我把数据复盘了一遍：91在线为什么有人用得很顺、有人总卡？分水岭就在片单规划
我把数据复盘了一遍：91在线为什么有人用得很顺、有人总卡？分水岭就在片单规划
前言 最近把一波真实流量和观看路径的数据拉出来复盘，发现同样是91在线这类短视频/长视频混合平台，为什么有的人看得顺滑、有人总卡顿？结论比直觉更简单也更残酷：核心差异不在 CDN、也不完全在用户网络，而是片单（playlist）如何被规划与呈现。下面把我的复盘发现、根源分析和可落地的优化建议，全都写清楚，方便团队快速试验与上线。
一、观测到的主要差异（把用户分成两类）
- 顺畅组：启动快、连播不中断、自动切换码率平滑、跳转/下一个视频延迟低。通常停留时长更长、完成率更高。
- 卡顿组：频繁出现重缓冲、码率剧烈切换、点开下一个视频要等、用户跳出率高。很多是短时间内多次跳看导致的体验崩坏。
二、数据层面的关键指标（我主要看了这些）
- 启动时间（start-up time）
- 重缓冲率与重缓冲次数（rebuffer ratio/count）
- 平均码率与码率切换次数
- 视频切换延迟（用户点击“下一个”到播放开始）
- 用户跳转率（skip）与单次观看时长分布
- 设备类型、操作系统、客户端版本、网络类型（4G/WiFi）
三、为何片单规划成为分水岭（核心原因） 1) 连续高码率片单会“吃光”客户端缓存 当片单把多部高码率视频连在一起，客户端在默认的预取策略下，可能会优先缓冲当前视频的后续大片段，造成对下一个视频的预取不足。用户一旦快速跳转，就会遭遇明显延迟或重缓冲。
2) 用户行为与预取策略不匹配 两类用户行为很不一样：有人喜欢看完一整个视频再看下一个（顺序观看），有人喜欢随意跳看短片（高 skip）。但片单常常按“内容相关性”或“热度”线性排布，没把高 skip 场景考虑进去。结果是高 skip 的用户频繁触发未命中预取策略，体验差。
3) 片单内编码属性差异大 同一片单里混合了多种分辨率、码率、分段时长（segment length），会让播放器在切换时频繁进行码率重调和缓冲决策，尤其在波动网络环境下更容易出现卡顿。
4) CDN/缓存与片单热点分布不匹配 热门短片往往集中在某些列表位置，如果片单把热点跨散地分布，用户流转会触发更多不同的 CDN 请求，缓存命中率下降，延迟上升。
四、可执行的优化策略（分短期快速改进与中长线方案） 短期（1–4周，可快速验证）
- 按观影路径智能聚类：把高 skip 的短片放在专门的“跳看型片单”中，避免与顺序观看长片混排。
- 插入“缓冲桥接片段”：在连续高码率内容之间插入低码率或短片段，作为缓冲区，降低切换时的重缓冲概率。
- 优化预取策略：基于用户历史行为给出“下一视频优先级”。对高 skip 用户降低对当前视频长尾段的预取比例，增加下一个视频首段的预取。
- 动态调整首帧码率：对网络不稳或低端设备自动降低初始码率以缩短启动时间，再平滑升级到更高码率。
中长线（1–3个月，需研发配合）
- 片单智能分层：将片单分为“深度消费层”和“快换层”，分别应用不同的缓存与预取逻辑。深度层适合长片、连贯剧情；快换层适合短片、音乐、搞笑片段。
- 多维编码与分段优化：统一片单内常见分辨率与分段长度，避免过大差异，减少切换时的 ABR 抖动。
- CDN 分区与缓存预热：根据片单热度曲线对热门序列进行预热，或在地域层面做更精细的缓存策略。
- 数据驱动的片单实验平台：每次片单改动都做到 A/B 测试，指标包括启动时间、重缓冲率、观看完成率和留存。
五、给产品/运营/内容团队的实用建议（可直接拿去做）
- 片单设计模板：为不同场景制订模板（长视频观看模板 / 短视频快消模板 / 教育课程模板），并强制在内容上做小范围匹配（码率、时长、话题）。
- 运营上分类推送：把高 skip 用户标签化（可用近期跳看率阈值判断），推送前优先使用“快换片单”。
- 内容端注意结尾设计：对于容易被跳走的短片，设计更强的结尾钩子或首尾连贯性，降低随机跳出率。
- 指标告警：为连续高码率片单建立体验告警线，一旦某片单的重缓冲率或切换延迟超标，自动触发回滚或临时降级策略。
六、案例简述（复盘结论的落地效果） 在一次实验中，我们把“热门短片”从混合片单中抽出，形成独立的快换片单，并对该片单启用下一个视频优先预取。结果在一周内，用户在该片单的平均切换延迟明显下降，跳出率降低，同时单次播放时长有所上升（具体数值因团队保密，这里不展开）。结论是：只要片单和预取策略对齐，体验提升来得很快。
七、落地优先级建议（给工程排期用）
- P0（立即做）：按用户 skip 行为分类并调整预取策略；调整首帧初始码率。
- P1（短期迭代）：插入缓冲桥接内容；制定片单设计模板。
- P2（中长期）：片单智能分层、CDN 预热、编码和分段统一优化。
