、KOL 图谱构建以及社交绑定机制来突破传统数据服务的限制，成功完成战略转型并建立了独特的市场地位。同时，分享了相关行业从业者的创业经验与洞见，直指 Web3 产品化与商业化过程中面临的挑战与机会。 Crypto 流量获取方式：投放与裂变模式的区别Crypto 是一个高波动、高风险，并具有强金融属性的领域。你可能从中发现机会，也可能需要为本金做好完全归零的心理准备。接下来，我们来谈第一个部分：Kaito 以及类似的产品为什么会选择 Twitter 作为主要阵地。 首先，从消费品行业的视角来看，流量结构一般分为两类：公域流量和私域流量。在获取流量的方式上，又分为两种主要路径：投放和裂变。公域流量通常包括 Twitter 和 YouTube，在加密行业中，Telegram 和 Discord 则属于私域流量。相比之下，私域的流量更难以追踪，结构也较为单一。 虽然也有 Reddit 或 Instagram、TikTok 等平台逐渐涉及加密行业，但目前来看，Twitter 和 YouTube 的流量集中度仍然是最高的。如果放到国内环境，那可能需要借助小红书、抖音、快手进行推广，同时还需要 Bilibili 等种草平台，最后通过直通车或万象台进行站内推广。之后，再将流量引导到微信等私域进行转化复购。 总的来说，Crypto 行业的流量获取方式相对简单，因为投放逻辑在当前行业阶段无法承载足够的效能。这就导致整个流量生态的获取方式较为单一，主要集中在裂变和分销上。 不同地区用户获取成本及裂变效果的对比两年多以前，我们在开发自己的工具产品时，曾经尝试过投放策略。我投入了几万美元做测试，虽然具体数据不方便透露，但一个很明显的结果是：获取一个美国用户的成本大约是获取越南用户的十倍。然而，越南用户的裂变率却显著高于美国用户。这表明，美国用户不太倾向于主动参与裂变推广，比如制作和传播一张落地页的动作相对较少。 在整个加密行业中，我认为获取流量的方式归根结底只有两种：分销和裂变。虽然这两种方式本质上都属于裂变的一种形式，但它们的应用逻辑有所不同。分销更倾向于依靠 KOL（关键意见领袖）或 KOC（关键意见消费者）进行推广，你将产品交由他们背书，再由他们分销给散户或零售用户。 裂变则是通过设计一个高效的裂变机制，打造一套吸引用户主动参与的活动。例如，Kaito 的 Yap 活动就是一个典型案例。用户通过分享一张自己的 Crypto Twitter（CT）账户数据，比如展示有多少个“smart follower”（智能关注者），形成一种类似网易云年度歌单或消费账单的玩法。本质上，这些机制的目的是通过用户自发分享来实现裂变，从而获得更多流量。 解释完这些背景知识，也就可以理解我们当初为什么选择 Twitter 作为主要平台，而不是私域。私域的最大问题在于，难以标准化获取所有内容，并且私域内的内容很难进行有效的加权评估。例如，如果某个社区全是围绕 Kaito 进行讨论，你无法准确评估这些数据的真实价值和影响力。同时，私域平台的分散性也让全面获取相关数据变得非常困难。正因如此，这并不是一个优先的选择。 为什么 Kaito 选择 Twitter 作为主要平台在 YouTube 这类公域平台上，内容通常适合以长视频的形式呈现。例如，可以是类似我现在录制的这种单口视频、访谈形式，或者是更侧重于教程和交互类的内容，甚至是一些矿机操作指南。这样的内容往往需要长时间的制作和观看，适合那种需要细致讲解和学习的主题。因此，这种内容载体本质上并不适合围绕即时性事件或热点驱动的场景。 这些长视频内容通常更适合处理 PoW（工作量证明）相关主题。所以尽管我们也尝试在 YouTube 和 Farcaster 上引入 Kaito 的监测和分析逻辑，但最终发现，能够有效观测的标的通常是像 Kaspa 和 Helium 这样的项目，而对于像某些短期爆火的 meme token 来说，表现就完全不行了。 相比之下，Twitter 天生适合用作数据平台，尤其是在社交数据集中度非常高的环境中。所有人的营销预算几乎都集中在 Twitter，形成了较高的共识。同时，Twitter 的社交图谱也非常透明化，比如你的关注列表、互动次数（engagement）等数据都以外显的形式呈现。而像 YouTube 这类平台，你很难获取清晰的粉丝关系或互动细节。 最终，选择 Twitter 作为主要平台的原因在于，它是最优解。它的透明化社交图谱和集中化流量结构，为我们提供了明确的优势。相较之下，像 YouTube 这种平台，获取类似的关系网数据是非常困难甚至不可能的。因此，无论是我们还是 Kaito，都更倾向于优先选择 Twitter 作为主要阵地。 Kaito 定价高的两大原因：API 成本与法规限制我们当时使用了一些“奇技淫巧”，那时 Twitter 还未被马斯克收购，系统中存在一些灰色地带。比如使用教育账号或其他方式获取数据，虽然不完全合规，但在早期阶段，这种方式是普遍存在的。对于 Kaito 这样早期的项目，我猜测他们最初也采取了类似的策略，通过这些非正式途径获取数据。然而，当产品开始商业化时，这种方式显然无法继续使用。 两年前，他们完成融资并推出产品时，便只能依赖商用 API，而马斯克收购 Twitter 后，也封堵了许多不规范的途径。商用 API 的使用成本相当高，并且随着调用次数的增加，这种成本会呈线性增长，而非下降。 第二个导致定价高的原因是 Twitter 的法规限制。即便是一家公司使用商用 API，也存在每月调用次数的上限（具体次数记不清了）。这意味着，如果产品特别火爆，那么调用量的限制会使 ToC（面向消费者）的模式难以为继。最终，我们和 Kaito 在类似的时间点都选择了 ToB（面向企业）模式，这是一种可以最大化有限调用量经济价值的最佳方案。对 Kaito 而言，这是几乎没有其他可选的方向。 具体而言，由于调用量固定，唯一的办法就是通过提高单个用户的价值来实现更大的经济回报，通俗来说就是涨价。而这恰恰是产品的必要选择，否则整个商业模式无法成立。 我了解到他们的延迟是 15 分钟左右，与我们的延时差不多。需要理解的是，延迟时间越短，所需的成本便越高。这是因为需要以更高的频率扫取历史数据，而这种成本的增长是指数级的。延迟时间的设定也直接影响了 API 调用的效率与经济可行性。总而言之，Kaito 在 API 调用成本和法规限制下的高定价有其合理性。 Kaito 产品方向的演进与选择接下来谈一下 Kaito 的产品方向，以及为什么他们从 “trending” 类型的产品发展到现在的 KOL 类型的功能。这里首先给出一个小结论——并不是教别人怎么创业，而是分享我们自己的经验。我们曾经尝试过多个方向，发现有三个方向可以基于这一套逻辑进行衍生。 第一个方向是自用的纯 Alpha 工具。Kaito 的 CEO 在一次 Podcast 中提到，他们也曾经考虑过这个方向。如果工具只是用于 Alpha 类型的用途，那么越开发就越倾向于内部使用，而不适合大规模用户。我们也遇到过类似的问题——如果不收费，用户可能不会珍惜；如果收费，为什么不直接自己用？这类问题使得 Alpha 工具通常更适合自用，而不是产品化。 我们自己曾经用类似 Kaito 的逻辑开发了一套工具。这套工具的应用使得我们经常能够在项目火爆之前发现它们。我们考虑过用这套逻辑给交易所做 listing 工具。例如，我曾经想与 Binance 合作，免费提供这套工具来优化他们的 listing 选择标准。因为某些项目，比如 ACT，在我们基于 Twitter 数据分析的“上帝视角”中根本没有显示任何值得关注的表现，但仍然被列上交易所。这种不合理的选择，本可以通过数据驱动的工具避免。 此外，我们也研究过将 Alpha 逻辑应用于量化交易策略。我们在 Badcase 上对前 200 或前 100 的项目进行测试，基于文本挖掘、情绪分析等进行交易决策。测试结果显示，这种策略对市值较小、易受情绪和事件驱动的项目更加显著有效，而对于市值较大的项目效果有限。我相信 Kaito 也做过类似的研究，毕竟他们的 CEO 有交易背景。从这一点来看，我们和 Kaito 在早期的出发点和逻辑上有很多相似之处，但最终选择的道路却不尽相同。 Kaito 的社区新闻工具探索及其行业潜力在当前的模型框架下，一些现象级的主题，比如 meme 和 NFT，是非常显著的。它们在这套逻辑中能表现出价格提升的潜力。然而，这类现象却无法通过标准化的程序化交易完全解决，因为它们仍然需要较强的人工干预。这种特性使得它们虽然有效，但缺乏标准化。至于 Kaito 内部是否有类似方向的产品并用于自身，这点我就不清楚了。 第二个值得探索的方向是新闻类和 GPT 类产品。这是什么意思呢？举个例子，像现在的 Alva（原 Galxe）这种 Web3 助手，通过集成 Twitter 的分时数据，就可以获取所有推文的语料，并结合 ChatGPT 的接口进行加工。通过在前端调整 prompt（提示语），可以将这些数据以更直观的形式输出，从而生成许多即时性的社区新闻。 举个简单的例子：比如你看到大小写“elisa”之争时可能一头雾水。这时你可以直接问这个工具：“大小写的 elisa 之争的原因是什么？发起人是谁？” 通过这种方式，工具会基于最新数据总结出答案。而原版 GPT 无法做到这一点，因为它的数据有固定的截止日期，通常无法提供最新半年内的内容。你只能自己将相关语料爬取下来喂给 GPT，再通过提示语来总结逻辑。这类工具的潜力巨大，是一个值得深入探索的方向。 从目前来看，Kaito 似乎已经在探索这类产品或尝试类似的方向。我提到的 Alva 产品，就是一个不错的例子。它通过调用 Rootdata 等加密领域相关的 API，整合了大量行业数据，点对点地连接用户与行业信息。然而，Alva 存在的问题是数据清洗的质量不够高。他们花了大量时间对接数据网，但在数据精度和清洗的细致程度上仍有改进空间。相比之下，Kaito 的优势在于其数据的精准性，这是毋庸置疑的。 举个实际案例，最近关于大小写“elisa”之争的问题，我通过这类工具获得了快速答案。这类产品在加密行业的应用确实能显著提升效率。两年多以前，我们也开发过类似的工具，测试结果显示，它确实能够提高工作效率。然而，当我们尝试商业化时，遇到的核心问题是用户的付费意愿不够强。尽管工具能够提升效率，但并未针对某个核心痛点，这使得用户缺乏强烈的购买动机。 此外，由于这类工具的调用成本较高（每次调用 GPT 接口都需要支付费用），导致产品毛利率偏低。因此，虽然这类工具有一定意义，但其商业化面临较大挑战。许多调用行为更多是出于促活目的，实际产生收入的场景有限，这些都成为了需要克服的难题。总的来说，这一方向虽然潜力巨大，但在实际落地中仍需更多优化和突破。 数据准确性与 KOL 图谱构建在营销中的作用在探讨这些工具时，有一个核心问题：它们如何实现营收？如果单靠 VIP 模式，让用户无限次调用 API，这种产品很难有大的盈利空间，但它的存在是有意义的。它可以直接利用 Kaito 的逻辑，读取推特数据，用于生成和分发自媒体内容，比如类似“吴说”或其他形式的社区新闻。这类工具不仅能提升效率，还能帮助项目方在多平台上分发内容，比如通过 AI 生成短视频发布在 TikTok，或者直接在推特发布。 我认为，这种产品方向并不是只有 Kaito 或 Galxe 可以尝试，像 Mask 这样的项目其实也非常适合做这件事。奇怪的是，Mask 目前似乎并未深度涉足这一方向。如果有 Mask 团队的小伙伴听到这些建议，希望你们能尝试考虑一下。 对于 Kaito 来说，其当前的产品方向已经表明他们希望走向更大的市值，而不是沿着 Alpha 工具的路线继续前进。Alpha 工具虽然可以盈利，但缺乏产品化的潜力。如果只专注于此，它最终会局限于内部使用，无法形成面向更大市场的产品。Kaito 通过转向 KOL 图谱构建，显然是为了突破这一瓶颈。 早期对 Kaito 产品感兴趣的用户，与当时关注我们工具的用户群体几乎一致。我们的工具在早期也被建议出售给一些交易公司或二级基金。虽然这些交易公司更关注盈利性，但这种方向会陷入“是否盈利”的循环中。相比之下，KOL 图谱则为营销投放提供了精准支持，通过数据准确性提升投放效果，从而增加项目方的营销价值。 数据准确性是关键所在。虽然市面上有许多公司可以采集推特数据，但数据是否精准是另一回事。在公开市场上，Kaito 和我们早期的工具是为数不多能够做到准确的。数据准确性的核心在于“洗数据”，这是最困难和关键的环节。采集数据相对简单，但对数据进行加权和清洗则需要大量的反复测试和逻辑调整，这往往需要经验和直觉结合。 举例来说，中文社区的 Crypto Twitter（CT）往往存在较多噪音，权重需要降低。这种噪音导致中文 CT 通常比英文 CT 滞后 24 到 48 小时。如何有效清洗和调整数据，是一项“看家本领”，也是公司核心竞争力所在。 通过精准的 KOL 图谱，Kaito 能够帮助项目方优化投放策略，提升投放的准确率。这种产品不仅能协助项目方实现更高效的营销，还能从中获得营销费用，形成可持续的商业模式。选择这一方向，正是 Kaito 在市场竞争中展现出的聪明策略。 Yap 活动背后的战略逻辑与飞轮效应在整个 Crypto 领域，投放广告一直是一个相对模糊且低效的行为。目前的营销机构本质上更像是维持通讯录的简单工具，其手段相对单一。在这样的背景下，Kaito 提供的工具可以帮助项目方判断哪些 KOL 值得投放，哪些不值得，通过数据分析提供有据可依的参考。这种精准性极大地提升了广告的效率。 Kaito 通过两个关键指标来优化 KOL 投放：正确性 和 核心圈层 。正确性是指 KOL 的判断是否准确，比如他们是否在某个项目上涨前就已经讨论，而不是在项目上涨后才参与。每次分享或推广，KOL 的判断是否正确都会被记录和加权，影响其权重评分。这一切都可以通过时间戳和数据分析工具反复验证。 核心圈层（在 Kaito 中称为“smart follower”）则衡量一个 KOL 影响力的深度。如果一个账号有更多的聪明账户（即 smart follower）与之互动，其权重评分会更高。这样可以帮助项目方筛选出真正有影响力的 KOL，而非仅仅拥有大量粉丝的账号。 Kaito 的 Yap 活动展现了其战略转型的成功。这一活动通过使用免费的 KOL 杠杆，大幅减少了营销成本。传统的营销需要逐个联系 KOL 并支付高昂的费用，而 Kaito 直接公开了一个页面，通过权重算法为 KOL 提供分配奖励。这种方法既简化了流程，也通过数据透明化提升了可信度。这种模式让许多 KOL 自愿参与推广，帮助项目迅速扩散。 同时，Yap 活动还解决了潜在的风险问题。考虑到未来如果 Twitter 更改 API 规则，Kaito 通过 TGE 的方式让所有 CT 用户将账户绑定到其后台，主动授权数据使用。这种方式使 Kaito 逐渐脱离对 TwitterAPI 的依赖，并开始掌握自己的数据资产。这不仅让 Kaito 具备了更强的独立性，还形成了供需双方的正循环：随着更多 CT 用户绑定，项目方的兴趣增加，形成一个数据撮合的飞轮效应。 最终，Kaito 通过这种模式创造了类似于阿里妈妈或巨量引擎这样的商业想象力，成为加密行业中一个成功的营销生态平台。当前来看，这一战略执行得相当成功。 创业反思：非典型精英背景的从业者如何突围如果所有 CT（Crypto Twitter）用户都将自己的账户绑定到 Kaito 的后台，那么在未来进入二级市场时，Kaito 可以明确告诉外界：“这些数据是我的。”无论是项目方还是 CT 用户，这一绑定行为都能形成数据共识和趋势。这正是 Yap 活动背后的核心逻辑。 在结束 Kaito 话题之前，我想分享一个关于我们自己的小故事。我们在 Kaito 融资之前，也开发过类似的产品，甚至可以说是同期进行的。两年多前，我们同时尝试了 Alpha 工具和 GPT 类工具的方向。当时，正值行业低谷，我们团队不太擅长社交，行业内认识的人也很少。尽管我们的产品有趣且具备潜力，但介绍我们给 VC 的朋友寥寥无几。 当时，我们接触了四家 VC，其中一家愿意跟投，但需要我们找到领投方。而其他三家直接忽略了我们，原因之一是我们的背景并不符合典型的精英创业者形象。他们没有深入了解我们的产品背后逻辑，甚至未尝试去想象其潜在的价值，而是简单地一票否决了。 直到后来，我们通过 YouTube 等平台逐渐被更多行业人士关注。这些观众大多是业内的机构和从业者。即便如此，我仍没有向那些曾经与我们接触过的 VC 提及过去的事情，因为稍显尴尬。有趣的是，我后来在时间线上看到曾经接触过的 VC 员工现在对 Kaito 赞不绝口，这让我感慨万分。 我们最终选择了走 Alpha 工具的路线，这一选择与我们当时的社交圈有限有关。我们认为如果没有外界帮助，很难将 ToB 的产品成功商业化。我们希望通过找到知名 VC 的认可，借助他们的资源完成市场扩展，而不是仅凭我们自己艰难前行。 对于那些非典型精英背景的创业者，我有一些建议。VC 更关注的是连接和关系网络，而不一定关注你的产品本身。然而，我始终相信好的产品能够自我发声。如果你的产品真的好，就不要畏惧向外展示。如今，我也意识到构建社交影响力的重要性。通过社交网络，你不仅能够认识更多人，还能为未来创业积累一定的知名度和信任度。 对于观看我影片或者浏览我 Twitter 的朋友们，我希望传递的信念是：无论你是否有精英背景，只要你的产品足够优秀，我都愿意为你提供帮助。好的产品和想法比华丽的履历更加重要。只要你拿出的东西能让我认可，我会尽我所能帮助你找到资源。