人人都是产品经理
人人都是产品经理致力为产品新人、产品经理等广大产品爱好者打造一个良好的学习交流平台。深度剖析国内外互联网业内动态,分享产品设计、交互设计、视觉设计、用户体验设计、产品运营、用户增长、私域运营、小红书运营、视频号运营、抖音运营、产品市场和项目管理等专业产品知识。
对于许多没有算法团队支撑的产品经理来说,如何让产品在没有复杂算法的情况下实现“智能”功能,是一个亟待解决的问题。本文将深入探讨如何通过设计精良的规则引擎,为产品赋予“智能”属性,从而在资源有限的情况下实现业务增长。 声明:作者是在职产品经理,文章提到的项目为真实项目,保密要求做了脱敏处理。 我先说结论:在没有算法团队的前提下,一个设计精良的【规则引擎】,就是撬动业务增长最有效的杠杆。 没有之一。 但很多人,尤其是技术背景的同事,一听到“规则引擎”,眼神里就透出三分薄凉,七分不屑 他们的潜台词我都能翻译出来:这不就是一堆if-else的封装吗? “属于上个时代的产物了,是产品经理为了规避开发自己瞎搞的” “典型的伪智能,跟真正的AI推荐系统比,就是个玩具” 毕竟在大家的认知里,AI就得是神经网络,智能就得是深度学习 毕竟在开发的认知里,没个算法博士都不配谈个性化推荐 毕竟在老板的PPT里,“基于规则的动态分发”这句话,远没有“AI驱动的智能推荐”听起来更震撼 这些宏大叙事,他们敢讲,我都不敢信 因为我知道,从PPT到现实的鸿沟,需要用真金白银去填补 但但但但但,重点来了。 如果说以前的规则引擎是写死的代码,那么现在,对于没有算法团队支撑的PM来说 规则引擎,就是性价比之王。 为啥? 我就问大家一个问题,对于90%的业务场景来说,需要那么复杂的深度学习模型吗 不好意思,真没有 大部分时候,我们需要的不是一个能预测用户下一秒想什么的算命先生 而是一个能对用户当前行为做出快速反应的金牌销售 所以在绝大多数业务场景下,我们离需要复杂算法的阶段,还隔着十万八千里 可以依靠规则优化的空间,还非常充足 时代变了 兄弟们,老板也吃多了大饼 现在老板要的不是论文,是TM的转化率 1. 过去偏见:为啥规则引擎总被口诛笔伐 说实话,以前这玩意儿被骂,一点都不冤 要是以前,一个产品经理拿着一堆if-else逻辑,就敢跟老板要几百万预算去做“AI项目” 就凭这股勇气 就得被全公司的开发吊起来打 凭啥啊 就凭你会写,如果用户是男的,就给他推剃须刀吗 就凭你会写,如果用户来自北京,就给他推烤鸭吗 这种在代码里写死的逻辑,改一次得求爷爷告奶奶,排期得到下个世纪 一个简单的运营活动 想换个Banner文案 对不起,请走研发流程 等到你上线,黄花菜都凉了,是吧 这种体验 就像你买了一辆“智能汽车”,结果发现它的“智能”就是天热了自动开冷气,天冷了自动开暖气 你想让它放首歌 对不起,请联系4S店进行固件升级 这不叫智能,这叫智障 那时候的规则引擎,就是个鸡肋 食之无味,弃之可惜 所以大家嫌弃它,太正常了 但问题是 现在的规则引擎,它进化了呀 它不再是写死在代码里的“僵尸逻辑”,而是产品经理自己就能在后台配置的积木了 这时候你再说它是if-else 那咋了?那咋了? 我一个产品经理,动动鼠标,就能实现:从抖音来的用户,落地页的BGM自动变成最近单依纯最火的“李白”。 凌晨2点还点进来的用户,页面自动切换成夜间主题,并弹出一张夜宵外卖权益券 这事儿,不香吗 2. 横向对比:为啥它比“空谈算法”更值得选 有人说,你这不还是小打小闹吗 真正牛逼的公司,都直接上推荐算法了,千人千面 你这最多算“分组群面” 我还是那个道理,方案一样,成本不一样 你去组建一个算法团队,需要多少钱 算法工程师的薪水,一个比一个吓人 还有数据标注、模型训练的服务器成本 没个几百万,你连响都听不见 对于很多中小公司来说,这绝对是师出无名的豪赌 但规则引擎,说白了就是个“可视化配置后台” 一个中级Java或Go开发,一周就能给你搞出来 它解决的是0到1的问题 是用最小的代价,去验证“个性化”这件事到底能不能给你的业务带来增长 等你用这个看似简单的规则引擎,真的把转化率做上去了 把老板的信心打出来了 那时候你再拿着实打实的数据去跟老板说:“老板,你看,我们简单的分组都能提升5%,要是上真正的AI算法,那不是要起飞了?” 那时候,你要人给人,要钱给钱 这,才是一个成熟产品经理该干的事儿 先活下来,再谈理想 真的,这套路,百试不爽 3. 项目契机:被广告费烧出来的不智能反思 故事得从我们广告投放业务说起。 我们有一块是虚拟电商的业务,就拿其中两类举例:手机流量包和会员权益。 每个月,广告部都要在抖音、快手、广点通上烧掉几百万的广告费。 但结果呢? 只是堪堪盈利。 我入职的时候,他们面临一个极其尴尬的局面:所有的广告,无论创意素材多么五花八门,最终都指向一个标准的、千篇一律的产品落地页。 尽管他们在落地页上做了非常多的埋点(比如点击率、提交率、单个素材停留时长、表单填写率、成功率等等) 后台也做了非常多的数据分析看板(比如转换漏斗看板、权益领取报表、流量分析看板、页面埋点报表) 可是埋点数据多,也就意味着,千头万绪没有一个明确的优化点 到底是两个页面不同的按钮,还是同一个页面不同的主图带来的转化提升,没法区分 只能按照经验去替换素材,换页面,甚至做大而全的通用页面 可最终还是会有很多灾难性的错配: 在抖音刷到“暑期游戏加速”广告进来的用户,看到的是和商务人士一样的“长途漫游流量包” 他一头雾水,脑子嗡嗡的,下一秒就划走了。 在财经App看到“知识付费会员7折”广告进来的白领用户,看到的却是和学生党一样的“校园特惠流量包”。 她心里绝对无了个大语,觉得我们不专业。 结果就是,我们的落地页跳出率常年高居60%以上 每一天,都有成千上万的用户被广告吸引而来,然后又在第一秒钟,被这个不合心意的落地页给无情劝退。 素材部的同事每次在会议上痛心疾首,说他们的广告素材都快卷出花了,结果全折在了这临门一脚上 那时候我意识到,问题的根源,不是广告创意,而是我们产品页面承接流量的能力 太弱了 4. 破局之路:从写死到“乐高式”的规则后台 最开始,我的想法很朴素。 我直接拉着运营开会,让他们给我几个跑量一般的链接做个测试。 然后跟开发说:“哥,加个逻辑。如果URL里带了媒体类型=douyin,就把Banner换成那个游戏风的图片,文案也改一下。” 开发人挺好,两天就给我上线了。 同一个人群的链接效果立竿见影,抖音渠道的转化率提升了3% 没过几天我正高兴呢,运营同事又来了:“那个,快手渠道我们也想换个素材,还有广点通的……” 我再去求开发。 一来二去,开发烦了,我也烦了。 产品迭代文档,变成了一本厚厚的《if-else需求说明书》。 我终于明白,靠人力去维护这种分发的逻辑,是一条死路。 我们需要一个系统。 一个能让运营自己组装逻辑的系统。 于是,我花了整整一周时间,设计了一个后来被称为“动态聚合规则引擎”的功能模块。 它的核心思想,就是“万物皆可组件化”。 我把落地页拆成了几个核心的“动态内容位”: 槽位1:头图Banner 槽位2:核心文案 槽位3:商品表单 槽位4:动作按钮 然后,在后台,运营可以为每个槽位,创建无数个不同的“内容版本”。 比如,商品表单我们可以创建: 版本A:“游戏玩家优选” – 主推大流量、低延迟的流量包 版本B:“商务精英套餐” – 主推含通话时长、多地漫游的流量包 版本C:“影音会员专享” – 主推定向免流的视频App会员权益包 最关键的一步来了:规则配置界面。 这是一个可视化的配置面板,彻底告别了求开发。 我可以在上面像搭乐高一样,创建一条规则: 如果: a参数等于 douyin AND b参数 包含 “game” 那么: 渲染 Banner 为 “版本:热血游戏对战图” 渲染 文案 为 “版本:大神操作,快人一步” 渲染 商品 为 “版本A:游戏玩家优选” 渲染 按钮 为 “版本:立即解锁游戏特权” 这个功能上线的那天,我们运营的同事终于可以根据广告投放策略,实时、动态地去调整落地页了 5. 效果复盘:用确定性的增长,撬动不确定的未来 系统上线后的第一个月,我们做了大量的分组实验。 我们针对不同的渠道、不同的人群画像、不同的商品偏好,配置了三十多条精细化的规则。 结果呢? 整个落地页的平均转化率,从之前的不到3%,硬生生拉到了4.5% 提升了整整50% 对于月耗百万广告费的部门来说,这意味着每个月实打实地多赚了几十万的利润。 有人可能会说,这不还是“分组群面”吗?离真正的“千人千面”还差得远。 还是那个道理。 在资源有限的情况下,用80%的精力,去解决那80%最明确的问题 这才是产品经理最大的价值。 我们用一个极其简单的、确定性的技术方案,解决了业务当前最痛的、最核心的“流量承接错配”问题。 这,就是性价比。 更重要的是,这个系统为我们未来的智能化,打下了坚实的地基。 我们为每一条规则都做了数据埋点,现在我可以清晰地看到: “抖音游戏”这条规则,转化率是6.2% “财经会员”这条规则,转化率是5.8% 而那条“默认通用”的老规则,转化率只有可怜的3.2% 有了这些数据,下一步该怎么做,已经不言而喻了 我拿着这份数据报告,在月会上,正式提出了引入“自动化分配”的想法 我们手动的规则已经证明了‘精准匹配’的巨大价值。 现在我们有多条高转化率的规则,但具体给哪条规则多少流量,还是靠我们拍脑袋。 下一步,我们能不能让系统自己去学 自动把更多的用户,导向那些被证明过更牛逼的规则上? 那一刻,我不再是一个空谈AI梦想的PPT产品经理 而是一个手握数据,用确定的收益,去推动公司投入的实践者 这,就是不懂算法的产品经理,在这个时代,最好的破局之路 先用规则,把你能做的做到极致 然后,静待花开 本文由 @产品破壁人老杨 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
在商业竞争的浪潮中,拼多多一直以其独特的商业模式和市场策略脱颖而出。然而,随着市场环境的变化和竞争对手的动态调整,拼多多再次面临新的压力与挑战。本文将深入剖析拼多多在当前市场中的“兜底”角色,探讨其如何通过农产品产地直发、外贸工厂转出海全托管、百亿减免和千亿扶持等关键业务动作,为商家和消费者提供稳定的保障 01 当老师的朋友告诉我,她最喜欢一类好学生:课堂提问全班都没人举手时,他们会用眼神告诉老师“我来试试”,然后站起来回答救场。 尤其对于新手期的老师,班里有几个这样的兜底型学生,简直就是福报。 有兜底的人生多受欢迎?现在的大学生,恨不得从大一就开始背申论做行测。如果你学习很好,中学能拿全国赛一等奖,高考能考上清华,那么恭喜你,可能得到一份街道办的稳定工作。 体制内的聪明年轻人把利弊想得很清楚:在这里,上限要看个人能力、老丈人和运气,但下限很明确,从工作第一天就能算清楚,在完全不努力的前提下,将来退休金有多少。 如果没有挤进有兜底的行业,搞清楚自己行业的兜底在哪里,就是生存必选项。 你得知道自己的退路在哪里。 比如我做玉石珠宝生意,我不会压太多资金在货上,回血直播间就是兜底。我会以低于成本价的价格,在这里甩掉滞销品,保障资金的流动性。 有些兜底性的存在,关键时刻才会亮明身份。比如多多买菜。6月23日,美团优选突然关闭全国大部分城市的服务,没有提前得到消息的供应商跟团长都懵了,回过神后,他们的集体动作就是:争取转向多多买菜。这是他们控制损失、不用大幅调整生活和工作的兜底选项。 不用跑到对家楼下拉条幅撒广告,多多买菜成为接住友商“遗产”、为普通人兜底的天选之子。 02 拼多多是有些兜底体质在身上的——从兜底这个视角去看拼多多的业务,也能解释它为何能做到今天的体量。 我们先来简单看一下,它过去几年在业务层面的关键动作:农产品产地直发、2022年的传统外贸工厂转出海全托管、百亿减免、千亿扶持。 很多动作的本质都可以归结到“兜底”两个字。 农产品产地直发,是为销路不畅的农户兜底。现在这些农产品甚至可以发到香港,在小红书这样的社交平台上,已经有很多IP香港的用户,在活跃分享拼多多店铺。 全托管的跨境业务,是为遭遇传统外贸停摆的工厂主兜底。白牌是拼多多的基本盘,对于转场的外贸工厂主来说,相当于你是种菜的,结束与商超的供货合作之后,回到一个客流量最大的早市。 百亿减免、千亿扶持,是给更大范围的小商家兜底,让他们在穿过经济周期的过程中走得舒坦一点。 还有前几年开始的小商家出淘入拼,其实跟眼下的美团团长转向多多买菜,是类似的逻辑。小生意人发现自己在原来的阵地没法做了,自然要寻求新出路。 不管是拼多多主动做兜底的业务,还是需要兜底的人主动转向拼多多,其中都有一个关键因素: 需求。 可以说,拼多多平台上已经集结了各种千奇百怪的消费需求。从花园凉亭、活猪活鸭、石墩子、集成房到一两块钱包邮的针线……我经常在小红书刷到分享拼多多奇葩网购的笔记,包括我自己在北京郊区租的院子,基本也是用拼多多搭起来的。 ▲ 拼多多上五花八门的商品 媳妇甚至为了种菜,买了十来种我叫不上名的农具——当然这也没妨碍菜地里的杂草比菜苗还高。我只能告诉自己:媳妇高兴,全家高兴。 消费需求不是独立存在的,它要受到经济环境、人口结构、社会价值观这些因素的影响,也会持续变化。 我做的玉石属于相对传统的消费品,但每年流行还是在变。今年年初,平时少有问津的一款黄玉手串突然卖到了断货,就很出乎我的意料。 再比如说家装,几年前媳妇装修时,买的都是以樱桃木、黑胡桃木甚至是柚木为主材的设计师品牌家具,一件动辄好几万,等到去年装修另一个房子时,她每天都要抱回来一堆来自拼多多的包裹,美名其曰:适应经济周期的变化。 对于电商平台,谁能更大程度地响应时代和市场的消费需求,谁就能吸纳更多的商家和消费者,从而具备更持久的成长性——这是”兜底佬”的能力基础。 兜底的前提,是自己得强。就像三国里的魏营大将曹仁。 如果穿越回三国时代成为一方诸侯,要在关羽和曹仁之间选一员大将打辅助,我应该会选曹仁。他没有关羽“水淹七军,威震华夏”的高调,但看战绩的话,他绝对是三国时代最难啃的骨头,从渭南之战拦住马超、官渡之战赶跑刘备、赤壁之战拖住周瑜和襄樊之战挡住关羽,他总能为曹操救场,就像老板身边的一把“盾”。 还有一个大家都熟悉的”兜底佬”,是《甄嬛传》里的温太医。 从甄嬛早期的服药避宠、与四大爷相见后要复出,到后来宫斗中的种种,或进或退,温太医都在给她兜底。而他能做到这样,一是因为出身太医世家,多少有些家世背景,二是自己也做到了太医院的高管。 03 有人兜底是幸福的。 兜底也分等级,按照靠谱程度从高到低排序:制度性兜底、人为兜底、运气兜底——最后这条属于玄学范畴,先不展开。寺庙这几年红红火火,其实就是大家在寻求个运气兜底。 前面两条,至少占一样,普通人的生活就不至于太差。比如江浙沪独生女、体制内的人。 什么兜底选项都没有的人生,可能有两种走向: 一种是勇往直前,反正也没有退路,搏一搏,还可能单车变摩托。这样的故事,在成功人士的回忆录、机场杂志的封面和十万加的鸡汤文学中,比比皆是。 不过,全信你就输了,这些故事往往喜欢强调个人的白手起家、努力拼搏,而主动忽略像老丈人这样的关键因素。 一种是摆烂。日本进入高龄少子化后,年轻人给自己贴上“平成废物”的标签,直接躺平,不结婚不生子不买房不买车,主张“断舍离”,追求一直行李箱能装下所有物品的极简生活。 在2023年,日本已经出现140万不出门的蛰居仙人,大部分是不到40岁的年轻人。有人终身不工作,甚至在父母去世失去经济来源后,只能选择自杀或者饿死。 商业公司提供的兜底,属于另外一个范畴。 在创造商业价值的前提下,它能为个体提供一定程度的制度性兜底,但更重要的是,它还可能通过给社会或者行业兜底,创造更大的价值。比如美国发起制裁后,中国公司们在芯片技术上的努力,就不仅仅只是为赚钱了。 当然,我不是说兜底的热情比利润更重要。 200多年前亚当·斯密就在《国富论》里写了:我们获取的食物并非来自屠宰商、酿酒师和面包师的恩惠,而是出于他们的利己思维。 但商业发展起来后,面包师可能会发现,当自己用爱和奉献去做面包,从“利他性”出发,反而能吸引到更多的顾客。因为它让普通的面包具备了一种稀缺性——这也是抬高商品价值的关键。 你看,胖东来和它调改的永辉超市、新乐超市们,也是把类似爱和奉献的词作成企业文化,挂在墙上。 “兜底佬”拼多多没那么高调,它就是低调地一路兜底一路发育。甚至为了兜底,敢让股东们阶段性不开心。一季度,因为百亿补贴、千亿扶持、商家减负等“兜底性”动作导致支出大幅增加,拼多多财报不好看,股价也徘徊在低位。 但能够提供兜底价值的公司,往往也同时具备长期价值。 于是,我那位拿着拼多多股票的朋友,一边骂骂咧咧,一边牢牢拿住不放手——没准这在将来就是她为儿子准备的兜底。 本文由人人都是产品经理作者【山农下山】,微信公众号:【山农下山】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Pixabay,基于 CC0 协议。
占星文化正席卷美国市场,一款名为 Starla 的占星 App 凭借独特功能迅速走红,吸引了超 80 万用户下载。它不仅能解读星盘,还能绘制 “灵魂伴侣” 画像,满足了年轻人对神秘未知的探索欲和对情感的期待。本文将带您深入了解 Starla 的成功秘诀及其背后的文化现象。 “静下心来,集中注意力,默念心中的问题,选择最有感应的一张牌,我将揭示宇宙给你的指引,告诉你问题的答案。” 当塔罗占卜、星盘分析愈发成为年轻人探索自我性格、追寻生活答案的方式之一,年轻人的身影也从线下塔罗摊、疗愈集市逐渐走向各社交平台。前有短视频平台上层出不穷的占卜类内容,后有小红书“帮看星盘”“人格解析”等热帖频出,年轻人对自我认知与未来预测的渴望日益强烈,进一步带动了国内测星盘类App的高频下载。 这一类基于星盘的个性化解读,在美国市场也展现出强劲吸引力。近期,一款占星App七天就在美国收获了43万用户,引发一股“占星热潮”。点点数据显示,Starla发布三个月以来,全球累计下载量已突破80万,其中美国市场贡献了近60万次下载,成为增长的主动力。 Starla应用3月1日-6月22日全球下载量 来源:点点数据 数据表明,自6月10日起,Starla在美国地区的下载量开始持续攀升,并在短时间内实现快速爆发。6月21日,Starla跻身美国App Store应用总榜第7位,并位列生活类榜单第1,一举冲进大众视野。 如此吸量的背后,代表着占星与玄学又碰撞出了怎样的火花?Starla的运作模式值得我们一探究竟。 不仅会读星盘,还能画出你的“命中注定” Starla的产品理念与塔罗占卜中“感应能量、和宇宙建立联系”的方式有异曲同工之妙——它如同一名真正的占星师,循序渐进地与用户建立起从0到1、由浅至深的连接。 “Hey, I’m Starla. What is your name?” 当用户首次打开App,手机屏幕便浮现出这句问候。用户通过输入姓名作出回应,如同一次日常的占卜开场,与占星师进行第一轮能量交换。这种“你好,我是谁”的仪式感,为接下来的心灵旅程拉开序幕。 紧接着,用户将依次填写自己的生日、出生地与出生时间,Starla便会为其生成专属星盘,并以此为基础,开启一场关于自我认知、情绪洞察与关系理解的对话。 生活中无论是感情、事业,还是日常起伏的情绪烦恼,用户都可以向Starla询问,由它根据独特的星盘信息给出回应与建议。在“Romantic Advice”板块中,用户可直接与Starla展开情感主题的互动,探讨亲密关系中的疑问与可能。 用户还可以选择进入“Voice Chat”界面,与Starla进行对话,将当日的情绪、困惑或想法娓娓道来。而Starla则以语音回应,营造出“倾诉+聆听+回应”的陪伴体验,强化了人-机之间的情感连接。 此外,Starla还提供每日运势推送,帮助用户更好把握生活节奏。用户还可以输入朋友的出生信息,查看彼此的星盘匹配度,探索适合发展的关系类型:是知己、恋人,或普通朋友。 真正让Starla出圈的,是其能够为用户绘制出“soulmate”画像的功能。 塔罗占卜测“正缘”,星盘分析“谁才是你命定之人”……年轻用户怀揣着对未来另一半的各种憧憬,想要见到理想恋人真正的样子。而Starla正是抓住了用户这一诉求,用一张张怀旧风格的素描画,为用户描绘关于“命中注定”恋人的遐想。 借助星盘,Starla弱化了AI生图的存在感,使用户愿意去相信,这幅画是宇宙在某种程度上的“回应”——关于理想关系、关于命定之人,也关于他们此刻最想得到的未知答案。 目前,Starla提供价格3.99-59.99美元的多档位内购。其中,订阅月度Starla Pro(14.99美元/月),即可体验包括“绘制灵魂伴侣”在内的完整功能。 上线仅3个月,美国占星赛道新亮点 作为一款年轻的占星类产品,Starla上线仅三个月,近期下载量激增,除了运用“绘制灵魂伴侣”打出差异化、语音交互实现沉浸式陪伴交流,Starla还凭借其独特的产品表达,在美国市场脱颖而出。 与传统代表产品Co–Star、The Pattern相比,Starla并未强调晦涩复杂的星盘理论或过度理性的文本解读,而是以更加感性、人性化的方式切入用户内心,重构“数字占卜”的交互路径。 具体而言,Co–Star主打冷静、简洁的文本叙述风格,借助NASA数据和AI算法生成个人星盘,整体风格更偏向理性分析;The Pattern则强调心理成长和人格建构,定位为一种结构化的“数字人物镜像”。而Starla则更注重人文表达,其更像一位“随时在线的占星师朋友”。 Co–Star The Pattern 此外,Starla以“绘制灵魂伴侣画像”作为核心卖点之一,极大增强了产品在社交平台的传播力与话题度。相比其他占星产品多以“内向型自我探索”为导向,Starla主动制造“面向外部关系的想象窗口”,更容易引发年轻人之间的内容转发、互动与分享。 来自宇宙的声音,吸引用户探寻亲密关系 Starla凭借“绘制灵魂伴侣画像”功能,激发了用户的主动分享欲,把占星变成了一种轻互动的内容游戏,让用户在参与、分享的过程中完成一次关于关系的想象与自我表达。 长期被碎片化信息包围的生活中,年轻一代用户愈发倾向于通过“性格测验”“命运匹配”这类轻决策内容,快速获取确定性。星盘本身,正是一种具有“解释力”的心理符号系统:它能为人的性格、情绪、关系提供一套看似精密的秩序感和答案机制。 “你见过这个人吗?” Starla“灵魂伴侣画像”功能上线后,在TikTok掀起了一场UGC热潮,用户自发在平台晒出“灵魂伴侣画像”,与网友互动讨论“像谁”“准不准”“会不会真的遇到”……这种模糊却极具参与感的内容形式,迅速突破了玄学受众的圈子限制,让许多带着好奇心的网友想来看看“究竟怎么回事”。 TikTok平台的用户评论 目前,TikTok平台上热度最高的Starla相关视频由一位占星博主发布,已获得超14万点赞。话题标签#Starla下累计发布作品达3.4万条,其中讨论度最高的,正是生成“soulmate画像”这一功能。 Starla在TikTok平台的UGC 这背后,不只是“看图好玩”那么简单。对用户来说,Starla提供的是一种具象化的情绪表达:通过将抽象的感情投射到具体的面孔上,把对“未来伴侣”的想象赋予轮廓,也就给了现实生活一个更浪漫的解释模板。 总的来说,Starla不是简单在“讲星象”,而是在借助占星的叙事,为用户展开自己浪漫生活的想象,并在过程中给予心灵慰藉与情绪支持。 写在最后 Starla的走红,不仅折射出占星赛道正在迎来新的发展拐点,更揭示了年轻用户对“确定感”的需求。 每一张星盘的背后,是一套关于身份认知、关系梳理和情绪定位的自我理解逻辑。面对高压力、低确定性的现实,占星类App提供的并非预言,而是一种更温柔的引导方式。这正是当下“情绪价值”话题在占星产品中的具象体现,也意味着未来的占星产品,有机会向更人性化、互动化的方向演进。 本文由人人都是产品经理作者【扬帆出海】,微信公众号:【扬帆出海】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
在旧金山举行的 YC AI Startup School 上,Andrej Karpathy 发表演讲,深入探讨了软件从 1.0 到 3.0 的演进路径,指出大型语言模型正在重塑软件开发与交互方式,强调人机协作的未来方向,如钢铁侠战衣般增强人类能力,并分析了当下的创业机遇。 6 月 16 日旧金山举行的 YC AI Startup School 上,Andrej Karpathy 发表主题演讲,系统梳理了软件范式的深层变革,并提出未来 AI 系统设计的关键方向。 他指出,软件正在进入一个快速重写与结构重构的时代,而这场变革的核心动力正是大型语言模型的兴起。 此次演讲基于 Karpathy 围绕“软件 1.0 到软件 3.0”的演进路径,深入探讨了自然语言编程、Agent 应用、产品自治性滑块、以及人类在环等关键议题。演讲不仅回顾了过去十年 AI 与软件融合的进程,也展望了一个以人机协同为基础的新软件世界。 Andrej Karpathy 指出,软件行业正处于一个深刻变革的阶段。现在正是进入软件行业的绝佳时机,不仅因为行业发展迅猛,更因为软件本身正在经历前所未有的根本性转变。 过去 70 年,软件的基本范式几乎没有发生实质性变化,而近几年却连续出现两次底层变革,导致现有的软件体系面临大规模重写与重构的任务。以“软件地图”为喻,Karpathy 引用了一个名为 GitHub 地图的可视化工具,展示整个软件世界的结构。这些代码仓库代表了人们写给计算机的所有指令集合,是数字空间中完成任务的基础逻辑。 几年前,新的软件形态开始出现,Karpathy 提出了“软件 2.0”的概念。区别于软件 1.0 时代“手写代码”的方式,软件 2.0 的核心是神经网络的权重,开发者不再直接编写程序逻辑,而是调整数据集并用优化器训练出合适的模型参数。这一过程的本质是通过数据训练出能够执行复杂任务的网络,而非精确指令的堆砌。彼时,神经网络多被视为分类工具,如决策树等模型,但“软件 2.0”的说法更加准确地刻画了这一范式的跃迁。 对应软件 1.0 时代的 GitHub,软件 2.0 也已有平台基础。Hugging Face 被视为这一时代的 GitHub,另一个平台 Model Atlas 则可视化了模型“代码”本身。在这个平台上,例如图像生成器 Flux 的参数以图像节点形式呈现,每次微调一次 LoRA 参数,就如同“提交一次 Git 更新”,系统中便出现一个新的图像生成模型。 因此可以将三代软件的演进总结为: 软件 1.0:用代码编程计算机; 软件 2.0:用权重参数“编程”神经网络; 软件 3.0:用英文 prompt 编程语言模型。 以 AlexNet 为例,这一图像识别模型属于软件 2.0 的代表作品。当下的关键变化在于,大型语言模型(LLM)的出现使神经网络具备了被编程的能力,这是一种全新的计算形态,Karpathy 将其命名为“软件 3.0”。 在软件 3.0 的范式中,prompt 变成了程序,而语言模型则成为通用执行器。最具突破性的是,这些程序不再使用专业语言,而是以自然语言表达,例如英文。这一转变极大地降低了软件交互的门槛,也颠覆了传统开发流程。 例如同样是进行情感分类,可以选择: 编写 Python 脚本(软件 1.0); 训练神经网络模型(软件 2.0); 直接提供一个 prompt 给 LLM(软件 3.0)。 这种从代码到权重再到语言的演进,代表着计算范式的逐步抽象与人机交互方式的根本性革新。 few-shot prompt 的出现使语言模型具备了更大的灵活性,稍作修改即可实现完全不同的行为方式,提示词正在成为新时代的编程语言。当前阶段是软件 1.0、2.0、3.0 三种范式并行共存的时期,GitHub 上的代码早已不再是纯粹的编程语言,而是大量混杂着英语自然语言,这标志着一种新型代码形态的诞生,一种以人类母语为基础的新型编程范式已经浮现。 Karpathy 回忆称,当首次意识到这一趋势时,感到震撼不已。他当即在推特上写下并置顶了一句评论:“我们正在用英语编程计算机。” 在 Tesla 开发自动驾驶系统期间,这一趋势变得愈发明显。自动驾驶的系统输入来自传感器数据,经过复杂的软件堆栈处理后输出转向与加速指令。最初系统中充满了 C++ 编写的传统软件代码,即软件 1.0,也混杂着用于图像识别的神经网络模块。但随着 Autopilot 系统持续迭代,神经网络逐渐接管了更多功能,传统代码被不断删除,原本依赖硬编码实现的图像处理被神经网络模型所取代,整个系统由软件 2.0 逐步“吞噬”。 这股“吞噬传统代码”的浪潮再次上演,只不过这一次是软件 3.0 开始取代部分 2.0 的逻辑。三种范式共存的环境中,对工程师提出了新的要求:不仅需要熟练掌握三种工具,更要能在它们之间灵活切换,按需选取最合适的方式去构建系统。 Part1:如何理解大模型? 语言模型崛起带来的范式变化,也促使人们重新思考“计算机”的定义与结构。Andrew Ng 曾将 AI 比作“新的电力”,Karpathy 认为这个比喻非常贴切。OpenAI、Gemini、Anthropic 等实验室像是在建设智能电网,付出巨额资本开支(CapEx)训练模型,而用户则通过 API 按量计费使用模型的智能服务,这本质上是一种“按需供能”的模式。 这种供能模式具备公共基础设施的所有典型特征:低延迟、高可用性、一致性好、可扩展性强。就像传统电网允许在主电源失效时切换至太阳能、电池或柴油机发电,LLM 生态中也出现了如 OpenRouter 等工具,实现多模型间的无缝切换。因为语言模型不争夺物理资源,这种“智能多供应商”的架构成为可能。 近期多家主流模型宕机时的现象进一步印证了这一点。当 GPT、Claude、Gemini 同时中断服务时,全球范围内的 AI 用户瞬间陷入“智能限电”状态,这是一场典型的“脑力停电”危机,显示出现代人对这些模型的高度依赖性。 不过 Karpathy 进一步指出,这些模型并不只是“公共事业”层级的工具,它们的训练复杂度与成本也令其具备“晶圆厂”(fabs)的某些特征。训练一个 LLM 所需的资源远超一座发电厂,不仅涉及庞大的数据管线,还包括尖端硬件、专属加速器与长期算法积累,整个过程是深度技术、研发能力和知识产权的高度集中体现。 即便如此,这些比喻仍显不够贴切。因为软件具备可复制性与较低的护城河壁垒,相较硬件体系更易被挑战或重构。如果类比晶圆厂与芯片产业: 拥有自主芯片(如 Google 的 TPU)并自行训练模型的公司类似于英特尔; 仅使用通用硬件运行模型的公司类似于无厂房设计模式(fabless)。 但在 Karpathy 看来,最合适的类比对象是“操作系统”。语言模型并非像电、水那样的静态商品,而是一个日益复杂、具备平台属性的技术栈。正如操作系统有 Windows、macOS、Linux,LLM 生态中也有闭源模型与开源模型并存:GPT、Claude、Gemini 等封闭系统构成“主流平台”,而 LLaMA 等开源模型则代表着 AI 世界的 Linux。 语言模型的底层结构开始呈现出类操作系统的组织形式:模型本体是“CPU”,上下文窗口是“内存”,而模型运行机制承担调度角色,像是在管理一整套任务系统。与传统计算平台类似,一款应用如 VS Code 可以运行在不同的操作系统上;而类似 Cursor 的 LLM 应用也可运行于多个模型之上,只需切换模型引擎即可。 这种形态与 1960 年代的计算环境极为相似。当年,主机部署在数据中心,用户通过远程终端请求资源。如今,LLM 作为一种高成本的集中式计算资源,也只能以云端部署为主,人们通过 API 与其交互,本质上是一种“时间共享计算”系统。 个人智能尚未真正到来。不是因为没有人尝试,而是因为算力与模型资源尚不具备充分本地化部署条件。某些设备如 Mac Mini 已可在小规模上运行推理任务(batch=1),受限因素主要是内存而非计算能力。但 Karpathy 指出,真正的“个人 LLM”尚未到来,它需要新的硬件架构、接口范式与产品形态来实现“桌面级智能”。 以 ChatGPT 为代表的交互方式,如今更像是通过“命令行终端”使用系统功能。虽然部分任务已有图形界面(GUI),但尚未出现一种统一 GUI 适配所有 LLM 应用的方案。这个“缺失的图形界面”意味着语言模型还未完成从工具到平台的进化。 在 Karpathy 看来,最令人着迷的,是大型语言模型颠覆了技术扩散的历史路径。历史上每一项重大技术——从电力到计算机、从 GPS 到互联网——最初都是政府或军方专属,再逐步传导到企业与个人用户。但 LLM 却反其道而行之,这一次最早被触达、最深度应用的场景,是“煮鸡蛋”这样的日常任务,是写作、查资料、规划旅行这样的大众应用。 这是一种从底层社会结构向上传导的扩散过程,政府与企业反倒成为“追赶者”。ChatGPT 等工具几乎是“从天而降”进入全球用户的屏幕,技术的普及速度之快、应用广度之广,前所未有。 总结这场范式迁移的核心特征: LLM 实验室是新型“智能工厂”; 模型平台构成操作系统生态; 当前处于 1960 年代式的集中计算格局; LLM 被当作公共基础设施使用; 技术扩散路径发生逆转,大众成为首批用户; 模型以终端形式迅速渗透全球桌面环境。 正是在这样的背景下,新一代开发者开始编程这些“新计算机”,进入一个与以往完全不同的工程世界。 Part2:LLM 心理机制 在正式开始写 prompt、构建 agent 之前,更重要的是深入理解语言模型的心理机制与结构本质。 Karpathy 用“人的精神的随机模拟体(stochastic simulations of people)”来定义 LLM。它并不是传统意义上的计算系统,而是某种泛人类语言经验与推理模式的集合体,由 Transformer 架构实现,每个 token 的预测消耗相似计算量,模拟出对话与推理过程。 这些模型通过大量网络文本训练形成“泛人类语言模拟器”,自然也表现出一些心理学上的“人格缺陷”:比如在部分推理任务中展现超人能力,却又可能在拼写或逻辑判断中犯下低级错误。 Karpathy 举例称,这些模型可能会坚持认为 “9.11 > 9.9”,或拼错 “strawberry”,难以判断是否包含两个 “r”。这就是语言模型的双重特性——既是全知的“数字雨人”,又是偶尔出错的初学者。 这种“锯齿状的智能”极难预测,它在某些方面表现得像个天才,在另一些方面却像个糊涂虫。语言模型还存在“顺行性遗忘症”(anterograde amnesia),就像一个每天都重启的同事,无法累积经验,也无法巩固记忆。它不具备自然学习能力,不会自己变聪明,必须依赖外部人为地管理其“工作记忆”——即上下文窗口。 这也是很多人误用语言模型的根源所在。它不会记住用户的偏好、风格或历史交流,也无法像人类一样渐进式地构建认知与能力体系。因此,Karpathy 强烈推荐观看《记忆碎片》(Memento)与《初恋 50 次》(50 First Dates)两部影片,它们的主角每天醒来都丧失记忆,这种设定与语言模型的运行机制高度相似:权重固定、记忆短暂,每一次交互都是从零开始的“重启”。 除了记忆局限,语言模型还存在显著的安全隐患。它非常容易受到 prompt injection 攻击,可能在无意识中泄露信息或暴露敏感数据。必须始终牢记:这是一位具备超能力却存在认知缺陷的“超级同事”,如何引导其能力、规避其短板,是工程与产品设计的核心问题。 Part3:Karpathy 看到的机会 转向更现实的议题:如何有效使用语言模型?有哪些新兴方向值得关注?Karpathy 提出一类值得重视的产品形态——“部分自治型应用”(partial autonomy apps)。 以写代码为例,虽然可以直接打开 ChatGPT,复制粘贴 bug、提问并获得答案再回贴,但这种方式效率低、上下文管理复杂,交互体验也缺乏结构。更高效的方案是为特定任务设计专用应用,以图形界面与任务流程相结合,从而获得更优解。 Cursor 是目前广泛使用的 LLM 编程应用之一,代表了这类“部分自治型应用”的雏形。其关键特征包括: 自动管理上下文:能识别开发者当前在做什么,并主动加载相关文件内容; 编排多模型调用:后台调用嵌入模型构建代码索引,再调用语言模型处理逻辑与补丁,实现多 Agent 协作。 Cursor 不仅保留传统 IDE 的交互习惯,还叠加 LLM 的智能能力,实现更自然的工程流。Karpathy 强调,图形用户界面(GUI)在这一类应用中极其关键,不应只依赖文本交互完成任务。 以代码补丁为例,与其让语言模型输出自然语言解释更改内容,不如用视觉化的红绿 diff 标记来展示修改差异。一目了然的界面、快捷键支持、明确的接受/拒绝机制,使得人类可以高效参与决策,并监督模型的“动手能力”。 他进一步提出“自主性滑块”(autonomy slider)概念,允许用户灵活控制 LLM 的干预程度。在 Cursor 中可以: 只使用补全(tap completion); 用快捷键改写选中段落(Command+K); 重写整个文件(Command+L); 或赋予 agent 完全权限在整个仓库中操作(Command+I)。 这种“权限调节机制”让用户可根据任务复杂度自由切换在人类主导与 AI 主导之间,有效平衡 agent 的效率与可控性。 另一个成功的例子是 Perplexity,其特征结构与 Cursor 高度类似: 信息集成能力强,界面清晰; 能调度多个 LLM 模型协同工作; 拥有 GUI,允许用户追溯引用、审阅内容; 提供自主性滑块,从简单搜索到十分钟后生成完整研究报告,覆盖从低干预到高自治的多种使用场景。 这些产品形态启发一个更深层的问题:未来大多数软件都会演化为“部分自治系统”,那它们究竟应该长成什么样? 对产品经理与开发者而言,核心挑战是:如何让一个产品拥有可控的智能自主性? 需要逐一回答的问题包括: LLM 能否“看到”用户所能看到的全部信息? LLM 是否能以用户可以接受的方式采取行动? 在任何阶段,用户是否都能插手、监督、修正 AI 的行为? 这些问题构成了“新型软件产品设计”的起点。在传统软件中,行为路径由硬编码定义;在软件 3.0 时代,产品行为由 prompt、工具调用、上下文感知与多模型编排共同构建,而 GUI 与“自治滑块”则成为承接人机共创逻辑的关键机制。 语言模型不是完美系统,它需要人类“始终在环中”参与运作。就像 Photoshop 的 diff 呈现方式一样,传统软件中大量面向人的按钮、参数、面板,都将因 AI 的接入而面临重构。GUI 的设计必须围绕如何让人类与 AI 更高效地协作重新思考。 生成—验证闭环的速度决定了 LLM 应用的产出效率。加快这一闭环的方式主要有两个:其一是优化验证流程,尤其是通过图形界面。GUI 可以激活大脑的视觉系统,相较于处理文本,图像更易理解、更具审阅效率。其二是为 AI 系上“绳子”,防止其行为过度主动、超出人类可控边界。 Karpathy 指出,agent 的能力虽令人兴奋,但让它一次性在代码仓库里提交 1000 行 diff 并不可取。即使生成速度再快,审阅仍是瓶颈。他倾向于“小步快走”,每次引入最小可控更改,确保每一步都是正确、合理的。AI 过于主动时,系统反而更难使用,也更易出错。 部分博客开始总结如何与 LLM 高效协作的最佳实践。例如写 prompt 时必须具体清晰,否则验证失败就会导致多次无效迭代。越清晰的 prompt,验证效率越高,整体协作流程越顺畅。未来,每位用户都将发展出自己的一套 prompt 写作与 AI 协作风格。 他进一步探讨 AI 时代对教育系统的冲击。与其让 ChatGPT 直接教授知识,不如将教学任务拆分为两个系统:一个为老师使用,用于生成课程内容;一个为学生服务,用于传达课程。课程本身作为“中间产物”,可供审核、统一风格、防止偏题,是“拴住 AI”的有效路径。这种结构性设计更易推广,也更符合 AI 教学系统的实际要求。 Karpathy 将 LLM 应用比作自动驾驶系统,指出两者的核心理念与难点非常相似。他在 Tesla 工作 5 年,深度参与 Autopilot 的“部分自主系统”构建。仪表盘是 GUI,自主性滑块控制介入程度,这些设计理念直接可迁移到 AI agent 系统中。 回忆 2013 年第一次体验自动驾驶情景时,他仍记得乘坐 Waymo 测试车、佩戴 Google Glass 的感受。那段体验带来的震撼让人以为自动驾驶即将全面普及。但 12 年过去了,自动驾驶仍未攻克,依然需要大量远程接管与人工干预。这说明真正改变世界的系统通常要经历一个远比预期更长的技术演化周期。 语言模型的复杂性与自动驾驶不相上下。“2025 是 AI Agent 之年”这样的说法太过草率,更现实的说法是:这是 AI Agent 的十年周期,需要长期迭代、人类持续在环、渐进推进。这种软件形态,不是一次性的 demo 项目,而是必须严肃对待的基础设施演化过程。 他再次引用喜爱的类比对象——钢铁侠战衣(Iron Man suit)。战衣是增强工具,也是 agent,是自主性滑块的具象化表现。理想产品应是人机共驾的“智能战衣”,而非全自主的“AI 机器人”。应聚焦于构建部分自主性产品,内建 GUI、UX、交互逻辑和权限调节机制,让人类主导、AI 协助的模式变得流畅高效。 产品目标应是:构建能加速生成—验证闭环的工具,同时保留未来放权自动化的路径。产品架构中要具备可调节的“自主性滑块”,并设计机制支持随着时间推移逐步释放权限,让系统越来越智能。 此类产品形态潜藏大量机会,是当下值得重点关注的发展方向。 谈及自然语言作为编程语言的革命性意义,Karpathy 表示,过去人们需耗费 5~10 年学习一门编程语言才能参与软件开发,如今只需掌握自然语言。人人都是程序员,只要能说话,就能操控系统,这是前所未有的变革。 他提出“vibe coding”概念——最初是一个洗澡时灵光一现的推文,意外爆红,甚至被制成了 Wiki 条目。vibe coding 是一种基于自然语言与智能系统协作的全新编程方式,它将程序设计过程从写代码转变为“调节系统氛围感(vibe)”和描述意图。 他提到 Hugging Face 的 Thomas Wolf 曾分享过一段孩子们进行 vibe coding 的视频。孩子们在没有代码知识的前提下,通过自然语言描述构建体验,展现出强烈的创造欲与沉浸感。他称这段视频为最喜欢的视频之一,“怎么可能在看到这段视频后,对未来感到悲观?” vibe coding 是一代人进入软件世界的“入门药物”,它将以极低的门槛唤起数十亿人的创造冲动,带来前所未有的开发者浪潮。他对这一代人感到振奋,并亲自参与尝试。 他用 vibe coding 构建了一个 iOS 应用,即使不懂 Swift,也能通过 prompt 和 LLM 协作完成一款可运行的 app。整个开发过程仅耗时一天,尽管应用功能简单,仍让他感到惊讶:智能协作工具已经将开发门槛降至极低水平,让软件开发进入了一个真正大众化的时代。 Karpathy 在演讲最后部分分享了他以 LLM 为基础进行产品构建的实际经历,进一步佐证了“人人都是程序员”这一观点。他并未学习 Swift,但依然能在一天内构建出一个可运行的 iOS 应用。不再需要五天啃完教程才能开始动手,vibe coding 为“不会写代码的人”打开了全新创作入口。 他还介绍了自己开发的 MenuGen 应用,初衷源自一个真实痛点——看不懂餐厅菜单。他希望菜单能配上图片,便着手开发该工具:用户打开网页、拍摄菜单,系统自动生成菜品图像。每位用户享有 5 美元免费额度。虽然目前这个应用是“巨大亏损中心”,但他依然乐在其中。 最简单的是模型原型,最复杂的是部署运维。MenuGen 的网页功能几个小时便完成,真正耗时的,是上线、集成身份验证、处理支付、配置域名等繁琐流程。他以整合 Google 登录为例,需要引入 Clerk 库,并按指示执行多个跳转、配置步骤。这种体验让他反思:如果系统已经具备 Agent 能力,为何这些重复劳动仍需手动完成?GUI 与流程逻辑依然是为人类而非 Agent 所设计的。 由此引出一个核心议题:是否能开始构建为 Agent 而生的软件系统? 人类与网页交互已有标准接口如 GUI、API;但 AI Agent 作为“类人计算者”,也需获得适配层。他设想,网站能否提供一个类似 robots.txt 的 llm.txt 文件,以 Markdown 结构明确说明页面用途、结构与行为逻辑,为 LLM 提供标准化、高效率的交互入口。 目前大部分技术文档是写给人看的,包含图像、排版等装饰性信息,不利于 LLM 理解。而 Vercel、Stripe 等公司已开始使用 Markdown 编写文档,这种结构天然适配语言模型,是 LLM 可读化的重要方向。 他举例自己学习动画制作框架 Manim 的经历:通过复制整份文档给语言模型,再描述想做的动画,LLM 一次生成了完全符合预期的代码,无需他查阅文档或理解库的结构。这意味着,文档如果格式化得当,非程序员也能借助 LLM 进行专业创作,释放巨大创造潜力。 不过,Karpathy 指出,文档结构改造只是第一步,更关键的是改变内容表达方式。传统说明文档中“点击这里”等描述毫无语义,LLM 无法执行。像 Vercel 正在将所有“点击”类指令替换为可执行的 curl 命令,Agent 就能调用 API 而非依赖 GUI。这是一种主动为 Agent 适配的信息架构更新。 Anthropic 提出的 Model Context Protocol 则进一步定义 Agent 如何以消费者身份与数字信息交互。他非常看好这类协议,Agent 不再只是被动执行模型,而是成为 Web 的活跃角色、第一类信息公民。 为支持这一结构转变,一些工具开始将网页数据转化为 LLM 可用结构。例如将 github.com 改为 get-ingest.com,可自动生成完整目录结构与整合内容文本,适配 LLM 处理逻辑。另一个例子是 Deep Wiki,不仅展示仓库代码,还调用 AI Agent 进行结构分析并自动生成文档页面,大幅提升语言模型的读取效率与理解能力。 他特别欣赏这类只需“改个 URL”就能获得 LLM 可读数据的小工具,称其优雅且实用。虽然 LLM 已能执行点击与界面操作,但这些操作极其昂贵且易错,应主动为其降低交互门槛,提前在基础结构层优化路径。 目前大量 Web 系统并非为 Agent 而设计,开发活跃度低、结构混乱。长尾系统将永远无法自动适配。建立面向 LLM 的中介转接层,是兼容旧系统的唯一路径;而对于现代系统,完全有能力从源头构建适配 Agent 的交互接口。 最后,Karpathy 再次回到他最喜爱的类比——钢铁侠战衣。这不是全自动机器人,而是增强工具,是 agent 与人类协作的终极形态。未来 10 年,整个行业将像这套战衣一样,从辅助开始,逐步放权,构建高度自动化与高可控性并存的智能系统。 本文由人人都是产品经理作者【江天 Tim】,微信公众号:【有新Newin】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
在TOB(企业对企业)领域,AI(人工智能)的应用一直备受关注,但同时也引发了诸多争议。一方面,AI被认为能够为企业带来巨大的效率提升和业务增长机会;另一方面,企业内部对于AI的落地应用却常常感到困惑,甚至出现“内冷外热”的现象。本文将深入探讨TOB领域中AI应用的现状与挑战,通过拆解6个企业AI突破案例,分析企业如何在战略层面制定清晰的AI目标,如何在业务层面实现AI的规模化落地,以及如何在组织架构中推动AI项目的成功实施。 一、TOB领域的AI应用到底有多难? 大约三年前,我们开始了解 GPT(Generative Pre – Trained Transformer),以 GPT 为代表的生成式人工智能将对每个人的生活产生影响。 不久,我们便实实在在的看到了人工智能为企业业务增长带来的巨大机遇。 从外部视角来看,整个市场都在狂热的追捧 AI。 可矛盾的是,企业内部对于生成式 AI 的兴趣正在逐步冷却。 1. 企业 对 AI“口是心非 主要表现三方面: 1)在企业应用 AI 的过程中, 遇到了“内冷外热”的情; 2)AI 的价值难以在业务上实现规模化 3)AI 项目的战略沟通寸照鸿沟 2. 战略目标的广度和落地应用的深度 那么,企业应该如何去制定清晰的 AI 战略、解决业务脱节的问题呢? 这可以分为战略目标的广度和落地应用的深度来思考。 规划 AI 战略蓝图的两个维度: 1)AI 战略目标广度上,其业务价值点分为下列三类: 2)AI 落地深度上,分为概念验证、扩展规模、组织重构三个阶段。 3. 构建 AI 战略矩阵 当我们把两个维度组合在一起,就形成了一张 3X3AI 战略矩阵。 企业可以在三大重要的业务目标下选择试点项目,再逐步将应用范围向规模化推进。其中: 企业可以聚焦在最核心的场景,也可以选择同时开始多个概念验证,多业务部门同时进行 一个试点项目在推进的过程并非是线性的,而是在过程中及时调整方向:启发新的概念,或直接转变业务目标 二、6家企业的 AI 战略最佳实践拆解 案例一:某国际耐消品零售品牌 传统制造企业如何构建创新土壤并积极拥抱 AI,从而在众多战略目标下都能成功迈出尝试的第一步。 “自上而下 + 自下而上”的组织管理是重要的推动方式。 该”国际耐消品零售品牌”公司先是组建了一支数人的 AI 创新团队,但并非传统意义上的“技术极客集中营”,他们的核心任务不是开发复杂算法,而是将 AI 技术“翻译”成业务语言。 例如,通过 A/B 测试验证 AI 能否让仓库拣货效率提升,或让社媒爆款内容产出率翻倍。 既然要让 AI 直接服务业务,那么只有个别懂 AI 肯定是不够的,因此公司成立了一个俱乐部,以兴趣社群的形式吸引全球上万名员工参与 AI 学习。 首先,营销部门利用 AI 判断流行趋势、挖掘热门话题,以及汇总近期正负面反馈,定期抓取相关度高的转赞评等。 其次,通过洞察总结当下流行的内容形式,AI 能够生成 0-1 的大纲,零售部门的员工可以在此基础上从 1 向 1.1/1.2 迭代。进而可以让 AI 生成一些较为基础的营销内容,包括但不限于产品的宣传文案和图片,甚至可以借助 AI 剪辑直播切片。 最后,复盘内容数据表现,总结爆款思路,分享给所有人,鼓励大家做新一轮迭代,使爆款率越来越高。 这种“技术民主化”实践,不仅降低了 AI 应用门槛,更是一场关于“人如何与 AI 协作”的管理创新。 案例二:某国民家居品牌 该家居品牌凭借电商起家的先发优势,成功建立了一个规模达百亿的商业版图。 在组织架构调整与技术创新双轮驱动下,其核心战略之一就是利用生成式 AI 技术,解决规模化内容生产和经销商赋能的关键难题。 对于传统行业来说,社媒的线上流量可谓是全新增量。该家居品牌构建了包括高德、美团、大众点评、抖音本地生活服务、小红书在内的全方位触点布局,充分发挥了总部在流量获取上的规模效应,同时保证了客户服务和销售转化的本地化响应能力,最终形成了一个闭环的新零售生态。 公司的 AI 战略获得了公司高层的坚定支持,项目由 CMO 或更高级别管理者直接牵头。 公司认识到,AI 应用不是单个部门的尝试项目,而是需要跨部门协作的战略性工作。 由高层直接推动确保了 AI 项目能够获得充分资源支持,避免成为部门级别的 ” 自娱自乐 ” 实验。 案例三:美的 作为家电制造业的数字化先行者,美的集团自 2012 年起已投入超过 200 亿元推进数字化转型。 公司于 2024 年组建 AIGC 战略小组,确立三大目标:提高工作效率、激发员工创造性、提升产品竞争力。 美的 AI 战略最显著的特点是严格基于 ROI 的落地方法论,确保每一项 AI 投资都能产生可衡量的业务价值。 1)增效:AI+ 工厂提效,并改写行业标准 美的楼宇重庆工厂是全球中央空调冷水机组行业首座全流程 AI 赋能的灯塔工厂。 不仅是美的集团内部的智能制造转型升级的样本,也为美的绿色工业赋能全球制造业的智能化发展树立了典范。 2)降本:AI+ 内容生成,省下真金白银 在美的,AI 项目的价值必须通过财务部的 ” 降本测试 “。 公司将 AI 深度融入企业运营各环节,建立了一套可量化的价值评估体系,实现了从内容创作到客户服务再到研发流程的全面效率提升。 3)驱动增长: AI+ 客户体验,打造智能家居的全球用户价值链 美的利用 AI 技术全面提升产品体验与用户互动,实现了从硬件性能到营销触达的完整价值链优化,为业务增长注入新动力。 案例四:伊利 早在几年前,伊利就前瞻性地将生成式 AI 列为未来驱动增长的关键技术,并在 2022 年底 OpenAI 发布后迅速行动,仅数月内便上线了自研的 “YILI-AI”。 伊利强调不从技术和系统视角讲业务,而是从业务视角看如何用数据和技术赋能 , 将数字化表现与业务目标紧密关联。 1)驱动增长: AI+ 产品创新全链路数字化,加速从市场洞察到打造爆款 伊利畅轻爆珠酸奶验证了 ” 智能爆品 = 精准需求洞察 × 敏捷概念验证 × 精准市场击穿 ” 的新公式。 通过 AI 语义分析,伊利精准捕捉 ” 咀嚼趣味 ” 等新兴需求,快速锁定爆珠技术应用于乳品的市场机会。 借助用户标签系统,团队组建 ” 都市轻食族 ” 和 ” 新锐妈妈 ” 等高价值消费者共创社群,基于数据分析优化配方和口味组合,最终确定 ” 蓝莓 + 紫米爆珠 “等独特产品系列。 上市后,数字化生意看板实时监测销售数据,指导营销策略调整,实现高效转化。 成果显著:新品上市 40 周达成 1.2% 家户渗透率(3 倍于行业均值),17.27% 重购率创行业纪录,销售额份额位居全国新品第一,成为低温酸奶新品王。 2)降本增效:AI+ 供应链优化,确保核心业务稳健运行 传统设备检修场景高度依赖一线员工的操作经验(即 ” 隐性知识 “),而这些非结构化的经验数据长期未能得到有效利用。 在 AI 技术加持下,伊利实现了两项关键性突破: 知识库查询响应时间大幅缩减,员工满意度有效提升至 98% 生产设备故障停机平均修复时间(MTTR)显著缩短,故障修复效率提升 52% 3)商业模式创新: AI+ 健康服务,拓展从“卖产品”到“卖服务” 的可能性 线下活动层面:通过 AI 智能设备为儿童提供身高筛查及预测、体态评估、运动潜力分析等科学分析,并生成个性化成长及改善方案 线上私域运营:沉淀用户数据,基于 AI 大模型能力为用户进行报告解读,持续提供营养咨询、营养指导等互动内容,形成 ” 筛查 – 服务 – 转化 ” 的完整商业链路 案例五:欧莱雅 欧莱雅以 AI 为原点去重塑业务形态,从思维层面重构组织,而不是在原来的业务架构上叠加 AI 能力。公司定义的创新标准也非常极致——” 对生意有意义且可被规模化 “。 欧莱雅中国的内容中台系统 该平台的技术架构有三个核心特色: AI 引擎集成:整合了多种 AI 能力,包括图像生成、文本创作、标签推荐等,为不同业务场景提供针对性解决方案。 模块化设计:系统采用高度模块化架构,使不同品牌、不同地区可以根据自身需求定制功能组合,实现技术的可扩展性和适应性。 本地化部署:对数据安全的高度重视,确保内部信息不会外泄;使用自身历史内容对模型进行训练,避免品牌调性流失 案例六:Shutterstock Shutterstock 于 2003 年在美国成立,是全球领先的数字内容授权平台,主营业务是售卖高质量的图片、视频、音乐和插画等数字素材的版权。 公司的商业模式非常简单:艺术家和创作者可以给平台上传作品,平台再向创意专业人士提供按需下载服务,或向企业客户提供订阅制服务。 作品版权被出售后,作者自然也会获得一定比例的分红。 Shutterstock 很快意识到:提供 ” 合法且可信赖 ” 的 AI 生成内容服务,解决市场对 AI 内容版权顾虑的痛点,很可能是一个完全空白的市场机会。 基于这些洞察,Shutterstock 制定了三步走的转型策略: 第一步:建立战略合作,掌握技术主动权 2022 年 10 月,Shutterstock 宣布与 OpenAI 建立合作伙伴关系: 通过授权训练数据获取 AI 技术访问权,而非被边缘化 确立出售 AI 训练数据的商业模式,为内容创作者创造新的收益来源,并且为 AI 公司提供“军备支持” 抢占 ” 合法 AI 内容 ” 市场定位,将潜在威胁转化为差异化优势 第二步:推出创作者补偿计划,解决伦理困境 Shutterstock 认识到,任何 AI 转型都必须解决创作者权益问题。2022 年底, 公司推出了创作者基金,承诺将部分 AI 合作收入返还给内容贡献者。这一举措解 决了关键伦理问题: 确认创作者对 AI 训练所用内容拥有合理权益 建立透明的补偿机制,维护创作者生态 形成与其他 AI 平台的道德差异化 第三步:整合 AI 创意工具,重塑价值主张 2023 年初,Shutterstock 将 AI 图像生成器整合到其平台,重新定位公司角色:从单纯的内容提供商转变为创意解决方案提供商。 本文引自“【中欧国际工商学院-特赞科技-增长黑盒】AI时代的商业进化蓝图”。 本文由人人都是产品经理作者【产品参赵】,微信公众号:【产品参赵】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
文章讲述了 70 岁的老沈因美团优选业务关停而突然失业的故事。老沈本是退休工人,在妻子患病离世后,成为美团团长,他的站点不仅是经济来源,更成为社区纽带。业务关停对他及社区居民生活产生巨大影响,也凸显了互联网平台决策对个体命运的冲击。 都说,亚马逊雨林的一只蝴蝶扇动翅膀,可能会在两周后引起美国得克萨斯州的一场龙卷风。 蝴蝶不一定知道自己具备这样的能量,但当美团决定大象转身,以壮士断腕的决心对亏损多年的社区团购业务下手时,它一定清楚,这对于如毛细血管般分布在全国的团长们意味着什么。 当天宣布,当天在全国多数城市关停服务,美团优选突然奏响的终止符,让扬州的老沈在2025年6月23日这天突然“失业了”——失去了自己的美团优选团长身份。 消息甚至不是来自官方。 当女儿打来电话时,他觉得这不可能发生。就在当天早上,美团优选的司机还跟往常一样,把接近100件货品送到老沈手上。 70岁的老沈,最开始只是作为副手经营这个团购站点。他住在扬州城东的一个老小区里,三层板楼,生活着相识几十年的老街坊们。2020年,疫情催生了社区团购的新业态,女儿小沈张罗着开了一家团购站点,交给刚退休的父母经营。他们住在一层,有小院,接收货物很方便。 起初干得很一般。 套用这几年的时髦词,老沈媳妇文秀是这家团购自提站点的“主理人”。就像中国家庭传统的女性角色,她勤劳能干,承包了家里的一切大小事务,让老沈过着衣来伸手、饭来张口的幸福日子。几乎是理所当然的,她经营起了站点的生意。 生活几十年的家突然多出了装货的冰箱,手机里突然多出了几个微信群需要经营——他们注册了当时的所有主流团购平台。文秀忙得很,偶尔还烦得很,她一向不喜欢处理这类繁琐的工作。更多时候,老沈只是默默打着下手,这位干了一辈子焊工的男人,也像人们传统印象里的退休老头一样,喜欢闷头干活,按照媳妇的指令,理货、送货。 第一场“龙卷风”在2021年袭击了这个平静的家庭。 文秀得了白血病。她开始接受化疗,每隔3-4个月就要在医院待半个月。她吃不惯医院食堂的饭菜,女儿要忙工作和自己的家庭,年近70岁的老沈终于开启了厨房模式,学习煮饭做菜,厨艺谈不上精湛,但好歹能把妻子想吃某个菜的心愿,变成平替版的现实。他甚至学会了洗碗时,在抹洗洁精的时候关上水龙头,这是文秀的习惯,能省水,但他以前总记不住。 三年后,文秀走了。 家里到处是她的影子。小沈在推开院子门的时候,总是恍惚看到妈妈在厨房忙碌的身影。随手翻出一本1988年6月的《焊接学报》,上面是年轻时候的老沈写给文秀的纸条:“我等一会儿回来吃早饭。” 做早饭的人永远离开了,但生活还得继续。一周后,老沈恢复了站点运营,还做了几个改变: 从妻子治病期间的隔三差五歇业,变成每天运转;停掉其他平台,只保留了美团优选——这是综合品控和佣金后的选择,他测算过,手里有4个百人大群,做美团一家,就能带来每月3000元左右的收入。 小沈乐得看到父亲的转变。尽管妈妈看病花掉近百万,但相比赚钱,社区团购生意更大的意义在于,让老沈有点事情做,不那么孤单。她听说,很多独居老人找不到人说话,最后就老年痴呆了。 沉闷一辈子的老沈,在团长的身份里逐渐活跃。他会主动跟邻居们讨论今天哪个菜便宜。这位年轻时候能把工作奖状挂满橱窗的老技术工人,还拿出了当年钻研技术的劲头,制作了两本工作笔记,一本上面,是邻居们需要的菜和数量,一本上面,是大家的名字、手机尾号跟地址。 还有一项技能,小沈至今不知道父亲是如何做到的:每天送来的百十件货,他扫一眼就能完成分类,把每家的货理出来。 就像小时候崇拜父亲总能带回奖状,这一刻,小沈对快70岁的老父亲也充满崇拜。 但她也有不满意的时候。 有用户专门在站点买10斤装的桶装水,有一次甚至下单了15桶。小沈让父亲不要接,因为这单佣金只有1.8元,还得送货上门,不划算。老沈没听,也不恼,只是耐心告诉女儿:没事的。有时候就差这点营业额,就能冲到奖励——老沈把美团优选的奖励机制摸得很透,这让他很快跻身扬州团长的最高等级,好处是,每天能第一波收到货,尽快完成分发,让邻居们烧午饭时就能用上当天新鲜又便宜的食材。 劝不住,又心疼,小沈没办法,只能提出折中方案:她用车送到门口,停到没法再开进去的地方,老沈再用电动车跑几趟送完。 又好气又好笑,小沈把送货过程拍了视频,发给朋友吐槽。但内心深处她清楚,这是因为老沈人好,做事又追求完美。 小区老人们需要这个自提站点。这片全是三四层矮楼的老社区,住的大多是老人,吃饭少,有时候一天只需要几块钱的菜钱,从其他平台下单不够起送费,一些人腿脚不好,走路去菜市场也费劲。老沈的站点,就成为最优选。 老沈会给距离远一点、身体不太好的用户提供送货上门服务。一位独居的老太太,住在三楼,有段时间摔跤骨折,老沈就天天去送菜。 他还衍生出更多服务。一位小护士来取菜时提到自己想租房,老沈给搭线联系上一位有房出租的老太太,免费促成了这单交易。小沈开玩笑,家门口应该挂个“中介服务”的红色大招牌。 某种程度上,老沈家确实具备了一部分公共属性。 他出门送货时,不会关上院门,好让大家随时进去取货。在人人家门紧闭的现代小区,这扇常开着的门,提供着一种属于旧岁月的温暖。 当老沈不再只是退休工人老沈,而是大家都需要的团长老沈,生活的宽度也被打开了。 对于成千上万的老沈们,这是生活的一部分。人们依托于此,构建起新的连接与社会关系。但对于互联网公司,社区团购是关于流量的战场。 只是,当它成为公司财报里越来越重的负担,且短期内看不到好转的希望,收缩甚至放弃,就成为再正常不过的举动。 几年前,老沈就经历过同程生活的倒下,也是同样的突然通知关闭。当时他手头还有好几个平台,影响并不大。但美团优选的关闭,让他失去了唯一的平台,相当于直接“失业”了。 第一场“龙卷风”,老沈失去了他的妻子。 第二场“龙卷风”,老沈失去了过去几年的一部分自己。 小沈很生气。6月23日上午,扬州当地的团长运营群还一切正常,下午,一切就突然结束了,“这速度比公司裁员还快”。在小红书,有山东地区的美团优选供应商哭诉,自己手里有几百上千斤的蔬菜,不知该如何处理。 对于小沈来说,眼下更重要的事情是寻找解决方案。 比如把站点转移到多多买菜,这是社区团购赛道仅剩的大玩家了。但老沈的兴致不算高。70岁了,转换阵地这样的改变,充满挑战。多多买菜的佣金更低,对于这位像游戏闯关打到王者的美团团长,也缺乏直接的吸引力。 眼下,小沈可能比老沈更怕站点彻底关闭。她害怕父亲失去团长身份后,会被小区棋牌室喊回到牌桌,在久坐和二手烟中损害身体。干社区团购的这几年,父亲每年的体检结果都很理想。 对于一位已经失去母亲的女儿来说,没有什么比父亲身体健康更重要的事情了。 本文由人人都是产品经理作者【山农下山】,微信公众号:【山农下山】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
本文深入剖析知乎盐选故事写作门道,从认清其 “精神快餐” 本质到掌握 “爽点” 设计、情绪节奏把控等技巧,再到借助 AI 提效,助你避开误区,提升写作能力,节省大量学习成本。 我们经常看到网上一堆人吹,说知乎写盐选故事,门槛低,来钱快,一部手机就能月入过万,走上人生巅峰。 每次看到这种,我都想笑。 真这么简单,那钱也太好挣了,轮得到你吗? 今天我们就把这事儿掰开了、揉碎了,看看知乎盐选这碗饭,到底藏着什么猫腻,普通人想吃,得从哪下嘴。 01 先忘掉“知乎”,记住“故事会”,你就入门了 很多人一上来就跑偏了。 一听“知乎”,脑袋里就自动蹦出“精英”、“干货”、“深度”这些词。 完了,上来就想写个什么人性洞察、社会批判,文笔不整得跟鲁迅似的都觉得对不起平台。 这是误区。 知乎盐选,说白了,它的本质跟几十年前火车站卖的《故事会》、《知音》没什么两样。 它就不是让你来上课的,它是给用户在地铁上、厕所里、摸鱼的十分钟里,提供一个快速进入、快速获得情绪刺激的“精神快餐”。 核心是什么?就一个字——“爽”。 怎么让读者爽?不是你文笔多牛逼,而是你那个故事的核,够不够刺激。 婆媳大战里,儿媳妇终于不再受气,一招釜底抽薪把恶婆婆治得服服帖帖,这叫爽。 职场小白被老油条欺负,最后扮猪吃老虎,把小人全给开了,还当上了总监,这也叫爽。 穷小子被拜金女甩了,结果转身继承了亿万家产,开着跑车去参加同学会,这还是爽! 你得先想明白这个。 你不是作家,你只是个情绪按摩师。 你的文字,就是你的手,得精准地按在读者的“爽点”上。 想不通这个,你写得再好,也是自嗨,读者划走只需要0.5秒。 02 一个能卖钱的故事,不是“写”出来的,是“设计”出来的 好了,你知道要写“爽文”了。 然后呢?脑子里有个点子,比如“我穿越回去成了我妈的闺蜜”,觉得特好,打开电脑就开干? 你要真这么干,我保证你写到一万字就得卡死,前面挖的坑后面填不上,人物说崩就崩。 外行才靠灵感,内行,靠的是流程,是设计。 一个故事动笔之前,你得像个建筑师一样,把图纸画得明明白白。 这图纸就是大纲。 但不是学校里教的那种“第一段写什么,第二段写什么”。 你的大纲,得是个“情绪过山车”的设计图。 你得想好,第一章,也就是免费试读那几千字,你拿什么当钩子?必须是个天大的钩子。 比如“我老公带回家的私生子,DNA鉴定出来,是我亲弟弟”。 你看,这钩子一下去,悬念、伦理、冲突,全有了。 读者脑子里一万个“卧槽”,他能不往下看吗? 开头把人钩住了,然后呢? 你得规划好节奏。 什么时候该发点糖,让读者觉得甜?什么时候得捅一刀,让读者心里一紧?什么时候主角得被逼到绝路,读者都觉得“完了完了这下死定了”?又在什么时候,主角绝地反击,把前面所有的憋屈都十倍百倍地还回去? 这些都不是瞎写的,是设计好的。 你多去看那些榜上有名的盐选故事,别光看个热闹。 你拿个小本本,把它每一章干了什么给记下来。 你看它,第三章是不是有个小反转?第五章是不是死人了?第八章是不是男主掉马甲了?拆得多了,你心里就有数了。 等你把这个情绪过山车的大致轨道铺好了,你才开始往里填东西。 这时候,你写的每一个字,都得有用。 要么是推情节,要么是立人设。 比如写主角穷,你别光说“他很穷”,那多没劲。 你得写他吃泡面,面吃完了,汤舍不得倒,打个鸡蛋进去,又是一顿。 这种细节,才叫立人设。 哦对了,还有个很多人不知道的招。 你写完一章,别急着发。 你把它放那儿,去干点别的,过几个小时再回来看。 或者,你用手机的朗读功能,让它念给你听。 你一听,就知道哪儿别扭,哪儿读着不顺,哪句话是纯纯的废话。 这比你自己看一百遍都管用。 03 来点别人不说的干货 光知道上面那些,你还是个新手。 想显得专业点,你得懂点“黑话”,或者说,懂点更底层的逻辑。 第一个,叫“情绪落差”。 光有爽点不够,还得有“憋屈点”。 你得先让主角被踩到泥里,被所有人看不起,读者看得都快心梗了,这时候你再让他反弹起来,那个爽感才是核弹级别的。 就像弹簧,你压得越狠,它弹得才越高。 没有前面极致的“憋屈”,就没有后面极致的“爽”。 很多新手写不好,就是因为不敢“虐主”,主角一直顺风顺水,那故事就平得像白开水。 第二个,叫“信息差”。 尤其写悬疑或者职场斗争的,这招是王道。 什么叫信息差?就是你知道的,故事里的角色不知道;或者A角色知道的,B角色不知道。你作为作者,就是上帝,你控制着信息的流动。 你什么时候抛出一个线索,让读者感觉自己比主角聪明,猜到了下一步,他会很爽。 你什么时候又揭露一个信息,把读者之前的猜测全部推翻,让他大喊“卧槽还能这样?”,他会更爽。 玩弄信息差,就是玩弄读者的心。 第三个,叫“人设钩子”。 情节有钩子,人设也得有。 你别上来就把主角写成一个完美的人。 完美的人没人爱看。 你得给他点毛病,甚至是一些看似矛盾的特质。 比如一个女杀手,冷酷无情,但偏偏喜欢养多肉。 一个霸道总裁,商场上杀伐果断,回家却怕老婆怕得要死。 这种反差感,一下就把人物立住了,比你写一万字都有用。 读者会因为这种“反差萌”或者“不完美”,而觉得人物更真实,更有趣。 04 AI是刀(附赠屠龙级“咒语”) 现在都2025年了,你要是还一点AI不用,纯手打,那我只能说你很勇,但没必要。 但是,AI是个工具,是把锋利的刀,但它不是厨子。 你指望它直接给你做出一桌满汉全席,那纯属做梦。 你得学会怎么用这把刀。 关键就在于你怎么跟它说话,也就是那个“提示词”。 别再傻乎乎地跟它说“帮我写个故事”了。 你得把它当成一个你高薪聘请来的、有特定技能的员工,你得给它一个非常详细的“岗位说明书”。 下面这两个,你直接复制过去用,能帮你解决从没思路到写不下去的很多问题。 咒语一:专门用来在你脑子空空时,帮你“无中生有”一个带劲的故事框架 咒语二:专门用来把你写的白开水一样的段落,变成烈酒 # 指令:网文情节“魔改”润色器 你看,这么跟AI说话,它才真正能帮你干活。 它就是一个没有感情的、但执行力超强的工具人。 你得当那个发号施令的“人”。 其实知乎盐选故事这活,能挣钱,但绝不轻松。 你可能会为了一个开头想秃了头,也可能因为数据不好而心态爆炸。 所有能变现的技能,背后都是你看不到的枯燥和坚持。 但好处是,它真的能锻炼你。 锻炼你对人性的洞察,锻炼你的逻辑能力,锻炼你讲故事的能力。 本文由人人都是产品经理作者【抖知书】,微信公众号:【抖知书】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
在企业级场景中,一个精准的知识库问答工具至关重要。本文深入剖析 RAG(检索增强生成)技术,从知识提取、分块、嵌入、存储与索引、检索到回答生成及效果评估等各个环节,详细阐述其核心选型与优化思路,助力读者掌握打造高精准度知识库助手的完整策略。 像Dify、Coze这样的低代码Agent搭建工具,通过将RAG内的各类能力进行封装,供用户在GUI界面上点击几下即可进行配置。这却给很多用户造成了一种假象——好像拖拉拽一下就能配置好一个知识库问答工具,打造一个企业级的知识库助手。 (图源ChatGPT帮忙生成) 从实际落地上来看,上层封装好的能力有其局限性,低代码平台能够达到的问答精准度上限明显,可能50、60分都算很不错的了;但这个分数,对于企业级场景是完全不可用的。你会允许AI在回答一些公司财务问题、行政问题上有一丝一毫的偏差吗?因此,从50分到90分的过程,才是RAG真正大显神威之处。 但这个过程并不是一蹴而就的(即搞定1处就全盘皆赢),从知识的提取、向量化、分块、索引、检索到最终生成,每一步都有各种各样的优化策略可供选择,不同的策略适应不同的场景、数据的质量和生成的要求等。 可以说,真正的RAG工作是由一系列复杂、细致的优化策略叠加而来,这不仅要求你随时更新自己的知识体系、掌握最新的优化方向进程,更需要你了解数据形态和业务场景,能够结合最终生成诉求来倒推如何去选择这一系列策略的配合。 之前在一文了解RAG到底是什么?一文中浅介绍了RAG核心技术。那么,本文将分享下各个环节上的核心选型和优化思路,作为一张RAG策略地图供大家交流学习。 01 知识提取(Extracting) 知识的形态可以分为:结构化(表格)、半结构化(网页)、非结构化(PDF、Word等)。和数据库这样结构化数据不同的是,知识库往往存在大量非结构化数据(如视频、音频、PDF、网页等),这虽然极大地扩展了知识面,但也为准确的识别带来了技术难题。 像Dify、Langchain、LlamaIndex这些框架都自带了一些提取器,但同时也支持丰富的其他loader器的能力集成。以Dify为例,它不仅支持自研的文件抽取方案,同时也支持了Unstructured的抽取方案。 目前市面上,较为常见的一些外部抽取工具有: 其中,Unstructured是目前较火的一种通用抽取工具,支持常见各种丰富的文档格式,适合作为一种基础通用的抽取工具选型。抽取阶段的难点其实在于——PDF和图片文字提取上。 PDF的难点在于其灵活、丰富的布局本质上蕴含和嵌套了大量的关系,例如图片插在一堆文字中间,它可能是上一段话的一个示意图;同时,PDF这种格式又把标题、小标题、第一点/第二点等这样的布局拍平了,难以通过像读取网页里的title、body那样能够很轻易的读取到内容结构。 而企业的大多数正式流通的文件都是PDF格式(不能随意被篡改和编辑),因此,这里就需要应用PDF类抽取工具(Pymupdf、MinerU、PyPDF)等对PDF文件做专门的处理,这些工具的特点是:会对PDF格式文件做单独的适配和处理,类似于一个元素解析器,能够清晰的读取不同元素是什么——如标题、正文、页眉、页脚、插图等。 另外,企业内大量还存在的一类文档为图片,图片的精准识别尤其在金融行业应用极多。以某基金公司为例,其需要对新设管理人提交的资料进行审核,资料中包含大量的管理人学历、简历等照片;另外,针对中期监管诉求,需要定期收集基金的银行电子回单去进行监管审核等。 这些都对从图片中提取和识别文字的精准度有极高要求,例如上图中纳税人识别号这种比较小的字母,直接使用大模型效果较差,通常我们会借助OCR(光学字符识别Optical Character Recognition)来进行实现。 目前我们自己应用过的产品中,闭源工具Textin和开源工具百度飞浆整体效果和性价比还算可控,大家也可以结合自己的业务去试试,平衡下准确度和费用的关系。 02 知识分块(Chunking) 将知识抽取完成后,我们就拥有了大量的知识信息,这些信息可能是文字、图片等,这些知识以文档集合整理在一起。但在交给大模型进行向量化处理之前,需要进行分块处理。为什么需要分块,而不是一整个文档扔给大模型呢?这是因为大模型一次吞吐的上下文有限。 例如Qwen3的上下文长度为32768tokens,约5万字左右),这些上下文不只是查询知识库召回的内容块长度,还有用户问题query、提示词prompt等。另外,即使有段时间各家的大模型都在努力加长上下文长度,但足够的上下文并不代表着精确性,也有可能会召回干扰性的内容块,从而更容易造成模型的幻觉。 因此,在有限上下文长度背景下,分块技术相对能更精准检索,从而降低模型幻觉和算力成本。那么,该按照什么逻辑进行分块呢?常见的分块方式有如下几种: 当然,实际按照什么逻辑分块,是需要渐进式调整后得出的。例如,最开始可以先按照最常规的固定字符数分块,通过查看分块和召回测试看看效果;如果效果不佳,再调整字符数大小或是增加分隔符递归分块,甚至手动调整分块内容等。 另外,分块本身是为了服务于检索,这就避不开要面向索引去进行分块逻辑的处理了。常见的几种在分块阶段就要为后续索引进行逻辑呼应的分块技巧有这几种:混合生成父子文本块:先生成粒度较大的文本块,再切分成更小的子文本块,父子文本块用ID进行映射关联。 在检索阶段,先检索到子文本块,再通过ID找出其父文本块,从而将2者一并传递给大模型,提升更加丰富和准确的回答。 生成文本块元数据:分块后同步为该文本块生成对应的元数据(如标题、页码、创建时间、文件名等),从而在检索时,能够结合元数据作为过滤器来更高效进行检索(该功能目前Dify v1.1.0版本已经开始支持做配置了)生成摘要+细节文本块: 类似于父子关系,摘要则是由粗及浅,为文档生成概要性摘要信息,再将摘要和细节文本块关联起来生成递归型多层级索引:类似于父子、摘要+细节,递归型则是划分了更多层级的索引树,自上而下是逐渐由粗到细的信息量后续还会专门展开索引相关内容,这里先抛砖引玉带一下,分块、索引、检索这3块技术应当整合在一起进行整体考虑。 03 知识嵌入(Embedding) 分块好后,下一步则需要对这些不同块的知识进行语义理解和编码了,这也是整个RAG过程中,第一次需要使用到大模型的场景。常见的嵌入方式有2种——稀疏嵌入和稠密嵌入,而我们通常讨论较多的都是稠密嵌入。简而言之,稠密嵌入能够更好的捕捉语义关系,而稀疏嵌入在计算存储上更高效。 1. 稠密嵌入是一种将离散符号(如词、句子、用户、物品等)映射到低维连续向量空间 中的表示方法。在这个向量中,大部分元素都是非零的实数 ,每个维度都隐式地表达某种语义或特征。 2. 稀疏嵌入是一种将数据映射到高维向量空间 中的表示方法,其中大多数维度的值为0,只有少数维度有非零值 。目前应用较多的方式是2者进行结合实现混合检索,稠密嵌入负责捕捉语义关系,稀疏嵌入则更多应用如BM25(基于词的重要性对文档和查询进行匹配)这样的方法,既做到了语义上的相关性,也做到了关键词匹配的精准性。 常见的稠密嵌入大模型有OpenAI、Jina、Cohere、Voyage、阿里Qwen这几家公司的,可以在https://huggingface.co/spaces/mteb/leaderboard去查看全球目前较新的Embedding模型排名。 截至当日,多语言embedding模型中排名第一的为gemini-embedding-001,第二三四名竟然都是阿里的Qwen-Embedding系列,这还挺让人惊喜的。不过排名仅供参考,还是要根据自己实际任务类型去做测量。 另外,不止生成模型可以做微调(我们往往说的大模型微调都是指偏生成响应侧侧大模型),其实嵌入模型也是支持做微调的,但很少有公司涉及。如果有一些高度专业化的知识(如医学、律师)、有特定的格式要求或者文化本地化需求,则最后一步再可以考虑嵌入模型的微调。 通过微调,可以生成更优质的文本嵌入,使语义相似的文本在嵌入空间中的距离更加接近。 04 知识存储&索引 经过embedding后,我们会生成大量的嵌入数据,这些数据当然不能以我们常见的关系型/非关系型数据库进行存储了,而是需要特定的向量数据库来以嵌入形式存储向量。 存储的目标是为了更好更快的检索,因此,这一部分我们会将存储和索引一起来展开。先来看有哪些向量数据库?目前比较火的有Milvus、Faiss、Chroma、Weaviate、Qdrant、Pinecone、ElasticSearch,当然国内各家大厂(如腾讯)也都建立了向量数据库的生态。 如果你想轻量级测试和小项目应用,可以首选Faiss(Facebook开源的向量数据库);如果你是企业商用,则可以考虑Milvus;如果你之前在用ElasticSearch的搜索/数据库功能,也可以继续考虑使用他们的向量数据库功能。另外,Dify官方默认的向量数据库则是Weaviate,说明该组件在企业商用上也是ok的。 (图源黄佳《RAG实战课》) 当我们将向量存入数据库后,则需要对应建立索引。索引是有效组织数据的过程,就像我们去一家医院后的指南图一样,它通过显著降低对大型数据集的耗时查询,在相似度检索上起到重要作用。常见的索引方式有如下几类: (图源黄佳《RAG实战课》) 这里核心讲解3种索引思想:FLAT精确搜索:对所有数据进行暴力性遍历,当然只适合小批量数据啦IVF_FLAT倒排文件索引+精确搜索:将向量数据划分为若干个簇,计算查询向量与每个簇中心的距离,找出相似度最高的n个簇,再在这些簇里面检索目标向量。 就像你要找到「猫」在哪里,先快速找到「动物类」的簇在哪里。HNSW基于图结构的近似最近邻搜索:目前性能最好的ANN(近似最近邻搜索)算法之一,它通过构建一个多层导航图(如顶层、中层、底层),不同层级的密度逐步变大,让查询时能像坐地铁一样“跳跃式”地快速接近目标点。目前Dify中Weaviate的默认索引方式就是HNSW。 05 知识检索(Retrieval) 前面准备了这么多之后,才来到最后的检索部分,而这也是RAG(Retrieval-Augmented Generation) 中R(Retrieval)真正起作用的开始。检索前,常见的处理方式有如下几种,其中查询结构转化和查询翻译是常用的一些检索前优化方式,查询路由应用相对没那么多: 1. 查询结构转化 2. 查询翻译 3. 查询路由 检索前处理处理说明逻辑路由根据用户问题选择合适的数据源或检索方式语义路由根据用户问题选择合适的提示词模板通过上述处理,完成检索后,对应也有一些可以优化的策略: 上述提供了一些检索前后的优化思路,其中像查询结构转化、查询翻译、重排基本都是相对必须的一些优化点,查询路由、压缩、校正等是否需要可以根据问答效果再考虑是否选用。 还有一些新兴方向,如Self-RAG(让大模型自我决策是否要搜索、搜什么、搜到的够不够、是否要需要搜索),让大模型自己对检索效果进行优化目前成本和响应时间上还不甚理想,但这未来注定会是一个长期会进化的方向,可能会通过微调多个特定的小模型来进行实现,可以持续关注。 06 回答生成(Generation) 当我们检索到了相关知识分块后,最后一步就是将用户查询、检索到的知识库文本块一并喂给大模型,让大模型利用自身的能力来回答用户的问题了。到这一步,其实知识库RAG的工作就结束了。那么,为了更好的生成结果,我们还能做的有什么呢? 这里就不过多展开了。 07 效果评估(Evaluation) 评估某种程度上对整个系统的价值起着决定性的作用,假设我们要给客户去交付一款知识库问答产品,到底用什么指标去衡量效果就成为了验收的关键卡点。 但事实上,不同的客户和场景对应进行效果评估的评测集、评测模型都是不一样的。这里先推荐几种市面上常见的通用评估指标或框架: 1. 检索评估评估框架关注指标RAG TRIAD(RAG三角)上下文相关性忠实度答案相关性RAGAS上下文精确率上下文召回率上下文实体召回率噪声敏感度DeepEval上下文精确率召回率相关性等 2. 生成评估评估框架关注指标RAGAS答案相关性忠实度多模态忠实度多模态相关性DeepEval答案相关性忠实度等 本文由人人都是产品经理作者【冰冰酱】,微信公众号:【冰冰酱啊】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
本文通过三个时间刻度(季度/半年规划、每周/每月迭代、每日处理意外)以及 N 个场景片段,如立项、需求调研、需求分析等,深入剖析产品经理的日常工作,展现其应对不确定性的挑战与魅力,带你全面了解产品经理这一岗位的真实工作内容。 今天分享初识产品经理的工作流篇,看看这个工作内容与你预期是否相符。 前言 刚做研发那会儿,我特别羡慕产品经理——每天抱着Mac开开会、写写文档、画画原型,把需求讲明白后,活儿就落到我们研发头上了。那时候总觉得:”这工作多好啊,动动嘴皮子就行,还能自己做决定,天天跟人打交道,比写代码轻松多了。” 直到自己真的干了这行,做了十年产品经理才明白:这份工作舒不舒服,完全看人。有人如鱼得水,有人度日如年。 要说最大的体会,就是产品经理这个岗位特别有意思——它的天花板可以很高很高,但能爬多高,全看你有多能应对那些不确定的事儿。市场变了、用户飘了、老板想法又改了…这些在别人眼里的麻烦,恰恰是这个岗位最迷人的地方。 今天我就用三个时间刻度+N个场景片段的方式,分享产品经理的日常工作,期望让你更全面认知产品经理的日常工作,打消你羡慕或恐惧的神秘外套。 三个时间刻度:做规划、赶迭代、处理意外 小贴士:本文是以功能/中台型产品为例。什么是功能/平台型产品?参见:产品经理有哪些细分岗位? 刚开始做产品经理时,我最头疼的就是如何平衡不同时间尺度的工作。后来渐渐明白,产品经理其实同时在做三种不同时间刻度的事情: 第一个季度/半年时间刻度的事情是做规划。这时候你得像个战略家,把公司目标、用户需求和资源现状放在天平上称重。有趣的是,每个团队规划的方式都自成一套——有用OKR层层对齐的,有在Wiki列功能清单的,我们团队现在直接把规划表挂在钉钉头像上,像个小商店的招牌。 第二个每周/每月时间刻度的事情是赶迭代。互联网公司最典型的双周节奏就像钟摆:周二评审、周三开发、下周四提测、下下周发布,周而复始。大项目就把几个周期串起来,但始终保持这个韵律。这种节奏感最神奇的地方在于,它能让团队像爵士乐队一样,既保持基本节拍又允许即兴发挥。 第三个每天时间刻度的事情是处理意外。早晨的计划到中午可能就支离破碎了——测试的疑问、用户的反馈、突如其来的会议。后来我养成了两个习惯:一是像咖啡师做浓缩咖啡一样,每天保留几个25分钟的专注时段;二是把待办事项当菜单,完成一道划掉一道。这样既不会错过重点,又能保持必要的弹性。 说到底,好的产品经理都掌握着时间的炼金术——把长期的愿景、中期的节奏和临场的应变,在时间的淬炼之下,以产品或服务的性质在表达用户价值、商业价值。 赶迭代:N个场景片段 三个时间刻度里,关键的是每周/每月的项目迭代,它是有效传达产品经理工作场景的片段,我们把它揉碎后掰开看看。 它们包含:立项、需求调研、需求分析、方案设计、画原型、写需求文档、内部评审、外部评审、技术方案评审、测试用例评审、UI/UE评审、开发阶段项目管理、提测前的ShowCase、验收并上线。 阶段1:立项——从产品规划到可执行项目 场景还原:季度业务复盘会上,CEO提到:”今年客户续费率下降了8%,尤其是中小型企业,抱怨我们的考勤模块太难用,关键需求一直不满足。” 关键决策点:你对比客户反馈数据发现:70%的流失客户提到”加班模块无法得到满足,都需要手工调整” 最终立项:《HR SaaS 2.0:智能化加班升级》,目标是:6个月内解决80%加班需求场景,首期聚焦:大批量加班申请与自动校验。 阶段2:需求调研——钻进一线工厂 场景还原:你在某客户公司的一线工厂,发现车间组长正焦头烂额… 真实对话片段:车间组长:”生产任务不可控,有时来大批量的订单,整个车间六七十人都一起加班”,你注意到墙上贴的都是生产计划排班表:”这些是…?” “哦,这是我们自己弄的排班计划表,以及员工出勤情况,不然根本记不住。” 你悄悄拍下照片——这将成为「批量加班与智能排班」的设计依据。 阶段3:方案设计——当B端遇上用户体验 场景还原:目前批量加班最多支持3组,每组20人,车间组长自选加班人进行批量申请; 车间组长:“我们一个车间60多人,第一组选择20人,第二组选择时,忘了第一组选的哪些人。同时,有时部分员工请假,我们还需剔除出去。” 你设计产品方案时,则可考虑支持按部门(即车间)进行勾选,并可剔除某几个人。 阶段4:内部评审——合理需求遇到资源问题 场景还原:产品负责人:“嗯,客户需求场景清晰,但我的问题是:需求是否通用,还是部分行业/客户需求?每月发生这样的频次有多少次?我们需要投入多少资源才能解决?” “典型制造业需求,每月不确定,高峰期5-8天/月,低峰期0-2天/月,预计投入30人日左右。”你回答道。 阶段5:外部评审——当技术遇到性能问题 场景还原:研发负责人:“当我们将批量人数上限开放后,可能会遇到技术性能问题,我们可以适度放大限制(如每组100人)。同时,必须从产品设计中,将同步校验加班合规性升级为异步校验,考虑校验失败后的二次处理逻辑。” “嗯,调研情况看,每组100人可接受,我会把产品方案优化为异步校验的方式。” 阶段6:研发推进——当理想照进现实 外部评审完毕,正常会进行技术方案评审、测试用例评审、UI/UE评审等,分别由研发、测试、设计师发起,并评估技术合理性、场景完整性、用户体验。 场景还原:产品经理:“咱们哪天技术方案评审?哪天提测?”,研发说:“性能上有瓶颈,我们需要几天技术调研时间。” 阶段7:上线——客户的真实反应 场景还原:功能上线3天后,部分客户开始使用对应功能,客户可能会反馈说:“目前批量发起加班后,能不能马上告诉我哪些人校验失败?”“部分人员失败后,为什么不能直接再次重新发起?” 处理意外:从救火队员到战略舵手 产品经理的理想时间分配可能是: 抬头看路(规划未来)—— 15% 低头拉车(推进项目)—— 60% 到处救火(处理意外)—— 25% 但真实情况可能是:早晨08:25客户反馈系统崩了,无法打卡;中午10:00打开钉钉,3个人给你留言,让你评估需求优先级或解决方案;下午15:00老板拉你开会,询问为什么我们xx项目的进度这么慢;下午17:00客成反馈,客户有个需求可能退费,需要约个时间聊聊能否解决;晚上20:00,终于救火结束。 当你发现救火时间超过40%——别急着加班!先去找找:到底是谁? 总在同一个地方放火?然后抄起灭火器, 直接焊死在隐患点上! 比如明确构建需求优先级原则与透明化产品规划,解决频繁询问排期的问题; 与客服主管协同构建内部知识库,用文档+AI的方式,解决产品咨询类问题; 与技术主管明确责任边界,处理系统崩溃时的响应机制; 采用每日清单+日程的方式,提前规划一天的日常时间,拒绝临时且不紧急的事项。 本文由人人都是产品经理作者【产品方法论集散地】,微信公众号:【产品方法论集散地】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
8月29日,优衣库将携手泡泡玛特旗下的热门IP“THE MONSTERS”推出联名系列,其中Labubu的形象将成为系列中的绝对主角。这一消息在社交媒体上引发了广泛期待,也让人们不禁回想起优衣库过往联名款的抢购热潮。本文将深入剖析优衣库的联名策略,探讨其如何通过艺术家、动漫/IP、设计师三大核心板块的布局,将一件基础款T恤升级为社交货币,以及其联名模式背后的核心营销策略。 在潮流圈,拥有一只 Labubu已然成为一种新的社交硬通货。当无数爱好者还在为抢购一只 Labubu 玩偶而绞尽脑汁时,优衣库悄然为这场狂欢开辟了另一条赛道。 近日,优衣库宣布,品牌将携手泡泡玛特,于2025年8月29日全球发售以其旗下IP“THE MONSTERS”为主题的全新合作系列。 毫无疑问,系列中的绝对主角,便是当下炙手可热的 Labubu。 届时,印有 Labubu 形象的短袖T恤和长袖卫衣将覆盖成人与儿童款式,以79元至199元不等的价格,向全球粉丝敞开怀抱。 消息一出,社交媒体上立刻充满了期待与调侃。有人戏称“抢不到 Labubu,那就抢一件 Labubu 的T恤吧”。然而,经历过优衣库过往联名“腥风血雨”的消费者心知肚明,这件T恤的抢购难度未必低于那只玩偶。 事实上,这已不是双方的首次联手。早在2022年4月,优衣库推出的首个“THE MONSTERS”联名系列就已验证了其巨大的市场号召力。当时一件售价99元的印花T恤,如今在转售平台上的成交价已悄然攀升至近500元,身价飙升超过四倍,其稀缺性和收藏价值不言而喻。 当然,Labubu 只是优衣库庞大联名宇宙中的一颗新星,从迪士尼童话、浩瀚的星球大战史诗,到吉卜力的梦幻世界、宝可梦的可爱精灵……优衣库的货架宛如一个联名宇宙,全年无休地轮换着全球顶级文化IP的印记。 为何优衣库如此热衷于,甚至可以说是执着于推出联名款商品? 01 优衣库的联名版图:艺术家、动漫/IP、设计师 优衣库的联名策略并非简单的广撒网,而是经过深思熟虑的布局。它通过与不同圈层的顶级IP和创作者合作,将一件基础款T恤或外套,升级为能够连接不同文化、彰显个人身份的社交货币。 纵观其最成功的实践,其联名版图可以清晰地划分为三大核心板块:艺术家联名、动漫/IP联名以及设计师联名。 1. 艺术家联名 优衣库与知名艺术家的合作,核心在于打破艺术与大众之间的壁垒,让原本陈列在美术馆的当代艺术,以亲民的方式融入日常生活。如长期与安迪·沃霍尔、凯斯·哈林、巴斯奎特等殿堂级艺术家的基金会合作,将他们的经典作品作为UT的常规系列。 最具代表性的例子莫过于与美国街头艺术家 KAWS的合作,在2019年号称最后一次合作的“KAWS: SUMMER”系列发售时,这件T 恤引爆了全球性的抢购狂潮。门店卷帘门还未升起就有人钻入、消费者百米冲刺、模特身上的样衣被直接扒光等疯狂场面,至今仍是社交媒体上的名场面。 另一位合作的重量级人物是日本艺术家村上隆,主打其标志性的“太阳花”和“Mr. DOB”等元素。其中,与当红歌手Billie Eilish(碧梨)的三方联名,以及与国民级IP哆啦A梦的联名,都极具代表性。 2. 动漫、IP联名 这一板块是优衣库覆盖面最广、最能触动大众情怀的领域。通过与全球知名的动漫、游戏、影视IP合作,优衣库精准地抓住了粉丝经济的核心——归属感与情感共鸣。 优衣库曾多次推出《週刊少年JUMP》的主题系列,将《七龙珠》、《航海王》、《火影忍者》、《排球少年》等横跨数十年、影响了几代人的国民级漫画集结在一起。 JUMP联名的杀伤力在于其广度。几乎每个80后、90后的青春里,都有一部JUMP漫画。这种一网打尽式的联名,让每个动漫迷都能找到自己的心头好,销量自然极其火爆。 作为全球最大的IP巨头,迪士尼与优衣库的合作项目“MAGIC FOR ALL”已持续多年。从经典的米老鼠、唐老鸭,到皮克斯的动画角色,再到漫威的超级英雄和星球大战的广阔宇宙,优衣库几乎涵盖了迪士尼的所有重要IP,为所有人带来欢乐的理念,贯穿于老少咸宜的产品之中。 此外,包括与《鬼灭之刃》、《咒术回战》等全球顶级IP的合作,保证了其UT系列能源源不断地吸引各个年龄层和兴趣圈的消费者。 3. 设计师联名 设计师联名则是优衣库向时尚领域的探索。通过与世界顶级时装设计师合作,优衣库力图让普通消费者能以平价,体验到高级时装的设计理念与质感。 如与被誉为极简女王的德国设计师 Jil Sander 合作推出的 +J 系列,该系列以其极致简约的线条、精良的面料和高级的廓形,诠释了“用优衣库的价格,买到大师级设计”的理念。+J系列每次发售,其抢购盛况完全不亚于KAWS。消费者们彻夜排队,只为抢到一件剪裁精良的大衣或衬衫。 与Christophe Lemaire的合作,由于其系列广受欢迎,最终演变成了优衣库常设的高端支线“Uniqlo U”,由Lemaire亲自带领巴黎团队设计。这是联名合作走向深度融合的更高形态。 02 优衣库联名的核心营销策略 优衣库的联名,已经成为一套精密、高效且可复制的商业范式。它是一系列深思熟虑的策略组合,其核心在于将服装零售巧妙地升级为一场文化消费的盛宴。 1. 洞察流行文化,借助热门流量 优衣库联名策略的第一个制胜法宝,是其对流行文化趋势的敏锐洞察和快速反应能力。在当今市场,流行即意味着流量。 每一个热门IP背后,都凝聚着庞大的粉丝基础和深厚的情感价值,它们承载着消费者的童年回忆、青春情怀或是强烈的文化认同。优衣库做的,就是将这些无形的文化符号与情感,精准地嫁接到有形的日常服装上,从而唤起消费者的强烈共鸣。 这种策略确保了其产品能覆盖最广泛的用户群体。UT系列的联名对象横跨各个年龄层和文化圈,从经典的迪士尼角色到小众的先锋艺术家,从根植于日本的本土文化到风靡全球的国际流行趋势,优衣库确保了几乎每一个消费者群体,都能在其货架上找到属于自己的那一件。 关键的是,这种情感上的喜爱会直接转化为购买行为。当《鬼灭之刃》、《间谍过家家》成为现象级动漫时,联名UT便会迅速跟上;当《集合啦!动物森友会》在疫情期间火爆全球,成为无数人的精神慰藉时,联名系列也恰逢其时地登场。 此次,在 Labubu 人气最鼎盛的时刻,优衣库选择官宣合作,但将发售日期定在了 2025年8月底。这一招延迟满足不仅没有浇灭消费者的热情,反而通过长时间的预热和发酵,彻底拉满了市场的期待值。可以预见,一旦开售,积蓄已久的热情必将转化为惊人的购买力。 这种趁热打铁并善于制造期待感的能力,让优衣库得以最大化地利用每一个IP的瞬时流量与长期价值。 2. 大众化定位与高性价比 奢侈品牌也热衷于推出联名款,但它们的目标是少数金字塔顶端的富裕人群,联名是其彰显稀缺性的手段。 而优衣库的联名,从始至终都坚守着其品牌的核心——大众化定位与高性价比。其联名款的定价通常与店内其他商品区别不大,即便合作对象是殿堂级的大师或IP,优衣库也依然保持着性价比这一深入人心的品牌标签。 这就创造出了一种独特的价值主张:平价的奢侈感。KAWS的艺术原作动辄数万甚至数十万美元,Jil Sander 的同名品牌时装价格不菲,但在优衣库,一件联名UT可能只需要 99元或 149元。 这种策略彻底打破了文化与艺术消费的高墙,它向消费者传递了一个极具吸引力的信息:你不需要很有钱,也能够拥有大师级的卓越设计,也能够将心爱的IP角色穿在身上。 常年坚持提供高性价比的联名款,提升了消费者的品牌好感度。它让消费者感觉到,无论合作品牌多么大牌,优衣库始终没有抛弃自己,依然是那个为所有人提供优质、平价好物的品牌,从而构建了极为稳固的品牌忠诚度。 3. 稀缺性制造与饥饿营销 当高价值IP与极致性价比相遇,高销量本是意料之中。但优衣库的高明之处在于,它并不总是满足所有人的需求,而是运用稀缺性作为杠杆,撬动了更大的市场热情和话题声量。 优衣库的许多重磅联名都带有明确的限定标签——无论是期间限定还是数量限定,都传递出一个清晰的信号:错过就不再有。 这种售完即止、从不轻易补货的策略,将一件普通的消费品,变成了具有收藏价值和升值潜力的投资品。 如前文提到的KAWS: SUMMER系列,当官方打出最后一次合作的旗号时,一件T恤的价值瞬间被赋予了绝版的光环,彻底引爆了消费者的FOMO(Fear Of Missing Out,害怕错过)心理。 这种供不应求,随之而来的是壮观的抢购场面。消费者们排长队、在社交媒体上晒单、甚至吐槽抢购过程的视频和图片,都成为了品牌无需付费的最佳广告,它们在网络上形成病毒式传播,吸引了大量圈外用户的好奇与关注,进一步放大了联名款的影响力。 于是,一个高效的循环形成了:推出重磅联名 → 引发抢购热潮 → 快速售罄制造话题 → 消费者期待下一轮联名。优衣库通过这种方式,持续地掌控着市场的话题节奏。 4. 线上线下联动,营造朝圣感 如果说线上渠道是制造稀缺感和紧迫感的主战场,那么线下门店则是优衣库将联名文化落地的体验现场。作为全渠道营销的典范,优衣库通过线上线下的无缝联动,将购买行为,升华为一场充满仪式感的文化朝圣。 线上,优衣库通过官网、小程序和电商旗舰店同步发售,精准地营造出秒空的氛围。不断刷新的已售罄字样,不仅刺激着消费者的肾上腺素,也成为了衡量联名热度的最直观指标,进一步强化了产品的稀缺性和话题性。 而线下,优衣库则致力于将门店打造为一个沉浸式的IP体验空间。在重要联名系列发售期间,你走进的可能不只是一家服装店。整个UT区域会变成一个小型的主题展览:精心设计的海报墙、循环播放的IP宣传片、身着联名款的模特矩阵…… 这种充满细节的布置,让购物的过程像是一次粉丝奔赴热爱、寻找同好的朝圣之旅。 通过线上线下联动的策略,深度捆绑了消费者的情感,让他们在获得物质满足的同时,也收获了精神上的归属感和参与感。 在物质极大丰富的今天,消费者到底在为什么买单? 人们购买的,是一种身份的表达、圈层的认同和情感的寄托。优衣库通过一件件小小的T恤,精准地将这些无形的精神需求,转化为了触手可及的实体商品。 它售卖的不是服装,而是社交货币——一件Labubu的T恤,是你向潮玩圈递出的名片;一件《最终幻想》的UT,是你与同代玩家心照不宣的暗号;一件+J的衬衫,则是你对极简美学无声的宣言。 更值得深思的是,优衣库的联名模式为快时尚这个行业,提供了一种新的、更具文化持续性的发展路径。它不再仅仅是追逐转瞬即逝的潮流,而是通过与经典IP的深度捆绑,将快的消费节奏与慢的文化沉淀相结合。 消费者买回家的,不再是一件穿一季就丢的衣服,而是一份值得珍藏的情怀。这在某种程度上,延长了产品的生命周期,也重塑了品牌与消费者之间的关系——从单纯的买卖,升级为基于共同文化热爱的长期对话。 能被穿在身上的,从来不只是一块布,而是一个故事,一种态度,和一个鲜活的自我。 本文由人人都是产品经理作者【寻空】,微信公众号:【寻空的营销启示录】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
在企业级场景中,一个精准的知识库问答工具至关重要。本文深入剖析 RAG(检索增强生成)技术,从知识提取、分块、嵌入、存储与索引、检索到回答生成及效果评估等各个环节,详细阐述其核心选型与优化思路,助力读者掌握打造高精准度知识库助手的完整策略。 像Dify、Coze这样的低代码Agent搭建工具,通过将RAG内的各类能力进行封装,供用户在GUI界面上点击几下即可进行配置。这却给很多用户造成了一种假象——好像拖拉拽一下就能配置好一个知识库问答工具,打造一个企业级的知识库助手。 (图源ChatGPT帮忙生成) 从实际落地上来看,上层封装好的能力有其局限性,低代码平台能够达到的问答精准度上限明显,可能50、60分都算很不错的了;但这个分数,对于企业级场景是完全不可用的。你会允许AI在回答一些公司财务问题、行政问题上有一丝一毫的偏差吗?因此,从50分到90分的过程,才是RAG真正大显神威之处。 但这个过程并不是一蹴而就的(即搞定1处就全盘皆赢),从知识的提取、向量化、分块、索引、检索到最终生成,每一步都有各种各样的优化策略可供选择,不同的策略适应不同的场景、数据的质量和生成的要求等。 可以说,真正的RAG工作是由一系列复杂、细致的优化策略叠加而来,这不仅要求你随时更新自己的知识体系、掌握最新的优化方向进程,更需要你了解数据形态和业务场景,能够结合最终生成诉求来倒推如何去选择这一系列策略的配合。 之前在一文了解RAG到底是什么?一文中浅介绍了RAG核心技术。那么,本文将分享下各个环节上的核心选型和优化思路,作为一张RAG策略地图供大家交流学习。 01 知识提取(Extracting) 知识的形态可以分为:结构化(表格)、半结构化(网页)、非结构化(PDF、Word等)。和数据库这样结构化数据不同的是,知识库往往存在大量非结构化数据(如视频、音频、PDF、网页等),这虽然极大地扩展了知识面,但也为准确的识别带来了技术难题。 像Dify、Langchain、LlamaIndex这些框架都自带了一些提取器,但同时也支持丰富的其他loader器的能力集成。以Dify为例,它不仅支持自研的文件抽取方案,同时也支持了Unstructured的抽取方案。 目前市面上,较为常见的一些外部抽取工具有: 其中,Unstructured是目前较火的一种通用抽取工具,支持常见各种丰富的文档格式,适合作为一种基础通用的抽取工具选型。抽取阶段的难点其实在于——PDF和图片文字提取上。 PDF的难点在于其灵活、丰富的布局本质上蕴含和嵌套了大量的关系,例如图片插在一堆文字中间,它可能是上一段话的一个示意图;同时,PDF这种格式又把标题、小标题、第一点/第二点等这样的布局拍平了,难以通过像读取网页里的title、body那样能够很轻易的读取到内容结构。 而企业的大多数正式流通的文件都是PDF格式(不能随意被篡改和编辑),因此,这里就需要应用PDF类抽取工具(Pymupdf、MinerU、PyPDF)等对PDF文件做专门的处理,这些工具的特点是:会对PDF格式文件做单独的适配和处理,类似于一个元素解析器,能够清晰的读取不同元素是什么——如标题、正文、页眉、页脚、插图等。 另外,企业内大量还存在的一类文档为图片,图片的精准识别尤其在金融行业应用极多。以某基金公司为例,其需要对新设管理人提交的资料进行审核,资料中包含大量的管理人学历、简历等照片;另外,针对中期监管诉求,需要定期收集基金的银行电子回单去进行监管审核等。 这些都对从图片中提取和识别文字的精准度有极高要求,例如上图中纳税人识别号这种比较小的字母,直接使用大模型效果较差,通常我们会借助OCR(光学字符识别Optical Character Recognition)来进行实现。 目前我们自己应用过的产品中,闭源工具Textin和开源工具百度飞浆整体效果和性价比还算可控,大家也可以结合自己的业务去试试,平衡下准确度和费用的关系。 02 知识分块(Chunking) 将知识抽取完成后,我们就拥有了大量的知识信息,这些信息可能是文字、图片等,这些知识以文档集合整理在一起。但在交给大模型进行向量化处理之前,需要进行分块处理。为什么需要分块,而不是一整个文档扔给大模型呢?这是因为大模型一次吞吐的上下文有限。 例如Qwen3的上下文长度为32768tokens,约5万字左右),这些上下文不只是查询知识库召回的内容块长度,还有用户问题query、提示词prompt等。另外,即使有段时间各家的大模型都在努力加长上下文长度,但足够的上下文并不代表着精确性,也有可能会召回干扰性的内容块,从而更容易造成模型的幻觉。 因此,在有限上下文长度背景下,分块技术相对能更精准检索,从而降低模型幻觉和算力成本。那么,该按照什么逻辑进行分块呢?常见的分块方式有如下几种: 当然,实际按照什么逻辑分块,是需要渐进式调整后得出的。例如,最开始可以先按照最常规的固定字符数分块,通过查看分块和召回测试看看效果;如果效果不佳,再调整字符数大小或是增加分隔符递归分块,甚至手动调整分块内容等。 另外,分块本身是为了服务于检索,这就避不开要面向索引去进行分块逻辑的处理了。常见的几种在分块阶段就要为后续索引进行逻辑呼应的分块技巧有这几种:混合生成父子文本块:先生成粒度较大的文本块,再切分成更小的子文本块,父子文本块用ID进行映射关联。 在检索阶段,先检索到子文本块,再通过ID找出其父文本块,从而将2者一并传递给大模型,提升更加丰富和准确的回答。 生成文本块元数据:分块后同步为该文本块生成对应的元数据(如标题、页码、创建时间、文件名等),从而在检索时,能够结合元数据作为过滤器来更高效进行检索(该功能目前Dify v1.1.0版本已经开始支持做配置了)生成摘要+细节文本块: 类似于父子关系,摘要则是由粗及浅,为文档生成概要性摘要信息,再将摘要和细节文本块关联起来生成递归型多层级索引:类似于父子、摘要+细节,递归型则是划分了更多层级的索引树,自上而下是逐渐由粗到细的信息量后续还会专门展开索引相关内容,这里先抛砖引玉带一下,分块、索引、检索这3块技术应当整合在一起进行整体考虑。 03 知识嵌入(Embedding) 分块好后,下一步则需要对这些不同块的知识进行语义理解和编码了,这也是整个RAG过程中,第一次需要使用到大模型的场景。常见的嵌入方式有2种——稀疏嵌入和稠密嵌入,而我们通常讨论较多的都是稠密嵌入。简而言之,稠密嵌入能够更好的捕捉语义关系,而稀疏嵌入在计算存储上更高效。 1. 稠密嵌入是一种将离散符号(如词、句子、用户、物品等)映射到低维连续向量空间 中的表示方法。在这个向量中,大部分元素都是非零的实数 ,每个维度都隐式地表达某种语义或特征。 2. 稀疏嵌入是一种将数据映射到高维向量空间 中的表示方法,其中大多数维度的值为0,只有少数维度有非零值 。目前应用较多的方式是2者进行结合实现混合检索,稠密嵌入负责捕捉语义关系,稀疏嵌入则更多应用如BM25(基于词的重要性对文档和查询进行匹配)这样的方法,既做到了语义上的相关性,也做到了关键词匹配的精准性。 常见的稠密嵌入大模型有OpenAI、Jina、Cohere、Voyage、阿里Qwen这几家公司的,可以在https://huggingface.co/spaces/mteb/leaderboard去查看全球目前较新的Embedding模型排名。 截至当日,多语言embedding模型中排名第一的为gemini-embedding-001,第二三四名竟然都是阿里的Qwen-Embedding系列,这还挺让人惊喜的。不过排名仅供参考,还是要根据自己实际任务类型去做测量。 另外,不止生成模型可以做微调(我们往往说的大模型微调都是指偏生成响应侧侧大模型),其实嵌入模型也是支持做微调的,但很少有公司涉及。如果有一些高度专业化的知识(如医学、律师)、有特定的格式要求或者文化本地化需求,则最后一步再可以考虑嵌入模型的微调。 通过微调,可以生成更优质的文本嵌入,使语义相似的文本在嵌入空间中的距离更加接近。 04 知识存储&索引 经过embedding后,我们会生成大量的嵌入数据,这些数据当然不能以我们常见的关系型/非关系型数据库进行存储了,而是需要特定的向量数据库来以嵌入形式存储向量。 存储的目标是为了更好更快的检索,因此,这一部分我们会将存储和索引一起来展开。先来看有哪些向量数据库?目前比较火的有Milvus、Faiss、Chroma、Weaviate、Qdrant、Pinecone、ElasticSearch,当然国内各家大厂(如腾讯)也都建立了向量数据库的生态。 如果你想轻量级测试和小项目应用,可以首选Faiss(Facebook开源的向量数据库);如果你是企业商用,则可以考虑Milvus;如果你之前在用ElasticSearch的搜索/数据库功能,也可以继续考虑使用他们的向量数据库功能。另外,Dify官方默认的向量数据库则是Weaviate,说明该组件在企业商用上也是ok的。 (图源黄佳《RAG实战课》) 当我们将向量存入数据库后,则需要对应建立索引。索引是有效组织数据的过程,就像我们去一家医院后的指南图一样,它通过显著降低对大型数据集的耗时查询,在相似度检索上起到重要作用。常见的索引方式有如下几类: (图源黄佳《RAG实战课》) 这里核心讲解3种索引思想:FLAT精确搜索:对所有数据进行暴力性遍历,当然只适合小批量数据啦IVF_FLAT倒排文件索引+精确搜索:将向量数据划分为若干个簇,计算查询向量与每个簇中心的距离,找出相似度最高的n个簇,再在这些簇里面检索目标向量。 就像你要找到「猫」在哪里,先快速找到「动物类」的簇在哪里。HNSW基于图结构的近似最近邻搜索:目前性能最好的ANN(近似最近邻搜索)算法之一,它通过构建一个多层导航图(如顶层、中层、底层),不同层级的密度逐步变大,让查询时能像坐地铁一样“跳跃式”地快速接近目标点。目前Dify中Weaviate的默认索引方式就是HNSW。 05 知识检索(Retrieval) 前面准备了这么多之后,才来到最后的检索部分,而这也是RAG(Retrieval-Augmented Generation) 中R(Retrieval)真正起作用的开始。检索前,常见的处理方式有如下几种,其中查询结构转化和查询翻译是常用的一些检索前优化方式,查询路由应用相对没那么多:1. 查询结构转化 2. 查询翻译 3. 查询路由 检索前处理处理说明逻辑路由根据用户问题选择合适的数据源或检索方式语义路由根据用户问题选择合适的提示词模板通过上述处理,完成检索后,对应也有一些可以优化的策略: 上述提供了一些检索前后的优化思路,其中像查询结构转化、查询翻译、重排基本都是相对必须的一些优化点,查询路由、压缩、校正等是否需要可以根据问答效果再考虑是否选用。 还有一些新兴方向,如Self-RAG(让大模型自我决策是否要搜索、搜什么、搜到的够不够、是否要需要搜索),让大模型自己对检索效果进行优化目前成本和响应时间上还不甚理想,但这未来注定会是一个长期会进化的方向,可能会通过微调多个特定的小模型来进行实现,可以持续关注。 06 回答生成(Generation) 当我们检索到了相关知识分块后,最后一步就是将用户查询、检索到的知识库文本块一并喂给大模型,让大模型利用自身的能力来回答用户的问题了。到这一步,其实知识库RAG的工作就结束了。那么,为了更好的生成结果,我们还能做的有什么呢? 这里就不过多展开了。 07 效果评估(Evaluation) 评估某种程度上对整个系统的价值起着决定性的作用,假设我们要给客户去交付一款知识库问答产品,到底用什么指标去衡量效果就成为了验收的关键卡点。 但事实上,不同的客户和场景对应进行效果评估的评测集、评测模型都是不一样的。这里先推荐几种市面上常见的通用评估指标或框架: 1. 检索评估评估框架关注指标RAG TRIAD(RAG三角)上下文相关性忠实度答案相关性RAGAS上下文精确率上下文召回率上下文实体召回率噪声敏感度DeepEval上下文精确率召回率相关性等 2. 生成评估评估框架关注指标RAGAS答案相关性忠实度多模态忠实度多模态相关性DeepEval答案相关性忠实度等 本文由人人都是产品经理作者【冰冰酱】,微信公众号:【冰冰酱啊】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
无论是产品经理、开发人员还是项目管理者,都需要掌握一套完整的项目落地方法论,以确保项目能够顺利推进并达成目标。本文将详细解析一个项目从0到1的全流程,涵盖需求收集、分析、规划、开发、测试、上线以及持续优化的各个阶段。 一个项目从0开始,最终成功上线并创造价值,需要经历哪些严谨的阶段?每个阶段的关键任务和产出是什么?如何避免常见陷阱,确保项目顺利落地?本文将结合一套——通用的项目落地流程框架,并以”智能办公系统“为具体实例,手把手带你走完一个项目从需求萌芽、规划开发、测试验收到上线推广、持续优化的完整生命周期,助你掌握从概念到落地的核心方法论。 需求收集阶段: 需求开发阶段: 接下来,我们将以智能办公系统为例,详细解析其完整的项目推进流程。 一、需求收集与分析阶段 1. 需求收集 目标:广泛收集来自各方的原始需求信息。 为挖掘企业对智能办公系统的真实需求,项目团队需采用多样化的采集方法。 用户访谈:探讨战略目标落地对资源的需求、跨部门资源协调的难点、如何快速洞察全公司资源瓶颈与利用率。例如:总经理反映“不清楚关键项目是否真正有足够资源”、“跨部门借调流程长且不透明” 。 痛点分析问卷:针对部门经理,采用问卷调查的方式,收集他们在日常人员管理中的痛点。如部分部门经理反馈,在人员借调过程中,审批流程不透明、周期长,影响项目进度;还有部门经理表示,难以直观了解团队成员的忙闲状态,导致任务分配不均衡。 输出:高层战略资源诉求、部门级资源管理痛点清单、问卷数据报告、现有流程缺陷分析。 2. 需求分析与转化 目标:将管理层的“管理诉求”转化为具体的“系统功能”。 需求转化:以部门经理提出的 “加快人员借调审批速度” 这一用户需求为例,产品经理深入分析后发现,其真正需求是简化借调审批流程,实现审批进度实时追踪,确保项目按时推进。因此,该用户需求被转化为具体的产品需求:设计在线人员借调审批功能,支持部门经理在线提交借调申请,系统自动匹配审批流程,同时提供审批进度实时提醒功能。 例如: 部门经理诉求: “借调我的人,必须提前让我知道并同意,而且要快!” (管理诉求) 需求分析:核心是透明化、流程化、快速化的跨部门资源协调机制。 产品需求:“系统需提供标准化的线上借调审批流程:发起→目标部门经理确认→冲突审核(如有)→生效。流程状态实时可见,并支持催办。” (系统功能) 需求池示例: (图示:包含需求提出时间、描述、类型、优先级、状态等信息) 需求通常按性质或来源进行分类,例如:新增功能、功能优化、用户体验改进、bug修复、内部需求(如技术重构、性能提升)等。 3. 需求筛选与管理 将转化后的产品需求纳入需求池后,项目团队依据需求的商业价值、实现难度、性价比等因素进行筛选。对于商业价值高、实现难度适中且性价比优的需求,优先纳入项目开发计划;对于一些实现难度大但商业价值较低的需求,可暂缓或舍弃。同时,利用专业的需求管理工具,对需求池中的需求进行动态跟踪和维护,及时更新需求状态,确保需求管理的高效性和准确性。 二、项目启动与规划阶段 1. 团队组建 根据项目需求和规模,组建专业且分工明确的项目团队。团队成员涵盖项目负责人、产品经理、UI 设计师、前端开发工程师、后端开发工程师、测试工程师、运维工程师等。项目负责人统筹全局,协调各方资源;产品经理负责需求管理和产品规划;UI 设计师打造友好的用户界面;开发工程师实现系统功能;测试工程师保障系统质量;运维工程师确保系统稳定运行。 2. 开发计划确定 项目团队共同制定详细的开发计划,将项目分解为具体的任务,并精确估算每个任务所需的人天。例如,智能办公系统的开发计划可分为需求分析(10 人天)、UI 设计(15 人天)、前端开发(30 人天)、后端开发(40 人天)、接口设计与联调(15 人天)、测试(20 人天)等阶段,每个阶段再细分具体任务,明确责任人与时间节点,形成清晰的项目甘特图。 3. 项目立项会与动员大会 召开立项会:项目团队向企业管理层详细汇报需求分析结果、优先级、确认范围(如:V1.0必须包含:人员计划视图、忙闲状态指示、借调审批流程、冲突检测与基础审核)、项目计划、预算、风险评估及应对策略等内容。经管理层审议批准后,项目正式获得立项,并获得所需的资源与支持。 召开项目动员大会:向企业全体(或相关)成员宣告项目正式启动。阐述项目的背景、目标、意义、范围、计划以及对企业和个人的重要性,激发全员对项目的关注、理解与支持。 三、需求评审与开发阶段 1. 需求 PRD 文档编写与评审 产品经理编写详细的需求PRD(产品需求文档),对需求的背景、目标、功能描述、业务流程、交互设计、数据需求等进行全面且清晰的阐述。完成后组织需求评审会,邀请项目团队成员、业务部门代表、技术等共同参与,对 PRD 文档进行深入讨论和审查,确保需求的完整性、准确性和可行性。各方达成共识后,相关责任人在 PRD 文档上签字确认,作为后续开发工作的重要依据。 例如: 借调审批流程: 发起:项目经理填写借调需求(目标员工、时间段、工作内容)。 审批:原部门经理评估对本部门影响后审批。 确认:目标部门经理确认任务安排。 冲突审核:如系统检测到该员工在目标时段已有其他计划,触发冲突流程,通知冲突方协商或提交裁决。 生效:审批/裁决通过后,自动更新双方计划日历和忙闲状态。 冲突审核机制:冲突列表、冲突详情(冲突任务)、在线协商区、提交裁决功能(总经理)。 2. UI 设计 UI 设计师依据需求 PRD 文档和企业品牌形象,进行系统界面设计。从整体布局、色彩搭配、图标设计到交互流程,注重用户体验,确保界面简洁美观、操作便捷。设计完成后,输出 UI 设计稿和交互文档,供项目团队评审和确认。 3. 软件设计评审会 流程图: 技术团队完成系统架构设计、数据库设计等软件设计工作后,召开软件设计评审会。对设计方案进行严格审查,评估其是否满足需求、是否具备良好的可扩展性、性能和安全性。邀请技术总监、业务代表提出意见和建议,完善设计方案后,相关责任人在设计文档上签字,标志着设计阶段成果通过验收,进入开发环节。 4. 系统研发 前端开发工程师根据确认的UI设计稿、交互文档和技术规范,进行前端页面和交互逻辑的开发,确保页面在不同设备和浏览器上的兼容性和响应式效果;后端开发工程师根据技术方案进行后端服务、业务逻辑和数据库交互的开发。前后端开发团队协作完成接口设计与定义,明确数据格式、调用方式和认证授权机制。 开发过程中遵循编码规范,进行单元测试和必要的代码审查。 5. 质量检查 在系统研发过程中,利用代码扫描工具对前端和后端代码进行静态分析,检查代码是否符合编码规范、是否存在潜在的安全漏洞、性能问题和代码异味。开发团队根据扫描结果及时修复问题,提升代码质量,为系统稳定运行奠定基础。 四、测试与验收阶段 流程图: 1. 测试用例评审会 测试工程师依据需求 PRD 文档和软件设计文档,编写详细的测试用例,涵盖功能测试、性能测试、兼容性测试等各个方面。组织测试用例评审会,与开发团队、产品经理共同审核测试用例的全面性、有效性和可行性,确保测试用例的覆盖度(覆盖所有需求项和重要场景)、有效性(能准确验证功能)和可执行性(步骤清晰、预期结果明确)。 2. 系统测试 开展全面的系统测试工作。功能测试中,严格按照测试用例对系统的各项功能进行逐一验证,确保功能实现符合需求;性能测试通过模拟高并发、大数据量场景,监测系统的响应时间、吞吐量、资源利用率等指标,评估系统性能表现;兼容性测试在不同操作系统、浏览器以及移动设备上对系统进行测试,确保系统在目标用户群体常用的各种软硬件环境下正常运行且体验一致。 3. UI 走查与用户测试 UI设计师与测试人员(或产品经理)共同进行UI走查,对照最终确认的UI设计稿,逐页面、逐元素检查系统实际界面的视觉还原度、一致性、交互细节(如动效、状态反馈)是否符合设计规范 。 用户测试: 邀请关键业务部门代表或目标用户在接近生产环境的测试环境中进行用户验收测试。用户模拟真实业务场景操作系统,重点验证功能是否满足业务需求、流程是否顺畅、操作是否易学易用。项目团队收集用户反馈,记录问题(Bug或优化建议)。 五、投运与推广阶段 1. 投运评审与准备 制定详细的投运方案,包括系统部署计划(步骤、时间点、责任人) 、数据迁移方案、应急预案等内容。组织投运评审会议,向企业管理层和相关部门汇报投运方案,对项目质量、风险点进行全面评审。评估系统是否满足上线条件,若整体风险可控,评审通过,则进入预发布环节;反之,需进一步完善投运方案。 2. 正式投运 从更新到 “预发布环境” 开始正式投运流程。预发布环境尽量模拟生产环境的真实状态,测试人员在此进行最后的回归测试,确保系统在接近真实使用场景下的稳定性和可靠性。回归测试通过后,按预定的发布时间将系统更新到 “生产环境”,测试人员再次进行简单的回归测试,确认系统运行正常后,完成投运上线。 3. 投运发布与宣传 投运成功后,上线成功后,及时发布”系统上线公告”内容包括项目的目标与价值、主要功能亮点、对项目团队和所有支持者的感谢、获取帮助的渠道(如用户手册、帮助中心、支持联系方式),并附上系统界面截图或宣传海报。组织面向最终用户的培训或提供清晰的使用指南/视频。 六、项目回顾与运维阶段 1. 项目复盘与总结 项目结束后(通常在稳定运行一周后),组织项目团队进行正式的项目复盘会议。使用复盘框架(如:做得好的/待改进的/行动计划),回顾项目全过程,形成项目复盘报告,总结明确后续改进措施负责人和时限。最后,将项目复盘报告归档并分享,为后续项目提供参考。 2. 持续运维与优化迭代 进入系统持续运维阶段。建立用户反馈渠道(如在线表单、专属邮箱、客服系统),监控系统运行指标(性能、错误日志、用户行为),定期分析用户反馈和运行数据,识别系统优化点和潜在问题。 根据分析结果,规划后续迭代版本。修复系统缺陷,优化性能,改进用户体验不佳的功能,并开发经评估和优先级排序后的新需求。新需求进入需求池,开启新一轮的需求-开发-测试-发布迭代周期。 通过持续的迭代优化,不断提升系统的用户体验、业务支撑能力和技术先进性,最终实现智能办公系统价值的最大化。 本文由 @一杯美式 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
从微软、谷歌到腾讯云,各大科技巨头纷纷推出了各自的智能体开发框架和平台,试图在这一领域占据一席之地。本文将深入剖析2025年智能体开发的最新趋势,探讨智能体开发进入生态化阶段的背景、现状以及未来发展方向。 过去的一个月相继进行了微软build、谷歌I/O、腾讯云大会,今天给大家介绍一下,截止2025年6月19日,四大智能体开发框架(Agent Framework Development)和八大智能体开发平台(Agent Development Platform)适合什么用户?哪个最好用? 一、智能体开发方式 智能体开发主要分为两大类:智能体框架开发(Agent Framework Development)和智能体开发平台(Agent Development Platform)。这两种方式代表了不同的开发范式,从源代码级别的高度定制到平台化的便捷开发。 智能体框架开发 (Agent Framework Development) 智能体框架开发的核心特点是源代码式开发,它提供了一个“已经编写完成的智能体架构源码”和“所有的 workflow 节点函数”,但其中的具体内容需要由开发者自行编写,并且工作流需要开发者重新设计编排。这表明框架开发更注重底层控制和高度定制化,开发者需要深入参与智能体内部逻辑和工作流的设计。 特点概述: 源代码级控制:采用源代码式开发,开发者直接操作代码。 架构提供,内容自填:框架提供已经搭建完成的智能体架构,但具体业务内容需要开发者自行实现。 工作流重排:工作流程需要开发者自行设计和编排,充分体现自定义能力。 主流框架开发工具: 1)OpenAI Agents SDK: 功能定位:OpenAI 官方的开源智能体开发框架,提供轻量级代码包,让开发者以最少抽象搭建复杂 AI 智能体。该 SDK 旨在标准化智能体通信和状态管理,使开发过程更高效。 技术特点: Python 优先的框架,支持构建单智能体和多智能体工作流; 内置工具使用能力(如网络搜索、文件检索等)和监控调试功能,方便实现智能体的决策执行和可观察性。 面向用户:希望利用 OpenAI 平台构建自主 AI Agent 的开发者和企业团队(涵盖各技术水平)。 适用场景:客户服务自动化、多步骤研究、内容创作、代码审查、销售线索跟进等典型应用,需要 AI 代理自主调用工具并多轮推理的复杂任务。 开源时间:2025 年 3 月 11 日正式发布开源。 2)Microsoft 365 Agents SDK: 功能定位:微软面向企业的智能体开发 SDK,可用代码构建企业级、可扩展的多通道 AI Agent。它是经典 Bot Framework 在生成式 AI 时代的演进,融合了对话管理、工具编排和现代大模型能力。技术特点: 支持 C#(后续提供 JS、Python)进行开发,构建可部署于 Microsoft Teams、Microsoft 365 Copilot、Web 等多渠道的 Agent; 对接任意 AI 服务(如 Azure AI Foundry/OpenAI)和编排层(Semantic Kernel 等),并可与 Copilot Studio 所创建的低代码 Agent 双向集成。 面向用户:深度使用微软生态的企业开发者,希望以代码方式定制和部署内部 AI 助手的团队。 适用场景:企业内部的智能助手(如办公助理、知识库问答机器人)、面向客户的对话代理,以及结合业务系统的多 Agent 流程自动化等场景。 开源时间:2024 年 11 月 19 日发布预览版并开放代码。 3)Google Agent Development Kit(ADK): 功能定位:Google 推出的开源智能体开发框架,强调灵活和模块化,可用于开发和部署 AI 智能体。ADK 优化适配 Gemini 模型和谷歌云服务,但本身与底层模型、部署环境无关,并兼容其他框架。设计初衷是让智能体开发像常规软件开发一样高效可控。 技术特点: 提供多种内置工作流 Agent 类型(顺序、并行、循环)以及 LLM 驱动的动态路由,实现可预测又具适应性的流程编排; 支持广泛的模型接入(通过 Vertex AI Model Garden 和 LiteLLM,可无缝集成 Anthropic、Meta 等多家模型)和丰富的工具生态(内置函数工具,集成 LangChain、LlamaIndex,甚至将其他 Agent 作为工具); 支持双向音频/视频流式交互,实现更自然的多模态对话; 提供本地命令行与可视化 Web 界面调试,便于查看状态、追踪执行步骤并调试智能体决策,同时内置评估工具用于测试智能体性能与行为。 面向用户:谷歌云生态的专业开发者,以及希望利用开源框架自主掌控复杂多智能体应用的开发团队。 适用场景:需要严格管控智能体推理过程和协作方式的复杂应用,如涉及语音对话等多模态交互的助手、多模型联合的 AI 服务,以及对开发部署全流程有自主可控要求的企业项目。 开源时间:2025 年 4 月,在 Google Cloud Next 2025 大会上宣布开源。 智能体开发平台 (Agent Development Platform) 平台类型: 代码库:提供 Agent 框架或代码片段的平台。 低代码:允许通过可视化界面和少量代码进行开发,内含可视化组件。 无代码:通过与 AI 助手对话进行 Agent 开发(本质上智能体本身是一个程序)。 目前国际主要流行的平台: LangChain/LangGraph(国外用户):在智能体开发领域非常流行,常用于构建复杂的链式工作流。 Dify(国内用户):提供一站式集成开发环境的平台。 n8n(国际用户):通用的自动化和工作流编排工具,也可与智能体能力结合。 Coze(国内用户):新兴的平台,定位为在线低代码问答助手智能体平台。 1)Langchain/LangGraph 功能定位:开源代码库+可视化扩展;高灵活度 技术特点:全生态:LangChain 生态包含 LangStudio(开发平台,具备可视化界面)、LangSmith(云端 Agent 运维平台,类似Docker)、LangGraph(专用 Agent 开发 Python 库)等,社区组件丰富完善。 面向用户:需要任意深度定制 Agent 应用的企业用户,可私有化部署。 优势:功能最完善,生态最繁荣。(LangChain,自 2022 年 10 月开始专注 Agent 搭建,具有强化学习领域的用户基础;高度模块化,社区成熟度高,在 LangChain 社区几乎所有企业场景都能找到解决方案。 劣势:复杂度高,学习成本大。 2)Dify 功能定位:开源低代码平台;一站式开发;融合“后端即服务 (BaaS)”理念和 LLMOps 实践。 技术特点:低门槛功能丰富:Dify 特色在于既支持低代码操作,又满足工程部署需求,在“业务”和“技术”之间找到了平衡点。 面向用户:企业内部 AI 应用快速落地,支持私有化部署。 优势:零基础快速搭建 Agent + RAG + Workflow 并落地,学习成本比 LangChain 更低。 劣势:高级定制受限于官方支持范围。(比如我想定“twitter”但是dify没有,github有,需要自己扩展。) 3)N8n 功能定位:可视化工作流编排引擎 技术特点:AI 工作流自动化:n8n 前身是开源版 Zapier,支持 400+ 种不同服务和应用的集成节点,现在引入LLM 将自动化流程升级为 AI 工作流自动化。 面向用户:用 AI 增强现有业务流程自动化(RPA + AI),支持私有部署,最适合内容创作等场景。 优势:目前具备最广的应用集成(超过 422 个应用插件,几乎可连接一切网站;可视化编排易用)。 劣势:非专用 AI 智能体开发平台(主要是工作流编排),高级 Agent 功能需额外实现,且生态相对未完善。 4)Coze(扣子) 功能定位:在线低代码“问答助手”智能体平台(定位问答助手智能体) 技术特点:开箱即用,极低门槛:Coze 是国内最早的智能体开发平台之一,集成了微信公众号、高德地图、飞书、百度等 60+ 种国内插件。 面向用户:新手/个人用户,学习成本最低;适合对话流等场景,并允许私有化部署(企业用户)。 优势:内置 60+ 种本土插件;学习成本比 Dify 更低。 劣势:模型以自家为主(火山引擎在内容创作优秀,但是其他方面较差,比如code,调研分析),在多 Agent 搭建上缺少组件,灵活度受限(主要做的是Chatflow的智能体并非协同)。 新兴的智能体开发平台: 腾讯云智能体开发平台(及腾讯元器):国内大型云服务商提供的解决方案,帮助企业激活私有知识、快速构建专属智能体,表明企业级智能体开发平台正在崛起。 腾讯元器:https://yuanqi.tencent.com/ 腾讯云智能体开发平台:https://lke.cloud.tencent.com/ Microsoft Copilot Studio:低代码/无代码开发平台,内置 Copilot 问答助手,允许通过自然语言开发智能体;可以将构建的智能体免费部署到微软云,供 Teams 和 Microsoft 365 Copilot 使用。 copilot studio:直接从copilot助手进入 网址:https://copilotstudio.microsoft.com/ Azure AI Foundry:企业级智能体开发平台(亦是通用 AI 应用开发平台)。 优势:Azure和Microsoft Copilot Studio均支持 MCP 协议和 A2A 协议(意味着用 OpenAI Agents SDK 框架开发的智能体,可通过微软智能体平台与 Dify、LangGraph 等平台构建的智能体协作通信)。 网址:https://ai.azure.com/ Google Vertex AI(Generative AI App Builder):Google 云的智能体开发模块,面向企业 AI 项目的一站式构建平台。 网址:https://console.cloud.google.com/ 二、智能体开发平台趋势——更简单、更高效、更集成 开放标准的萌芽(如 MCP、A2A 协议)预示着未来不同框架的智能体间也许能互相通信协作——就像不同厂商的计算机连入同一个互联网。 当这种互联互通实现后,多智能体生态将真正形成网络效应,智能体的能力边界将被大大拓宽。 各类智能体开发平台正努力降低门槛、加速落地。 从企业级的 Azure Foundry、腾讯云平台,到大众化的 Copilot Studio、Coze、元器,它们以不同切入点服务不同用户群,但趋势都是更简单、更高效、更集成。 平台为用户预先考虑了许多事项:常用工具直接提供、行业流程直接内置、部署维护直接托管、安全合规直接护航。 这使得非 AI 专业人士也能参与到 AI 应用创造中来,充分释放想象力。可以预见,未来产品经理、业务专家将和程序员一起共创 AI Agent,正如今天“公民开发者”使用低代码工具一样普遍。 大模型自身的进化同样影响着智能体发展的方向:模型能力越强,Agent 就越“聪明”,能自主完成更多复杂任务。但与此同时也带来可靠性和安全挑战,这也是各框架和平台强调 Guardrail(安全护栏)和内容安全的原因。如何在赋予 Agent 更强自主性的同时,确保其可控、可信,将是一个持续的课题。 三、市场现状与判断 目前智能体开发领域呈现出多元竞争局面:国际上 OpenAI、微软、谷歌等相继开源智能体框架,八大主流平台百花齐放,国内腾讯等厂商也在加快布局。 各类方案各有侧重:框架开发赋予开发者高度灵活和控制,平台开发则大幅降低了使用门槛、加快了应用落地。 整体来看行业标准尚未统一,但 Anthropic 提出的 MCP、微软推动的 A2A 等开放协议正促进行业生态走向互联互通。 智能体开发市场仍处于快速演进阶段,还没有出现绝对的最优解,不同规模和技术实力的用户可根据自身需求选择最适合的路径。 四、潜在机会方向 在百花齐放的格局下,仍有诸多细分机会值得关注。 首先,垂直行业解决方案:针对金融、医疗、客服等特定领域定制智能体,结合行业知识和合规要求,提供通用平台未覆盖的深度功能。 其次,跨平台集成与管理:开发连接不同框架和企业现有系统的中间件或管理工具(利用开放协议),实现异构智能体的统一编排与监控,解决“多个 Agent 各自为战”的痛点。 此外,低门槛创作与生态:构建让业务人员也能参与定制 Agent 的简化工具(如模板库、插件市场),在降低使用门槛的同时形成自身的生态黏性。 五、产品策略建议 面对此局面,产品策略上应扬长避短,巧妙借力。 一方面,明确自身定位,根据目标用户选择生态站位:可深度融入微软或谷歌体系,借助其成熟基础设施和客户基础;或走开源独立路线,在本土市场差异化突破。 另一方面,坚持开放兼容,避免闭门造车:优先支持 MCP、A2A 等通用协议,兼容多模型和多平台,防止过度依赖单一厂商导致受制于人。 最后,聚焦用户价值与体验:提供易用高效的开发界面和预构件模块,让非技术用户也能参与构建智能体;同时内置完善的安全措施和运营工具,提升智能体的可靠性与可控性,赢得企业信任。 在“框架 vs 平台”尚无绝对胜负的背景下,灵活融合两种范式、快速交付实际业务价值,才是智能体产品制胜之道。 本文由 @无痕丶无殇 原创发布于人人都是产品经理,未经作者许可,禁止转载。 题图来自 Unsplash,基于CC0协议。 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
许多产品团队往往忽视了使用手册的重要性,或者在编写时缺乏系统性和针对性。本文将深入探讨使用手册的核心价值、主要内容、编写方法以及管理维度,帮助产品团队打造一份高质量的使用手册,从而更好地满足用户需求,提升产品的市场竞争力。 一、什么是使用手册?目的又是什么? 使用手册,又称用户使用说明书,是产品和用户之间桥梁,核心目的是指导用户使用产品; 优秀的产品是不需要使用手册的,让用户的使用能够沉浸式使用产品,才是最佳状态; 对于B端产品,尤其是交付型产品,为客户提供手册是必备的环节,因为B端产品业务结构复杂,通常附带业务全流程的表达以及内部管理规范体系,针对业务数据的流转和特性业务字段需要有统一的执行标准和操作规范,故而在实际的B端产品落地过程中,需要提供必要的产品培训; 产品培训只能解决一时的问题,对于B端用户日常的使用过程中,难免会有遗忘或者不知如何变动表达,甚至在使用过程中遇到问题时,也不知道如何进行解决,故而使用手册更多执行的作用有两种:操作指引、运维指南; 故而使用手册主要的目的如下: 为用户提供系统操作的全面指南 为用户提供潜在问题的解决方案 为用户提供产品使用的最佳实践 二、使用手册有什么价值? 许多B端产品的使用手册,是功能的集合或者功能模块的描述,也是按照一定的套路和格式模版所写,但是使用手册的制作过程一般是产品做完以后,这就导致使用手册的价值瞬间沦为产品的附属物,也就丧失了其独特的价值; 关于使用手册的价值分析,我们用常用的5why分析法: 为什么要有使用手册? — 用户需要手册,指导他们使用产品 为什么需要指导用户使用产品? — 产品有一定的复杂度 产品为什么会复杂? — 业务复杂 业务虽然复杂,但用户最懂业务,为什么不会使用产品? — 产品功能分散,用户不知道入口,且不知道如何和业务做映射,即便是知道了怎么使用,但是也不知道怎么才算高效 产品是业务的表达,应该最贴近业务,且能够解决用户日常工作的效率问题,为什么对用户会有阻塞?(包括入口、业务映射、最佳实践) — 业务千变万化,不能按照每一个业务需求来进行产品表达,需要进行抽象,依托抽象出来的模块、功能等进行组装,来满足用户的需要;且各家业务不同,业务表达上也不尽相同,需要用户理解产品实现和业务之间的映射; 为什么不能提供统一的业务需求解决方案? — 那就需要制定行业标准且推进用户标准化使用困难比较大 难度主要是什么原因造成的? — 首先行业不同,即便是同一个行业,各个客户执行的业务流程和标准都不一样,所以就要在基础产品版本上,给客户做项目化交付 项目化交付,就是按照客户要求定制的,有什么功能客户最清楚,提供手册做什么用? — 只有提出需求的人了解功能,其他客户员工还不知道怎么操作,且不同权限,可操作的范围也不同,会存在断层,比如A不知道B做了什么,后续环节的C应该怎么做?等等 是不是只有按照角色写清楚功能操作即可? — 不光是功能操作,常见的问题也要写清楚 从以上的问题,我们可以清楚的知道,使用手册本质是用户需求的业务化表达,也就是我们常说的用户故事。 从用户的角度来看,包括业务流程、业务操作等,从生成者的角度来看,包括功能清单、产品规格等; 对产品生产者来讲,可以快速的将产品交付给用户,快速落地;实际操作过程中,如果针对不同的行业和用户,有对应的使用手册,可以通过使用手册来管理项目的功能清单、规格清单,那么在用户的后期需求迭代过程中,能够通过清单快速的完成功能迭代和项目交付,也就可以快速的提高交付效率; 对产品使用者来讲,通过使用手册,可以快速的知道某个业务的流程及操作步骤,指导用户进行功能隔离,规避人员权限失控,且通过流程化执行,让业务参与者清楚的知道上下游的协作,可以有效的提升内部的运营效率; 故而,使用手册的主要价值: 1)对生产者:提高交付效率、降低交付成本、降低内部管理和维护成本 2)对使用者:降低培训成本、减少运营事故、提高运营效率 三、使用手册有哪些形式? 早期互联网不是很发达的时候,使用手册更多的是以图文/书籍方式,同产品一起交付的,可阅读性比较差,这种形式的使用手册核心的表达在于索引目录的编写和关键功能的提取,期望用户能够依据自身的问题,快速通过目录查找 / 检索关键功能,快速定位; 随着4G的普及,数据传播效率的极大提升,视频方式逐渐普及,用户不必再去阅读图文,可以极其快速学习;但视频表达也有局限性,视频本质是一段有逻辑的脚本的可视化表达,所以视频通常是一整段的功能/操作的使用,所以特别冗长,对于特定问题的解决就显的乏力;这种情况下,一般B端产品会同时提供文本型手册,方便用户进行查阅; 在短视频逐渐流行起来后,使用手册又可以增加一种表现形式,短视频的特点就是“短”,所以特别适合碎片化的功能使用介绍和特定场景的用户操作指导; 2024年我们有幸进入了AI时代,AI使用时可以不必在固定的框架内,让用户去寻找答案,而是根据用户的描述,由算力综合计算,给予用户最终的分析结果,对用户更加友好,但目前还没有见过一家B端产品,给客户提供AI解决方案,主要原因还是目前AI成本太高; 不论采用什么形式,其实底层的内容仍是早期的图文,只是现在有了更高效的表达方式而已,所以对于B端产品仍然还是要有砌砖的心态; 四、使用手册的主要内容? 1、业务能力领域 一个完整的B端产品,必然会涉及较多的内外部系统的连接,以便完成业务的串通,而针对用户来说,各个系统之间是由什么部门执行?具体执行哪些内容?核心数据之间是如何流转的?等等,类似这样的问题,对每一个用户来讲,都是需要清楚知道的;这样,每个用户就能够自行带入角色进入产品的世界中,知道了自己所处的板块和位置,以及上下游之间的联系; 业务能力领域应该包括主要内容以及目的: 2、功能清单 功能清单是指产品领域下,产品功能的集合,包括功能描述、使用场景等,便于产品生产者对产品功能维护和使用者对产品功能的查阅;功能清单应该根据产品完整的结构,梳理出树形结构功能列表,详细介绍用户所能见到的所有功能及功能描述; 功能清单的基础结构如下: 对功能操作和交互来讲,B端产品在不同的子系统/模块中,存在大量相同含义的操作和独属于某个对象/业务的操作;产品的一致性就显的非常重要,让用户能够对相同含义的操作不至于迷路,也能够对个性功能有清晰的认知,在使用的时候,能够快速找到功能入口和保证使用的一致; 对于功能来讲:一致性包括功能的一致性、交互的一致性(也就是说,整个产品前端要保证一致的描述),举几个常见的例子: 如新建,有些页面是新建XX、有些就是新建/新增;这就是缺乏一致性,要不都叫新增,要不都叫新建,格式要不都是新增,要不都是新增XX; 如二次确认,有些是toast提示+操作,有些是hover提示+操作,有些是提示框+操作,有些同学可能会说提示的强度不一样,这种想法是不对的,针对同一类功能操作来讲,应该要保持一致的交互,一致的提示,一致的格式,这样对于使用者来讲,才是最友好的,交互本身也是一种认知理解,强度是无法明确告诉用户的,对于用户来讲都是二次确认; 如表单,有些是抽屉,有些是表单,这也属于不一致的体现; 题外话:针对交互来讲,功能是源头,交互是表象;同一类的功能应保持一致的交互;比如新建/修改都使用抽屉,修改用户等级、添加标签等都使用弹窗;(可以思考一下:修改、修改用户等级都是修改,他们功能的区别是什么?) 3、规格清单 做产品的应该都知道,软件产品本就是对现实世界的业务体现,而软件产品在表达现实世界中的内容时,主要通过属性进行表述和数据库中表字段进行存储;其中,属性和字段都是有唯一来源的,所代表的含义也应该是唯一的,这样基于资源规格管理的方式,无论是维护管理还是实际使用时都会有清晰且一致的认知; 很多产品的使用手册中,都是将操作和属性杂糅在一起;这样的方式虽然是方便用户操作时能够快速知道每一个属性/字段如何填写,实际上是没有区分出功能和规格的差异; 比如用户名(user_name),是用户这个对象的一个关键属性,无论是用在表单上还是列表上,还是用在任何一个地方,他都代表用户名,表述的都是用户的姓名;用户名唯一的来源就是用户,代表的唯一含义就是用户名称,至于其他的如:长度、首个字符不能输入特殊符合等,都是用户名的校验规则; 也就是说,对于任何对象/资源都有自身的属性,而属性又有自身的约束,这些属性和约束称之为规格;规格清单,就是整个产品中的对象/资源属性描述清单; 规格清单的目的是方便用户在对应功能使用的时候,能够清楚的知道,每个属性的含义及其使用约束,让用户在使用功能的时候,能够通过查阅规格清单,了解每个属性的业务含义,并在使用过程中,清楚的知道限制范围和使用规范; 4、用户故事 对于使用手册来讲,用户更加关注:我[用户角色]如何才能实现什么功能或者解决什么问题? 想象一下,当我们使用一个B端产品的时候,我们会关注左侧的菜单都有什么吗?至少我本人是不怎么关心的,在系统使用的过程中,我其实更关心遇到问题如何解决? 如电脑坏了,怎么样才能申领一台电脑? 老板让我做一个发布一个营销活动,我该怎么样发布一个活动? 我没有XX功能的权限,该如何申请权限?… 如果你按照功能清单的顺序,写了一大堆的使用手册,那用户是会崩溃的。因为想要发布一个活动,起码要涉及到产品管理、活动管理、用户管理、内部组织管理、消息通知管理等等,是一个完整链路和体系的工作,还会因为角色的不同,所承担的工作和职责是不同的,所以教用户使用产品的手册,绝对不能按照功能清单结构搭建; 笔者认为,真正的产品使用手册,应该主要从以下维度展开:业务域、用户故事、角色(职位),如活动管理 在使用手册实际执行的过程中,应该按照业务域&用户故事,分角色(岗位)提供使用手册; 用户故事也可以按照父级故事、子级故事的方式进行管理;这样用户可以快速的根据需要进行查询和搜索; 5、常见问题解决方案 常见问题的解决方案是用户使用产品的过程中,因外部因素或者用户自身问题导致的使用问题,能够让用户在不依赖工程师/客服的情况下进行问题处理; 比如因为硬件损坏而造成的系统不可用、浏览器缓存过大导致系统延迟卡顿等等 当然状态最佳的产品是应该没有常见问题的,但是一般是做不到的,尤其是配置性的产品功能,即容易因为用户在使用过程中,造成系统错误,一般情况下我们可以将此类问题归集到运维手册中,给予系统管理员或者交付工程师进行查阅; 也有一些需要给予用户常见问题的处理措施,如账号token过期、网络中断如何恢复文件等; 所以常见问题解决方案,主要面对两大类角色:运维人员–提供运维手册、产品使用人员–常见问题QA; 6、最佳实践范例 一个B端产品,如果只是售卖软件产品,将是毫无长远价值的;回归到B端产品的用户本质需求来看,客户之所以花大价钱购买软件产品,大多是离不开合规、标准、数字化这3个因素; 回到原点来思考,不使用该产品就不能做生意了吗?肯定是可以继续做生意的,只不过不同行业依赖度不同而已; 比如做煤炭销售的,不用软件产品还是可以继续卖煤炭的,可以脱离软件产品,继续做生意的;如果是做股票的,90年代没有软件的时候,通过账本记账仍然是可以交易的,就是效率比较低,但是现在就不行了,合规性就过不了,就无法将生意继续下去; 所以,B端产品需求是随依赖度提高而提高的;天下攘攘皆为利往,需求强竞争也就激烈,早年可以享受时代的红利,越往后发展将逐渐陷入白热化的拼刺刀状态;现如今,多数软件开发公司的财报都是亏损的,根因就在于竞争过于激烈,鄙人曾亲眼看过,普遍报价在600W左右的项目,被一家报价300W的拿下;不要责怪市场,尤其是做B端软件产品的,因为代码的边际成本是逐渐降低的,所以软件市场会有先行者优势。 从我们天天用的手机谈起,一个手机是没有价值的,只有搭配上相机、音乐、游戏等软件,这个手机才是有价值的,鄙人是很讨厌某些品牌天天堆硬件参数,丧失了真正应该挖掘的价值,即人机交互的创新,比如如何通过手机实现更真实的通信?假如把我们的手电筒多装几个,可以形成三维投影,是否不就可以实现虚拟的立体人物,直接对话呢?(这是想象,因为不懂这些技术,但不代表技术上做不到),假如这个功能实现,不比测评跑5万分更有产品力吗!,而且必须要通过相机的功能,间接就不需要什么微信了!干掉微信不是梦! 同比到B端软件产品上,卖一次产品就等于卖一个手机,只讲产品有什么模块、有什么功能点,是没有营养的!要讲怎么才能用我的产品玩的花!这就是最佳实践,这么用就是好用,就是有效!同时,这些最佳实践就是长在自身产品的基础上的,别人想模仿都不一定能模仿,因为缺少软资产,这一块各家有各家的优势,这里只讲一下最佳实践范例的作用,至于用什么方式呈现,看客户的需要了; 五、使用手册的管理维度? B端产品和客户天然就是1对N的关系,且随着产品的不断迭代,产品也会衍生出很多版本,逐渐就会形成产品与客户N对N的关系,如何管理这些手册,也就成为了一个问题; 不过同类问题,在代码管理上,已经有了成熟的解决方案,即方法引用和git仓库的管理体系,手册也可以进行借鉴;所以手册可以从两个维度上进行管理 产品级和工程级:产品级实现基础能力,工程级采用引用产品级+工程定制点进行管理; 版本管理:同一个产品会不断迭代版本,那么对应的手册也可以按照版本分支进行管理; 六、综上,总结一下要点 手册生产阶段应该贯穿整个产品生命周期,不应该放在产品交付前; 手册应该包括:业务能力领域、功能清单、规格清单、用户故事、最佳实践; 手册管理维度:产品级和工程级、版本管理; 本文由@七月泮 原创发布于人人都是产品经理,未经许可,禁止转载。 题图来自 Unsplash,基于 CC0 协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
随着信息技术的飞速发展,信创产业(信息技术应用创新产业)已经成为国家信息化建设的重要组成部分。从党政机关的电子政务系统到关键行业的数字化转型,信创产业的国产化替代正在加速推进。本文将深入剖析信创产业的现状与发展趋势,探讨其在基础硬件、基础软件、应用软件和信息安全等领域的核心技术和应用场景,供大家参考。 好久没更新了,笔者近期在忙碌系统的国产化改造工作,刚好也想借此契机,详细地解读下党政系统国产化改造的具体内容。 本文为指南系列中经验篇的一个章节,错误或不完善的地方,还请指正。 一、关于党政信创 对于准备新建或者的已运行多年党政系统来说,国产化是一个不得不考虑的事项。 关于国产化,与之密切相关的就是信创产业,即信息技术应用创新产业。 自主可控、安全可靠是信创产业的核心,它不仅需要为我国提高信息化技术水平,同时还需要为社会和经济带来实际效益(即数字经济效益)。 近年来,随着国家政策的支持以及信息技术的发展,信创产业已经从推广试点到规模落地阶段。《2022年中国信创生态市场研究和选型评估报告》预计,2025年我国信创产业规模将突破2万亿元。 除了国家级的政策支持之外,地方性的扶持政策也层出不穷。 2024年11月12日,福建省发布了《福建省支持信息技术应用创新产业高质量发展若干措施》。 政策指出,把信创产业纳入数字经济领域重要组成部分,统筹全省资源,优化产业布局,在加强产业统筹规划、夯实产业发展基础、培育壮大企业主体、深化行业应用推广、加快关键技术创新、支持行业标准创制、强化产业生态服务、拓展资金支持渠道、建强信创人才梯队、构建产业发展专家体系等10个方面提出16条措施。 例如,在培育壮大企业主体方面,福建省提出“试点信创产业链’链主’机制,推动开展产业链供应链质量赋能,推进全省信创产业强链、延链、补链。”同时,在支持行业标准创制方面,提出在金融、教育、医疗、能源、交通、安防等重点行业研制发布一批信创领域团体标准和企业标准,这不仅体现了福建省在信创产业中对于行业的发力点,也显示出从党政领域逐步向更广泛行业推广建设的趋势。 关于国产化和信创市场,引用永中软件副总裁贾崧的话来说就是:当前党政信创从电子公文交换系统到电子政务系统的替换改造,从增量到存量的全替换,市场空间巨大;而行业信创以央企和事业单位为先导正在逐步推进,随着党政、行业、企业形成放量共振,预计替换规模将达到年千万台套。 我国的信创产业发展主要由政策主导,并在国家和地方政策的强力支持下取得了显著进展,但同时也面临不少挑战。 例如,在产业生态方面,赛迪发布的《2024-2026年中国信创硬件产业发展建议报告》指出,信创生态建设滞后的现状是影响企业竞争力的重要原因。 生态建设的弱点主要体现在软硬件的兼容性问题,包含硬件与软件之间以及软件与软件之间的不兼容。要解决这些问题,需要构建一个完善的生态系统,并制定统一的行业标准及流程。 因此,福建省发布的《若干措施》正是破解信创生态难题的关键。 通过强化产业生态服务、联合信创企业发展,政府作为主导者和协调者,引导信创企业聚焦关键核心技术开展联合攻关,打造信创产业综合服务平台,为全省信创产业发展提供一站式服务,从而有效提升整体竞争力。 二、信创产业体系 1. 基础硬件 基础硬件(基础设施),包括芯片、服务器、存储器、网络设备等。 1)芯片 CPU芯片,是集成电路的典型应用之一。2020年7月27日,国务院发布《国务院关于印发新时期促进集成电路产业和软件产业高质量发展若干政策的通知》,该通知在财税、投融资、研究开发、进出口政策、人才、知识产权、市场应用、国际合作等八个方面提供政策支持,支撑国家的信息化建设。 CPU的功能主要是解释计算机指令以及处理计算机软件中的数据。CPU的重要内核是指令集,根据复杂程度及设计思路的不同,指令集可分为复杂指令集(CISC)架构和精简指令集(RISC)架构。 CISC,单条指令功能丰富,可以处理复杂任务,代表的架构是x86。 RISC,单条指令功能精简,主要处理基本动作,代表的架构是ARM、RISC-V、MIPS、POWER等。 在国产芯片的技术路线选择上,有采用技术授权的x86和ARM路线,也有采用自研指令集架构的路线。 我国已形成了六大国产CPU,即海光、兆芯、飞腾、鲲鹏、龙芯以及申威。 海光处理器,拥有AMD的x86指令集永久授权和Zen架构的完全授权。海光在授权的基础上进行自主研发和迭代,能够独立完成产品的设计和优化,已基本形成“量产一代、研发一代、规划一代”的产品持续演进节奏。 兆芯处理器,拥有Intel的x86指令集交叉授权。兆芯自主创新研发的通用处理器产品涵盖“开先”、“开胜”两大系列,致力于为用户提供高效、兼容、安全的自主通用处理器芯片解决方案。 海光和兆芯的授权方式属于IP内核授权,是在现有内核的基础上进行一些定制化的外设改进,自主可控程度和演进能力一般。 飞腾处理器,拥有ARM v8架构的永久授权。飞腾背靠国企,在处理器内核设计上已经实现完全自主研发,首次发布CPU安全架构规范,能够满足不同应用场景下的安全需求。 鲲鹏处理器,同样拥有ARM v8架构的永久授权。鲲鹏是华为芯片中专注于服务器方向的芯片,自主研发设计处理器内核,凭借出色的研发实力,于2019年推出鲲鹏920处理器,该处理器是业界第一颗采用7nm工艺的数据中心级的ARM架构处理器。 虽然飞腾和鲲鹏都获得了永久的授权,但是仅限于v8指令集的授权,只能基于已购买的版本进行架构研发,这也意味着如果授权断供的情况下,后续的迭代和技术会存在一些瓶颈。 龙芯处理器,最早基于MIPS架构的永久授权设计CPU,后来以MIPS为基础拓展出了LoogISA架构,再后来直接抛弃MIPS架构,完全自己设计指令集并于2021年4月正式发布自主指令系统架构LoogArch(龙架构)。因为是完全自主设计的指令集架构,在生态建设方面存在一定的劣势,后续将在开放市场上与ARM、X86芯片展开性价比竞争,目标是在2025年基本建成龙架构软件生态体系。 申威处理器,在Alpha指令集的基础上进行拓展,研发出指令集SW64,该指令集架构拥有完全自主的知识产权,主要专注于高性能计算。同样因为是完全自主设计的指令架构,在生态建设上会有一定的难度,后续应该会持续专注在特定领域(如超算、军队等)。 2025年1月9日,赛迪正式发布《2024 – 2026 年中国信创硬件产业发展建议报告》。 报告提到,海光、鲲鹏在信创PC市场订单充裕,市场占有率相对较高,位于第一梯队;龙芯凭借自主可控优势以及持续提升的生态能力在党政领域形成较强的竞争力;飞腾在商用市场也逐渐发力,但可持续发展能力较弱,位于第二竞争梯队;兆芯、申威各自有竞争优势,但也存在发展短板,在信创硬件市场份额相对较小,位于第三竞争梯队。 2)服务器 根据芯片的技术路线不同,服务器的研发设计方向也有所不同。从服务器架构上可以分为两大类:一类是基于x86芯片架构的服务器,这类服务器能够运行Windows操作系统,具备很好的性价比和兼容性;另一类则是基于非x86芯片架构的服务器,这类服务器安全性和稳定性表现都很不错。 国内信创服务器的代表厂商有浪潮、中国长城、华为、联想和新华三等。 浪潮集团,旗下拥有浪潮信息、浪潮软件、浪潮数字企业三家上市公司。2018年,浪潮整合IBM中国Power小机业务,采用POWER处理器研制成功新一代国产K1关键应用主机,实现了本地研发、生产和售后服务。在信创方面,浪潮还推出了基于海光(x86)、飞腾(ARM)等国产处理器的英政系列服务器,以及为党政、金融、能源等行业研发的基于飞腾处理器(ARM)英政系列便携式计算机。 中国长城,是中国电子旗下的计算产业子集团,是中国“PKS”自主计算体系建设主力军和网信科技自主创新生力军。依托“PKS”自主计算体系,中国长城构建了从芯片、台式机、笔记本、服务器、网络交换设备到应用系统等具有完整自主知识产权的产品谱系。中国长城基于飞腾处理器(ARM)研发多款安全服务器产品线和商用终端,比如基于高性能服务器腾云S2500研发的擎天EF862通用型服务器以及基于高效能桌面服务器腾锐D2000的长城TN140A2便携式计算机。除此之外,中国长城还基于兆芯处理器(x86)为运营商、教育等行业研发的长城TN140C2便携式计算机。 华为,在计算领域研发有基于鲲鹏处理器(ARM)并适用于通用计算的TaiShan服务器和基于昇腾系列处理器(DaVinci)并适用于AI计算的Atlas服务器。其中,TaiShan服务器适用为大数据、分布式存储、原生应用、高性能计算和数据库等应用高效加速,主要是满足数据中心多样性计算、绿色计算的需求,包含有高性能性、高端型和均衡型多种类型。 联想,作为一家业务遍及180个市场的全球化科技公司,核心业务由智能设备、智能基础设施及行业方案服务三大业务集团组成。其中,智能基础设施方面,联想开天科技自2014年开发国产化服务器,已经打造了从全栈设计到全栈体验的完整业务体系。比如联想开天KR722系列机架式服务器支持搭载飞腾处理器(ARM)和兆芯处理器(LoogArch),支持各类操作系统。此外,联想还和兆芯联手推出了基于KX–7000系列的开天N8 Pro信创高性能便携式计算机。 新华三,作为新紫光集团旗下核心企业,拥有计算、存储、网络、5G、安全、终端等全方位的数字化基础设施整体能力。在其UniServer系列产品中,H3C R4930和R4950是基于海光处理器(x86)打造的服务器产品。此外,新华三旗下的Desk系列中,H3C X500Z G2是基于兆芯处理器(LoogArch)打造的商用台式机。 2. 基础软件 基础软件,包括操作系统、数据库、云服务、中间件等。 1)操作系统 操作系统作为硬件和其他基础软件的连接,是各类信息设备和软件应用运行的基础。 国内主要信创操作系统有银河麒麟、中标麒麟、普华、统信、中科方德、中兴新支点。 当前国产操作系统主要是基于Linux内核进行二次开发。 Linux主要有两类发行版本,一类是RPM系列(Red Hat Package Manager),包含RHEL(Red Hat Enterprise Linux,企业商业版本,适用于服务器)、CentOS(免费社区版本,适用于服务器,兼容RHEL)、Fedora Linux(上游社区版本,适用于桌面/服务器/物联网)等。 另一类是DEB系列(Debian),包含Debian(社区版本,适用于服务器)、Ubuntu(基于Debian,适用于桌面/服务器/物联网)、Deepin(基于Debian,适用于桌面和服务器)。 其中,国产操作系统银河麒麟基于Ubuntu、中标麒麟基于RHEL和Fedora Linux、普华基于Debian、统信基于Debian、中科方德基于CentOS、中兴新支点基于CentOS。 银河麒麟和中标麒麟操作系统,都隶属于麒麟软件。麒麟软件是中国电子(CEC)旗下的科技企业,2019年12月由天津麒麟和中标软件整合而成。麒麟软件以安全可信操作系统技术为核心,面向通用和专用领域打造安全创新操作系统产品,现已形成桌面操作系统、服务器操作系统、万物智联操作系统、工业操作系统、智算操作系统产品等为代表的产品线,达到国内最高的安全等级,全面支持飞腾、鲲鹏、龙芯等国产主流CPU,在系统安全、稳定可靠、好用易用和整体性能等方面具有领先优势,并为党政、行业信息化及国家重大工程建设提供安全可信的操作系统支撑。根据赛迪顾问统计,麒麟软件旗下操作系统产品连续13年位列中国Linux市场占有率第一名。 普华操作系统隶属于普华基础软件。普华是中国电科(CETC)旗下的科技企业,提供以操作系统为核心的基础软件平台化解决方案,包括嵌入式操作系统、通用操作系统及云操作系统全线产品与服务。除此之外,普华还在车用基础软件领域自主研发普华灵智车控操作系统、普华灵思智能驾驶操作系统等产品,面向中国整车企业和一级供应商提供车用软件的设计、开发、配置、集成、测试全生命周期工具链、本地化一站式服务及车用芯片的生态支持。 统信操作系统隶属于统信软件。统信软件前身为自2004年组建的深度操作系统(Deepin)团队,在操作系统产品层面推出有桌面操作系统、服务器操作系统、智能终端操作系统以及云原生操作系统。其中桌面操作系统分为三个版本,即面向政企用户的专业版(支持海光、兆芯、飞腾、鲲鹏、龙芯以及申威等国产芯片)、面向校园用户的教育版以及面向全球用户的社区版(也就是Deepin)。 中科方德操作系统隶属于中科方德软件。中科方德软件于2006年作为国家发改委批准设立的“基础软件国家工程研究中心”项目法人单位投资组建,是国家重点软件企业。中科方德旗下产品有服务器操作系统和桌面操作系统两大产品线,其中方德桌面操作系统适配海光、兆芯、飞腾、龙芯、申威、鲲鹏等国产CPU。 中兴新支点操作系统隶属于中兴新支点技术。中兴新支点技术于2004年在广州成立,是中兴通讯全资子公司,是广东省政府成立“广东省Linux公共服务技术支持中心”的运营实体。中兴新支点旗下产品有服务器操作系统和桌面操作系统两大产品线,在国内外各大电信运营商、国有大中型企业及电子政务解决方案中广泛投入使用,服务于交换网络、核心网络、骨干网络、智慧城市、视频监控等系统底层。 为了进一步减少对国外开源技术的依赖,掌握操作系统核心技术和发展方向,提高安全性以及完善生态建设,必须建设属于国内自己的开源社区。 国内当前有深度(deepin)、开源欧拉(openEuler)、龙蜥(OpenAnolis)、鸥栖(OpenCloudOS)以及开放麒麟(openKylin)五大操作系统开源社区。 以“深度”为例,根据深度社区负责人王耀华的介绍,深度在2009年之前更多偏向社区化运营,基于Ubuntu做美化、字体配置,后来又开始布局一些本地化的应用,比如音乐播放器、视频播放器、应用商店等,这给深度早期发展带来了许多用户。 在2011年前后,深度开始布局桌面环境DDE及其底层开发框架。2015年之后,深度放弃Ubuntu,转向基于Debian作为研发的上游社区(Debian的仓库永远不会被删除)。 随后,随着社区经验和开发能力的积累,深度基于Linux、Kernel、其他开源项目和自研项目组件,建立首个中国桌面操作系统根社区。 对于根社区,王耀华表示不仅能够助力操作系统厂商解决卡脖子的问题,还能够在信息安全层面有更好的保障。在安全层面,深度是基于链条上供方的源代码做标签,进行分门别类的管理。在源代码的基础上,形成依赖树的识别机制,谁依赖了这个组件,这个组件有没有安全漏洞,通过针对不同软件的依赖树关系去识别安全漏洞,实现体系化的管理。 对于软硬件的适配,王耀华表示深度社区已在固件、驱动等方面,做一系列合作机制与标准规范,让后适配的工作迁移到社区里面完成,带动上下游厂商参与进来,按照统一标准来做开发与创新。深度的方向是研发自己的开发套件给到生态厂商去使用,推动更多的开发者共同参与国产开源操作系统的开发。 深度例子引用来源: 《统信软件王耀华:根社区为国产操作系统的破局带来了什么?》 2)数据库 数据库(DB)是存储和管理数据的仓库,它按照一定的数据模型组织、存储和管理数据。数据库管理系统(DBMS)是为管理数据库而设计的软件系统,用于管数据库的创建、访问、操作和维护。按照数据存储方式,数据库可以分为关系型数据库(表格式存储,行列)和非关系型数据库(数据集存储,键值对、文件等)。 国内主要的国产数据库有武汉达梦、南大通用、电科金仓(原人大金仓)、神州通用、华为云GaussDB、阿里云OceanBase、腾讯云TDSQL等。 武汉达梦,成立于2000年,是中国电子(CEC)旗下的基础软件企业,主要应用于党政、金融、能源、航空、通信等数十个领域。根据赛迪顾问及IDC发布的报告显示,2019年至2023年公司产品市占率位居中国数据库管理系统市场国内数据库厂商前列。达梦旗下数据库产品包含关系型数据库(达梦数据库管理系统 DM8等)和非关系型数据库(蜀天梦图数据库 GDMBASE、达梦新云文档数据库 DMDDM等)。 南大通用,成立于2004年,作为国内少有的专注于国产数据库产品研发的企业,构建了覆盖数据管理全生命周期,包括分析型、事务型、分布式事务型、云原生数据仓库等全技术栈的数据产品体系及服务解决方案。南大通用旗下数据库产品包含分布式逻辑数据仓库GBase 8a、基于共享存储的数据库集群GBase 8s、多模多态分布式数据库GBase 8c等。 电科金仓,成立于1999年,是中国电科(CETC)旗下的成员企业,也是成立最早的拥有自主知识产权的国产数据库企业,核心产品金仓数据库管理系统KingbaseES(简称“KES”)是面向全行业、全客户关键应用的企业级大型通用数据库。KES产品V9版本已通过国家权威机构认证,产品核心源代码自主率达到100%。 神州通用,成立于2008年,是中国航天(CASC)旗下的成员企业,核心产品主要包括神通关系型数据库、神通KStore海量数据管理系统、神通商业智能套件等,客户主要覆盖政府、电信、能源、国防和军工等领域。 以上四大国产数据库,均已成立有十余、二十余载,在国内属于第一代国产数据库先行和探索企业,有着深厚的开发背景和产品应用。当然,竞争是变化的,除了四大国产数据库之外,还有新兴的国产数据库企业及其产品。 华为云GaussDB,是华为自主创新研发的分布式关系型数据库,最早GaussDB内核引擎基于PostgreSQL9.2开源版本不断演进,目前GaussDB除了保留PostgreSQL的标准接口和公共函数外,在自研生态、架构和关键技术上开源了集中式部署的能力,重构了存储引擎和优化器。在政企领域,GaussDB支持数据集中化管理、业务无感知扩容以及实时查询等多项方案。以陕西省财政厅为例,GaussDB助力陕西财政支付业务运转效率提升60%。全省统一数据中心,支撑140+财政区划、3万多家预算单位使用,保障高峰期2万用户在线并发操作,安全支付超千亿。 阿里云OceanBase,是由蚂蚁集团、阿里巴巴完全自主研发的分布式关系型数据库,产品具有云原生、强一致性、高度兼容Oracle/MySQL等特性。以深圳公积金为例,OceanBase助力深圳公积金完成全国首个公积金系统智能化分布式架构转型,带来了存储资源维护成本降幅20%、部分柜面业务量降低20%和平均TPS处理能力500+的收益。 腾讯云TDSQL,是腾讯打造的一款高性能企业级数据库产品,具备强一致高可用、高 SQL 兼容度、分布式水平扩展、完整事务支持、企业级安全等特性。腾讯云的双规运行方案支持一云多芯,支持通用X86与国产化资源混部,业务可以双轨运行并按需切换。 3)中间件 中间件作为应用程序、数据库和操作系统之间的基础软件,为各种业务应用提供基础支撑服务和功能,以便解决分布式环境下的数据流通、应用调度和应用集成等中大型平台建设和使用时面临的共性问题,也可以简化业务应用的开发和部署,增强业务应用的可靠性和安全性。 国内主要的国产中间件厂商有东方通、宝兰德、中创中间件、金蝶天燕、普元信息等。 东方通,成立于1992年,是中国中间件的开拓者和领导者,主要服务于电信、政府、金融、能源、交通等行业领域10000多家企业级用户,旗下包括基础类中间件(服务器,消息,分布式数据缓存,负载均衡)、数据类中间件(数据集成,文件传输,API网关等)、云计算类中间件(分布式消息、交易、高速传输等)三大产品线。 宝兰德,成立于2008年,自主中间件产品除了广泛应用于三大电信运营商之外,还在金融、政府、能源等其他行业应用,旗下产品包括应用服务器软件、交易中间件、消息中间件、应用性能管理平台、智能运维管理平台、容器云PaaS平台、数据交换、数据集成和数据可视化等。 中创中间件,成立于2002年,深耕中间件行业二十年,核心产品具备规模化替代国外主流中间件厂商产品的能力,主要应用于政府、军工、国企等重点行业,旗下产品包括应用服务器、工作流、企业服务总线、消息、负载均衡、分布式数据缓存和融合云计算的Paas平台等。 金蝶天燕,成立于2000年,前身为“金蝶中间件公司”,中间件产品广泛应用于国家重点过程 “两网一站四库十二金”以及信创一期、二期、三期、四期,累计服务党政企客户总数超过10万家,旗下产品包括应用服务器、分布式消息队列、分布式缓存、负载均衡、全文搜索、分布式配置中心和中间件云平台等。 普元信息,成立于2003年,全栈式中间件领导者,是国内唯一可以全面对标国际厂商中间件产品线的专业厂商,产品线完整度国内第一,主要应用于金融、政府、军工、能源、运营商、制造业等关键行业,旗下产品包括应用服务器、企业服务总线、文件传输、消息和数据交换平台等。 随着云计算和分布式技术的普及,中间件逐渐从基础能力向中台能力延伸,中间件能力通过模块化的适配和组合,转变为标准且可复用的中台服务,若再结合行业的特点,融合行业业务逻辑,也可形成行业级的中台方案。 以永中软件推出的金融行业文档中台为例,该中台通过与金融机构内部OA、邮件系统、印控系统、科技综合管理平台和信贷系统等系统进行对接,为金融机构提供文档的“产、存、管、用”全生命周期管理的文档中台,满足金融机构信息化系统对于文件在线预览、文件格式转换、文档能力处理、文档在线编辑、文件统一管理的功能要求。 永中文档中台采用微服务架构,将文档预览、编辑、转换等功能模块化(依赖文档处理中间件),同时支持云服务的部署模式,提供完善的二次开发接口,是属于行业级的中台产品方案。 3. 应用软件 应用软件,包括办公软件、财务软件、管理软件等。 办公软件,代表厂商包含但不限于泛微、蓝凌、金山办公、永中软件等。以蓝凌的信创OA产品为例,蓝凌信创OA作为信创应用软件,适配国产主流的基础软硬件,覆盖芯片、整机、操作系统、数据库、中间件、浏览器、流版软件、身份认证、电子签章、安全网关,VPN设备等,具备各种组合国产环境调优能力。 管理软件,代表厂商包含但不限于用友、金蝶、帆软等。以用友的信创云ERP产品为例,用友U8 cloud产品作为全栈信创云ERP,基于全新的企业互联网理念设计,为政企提供集人财物客产供销于一体的云ERP整体解决方案。 4. 信息安全 信息安全,包括终端安全、网络安全、数据安全和安全服务等。 终端安全,主要聚焦于国产化终端设备(PC、服务器等)及操作系统(麒麟、统信UOS等)的安全防护,通常会在终端上搭载终端安全管理(防护)系统,该防护产品通过为终端提供病毒/木马防护、安全审计、合规准入、安全登录、桌面安全、外设管控等功能,全方位确保终端安全。国内代表厂商包含但不限于奇安信、深信服科技和360数字安全等。 网络安全,主要聚焦于网络层面的安全防护,通常会在终端上部署防火墙、网络入侵检测系统、网络入侵防护系统、安全审计系统、流量分析系统、漏洞扫描等系统,通过构建多层防御体系应对复杂的网络威胁。以奇安信的零信任网络访问(ZTNA)解决方案为例,该方案覆盖身份、设备、网络、应用、数据等维度,以用户身份作为安全基石,通过动态访问控制机制,持续优化访问策略,有效缓解各类访问风险。 三、政务云 政务云,用于承载各级政务部门开展公共服务、社会管理的业务信息系统和数据,并满足跨部门业务协同、数据共享与交换等的需求,提供IaaS、PaaS和SaaS服务的云计算服务。 2021年,国家“十四五”规划指出,完善国家电子政务网络,集约建设政务云平台和数据中心体系,推进政务信息系统云迁移。随着政务云的建设和发展,政务云已经成为各省市发展数字政府的基础。 以《广东省“数字政府”政务云平台建设规范(征求意见稿)》为例,详细剖析政务云平台的建设和服务。 1. 服务框架 广东省政务云平台的服务框架包含基础设施即服务(IaaS)、平台即服务(PaaS)、软件即服务(SaaS)和云管理平台。 1)IaaS层 基础设施即服务层,向政府用户提供计算、存储、网络等资源服务,提供访问云基础设施的服务接口等,以及IaaS层的安全服务。 计算资源服务包含但不限于虚拟服务器(ECS,弹性可伸缩的计算服务)、物理服务器(BMS,裸金属服务器,承载一些重载类业务)和镜像服务(IMS,弹性云主机实例可选择的运行环境模板)。 存储资源服务包含但不限于云硬盘(EVS,块存储服务,独立于云主机的生命周期)、对象存储(OBS,基于对象的海量存储服务)和文件存储(FSS,可用于不同类型计算机/操作系统/网络架构和传输协议运行环境中的网络文件远程访问和共享)。 网络资源服务包含但不限于虚拟专网(VPC,虚拟私有云帮助用户在云中虚拟出一个私有的应用运行环境和安全域)、安全组服务(SGS,用来实现组内和组间的虚拟机访问控制)、虚拟防火墙(VFW,将物理防火墙虚拟成逻辑上相互独立的多台防火墙)、弹性负载均衡(ELB,将硬件负载均衡器虚拟出多个虚拟负载均衡器)和弹性IP(EIP,静态外部IP地址,可以从Intenet访问虚拟机)。 除以上三个资源服务外,还提供有虚拟数据中心(VDC,虚拟的所见即所得的数据中心,可以设置每个VDC的资源使用)和硬件托管服务(IDC,用户拥有自己做的服务器并放置在Internet数据中心的高标准机房环境中,通过高速数据端口接入互联网)。 其中,VDC可以通过委办局(条)或者地区(线)的方式体现,比如每个委办局对应一个资源组织,内置多级VDC对就各委办局下属的不同业务部门或业务项目组(跨部门)。每个部门可以设置配额,对应部门对资源的预算。每个VDC设置一个管理员,负责本级及下级VDC的用户和资源。 2)PaaS层 平台即服务层,向政府用户提供运行在基础设施层之上的软件开发和运行平台服务,以及PaaS层的安全服务。 数据库服务主要为关系型数据库,包含但不限于Redis、PostgreSQL、MySQL和MongoDB。 中间件服务包含分布式服务框架、API网关和消息中间件。 大数据套件服务包含数据接入、ETL清洗和数据导出。 容器服务主要为Docker。 除以上服务之外,还有众多的应用支撑层的服务(身份认证、审批平台、支付服务、电子证照服务等)。 3)SaaS层 软件即服务层,向政府用户提供运行在云基础设施之上的应用软件,以及SaaS层的安全服务。 SaaS层主要提供公共的应用服务,包含但不限于指尖民生服务(小程序,公众号和管理后台)、统一即时通讯工具、协同办公平台、智能图像服务、智能客服、国密加密服务等服务。 4)云管理平台 云管理平台,包含服务门户和运维门户。 服务门户:向政府管理层、业务用户、企业公众等提供全省风格统一的访问入口。对全省政务云平台的使用情况、运行情况等进行统一呈现。 运维门户:向政府管理层、业务用户、运维运营主体等提供运维、运营的平台服务,以及为政务云平台管理单位提供准确的平台运维数据,支撑其进行各项运维、绩效指标考核。 2. 技术架构 1)IaaS层 政务云平台IaaS层主要由硬件设施、资源池层。服务层和管理层组成。 硬件设施是基础,主要准备服务器、存储、网络等硬件设备,然后通过资源池层将硬件设备整合成各类资源池(计算资源池,存储资源池,网络资源池等),再通过服务层封装资源池的各类资源,实现云资源服务的发现、路由、编排、计算、接入等功能,最后通过管理层的管理平台,显现从资源到服务的转换(VDC管理,租户管理,服务目录,服务控制台,性能管理等)。 2)PaaS层 政务云平台PaaS层的服务不分层,按照不同服务类型归类,如数据库服务包含关系型、分布式和非关系型,公共支撑平台包含基础平台、业务服务和基础服务,不同的服务按照不同的要求和场景管理使用。 3)SaaS层 政务云平台SaaS层的服务不分层,按照不同的用户群体、业务场景,为全市各单位提供按需使用的软件服务,避免重复建设。 3. 业务分区 广东“数字政府”政务云整体分为政务外网区(承载政务外网业务,包括各委办局专业业务,只能通过政务外网进行访问)和互联网(承载政务直接面向公众用户的业务系统资源区,可通过互联网进行访问),两个业务区构建单独的物理资源池(两区之间的数据交换有单独的交换区,通过数据交换平台进行数据的清洗和脱敏等处理),物理网络相互隔离(防火墙/安全隔离网闸),每个区域内至少要划分生产区(正式上线)、测试区(开发和测试)和托管区(特殊要求)。 以上,为广东省级政务云平台建设的指导规范示例。 那么,除了制定技术上的规范以外,地方政府部门还会从业务管理层面制定政务云的管理办法。 以《上海市政务云管理暂行办法》为例,该办法的适用范围为上海市政务云的建设、使用、运行维护、安全保障和效能评估等活动。 简单来说: 在职责分工层面,市政府办公厅为政务云主管部门(统筹),市经济信息化委与办公厅共同负责总体设计,市经济信息化委会同财政部门进行审核预算和监督检查,市、区财政部门做好资金保障;市大数据中心具体落实政务云建设、运维管理、运行维护和安全保障等工作。 在服务范围层面,党政机关、事业单位已有或新建等保三级及以下非涉密信息系统,应当适用政务云资源。 在能力建设层面,编制云服务目录,目录包括服务事项名称、服务内容、计价单位和单位价格等。 在资源管理层面,使用单位在申请立项时先报经济信息化主管部门审核配额;项目完成立项后,再向政务云运行管理单位申请测试资源;项目验证通过的,政务云运行管理单位正式开通相关政务云资源;同时,为了满足一些短期使用场景需求,设立开发资源、应急资源和临时资源。如尚未立项但确实需要使用政务云资源的,可以申请使用临时资源。 总结来看,使用单位在申请使用资源之前,要先合理评估项目资源需求(相关评估指标),按照要求安装部署云资源使用监测软件,定期巡检资源并优化资源的使用。政务云的使用费用,按照“先用后付,按实结算”的原则,结合单价、使用量以及效能评估结果进行核算。 四、云迁移 “十四五”规划中提到,完善国家电子政务网络,集约建设政务云平台和数据中心体系,推进政务信息系统云迁移。 1. 迁移背景 在政务项目管理过程中,根据上级政策要求和信息化建设规划需要,建设单位需配合业务单位完成业务应用的云迁移任务要求。 2. 迁移目标 在大背景下,政务云迁移需要兼顾业务连续性和安全性,整合各业务单位分散的业务系统,迁移过程中需保证各业务单位原业务系统服务不受影响、历史数据不丢失。 3. 迁移方案 在确定迁移目标后,需开展全面的现状调研与分析工作,整理和分析迁移方案。 因不同系统之间的建设时间和技术框架都或多或少存在差异,为了能够保障迁移成功,需要对不同的业务系统进行充分地调研。 调研范围包含但不限于应用层面(系统版本,使用范围,业务高峰等)、网络架构(域名配置,内外网IP,映射关系,网闸要求等)、服务器资源(虚拟机配置,数据量,操作系统等)、存储情况(存储类型,形式,规模等)、数据库环境(数据库规格,数量,中间件等)、软件架构(开发框架,备份软件等)、安全要求(等保等级,服务器安全配置等)、系统文档(数据库设计,操作手册,架构图等)情况。 调研整理完成后,需评估迁移潜在的难点或风险点(系统间通信),比如:迁移范围大、系统多、数据多、协调多等情况,根据实际情况评估系统单一迁移(先易后难)或者集中系统迁移(整体规划)的风险性,并以此设计迁移方案。 4. 迁移实施 建设单位按照经会议审议通过的迁移方案,分阶段、分步骤组织实施迁移工作,确保实施过程规范有序。 1)资源申请 申请服务器资源,根据业务系统的网络访问环境要求,选择合理的部署区域。如涉及政务部门内部的业务(OA审批、监管等),可选择电子政务外网区,如涉及面向公众提供的在线服务(门户网、政务网等),可选择互联网区。 申请数据库实例,根据业务系统的数据量和业务逻辑复杂程度选择数据库资源。 申请文件存储资源,根据业务系统的文件类型及性能要求选择存储资源。 除上述资源之外,还可申请其他公共平台服务资源,如身份认证、电子签章、短信服务等。 2)账号分配 准备环境配套的用户账号,按照岗位职责申请最小必要权限,建立账号安全机制(双因素认证、定期更换密码策略登),方便相关人员使用。 3)应用升级 在迁移过程中,原应用系统若存在业务优化需求,可选择一并优化甚至重构(建立台账)。优化及重构后的业务系统功能需充分测试和验证,保留源系统的回滚能力。 4)数据迁移 在实施数据迁移前,需做好数据备份和清洗工作(若需要),保证整个迁移过程新老数据不丢失、不失真。 5)系统部署 采用分级部署策略,测试环境测试和验证基础功能,通过后将稳定的系统版本部署至政务云预生产环境,再进行充分的业务场景验证(包含系统内的功能及系统间的集成等),最后完成安全测评评估和等保测试。 6)上线发布 准备上线资料(测试报告、预案等),组织上线评审会议,会议通过后提交上线发布申请,申请通过后正式发布上线。在发布前,还需做好上线前的通知和培训工作,做好上线失败的回滚准备。 以上,为政务云迁移的典型过程,政务云迁移是一项复杂且考验耐力的任务,具备周期长、环节多、协调重等特点,需要做好耐力战的准备(整体规划、分布实施)。 作者:PM小刘,公众号:PM小刘 本文由 @PM小刘 原创发布于人人都是产品经理,未经许可,禁止转载 题图来自 Unsplash,基于 CC0 协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
许多企业在跟风打造个人IP时陷入了误区,将IP简单等同于网红,忽视了其背后更深层次的内涵和战略意义。本文将深入探讨企业打造IP的常见误区,分析IP与网红的本质区别。 从小米雷军到罗永浩、再到360周鸿祎,上半年掀起的一阵品牌创始人“个人IP”风潮,到现在好像慢慢变弱了?其实“企业的个人IP”这个话题,一直还是有热度的,但是为什么那么多企业,尤其是中小企业抢着去做,成功的却是少数呢? 首先明确一个点:企业打造的创始人个人IP,和我们日常提到的大众包装自己的个人IP,这两者是不一样的,今天我们主要聊企业打造个人IP。如果大家对大众个人IP打造感兴趣,笔者可以下期和大家唠一唠。 题归正转—— 每个企业在考虑“如何打造企业个人IP”这个问题之前,请一定先回答一个问题:“为什么要打造企业的个人IP”? 为什么要打造企业的个人IP?要想清楚这个问题,其实需要回答很多问题,比如: 当前的业务处于什么生命周期? 当前的业务核心卡点/需要突破的点是什么? 是否只有通过打造企业内部员工的个人IP才能解决这个问题?(因为IP是个双刃剑) 我们的企业是否真的具备可塑造的人才? 我们的企业是否具备IP打造和持续推广的资源? 企业个人IP打造成功了,应该如何和业务承接? 企业个人IP的生命周期应该如何设定?是阶段性还是长久的? 企业个人IP是把双刃剑,是否做好了IP维护规范的准备? 每个企业的情况不一样,笔者没办法一一给到答案,但是你从所在企业的视角,把上面的问题答案整体梳理一遍,我想,“是否要做企业的个人IP打造”这件事,也就有了清晰的答案。 如果明确了要做、该做,那咱们再聊“如何打造企业个人IP”? 第一步:先做企业的业务现状和发展规划分析 这一步可以帮助企业明确,我们当前的业务发展需求,明确IP可以解决什么问题。 第二步:进行目标客群的调研分析 这一步是帮助企业明确,企业的IP未来面向什么样的人群,所谓知己知彼,百战不殆。 第三步:明确IP定位和可行性策划 这一步就需要在前面两步的基础上锁定IP的人设、风格、内容选题和账号平台了,同时也帮助我们在梳理过程中,明确事项的可行性。 第四步:明确IP和业务发展相关方的关系 这一步是在解决未来企业内部的协同和流转规范,避免“对外,IP爆了,对内,组织乱了”的窘境。 第五步:明确IP对业务的可衡量收益标准 这一步其实是很核心的一步,只有明确了目标标准,才可以帮助我们在执行过程中不断监测有效性,便于及时调整策略,或者补充资源,或者及时止损叫停。 第六步:企业IP账号运营自检 这一步其实是我最近刚总结加进去的步骤。起因是看到一篇很有意思的文章,给我的启发,文章大抵意思如下:真正的IP,一定要同时具备3个关键要素:内容、人格和账号。人格+内容,叫明星;内容+账号,叫媒体;人格+账号,叫网红;只有人格+内容+账号,才能是IP。 到这里,其实为什么成功的企业IP是少数,也就有了答案。或许是没有鲜明人格,或许是没有精准可持续的内容,亦或许是没有找对平台做出账号……核心还是没有把“需求”搞明白,对内有什么“需求”,对外可以满足什么“需求”。 以上,希望笔者的一些想法可以给正在考虑做企业个人IP的朋友们一些启发。也欢迎大家多多互动交流。 作者:啥都要运营,公众号:有一个小仙女 本文由 @啥都要运营 原创发布于人人都是产品经理,未经许可,禁止转载。 题图来自 Unsplash,基于 CC0 协议。 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
本文将深入剖析暑假旅游推广的实战策略,通过拆解两个爆款案例,从封面设计、标题策略、内容架构到互动转化,全方位解读如何利用小红书等平台进行高效引流和私域沉淀。 马上临近暑假,旅游需求量越来越大,这么精准获客,那么今天就聊一下这个旅游行业在小红书该怎么做引流,花生给大家拆几个旅游获客赛道的爆款案例。 案例 1:北京 5 天 4 晚攻略(人均 1000+) 爆款内容四维拆解 封面设计:信息爆炸式视觉锤,精准戳中 “懒人需求” 我要讲的这个北京攻略封面设计思路差不多。一打开这个北京攻略的封面就被砸中了呀!红底白字大标题 “来北京玩 5 天 不费脑版”,好家伙,直接把 “省心” 俩字明明白白地写在脸上啦。下面还分了 5 天行程图呢,每天都配上景点和美食图,还用❗️红色数字标着天数,虽然看着密密麻麻的,但一点也不乱哦 —— 这就是咱说的封面公式:地域词 + 天数 + 价格锚点(吸睛色背景) + 分模块信息可视化。 在 AI 获客系统的应用场景中,这种封面设计能够快速吸引目标用户的注意力,提高内容的曝光率。 标题策略:数字党 + 痛点词,双重钩子锁流量 咱再说说这标题 “暑假来北京旅游攻略,5 天 4 晚人均 1000+”,这里面可藏了 3 个小心机哦: 地域 + 时间:“暑假”“北京” 这俩词儿,那可是精准定位到了旺季刚需人群呀,暑假大家都爱出去玩儿,北京又是热门旅游地,这一下就把目标人群给找准啦。 数字具象化:“5 天 4 晚”“1000+”,把预算和天数说得清清楚楚,一下子就解决了好多人 “算不清账” 的痛点呀。你想啊,出去玩儿大家都得心里有个数,这标题让人一看就明白得很。身份暗示:标签里还带 #学生党旅游# 穷游攻略 #,这不明摆着暗戳戳告诉用户 “这攻略便宜又适合你” 嘛,特别是学生党和想穷游的朋友,看到这标题不得赶紧点进来看看呀。 之前帮安徽一个做本地游的客户改标题,本来是那种普普通通的 “北京攻略”,我给换成 “学生党北京 5 天 999”,嘿,你猜怎么着?点击率直接涨了 60% 呢,所以说数字就是流量密码呀!在 AI 矩阵获客系统实战中,通过对标题中的数字和痛点词进行优化,可以显著提高点击率。 内容架构:流水账式干货,把 “攻略” 变成 “作业答案” 正文呢,是分 5 天列的行程,每天都写清楚了景点、交通、预算、避雷点,连 “铜锅涮肉哪家性价比高” 这种细节都写得明明白白的 —— 这可不是那种炫耀式种草哦,而是保姆级填空式攻略呀。特别是最后还强调 “不要相信陌生号”,这可真是戳中了游客怕踩坑的心理呀,一下子信任感就拉满了。 这种结构就和我给上海客户做的迪士尼攻略差不多,当时我把 “怎么抢 FastPass”“哪里拍照没人” 这些细节都拆成步骤,用户就可以直接跟着走,那收藏率一下子就翻倍了呢。这种内容架构符合 AI 矩阵获客系统中用户对精准信息的需求,能够提高用户的留存率。 互动转化:评论区变 “定制入口”,精准捞精准粉 再看看这互动转化这块儿,人家置顶评论写的是 “留下人数 + 天数 + 出发时间,定制专属行程”,这一招可太妙啦,直接就把 “看攻略” 的用户变成 “需要服务” 的潜在客户了。注意哦!作者可没直接推团,而是用 “定制” 做钩子,这样就能避开平台限流,还能收集用户需求呢 —— 这评论区可不是客服区,那是筛选精准流量的筛子呀。 我之前一家民宿引流,就是在评论区用 “免费定制行程” 引导私信,结果 3 个月就引流了 2000 + 住宿客户,转化率超 30% 呢。在 AI 获客系统的支持下,通过评论区的互动,可以实现精准的用户画像和需求分析。 细分人群做减法:咱可别搞那种 “所有人适用” 的攻略啦,学学这个案例,把人群打透,比如 “学生党”“穷游党”,甚至 “带老人游北京” 这种,人群越细分,流量就越精准呀。 预算可视化到 “每小时”:比如说把 “人均 1000” 拆成 “住宿 400 + 门票 300 + 吃饭 200 + 交通 100”,这样用户一看就会觉得 “哇算得好细,跟着买不会错”,心里就踏实多啦。 评论区埋 “钩子矩阵”:除了定制行程,还能问 “最想看哪个景点攻略?点赞最高的出详细版”,这样既能和用户互动,又能攒选题呢。我去年就靠这招帮客户涨粉 5 万 + 呢。 案例 2:教师暑假旅游讨论帖(1456 条评论爆火) 爆款内容四维拆解 封面设计:场景化提问,激活目标人群身份认同 咱先看这封面设计哈,就一句 “马上暑假了,各位老师都打算去哪旅游”,再配上蓝底白字和灵魂拷问表情 —— 嘿,这可真是没图胜有图呀,直接就戳中了 “教师” 这个精准群体的 “暑假启动键” 啦。教师群体自带 “时间集中 + 预算中等 + 偏好性价比” 属性,这封面用 “老师” 身份标签圈人,可比那些景点图啥的更高效呢。 上周我和一个做教师培训的老板聊天,他说现在教师社群里最火的就是 “暑假去哪不踩坑”,你看这 “身份共鸣” 封面,就相当于在人群里举了个灯牌:“这儿有你的同频人!” 在 AI 获客系统的应用中,这种场景化封面能够快速激活目标人群的身份认同,提高内容的传播力。 标题策略:抛砖引玉式提问,把 “写内容” 变成 “开话题” 再说说这标题,直接就用正文第一句 “老师们打算暑假去哪里旅游呀”,看上去好像挺随意的,其实里面暗藏玄机呀: 低门槛参与感:不需要专业攻略,人人都能说两句 “我去过哪儿”,这样大家参与的积极性就高啦,都愿意来说说自己的想法。 标签精准锁流:# 教师暑假 #教师暑假计划 #,这俩标签可把内容推给教师本人 + 旅行社从业者(后者会来挖需求)啦,这不是一举两得嘛。 我之前在广东帮一个景区做推广,故意发 “广东老师暑假去哪儿?求推荐不热的地方”,结果评论区秒变行业调研现场,景区直接拿这些评论优化套餐。在 AI 矩阵获客系统实战中,抛砖引玉式的标题能够激发用户的参与热情,提高内容的互动率。 内容架构:“树洞式” 开场,让用户成为内容生产者 正文就两句话:“马上放暑假了,有想法出去旅个游,从北京出发去哪玩儿呀,各位老师有没有建议呀”—— 嘿,这可有意思啦,自己不输出干货,让用户帮你产出呢。这种 “留白式” 内容,反而激发了 “过来人” 的分享欲,评论区全是 “去西北被导游坑了”“推荐水个硕士顺便玩” 这些真实经历,UGC 内容比官方攻略更有说服力呀。这种内容架构符合 AI 矩阵获客系统中用户生成内容(UGC)的趋势,能够提高用户的粘性和忠诚度。 互动转化:用 “避雷需求” 做钩子,引导私域沉淀 虽然评论区没直接引流,但高赞评论全在聊 “避坑”“性价比”,作者只要私信回复 “需要行程表可以发你”,就能轻松捞粉啦 —— 这就是针对特定群体的痛点,评论区互动就是最好的引流钩子呀。 之前山东一家研学机构做号,专门发 “带学生旅游怎么兼顾安全和体验”,结果评论区家长和老师聊疯了,最后靠 “私信领《研学安全手册》”,3 周就引流了 1000 + 精准客户。在 AI 获客系统的支持下,通过评论区的互动,可以实现精准的用户引流和私域沉淀。 实操建议(垂直人群引流) 找 “职业 / 身份专属痛点”:教师怕暑假踩坑、家长怕孩子没地方去、宝妈怕带娃累… 针对这些身份,用 “XX 职业暑假怎么玩” 做选题,流量精准到爆炸呀。 评论区当 “素材库”:把高赞评论里的 “避雷点”“冷门景点” 整理成攻略,二次引流回笔记,形成 “用户生产内容 – 你加工内容 – 反哺用户” 的闭环,这样既能利用好用户的内容,又能再次吸引用户,多好呀。 用 “轻服务” 做转化钩子:比如 “私信发你教师专属优惠码”“拉你进教师旅游群”,比硬广转化率高 10 倍呢。 最后唠两句:旅游赛道引流核心就俩字 ——“代入”。无论是北京攻略的 “跟着走就行”,还是教师话题的 “咱都是同行”,本质都是让用户觉得 “这内容是给我量身定做的”。现在游客早就烦透了 “网红打卡式攻略”,更想要 “像朋友一样替我省钱、避坑、省心” 的内容 —— 记住:你不是在写攻略,是在给用户造一个 “不踩坑的旅游搭子” 人设呀。 本文由 @流量破局 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
从DeepSeek的智能对话到LABUBU毛绒玩具的治愈触感,这些产品不仅满足了用户对陪伴的需求,还引发了心理学上的深刻思考。本文将深入探讨年轻人购买AI陪伴产品背后的真正动机,分析从恒河猴实验到成年人情感投射的心理机制,以及AI陪伴类产品如何通过情感补偿和神经机制的设计,成为现代人心理慰藉的新选择。 2025年初,DeepSeek以“低成本实现GPT-4级性能”的突破震惊全球,凭借开源策略和极致性价比重塑AI市场格局;时隔几个月,泡泡玛特旗下的LABUBU毛绒玩具凭借冲突美学设计与治愈系触感,在年轻群体中掀起收藏热潮。一个是前沿科技的颠覆者,一个是潮流玩具的顶流代表,看似毫无关联的二者,实则共同指向当代社会的深层需求——在快节奏、高压力的生活中,人们对情感陪伴与心灵慰藉的渴望,正以技术革新与消费潮流的形式迸发。 DeepSeek用强大的AI对话能力让市场掀起AI热,从AI助手到AI恋人,当然还有杀的火热的AI治愈玩具,而LABUBU以柔软的触感和萌趣形象填补孤独时刻的情感空缺。无论是依托算法的智能交互,还是基于感官体验的实体产品,都在解决用户“孤独”的痛点,极力满足用户对“陪伴感”的需求。这也为AI陪伴类产品的发展指明方向:在情感APP与AI玩具的激烈角逐中,理解人类心理机制、满足情感诉求,才是破局的关键所在。 一、从恒河猴实验到成年人的情感投射 在20世纪50年代,心理学家哈利·哈洛进行了著名的恒河猴实验。实验中,幼猴被放置在两个“代理妈妈”面前:一个是由铁丝制成、装有奶瓶的“铁丝妈妈”,另一个是裹着柔软毛绒布、没有食物的“毛绒妈妈”。结果显示,幼猴大部分时间紧紧依偎在“毛绒妈妈”身上,只有在饥饿时才短暂接近“铁丝妈妈”。这一实验揭示了爱的依恋从触摸开始,情感联结与触觉舒适对生物的重要性远超物质供给,为理解人类对陪伴产品的需求奠定了理论基础。 在AI情感陪伴APP领域,各大产品都在争夺用户有限的情感投入。如今生活节奏快,人们面临着巨大的压力和孤独感,渴望有一个随时能倾听自己的对象。2021年11月上线的Character.ai,在2022年9月推出测试版本,允许用户与名人“数字分身”畅聊。当用户与这些名人“数字分身”进行互动时,新奇的社交刺激着体验,驱动用户持续使用产品。但若产品仅提供新奇互动却缺乏深度情感联结,用户的依赖难以持久。Character.ai允许用户创建和自定义AI角色,围绕这些角色开展对话、玩游戏等交互活动,自推出后全球用户超过2.15亿 ,日活达600万,日发送消息数超20亿,2024年收入1670万美元,收入增长率40% 。但它也因聊天机器人诱导青少年自杀、教唆伤害家人等事件陷入舆论风波,被起诉“对青少年造成严重伤害”。这表明,仅靠新奇体验吸引用户,缺乏情感关怀与内容安全把控,产品难以走远。 2023年9月上线的星野APP,通过AIGC技术构建丰富虚拟生态,能还原用户期望的人设、形象和语音音色。当用户沉浸在与高度个性化的虚拟角色互动中,感受到被理解、被关注时大脑即时的产生愉悦、满足等正向社交反馈的积极情绪。大脑通过分泌多巴胺、催产素等物质,将这种体验标记为 “有益生存和繁衍” 的信号,从而激励我们主动寻求社交联结。这些化学物质的协同作用,不仅带来即时的愉悦感,还能长期改善心理健康,降低孤独感和压力水平,满足用户对情感陪伴的深层需求。用户需要的不仅是功能性互动,更是心理层面的慰藉与归属。不过,星野APP也曾被用户质疑其智能对话背后是真人操作,一方面是用户对其AI对话的真人感的肯定,另一方面反映出用户对AI产品的不信任和质疑。 在AI玩具市场,幼儿向AI玩具市场相对成熟,是因为其满足了家长对孩子教育和陪伴的双重期望。但至今未跑出盈利健康的产品。例如美国AI陪伴机器人公司主打的儿童情感机器人Moxie,它全脸屏具身机器人形态,最初为自闭症儿童设计,后以5 – 8岁普通孩童为主要用户 。它具备人脸识别、语音交互等功能,发布之初因独特设计和技术创新引起轰动,却因过高的价格和后续服务不足而倒闭。这反映出,若产品仅强调功能性(如教育属性),却忽略用户对情感陪伴的核心需求,高估AI能力,而低估AI能力所带来的费用成本,导致无法提供持续稳定的服务,将最终难以获得用户长期认可。 随着AI大火,带动的还有科技发烧友市场,以2024年8月上市的AIBI口袋宠物为例,它可人脸识别和摄影,能像孩子一样被照顾,还具备闹钟、提醒和天气报告等功能。其可爱形象、有趣的反馈,在照顾“萌宠”过程中,感受到自己被需要,以及与“萌宠”建立起情感联系时,进一步增强了这种情感依赖。此时的玩具不仅是工具,更是情感寄托。 二、成年人“养娃”现象:投射内心的小孩与情感补偿 近年来,成年人“养娃”热潮兴起,从手机游戏(如《旅行青蛙》《崽崽ZEPETO》《闪耀暖暖》)到实体AI陪伴玩具,越来越多成年人将情感倾注于“虚拟伙伴”或智能玩偶。这一现象的心理学本质,是成年人将内心未被满足的情感需求、童年遗憾或理想中的亲子关系,投射到“养育对象”上。 心理学提出的“内在小孩”理论认为,每个人内心都存在一个童年时期的自我,当现实生活中的压力、孤独或情感缺失无法得到满足时,人们会通过外部事物唤起对童年安全、被爱状态的回忆。例如,部分用户在游戏中精心照料“孩子”,为其穿衣、安排活动,本质上是通过掌控“养育过程”弥补现实中的无力感;而购买能互动的AI玩偶并赋予其孩子般的角色,更是直接将对陪伴、依赖的渴望具象化。 这种“养娃”行为与恒河猴实验中的情感需求一脉相承:成年人通过与“虚拟孩子”或柔软的AI玩具建立联系,获得触觉、情感的双重满足。触摸毛绒材质的AI玩具时,大脑分泌多巴胺带来愉悦;而在“养育”过程中付出情感,收获虚拟对象的“回应”,则促使催产素分泌,缓解孤独感。例如,一位职场人在工作压力下通过与AI玩偶对话、为其布置“房间”,实则是在安抚自己内心那个渴望关怀的“小孩”。 三、可能成功产品的心理学亮点:融合情感投射与神经机制 (一)疗愈向 1. “内在小孩”互动设计:允许用户自定义AI角色为“孩子”形象,通过模拟亲子对话、共同完成任务(如“投喂虚拟食物,购买虚拟礼品,奖励其延迟满足等,每天爱的拥抱和谅解其犯错”),触发用户的对自己内在的情感补偿和能量补充。AI角色会因用户的陪伴时长给予“成长反馈”,使内在的小孩具象化,被爱的可视化,强化其与用户的情感联结。 2. 创伤疗愈功能:结合心理学中的叙事疗法,设计“童年故事回溯”环节,用户在与AI角色分享童年经历时,获得理解与疏导,(如,用户扮演过去造成创伤的家长,AI扮演当时的自己,对于造成创伤的场景,进行扮演和重新演绎)实现对“内在小孩”的治愈,达成正向的、健康的心理疗愈。 (二)养成陪伴向 1. “养成系”陪伴体验:将AI玩具设计为“虚拟世界伙伴”,用户通过陪伴吃饭、无聊时的对话、增加陪伴时长促进其“成长”,加强陪伴时互动的体验,特别是情感有需求的时刻,即时给与的反馈和交流抚慰。这种持续性互动不仅刺激多巴胺分泌,更通过长期陪伴促进建立情感纽带。 2. 触觉与情感共鸣:借鉴毛绒玩具的柔软材质,结合AI交互技术,让玩具在用户拥抱时给予温暖与震动反馈,或在用户倾诉时“安静依偎”,模拟真实亲子互动中的肢体语言,满足情感补偿需求。 结语 恒河猴毛绒妈妈和铁丝妈妈实验揭示了情感陪伴的本质需求,而成年人“养娃”现象则展现了现代社会中情感投射的新形态。在AI陪伴类产品的市场竞争中,唯有深度洞察用户最深层的内心,兼顾功能性与情感补偿,精准激发多巴胺与催产素的分泌,才能真正成为用户情感世界的寄托。那些忽视用户真实情感需求的产品,终将因无法触及用户内心深处的渴望而被淘汰。 本文由 @怡伶设计心理 原创发布于人人都是产品经理。未经许可,禁止转载。 题图来自 Unsplash,基于 CC0 协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
在AI浪潮席卷而来的当下,许多产品经理既兴奋又焦虑,仿佛手中握着一把“屠龙刀”,却不知如何找到真正的“龙”。本文将结合梁宁《真需求》的洞察和傅盛的观点,通过一个实际的产品案例,深入探讨AI时代下如何从用户的真实需求出发,避免“为了AI而AI”的陷阱,真正将AI技术转化为用户可感知的价值 最近的AI圈,依然热得发烫,每天叫醒我的不是闹钟,也不是梦想,而是一堆又一堆的AI新名词和刷屏级的应用。 那种感觉仿佛在不停地Highlight——你要是不在产品方案里加个“AI-Powered”的标签,咱出门都不好意思跟人打招呼。 老板们也一样,张口是必称大模型,闭口是要对标OpenAI,虽然每天拥抱AI的方式依然还只是半年前的DeepSeek。 据我观察身边同学,在这股浪潮之下,咱们产品经理群体,大多既兴奋又焦虑——兴奋的是,手里似乎多了一把削铁如泥的“屠龙刀”;焦虑的是,环顾四周,好像到处都是龙,又好像一条龙都找不着。 于是乎,一个怪现象出现了:为了AI而AI。 很多团队把AI当成了一个KPI,而不是一个工具。于是乎,做的功能看起来科技感满满,用户却用脚无情地投下反对票。 镜哥觉得,这就像是给一个老式拖拉机装上了F1赛车的引擎,听起来很猛,实际上路跑两圈,要么自己散架,要么把地耕得一塌糊糊涂。 前两天刚好听了猎豹傅盛傅总的一期播客,他有个观点我深以为然:AI时代,应用和体验才是真正的价值高地。 技术本身再牛,如果不能转化为用户可感知的、实实在在的价值,那它就只是空中楼阁。 这也让我想起了梁宁老师在《真需求》这本书里反复强调的——要洞察用户真实的需求,而不是停留在表面的“要什么”。 而所谓真需求,往往根植于人性深处的“贪嗔痴”,或者更温和地说,是那些能让用户“上瘾”、“提效”、“感到安全”或“摆脱恐惧”的东西。 你看,技术在变,但驱动人心的底层逻辑,千百年来,从未改变。 今天,镜哥就想借着这个话题,结合一个咱们亲身经历的产品案例,聊聊在AI时代,我们该如何拨开技术的迷雾,找到并设计那些“实打实的真需求”。 一、从“没人用”到“离不开”,一个报修工单的AI进化史 在我看来,最好的学习方式就是复盘。 咱们来看一个团队早年间做过的、前端时间优化过的、现在看来特别有意思的项目——一个垂直领域的报修工单模块。 阶段一:扫码填报的“自嗨” 最早的版本,我们想得也很“互联网”——客户设备坏了,手机扫一下设备上的二维码,就会弹出一个H5页面。 上面是一堆表单:故障类型、设备编号、问题描述、上传图片……洋洋洒洒,设计的逻辑清晰,字段齐全,数据后台一看,规规整整。 我们当时觉得,这多牛啊,逻辑多严谨呀,而且数据直接入库,省去了人工录入的麻烦,堪称完美! 然后,产品就华丽丽地……上线了。 结果呢?后台数据寥寥无几。 后来,我们去现场调研时发现,用户宁愿打那个印在设备角落里的400电话,也不愿意扫码。 为啥? 一个上了年纪的维修师傅一句话点醒了我们:“小伙子,我这手指头粗得很,眼神儿不好,你让我在这小屏幕上戳戳戳,还得拍照上传,等我搞完这些,电话里都跟调度员说清楚三遍了。我图啥?” 这句话,就是一盆冷水,浇灭了我们“想当然”的火焰。 我们自以为高效的流程,在用户的真实场景里,却是一个“高摩擦、反人性”的设计。我们解决了公司的数据规范问题,却给用户制造了天大的麻烦。 在镜哥看来,这就是典型的实验室里的“伪需求”——它只是满足了我们的管理欲和想象力,却没有尊重用户的使用习惯和真实痛点。 套用梁宁老师的话说,我们没有找到用户的“痛点”或者“痒点”,反而自己成了用户的“痛点”。 阶段二:AI语音报修的“破冰” 后来项目被搁置了一段时间,直到AI浪潮涌来,团队里有同学提出,能不能用AI改造一下? 这次我们学乖了,没有一上来就画大饼,而是重新回到了那个核心问题:用户在报修时,最自然、最低成本的交互方式是什么? 是“说”。 于是,我们做了第一次AI化的迭代:AI语音报修。 用户扫码后,不再是冰冷的表单,而是一个类似微信语音的界面。用户按住说话,直接描述问题:“A车间的3号压缩机好像不转了,声音有点异常,麻烦派人来看看。” 然后,奇迹发生了。 系统后台通过语音识别将语音转成文字,再调用大语言模型,对这段自然语言进行“信息提取”。 模型会自动识别出“A车-3号压缩机”作为设备名称,“声音异常”作为故障描述,然后自动填充到工单系统里,并根据我们预设的规则(比如“A车间”对应的是张三负责),直接将工单派发给相应的维修工程师。 这个小小的改动,效果立竿见影。 新版本的打开率和工单创建成功率,直接翻了好几倍。为什么?因为我们极大地降低了用户的交互成本。 我在团队也常说一句话:同样是信息输入,用户输入过程的体验,直接决定了产品功能的生死。 逻辑也很简单,你让用户做填空题,他会本能地感到烦躁和焦虑。但你让他做口述题,他会觉得轻松自然。 如果用户说的信息不全,比如没说设备编号,AI还会像个真人助理一样,通过语音追问:“师傅您好,请问是A车间的哪一台设备?麻烦您告知一下设备编号,以便我们更快定位。” 你看,这就是AI带来的第一个价值:它让机器开始迁就人,而不是让人去适应机器。它把一个复杂的、结构化的信息录入任务,变成了一次简单、人性化的对话。 这解决了用户的“懒”,满足了他们追求便捷的天性,这是一个巨大的进步。 阶段三:AI电话接线员的“终局” 虽然数据上来了,但同事去现场回访时,又发现了一个“沉默的真相”。 大部分年纪偏大的老师傅,还是习惯打电话。他们对语音报修还是觉得麻烦,对他们来说,遇到问题,摸出手机,从通讯录里找到那个熟悉的号码,拨出去,这是刻在骨子里的肌肉记忆。 怎么办?难道要放弃这部分“顽固”的用户吗? 不。 镜哥始终认为,当你的用户行为与你的产品设计不符时,首先要反思的,永远是你的产品,而不是你的用户,用户的习惯,是市场筛选出来的最优解。 我们应该去拥抱它,而不是试图去“教育”它。 这时,我们提出了一个更大胆,也更彻底的方案:让AI去接电话。 我们引入了智能外呼和语音机器人的能力——当用户拨打那个传统的报修电话时,接听的不再是调度中心手忙脚乱的接线员,而是一个声音甜美、反应迅速的AI机器人。 “您好,这里是XX设备报修中心,请问有什么可以帮您?” 整个对话流程,和我们第二阶段的语音报修几乎一样:AI引导用户说出问题,理解语义,AI提取信息,创建工单,完成派发。整个过程,用户的体验和打一个普通的人工电话,几乎没有差别。 但对客户和公司来说,这都是一次极大的跃迁。 过去,电话报修的数据都沉淀在线下,需要接线员二次、甚至三次手动录入系统,效率低下,错误率高。 现在,用户的前端习惯完全没有改变,但他们产生的数据,却在发生的那一刻,就无缝、实时、结构化地进入了我们的数据平台。 在我看来,这才是真正的用户驱动型的“杀手级”应用。 它没有创造任何新的、炫酷的交互,恰恰相反,它完美地诠释了什么叫“跟着用户走,跟着市场走,而不是跟着AI的直觉走”。 诚然,这个方案有成本,接口费、开发资源都不少,但它带来的价值是决定性的,因为它不仅解决了用户的痛点,还解决了企业的管理痛点,打通了线上与线下的数据孤岛。 这才是把钱花在刀刃上。 二、这个案例告诉我们什么? 在我看来,AI当下时代真正的机会,往往不在于创造全新的需求,而在于用AI这种新技术,去“重做”一遍那些早已存在、但体验糟糕的旧场景。 首先,深入场景,做“田野调查”,而不是“键盘侠”。 最真实的需求,永远不在办公室里,不在竞品分析报告里,而在用户的手上、嘴上和抱怨里。 我们做报修工单,如果不是维修师傅那句“我图啥”,可能永远意识不到问题的根源。 在AI时代,这一点尤为重要。因为AI的能力边界非常宽,但也非常模糊。 你只有真正理解了一个场景的来龙去脉、利益纠葛、用户习惯,才能判断出AI到底能在这里扮演什么角色,是“锦上添花”,还是“雪中送炭”,亦或是“画蛇添足”。 再举个例子: 很多产品都在做“AI智能总结”,把一篇长文、一个视频,一键总结成几百字。这有价值吗? 当然有。但价值到底有多大?你要去分析场景。 一个学生为了快速写读书报告,用AI总结一本名著,这是真需求。 一个投资人为了快速筛选项目信息,用AI总结几百页的商业计划书,这也是真需求。 但你让一个用户,用AI去总结一部他期待已久的电影,他大概率会觉得你疯了——因为用户要的是沉浸式体验,而不是高效获取信息。 所以,别在会议室里空想AI能干嘛,结合你们的场景去用户的“田野”里看看他们正在干嘛,以及干得有多痛苦。痛苦的地方,就是AI的机会所在。 其次,拥抱“懒惰”,做“效率的偏执狂” 人性是“懒”的。 任何要求用户付出额外学习成本、操作成本、认知成本的设计,都大概率会失败。 反之,任何能让用户“偷懒”、能“不动脑子”就完成任务的设计,都具备了爆款的潜质。 AI在这方面,是天生的“效率神器”。 这方面镜哥最近分享特别多的AI提效工具,如,Cursor对于原型设计的提效;Gemini对于会议总结的提效;扣子智能体对于工作日报的提效;Genspark对于工作汇报的提效。 诸如此类,等等。 你看,AI没有创造新需求,产品经理“了解用户声音”这个需求一直都在,AI做的,是把一个过去需要花费10个小时的、极其繁琐的“体力活”,变成了一个只需要10秒钟的“脑力活”。 它把产品经理从重复劳动中解放出来,去思考更重要的事情。 而这,就是真需求。 咱们需要做的只是,努力找到那些重复的、低效的、让人痛苦不堪的环节,然后用AI这把“牛刀”,精准地砍下去。 说了这么多,其实核心就一句话:AI是锤子,但产品经理的眼睛,要永远盯着钉子。 而这,恰恰需要我们抛开对技术的盲目崇拜,回归到产品经理最基本、最核心的价值上:对人性的洞察,对场景的理解,对用户价值的执着追求。 所以,未来的产品经理,不是要成为一个AI技术专家,而是要成为一个更懂业务、更懂用户的“场景翻译官”:能够精准地将AI的强大能力,翻译成用户能听懂、愿意用、用了就离不开的实际体验。 体验与应用,或许才是当下AI最大的价值高地。 本文由人人都是产品经理作者【产品大峡谷】,微信公众号:【产品大峡谷】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于CC0协议
从《哪吒2》的票房神话到DeepSeek的开源革命,从霸王茶姬的全球扩张到蜜雪冰城的“隔夜柠檬”热潮,这些现象级热点背后,折射出“热点秒移”时代和数字原住民催生的全新品牌生存法则。本文将结合经典著作,深度解码2025年品牌在动员力、情绪力、价值力和伙伴力四个维度上的生存新法则,为品牌在速朽时代建造“不朽”提供战略航标。 2025 年已然行至半程,在消费紧缩与不确定性加剧的双重背景下,中国消费呈现出一幅冰火交织的图景:宏观紧缩(消费信心持续承压,价格敏感度继续攀升)VS微观爆发(细分赛道展现前所未有的流动性势能与爆发性增长)。 从年初《哪吒2》以超154亿元票房刷新纪录,到“国运”DeepSeek拿开源之举重构全球AI格局;再到霸王茶姬携“东方茶”叩击全球市场,以及蜜雪冰城凭借“隔夜柠檬”引爆年轻群体“追捧”; 从胖东来、Costco和山姆以惊艳的财务验证“信任”复利,到奥乐齐以9.9元极致性价比横扫江浙沪;再到刘强东亲自下场开启京东“社保”破局战,以及“车圈恒大论”掀起的汽车业60天账期革命; 从苹果手机“跳水”式降价,到星巴克史无前例的直接价格下调;再到Labubu的108万元天价颠覆认知,以及“苏超”盛事引发的全民狂欢。 ——这些看似孤立的“现象级热点”,共同绘制出2025年中国商业世界的璀璨“星图”:短暂、耀眼、颠覆,却又永恒地镌刻于商业发展的天幕之上。 现象背后,折射出“热点秒移”时代和数字原住民共同催生的全新品牌生存法则。 本文将以《超级参与者》、《这才是营销》、《第五消费时代》、《待客之道》等经典著作为理论基石,深度解码这个“冰火交织”和“热点妙移”中的品牌生存之道,为身处迷雾中的品牌提供清晰的战略航标。 全文万字从四个维度深度精析: 一、动员之战:从“流量驱动”迈向“为扩散而生”! 二、情绪之争:唤醒沉睡的心灵共鸣与连接! 三、价值之锚:在流动时代笃向「绝对价值」 四、共赢之道:从“压榨对象”转型“可持续伙伴”! 五、结语:「我们」的意义—速朽时代建造“不朽”! 一、动员之战:从“流量驱动”迈向“为扩散而生”! 未来将是一场动员之战——谁最成功,谁最活跃,谁发展得最好,谁最开放,谁给的权力感越多,谁就能赢得追随者,就拥有引导、激发和利用追随者创造新事物的能力。 ——杰里米·海曼斯《超级参与者》 品牌营销的进化史,本质是用户权力转移史: 广告思维时代 (1990-2010): 品牌信奉“精心打磨,一炮而红”,追求洗脑广告语、超级符号、清晰定位(如脑白金、王老吉),核心是单向灌输记忆,力求在消费者心智中刻下烙印。 流量思维时代 (2010-2022):互联网崛起,“流量即黄金”成信条。品牌深陷“买流量-做转化-再买流量”的死亡循环,明知无雄厚资本即慢性自杀,却无力破局。 共创思维时代 (2022- ): 信息粉尘化时代,单向灌输与流量购买双双失效。成功品牌洞察到根本转变:消费者不再满足于被动消费,渴望亲手创造价值。正如《第五消费时代》所预言,“共享式创造”正加速落地。 2025年的现象级玩家——DeepSeek、Labubu、苏超——皆深谙此道: 它们将自身打造为强大的 “社会动员引擎”,激发用户从旁观者蜕变为主动传播者与内容共创者,最终凝聚成具有强认同感的“同道社群”。共创感,已成为品牌生存的新内核。 那么,如何点燃“共创感”?关键在于三大动员法则: 法则1:可行动性——创造“零门槛”的参与接口 品牌亟需转变思维:如何将用户行动深度植入传播架构?如何设计点燃“动手”欲望的共创体验? 换言之,仅追求阅读量和点赞数,远未触及可行动性的精髓。其核心在于:驱动消费者、用户、会员或社群成员从旁观者或点赞者,升级为实质性的价值创造者。 早期案例已印证其威力:“疯四文学”凭“段子手”,Keep依托“任务奖牌”,蜜雪冰城借“门店尬舞”,均以极简的参与接口点燃全民热潮。 2025年,DeepSeek只需简单提问,Labubu仅需换装换景,“苏超”仅凭一条横幅,便将参与门槛降至“人人可行”。 法则2:可连通性——编织深层价值网络 有效的共创行动,必须帮助参与者找到“同类”——那些关心相同事物、拥有共同信念的人,并愿意建立真实、平等的连接。这种“连接”拉近距离,营造归属感,让人真正融入一个志同道合的群体。 这里藏着一个关键洞察:创意在「小范围朋友圈」中传递时,力量反而更强大! 蜻蜓点水式广撒网难入心;唯有精准切入特定圈层,以饱含归属感与身份认同的个性化表达去叩击心门,才能引发深度共振,让传播如野火般自然蔓延。 “苏超”现象正是绝佳诠释:它巧妙激活“散装江苏”、“江苏十三太保”等深入骨髓的地域标签,精准点燃滚烫的本土自豪感。“懂的人自然懂”——这种基于共同标签的连接,催生了惊人的自发传播力与深厚的文化归属感。 可连通性的精髓在于:品牌需成为“价值网络”的关键节点,而每一位用户则是网络中彼此确认、相互激发、共同生长的鲜活细胞。 法则3:可扩展性——拥抱“二创与突变” 要让共创感蓬勃生长,活动本身为参与者留出自定义、二次加工乃至重塑的空间。它需要一个坚实的共同内核作为主干,但更需鼓励个性化的“突变”——允许每位参与者添上自己的独特一笔,使其创意在各自的社交圈层中更具传染力。 一条残酷法则:若一场“运动”未为用户预留参与位置,它永远只能是别人的运动。 蜜雪冰城洗脑神曲「你爱我,我爱你」病毒传播的核心,正是其可扩展性——方言版、鬼畜版、剧情版…用户借无穷二创,将其变为自我表达的工具。 “苏超”则是2025年全民共创的叙事杰作。官方铺设统一基石,精心预埋参与接口。各地文旅和民众通过玩梗狂欢、设计海报、制作横幅、自创作混剪视频,不断注入个人化理解与创意,共同编织出“苏超”丰富多元的意义图谱。这场“散装江苏”叙事,由全民共同执笔。 动员的本质——从流量榨取到为扩散共生:就像水中的涟漪一样,能够向任何一个方向展开行动,能够以任何一种形式展开行动。 一场深刻的权力转移正席卷而来:动员的最高境界,已不再是单向的号召,而是让用户从被动的消费者,蜕变为品牌的“共建者”与“共谋者”;品牌与用户的关系,正从榨取流量的零和博弈,转向共创价值的共生繁荣。 这,就是由“共创感”所驱动的未来图景,也是新消费时代第一个生存法则。 二、情绪之争:唤醒沉睡的心灵共鸣与连接! 请记住,我们售卖的是情感、地位和联系,而不是某项服务和某个东西。 ——赛斯·高汀《这才是营销》 这呼应了三浦展在《第五消费时代》中核心洞见:“高性价比”是当下普世需求。但‘性价比’的定义因情绪与身份而异。 2025年的消费市场,正上演着耐人寻味的情绪悖论:消费者对传统价格敏感度攀至顶峰(奥乐齐9.9元风暴、苹果“跳水式”降价潮,星巴克直接“降价”),却为独特的情感体验一掷千金(华为折叠屏的科技美学、Labubu盲盒的收藏魔力、15元东方树叶明前龙井的精致享受);当年轻人既沉醉于霸王茶姬轻奢国风营造的身份认同,又无法抗拒蜜雪冰城“真香定律”带来的即时满足——消费行为呈现出鲜明的“场景化情绪分裂”。 要赢得这场情绪之争,关键在于驾驭两条相互交织的路径: 路径一:功能情绪化——从使用价值到情绪价值 让我们重温铃木敏文的“物·事”理论——用户已从执着于“物”(产品本身的功能价值),转向更渴望“事”(通过产品或服务获得的新体验、情绪或意义)。三浦展在《第4消费时代》中同样强调,新时代的消费核心,是寻求能让人生和时间真正充实的体验,是赋予消费以意义感。 泡泡玛特的魔力,正是这一“价值”的绝佳诠释。 用户痴迷的绝非玩偶的“使用价值”,甚至超越了单纯的“IP喜爱”。其核心在于撕开包装瞬间的未知期待与揭晓时的强烈情绪波动(惊喜或失落)——一场精心设计的“多巴胺仪式”。其价值逻辑远非博彩可比(资本市场更愿将其对标“奢侈品+迪士尼IP”),而在于: 为新人类的 “自我犒赏” 提供即时的小确幸出口; 实现 “悦己>悦人” 的深层情感满足; 提供特定的情绪波动,填补现代人精神角落的微小空隙。 行动指南:告别“功能至上”,拥抱“情绪联结”! 传统的“产品堆功能、品牌塑形象、营销喊卖点”模式已显疲态,其本质是单向输出,漠视了消费场景中流动的复杂情绪。新时代的营销呼唤根本性转变: 识别情绪: 洞察圈层兴趣、焦虑、向往与价值观;捕捉特定时刻的个体感受;深挖情绪背后的动机。 打造情绪载体: 设计能承载、表达或激发目标情绪的产品/服务/内容。 为品牌注入情感: 为品牌塑造有温度、有态度的人格化连接。 植入情绪触点: 在活动中设计能精准激发目标情绪互动的环节。 当情绪消费成为刚需,情绪创新即是最高阶的价值创新! 2、情绪功能化:将集体共鸣转化为商业势能 “再颠簸的生活,也要闪亮地过呀!”——《我的阿勒泰》蒙古族奶奶 当有人质疑“松弛感需物质充盈”时,《阿勒泰》却向我们展示了另一种可能——一种根植于生命韧性的“松弛感”。品牌猿将其称之为 「生命力」 ——一种超越浅层抚慰、在颠簸中依然闪耀的内在力量。 那么,人们究竟愿意为哪类“情绪价值”买单?核心可聚焦于三大深层“付费点”: 1)、「保障感」对抗“害怕” 这是最基础的情绪刚需,也是品牌信任的基石。用户为任何产品或服务付费,其底层都隐含着一份对“保障感”的购买——对安全、可靠、可预期的承诺。 人们驱车数百公里涌向胖东来,或在山姆会员店“闭着眼睛”选购——行为本身,就是这份深层信任与安心感最有力的明证。 2)、「愉悦感」获得“满足” 这里的「愉悦感」内涵极其丰富:它可以是新鲜感带来的刺激、美感引发的沉醉、松弛感赋予的惬意、治愈感带来的抚慰、期待感撩动的心弦、小确幸点亮的日常,甚至是共鸣感产生的连接……它甚至包括愤怒的宣泄、压抑的释放或怅然若失的共鸣。 其核心在于:提供某种情绪波动带来的内心满足,用以填补现代人精神角落的微小空隙。泡泡玛特创造的“多巴胺仪式”,正是精准击中这一需求的典范。 3)「身份感」消减“孤独” 一个人可能因为保障感和愉悦感而喜欢一个品牌,但真正建立起品牌忠诚的,必然源于更深层次的情感连接: 品牌成为社交货币,助获圈层认同; 品牌成为连接器,助寻同道中人,获归属感; 品牌成为身份标识,助定义自我、彰显地位(如奢侈品); 品牌成为意义载体,助参与有价值之事,承担责任,实现自我。 其本质,都指向一种强大的社交属性,核心在于消减现代人内心深处的孤独感。当“孤独”本身成为一种经济现象时,这早已超越了单纯的情绪范畴。 Labubu的出圈魔力:从“丑萌IP”到“身份象征”的跃迁。 Labubu的“丑萌”只是其引人注目的表象。其深层魔力在于被奢侈品牌们有目的地共同托举:LV允许其旗舰店比邻而居,“LV三太子”女友Lisa为其站台,明星们的“齐美尔时刻”……这些精心布局,成功将其从一个提供可爱的玩偶,升维为承载身份价值与奢侈品属性的情绪载体——既为Labubu注入了厚重的「身份感」,也为奢侈品找到了新的购买理由。 我买爱马仕不是为了包,是为了给 Labubu 找个体面的家。 情绪之争的本质,是品牌与用户在心灵深处的深度共振与情感联结。 谁能精准捕捉并唤醒这份沉睡的集体共鸣,将其转化为澎湃的商业势能,谁就真正赢得了这场关乎人心的生存之战。 三、价值之锚:在流动时代笃向「绝对价值」 我的任务不是取悦人们,而是让人们变得更好;我们为用户带来什么好处,把用户带到哪里去。 ——乔布斯 无论我们如何动员用户,如何唤醒情绪共鸣,商业的终极命题始终如一:你是否为用户创造了不可替代的的价值? 这并非新论。半个世纪前,管理之父彼得·德鲁克便已洞穿本质:「企业的唯一目的,就是创造顾客价值」。在瞬息万变的2025年,这一洞见愈发闪耀其恒久的光芒。 1、何为「价值」? 商业领袖们早已勾勒出“价值”的认知版图。品牌猿融合德鲁克、乔布斯、克里斯坦森与铃木敏文的智慧,从三个维度解构价值本质: 第一、「价值」思维:跳出产品、问题和痛点 “价值”最直白的定义,莫过于乔布斯的「带给对方的好处」。由此出发,结合克里斯坦森“用户任务”理论,以经典的「四分之一英寸钻头」为例,四种思维泾渭分明: 产品思维:“我的电钻性能卓越、质量可靠、价格诱人!” 问题思维:“人们并非想要钻头,而是想要一个四分之一英寸的洞。” 痛点思考:“过去的东西又贵又不方便,我给你一把更好的电钻” 价值思维:“没有人真正想要那个洞!” 用户渴望的,是洞钻好后墙上挂起的整洁架子; 是看到物品井然有序摆放的满足感; 是亲手完成改变的成就感; 是赢得伴侣赞许时家庭地位的提升; 是卧室告别杂乱后内心的宁静与安全感。 唯独没有想要那个洞! 因此,什么是价值思维——在最擅长的领域,通过产品或服务,帮助用户提升技能、优化表现、改善生活,使其成为更好的自己。 第二、价值的维度:「相对价值」VS「绝对价值」 7-Eleven创始人铃木敏文揭示了两种经营哲学的分野 相对价值:在与过去/同行的横向比较中产生,目标是“在和对手的竞争中获胜”; 绝对价值:专注于满足用户需求的感性价值和理性价值,在永不停息的自我进化中创造独特附加价值。 他提出一个关键洞见:价值是用户永恒的购买动机,但每个时代的“价值”内涵,随人群需求与消费行为的变迁而流转。追求「绝对价值」就是拥抱变化、引领变化,在流动的时代激流中抛下坚实的锚。 第三、「价值」的终极拷问:存在的意义 乔布斯在1997年重返苹果后的首次公开演讲,第一页PPT便直指核心:“苹果的全部战略可凝练为我们的使命:为用户提供不可或缺、无可替代的价值——唯有苹果才能创造的价值。” 这便是「价值」终极宣言:如果没有我们,用户将失去什么?世界将失去什么?如果有了我们,世界会有什么改变? 2、四重价值重构的实战图谱 「价值」的底层逻辑((帮助用户改变、追求自我进化、创造不可替代性)或许恒久不变,但在2025年的商业实战中,其内核与实现路径正经历深刻变革。 从奥乐齐到胖东来,从霸王茶姬到泡泡玛特,这些现象级品牌的成功揭示:价值正在四个关键维度上发生系统性重构,它们不仅重新定义竞争规则,更构建了面向未来的新商业范式。 重构一、性价比升维——从“价格便宜”到“信任契约”。 “性价比”绝非简单的“低价高配”。而是将成本控制转化为信任积累的战略能力。 当价格内卷成为常态,真正的赢家正重新定义竞争规则——将供应链效率提升带来的成本优势,转化为可感知的“信任盈余”,建立超越交易层面的心理契约。 奥乐齐的“价值铁三角”:横扫江浙沪的战役中,其核心竞争力并非单纯500余款9.9元商品,而是背后德国标准与深度绑定供应商联盟构筑的品质保障机制(每件商品三重检测)。这成功将“低价”转化为消费者“无顾虑消费”的心智账户。 胖东来的“透明”革命: 当传统零售隐藏进销差价时,胖东来发动“裸价风暴”——商品标签清晰标注进货价、毛利率、零售价。这一看似激进之举,在不确定性时代构建了零售业的信任飞轮——信任本身已成为最坚硬的通货。 白象“多半袋”的文字游戏引发信任崩塌,印证了这个时代的残酷法则——消费者可以接受合理溢价,但无法容忍价值欺骗。 它们的共同启示:真正的“性价比”是价值创造的副产品。 通过供应链革新与效率提升节省的成本,必须转化为更优体验与更坚实的信任积累,完成价值的良性再分配。 重构二:体验感重构——从体验交付到「可感知」意义生成 在刺刀见红的中国新茶饮红海,各品牌(喜茶、奈雪、茶颜悦色、蜜雪冰城等)无不聚焦产品创新、原料升级、健康宣称、国风文化或情绪价值。然而,为何2017年才出道的霸王茶姬能成就“霸业”? 其核心在于完成了“体验感”的本质跃迁——当“传统”体验成为标配,价值的决胜点在于能否将体验升维为「可感知」的意义容器。 单论茶饮本身(口感、健康、IP、文化标签),霸王茶姬在单一维度未必拥有压倒性优势(喜茶持续迭代口感,茶颜悦色深耕东方美学,健康选项亦非独家)。但霸王茶姬的制胜关键,在于系统性地构建了可感知的“意义”: 将“健康”转化为“对自己好一点”的意义: 确立「茶底0添加人工香精、牛乳0奶精、整杯0反式脂肪酸」健康标准;推出「产品身份证」、「营养成分计算器」;落地「营养分级系统」,确立ABCD「营养选择」标识与GI值(血糖生成指数)的「科学控糖」双指引体系…。也因此,消费者真切感知到“喝出健康”,愿意为价值支付溢价。 将“东方茶”升华为“文化传承者”的意义: 门店以榫卯结构、篆书字体营造东方美学场景;举办“故宫·茶世界”茶文化特展;巴黎奥运开设快闪店,通过“伯牙绝弦”、投壶、蹴鞠等互动传递东方韵味;携手者马未都科普茶史,在全国20+城市开展“茶文化空间”巡展;联合《ELLE》杂志及演员龚俊发起“致敬非遗文化”活动。 就在对手们还在犹豫是否卷价格战,收缩还是加速时,霸王茶姬通过“健康可视化+文化可感化+非遗可参与”的三维矩阵,将一杯奶茶重构为连接个体与圈层,历史与当下的意义发生器。 这一系列行动,让“意义”不再是抽象口号,而是可被消费者深度感知的具象表达。选择霸王茶姬,既是对自我的犒赏,亦是对东方文化的一种身份认同。 重构三:真诚红利——长期主义的护城河! 永远不要欺骗供应商、客户或员工。这意味着主动认错、立即纠正,而非寻找借口。 ——Costco 创始人 吉姆・辛格 (James Sinegal) 纵观零售商业史,仅有三家企业成功抵御了近二十年的宏观经济波动、消费周期轮转、消费习惯变迁和电商渠道革命的冲击,穿越周期,保持稳健增长: Costco: 凭借“为会员提供最低价格最高品质”的契约(会员续费率高达90%,全球付费会员达1.37亿),二十年保持8%超高复合增长率,成为全球零售标杆。 7-Eleven: 秉持“站在用户立场思考,持续为用户创造价值”的经营哲学,不断创造新价值,穿越日本五十年来三次经济周期与疫情冲击,始终保持高速增长。 胖东来:在中国零售业多轮大洗牌中(超市、百货、购物中心),无数巨头崩塌之际,以“真诚”立命,不但势头强劲,更受到全行业的敬仰与膜拜。 剖析这三家标杆的成功基因,其领导者——Costco的吉姆·辛格、7-Eleven的铃木敏文和胖东来的于东来——在经营哲学上展现出惊人的一致性:对用户的极致真诚。 Costco敢于让会员“闭眼购物”的底气;胖东来“无小票退货”的互信以及“服务细节”的不妥协;7-Eleven将便利店便当做“家中难以实现的味道”的极致用心。这些实践绝非冰冷的商业计算,而是将“真心为用户着想”深深刻入企业DNA的行动。 在这个信息过载、信任稀缺的时代,用户越来越愿为这份“绝不妥协的可靠”支付溢价。这份深入骨髓的真诚,构筑了对抗经济周期最坚固、最深远的护城河——这便是长期主义者的“真诚红利”。 真诚从不是策略,而是生存的基因。 重构四:真价值——赋能用户成为“更好的自己” 价值思维本质在于:品牌是否真正赋能用户,助其进步或成为更好的自己? 两大反常识真相揭示其原因: 用户购买产品的核心动因:无关产品功能或品牌故事,而在于“产品是否为我量身打造?是否货真价实?品牌是否真心为我着想?” 用户主动传播的动力:不源于产品有多卓越,而源于 “产品如何让我自我感觉更好” ——即助其达成目标,或更接近理想自我。 理解以上,便能洞悉“真价值”的价值——如同钢铁侠的战甲、雷神的锤子、美队的盾牌,其价值不在道具(产品)本身,而在于它们赋予英雄改变世界的能力。 DeepSeek正是这一价值锚点的绝佳印证。 它的颠覆性力量并非单纯源于技术领先(模型固然先进),而在于它真正“赋能普通人”——通过开源极大降低AI使用门槛。本质上,它打破了技术垄断,让个体能够借助工具实现能力的跃迁。 在无限“流动”时代,品牌唯有成为用户追求进步的 “盔甲”与“武器”,助其在各自战场取胜——这才是最稳定的 “价值之锚”。 四、共赢之道:从“压榨对象”转型“可持续伙伴”! 2025年上半年,两场看似只是“热点”的商业事件,正悄然撬动着未来格局,推动着商业进步: 京东外卖的“社保破局”: 在补贴横行的外卖红海,京东以“为骑手缴纳社保”切入,直击行业痛点与社会关切,进而掀起外卖小哥的社保革命。 汽车行业的“60天账期革命”: 面对“车圈恒大”信任危机,主流车企集体承诺将供应商付款账期缩短至60天以内。 这绝非孤立现象,而是“价值链压榨”模式崩塌的信号。其背后,是“可持续伙伴关系”新范式的崛起——这一范式,早已被Costco与胖东来等长期主义赢家所验证。 1、 员工:从成本到核心资产,驱动“超凡效率与极致服务”的引擎 我们始终认为,如果你去雇用优秀的员工,并提供良好的工作、薪酬、福利和职业发展机会,那么你的企业就会有好的发展。 ——Costco创始人吉姆·辛格 Costco的行动比口号更有力:“将每1美元收入的70美分花在了员工身上”,所以他们拥有全球零售业顶级的薪酬水平和福利待遇(员工平均时薪约26美元,远超沃尔玛18美元),再加上平等文化,帮助他们创建了一支进取队伍和远超同行的员工忠诚度(员工流失率低于10%,远低于山姆21%和沃尔玛44%)。 胖东来的“幸福生产力”哲学同样闪耀:员工可以坐着上班; 每日工作6-7小时、心情不佳可请假;三十天带薪假期;每周二闭店;即使保洁员工收入超7000元…。员工的尊严感与幸福感,直接转化为服务用户的热情与效率,形成强大的内生动力。 他们的实践证明:对员工的真诚投入绝非成本负担,而是“员工满意→用户满意→商业成功”这一正向循环的新零售根基与核心生产力。当行业沉迷算法压榨时,善待员工反成最“激进”的效率革命。 2、供应商:从压榨对象到成长伙伴,构建“价值共享体” 新一代零售的核心竞争力,源于摒弃压榨,建立共生: Costco的“价值共享”:“价低质高”的核心,既不牺牲品质,也不转嫁成本压力供应商。而是通过自我毛利压缩(承诺不超14%)与极致运营效率。 胖东来的“伙伴规则”:不收任何后台费用(入场费、堆头费、促销等);主动结账(月末主动致电供应商前来结清货款);共享客流(在商场显著位置展示供应商信息,为其引流);主动让利(当某商品销量过大,主动提出为供应商涨价)等。 中国山姆的“赋能式合作”:与供应商建立平等对话机制;派驻专业人员指导生产流程,细化至用工标准(如禁止工人超时工作影响品质);帮助供应商改造车间等。 当传统商超仍在收取堆头费时,讨论供应链效率时,空谈三年战略目标时,这些标杆企业已构建起“标准输出-技术赋能-需求反哺”的价值链共创生态。它们的成功揭示了一个深刻真相:真正的供应链优势,不在于压价能力,而在于能否赋能伙伴,实现能力跃迁与价值共创。 更重要的是,它们如同矗立在新商业文明航路上的灯塔,其光芒不仅照亮自身,更清晰指引整个商业体系向更健康、可持续、富有人文关怀的方向演进。 外卖小哥的“社保风暴”与汽车业“60天账期”革命,正是对这一趋势的响应。这些变革昭示着:从员工到供应商,将价值链上的每个环节视为“可持续伙伴”而非“压榨对象”,已不仅是道德呼唤,更是未来中国新消费图景中关乎品牌胜出的关键商业智慧——它构成了继“动员机制”、“情绪共鸣”、“价值锚定”之后的第四大核心生存逻辑。 五、小结:“我们”的意义——在速朽时代建造“不朽” 是时候从流量这个旋转木马上下来了,因为这个木马虽然跑得越来越快,却哪儿都去不了。 是时候停止欺骗和打扰了。 是时候停止做电视广告和电梯广告假装你很受欢迎了。 是时候停止为普通人制造普通产品,还安想不只可以改变一件商品的价格了。 是时候停止乞求人们成为你的客户了,是时候停止为你的工作收费而感到不好意思了。 是时候停止寻求捷径,开始走一条长远的、可行奏效的道路了 ——《这次是营销》 2025年上半场的商业图景,已然勾勒出生存框架:“动员力”破解传播困局,“情绪力”攻克心灵防线,“价值力”锚定选择坐标,“伙伴力”成就商业未来。这四大新法则,如同五根手指——握紧时就能形成穿越商业周期的坚实拳头。 同时,2025下半场的生存法则也逐步清晰:生存,属于激发用户参与和共创的引领者;活力,源于与用户深度共鸣的共情者;持久,归于持续创造新价值的创新者;而最终的赢家,必是将价值链上的每个节点,都转化为“命运共同体”的长期主义者。 而「我们」——所有品牌人/营销人/广告人——都要意识到:「我们」握有改变的力量,让事情变得更好! 本文由人人都是产品经理作者【品牌猿】,微信公众号:【品牌猿创】,原创发布于人人都是产品经理,未经许可,禁止转载。 题图来自 Unsplash,基于cc0协议
如何在有限的时间、人力和预算中,高效地推进关键需求,是衡量产品经理决策能力和战略眼光的重要标准。本文将深入解析一道高频产品面试题,供大家参考。 今天解析一道考验产品经理决策能力的高频面试题:当资源有限时,你如何进行需求优先级排序? 这个问题直击产品经理日常工作的核心挑战,也是检验产品思维成熟度的关键命题 ⚡ 1️⃣ 面试官为什么问这个问题? 面试官通过这个问题主要考察以下几点: 决策框架:你是否有系统化的需求评估和排序框架 权衡思维:你如何在多维度目标中进行理性取舍 量化能力:你能否将抽象需求转化为可衡量的指标 沟通协调:你如何处理跨部门利益冲突和资源协调 战略思考:你是否能将短期决策与长期目标关联起来 本质上,面试官想了解你如何在”想做的事情永远比能做的多”的现实约束下,做出明智的取舍,这是产品经理日常工作的常态。 2️⃣ 常见误区:大多数候选人怎么答错的? 过度依赖单一维度:仅从商业价值或技术难度单一角度考虑 缺乏结构化方法:凭直觉或个人偏好排序,没有系统框架 模糊不清的标准:”重要性”这类无法量化的模糊概念 忽视利益相关方:只从产品视角出发,忽略其他部门诉求 决策过程不透明:无法清晰解释为什么A优先于B的原因 3️⃣ 答题框架:PRIME模型 回答需求优先级排序问题,我推荐使用PRIME框架: P – Purpose Alignment (目标对齐):与业务目标和战略方向的一致性 R – Return on Investment (投资回报):投入产出比评估 I – Impact Assessment (影响评估):对用户和业务的影响程度 M – Minimum Effort Solution (最小努力方案):实现成本和复杂度 E – Evidence-based Decision (基于证据决策):数据支持和风险评估 4️⃣ 内容深度:核心要点必须覆盖 进行需求优先级排序时,必须涵盖以下关键点: 多维度评估矩阵:至少包含业务价值、用户价值、实现难度三个维度 量化评分方法:每个维度的具体评分标准和权重分配 依赖关系处理:需求间技术依赖和业务依赖的处理方法 跨部门协作机制:如何平衡和协调不同部门的利益诉求 动态调整机制:如何根据环境变化及时调整优先级 5️⃣ 加分项:如何脱颖而出 想要在回答中展现高级产品思维: RICE模型应用:提及并正确运用Reach, Impact, Confidence, Effort模型 机会成本分析:讨论选择某需求的机会成本和替代方案 战略分类法:使用如Now-Next-Later或MoSCoW等分类法 最小可行产品思维:将大需求拆分为渐进式交付的子需求 数据驱动的验证闭环:提出如何通过实验验证优先级决策是否正确 6️⃣ 资深产品总监参考答案 在资源有限的情况下进行需求优先级排序,是产品经理日常工作中最核心的挑战。我采用PRIME框架来系统化解决这一问题。 目标对齐分析: 首先,我会确保需求优先级与业务战略目标保持一致。我通常会: 明确当前阶段的核心业务指标(如获客、激活、留存、变现等) 识别对应的产品目标和关键结果(OKRs) 评估每个需求对这些目标的贡献度 设定0-10的量化评分,确保团队理解评分标准 例如,如果公司当前阶段核心目标是提高用户留存率,那么所有直接提升留存的需求会得到较高的战略一致性分数。 投资回报评估: 接下来,我会计算每个需求的投资回报率: 评估预期收益:包括直接收入、成本节约、用户增长等 量化开发成本:包括人力、时间和机会成本 计算ROI指数: 收益/成本 设置信心系数:基于数据支持程度、假设验证情况等 我会使用RICE得分法(Reach × Impact × Confidence ÷ Effort),将这一步骤量化。例如,我曾负责的一个社交产品中,通过RICE评分发现,看似不起眼的消息已读回执功能得分远高于团队初始直觉认为重要的高级滤镜功能。 影响评估分析: 然后,我会从多角度评估需求影响: 用户影响:涉及用户比例、使用频率、满意度提升程度 业务影响:对关键业务指标的直接和间接影响 品牌影响:对品牌认知和市场定位的影响 竞争影响:是否能创造竞争差异化 对于每个影响维度,我会根据量级(微小、小、中、大、巨大)进行1-5分评分。例如,在电商平台中,搜索体验优化通常会得到较高的用户影响分,因为它影响大量用户的核心路径。 最小努力方案: 评估实现成本和复杂度时,我会: 与技术团队合作评估开发工作量 识别技术风险和不确定性 考虑跨团队协作复杂度 探索MVP方案和渐进式实现路径 比如,我们曾将”个性化推荐”这个大需求拆分为三个阶段:基础推荐(基于类别)、兴趣标签推荐、完全个性化算法,通过渐进式交付降低了实现风险。 基于证据决策: 最后,我强调用数据和证据支持决策: 分析用户反馈频率和强度 研究竞品解决方案和市场趋势 通过A/B测试验证假设 评估需求间的依赖关系 例如,在优先级决策中,我们会特别关注有大量用户自发反馈或支持数据的需求,而对缺乏证据支持的”感觉重要”的需求持谨慎态度。 实际案例分享: 在我负责的一款生产力工具中,我们面临20多个待开发需求,但只有一个5人团队在3个月迭代周期内实现。 我首先建立了评分矩阵,包含: 战略一致性(0-10):与提升专业用户留存的季度目标一致性 用户影响(0-10):基于用户研究和反馈频率 商业价值(0-10):对收入或用户增长的贡献 实现复杂度(0-10):越简单分数越高 每个需求得到一个综合分数:(战略×0.3 + 用户×0.3 + 商业×0.2) ÷ (复杂度×0.2) 通过这一框架,我们将原本主观的优先级排序变成了数据支持的决策过程。结果显示,”批量编辑”功能排名最高,而团队原本偏好的”云端同步”功能因复杂度高而被推迟。 实际实现后,批量编辑功能确实带来了15%的专业用户使用时长增长,证明了排序框架的有效性。 除了量化评分,我也会考虑一些定性因素: 是否有关键时间窗口(如季节性需求) 是否有战略合作依赖 是否与其他产品规划协同 最终,我通常会将需求分为”本周期必做”、”下周期可能”和”待观察”三类,并与团队和利益相关方透明沟通决策理由,确保共识一致。 需求优先级排序不仅是一个技术决策,更是平衡多方利益、实现资源最优配置的艺术。成熟的产品经理需要在数据和直觉之间找到平衡,在战略和战术之间灵活切换。 本文由 @Kris 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议
在能源、金属和农产品等大宗商品交易领域,价格波动如同过山车般剧烈,交易员们时刻面临着巨大的风险。此时,CTRM(商品交易与风险管理)系统的风控管理体系便成为了交易的“定海神针”。本文将深入剖析CTRM风控体系在大宗商品交易中的重要性,探讨其如何通过敞口计算、限额管理、压力测试、保证金管理等核心要素,深度嵌入交易的每一个环节,精准识别和管理风险。 在能源、金属、农产品交易的江湖里,CTRM 系统的风控管理体系堪称定海神针。当原油价格如过山车般俯冲,铜价因矿山消息一飞冲天,或是农产品主产国突然宣布出口禁令,交易员们在全球市场上闪转腾挪,头寸敞口瞬息万变。此刻,若没有一套坚如磐石的风控体系,就如同在狂风暴雨中驾驶纸船,刺激有余却危机四伏。正如纳西姆・尼古拉斯・塔勒布在《黑天鹅》中警示的:“我们总是低估了随机性。” 而在 CTRM 的世界里,风控就是对抗这种 “随机性魔鬼” 的圣骑士团。 CTRM 的风控绝非交易完成后的 “事后算账”,它更像一个高度集成、实时响应的 “神经系统”,深度渗透在交易生命周期的每一个环节。从交易意向萌生、谈判敲定、执行确认、头寸管理,到最终的结算和报告,它始终如影随形。用索罗斯的理念改编来说,其目标就是认清风险本质,在风险毁灭业务之前,要么精准管理它,要么巧妙利用它 —— 毕竟,对冲本身就是一门利用风险的艺术。 一个强大的 CTRM 风控体系,是多种核心要素协同作战的精密系统。敞口计算与实时监控堪称风控的 “火眼金睛”。在大宗商品交易复杂的实物链与金融工具交织中,要先明确面临的价格风险、信用风险、流动性风险、操作风险等。通过实时抓取市场数据、头寸数据、对冲头寸,运用裂解价差、加工毛利 Spread 等估值模型,快速算出总敞口、净敞口、在险价值(VaR)。例如一家原油加工企业,CTRM 系统实时计算原油采购成本、成品油销售价格及期货对冲头寸,一旦 “裂解利润敞口” 触及亏损警戒线,警报即刻拉响,让风控告别盲人摸象的困境。 限额管理则是给风险 “野马” 套上的缰绳。它并非随意设定的数字,而是基于公司风险偏好、资本实力、历史表现和压力测试结果精心设计。对手方信用限额防止客户过度欠款;产品 / 商品集中度限额避免头寸过度集中;VaR 限额量化市场风险;止损限额截断人性导致的亏损扩大;名义本金 / 头寸规模限额控制投机规模。好的 CTRM 还支持动态限额、层级限额,以及硬限额与软限额的区分,明确业务边界,正如彼得・林奇所说 “知道你在做什么,知道为什么做,比知道何时做更重要” 。 压力测试与情景分析是风控的 “末日模拟器”。普通市场波动下 VaR 模型或许够用,但面对 “黑天鹅”“灰犀牛” 事件,压力测试主动模拟极端情景,如油价暴涨、港口关闭、对手方破产等,评估组合承受能力与现金流状况,“晴天修屋顶” 提前发现脆弱点。情景分析则更具前瞻性,通过假设如出口关税加征、新能源技术突破等事件,助力制定战略。像依赖进口天然气发电的企业,定期运行 “俄罗斯管道完全断供” 压力测试,据此调整采购与对冲策略 。 保证金与抵押品管理是风控的 “真金白银” 护城河。在衍生品交易中,保证金是核心,初始保证金是入场券,变动保证金是每日结算单。CTRM 风控需精准预测保证金需求,高效管理抵押品,包括资产类型、价值重估与分配优化,毕竟在大宗商品风控中,“现金为王” 体现得淋漓尽致。信用风险管理则要警惕对手方这个 “暗箭”,通过集成外部信用数据、建立内部评估模型、动态监控信用限额、管理抵押担保,防止因对手方违约造成重大损失。 操作风险控制旨在堵住 “人非圣贤” 的漏洞。通过 “四眼原则” 自动化关键操作复核,设置审批工作流管控大额特殊交易,完备的审计追踪记录操作痕迹,保障系统健壮性与安全性。报告与预警是风控的 “烽火台” 与 “指挥室”,实时仪表盘呈现关键指标,智能化预警及时推送异常,定制化报告满足各方需求,确保信息传递及时清晰。 设计 CTRM 风控体系,是在 “油门” 与 “刹车” 间寻找微妙平衡。过严会束缚交易员手脚,错失市场机会;过松则形同虚设,危及公司存亡。黄金法则在于以风险偏好为纲领,将风控深度嵌入业务流程,结合量化模型与经验判断,保持灵活性与前瞻性,并注重用户体验。糟糕的用户体验会让强大的风控引擎沦为摆设,只有让风控逻辑自然融入日常操作,才能实现 “润物细无声” 的效果。 当设计 CTRM 风控体系时,不妨将其想象成打造 “金融生存游戏” 的规则引擎。敞口计算是生命值血条,限额管理是安全区边界,压力测试是地狱副本演练,保证金是关键补给,信用风险是提防队友背刺,操作风险是防止手残盗号,报告预警是小地图与危险提示。一个优秀的风控体系虽不能让业务无敌,但能大幅提升 “通关率” 与 “生存质量”,让交易员敢于在规则内亮剑,管理层相对安心,企业在大宗商品的惊涛骇浪中稳坐钓鱼船。毕竟,风控的目标不是消灭风险,而是让风险变得 “明明白白”,让潜在损失 “可控可承受”。是时候优化手中的风控引擎,在风控的钢丝上走出优雅舞步,实现 “安全” 与 “盈利” 的共舞了! 本文由 @红岸小兵 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
在电商行业竞争日益激烈的当下,即时零售正成为巨头们的新战场。美团、淘宝、京东纷纷布局这一领域,凭借各自的优势展开激烈角逐。本文将深入剖析美团闪购、淘宝闪购和京东到家的竞争策略,探讨它们在即时零售领域的优势与挑战,并展望未来即时零售市场的发展趋势,揭示谁最有可能在这场“三国杀”中脱颖而出,成为终极赢家。 在电商行业的发展历程中,每一次新趋势的涌现都仿佛一颗投入湖面的石子,激起层层涟漪,引发行业的巨大变革。而如今,即时零售就如同这颗石子,正以迅猛之势重塑着电商格局。 近年来,即时零售市场规模呈现出爆发式增长,成为电商领域中当之无愧的潜力新星。据相关数据显示,2023年我国即时零售市场规模已超过6500亿元,预计到2030年将增至2万亿元,这一数字的背后,是消费者购物习惯的悄然转变,也是电商行业发展的全新机遇。 在传统电商模式增量逐渐见顶的当下,即时零售凭借其“线上下单、线下履约,商品能够在极短时间内送达”的独特模式,迅速抓住了市场的眼球,成为电商巨头们竞相角逐的新战场。其中美团闪购、淘宝闪购、京东到家更是成为这场竞争中的三巨头,它们凭借各自的优势和资源,在即时零售领域展开了激烈的争夺,那么在这场混战中,究竟谁能抢跑,谁又能最终胜出呢? 巨头逐鹿,各显神通 面对即时零售这块诱人的蛋糕,美团闪购、淘宝闪购、京东到家这三大巨头自然不会错过,它们凭借各自的优势,在战场上纵横捭阖,展开了一场精彩绝伦的较量。 1. 美团:零售老将再出发 作为本地生活领域的领军者,美团在即时零售领域同样占据着重要地位。面对激烈的市场竞争,美团迅速做出反应,在骑手政策调整和即时零售品牌建设等方面采取了一系列有力措施。 在骑手政策方面,美团自2025年5月1日0时起,免除外卖智能柜的使用费用,这一举措有效降低了骑手的配送成本,提高了他们的收入。同时,美团还升级了大病关怀计划,将众包骑手的未成年子女也纳入了保障范围,扩大了覆盖病种的范围,为骑手家庭提供了更全面的健康保障,解决了骑手的后顾之忧。 在即时零售品牌建设方面,美团推出了“美团闪购”品牌,定位为“24小时陪伴消费者的新一代购物平台”。美团闪购联合近百万家实体门店,为消费者提供“30分钟送达”的服务体验,还打造了“安心闪购”服务保障体系,针对数码家电、酒水茶饮等高价值商品提供“安心送”服务,让消费者即买即用。 美团的这些举措,进一步巩固了其在即时零售市场的领先地位,提升了用户的满意度和忠诚度。同时,美团也在不断探索新的业务模式和增长点,如拓展小象超市的覆盖区域、加快“走出去”参与全球即时零售竞争等,为即时零售行业的发展带来了新的思路和方向。 2. 淘宝闪购:升级与破局 4月30日,淘宝天猫旗下即时零售业务“小时达”正式升级为“淘宝闪购”,并在淘宝App 首页Tab以“闪购”一级流量入口展示,首日上线50个城市,5月6日便推广至全国,如此迅速的扩张速度,足见淘宝对即时零售业务的重视和决心。 此次升级,淘宝闪购联合饿了么共同加大补贴力度,推出了一系列极具吸引力的福利,如免单红包、免单奶茶、大额满减外卖券等。同时,饿了么全品类供给向淘宝闪购开放,这使得淘宝闪购的商品品类得到了极大的丰富,涵盖了餐饮外卖、生鲜蔬果、日用百货等多个领域,满足了消费者多样化的购物需求。 淘宝闪购还依托淘天品牌电商优势,与城市仓、线下门店合作设立品牌即时零售旗舰店,目标覆盖200家核心连锁品牌 。通过这种方式,淘宝闪购不仅为消费者提供了更多优质的商品选择,还进一步提升了品牌的影响力和竞争力 淘宝闪购的升级,对即时零售市场产生了深远的冲击和影响。它打破了原有的市场格局,加剧了市场竞争,促使其他平台不得不加快创新和升级的步伐。同时,淘宝闪购也为消费者带来了更多的选择和更好的购物体验,推动了即时零售行业的整体发展。 3. 京东外卖:跨界的战略考量 京东以“品质外卖”作为切入即时零售的突破口,看似是一次跨界之举,实则蕴含着深刻的战略考量。 京东拥有强大的物流体系和丰富的用户数据,这为其开展外卖业务提供了坚实的基础。通过与达达的紧密合作,京东外卖在配送环节具备了高效、快捷的优势,能够确保餐品及时送达消费者手中。为了吸引商家入驻,京东推出了极具吸引力的免佣政策。在2025年5月1日前入驻的商家,全年免佣金。这一政策直接降低了商家的运营成本,吸引了众多品质堂食餐厅的加入。 京东外卖的上线,不仅为消费者提供了更多高品质的外卖选择,也为京东的即时零售业务注入了新的活力。高频的外卖服务有助于提升APP的日活,将流量延伸至生鲜、日用百货、3C等京东优势品类,实现流量的高效转化,反哺主站GMV增长。同时,京东外卖也在不断探索创新,通过与商家的深度合作,推出更多个性化的服务和产品,满足消费者日益多样化的需求。 市场趋势下的即时未来 在即时零售这片充满机遇与挑战的战场上,未来的发展趋势犹如迷雾中的航标,指引着美团、淘宝、京东三大巨头前行的方向。消费者需求的变化和技术的飞速发展,将成为塑造未来即时零售格局的两大关键力量。 一是,未来消费者对品质和服务的要求也越来越高。他们不仅关注商品的价格,更注重商品的质量、品牌以及购物过程中的体验。 为了满足消费者的这些需求,美团闪购不断丰富商品品类,除了传统的餐饮、生鲜、商超等品类外,还积极拓展服饰、美妆、数码等领域,为消费者提供更多选择。美团闪购还通过优化配送算法,进一步提升配送时效,确保商品能够在更短的时间内送达消费者手中。淘宝闪购依托淘宝天猫的强大品牌资源,引入了众多知名品牌,提升了商品的品质和信誉度。淘宝闪购还通过与饿了么的合作,加强了对配送服务的管理和监督,提高了配送服务的质量和稳定性。京东到家则凭借京东的供应链优势,确保商品的品质和供应稳定性。京东到家还推出了“京尊达”等高端配送服务,为消费者提供更加优质、个性化的配送体验。 二是,技术的飞速发展为即时零售的腾飞插上了翅膀。人工智能、大数据等先进技术在即时零售领域的广泛应用,正深刻地改变着行业的运营模式和服务体验。 在供应链管理中,人工智能与大数据助力企业精准预测、智能选品及库存优化。分析消费者购买行为和偏好,企业可提前预测市场需求,合理安排库存,减少缺货和积压,提升供应链效率与灵活性。在配送环节,智能调度系统与无人驾驶技术的应用,显著提高了配送效率与准确性。智能调度系统依据订单位置、重量、配送时间等因素,自动分配最优配送路线和人员,实现高效配送服务。 美团闪电仓是技术创新的典范。作为前置仓,闪电仓借助大数据和人工智能技术,实现精准选品和库存管理,布局于城市各区域,贴近消费者,可快速响应订单需求,实现“分钟级”配送。京东七鲜则通过数字化供应链管理,优化采购、仓储到配送全流程。利用大数据分析消费者需求和偏好,京东七鲜优化商品采购计划,确保商品新鲜度和品质,同时采用自动化仓储和分拣设备,提高仓储配送效率,降低运营成本。 未来,随着消费者需求的不断变化和技术的持续发展,即时零售市场的竞争将更加激烈。美团有望凭借其深厚的配送和商家资源底蕴,持续巩固领先地位,进一步拓展市场份额;淘宝可能通过电商与即时零售的深度融合,利用流量和生态优势,实现快速增长;京东则可能依靠供应链和技术创新,在品质和服务上发力,提升用户体验,争夺市场份额。 从长远来看,即时零售行业具有巨大的发展潜力和广阔的前景。随着数字化进程的加速和消费者消费习惯的转变,即时零售将逐渐成为人们日常生活中不可或缺的一部分。 结语:谁能笑到最后? 美团、淘宝、京东在即时零售这场“三国杀”中,都展现出了强大的实力和决心,各自有着独特的优势与面临的挑战。美团凭借先发优势和全方位的竞争力,在市场中暂居领先;淘宝携庞大资源入局,潜力不容小觑;京东依靠供应链和物流的底蕴,奋力追赶。 即时零售市场的竞争才刚刚开始,未来充满了变数。这场竞争没有绝对的胜负,最终的胜出者,一定是能够不断满足消费者需求,提供极致购物体验,在价格、时效、服务等多方面做到极致平衡的企业。对于消费者来说,这场巨头间的较量无疑是一场福利盛宴,无论谁能笑到最后,消费者都将是最大的受益者。 本文由 @三车财观 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自 Pixabay,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
作为新兴产业,低空经济正在成为推动社会经济发展和科技创新的重要力量。它不仅涵盖了交通出行、物流运输等传统领域,还拓展到了文旅观光、城市管理、环境监测、公共安全等多元场景。 之前讲了低空经济爆火的背后的原因,现在我来讲讲低空经济有哪些应用场景,感兴趣的小伙伴来看看吧。 交通出行 应用内容 在交通出行方面,载人无人机是未来城市交通的重要组成部分。以电动垂直起降飞行器(eVTOL)为代表的载人无人机引领城市空中交通变革。相比传统的直升机,采用多旋翼设计的eVTOL占地面积更小、机动性更强,能在城市中心、屋顶停机坪、小型空地等便捷起降,通过城市空中交通实现点对点运输,极大提高运输效率、降低延误风险。 应用案例 1)eVTOL跨海跨城首次演示飞行 2024年2月27日,峰飞航空科技自主研制的5座eVTOL航空器盛世龙进行首次航线飞行演示,完全模拟一家人从深圳蛇口邮轮母港飞至珠海九洲港码头,将单程2.5到3小时的地面车程缩短至20分钟。这是全球首条跨海跨城eVTOL电动垂直起降航空器航线的公开首次演示飞行,跨越珠江入海海湾,连接粤港澳大湾区的两座核心重要城市,往返飞行超过100公里。 2)峰飞航空eVTOL在中东首飞峰飞航空eVTOL在中东首飞 2024年5月6日,经阿联酋民航总局批准,峰飞2吨级eVTOL凯瑞鸥在阿拉伯联合酋长国艾因市的猎鹰通用航空机场完成首飞,实现中国吨级以上eVTOL在海外的首飞。 3)川渝通用航空短途运输航线开通 2024年12月27日,梁平⇌达州、梁平⇌北川的通用航空短途运输航线成功首航,标志着首条连通川渝通用航空短途运输航线正式开通。 4)上海试飞首条直达酒店的低空航线 2025年1月14日,上海新空直升机有限公司试飞了从浦东星野直升机飞行基地到上海养云安缦酒店的航线。这条航线不仅是上海首条市内点对点的交通航线,也是上海首条直达酒店的航线。随着上海的酒店开通低空航线,未来浙江的安缦也会出台类似服务。 5)小型通航飞机启航 2025年3月,落户长沙经开区的第一架小型通航飞机将启航首飞;6月,氢能源飞机DH701首飞。 6)浦东低空交通运输体系建设新征程开启 2025年2月28日,上海浦东低空交通运输体系建设新征程开启。 物流运输 应用内容 在物流配送方面,无人机的应用尤为突出。无论是在地面交通拥堵的城市,还是地形复杂或交通基础设施匮乏的山区、海岛等,无人机单独或与其他交通方式协作,均能高效完成包括易腐生鲜等对时效性要求严格的物品快速递送。世界各大企业纷纷入局无人机物流配送,显著提升消费者体验与供应链效率。 应用案例 1)粤港澳大湾区首条跨海低空物流商业化航线 2024年4月,粤港澳大湾区首条跨海低空物流商业化航线启动仪式在中山市小榄镇宏昌物流园举行。这次实现首飞的大湾区首条跨海低空物流商业化航线,是深圳与中山之间开通运营的首条低空飞行商业化物流航线,构建起了两地的“空中深中通道”。“深圳-中山”跨城航线往返于深圳南山与中山小榄,飞行单边里程为71.7km,正常情况下,深圳南山-中山小榄需要1.5小时车程,无人机运输只需要40多分钟,实现1小时内点对点配送服务,比传统地面交通工具有优势。 2)落地“中欧班列+低空物流”配送模式 2024年8月7日下午,中国首个“中欧班列+低空物流”配送模式落地成都,这也是成都国际铁路港跨境电商进口商品无人机直达配送业务的“首秀”。这一业务串联起中欧班列和低空物流两种运输方式,进口商品经中欧班列抵达成都的时间相比海运节约30天。同时铁路运输和无人机直达配送都使用电力驱动,物流运输方面平均减少56%碳排放。 3)成渝地区首条低空飞行航线获批启用 首航!成渝双城间推出首条低空物流航线2024年12月,北川永昌机场至达州金垭机场至重庆梁平机场的短途运输飞行航线正式获批划设。这标志着成渝地区首条低空飞行航线正式建成并获批启用。 4)“低空+高铁”跨城联运 2024年12月25日,全国首个“低空+高铁”跨城联运场景在杭投入运行,从浙江省血液中心出发,快件通过“无人机+高铁”的运输方式,1小时到绍兴、2小时到台州。 5)“低空一号”试飞成功 2024年12月25日上午,广州市越秀区首条低空物流航线——珠江“低空一号”在珠江·星火1926试飞成功。 6)余杭开通“外卖”航线 2025年1月,余杭新开通一条万达广场(杭州余杭店)至小古城村与径山花海的“外卖”航线。 7)美团无人机复旦正式开航 2025年3月13日,据美团官方公众号发布消息,美团无人机在复旦大学正式开航。无人机平均每 15 分钟完成一次往返飞行,实现 “商圈下单 – 校园交付” 全流程自动化 8)云南顺丰无人机+全货机运输模式 2022年,为满足春茶的运输时效,云南顺丰借助空网+陆网运力,通过无人机+全货机无缝对接的全新运输模式,将新鲜采摘的春茶从山头到茶厂、从茶厂到机场、从机场到全国,送达万千茶客手中。 2023年,服务迪庆松茸产业的第十年,云南顺丰基于自身资源能力和科技优势,不仅投入全货机,还在松茸产区投入无人机,依托“无人机+全货机”,为松茸运输搭建“空中走廊”,保障松茸新鲜出滇,进一步助力松茸产业发展壮大。 9)武汉汉阳至仙岛湖低空航线运营 2025年4月10日,武汉汉阳至仙岛湖低空航线投入运营。 10)河南郑州:无人机快递驶入乡镇 2025年5月30日,郑州国际陆港顺丰仓至比亚迪(百汇新天地起降点)和郑州国际陆港顺丰仓至岗李乡镇区(顺丰速运网点起降点)无人机“快递”航线开通。 11)武汉新增10条低空物流航线 2025年6月16日,飞行服务航线连接武汉三镇(武昌、汉口、汉阳)核心区域的汉商低空港正式投入运营。汉商低空港由汉商集团旗下汉商低空科技有限公司建设运营,形成由1个数字化实时调度平台、2个智慧指挥中心、10条低空航线、22个智能停机坪组成的专业化低空物流运营体系,主要服务于海鲜、鲜切花、医药品等商品的配送和应急保障。 农业植保 应用内容 在农业植保方面,无人机搭载高分辨率相机、多光谱传感器等,实现作物健康监测、灌溉评估、精准喷洒、播种与病虫害等早期预警。2010年,中国出现首款商业化植保无人机。自2014年中央一号文件提出加强农用航空建设以来,植保无人机产业快速发展。中国植保无人机市场基本实现国产化,构建完备的生态链。以大疆农业无人机为例,其全球累计保有量超20万台,累计作业面积达30多亿亩次。 应用案例 1)吉林省安图县利用科技为粮食增产 2023年9月初,吉林省安图县抢抓窗口期,出动无人机11架、直升机3架,完成全县25万亩玉米、大豆的磷酸二氢钾、生长调节剂、抗旱保水剂等混合液喷洒任务。 2)重庆市彭水苗族土家族自治县的水稻植保案例 2024年,重庆市彭水苗族土家族自治县以水稻作物为重点,开展施肥新技术、新产品、新机具“三新”集成配套示范3万亩,辐射带动15万亩以上,利用无人机多光谱图像传感器,获取田间水稻叶片光谱信息,开展农作物植株营养动态诊断监测,采取“无人机航化作业+水溶性新型肥料”作业模式,利用无人机喷施磷酸二氢钾和微量元素等水溶性叶面肥料。 文旅观光 应用内容 空中游览、飞行体验、航空运动等各式各样的低空文旅活动不断涌现。该场景主要是指在低空空域内使用航空器搭载游客开展观赏、游览、娱乐、运动等内容的飞行活动。从全产业链视角看,既包括航拍航摄、飞行培训、低空赛事、低空运动、低空旅游、低空会展、低空飞行表演与宣传、低空文化交流等活动,还广泛涉及地面上的低空文化园区、低空消费小镇、低空飞行营地等设施和服务内容的培育建设。 应用案例 1)张掖丹霞景区低空游览项目 2019年5月中旬以来,张掖七彩丹霞景区相继启动“直升机鸟瞰最美丹霞”“热气球空中观景”“动力伞俯瞰丹霞”等低空游览项目,让游客以天空的视角欣赏张掖丹霞地貌群。 2)中国首个海岛县无人驾驶低空观光项目 2024年12月9日上午,“翼启飞翔 跨阅山海”无人驾驶低空观光首航仪式在汕头南澳县举行。随着无人驾驶飞行器成功首飞,汕头成为粤东地区首个正式跻身“低空经济”赛道的城市,该项目也成为中国首个海岛县落地的无人驾驶低空观光项目。 3)重庆至广安往返低空航线开通 2024年12月25日,重庆至广安往返载人红色旅游低空航线正式开通。机舱内座位布局为2+3形式,可搭载4名乘客,从重庆起飞至广安仅需约40分钟,相比乘坐汽车可节省1个小时。 2025年,黄河入海口航空飞行营地启用,从云端俯瞰星罗棋布的油田设施和壮阔秀美的黄河入海口奇观,体验新奇的黄河入海口低空飞行观览,为游客们带来了旅游季的新体验。 4)崇明区低空旅游项目启动 2025年4月25日,上海崇明区低空旅游项目在长兴岛太酷未来村正式启动。 5)上海中心城区首条定制化低空观光航线开通 2025年5月19日,上海中心城区首条定制化低空观光航线从环球港五楼户外平台起飞,途径上海体育馆—卢浦大桥—南浦大桥—陆家嘴—杨浦大桥(浦东一侧)等上海标志性景点后原途返回,全程飞行约15分钟。 6)“空中看漳州”项目 2025年5月19日上午,“空中看漳州”项目在长泰正式启动。“空中看漳州”无人驾驶载人航空器在长泰十里蓝山景区成功首飞。 7)雅安旅游开始打“飞的” 2025年5月28日,四川雅安低空文旅启航活动在雨城区举行,随着EH216-S电动垂直起降eVTOL航空器拔地而起,全国首个低空文旅融合示范项目实现载人首飞突破。同时,雅安首个按照国家无人驾驶载人eVTOL标准建设的起降平台也正式投用。 城市管理 应用内容 在城市管理的天空中,无人机像智能哨兵一样,以其独特的视角和能力,为城市带来了全新的管理方式。它们不仅提升监管的效率,还增强对城市环境的感知和响应能力。随着低空经济的高速发展,中国各城市低空建设和应用加速落地,无人机在城市管理中的应用也日显成效。 [54] 应用案例 1)大型活动的空中监控 2022年11月14日,宜昌奥体中心无人机智能机场投入使用,工作人员操控智能巡逻无人机进行巡逻。该机升空后可对地面人员间距、佩戴口罩等情况智能识别,通过高空喊话加以提醒,形成空地一体联动。奥体中心同时设置有智能机场、专用机库和微型气象站,实现无人机根据天气情况自行起降开展巡查,为湖北省运会保驾护航。 2)广州尝试“无人机+执法实战” 2024年,广州将无人机与镇街综合执法、违法建设查控、水源保护地执法等工作实际结合,进一步减少对市场主体正常生产经营活动的影响。比如,南沙区大岗镇运用无人机查违的工作模式,从传统的人巡转变为“人+无人机+信息化指挥中心”,逐步实现全流程在线执法,自开展使用创新工作方式以来,已累计处理200宗疑似案件。黄埔区云埔街道利用无人机开展辖区违建巡查工作,在节假日通过无人机高空巡查、地图色块比对分析、执法队员实地勘查的立体式执法。 环境监测与保护 应用内容 在环境监测与保护方面,无人机搭载红外热成像仪、多光谱相机、水质传感器及空气质量监测设备等,已成为实时、精准、无干扰的生态监测利器。自2022年起,中国生态环境部门与多家科技公司合作,对长江流域重点河段进行定期空中监测。无人机飞行高度适中,能快速覆盖大片水域,采集到包括溶解氧、pH值、蓝藻密度、浊度等水质信息,并实时传输至地面控制中心,通过智能算法进行分析,及时识别潜在污染源、异常水质变化及蓝藻爆发风险等。 应用案例 1)四川宜宾开展无人机+无人船“空水立体化”巡检测绘 2024年5月初,九龙滩信号台无人机自动机库投入使用,实现无人机首次在长江干线川江航道全工作流程的自动巡检。在这一巡检模式下,无人机单次巡航里程可达20公里,航道管理人员足不出户就能全面掌握航道实时情况,此外无人机还具有作业频次高、巡检范围广、成图精度高等优势。 2)黄山无人机运送货物+森林保护 2023年5月开始,黄山风景区试行开展无人机物流运输生产作业,5架无人机采取双机运输模式,上行补给物资,下行以布草、垃圾运输为主。在黄山,无人机除了能够运输物资,还能够借助高分辨率图像捕捉能力和后端AI图像识别技术监测松林健康,探索通过搭载的红外热成像摄像头,及时发现异常热点并通过平台发送火情信息,助力林业有害生物防控和森林防火。 公共安全与应急响应 应用内容 在公共安全与应急响应方面,无人机在应对自然灾害、交通事故、搜索救援、森林防护等方面展现出强大效用。配备红外热成像装置的无人机能穿透烟雾,实时捕捉火源热信号,精准定位火线位置和蔓延趋势,为消防指挥提供关键情报。同时,无人机在林业资源调查、森林防灭火等方面也有独特优势,已被中国作为应急救援装备引入现代化森林防灭火体系中。此外,在地震、洪水、滑坡等灾害中,无人机可迅速展开人员搜救。 应用案例 1)为洪涝灾害提供通信保障 2023年,在京津冀暴雨洪涝灾害中,地面通信基础设施受损严重,灾区大面积公网瘫痪,导致北京和河北数十个乡镇出现通信失联或中断情况,造成联系不上、灾情不明、指挥不畅等一系列问题。针对救灾迫切需求,应急指挥通信保障突击队利用大载重无人机、系留无人机等多种机型搭载通信基站,通过卫星、宽带自组网等中继方式,克服“断路、断网、断电”等极端条件,快速恢复河北涿州、涞水等地重点失联区域通信信号,实现现场指挥部和失联区域互联互通。 2)为洪涝灾害提供抢险救灾信息 2023年,第5号台风“杜苏芮”在福建省晋江市沿海登陆,引发福建省多地出现城乡积涝、山洪、滑坡灾害。翼龙-2H应急救灾型无人机在应急管理部组织下,飞赴福建省受灾地区执行台风“杜苏芮”应急保障任务。任务期间,翼龙-2H应急救灾型无人机侦察到水位高涨、房屋出现不同程度损坏等情况,通过实时监控气象信息,成功避开航线上的浓积云、柱状云等危险天气,并实时侦察、回传现场高清图像、视频数据。 空中巡段 2025年4月15日消息,深圳市公安局坪山分局马峦派出所在开展警用无人机常态化巡逻时发现坪山一处山林起火,随即将情况上报,并配合地面警力与消防部门一起处置火情,火势被迅速得到控制。从深圳市公安局获悉,大火被及时扑灭,得益于警用无人机常态化巡逻早发现、早处置,深圳市已常态部署280条空中巡段,如经纬线般交织覆盖。 [176] 通用航空 2025年4月20日消息,作为江苏全省10个区域级通用机场之一,无锡丁蜀机场专为民航的“通用航空”飞行任务而设,已入驻航空公司9家,开拓了“低空+体育”“低空+巡检”“低空+科教”“低空+通勤”“低空+救援”等多个应用场景,助力低空经济腾飞。 本文由 @大厂毕业的厨子 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
从美团外卖的“黄的更灵”到饿了么的“蓝的一定赢”,再到京东的“红的会赢”,这些看似偶然的营销案例背后,其实隐藏着品牌与用户深度互动、共创价值的智慧。本文将深入拆解“听劝营销”的核心逻辑,剖析其背后的四步落地法则,探讨品牌如何通过倾听用户声音、挖掘创意灵感、激发用户参与,实现品牌价值的提升与用户忠诚度的增强。 近年来,“听劝营销”很是流行,最近的知名案例就发生在前一段时间的外卖平台大战中。 先是美团外卖联合歌手黄龄用沪语谐音梗“黄的更灵”打造“美团=好用”的品牌联想;紧接着,饿了么在网友的建议下官宣演员蓝盈莹为“必赢官”(“蓝的一定赢”)迎战,还公开感谢两位提议网友并慷慨赠送18.8元×365天的全年外卖红包;随后,吃瓜群众为京东出谋划策,提议邀请惠英红(“红的会赢”)代言,京东也果然听劝……几大平台 这场网友建议、品牌听劝的营销大战,呈现出热情互动、有来有往、自然默契、趣味横生的氛围,几大平台的营销内容创造了亿级传播,堪称教科书级的“听劝营销”成功案例。 那么,究竟什么是“听劝营销”吗?品牌为什么要“听劝”,又该如何“营销”呢? 01 为何品牌开始进行“听劝营销” ? “听劝营销” 是近年来在社交媒体和网络文化中兴起的一种新型营销模式,其核心在于:品牌主动听取网友建议(“听劝”),并迅速将其转化为实际的品牌行动或营销策略。 品牌开展“听劝营销”,一方面能获得营销创意、产品优化等方面的建议,另一方面在能够给予粉丝、消费者、大众等人群以参与感、情绪价值和认同感,可以说是“名利双收”、“彼此双赢”。 1.精准把握用户需求:用户提出的建议往往反映了他们的真实需求和痛点,品牌倾听这些建议,从而相应地调整产品、服务、营销,能更好的满足客户需求和提升用户体验; 2.获取营销创意灵感:网友的创意往往天马行空,能为品牌带来意想不到的营销思路。外卖平台大战中的三个品牌都从网友提议中挖掘出了不错的创意,打开了品牌传播的新局面。 3.低成本获取流量与UGC内容:用户提出建议后看到品牌采纳,会自发进行更多的二次创作和二次传播,形成“自来水”效应,流量和UGC内容就会滚滚而来。 4.增强用户参与感和归属感:当品牌重视并采纳用户建议时,用户会感到自己的意见被尊重,感受到自己与品牌之间有了更紧密的联系,增强了用户对品牌的归属感。 5.提升品牌亲和力与信任度:当品牌愿意“听劝”,用户会觉得这个品牌是“懂我”的、“接地气”的,这种互动比传统广告更容易建立情感链接。 02 品牌如何开展“听劝营销” ? 即使看起来再有偶然性,任何成功营销案例的背后必然有其诞生的行之有效的基础机制,‘听劝营销”也不例外。 品牌要想开展成功的“听劝营销”,就需要:放下身段“接地气”、张开双耳“听心声”、用心策划“好创意”、拉动用户“共参与”,才能构建其一套行之有效的机制以实现与用户的深度互动和品牌价值的提升。 1. 放下身段“接地气” 品牌要真正转变传统的单向传播的思维,树立倾听用户声音的意识,愿意俯下身来与用户平等对话。当品牌不再以高高在上的姿态发布指令或推销产品,而是以朋友、伙伴甚至学生的身份,主动走近用户的生活和语境,理解他们的真实需求与情感诉求。 要做到这一点,品牌传播平时就需要在沟通语言、互动方式和形象塑造上都更加亲民,比如使用日常化、趣味化的表达,融入网络流行文化和梗文化,打造有人格魅力的品牌账号,让用户感受到亲切而非疏离。 同时,品牌对用户的回应要有温度、有诚意,无论是采纳建议还是面对批评,都要体现出对用户的尊重与重视,而不是流于形式的应付,这种接地气的沟通方式让品牌走近用户、让品牌变得更真实、更有共鸣,为后续能听到用户的声音、深度互动和共创共传打下基础。 2. 张开双耳“听心声” 品牌要能“听劝”,肯定得首先能“听见”,因此建立倾听机制是“听劝营销”的基础,这就要求建立起系统化、多渠道的倾听机制。用户的声音分散在各个角落,品牌只有主动去捕捉、整理和分析这些信息,才能从中提炼出有价值的反馈与洞察。 社交媒体是用户表达观点的重要平台,品牌可以通过微博、抖音、小红书、B站等社交阵地,结合关键词监控工具,实时追踪用户对品牌的讨论内容,及时掌握舆情动态和热点趋势。 用户社群则是品牌获取直接反馈的核心渠道之一,无论是微信群、QQ群,还是品牌论坛、粉丝社区,都是用户自发交流、分享体验的活跃空间,品牌可以在这里近距离观察用户情绪、了解真实需求。 此外,品牌还可以通过定期开展意见征集活动,如“点子大赛”、“产品命名投票”、“代言人推荐”等形式,主动引导用户表达想法,激发他们的参与热情。还有一个最容易被忽视但又最真实的反馈来源:一线客服,他们每天接收到的大量用户建议与投诉,通过对这些信息进行系统性汇总与分析,品牌能更精准地把握用户痛点。 建立这样一个立体化的倾听网络,不仅为“听劝营销”提供了扎实的数据支持,也让品牌能够始终与用户保持同频共振。 3. 用心策划“好创意” “听劝”只是起点,“营销”才是关键,而好的“营销”需要“好创意”,品牌绝不能简单粗暴地复制粘贴网友的建议,而是要将其视为珍贵的“创意种子”,组织内外部团队用心策划可以出街的“好创意”。 深入挖掘用户建议与品牌之间的契合点是策划“好创意”的关键。例如,外卖平台大战中,京东邀请惠英红代言,不仅因为“红”与品牌颜色匹配、“惠英”谐音“会赢”,还考虑到惠英红在影坛的地位、人生经历以及“惠”字寓意实惠等因素,与京东“多快好省”的理念高度契合,从而强化了品牌与代言人之间的联系。 结合流行文化和社会热点是提升创意质量的重要抓手。品牌应时刻关注当下流行的话题、语言风格和文化趋势,尝试将其融入到营销活动中,让品牌内容更容易被目标受众接受和分享。 此外,创新的表现形式和传播渠道对创意质量的影响也很重要,传统的营销形式和传播渠道已经难以吸引用户的注意力。品牌需要不断创新表现形式,采用新颖的创意手法,如短视频、动画、互动游戏等,让营销内容更加生动有趣、富有吸引力。同时,注意根据不同的创意内容和目标受众,选择合适的传播渠道。例如,对于年轻受众,可以选择在抖音、B站等短视频平台进行传播。 4. 拉动用户“共参与” “听劝营销”最好能让用户从最初的“建议者”,转变为深度参与的“共创者”和主动传播的“布道者”,这样才能做到不仅放大营销效果,还能极大地提升用户的忠诚度和归属感,这就需要设计有效的参与机制和激励体系。 品牌要表彰提议者,强化其参与感和荣誉感。特别是当用户提出建议后,品牌要给予高度重视与认可,例如在官方通告、社交媒体平台以及广告片中经用户同意后提及提案者,或在营销活动中明确表示“本次创意灵感源自热心用户@XX”,让提议者的名字被更多人知晓。这种高调致谢能让提议者深切感受到自己的付出得到了品牌充分肯定,也能激励其他用户踊跃提出建议。 设计合适的奖励,回馈激励“参与者”,可以是现金、红包、产品、优惠券等物质奖励,也可以是精神奖励。精神奖励要尽量做得到个性定制,使其更具纪念意义,例如采用特殊材质和工艺、印上用户名字、荣誉称号、建议内容及品牌感谢语。还可以给予一定的“参与特权”进行奖励,例如参观品牌工厂、参与产品设计、参与产品发布等,既让用户感到被感谢、被认可,也让其能获得更深刻的品牌体验。 为了吸引更多用户参与,品牌要注意降低参与门槛,并对参与者进行激励。例如,尽量简化流程和活动规则,降低参与成本,设计丰富多样的互动玩法,对参与用户进行抽奖等,让更多用户有热情、有能力参与进来。 品牌要积极搭建UGG展示舞台,让用户的优秀成果得到充分展示和传播。可以联合B站、抖音、小红书等公开平台创建品牌(活动)专区或打造热门话题,也可以在品牌的官网、官方账号等自有的平台上建立UGC专区,集中展示、扩散传播用户的创造的内容,激发更多的二次传播。 03 关于“听劝营销” 的一些Tips 在写这篇文章的过程中,我与众多成功开展过“听劝营销”的同行伙伴们做了较为深入的交流,最后还有一些tips分享给大家。 在开展“听劝营销”的过程中,品牌要保持真诚,避免“套路”。如果只是形式上“听劝”,实则没有真正采纳建议,反而会引起用户的反感,品牌必须要让用户感受到自己的诚意,并以实际行动赢得更多用户认可和支持。 快速响应和决策能力对“听劝营销”的成功尤为重要。热点话题稍纵即逝,品牌需要具备敏锐的洞察力,及时捕捉网友的创意和建议,并迅速转化为实际行动。只有这样,品牌的“听劝营销”行动才能抢占先机、赢得关注。 此外,要平衡用户建议与品牌核心价值。品牌在倾听用户声音的同时,必须要坚守品牌核心价值,避免过度依赖用户建议而陷入“创意碎片化”困境,甚至被大众舆论裹挟而偏离品牌发展方向。只有保持品牌核心价值的稳定性和一致性,“听劝营销”才能在满足用户需求的同时,对品牌长期发展和品牌资产积累有所助益。 结语 在当下这个用户话语权日益增强的时代,“听劝营销”早已不再是一种偶然的传播现象,而是一种品牌与用户建立深度连接、实现情感共鸣和共创价值的重要策略。它不仅体现了品牌对用户的尊重与回应,更代表着一种以用户为中心的品牌运营哲学。 未来,随着社交平台的进一步发展和Z世代消费力量的崛起,用户对品牌的期待也将越来越高。“听劝营销”或许只是起点,未来的品牌或将走向更高阶的“共情营销”、“共创营销”乃至“共生营销”。 但无论如何,能够听见用户声音、理解用户情绪、回应用户期待的品牌,终将在激烈的市场竞争中脱颖而出。 所以,如果你是品牌方,请记住一句话: “听劝”,不只是一种营销策略,更是品牌态度。 本文由人人都是产品经理作者【品牌市场相对论】,微信公众号:【品牌市场相对论】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
通过将虚拟导航信息与真实道路场景实时融合,车载AR导航不仅提升了驾驶的安全性,还为驾驶者带来了前所未有的直观指引。然而,这一新兴技术在实际应用中仍面临诸多挑战,包括技术瓶颈、成本限制以及法规适配等问题。本文将深入探讨车载AR导航功能的现状,分析其面临的挑战,并展望未来的发展趋势。 在汽车智能化发展的浪潮中,车载 AR – HUD(增强现实抬头显示)作为一项新兴技术,正逐渐改变着驾驶者的导航体验。本文将结合所给报告以及目前国内外的发展情况,重点探讨 AR 导航功能在车载 AR – HUD 上的应用,分析其现状、面临的挑战以及未来的发展趋势。 一、车载 AR 导航的应用现状 1. 技术实现原理与功能呈现 车载 AR – HUD 中的 AR 导航技术通过将虚拟的导航信息与车辆前方的真实道路场景实时融合,为驾驶者提供直观、准确的导航指引。其实现依赖于摄像头、传感器、地图数据以及先进的图像处理算法等技术的协同工作。 摄像头捕捉车辆前方的道路画面,传感器获取车辆的位置、速度等信息,地图数据提供路线规划和地理信息,图像处理算法则将这些信息进行融合处理,最终将导航箭头、道路标识、转向提示等虚拟元素精准地投射到驾驶者的视野中,实现增强现实的导航效果(报告中虽未详细阐述 AR – HUD 技术原理,但对车载 AR 导航利用摄像头捕捉画面及相关技术实现导航的方式类似,如高德车盒利用摄像头捕捉实时道路画面结合地图导航信息和图像识别 AI 技术实现导航,为理解 AR – HUD 技术实现提供了基础参考)。 2. 当前应用的实际效果 1)视觉体验方面 部分车载 AR – HUD 系统能够清晰地显示导航信息,如在一些高端车型中,导航箭头和道路标识的显示效果逼真,与真实场景融合自然,驾驶者无需频繁低头查看中控屏幕,有效提高了驾驶安全性(报告中对车载 AR 导航信息元素的展示效果有相关评估,如引导箭头的视觉观感等,可类比到 AR – HUD 中导航信息的视觉呈现情况)。 然而,也存在一些问题。例如,在强光照射或复杂路况下,虚拟导航信息可能会出现模糊或遮挡视线的情况。报告中提到的一些信息元素布局和视觉效果问题,如 SGM 车盒 AR 导航中部分信息布局在视野中心区导致信息主次不分明,在 AR – HUD 应用中也可能存在类似问题,影响驾驶者对重要信息的快速获取。 2)导航准确性方面 基于高精度地图和实时定位技术,车载 AR – HUD 导航在常规道路上能够准确地提示驾驶者行驶方向和转向时机(报告中对车载 AR 导航整体功能在满足驾驶基本需求方面的评估可作为参考,如在明确驾驶方向上的作用等)。 但在一些特殊场景,如道路施工、临时路况变化时,导航信息的更新可能不及时,导致驾驶者出现困惑。这与报告中提到的 AR 导航在复杂路段指示不明的问题有一定关联,虽然报告主要针对车载 AR 导航整体,但在 AR – HUD 应用中同样面临此类挑战。 3. 用户接受度与市场普及情况 随着汽车科技的不断发展,消费者对车载 AR – HUD 导航功能的认知度和接受度逐渐提高。一些高端汽车品牌率先配备了 AR – HUD 导航系统,并且受到了部分消费者的青睐。然而,由于成本较高等因素,目前其市场普及率仍然相对较低,主要集中在豪华车型或部分高端配置车型中(报告未涉及用户接受度和市场普及情况,但对车载 AR 导航产品在不同车型搭载情况的评估可侧面反映出 AR – HUD 相关技术的应用分布特点)。 二、车载 AR – HUD 中 AR 导航面临的挑战 1. 技术瓶颈 1)硬件设备限制 AR – HUD 设备的光学系统需要在保证显示效果清晰、稳定的同时,适应不同的驾驶环境和车辆震动等情况。目前,一些 AR – HUD 产品在显示亮度、对比度和视场角等方面还存在一定的改进空间,无法完全满足驾驶者在各种光照条件下的使用需求(报告中虽未直接提及 AR – HUD 硬件设备问题,但对车载 AR 导航在视觉效果方面受环境影响等问题的分析,可延伸到 AR – HUD 硬件需要克服的类似挑战)。 传感器的精度和可靠性也对导航准确性产生重要影响。例如,在复杂的城市环境中,GPS 信号可能受到遮挡,导致车辆定位出现偏差,进而影响 AR 导航信息的准确性。这与报告中提到的车载 AR 导航在复杂路段指示不明可能与定位和识别相关的问题类似,是 AR – HUD 技术需要解决的技术难题之一。 2)软件算法优化 图像识别算法需要进一步提高对各种道路场景和交通标识的识别准确率,尤其是在复杂路况和恶劣天气条件下。报告中指出的车载 AR 导航对路面标线识别不准确等问题,在 AR – HUD 应用中同样需要通过优化算法来解决,以确保虚拟导航信息与真实道路场景的精准匹配。 实时路况更新和路径规划算法也需要不断优化,以提供更智能、更及时的导航服务。当遇到道路突发状况时,如何快速重新规划最优路线并准确地在 AR – HUD 中显示给驾驶者,是当前面临的挑战之一。 2. 成本与市场竞争 1)高成本问题 研发和生产 AR – HUD 设备的成本较高,包括光学组件、电子元件、传感器以及相关软件的开发成本等。这使得车辆配备 AR – HUD 导航系统后的价格大幅上升,限制了其在中低端汽车市场的普及(报告未涉及成本问题,但从车载 AR 导航产品的市场定位和应用分布可看出成本对其推广的影响,同样适用于 AR – HUD 导航系统)。 2)市场竞争压力 随着越来越多的企业进入车载 AR – HUD 领域,市场竞争日益激烈。除了传统的汽车零部件供应商和汽车制造商,科技公司也纷纷涉足该领域,如谷歌、苹果等可能在未来推出更具竞争力的产品。如何在竞争中脱颖而出,提供更优质、更具特色的 AR 导航服务,是企业面临的重要挑战(报告中对百度和高德在车载 AR 导航领域的竞争有一定体现,可类比到 AR – HUD 市场竞争情况,且从整体市场参与者角度看,也反映了行业竞争格局对 AR – HUD 发展的影响)。 3. 法规与安全标准 1)法规适配性 目前,关于车载 AR – HUD 的法规和标准尚不完善。例如,对于 AR 导航信息在挡风玻璃上的显示位置、亮度、内容等方面缺乏明确的规范,这给产品的研发和推广带来了一定的不确定性(报告未涉及法规方面内容,但随着 AR – HUD 应用的发展,法规适配问题是其走向大规模应用必须面对的重要方面)。 2)安全标准界定 确保 AR – HUD 导航系统不会对驾驶者的注意力产生过度分散,保证驾驶安全是至关重要的。需要明确在何种情况下显示导航信息、如何设计交互方式等,以避免因使用 AR – HUD 导航而引发安全事故。这与报告中提到的车载 AR 导航在信息展示和交互设计上需要考虑用户使用习惯和安全因素的问题相关,在 AR – HUD 应用中安全标准的界定更为关键。 三、车载 AR – HUD 中 AR 导航的未来发展趋势 1. 技术创新与功能拓展 1)显示技术升级 未来,AR – HUD 的显示技术将不断创新,如采用更先进的微型化光学元件、提高显示分辨率和色彩还原度等,以提供更清晰、更逼真的导航显示效果。这将有助于解决当前存在的视觉体验问题,使驾驶者能够更轻松地获取导航信息(报告中对车载 AR 导航信息元素视觉效果的评估和期望改进方向,可为 AR – HUD 显示技术升级提供参考,如对引导箭头视觉效果更好的期望等)。 2)增强现实交互功能 有望实现更自然、便捷的交互方式,如语音控制、手势识别等与 AR 导航的深度融合。驾驶者可以通过语音指令轻松调整导航路线或查询信息,通过手势操作控制导航界面的显示和隐藏,提高驾驶过程中的操作便利性和安全性(报告中对车载 AR 导航语音交互体验有相关评估,如高德车盒语音交互反应迅速等,可为 AR – HUD 交互功能拓展提供借鉴,同时也反映了用户对便捷交互方式的需求在 AR – HUD 应用中的延伸)。 3)智能路况感知与预测 借助车联网、人工智能和大数据技术,AR – HUD 导航系统将能够更精准地感知实时路况,提前预测交通拥堵、事故等情况,并为驾驶者提供最优的路线规划。例如,根据历史交通数据和实时路况信息,自动调整导航路线,并在 AR – HUD 中以更直观的方式提示驾驶者,如通过改变导航箭头颜色或显示交通拥堵路段的虚拟标识等(报告中虽未涉及此类智能路况感知预测功能,但从车载 AR 导航对路况信息需求及整体发展趋势看,这是 AR – HUD 导航功能的重要发展方向)。 2. 与其他技术的融合发展 1)与自动驾驶技术协同 随着自动驾驶技术的逐步发展,AR – HUD 将与自动驾驶系统深度融合。在自动驾驶模式下,AR – HUD 可以为驾驶者提供更丰富的车辆状态信息、周边环境信息以及导航指引,同时在需要驾驶者接管车辆时,能够更有效地引导驾驶者进行操作(报告未涉及与自动驾驶融合内容,但从汽车技术整体发展趋势看,AR – HUD 与自动驾驶技术的协同是未来发展的必然趋势,两者相互补充,共同提升驾驶体验和安全性)。 2)与 5G 和 V2X 技术结合 5G 和 V2X(车联网)技术的发展将为 AR – HUD 导航带来更快速的数据传输和更广泛的信息共享。车辆可以实时获取道路设施、其他车辆和行人的信息,并通过 AR – HUD 准确地显示给驾驶者,实现更智能的交通协同。例如,在接近路口时,AR – HUD 可以显示其他车辆的行驶意图和行人的位置,提醒驾驶者注意避让(报告未涉及与 5G 和 V2X 技术结合内容,但这是当前汽车智能技术发展的热点方向,将对 AR – HUD 导航功能产生深远影响,拓展其信息获取和应用场景)。 3. 市场普及与用户体验提升 1)成本降低与市场下沉 随着技术的成熟和产业链的完善,AR – HUD 设备的成本有望逐渐降低,从而推动其在中低端汽车市场的普及。更多的消费者将能够享受到 AR 导航带来的便利,市场规模将进一步扩大(报告虽未直接提及成本降低对市场的影响,但从车载 AR 导航产品的现状和发展需求看,成本降低是扩大市场份额的关键因素,同样适用于 AR – HUD 导航系统)。 2)个性化与定制化服务 未来,AR – HUD 导航将能够根据驾驶者的个人偏好和驾驶习惯提供个性化的导航体验。例如,驾驶者可以自定义导航界面的显示风格、信息内容和语音提示方式等,满足不同用户的多样化需求(报告中对车载 AR 导航用户需求的分析,如对信息展示易读性、符合用户习惯等方面的期望,可为 AR – HUD 个性化服务发展提供参考,体现了以用户为中心的发展理念在 AR – HUD 应用中的深化)。 AR 导航功能在车载 AR – HUD 上的应用具有巨大的潜力,但目前仍面临诸多挑战。通过技术创新、成本控制、法规完善以及与其他技术的融合发展,有望在未来实现更广泛的市场普及和更优质的用户体验,为汽车驾驶带来更加智能、安全和便捷的导航服务。 本文由 @HMI怡伶设计心理 原创发布于人人都是产品经理。未经许可,禁止转载。 题图来自 Unsplash,基于 CC0 协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
在信息爆炸的时代,知识管理工具成为了我们整理思绪、提升效率的得力助手。然而,面对琳琅满目的工具,如何选择最适合自己的那一个?本文将深度对比两款热门的AI知识管理工具——腾讯ima和Get笔记,供大家参考。 在信息过载的当下,我们每天都在“收藏-遗忘-再收藏”的循环中挣扎: 读了一篇好文章随手收藏,却再也没打开过; 灵感来时记录的一些想法,却因为遗忘让想法蒙尘; 笔记软件里堆满了“学习资料”,利用率却不足10%。 当AI知识库工具成为新风口,腾讯ima和得到出品的Get笔记各自打出解决方案。 经过深度体验,我将从知识管理核心痛点出发,通过多维度功能对比和真实场景测试,带你找到最适合自己的知识管理伙伴。 一、知识管理的核心痛点,AI知识库能解决吗? 现代人知识管理面临四大典型困境: 跨平台知识收集难度大:信息分散在微信、网页、本地文件等不同平台,不同平台的内容格式也不尽相同,手动搬运耗时费力。 碎片化知识整理成本高:零散收藏的内容缺乏有效组织,最终成为“数字垃圾场”。所谓“工具越高级,整理越费劲”,整理知识费时费力却没带来太大价值,似乎有点“舍本逐末”。 知识调取困难:关键时刻找不到所需信息是最常见痛点,当知识无法在需要时“跳出来”,学习价值几乎归零。 团队共享效率低:团队成员各自为战,知识孤岛现象严重。个人经验不能沉淀为团队知识,换一个人就要从头开始。 对于打工人来说,这些痛点实在太痛了! AI知识库工具让我看到了一丝曙光,它通过智能收集、结构化处理和自然语言检索,让知识真正流动起来。 腾讯ima和Get笔记能否解决这些痛点?下面进入实测环节。 二、功能对决:ima与Get笔记的六维能力对比 1. 知识收集方式 腾讯ima:微信生态王者 。独家整合500万+公众号资源,支持本地文件(PDF/Word/PPT)一键导入、网页端插件加网址,通过OCR识别截图文字等。优势在公域知识整合 ,但对非微信生态的内容支持较弱。 Get笔记:多模态输入专家 。支持语音实时转文字(含27种方言)、图片解析、链接抓取(B站/抖音等)。尤其是语音输入结束后,能自动润色文本,去除冗余词并优化逻辑结构。优势在个人碎片信息捕捉 。 评分: ima:★★★★☆(微信生态无敌,但跨平台弱) Get笔记:★★★★★(全场景覆盖) 2. 知识输出能力 腾讯ima:智能写作有优势 。基于双模型引擎(腾讯混元+DeepSeek-R1),支持生成论文、文案、日报等结构化内容,自动关联知识库中的参考资料。 Get笔记:侧重轻量输出 。擅长将语音记录转化为逻辑清晰的文字笔记,通过图片内容生成朋友圈文案,生活化输出能力还可以,但深度创作能力有限,生成的内容存在“车轱辘话”问题。 评分: ima:★★★★★(专业场景输出强) Get笔记:★★★☆☆(满足日常优化,深度创作不足) 3. 协作与权限管理 两者差别不大,都是2级权限管理:管理员、成员,管理员可以编辑知识库内容,成员只能查看和使用。 但明显ima并不满足于轻量化的协作,最新版本已经开始有更细化的权限控制,要朝着团队协作的方向发力了。 评分: ima:★★★☆☆ Get笔记:★★☆☆☆ 4. 大文件处理能力 腾讯ima:千页文档专家 。支持1000页以内专业文献解析,自动生成摘要与思维导图。 Get笔记:轻量文件优化 。专注网页、图片、语音等碎片内容处理,未明确提及大文件支持能力。 评分: ima:★★★★☆ Get笔记:★★★☆☆(场景不同) 5. 存储与限制 腾讯ima:30G空间,个人知识库、共享知识库、笔记共享。限制主要在文件格式 (不支持视频直读)。 Get笔记:免费版30G空间,知识库3个,知识库容量和数量受限 ,录音时长初始10分钟,网页版支持一键导出HTML。 评分: ima:★★★★☆ Get笔记:★★★★☆(免费限制较多) 6. 知识广场/生态 腾讯ima:入口较深 ,创作者通过“知识号”发布专业内容库,似乎在复用公众号的路子,但**内容质量参差不齐**,部分沦为公众号引流渠道。 Get笔记:入口较浅,运营氛围较浓 ,专注个人知识库建设,以个人IP为主,内容丰富度一般。 评分: ima:★★★☆☆(规模大但质量不稳) Get笔记:★★★☆☆(专注个人) 三、实战检验:三大场景下的解决方案对比 场景1:信息高效整合(团队周报汇总) 任务:将5人团队的周报汇总为特定格式的团队周报 过程: 成员将周报上传至共享知识库(造了5分周报,特意将内容造的不那么结构化,来模拟真实周报情况) 2. 输入指令:“提取知识库内所有人6月2日这一周的关键进展,按业务线归类,输出结构化的汇总周报” 3. AI生成团队周报 两个产品的输出结果: 腾讯ima: 内容结构化还不错,但对内容的总结和整合不够到位,基本是将原内容直接搬运; Get笔记: 结构化也还可以,有对内容做总结和整合,并且在结尾有总结和建议,让人眼前一亮; 对比结论:对内容做有效整合,Get笔记略胜一筹 。当然,这个仅从这一场景和这一提示词的限制下对比了两者的表现,如果更换场景和提示词,可能表现也不尽相同。 不过,这种场景还要考虑工作内容的信息安全问题,期待企业级知识库的产品。 场景2:内容创作(模仿特定博主风格) 任务:模仿某科普账号风格撰写AI主题文章 过程: 1. 上传或收藏目标账号的文章(选择了“数字生命卡兹克”最近的5篇文章作为知识库内容) 不得不说,两个知识库现在收集内容的过程都很丝滑,打开文章-小程序打开-存入知识库,三步就完成。 2. 输入指令:“用类似风格写一篇AI工具测评,引用知识库案例,生成2000字文章” 3. AI给出对应的内容 两个产品的输出结果: 腾讯ima: 存在风格模仿表面化问题,结构上有点那味儿,但是精髓还是差得远; Get笔记方案: 格式看起来没太大问题,但是内容不能深究,且风格也不太像; 对比结论:ima有形无神,Get笔记神形都差一些;倒是可以让他们总结博主的风格特征和行文方式,至于真的要写出跟博主一样的文章,那还是修炼自己的风格才是王道。 模仿不是终点,形成个人风格才是核心价值。 场景3:生活管理(冰箱食物管理) 任务:记录冰箱里食材的位置、存入时间、有效期,整合碎片化内容 过程: 1. 通过笔记记录放入冰箱的食材及保质期(生活化场景就主要用手机端来对比) 2. 输入指令:“哪些食材过期了”“冰箱里还有牛肉吗”等内容 3. AI给出对应的内容 两个产品的输出结果: 腾讯ima方案: 输出内容还好,但是记录过程略繁琐 ,缺乏便捷输入方式;我需要先创建笔记,再将笔记导入知识库,且仅支持文字和图片。 Get笔记方案: 文字+照片+语音记录 ,可以直接基于知识库创建内容,记录方式和路径都比较便捷,输出的内容也还不错,除了告诉我已经过期的食材,还会提醒即将过期的食材,亮点就在这多给的一点。 对比结论:Get笔记以场景化设计胜出,将生活管理变得简单高效。 四、总结:如何选择你的知识管理拍档 1. 产品定位与场景偏好 腾讯ima是“团队作战指挥台”: 最佳场景 :微信生态内容管理、企业协作、专业内容创作、长文档处理 适用人群 :公众号运营者、市场团队、学术研究者、微信生态依赖者 Get笔记是“个人灵感捕捉器”: 最佳场景 :语音速记、碎片知识整合、生活管理、创意素材收集 适用人群 :内容创作者、学生、自媒体人、生活规划者 2. 组合拳策略:1+1>2的解决方案 通过深度体验,我摸索出两款工具联动的高效工作流 : 信息收集层(Get笔记主力): 语音记录会议灵感 → AI转文字+润色 拍照保存文献重点 → OCR识别建库 链接收藏行业文章 → 自动摘要归档 深度整合层(ima主力): 将Get笔记导出内容导入ima 基于资料库生成深度报告 建立团队共享知识库 输出应用层(双工具协作): 在ima创作专业长文 用Get笔记优化口语化表达 最终成果存入ima知识库共享 知识管理的本质不是囤积信息,而是建立思维的外接硬盘 。腾讯ima和Get笔记代表两种路径:前者强于系统性整合,后者胜在灵活捕捉。理解工具差异,根据场景选择,甚至组合使用,才能让知识真正成为你的生产力杠杆。 在AI重构知识管理的今天,最好的工具永远是能让你忘记工具本身,专注创造价值的那一个。 本文由 @灵溪boot 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
逆向思维作为一种强大的工具,能够帮助产品经理从不同的角度审视问题,找到更具突破性的解决方案。本文将介绍一种简单而有效的逆向思考练习法——“反义词”大法,希望能帮到大家。 都说产品经理要有逆向思维,但是这四个字说起来容易,做起来却常常毫无头绪。今天分享一个最简单的逆向思考练习法——就从“反义词”入手。 1. 用“反义词”,击中用户 我是一个典型嘴笨的 PM,有时候我感觉我的功能挺不错,但是用户不来用。因为我总是老老实实在说,这个功能带来的好处。但是前几天刷直播,我发现主播们 321 上链接的“话术”真的很有意思。 举个例子,如比你拿到一件“性感小吊带”——卖点词:性感、度假、氛围感。 来感受下这两种文案吧: -正面说:这件吊带好性感,度假穿它超有氛围 -反面说:姐妹们,你们每次出去度假,是不是都找不到一件性感又有氛围感的连衣裙,现在主播手上这条连衣裙 balabla 如果是你,你会被哪一句戳中呢? 所以在产品里,我们也可以这样用。比如你的产品是“AI 智能推荐系统” 卖点词:智能 反义词:笨、不准、不懂我 文案就可以是“你们是不是受够了笨笨的、不准的、又不懂你的 Balabla”。这样或许就能帮你吸引更多的用户来使用你辛辛苦苦做的功能。 2. 用反义词,反推解决方案 其实上面我们发现了,产品卖点的反义词,其实有时候就是用的痛点。你抓住用户痛点去做输出比只抓住卖点去做输出会更加强势,也更加吸引用户。 那再换个场景呢?从需求分析开始,抓住用户问题的“反义词”是不是就能变成解决方案? 比如,用户反馈:「页面加载太慢」 → 反义词:「快」 → 再细拆:要打开更快?图片加载更快?交互反应更快? 先借助反义词,再去拆解“反义词”的各个方面,我们的解决方案有时候就出来了。 现在给你一个练习题,如果用户说「不方便」。先找反义词「方便」,然后再拆解“方便”: 场景方便,随时打开? 自动化? 路径短? 操作熟悉? 这样,你有写产品方案的思路了吗? 3. 写在最后 逆向思维真的还挺难练的,不如就和我一起先从“反义词”入手吧。相信你会变成一个又能解决用户问题,又能引导用户上手的产品经理。 本文由 @CoopyWorks 原创投稿或授权发布于人人都是产品经理。未经许可,禁止转载。 题图来自 Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
作为中国人民银行发行的法定数字货币,数字人民币(e-CNY)正逐渐走进公众视野,成为支付领域的一股新势力。本文将深入剖析数字人民币的定义、功能、技术原理及其与现有支付方式的异同,探讨其背后的战略意义与广阔前景。 核心问题: 数字人民的主要作用是什么? 数字人民币和支付宝、微信支付上的钱有什么区别? 为什么要大力发展数字人民币? 为什么支付宝最近要大力推动“碰一碰”支付方式(NFC)? 序言 研究背景 2020年,中国人民银行推进数字人民币(e-CNY)。2024年,支付宝强势推出“碰一碰”NFC支付,为数字人民币做铺垫。2024年底,稳定币大火,国内加速数字人民币。2025年上半年,全国主要城市全面接入数字人民币。我们想要搞清楚国家的战略布局,就一定要去深究。 研究目的 本报告旨在回答公众最关注的三个核心问题,全面剖析数字人民币的制度逻辑、实际功能和发展前景,厘清其与现有支付工具的异同,识别普通用户与产业链上的潜在机会。 研究路线 第一部分(宏观视角):解释数字人民币的定义、制度设计与全球背景; 第二部分(微观视角):从使用场景、发展动因及个人参与路径出发,提供更贴近实际的观察与判断。 01 宏观视角——整体窥探 1 .1 什么是数字人民币? 1.1.1 数字人民币的解释 数字人民币是中国人民银行发行的数字形式法定货币,具有与纸币硬币等价的法律地位与偿付能力。其定位是M0的数字化替代,意即流通中的现金(纸币/硬币)形态电子化,但不计付利息。 备注:什么是M0? 流动性: M0>M1>M2(流动性就是“钱”变成“马上能花出去的钱”有多快、多容易、损失多小) 1.1.2 数字人民币用于解决什么问题? 诞生背景: 市场上出现了很多数字货币,比特币大热; 美元霸权垄断国际交易太久; swift封禁了俄罗斯等国家,中心化的组织不可信赖,且国家也担心自己被封; 1.1.3 数字人民币的定位 1)M0:永远是现金性质,相当于手上的纸币。且永远没办法存进银行吃利息 为什么要这样做呢?我们不妨换个角度思考,如果数字人民币可以变成M2,即存进银行,那么会发生什么事。 (1)人民币会通过数字人民币外逃到国外。 因为数字人民币支持离线交易转账,所以资金外流的链路可以是:你在境内把资产换成数字人民币 → 通过碰一碰转账到境外账户 → 兑换成美元、港币、加密货币等 → 形成资金外逃 你可以想象一个场景,你乘坐一个直升飞机,拿着好几箱现金飞到美国。到了美国你再把现金存到美国的银行,再兑换成美元。 数字人民币更方便,不用带着一箱子钱飞出去,你只需要带着手机和大脑中的账户密码出去就行 数字人民币如果能存进银行,转移资金到海外VS现在普通货币 数字人民币转移资金到海外(如果能存进银行)最核心的点在于,数字人民转账根本不需要审核,直接两个手机物理触碰一下 普通的货币转移资金到海外最核心点在于,你想把钱转账到境外账户的时候,银行会审核你的转账。所以不容易轻易把钱转到海外去 (2)导致银行的存款减少。 现在大部分人存钱到银行是图个方便和安全,而不是利息。存到银行就可以直接用微信或者支付宝支付了,比带现金方便太多。 如果现金全部变成数字人民币,那么我干嘛还要存到银行呢?我直接全部兑换成数字人民币就行了,还更安全,毕竟是央行直接管控的。 数字人民币既可以线上支付,又安全!所以我完全有理由有动力把银行的钱换成数字人民币。 银行存款减少,是很可怕的,因为银行的核心盈利业务就是通过放贷收取利息。通过利差进行盈利,现在钱都变成现金不在银行了,银行还怎么盈利呢? 以上两个理由,就绝对不能让「数字人民币」具有存款的特性 1.1.4 数字人民币和支付宝、微信支付的关系? 数字人民币本质是法定货币,跟普通的纸质人民币或者电子人民币一样,是央行给民众的负债。但是支付宝、微信钱包,只是钱包,不是货币。两者的关系是钱和钱包的关系。 支付宝里面的1元,对应就是银行账户有1张1元的纸币/硬币 数字人民币里面的1元,就是1元。它就只是存在于线上,没有任何实体对应。它也不能存在支付宝中,原因上面说过了,定位只能是M0,不可能是M1、M2。 PS:由于数字人民币永远是M0的性质,所以永远不可能存进银行,更加不可能存进支付宝、微信中。只能存在在你的手机账户中。 1.1.5 数字人民币的技术原理 1)“双层运营体系” 第一层:央行发行给银行等运营机构 类似“总行”批发给“分行”,央行不直接对接普通用户。 第二层:银行再发放给公众用户 商业银行负责开户、换发、回收等服务,对接用户、商户。 2)区块链中的联盟链 先说一下区块链技术,区块链就像一个公共记账本(分布式记账),不同的是,这个账本不是由一个人保管,而是很多人同时保管,大家每次写账前都要达成共识。 传统记账VS区块链记账传统记账 核心区别:有一个中心会负责审核和记账 数据丢失风险:如果账本被火烧了、被偷了怎么办? 单点故障:这个银行工作人员记错账了怎么办? 信任依赖个人/机构:如果银行工作人员偷偷改账本,给自己加钱怎么办? 区块链记账 分布式(人手一本账): 保证了数据的安全和存活(挖矿,其实挖矿就是记账的过程,矿工存在世界各地,所以去中心) 共识机制(大家一起按规则同意): 保证了记录的真实性和有效性 链式结构(账页连一起): 保证了记录一旦写上就极难篡改。 联盟链是区块链的一种类型,区别于“公有链”(如比特币、以太坊),它的参与节点是经过授权的,只允许特定成员(如央行、国有银行)参与数据记录和验证。 通俗一点解释区块链的专业术语 数字人民币跟比特币最大的区别是,比特币是用「公有链」的,但是数字人民币是用「联盟链」的。 通俗讲,它就像是一个“多方共同维护的账本”,在央行主导的数字人民币系统中,负责 记录交易、验证身份、确保数据不可篡改。这个“多方”,目前是指制定的六家大银行,中国工商银行、中国农业银行、中国银行、中国建设银行、交通银行、邮储银行。 用以下4个问题说清楚“联盟链”的技术原理 1)联盟链是如何记账的? 一个比较常见的联盟链计算方式叫做实用拜占庭容错算法PBFT(PRACTICAL BYZANTINE FAULT TOLERANCE)。收到用户的交易请求之后,有限的被认证过的节点就是银行了。分别计算公钥验证,然后互相确认一下,再分别把结果返给用户。作弊的节点不要超过3分之1就可以确认交易。因为中间有个互相确认的环节,所以每每一个节点返给用户的确认,实际上包含了所有节点的确认信息。这样用户需要做的仅仅是发送一个请求,收到一个确认,其他的环节都在银行的超级计算机和银行间网络完成。而且节点本身不多,他就可以做到每秒3万笔交易,跨转账秒到账终于可以实现了。 联盟链记账 key:交易合法,要求大多数节点认可交易合法(如超过2/3通过) PBFT拜占庭算法 当节点数大于等于4个的时候,1个无效节点的存在并不会影响消息的传递。推广来说,当存在n个无效节点时,只要总节点数超过3n个,消息传递的正确性就能得到保证,这也是拜占庭算法的容错率 2)什么是拜占庭算法? 在去中心化系统中,各个参与节点之间如何在有“坏人”存在(发送错误信息、蓄意欺骗)的前提下,仍然能达成统一决策 ①没有中心机构进行统一判断 ②节点有人想作弊、蓄意欺骗 举例子 如果4个军营中,其中1个是叛徒,发布的是错误的进军信息,那么要找出来 有一座城市(敌人),被一群拜占庭军队包围。 军队由多个将军分别率领部队驻扎四周。 这些将军需要一致决定是否进攻,前提是大家都必须同时执行相同的命令,否则会被敌人各个击破。 将军们之间只能通过信使传递消息。 但问题来了:其中可能有1-2位叛徒,他们会故意传播相反命令或篡改指令 问题“在有叛徒的情况下,其余忠诚将军是否还能保证作战指令一致?” 拜占庭容错算法如何解决这个问题 方式:每个命令的执行都需要节点间两两交互去核验消息,这产生了比较高的通信代价 核心:利用通信次数换取可靠性 1. 预准备阶段(Pre-Prepare) 一位“主将军”发出提议(例如:“明天早晨6点进攻”)。 所有将军收到该命令后,进入下一阶段。 2. 准备阶段(Prepare) 每位将军向其他人广播自己收到的提议。 收到提议后,若有超过 2/3 的将军反馈相同命令,则认为这是有效命令。 3. 提交阶段(Commit) 所有忠诚将军根据验证结果,做最终决定(如确实要进攻); 最终命令只有在 2/3+ 同意的前提下 才会执行。 场景1 将军1是坏人,发送信息,明天1点进攻。 但是由于将军0依然能收到将军2-4的信息,其他人收到的信息都是明天2点进攻,所以 明天1点进攻:1人 明天2点进攻:3人 判断之下,将军1是叛逃,按照明天2点进攻 所以将军0利用通信次数换取可靠性 场景2 假如将军0是坏人,给每个人发的信息都不一样 也没有关系,当将军1与2、3、4进行交换信息时,发现。没有1个进攻时间是有效的,所以这次指令是无效的。同理,将军2、3、4都可以判断 为什么拜占庭算法能“容错”? 因为只要超过2/3是诚实的节点,就可以排除掉恶意信息的干扰; 若要发起篡改或欺骗,叛徒必须控制超过1/3的将军,代价极高; 所以这个机制能容忍少量节点失误或恶意,并保证整体系统运行一致 3)联盟链是如何确保分布式记账的?账单不只是只存在中心化的银行手中,且不由得中心化的银行随意篡改账簿。怎么保证账簿极难被篡改? (1)多节点共管账本,避免“单点控制” 所有账本副本分布在多个授权节点(如工商银行、农业银行等); 任何记账或修改都需多数节点达成共识,单一银行无法独自改账。 (2)区块链结构防篡改 数据以“区块”形式串联,每个区块包含上一区块的“哈希值”; 如果有人试图改动历史交易,会导致区块链结构崩坏,所有节点立即识别出篡改行为。 (3)共识机制限制写入 账本的“写入权”不是自由开放,而是必须经过一轮集体验证; 篡改需要多数节点串通才能成功,但联盟链中节点是独立的、受央行监管的,极难共谋。 4)联盟链是如何确立自己的共识机制?普通的用户怎么知道他的账单是去中心化且不可被篡改的 全程实名可追溯:一旦交易上链,监管机构、用户、运营机构三方均有同步记录,任何变动都留痕可查 1.2 数字人民币数据概况 覆盖地区:全国31省市已有接入场景 注册用户数:约7.2亿人(活跃用户约3.5亿) 交易总笔数:累计超 360 亿笔,截至2024年末,数字人民币累计交易金额已突破数万亿元人民币 使用场景:涵盖交通出行、水电煤缴费、商超零售、医疗、税务、公积金、政务服务等 商户支持数:超1500万家,已基本具备微信/支付宝相当的覆盖能力 1.3 其他国家的中央银行数字货币 中央银行数字货币(CBDC)已成为全球货币竞争新赛道。根据国际清算银行(BIS)数据,全球超100个国家已启动或试点CBDC项目,其中中国(e-CNY)、尼日利亚(eNaira)处于领先阶段,美国、欧元区则处于评估或技术验证期。 只有9%的国家推出了数字货币 其他国家的情况 已发行或大规模试点 积极研究和试点中 02 微观视角——拆解洞察 2.1 数字人民币使用场景 C端用户使用:扫码支付、公交地铁、线上消费、校园一卡通、退税返现 B端企业场景:供应链结算、货款发放、企业代发工资、财政补贴发放 G端政务使用:财政资金发放、公积金返还、社保结算、水电缴费等政务服务场景 优势: 离线支付:手机无信号/无电情况下亦可交易;(NFC碰一碰物理支付,只要手机有电就行) 多终端接入:支持硬钱包(卡片、手表、SIM卡)、无App收款; 无手续费:商户收款无需额外费用; 减少盗刷:可实时风控、可控匿名、交易可溯源。 2.2 为什么要推广数字人民币 数字人民币主要是用于在跨国贸易中的支付结算,防止我们被美国剔除swift体系。这里涉及一个知识背景是现在的国际结算货币是美元(美国也利用这一点收割了很多国家的财富)。但其实很多跟美国对立的国家是希望与中国直接使用人民币进行结算,例如伊朗和俄罗斯。但是直接使用人民币结算,存在两个问题。 第一, 如果用电子货币结算,那么其他国家的商家就要在中国的银行开户,一旦开户就会存在信任问题。一旦国际形势改变,对方会担心自己的账户被中方冻结。(俄乌战争期间俄罗斯很多资产被欧洲冻结了,已有先例) 第二, 如果用现金结算,当然对方不需要开户,但是我们需要运一大车现金过去别人国家,且不说运输安全问题。对方如何安置清点这些现金,也是一个大问题。 为打破必须要通过美元进行跨国贸易的现状,用于跨境支付。为什么要在国内推广数字人民币?因为货币其中一个很重要的功能是流通性。在冬奥会大力推广、在中国各大主要城市推广,是为培养国内人民对数字人民币的认知,为未来国外的商家把赚到的数字人民币流通回国内做铺垫。这就是「网络效应」。你想想,伊朗用石油换取中国的数字人民币之后,还是要花出去的,不可能一直屯着不用。这个时候最好的消费场景就是购买中国制造的产品,中国的商家收到数字人民币之后,又会通过各种形式流通回国内的市场,最终回到老百姓手上。所以,国家需要老百姓一定要认可数字人民币等同于纸质人民币。最好的方式就是让数字人民币可以在生活中各种场景使用。所以,这是一环扣一环的。每一步都是为了下一步。国家的战略是很宏大深远的。 被美国踢出swtift体系的国家 1)巩固货币主权 防止“去现金化”导致央行对货币发行的影响力弱化; 与民间平台的数字支付体系形成互补甚至替代关系。 2)强化金融基础设施安全 不依赖微信/支付宝等私营平台; 构建国家级的“支付大脑”与风险防火墙。 3)提升货币政策传导效率 数字人民币可实现“定向投放”“追踪使用”“到点收回”,有助于财政资金精准直达。 4)服务数字经济与跨境贸易 作为中国数字经济出海的重要工具,已在中东、东南亚与部分“一带一路”国家试点数字人民币跨境结算。 2.3 数字人民币的历史 现在支持数字人民币的国家/地区 2.4 数字人民币对普通人的机会 数字人民币产业上下游洞察 关注投资的人,可以了解下这些上下游的供应链,现在数字人民币还没有爆发,很多人还没看懂,但是未来一定是有极大的增长空间的。 商户端接入生态 其他: 1、APP里面为什么会有「存银行」的按钮? 请留意这个字眼”存银行“,所谓“存银行”,其实是一笔支付/兑换行为:你把数字人民币「支付」给银行,换回银行存款。 可以这样说,你存入过程后的金额虽在银行账户上,但已转变为商业银行负债,不再是数字现金。银行直接拿走了你的数字人民币,给你换成纸币了。 简单来说, “存入银行”≠存款 ”存入银行“≈购买人民币M1 本文由 @摩尔研究院 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于cc0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
智能客服的发展,远非简单的技术迭代,而是一场人机交互范式的深刻变革。从初期的机械应答,到如今近乎自然的对话流,其背后是人工智能,尤其是大语言模型(LLM) 技术的狂飙突进。本文将深入探讨大模型技术如何从底层逻辑到用户体验,全方位重塑智能客服的对话体验。 一、智能客服的进化之路 回顾智能客服的发展,清晰地映射了AI技术的演进轨迹: 规则引擎时代:这是智能客服的起点。系统完全依赖预设的规则库和有限的知识条目,像一个被严格编程的机器人。它能高效处理诸如“营业时间?”、“密码重置?”等高度标准化的问题,响应迅速直接。然而,其脆弱性显而易见:面对用户稍加变化的措辞(如“你们几点关门?”)、委婉表达(如“这个东西不太合我意…”)或需要上下文理解的问题,系统只能给出驴唇不对马嘴的预设回复或冰冷的“无法理解”。 关键词与浅层NLP时代:随着基础NLP技术的发展,智能客服迈出了理解语义的第一步。系统能识别关键词和进行简单的句法分析,不再需要完全字字匹配。例如,用户问“忘记密码怎么办?”,即使规则库里写的是“如何重置密码?”,系统也能关联上。这提升了覆盖面和针对性。但它的理解非常表层,如同“盲人摸象”——能抓住关键词“密码”、“重置”,却难以把握“我账号被锁定了,是不是密码输错太多次?”这种复杂意图。对歧义词(如“苹果”指水果还是手机品牌?)、语境依赖强的表达束手无策,误判率依然很高。 深度学习(RNN/LSTM)时代:RNN、LSTM等深度学习模型的引入,是智能客服能力的一次重大跨越。这些模型能够处理序列信息,捕捉上下文关联。智能客服首次具备了多轮对话的能力。用户问“去北京的航班?”,客服回答后,用户接着问“那高铁呢?”,系统能理解“高铁”是替代“航班”的另一种交通方式查询,而非一个全新的独立问题。这大大提升了对话的连贯性。然而,模型规模和数据量的限制依然存在。面对需要深度领域知识(如复杂的金融产品规则)或跨领域推理(如“这款手机玩XX游戏卡顿,是硬件问题还是网络问题?”)的场景,模型往往“知识储备不足”或“逻辑链条断裂”,显得力不从心。 大语言模型(LLM)时代:GPT、Deepseek、文心一言等大模型的横空出世,为智能客服开启了全新的篇章。通过在海量无标注文本上进行预训练,LLM掌握了语言的深层模式、广泛常识和强大的推理能力。它不再仅仅是“匹配”或“浅层理解”,而是具备了深度语义理解、知识关联、逻辑推理和语境生成的综合能力。这彻底打破了以往智能客服的诸多天花板,使其在自然流畅的多轮对话、精准的意图识别、跨领域知识解答等方面展现出接近甚至超越传统人工客服的潜力,用户体验发生了颠覆性的改变。 二、智能客服对话体验的核心突破 大模型并非简单替换旧系统,而是从底层重构了智能客服的核心能力: 1. 自然流畅的多轮对话 旧痛点:传统多轮对话本质是“树状流程图”。用户被机械地引导:“请选择问题类型:1. 账户 2. 订单 3. 支付…” 一旦用户“跳步骤”或“自由发挥”,对话立刻崩溃。想象一下,在电商客服中,用户问完“A商品有红色吗?”,接着问“那B品牌的同款呢?”,老系统很可能因为缺少预设路径而卡壳。 大模型解法:LLM是强大的上下文理解引擎。它能记住并理解整个对话历史中的每一句话及其关联。用户可以在对话中自由切换话题、补充细节、回溯提问。例如: 用户:“推荐下适合家庭出游的海岛?” ;客服:“普吉岛、巴厘岛、马尔代夫都不错。” 用户:“普吉岛签证好办吗?预算大概多少?” ;客服(关联上下文):“普吉岛对中国游客通常落地签或免签,家庭出游淡季人均1万左右比较舒适,具体看酒店和机票…” (精准关联了“普吉岛”和“家庭出游”的预算特点)。 体验提升:用户感觉是在和一个真正倾听、理解并能持续交流的“人”对话,而非与冰冷的程序搏斗。对话流程自然顺畅,大大降低了交互挫败感。 2. 精准的意图识别 旧痛点:依赖关键词和浅层规则,如同“雾里看花”。用户一句“你们的产品让我有点失望”,老系统可能只抓住“失望/不满意”就触发“投诉流程”,而忽略了用户可能只是想寻求使用帮助或改进建议。 大模型解法:LLM通过海量语料训练,构建了极其丰富的语义地图和意图理解模型。它分析用户输入的维度远超关键词: 深度语义分析:理解词汇在具体语境中的真实含义(如“失望”的程度、潜在诉求)。 情感倾向判断:识别用户的情绪是愤怒、无奈还是困惑。 隐含意图挖掘:“我想找一款拍照好、轻薄的手机” ;核心意图是“购买满足特定功能需求的手机”,而非简单查询“手机”。 歧义消解:“苹果多少钱一斤?”(水果) vs “新出的苹果多少钱?”(手机)。 体验提升:客服能更准确地识别用户的弦外之音,提供真正契合需求的服务(如引导至教程而非投诉入口),避免了因误判导致的答非所问和用户反复解释的麻烦。 3. 跨领域知识推理 旧痛点:传统客服知识库往往是垂直领域孤岛。旅游客服不懂签证细则,产品客服不懂支付政策。用户一个综合问题如:“计划去日本自由行,签证怎么办?东京哪里拍和服写真好看?顺便推荐下支持境外支付的信用卡?” 老系统要么只能回答部分,要么直接宕机。 大模型解法:LLM在预训练阶段就吸收了百科式、跨领域的海量知识。它强大的知识关联和推理能力使其能: 整合碎片信息:将签证政策(出入境)、摄影地点(旅游/文化)、支付卡推荐(金融)等不同领域的知识无缝衔接。 进行逻辑推理:理解“自由行”意味着需要详细的签证材料清单;“拍和服写真”需要推荐有古风氛围且允许拍摄的地点;“境外支付”卡需满足日本商户的普遍接受度(如VISA/Mastercard)。 生成结构化回答:一次性或分步骤清晰地提供覆盖多个领域的完整解决方案。 体验提升:用户无需在多个客服模块间跳转或重复提问,一站式解决复杂、跨领域的综合需求,享受高效、省心的服务,如同拥有一位“万事通”顾问。 三、规则引擎与大模型引擎的本质差异 理解大模型带来的变革,需要看清其与传统技术的根本区别: 四、 技术升级驱动产品设计变革 大模型不仅提升对话能力,更深刻影响了智能客服产品的设计理念和形态: 1. 少样本学习(Few-shot Learning)与敏捷迭代 旧模式之痛:添加一个新业务(如上线一款新金融产品),需要产品经理、业务专家、标注团队大量协作:定义意图、收集问题、撰写标准答案、标注数据、训练模型、测试调优… 周期漫长(数周至数月),成本高昂。 大模型赋能:LLM的强大泛化能力使得“小样本学习”成为现实。开发者只需提供少量高质量示例(如5-10个新产品的典型问答对),LLM就能快速理解该领域的语义和意图模式,并生成符合要求的回复。这使得: 新业务上线速度从“月级”缩短到“天级”甚至“小时级”。 知识更新更加敏捷,能快速响应市场变化(如新政策解读)。 长尾问题覆盖成本大大降低,无需为每个冷门问题单独建模。 产品设计影响:客服系统的知识管理后台需要重构,更侧重“示例管理”和“Prompt设计”,而非传统的复杂规则配置。产品迭代周期显著压缩。 2. 深度上下文理解与个性化服务升级 旧模式局限:传统系统对上下文理解浅薄,常导致多轮对话割裂。例如,用户先描述“手机突然无法充电,充电口有异物感”,接着问“维修多少钱?”。老客服可能无视之前的故障描述,只回复标准维修报价表。 大模型突破:LLM能深度理解整个对话历史,并结合用户画像数据(如历史订单、会员等级、过往咨询记录 – 需在合规前提下授权使用)进行综合分析。 场景化服务:结合用户描述的故障细节(“充电口异物感”),精准判断可能原因(接口堵塞/损坏),提供针对性建议(尝试清理/需检测维修)和差异化报价预估。 个性化体验:识别VIP用户,主动提供优先服务通道或专属权益;根据用户历史偏好推荐相关产品或服务。 产品设计影响:客服系统需设计更强大的对话状态管理和用户画像集成模块。产品目标从“解决标准问题”转向“提供深度个性化、场景化的解决方案”,成为提升用户忠诚度的关键触点。 3. 多模态交互与全渠道无缝体验 旧模式单一:主要以文字聊天为主,渠道割裂(网页、APP、微信各有一套)。用户上传图片或语音提问?系统懵了。换了个渠道?对话重来。 大模型融合:多模态大模型(Multimodal LLM)能同时处理和理解文本、语音、图片、甚至视频。 语音交互:用户直接说话提问,体验更自然(尤其适合不便打字的场景)。 视觉理解:用户上传故障产品照片(如破损的充电线、屏幕裂痕)、单据截图,客服能“看懂”图片内容,结合文本描述精准判断问题,指导操作或启动售后流程。 全渠道一致性:基于强大的上下文管理,用户在APP咨询一半,切换到微信小程序或电话客服,对话能无缝衔接,无需重复信息。统一的知识库和用户状态管理是基础。 产品设计影响:客服产品需从“纯文本聊天窗口”进化为融合语音识别/合成、图像识别、统一会话管理的全渠道、多模态交互平台。设计需考虑不同模态输入输出的自然融合与切换。 大模型无疑为智能客服注入了前所未有的活力,但挑战依然并存: 1)幻觉(Hallucination):LLM可能生成看似合理实则错误或无依据的信息。在客服场景,这可能导致提供错误政策、流程或产品信息,风险巨大。 解决方案:严格的知识边界设定(Grounding)、结果置信度提示、关键信息对接权威数据库(RAG)、人工审核流程。 2)数据安全与隐私:处理用户对话涉及大量敏感信息。如何确保训练数据、对话数据的合规存储、使用和防泄漏是重中之重。 解决方案:私有化部署、数据脱敏、严格的访问控制、符合GDPR等法规。 3)成本与效率:大模型推理(尤其是高并发场景)成本显著高于传统规则系统。响应延迟也需要优化。 解决方案:模型蒸馏(小模型)、推理优化技术(量化、剪枝)、混合架构(大模型处理复杂问题,小模型/规则处理简单高频问题)。 4)价值观对齐与可控性:需确保客服回复符合企业价值观、服务规范,避免产生偏见、歧视或不恰当言论。 解决方案:精细化的Prompt设计、强化学习人类反馈(RLHF)、内容安全过滤层。 大模型技术突破了规则和浅层AI的桎梏,在自然对话、精准理解、知识推理、个性化服务等方面带来了质的飞跃,并深刻影响着产品设计的方向。虽然幻觉、安全、成本等挑战仍需业界持续攻坚,但其展现的潜力和已落地的成效不容忽视。可以预见,随着技术的不断成熟和应用的深化,由大模型驱动的智能客服将不仅仅是解决问题的工具,更会成为提升用户体验、塑造品牌形象、驱动业务增长的关键战略资产。 本文由 @阿堂聊产品 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议
在基金销售领域,蚂蚁基金、招商银行等巨头凭借其强大的渠道优势和流量资源,占据了市场的主导地位。然而,随着市场竞争的加剧,基金销售子公司和券商等机构面临着巨大的挑战。本文将深入探讨基金销售行业在巨头合围下的突围之道,分析当前基金销售渠道格局的变化,以及中小机构如何通过专业服务、科技赋能和差异化策略,找到新的增长点。 从专业对口角度,首先想到公募销售子公司,自家产品本是最了解、最上心。2025年6月,易方达财富管理基金销售(广州)有限公司获批成立,成为全市场第九家基金销售子公司。从2012年嘉实财富成立算起,这一探索已走过13个年头。然而,基金销售子公司在市场上的存在感却微乎其微。 截至2024年末,在全市场基金销售机构公募基金销售保有规模前一百名中,仅有三家基金销售子公司进入其中。中欧财富以55亿元的权益基金保有规模在基金销售子公司中排名第一,但在整个销售领域仅位列73位。(另两家进入TOP100的公募销售子是华夏、嘉实) 图片来源:中国证券投资基金业协会官网 与此同时,蚂蚁基金2024年上半年权益基金保有规模已达7388亿元,招商银行4105亿元。 公募基金直销渠道也逐年呈现全面溃败的趋势。2025年3月,国寿安保基金宣布将于月底终止旗下App的运营及维护服务。这不过是公募关停潮中的最新一例——2024年,财通基金、光大保德信基金、长盛基金等多家公募已相继下线移动客户端。而长盛基金作为“老十家”,不管其尚未破千亿的861.28亿元基金资产净值,还是移动APP下线的无奈,都让人叹息。 有市场观点谈到,部分中小型公募之所以关闭旗下直销App平台,主要原因是销售额相对较少、流量偏低,而维护APP的成本又相对较高,导致投入和产出不成比例。 基金销售子公司最初的设想,是借此形成与银行等传统渠道抗衡的话语权。现实却是残酷的“产销分离”格局——银行、券商与独立代销机构已形成三足鼎立的垄断态势。 笔者认为,这不是一次简单的高层决策,其背后逻辑、所面临问题,值得深思。近10年移动互联网浪潮推动下,基金公司代转直愿景驱动下,电商/网金/数金部门的种种努力终在“渠道为王、流量第一”的现实约束中迎来终审。 根据2024年末最新行业数据,公募基金销售渠道格局呈现以下关键变化: 渠道格局剧变:头部阵营固化,增长分化明显 1.权益基金保有规模排名 蚂蚁基金以7388亿元蝉联第一,环比增长6.8%(较上半年增加468亿元)。 招商银行以4105亿元位居第二,规模环比下降12.21%,与蚂蚁的差距进一步拉大。 天天基金以3493亿元位列第三,但规模仅为蚂蚁的47.28%,差距持续扩大。 2.逆势增长机构稀缺 权益基金保有规模前20的机构中,仅蚂蚁基金与中国人寿保险实现正增长,其余机构普遍收缩,银行渠道整体市占率下滑6.23个百分点。 指数基金战场:券商主导,银行加速追赶 股票型指数基金成核心赛道,2024年下半年总规模达1.7万亿元,环比增长25.3%。分渠道看: 券商绝对领先: 中信证券以1090亿元登顶券商榜首(占其权益产品80%),华泰证券(1087亿元)、招商证券(533亿元)等7家券商跻身行业前十。 券商渠道合计保有量9827亿元,市占率57.7%。 第三方机构:蚂蚁基金以3201亿元稳居全市场第一,占行业总规模18.8%。 银行奋起直追: 股票型指数基金保有量达1923亿元,环比激增43.9%(增速最快渠道)。 招行、工行单家增长超百亿元,招行规模达582亿元。 指数战场上,值得注意的是,笔者关注到合并后的国泰海通证券,将报表中国泰君安和海通证券口径汇总后,其指数基金保有仅778亿元,即使权益也仅960亿元,在这含“权”量极高的分类指标下,勉强挤入券商细分行业前三。但是,其较中信的1090亿元指数和1357亿元权益、华泰证券的1087亿元指数和1202亿元权益,国泰海通还有较长的路要追赶。 作为券商新扛把子,笔者非常期待国泰海通证券(新打造的航母级券商)能借力监管的指数化引导、自身的整合改革、大模型加持的AI赋能,以一己之力挤入总榜单Top 10。目前,其960亿元权益规模刚好反超中国人寿保险(951亿元),位居总排名第11位。柿子挑软的捏,届时看中信、华泰、国泰海通三家券商合围农行(瘦死骆驼比马大,1300亿元),给券业挣回点面子,拿到权益类排名前十的3个席位,实现真正三分天下。 银行渠道的挑战:指数领域弱势未根本扭转 尽管银行指数基金增速亮眼,但保有总量(1923亿元)仍不足蚂蚁基金(3201亿元)的60%,且银行整体市占率仅11.3%,远低于券商(57.7%)和第三方(29.9%)。其困境源于: 1.场内短板:ETF交易需证券账户,银行依赖场外联接基金,灵活性弱于券商。 2.客户偏好错配:银行客群风险偏好偏低,更倾向债基及稳健产品,指数基金渗透缓慢。 蚂蚁:坐稳零售端头把交椅,指数与主动权益双领先; 券商:凭借场内ETF优势主导指数赛道,市占率持续提升; 银行:加速转型指数产品,但需突破客群与场景限制。 突围之道:专业为本、科技赋能、服务制胜 在渠道垄断几成定局(银行为代表)、流量掌握主动权(三方为代表)的背景下,基金销售子公司甚至是券商的产品销售,出路在于专业深度与服务温度的结合。蚂蚁、招行们的优势在于平台流量与用户体验,而这恰恰是基金公司和券商的短板。 但,在含权量加大的赛道上,笔者认为,长期来看破局的关键可能在于深度服务与专业配置。正如业内人士所言,券商和基金公司需要“通过投顾和资产配置的能力,弥补甚至扭转简单基金销售难以填补的交易需求”。 对于高端客户群体,单纯的基金销售已无法满足其财富管理需求。这些客户的资产配置需要涵盖股票、债券、保险、信托、基金等多类标的,甚至需要家族办公室等综合工具。这正是券商和基金公司可以深耕的专业领域,尤其在,我国居民财富形式正由不动产向权益类资产的转型换挡进程下。 在渠道为王的时代,专业投顾能力可能是券商和基金公司打破蚂蚁、招行们合围的唯一利器。这条路虽然艰难,却是证券基金行业回归本源、实现高质量发展的必经之路。 想杀出血路来,则须亮出三把破局之刃。 1. 重塑买方基因:让投顾考核“基金经理化” 当下基金销售行业深陷“规模魔咒”:有头部销售子公司2024年KPI中保有规模权重仍超70%,导致投顾团队不得不“违心”的给出“保规模”建议。这种销售导向的考核机制与财富管理本源严重背离。 破局关键在考核体系: 账户盈利纳入核心指标:将客户账户收益率、盈利客户比例等指标考核权重提升至50%以上,与保有规模形成制衡。 实施长周期考核:同步证监会对基金经理的考核新规,对投顾业绩实行三年以上滚动评价,避免短期交易冲动。 建立多维评价矩阵:引入客户留存率、资产配置契合度、风险控制达标率等非财务指标,试点“客户财富健康度”评分体系。 只有投顾收入与客户收益深度绑定,才能真正践行买方立场。这需要打破“规模即正义”的路径依赖,让投顾团队敢于拒绝非理性申购、敢于建议止盈止损。 2. 透明化营销:用“自曝其短”建立真诚人设 行业营销陷入“报喜不报忧”的恶性循环久矣:某明星基金产品页用硕大字体展示“近一年收益32%”,却在角落用6号字标注“最大回撤41%”。这种选择性披露早已透支投资者信任。 透明化营销实践: 风险前置披露:例如,在产品页面强制展示“最大回撤修复时间”,某固收+产品在申购页首屏明示“最近12个月最大回撤7.2%”。 失误公开复盘:会有基金公司在债市波动后发布《固收团队操作反思报告》吗?敢不敢详细分析误判央行政策的决策链,这种内容的影响力绝对远超常规产品推介。 全平台人设统一:新媒体矩阵坚持“不美化业绩曲线”原则,在抖音号展示某科技基金成立以来完整波动图,力争获得“最敢说真话的官方号”。 常说基金赚钱而基民不赚钱,笔者真心认为,与其单纯投教客户做定投、讲微笑曲线,不如大方地展示自家产品的“最大回撤修复时间”。永远只有买错,而没有卖错的,在信息不对称语境下,真诚的服务,大于任何的营销包装。 如果基金经理能够在直播中拆解自己错判新能源板块的失误,笔者相信,一定能看到弹幕刷屏的“终于等到敢认错的直播”。透明不是自毁长城,而是用专业自信重建信任基石——毕竟没有投资者会相信永远正确的“神”。 3. 数据智能+ AI驱动:架起需求侧与供给侧的金桥 作为距离投资者最近又连接投研的枢纽,券商和基金销售子公司手握破局关键密钥:用户行为数据。但当前多数机构仍停留在统计申购赎回金额和督导考核的原始阶段。 双侧升级数据战略: 具体实施路径: 动态需求捕捉:在合规前提下追踪用户调仓时间差(如市场大跌后72小时内的操作)、持仓波动承受阈值(自动记录用户赎回时的组合回撤值)。 建立行为动因模型:借助AI能力分析某客户连续三次在沪深300涨超5%后赎回,可能源于“止盈焦虑症”,反馈投研团队开发“自动分段止盈”工具。 供给侧精准升级:当数据监测显示30-40岁客户群对“养老目标基金+医疗服务”的组合搜索量激增,可推动产品部开发医养结合主题FOF。 信息闭环建设:将投研端对市场的前瞻研判(如美债收益率拐点预判)转化为“投资者操作指南”短视频,利用人工观点-AI创作-素材生成的路径,通过社群精准推送至持仓关联客户。 破局之钥,由三部分组成:用买方考核让投顾与客户利益同频,用透明人设重建行业破碎的信任基石,用AI智能穿透产销认知壁垒。 基金销售的突围,本质是跳出“规模内卷”,回归“客户利益优先”的初心。行业已经逐步不再迷信流量神话,难得的是转而深耕专业价值与信任关系。即使蚂蚁、招行构建的护城河再宽,也终将被差异化创新的打法所突破。 在权益类财富占比提升、指数化投资发展大势下,笔者认为,财富管理这个是事,真诚比渠道把控力更有力,专业比三方流量价更有价,而科技与AI,制造营销算法不是目的,更好的了解客户、更多的服务触点、更良好便捷的投资体验,才是。 真是最后的终审吗?AI Agent带来新变局 一边是干脆下架直销APP,另一边则是加大对AI大模型等IT投入,割裂冲突的本质,是流量生意的老问题,叠加上了创新服务的新问题。 券商基金,当前面临新增流量枯竭+存量客户流失的双重夹击,这仅是自身经营问题的表象,需对症下药,从根上精准施策才行。根本上看,行业30年高速发展后,尤其近10年移动互联网带来的高客户基数下,公司配套已然是组织庞大、系统冗余、人员臃肿,却又面对着未来客户进站的增长失速+既有能力出海服务的分发限制,实质上的资源错配和空转焦虑。 在笔者看来,平台功能再强大、用户体验再优秀,没有持续的用户访问、高频沉浸使用,以APP为代表的领先优势终局仍是个有限竞争、有限游戏。 反之,未来谁拥有新的用户触点,尤其AI智能快速迭代背景下,谁占据了新诞生的流量聚集入口,谁就率先出海,打破以PC/Web端、App端、微信端为典型代表的第一、第二、第三岛链,获取更多高粘性用户,创造券商基金的高质量增长时代。 正如笔者在“证券公司智能体手搓指南”系列中谈论的,不跟新技术趋势、新场景业态,就下牌桌!回顾笔者在证券行业的实践经历,我们曾深刻讨论过关于投顾产品化与产品投顾化的课题,之前在券商财富管理转型与AI大模型的应用一文中也曾略有提及。 本质上,投顾产品化首先解决的是生产力供给问题,一如当年我们在围绕优品科技、思迪信息等平台建设的投顾模块(组合、观点、图文直播等)。而后,则紧接着开始了产品投顾化的建设,去适应生产力发展变革后的生产关系重塑重建工作。平台上线的产品切实提供了客户价值,自然做实了投顾服务和投顾创收这件事。 与之前的先创造生产力、再重建生产关系的逻辑不同,面对AI Agent的来势汹汹,笔者建议不妨遵循先确实生产关系,再完善生产力的路径。 笔者曾在证券公司智能体手搓指南(实操篇-1)说,智能体在目前阶段也可以被归纳进“产品”的范畴,AI产品拿掉AI的部分,依然、也必然,还是好产品。从这个角度看,产品AI化,是优先构建AI与人的交互、关系,借力当下人手至少一个AI助理的群众基础,搭建符合业务实际、流程实践的切实有效场景,勾住客户并建立信任。而未来,则同步推进AI产品化建设,如OpenAI所押注的AI设备方向,补足能力、延展硬件,从券商和基金的业务场景出发,创新客户的交互触点、完善生产力的质效保障与实体化,围合投资的卓越体验。 之前笔者初步窥探到华泰证券(苏)、广发证券(广深)、中金公司(北)分别在AI Agent新技术下的业务布局,接下来,我们一起看看沪上哪家券商挺身而出了。 本文由人人都是产品经理作者【数金杂谈】,微信公众号:【数金杂谈】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
在产品管理领域,服务、工具和产品是三个核心概念,但它们之间存在着显著的区别。理解这些概念的本质差异对于产品经理在解决问题、选择策略乃至设计商业模式时至关重要。本文将深入剖析服务、工具和产品的定义、核心特征、价值创造方式以及与用户的互动关系。 理解服务、工具和产品的本质区别,对于解决问题、选择策略乃至商业模式都至关重要。它们的核心区别在于价值创造的方式、与用户的互动关系以及最终交付物的形态。 逐一剖析它们的本质: 1. 服务 (Service) 本质: 人的专业能力、时间和行动的过程化交付,旨在解决用户的特定需求或完成特定任务。 核心特征: 无形性: 服务本身不是物理实体,而是一种行为、过程或体验。你购买的是“做”的过程。 不可分离性: 服务的生产(提供)和消费通常是同时发生的。服务提供者(人或系统)与用户之间存在直接的互动(即使远程)。 异质性: 服务质量高度依赖提供者的技能、状态、环境以及与用户的互动。每次服务体验可能不同(尽管可以努力标准化)。 即时性/易逝性: 服务不能被储存。理发师的时间、律师的咨询时间,一旦过去就无法再销售。 用户参与度高: 用户通常需要提供信息、明确需求、甚至参与部分过程(如提供资料给会计师)。 价值核心: 在于服务提供者的专业知识、经验、判断力和执行力。用户购买的是“让别人替我做/帮我做”的能力。 解决问题的方式: 委托执行。 你将自己的问题或任务委托给拥有专业技能的人或团队,由他们来执行并交付结果(如报告、完成的状态、体验等)。 例子: 理发、法律咨询、医疗诊断、教育培训、餐厅用餐、保洁、定制软件开发、管理咨询、出租车服务。 2. 工具 (Tool) 本质: 赋能用户的、相对中立的物理或数字手段,用于扩展用户自身的能力或效率,以完成特定操作或任务。 核心特征: 有形性/具象性: 工具通常是具体的、可感知的实体(物理工具如锤子、螺丝刀)或软件(数字工具如Word、Excel、Photoshop、编程语言)。 可分离性: 工具的生产和使用是分离的。用户购买或获取工具后,可以独立于生产者使用它。 中立性/通用性: 工具本身不预设特定的解决方案或目标。其价值取决于用户如何运用它。一把锤子可以用来钉钉子,也可以用来砸核桃(虽然可能不是最优)。 用户主导性: 工具的价值完全依赖用户的技能、知识和意图。 工具是被动等待用户操作的。用户需要学习如何使用工具,并运用自己的智慧来解决问题。 价值核心: 在于扩展用户自身的生理或智力能力(力量、精度、计算速度、信息处理能力等),提升效率和可能性。 解决问题的方式: 赋能自助。 用户利用工具提供的功能,自己动手去分析、设计、构建或执行,最终解决问题。工具是用户手臂或大脑的延伸。 例子: 锤子、螺丝刀、汽车、电脑、Word处理器、电子表格软件、编程语言、数据库系统、搜索引擎、设计软件、测量仪器。 3. 产品 (Product) 本质: 针对特定用户需求或问题场景,经过精心设计、开发和封装,提供标准化或可配置的、接近“开箱即用”的解决方案的实体或数字物品。 核心特征: 有形性/封装性: 产品可以是物理实体(手机、洗衣机、药品)或封装好的数字解决方案(软件应用如微信、Slack、CRM系统)。 解决方案导向: 产品本身就是为解决一个或多个特定问题而设计和优化的。 它不仅仅是一个通用工具,而是将解决特定问题所需的流程、功能、甚至知识封装在其中。 标准化与规模化: 产品通常被设计为可以批量生产或复制,服务大量用户,边际成本相对较低(尤其是软件)。追求“一个产品解决一类人的一类问题”。 相对独立性: 用户与产品交互,通常不需要与生产者(开发者)直接互动即可使用核心功能(虽然服务如售后、更新可能存在)。 用户体验: 产品的易用性、可靠性、设计美感是核心价值组成部分。好的产品追求“傻瓜式”操作或流畅的体验。 价值核心: 在于产品自身的设计、功能组合、可靠性和为用户特定问题提供的“最优解”或“足够好解”。用户购买的是“现成的解决方案”。 解决问题的方式: 提供封装好的解决方案。 用户通过购买和使用产品,直接获得解决某个特定问题的能力或结果,而无需像使用工具那样从头构建解决方案,也无需像委托服务那样依赖特定提供者执行。 例子: 智能手机(解决通信、信息获取、娱乐等需求)、洗衣机(解决衣物清洁问题)、感冒药(解决感冒症状)、Microsoft Office Suite(解决办公文档处理需求)、Salesforce CRM(解决客户关系管理问题)、Netflix(解决娱乐内容获取问题)、预制菜(解决快速烹饪需求)。 重要的边界模糊与融合 服务产品化: 将服务标准化、流程化、打包,使其更接近产品的体验(如标准化的体检套餐、在线课程、订阅制咨询服务)。 产品服务化: 在产品销售后,附加持续的服务(如售后支持、维护、培训、订阅更新),或产品本身作为服务的载体(SaaS – 软件即服务)。 工具产品化: 通用工具被深度定制和优化,针对特定场景形成解决方案型产品(如通用数据库-> 针对电商的库存管理软件)。 产品中的工具: 复杂产品内部可能包含强大的工具属性(如专业视频编辑软件中的各种工具集)。 如何选择? 选择服务: 当问题高度个性化、复杂、需要特定专业知识,或者你没有时间/能力自己处理时。 选择工具: 当你有能力、时间和意愿自己解决问题,需要一个强大的“帮手”来扩展你的能力或提高效率时。 选择产品: 当有一个标准化、成熟、可靠且易于使用的解决方案能很好地满足你的特定需求,你希望“开箱即用”时。 理解这三者的本质区别,能让我们在面对问题时更清晰地评估路径:是寻求专业帮助(服务),是武装自己动手(工具),还是直接采用现成的答案(产品)。很多时候,最优解是它们的组合。 本文由 @知无涯 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
从2021年成立到2022年成为AIGC领域最快独角兽之一,Jasper AI凭借其在营销文案生成领域的创新,迅速获得了市场的认可。然而,随着ChatGPT的发布,Jasper AI面临着巨大的挑战。本文将深入探讨Jasper AI的核心能力、市场表现以及其在ChatGPT冲击下的快速转型策略。 今天的主角是:Jasper AI,网址👉 https://www.jasper.ai/ 01 Jasper AI 是什么 简单来说,Jasper 是通过大语言模型为营销场景提供自动化文案和创意内容,致力于解决营销人员的痛点:内容创作的效率瓶颈。 Jasper AI 提供90多个精心设计的模板,用户只需输入关键词就能生成Facebook 广告、亚马逊产品描述等专业文案。2021年成立于美国。 听上去其实是不是并不复杂,先来看下它在一级市场的表现: 2022年10月完成1.25亿美元A轮融资,估值飙升至15亿美元,此时距公司成立仅18个月,Jasper成为AIGC领域最快独角兽之一; 总融资额超1.31亿美元,但受 ChatGPT冲击,2023年估值下调至12亿美元;(这里埋个伏笔:ChatGPT 3.5的发布时间是2022年11月30日,ChatGPT 对 Jasper 的冲击以及 Jasper 如何应对后面会详细分析) 再来看市场表现: 创始团队及特点: 由连续创业者 Dave Rogenmoser(CEO)、Chris Hull 和 John Philip Morgan(CTO)联合创立。三人均毕业于堪萨斯州立大学市场营销系,创业前曾运营营销代理公司和知识付费项目,具备深厚的营销基因,均无技术背景; 团队以“社群运营”见长,早期通过营销课程积累了一批忠实用户,这些用户后续成为 Jasper 的首批客户和产品反馈者; (CEO/中和CTO/左在ChatGPT发布后,Jasper AI 被迫转型时双双辞职) 02 产品核心能力 1. AI 写作助手 & 模板库:支持广告文案、博客、社交文案、邮件等,通过模板快速输出内容; (90+模板涵盖企业营销中的几乎所有场景) 2. 品牌一致性:通过分析企业文档学习品牌风格,保证多场景下输出内容风格的一致; (AI 撰写内容并进行SEO优化) 3. 多 Agent 架构:引入 AI Studio 和 Canvas,可搭建自定义的“营销 AI 流程”,实现多提示链式协作; 4. 浏览器插件:通过 Chrome 插件、Slack 应用等,在网页文本框中直接插入内容,用户直接调用 Jasper AI; 5. 图像生成能力:2024 年收购Clipdrop,提供图像编辑和格式多样化; (用户无需在多个 AI 应用中跳转,Jasper 实现了工作流的全覆盖) 6. 企业级仪表盘:内容产出统计、团队协作、用户偏好,全部集中管理; 核心功能表格: 不难看出,Jasper AI 借助大语言模型,聚焦“内容营销”这个曾经让很多市场人头疼的领域: 效率瓶颈:内容创作周期从天级→分钟级 创业规模化:解决中小企业文案产能不足 成本优化:替代自由撰稿人 03 ChatGPT 的冲击和快速转型 从时间线上不能看出,Jasper AI 的推出早于 ChatGPT 的公开面世,实际上 Jasper AI 的雏形就是基于 GPT-3(当时是内测版)包装而成的文案生成工具,因而实现了在 ChatGPT 面世前的火箭成长。 但是,2022年11月,随着 ChatGPT 的发布,Jasper AI 的估值马上下调了3亿美元,这是因为:在技术层面,ChatGPT的对话界面比 Jasper 的模板系统更灵活;而在商业层面,免费策略直接冲击其付费模式(Jasper月费49美元 vs. ChatGPT Plus 20美元)。 更致命的是底层依赖,“Jasper 使用OpenAI的技术创建内容,这是营销专业人士能使用它的关键。但OpenAI一直在改进服务,最终能学会Jasper所做的一切。” 2023年6月,Jasper网站流量相比年初下滑50%。7月,创始人兼 CEO 戴夫宣布裁员决定。9月,公司两位联合创始人—— CEO和CTO双双辞职。曾经预计2023年实现1.4亿美元收入的Jasper,将预期下调了30%。 但是,Jasper AI 也为广大 AI 创业者提供了很好的快速转型示范: 短期内紧急上线对话功能:在ChatGPT发布几天内,Jasper火速组建团队开发聊天功能,于12月20日推出 Jasper Chat,防止已有用户快速流失; 业务重心的战略转移:从早期覆盖个人用户,到后期明确聚焦“中大型企业营销团队”; 模型多元化布局:从依赖GPT-3转向构建多模型引擎,整合GPT-4、Anthropic、Google模型等,同时探索自有模型研发,降低单一依赖风险; ( 转型后的 Jasper AI 主要面向企业级用户 ) Jasper AI 在短短20几个月经历了:18个月火箭成长为独角兽 —> ChatGPT 的“致命一击” —> 快速转型和组织变革。 至少给我的启示有: 应用层企业长期来看还是需要突破技术依赖; 要么深挖垂直场景构建数据闭环,要么转型为企业级工作流专家(Jasper 转型后的选择),不然很容易被平台替代; 估值和增长都不代表可持续,18月登顶的独角兽也很可能在更短的时间,变成大厂生态中的一颗流星陨落。 最后,还是要向创业者致敬。 作者:张艾拉 公众号:Fun AI Everyday 本文由 @张艾拉 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议
在看似千篇一律的配置和功能背后,智能座舱的竞争正逐渐升维。本文将深入探讨智能座舱同质化现象背后的原因,分析车企在这一领域的竞争本质,以及未来智能座舱市场的“终局”走向。 2024年4月上半月,中国新能源汽车零售渗透率首次突破50%,达到50.39%。这一标志性事件预示着新能源汽车在中国汽车市场中正式占据了主导地位,反映出市场对新能源汽车的接受程度已可媲美拥有百年发展史的燃油汽车。来到今年5月,这一渗透率进一步攀升至53.5%,刷新了纪录。新能源汽车正逐渐成为市场主流,逐渐成为推动车市持续增长的核心引擎。 回归日常用车生活,和车友、朋友聊新能源汽车,大家的感受复杂又真实:倾心于智能化配置、极低的使用成本;恨的是出行续航和充电焦虑、电池寿命和后期维修维护成本。在谈及智能座舱时,很多人常常不以为然,甚至颇有微词:如今市面上的车内饰看上去千篇一律,做来做去就那些东西,企业们卷完这个卷那个,最终呈现出来的产品并无实质差异。 曾拜读过智能座舱专家“赛博七号”于三年前(2022年3月25日)撰写的文章《谈谈智能座舱的同质化和创新》。文章一语道破当时的困境:“谈到智能座舱,不像从前那么兴奋了,甚至有点迷茫。好像座舱做来做去就那么些东西,屏显、AI语音、AI视觉、HUD……已经玩遍了,很难搞出新花样。产品开始同质化,创新压力巨大。在各大论坛、发布会上,大家讲的东西已经是大同小异,观众和媒体也快审美疲劳了。” 文章提到智能座舱的产品趋势其实是一场“明牌”博弈,在此判断下,并基于此深入剖析了座舱体验创新的抓手,同时强调落地即守正,守正即出奇的战略视角。 到了2025年,座舱产品的性能确实更强了,也出现了许多新奇的功能。但作为“明牌”的领域,各大车企终究还是拉齐了配置和体验,同质化的暗流仍在涌动。拼配置、拼功能,拼得是基于差异化的“至上体验”。今天你超前,明天我又领先…… 换句话说,品牌竞争的本质究竟是什么?在这种态势下,是否存在真正的“终局”? 01 “同质化”的原因剖析 座舱产品为什么会同质化? 供应链的成熟与技术扩散 座舱产品融合了复杂的硬件、软件、数据和算法,每一个维度都强依赖上下游的供应链体系,车企只做有机整合。一旦某项智能化技术(如:车规级芯片;高素质的屏幕或HUD)发展成熟实现规模化生产和供应,各大车企都能相对容易地将其应用到自己的产品上,技术的快速扩散使得领先优势难以长期保持。 产品定义与规划的“明牌+跟随” 正如赛博七号所讲:智能座舱的产品趋势是明牌。即技术趋势和用户需求都绝非秘密,通过市场调研、竞品分析、场景碎片,车企能够相对清晰地掌控行业发展方向,使得产品定义和规划很容易趋于一致,同时落后者牢牢跟随先行者,所以很难形成颠覆性的差异化创新。 低成本、低风险和用户的认知塑造 以大屏为核心的座舱形态,已经高度模块化。依托成熟的供应链体系,主机厂往往只需要套用或微调方案,即可快速产品化,大幅削减从概念设计到量产落地的巨额研发成本和周期(建模、打样、测试等)。 更关键的是,虽然智能座舱看起来科技感十足,实则其BOM成本是远低于大家认知的水平。低成本即可营造“高科技感”的感知价值,这无疑是一条对整车厂极具吸引力的路径。 此外,相比已被市场验证并逐渐成为消费者认知的新能源车座舱“标配”和“心智模型”——多屏交互、舒适座椅、简洁设计等成为主流特征。任何偏离这些“共识”的大胆创新,都意味着试错成本高、市场不确定性强。因此,哪怕牺牲一些差异化与先锋性,主机厂也要更倾向于迎合用户心智,顺应“主流”,以降低市场接受门槛和设计失败风险。久而久之,行业内部也逐渐形成了“安全牌优于冒险创新”的产品氛围。 竞争的本质 各路品牌打打杀杀、卷来卷去,从本质意义上看,大家到底在比什么? 先发优势与快速迭代能力 竞争的核心在于“先发优势”。谁能更快地将新技术、新功能落地,并紧跟需求变化做出动态理解,以及持续的产品迭代优化,谁就能在竞争中占据优势。话句话说,我能快速响应用户需求和供应体系的技术创新,做出产品,同时又能保证成本低、体验好,这就很厉害! 资源整合能力 座舱产品融合了众多技术领域和生态伙伴,赛博七号提到:从技术上来讲,整合车辆相关的技术和互联网技术;从产品形态上,要整合软件产品和硬件产品;从服务上,要整合本地服务和在线服务;从研发策略上,要整合上下游供应商的研发优势和自研的能力。整合与落地,受到主客观环境和资源约束。所以,谁能突破限制和约束,更好地整合内外部资源,多快好省地落地产品与服务,谁就能在竞争中占据有利位置。 组织化能力与系统效率 然而想做到上面两点,谈何容易?这需要整个组织高效紧密的协作攻坚,包括强大的研发体系搭建、高质高效的跨部门协作、准确快速的用户反馈响应机制、优秀的供应体系整合能力等等。强大的组织化能力与系统效率才能确保“用户体验优势”的最终落地,这才是车企真正的竞争壁垒。顶流的企业就是“打组织牌”,强大的组织结构就是企业家缔造的挣钱机器,无论目标产品的规格有多高,这台机器都可以执行高精密的制造和生产。 无限游戏的“终局” 所谓终局,既是“无终局”,亦是“有终局”。 各品牌在智能座舱领域的博弈从来不是一锤定音的胜负手,而是一场持续动态演进的过程:你做得好,别人就会会迅速跟进——抄思路、挖团队,甚至重塑自身的组织架构与供应体系;反之亦然。 这是一场没有终点的无限攻防游戏。 所谓“无终局”,意味着不会有一家独大的垄断局面。而“有终局”,则体现在这场无限博弈游戏中,虽各有生存之道,但整体是被行业和体系裹挟着向前,谁赶不上谁就要掉队。 多元共存的品牌格局 未来智能座舱领域的竞争,不会走向一家独大的“终局”,而是演化为多元品牌长期共存、各显其能的格局。不同品牌将基于其自身差异化的定位、目标用户群体和核心竞争力,在市场上占据自己的位置。 这与传统燃油车市场如出一辙——历经时间与市场的筛选后,最终形成了清晰的分层格局: 纵向上,一线豪华、二线豪华、普通品牌等各自分庭抗礼; 横向上,品牌核心价值主张也呈现出多样化,如主打豪华舒适、运动操控、科技未来、安全健康、智驾潮酷、家享智行等等,各自形成相对稳定、独特的品牌理念与心智认知。 细分市场的持续深耕 用户的自我认知、车之于用户的角色设定、用户对车辆的期望、对价值的定义不断演化,智能汽车时代,人与车的关系更加复杂多元。 品牌需要霸占并深挖关键属性和价值主张,并基于此做出精准的产品定义,切准目标用户群动态变化的用车需求,持续拥抱并强有力地整合前沿创新的技术、丰富便捷的座舱生态内容及服务。持续击碎用户用车过程的痛点,或带来卓越的体验MOT,会在人与车之间建立深厚的情感连接,在用户心中建立独特的品牌认知和价值认同,实现真正的人车共情,占领用户心智。 总结一下 智能座舱的窗口期和新鲜感已然过去,竞争正渐入深水区。此时在靠浑水摸鱼、投机取巧,只会是乱拳出击、花里胡哨,在高手眼中,无非是毫无底气的“花架子”。 而当竞争拉长到时间轴上,从更持久的维度去审视,其本质也越来越清晰:拼的已不是“招式”,而是内在的“武功和心法”。谁能拥有强大的组织化能力与系统效率,谁就能实现垂直资源的高效整合,快速推进产品落地、占据先发优势。也正基于此,所谓差异化的体验创新、产品的快速迭代升级才能够落地守正,在每一次触点中做到人车共情,占领用户心智。 智能座舱的市场“终局”,正是没有“终局”。这场“无限攻防游戏”的走向,注定是动态平衡下的多元品牌共存、持续创新迭代的大局面。真正的挑战不是终结对手,而是避免被淘汰。唯有认清竞争的本质,不断锤炼自身的组织化能力,才能在这场没有终点的博弈中稳住阵脚,持续前行。 作者:王振,产品设计师 首发公众号:智能座舱研究社 本文由 @贝勒爷 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
在数字化时代,流程图是产品经理工作中不可或缺的工具,但传统的流程图绘制方式往往耗时费力,效率低下。随着AI技术的飞速发展,现在有了更高效、更智能的解决方案。本文将介绍如何利用AI结合Mermaid语法,快速生成专业且美观的流程图。 今天分享的案例是:利用Mermaid语法进行AI画流程图, 这对于咱们产品工作来说非常实用,建议点赞、收藏,跟着学,你也能学会! 图-⬆️利用mermaid语法,一键绘制流程图 每一次技术的跃迁,都意味着工作方式的迭代升级。 在这个信息爆炸、AI新能力快速涌现的时代,咱们的核心竞争力,将不再是处理信息的‘手速’,而是驾驭信息、创造洞察的‘脑力’! 这段时间,咱不是聊了点“AI产品技能树”的实战经验嘛,从原型设计到产品方案汇报等。 好几个同学特意留言反馈说很受启发,镜哥咱这心里也暖洋洋的,就像郭德纲老师所说“江山父老能容我,不使人间造孽钱”啊!(虽然大家也没买票打赏。。) 当然,也有不少同学私信,问我能不能再深入点,把产品架构、产品规划、业务流程这些更核心的产品设计环节,也掰开揉碎了讲讲怎么跟AI结合,看看AI能给咱们带来啥样的“神助攻”。 事实上,在AI时代巨变的洪流中,每一次技术的跃迁,都意味着工作方式的迭代升级,咱们的产品工作,也有太多可以插上智能翅膀的地方了! 这不,镜哥立马就安排上了! 今天,咱们就先来聊个高频且让不少产品经理“头大”的环节——业务流程设计。 大家都知道,业务流程图对咱们产品设计工作有多关键,那是你对业务的抽象、对市场的洞察,最终落地时的骨架和血肉。 可当你真沉浸到具体的业务场景里,你会发现这活儿虽然重要,但也挺耗时间、特磨人——因为一旦某个业务活动或规则调整了,整张流程图可能就得跟着“大变脸”,甚至推倒重来! 咱们吭哧吭哧对着Visio、Axure捣鼓半天,画出来不是密密麻麻像蜘蛛网,就是各种连线缠绕不清,改起来更是要了老命! 好消息是,这效率内耗,现在咱们也有了跟它一定程度上说“拜拜”的可能了! “工欲善其事,必先利其器”。 镜哥多说一句个人暴论:在AI无孔不入的当下,如果还偏执地抱着老一套工具不放,甚至更自诩为古典匠人,都是在逆时代趋势的不进则退,也更像是在“用战术上的勤奋,掩盖战略上的懒惰”!。 事实上,镜哥每次听到团队资深老同事说“担心AI出错”,我都想引用《堂吉柯德》里的一句话:鲁莽也比怯懦更接近勇敢。 好,今天,镜哥就给大家带来一个能让你画流程图效率“Duang”一下提升N个档次的秘密武器——AI工具结合Mermaid语法! 一、Mermaid简介 说到Mermaid,肯定有同学还觉得有点陌生,但了解之后你会发现,它绝对是咱们产品经理的“超强辅助”! 简单来说,Mermaid就是一个基于文本的图表绘制工具。你不需要拖拽各种图形,也不需要担心连线歪七扭八,它能让你像写Markdown一样,用简单的文字描述(也就是所谓的“语法”)来快速生成各种图表。 这包括但不限于咱们最常用的流程图(Flowchart)、时序图(Sequence Diagram)、类图(Class Diagram)等等! Mermaid的官网是 ⬇️: mermaid.js.org,官网上面有详细的语法说明和各种示例。 Mermaid在线编辑器的地址为⬇️: https://www.mermaidchart.com/app/dashboard,大家后续可以通过编辑器地址来使用。 大家别看它是代码,但有了AI加持后咱们上手非常快,因为其核心就是用文字来定义节点和它们之间的关系,然后神奇的事情就发生了——你的文字自动就“变身”成了漂亮的图! 这种纯文本的绘制方式,简直是为我们产品经理量身定做的——改起来贼方便,版本管理也容易,而且还能和各种文档、代码平台完美结合,想想就刺激不? 事实上,如今AI已然把Mermaid语法门槛极度降低,咱们甚至不需要懂Mermaid语法,只需要通过自然语言和AI交流,让其帮你生成符合mermaid语法的代码,而后通过在线编辑器即可实现。 二、通过案例,快速理解其价值和使用方法 这样,咱们直接通过一个真实案例——电商履约流程,来快速理解Mermaid的使用方法和价值。 因为,镜哥有个朋友老A,正好在一家电商公司做产品,他们前段时间要优化一个复杂的订单履约流程,涉及到用户下单、支付、库存扣减、物流发货、用户签收等等十几个环节。 而且中间还穿插各种异常处理,老A吭哧吭哧用Visio画了两天,密密麻麻铺满了三张A4纸,自己看着都眼晕,更别提给开发和运营团队讲解了。 那天晚上他跟我吐槽时,我说你用Mermaid啊。 怎么用? 你完全可以这样操作: 首先,用你最习惯的自然语言,把脑子里关于业务流程的想法,毫无保留地“倾倒”给AI。 别担心语法、逻辑,就像你跟同事口述一样,把流程的来龙去脉、关键节点、决策分支都描述清楚。AI会像一个经验丰富的业务顾问,帮你“查漏补缺”,梳理出清晰的文字版流程。 一旦你确认这份文字流程“没毛病”,完全符合你的业务逻辑,那么,再发出指令,让AI帮你把这份文字流程“翻译”成 Mermaid语法代码 第1步,通过自然语言和AI对话,确认业务流程的文字描述 首先,咱们还是先把业务流程文字描述确认清楚,确保流程描述没问题,这是后续操作的前提。 当然,咱们同样使用AI来辅助进行流程梳理,不仅能完善组织语言,甚至还能发现一些潜在的问题或忽略掉的流程环节。 镜哥在这里依然推荐首选使用Gemini 2.5,同时,有条件的同学更推荐使用Cursor或Claude4.0,因为代码报错很少,效率很高。 图-⬆️ 利用Gemini快速梳理业务流程 第2步,继续和AI对话,获得Mermaid代码。 当你确认业务流程符合你的要求后,咱们就可以直接让AI帮你生成符合Mermaid语法的代码了。 通常来说,各类AI Chat工具都能识别、生成Mermaid格式的内容,当然,镜哥自己觉得效果最好的还是上面提到过的Gemini 2.5 Pro或Claude4.0。 比如,上述流程,通过Gemini生成的符合Mermaid语法的代码可以如下,大家可以作为参考(也可以复制去测试体验下): graph TD subgraph”订单创建与支付” userBrowse[用户浏览商品] –> submitOrder(提交订单); submitOrder –> createOrder{创建订单}; createOrder –> pendingPayment[待支付状态]; pendingPayment –> paymentGateway{调用支付网关}; paymentGateway — 支付成功 –> paymentSuccess[支付成功]; paymentGateway — 支付失败/超时 –> orderClosed[订单自动关闭]; end subgraph”订单处理与风控” paymentSuccess –> notifyWMS[通知WMS/ERP系统]; notifyWMS –> validateOrder{订单风控与库存校验}; validateOrder — 校验通过 –> lockInventory[锁定库存]; validateOrder — 库存不足/高风险 –> orderException[订单异常]; orderException –> manualReview[人工审核/客服联系]; manualReview — 审核通过 –> lockInventory; manualReview — 审核失败 –> cancelAndRefund[取消订单并退款]; end subgraph”仓储作业 WMS” lockInventory –> generatePickList[生成拣货单]; generatePickList –> warehousePicking[仓库按单拣货]; warehousePicking –> packAndCheck[打包与复核]; packAndCheck –> weighAndLabel[称重并打印面单]; weighAndLabel –> callLogisticsAPI{调用物流公司API}; callLogisticsAPI — 下单成功 –> packageShippedOut[包裹出库]; callLogisticsAPI — 下单失败 –> logisticsException[物流异常,人工处理]; end subgraph”物流与签收” packageShippedOut –> updateStatusShipped[更新订单状态为’已发货’]; updateStatusShipped –> notifyUserShipped[短信/App通知用户]; packageShippedOut –> handoverToCourier[包裹交接给物流公司]; handoverToCourier –> inTransit[物流运输中]; inTransit –> outForDelivery[到达目的站,开始派送]; outForDelivery –> userSigns{用户签收}; end subgraph”订单终态与售后” userSigns — 正常签收 –> confirmReceipt[确认收货]; userSigns — 拒收/异常 –> triggerReturn[触发逆向物流-退货]; confirmReceipt –> orderComplete[订单完成]; orderComplete –> inviteForReview[邀请用户评价]; triggerReturn –> afterSalesProcess[进入售后处理流程]; end 图-⬆️ 利用Gemini2.5 Pro,输出Mermaid代码 将代码复制到在线编辑器 接下来就简单了,咱们只需将生成的代码轻轻一复制,粘贴到任何一个支持Mermaid的在线编辑器(比如前面提到的 Mermaid Chart)。 一般情况在,几乎一瞬间,很快一份专业又美观的流程图就立刻呈现在你眼前,效率简直不要太高! 比如,根据Mermaid语法,上述流程可以快速生成。 图-⬆️ 根据Mermaid代码,一键绘制流程图 bug如何修复、是否需要开通会员? 当然,很多时候,AI生成的Mermaid代码可能会有bug,这也很正常,官方提供了AI修复能力,但是一般需要会员,我一般直接复制bug信息,交给Gemini或cursor来修复。 基本上,修复两三次,bug就能搞定。 这里多说一句,Mermaid Pro版本的会员是6.67刀(为啥有整有零呢),开通会员之后就可以使用AI来修复bug,而且不限制文件数量,要知道免费版本只能创建3个文件。 图-⬆️ Mermaid会员定价,可按需不买。。。 但有一说一,Mermaid日常使用的话,其实咱不开通会员也足够了,因为支持导出PNG,最重要的是还不带水印,这点要好评点赞。 所以,这样的话,即便是限制3个文件,对咱们影响也不大,完全可以导出后删除新建。 当然,不缺钱的同学当我没说。 三、两个小技巧 技巧一:生成图片后,选择自适应 一般来说,根据Mermaid语法生成的图片,可能会有些排版不够精致,这种情况下,我都会选择自适应,基本就能达到我的要求。 自适应的入口参考下图: 图-⬆️ Mermaid选择自适应(Adaptive) 另外,自适应之后如果需要调整样式,可以在主题里进行调整或自定义,这个咱就不过多展开了,大家可以自行测试,很简单的。 技巧二:叠加《录音分析大师》Buff,效率更近一步 还记得上次我给大家分享的那个「录音分析大师」吗?(没看过的赶紧去补课:我用Gemini做了个「录音分析大师」,会议纪要一键转PRD,产品梳理效率直接拉满!)。 要知道,咱这个AI智能体,可不仅仅是整理会议纪要、梳理业务流程的“一把好手”! 实话跟大家讲,我们团队很多小伙伴现在就是利用咱这个“录音分析大师”来搞定流程图的! 你想想,开会或讨论会上,大家七嘴八舌地聊业务流程,很多时候都是口语化的、非结构化的。 以前咱们是不是得把录音转文字,再手动梳理,然后一步步画?费时费力不说,还容易漏掉细节。 现在不一样了!我们直接把会议录音转成的文字稿“喂”给“录音分析大师”,并且,你知道的,这个智能体,我已经给它设定好了“咒语”——如果你在Prompt里选择或者明确指示它需要“梳理业务流程”,它不仅会帮你用文字描述一遍,更“骚”的是,它能直接给你输出Mermaid语法的代码! 这是什么概念? 这意味着,你们刚开完会,你甚至不用离开会议室,边喝水边操作几分钟,一份初版的流程图可能就已经出来了! 团队里的小伙伴用我的这种方法,那和开发沟通的效率极高,因为流程图不再是“抽象艺术”,而是“所见即所得”,修改起来也极为方便。 你改个文字,流程图自动就变了,比传统拖拽式的工具效率高了不止一个量级! 正所谓,“好风凭借力,送我上青云。” 你看,只要你能善用AI工具,你的工作效率提升就不是一星半点,而是指数级的放大。 当然,Mermaid也好,其他AI应用也罢,都不是万能的,我们在使用过程中也需要注意一些问题,比如,AI的理解能力有限有时候咱们还需要仔细Review AI生成的结果,进行人工修正。 再比如,Mermaid语法有一定的学习成本:虽然基本语法不难,但要绘制复杂的流程图,仍然需要一定的学习和实践。 但是,这些都不应该成为咱们排斥AI新应用的接口,相反的,主动的尝试、高频地使用、不断地调优,才能真正提升我们的工作效率、激发AI最大潜能关键所在。 最后,镜哥还想对各位峡谷同学说: 拥抱AI,不是一句空话,而是要真正将其融入到我们的日常工作中。学会使用AI工具结合Mermaid语法来绘制流程图,只是我们在AI时代提升效率的一个小小尝试。 这只是冰山一角,更大的效率革命才刚刚开始!未来,还有更多AI赋能产品经理的可能性等待我们去探索。 记住,工具永远在变,但提升效率的底层逻辑不变。在这个信息爆炸、AI涌现的时代,我们的核心竞争力,将不再是处理信息的“手速”,而是驾驭信息、创造洞察的“脑力”! 还是那句老话: 进化,不是选择,而是必然。与其被时代裹挟,不如主动出击,成为定义未来的那批人! 本文由人人都是产品经理作者【产品大峡谷】,微信公众号:【产品大峡谷】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于CC0协议
人工智能(AI)正在通过增强个性化、优化供应链和促进可持续发展,彻底改变电商行业。如今,个性化购物体验通过AI驱动的推荐、预测分析和自动化客户支持更加完善。这些系统会分析购买历史和客户行为,从而推荐定制产品,并通过聊天机器人提供全天候协助。 人工智能(AI)正在显著改善供应链优化。通过基于数据分析预测需求,企业可以更好地管理库存,减少效率低下,并避免缺货和库存过剩的情况。这种预测性管理可确保热门商品持续供应,同时最大限度地减少浪费。人工智能(AI)也在推动电子商务的可持续发展方面发挥着重要作用。高效的库存管理和需求预测有助于减少浪费并减少碳足迹。人工智能(AI)能够检测欺诈交易并过滤虚假评论,从而确保在线市场更加安全可靠。人工智能(AI)能够服务于电商平台中小卖家,快速生成商品图片及信息,帮助电商平台中小卖家提高商品发布与管理效率。 人工智能在电子商务领域潜力巨大,拥抱这些技术的企业将在快速发展的数字市场中保持竞争优势。人工智能(AI)正在迅速改变电子商务世界,它为企业提供了一系列强大的工具来优化运营并提供更佳的客户体验。此外,您认为亚马逊、eBay、沃尔玛等众多成功的购物和电子商务平台在数字商务平台上的领先地位如何?答案是机器学习和人工智能的合理运用。人工智能在电子商务领域最显著的优势之一是能够通过分析客户之前的购买记录、搜索历史和网站行为,为每位客户提供个性化的购物体验。人工智能算法可以实时分析和解读这些信息,从而通过改进决策、自动化日常任务,甚至预测未来趋势,为电商企业带来巨大的改变。 总而言之,人工智能的创新贡献——从通过个性化推荐增强购物体验到提高运营效率和可持续性——正在重塑电子商务行业,使其更加以客户为中心、更加高效、更加环保。本文进一步阐述了人工智能如何通过其对电子商务企业的力量带来技术革命。 作者:Fastdata极数,微信公众号:Fastdata极数 本文由 @Fastdata极数 原创发布于人人都是产品经理。未经许可,禁止转载 题图来自报告封面 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
公众号作为中文互联网中重要的图文内容平台,近年来经历了一系列改版和调整。这些变化引发了广泛的关注和讨论,有人认为公众号正在失去其原有的魅力,而有人则看到了新的机遇。本文将从公众号的变与不变两个维度出发,深入分析公众号改版背后的逻辑。 作为微信体系里的古典产品,自2012年诞生的公众号在很长一段时间,产品逻辑迭代频次非常低。 然而最近两三年,这个老产品更新节奏已悄然变快,从打通视频号、推出“小绿书”到“改变时间序”、推出“看一看”,这些新变化在迭代的同时也伴随着争议和不同的解读。 作为公众号生态的观察者,今天卫夕就从我的角度来尝试分析一下公众号改变背后的可能逻辑—— 一、从两个风格迥异的公众号开始说起 从博客时代,我就是阮一峰老师的读者。 作为科技作者的活化石,阮老师在2018年开始更新他的“科技爱好者周刊”,每周五准时发布,连续7年总共353期从未间断,如同行为艺术。 在我看来,“科技爱好者周刊”有数字平替版的《全球概览》的影子:不废话、不煽情、有资讯、有洞见,纯靠信息密度和信息增量吸引读者。 对于某些技术从业者而言,阅读“比大姨妈还准时”的周刊成了每周五摸鱼时间的某种仪式感。 刚开始在公众号更的时候,我记得阅读只有4000左右,当时就感叹“酒香也怕巷子深”,7年悄然过去,今天周刊的阅读量已经稳定在1.6万左右。 阮老师活成了时间的朋友。 再看另一个风格迥异的公众号——李继刚。 作为提示词大咖,继刚老师的公众号去年9月才注册,开始还叫“Write Prompt”。 更新也非常随性,有时候日更,有时候一天更很多条,有时候隔几天才更,这个不到一年的新号至今共更新了141篇原创内容。 在所有和AI相关的公众号中,李继刚这个号是一个异类,不仅仅是他的文章没有震惊体标题、没有营销感的文风,还因为他一直在探索提示词写法的不同可能性—— 从“结构化”到“压缩”,从“共振”到“故事”,许多如散文诗般的提示词让他在一众“AI织梦师”中自成一体。 我前两天咨询了他的账号数据——9个月总粉丝63631,常读粉丝12100,常读比例20%,写过公众号的作者就知道这个数据是大幅超过平均水平的。 我问他写公众号的感想,他回复得简洁而纯粹—— “只要真诚表达,就会被同频的人看到。” 阮一峰和李继刚他们都不算是典型意义上的超级大号,但在我看来,这一老一新恰恰是公众号保持持久活力的一个缩影。 事实上,我自己喜欢的、一直更新超过或接近10年的活化石账号还有—— 上古作者和菜头(“槽边往事”)、凌厉而神叨的程苓峰、冷眼看科技的魏武辉(“扯氮集”)、古典互联网作者刘韧、财经日更“猫笔刀”、古早Blogger王建硕、读金庸的六神磊磊、更新很不规律的Keso、互联网百晓生曹政(“caoz的梦呓”)、营销鬼才李克、华杉的弟弟华楠(“有人写诗”)、朴实唠嗑型科技作者池建强(“Mactalk”)、佛系更新冯大辉(“小众消息”)、拆字天才王左中右、斜杠作者阿禅(“可能吧”)、营销大咖小马宋、笔耕不辍三表(“三表龙门阵”)、年更作者天才小熊猫、跨界作者李翔、多面手王登科(“超级王登科”)、播客主播刘飞“刘言飞语”等等。 而像李继刚一样新开更公众号的作者就更多了——Fellou创始人谢扬(“潮汐不灭灯”)、硬核科技分析“信息平权”、商业漫谈卫诗婕、数字生命卡兹克、张晓东(“张晓东西南北”)、得到联创“快刀青衣”(注册很早,这两年数据起飞)、商业评论“山上”、科技作者“山农下山”、投创人“佩妮Penny的世界”、个人评论“刘知趣”、逗比爸爸“淡定之父”等等。 没错,尽管每一次改版都有争议,但在我看来,公众号依然是中文互联网中做图文内容资产最牛X的平台。 那么问题来了——这个结论背后的逻辑是什么?不是说公众号头条化了吗?不是说没人看公众号了吗? 没错,公众号原来那种“一夜涨粉XX万”的神话少了,一朝成名天下知的奇迹和噱头少了,但一个故事更少的公众号事实上是一个生态更成熟的公众号,而今天我尝试来解读一下背后的逻辑—— 二、公众号的变与不变——变化的是什么? 很显然,公众号的确在变,为什么要变? 唯一的答案是——对抗产品熵增。 任何产品当你在架构上不变化的时候,熵自然就会增加,这是不可改变的物理规律。 那么,对应公众号而言,它的熵增具体是指什么? 在我看来,核心就是两点—— 1.内容选择困难。 起初的时候,用户关注的公众号有限,内容都是自己爱看的,然而当用户因为各种原因关注的账号越来越多的时候,内容选择就成了问题,如果不做排序,劣币就会挤占良币的空间。(朋友圈折叠、收起也是同样的逻辑。) 2.发现机制效率降低。 公众号刚诞生的时候,朋友圈分享成为用户发现优质内容的重要方式,但依赖朋友圈的发现机制有两个问题—— 第一是好友多了之后的社交压力导致的分享欲的客观下降; 第二是朋友圈毕竟是一个社交人设展示场,决定了它一定是某种“秀”的内容,而“秀”的内容注定是大家愿意消费的内容的子集。 在我看来,这就是微信近几年改动最大的两个动作——“改变时间序”、“推出看一看推荐”的出发点。 一个铁一般的事实是——任何反对公众号改版的人,都没办通过不改版解决上述两大客观问题。 很多人有古典产品的情结,认为时间序是最公平的方式—— “一个公众号经常发劣质内容,用户自己会取关的。”、“意识到有人取关,作者自己自然会平衡内容质量的”、“一个号既然能获得用户的关注,肯定是因为它曾经提供过优质内容,平台就应该给这样的号发广告内容的权利”。 没错,这是经济学上朴素的“市场有效性”的假说,但不要忘了,在经济现实中“看不见的手”终究还是需要“看得见的手”来调节的,市场不需要的只是“闲不住的手”。 用户毕竟是懒惰的——当用户关注了500个账号,打开列表一看,看到了70%都是平庸内容,他会做的大概率不是手动去看一看到底是哪些账号在发广告、发劣质内容然后取消关注。 更可能的动作是:减少公众号的打开次数而转身去刷短视频。 如果你的订阅号内容池里,总共只有20篇文章,那排不排序其实无所谓,你扫两三屏就扫完了。 但如果你订阅了足够多的号,总共有200篇待读文章,那相信我,完全不做排序一定是一个灾难。 道理非常简单——假如对用户关注所有公众号不做任何排序,那就等于默认了一个前提——所有公众号对你同等重要,无论是扫码默认加的还是自己的宝藏必读账号。 而这显然不符合现实,这就是排序必要性的朴素逻辑。 “看一看”这样的推荐内容,是为了解决分享欲下降后的信息发现难题,道理也很简单—— 一个人开车的听音乐的时候,总期望听自己喜欢的歌,保守的选择就是只播放自己的列表中的歌,但时间久了,他一定想听一听新歌、合口味的其他歌,而“看一看”其实就是给了用户发现“新歌、合口味的其他歌”的入口。 不要小看这个变化,事实上,排序提升了关注列表的消费效率,而“看一看”则有效提升了内容增量。 从微观层面,“看一看”也给了新号被看见的几率。 事实上,在以前,公众号的冷启动是非常难的,即便一个人非常有才华,熬过正反馈寥寥新手期也是非常困难的。 时政大号“卢克文”就分享过曾经他默默写了好久无人问津,而大多数人没办法做到像卢克文一样即便反馈一般依然继续写滴。 但今天不一样了,“看一看”的推荐让即便是一个0粉的新号,只要内容有料,也有机会获得流量,甚至是大流量。 一个小透明的号,一旦获得几万甚至“10万+”的阅读,对于作者而言,是一个巨大激励,这种激励在很大程度上就可以有效帮助作者走出“新手村”。 事实上,公众号也上线了“成长足迹”这样功能,在起步阶段,一个个小的里程碑达成后,都会收到官方的流量扶持。 当然,微信“看一看”的推荐算法的准确性是可以进一步提升的。 目前看,不少作者诟病的一点是,推荐流量的涨粉效率是明显低于自然分享流量的,如能进一步提升,对作者而言吸引力还会提升。 好友王子中是先后任职于腾讯和虎嗅的资深编辑,作为一位“内容猎人”,对于公众号的变化,他的体感是—— “以前的公众号体系内,不少大号、得到大众广泛认知的号很多都来自原来的媒体体系,他们迅速适应了新媒体的打法,用在传统媒体练就的本事,以系统的、精英化的方式生产大众爱看的内容,而这些年的一个可感知到的趋势是:一些更松弛、更接地气、更有烟火气的作者在主动或被动加入到这个生态。” 子中给我看了一个Case,这个名为“中年扑腾女”的账号,每次发的文章基本都是几段话展开的轻内容,很显然是一个非专业的素人作者。 这些文字中,由于系统的推荐,我们能看到8.4万的阅读、7000+阅读以及200+阅读的内容连在一起。 在没有“看一看”之前,这样的随性、有呼吸的内容是不能被看见的,而如今,这些接地气的市井内容有了一个出口。 再看一个例子,这个名为“十一万路口”的账号,作者平时也是非常随性地更新自己的日常,看的书、电影、记录平淡但有味道的生活。 而最新的一篇《草根调查:网约车司机收入现状》,记录了他出差的10个城市50位网约车司机的真实现状。 这篇详尽真实、冒着锅气的长文最终获得了8.2万的阅读,又一个有趣的灵魂被看见了。 从这个意义上,我旗帜鲜明地支持公众号的改版,一个朴素的逻辑在于:我愿意看到更多这样鲜活的内容。 三、公众号的变与不变——不变的是什么? 尽管公众号这些年进行了大量的迭代,但它依然是有一些东西是不变化的,这个没有变化的东西很微妙,我想来想去,权且将它称之为“不确定性下的掌控感”。 这个微妙的掌控感既体现在内容消费端,也体现在内容生产端; 先看内容消费端的“掌控感”。 很多对阅读有要求的人之所以不看各种头条而选择公众号,除了公众号更适合在微信原生体系内分享阅读外,更重要的是——在公众号,我看的内容很大程度上我可以做主: 我订阅的,我要能读到;我常读的,我要能方便地读到;即便给我推荐,也要优先推荐真的和我相关的(朋友点赞,朋友读过,朋友关注…..)。 有一部分人吐槽—— “公众号变得“头条化”了,公众号全靠算法分发了,订阅号没法读了…….” 在我看来这在一定程度上是思维上的懒惰,当我们真正仔细观察就会发现,公众号在提供“掌控感”和“确定性”这件事上,活还是做的蛮细的—— 首先,在公众号列表的顶部,是你的常读账号,有木有人注意过这个列表是多长? 答案是没有明确上限!公众号会根据你的阅读习惯,给你足够多账号的绝对优先曝光权。 比如我自己的,我仔细数了一下,常读账号高达50个。 事实上,我自己的体验是,只要一个号我稍微感兴趣一些,比如一个月读个两三次,去主页翻一翻,就会出现在常读账号列表里。 这个呈现方式甚至回到了公众号刚上线时的“号列表”逻辑,这个其实就是确保用户如果有任何宝藏公众号一定都能读得到,确保没有漏网之鱼。 其次,即便是大家说的“看一看”推荐,也和原教旨主义的推荐有极大的区别。 我们可以看到首先它是在正常列表的下方,没有混合在整个信息流中(貌似也在小范围测试插入“猜你喜欢”的功能,但依然和推送内容是有严格区分的),即用户可以明确知道进入了“看一看”地界。 而我们来仔细观察“看一看”的推荐逻辑,就会发现它会用极其明确的标识告诉你这条为什么推荐——“XX位朋友分享”、“XX位朋友读过”、“常读的账号”、“关注的账号”、“朋友发表”、“快讯”等等,剩下的才是纯粹的推荐,这给了读者极大的掌控感和安全感。 此外,还没完,如果你是一个极其厌恶不确定性的用户,公众号也提供了选择,你可以在列表中选择“更多”,则进入的还是原来的界面,即公众号非常方便地给了你忽略“看一看”的权利。 如果有更极致追求安全感的“奇葩”用户(我曾经就是),公众号其实还提供了一个隐藏技能——关闭公众号个性化推荐,当你关闭之后,“看一看”消失了,取而代之的是“订阅精选”,而里边则确实都是你关注账号内容了。 其实我并不建议这么做,原因在于“看一看”在某种意义上是打破信息茧房的一种方式。 我个人的直观感觉是和我原本主动摄入的信息相比,“看一看”的内容提供了一个微妙的信息多样性窗口—— “原来朋友圈这么多人喜欢看这个”、“我的朋友中到底是哪四个人会分享这篇?”、“额,这篇居然是我朋友发表的”、“没想到我还挺喜欢推的这个号的”……. 总之,这种与你相关但又不是你平时读的内容是我信息增量的一个重要来源。 再看内容生产端的“掌控感”。 内容消费和内容生产是一个硬币的两面,通过上面的不同措施,我们看到微信在改版的同时依然遵循了一个原则——“让读者更容易看到喜欢的账号”。 而从生产端的角度就变成了“让作者更容易触达忠实的读者”,如果你的粉丝真的非常喜欢你的内容,公众号有无数种方式可以让他们看到你。 所以,对于很多作者而言,与其吐槽打开率下滑,不如优化一个指标——常读用户数,即这其实代表着你有多少真正的铁粉。 至于怎么优化,核心还是回归常识——拒绝“躺赢”思维,广告不要那么生硬,少用AI无脑生成,多写一些能产生阅读增量的内容,不要吃老本,要立新功。 其实就是一句话——“多一些真诚,少一些套路”。 作者也需要思考一个简单的问题——当我们还按原来的套路生产内容,由于新晋作者的加入、用户对内容预期的适应、短视频对注意力的侵蚀,这就是客观的熵增。 在这里我举一个生猛账号的Case——满分激光枪,作者是衡水中学学霸,写的却是反差感极强的夜店亚文化主题。 你可以从他置顶的那篇10万+文章《开在衡水中学里的夜店》感受一下他粗糙、生猛的才华。 作者从所谓“公众号都不行了”的2019年才开始更新,彼时他刚从上海财经大学毕业。 尽管经历了这些年的多次改版,但我们看他的阅读量还是动辄10万+,平时也是好几万,而他两年前分享过的一个提升内容质量技巧是—— “我的内容过去是十选一,现在大概是三十选一,会有20个选题我觉得LOW,9个选题我觉得不够有趣,只有一个选题能兼顾有趣和商业。” 什么叫专业?这就叫专业! 因此,红皇后假说——“我们只能不断奔跑,才能留在原地”,对每一个作者而言都值得思考。 的确,改版其实对我这种更新频率不高的作者而言,谈不上利好,但我非常理性而平静地接受和拥抱——它让我更严肃地思考我应该如何生产读者黏性更高的内容。结语 公众号的“狼来了”其实喊了好多次,从最开始的订阅号折叠,到后来的“号列表”改“信息流”,再到如今的“修改时间序”、引入推荐体系“看一看”。 很多人只看到了改版变化的部分,而没有看到公众号没有变的核心——让内容成为资产。 所以,对于内容有追求的作者而言,改版从来不是问题,内容函数的关键变量永远是有生命里的内容。 本文由人人都是产品经理作者【卫夕】,微信公众号:【卫夕指北】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
在B端系统中,审核流程是确保业务合规性、风险控制和效率的关键环节。然而,传统的审核流程往往繁琐且低效,容易成为业务发展的瓶颈。本文将探讨如何通过优化审核流程,将其从简单的“守门人”角色转变为高效的“智能管家”。 在 B 端系统的世界里,审核流程堪称无处不在的 “灵魂拷问官”。当财务大姐提交金额可疑的报销单,采购小哥急着下单 “未来科技感” 办公椅,销售新人录入信息模糊的 “潜力客户” 时,这个 “拷问官” 必须带着哨子和规则手册及时登场 —— 毕竟,让这些信息毫无阻拦地冲进系统,老板看了要 “血压飙升”,风控部门更是会 “连夜报警”。正如管理学大师彼得・德鲁克所说:“管理的本质,不是让审核存在,而是让正确的审核在正确的时间以正确的方式发生。” 一个健壮的审核流程体系,绝非简单的 “pending” 到 “approved” 状态切换,而是一套精密运转的 “社会机器”。流程节点与路径构成它的 “骨架” 与 “神经”,就像精心编排的接力赛,每个节点都是特定的 “检查站”,信息根据金额、类型等因素自动选择最优路径。某电商平台在商家入驻审核时,会根据商家类型和经营类目,将其自动路由到不同资质审核小组,采用差异化风控策略,彻底告别 “一刀切” 的拖沓。 规则引擎则是这台机器的 “最强大脑” 与 “核心法典”,基于预设逻辑实现自动化决策。在金融信贷系统中,它能根据借款人信用评分、贷款金额等多维度数据,自动匹配审批链条,甚至对高风险单子进行 “插队” 处理,将赫伯特・西蒙关于 “程序化决策” 的理论发挥得淋漓尽致。而角色与权限就像系统里的 “演员” 和 “剧本”,RBAC 模型确保人员变动时权限无缝衔接。在合同审批系统里,法务拥有批注修改权却无法最终拍板,业务负责人则手握批准权但必须参考法务意见,完美规避 “乱指挥” 的尴尬局面。 通知协作模块是系统的 “广播站” 与 “议事厅”,既能用多渠道消息打破 “薛定谔的申请” 焦虑,又能通过实时讨论区让审核从 “一言堂” 升级为 “头脑风暴”。某内容审核平台就允许审核员在流程中直接 @专家会诊,讨论记录自动沉淀为知识资产。数据追溯功能则像一台 “时光记录仪”,完整保留操作痕迹,让审计时 “甩锅” 无处遁形,也为流程优化提供关键数据支撑 —— 毕竟德鲁克还有句名言:“你如果无法度量它,就无法管理它。” 设计审核流程就像在钢丝上优雅起舞,需要在效率、风控与用户体验之间寻找精妙平衡。秉持 “最小够用” 原则,用规则前置或事后抽查替代冗余环节,践行亚马逊 “崇尚简朴” 的理念;同时兼顾审批人与申请人的双重体验,前者需要简洁高效的操作界面,后者渴望透明明确的反馈。更重要的是构建灵活可配的流程引擎,支持可视化配置调整,并设置灰度发布与熔断机制,确保系统稳健运行。 理想的审核流程应该是业务的 “智能润滑剂” 和 “隐形守护者”。它既能铁面无私拦截 “星际旅行会议餐费” 这类魔幻报销,又能对合规小额申请实现秒速放行;既能充当高效沟通的桥梁,又能凭借完备日志成为 “背锅侠”。不妨将审核流程看作一个社区:规则是版规,审核员是版主,申请人是居民,数据看板则记录着社区动态。当系统能让正确的事情自然发生,让错误风险无处遁形,同时让用户几乎感受不到它的刻意存在,或许就达到了 “无招胜有招” 的境界。是时候行动起来,让你手中的审核流程从 “摸鱼触发器” 进化为 “效率助推器” 了! 本文由 @红岸小兵 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
在产品管理领域,平衡用户需求、商业目标和技术可行性之间的冲突是一项极具挑战性的任务,也是衡量产品经理成熟度的关键指标。本文将深入解析这一经典面试题,探讨如何在实际工作中巧妙地处理这三大约束之间的矛盾。 今天解析一道考验产品经理综合思维能力的经典面试题:如何平衡用户需求、商业目标和技术可行性的冲突? 这个问题触及产品决策的核心挑战,也是衡量产品经理成熟度的关键指标 面试官为什么问这个问题? 面试官通过这个问题主要考察以下几点: 系统思考:你能否从多个维度理解产品决策的复杂性 协调能力:你如何处理不同目标之间的矛盾与冲突 权衡取舍:你是否有清晰的决策框架来指导取舍过程 跨部门协作:你如何与设计、技术、业务等团队共同解决问题 长远思考:你能否在解决当前问题的同时兼顾长期发展 本质上,面试官想了解你是否明白”产品经理本质上是冲突的协调者”这一核心认知,以及你是否有系统化的方法来处理这些必然存在的冲突。 常见误区:大多数候选人怎么答错的? 过度偏向某一维度:”用户至上”或”业务优先”等单一视角 简单化处理:”三者都要兼顾”这类空洞表述 缺乏方法论:没有系统化的冲突解决框架 理想化思维:描述完美无冲突的理想情况,不接地气 回避取舍:不敢明确表达优先级和取舍原则 答题框架:BLEND模型 回答这一复杂问题,我推荐使用BLEND框架: B – Business Alignment (业务对齐):明确商业核心目标和限制条件 L – Layered Solutions (分层解决):将问题分解为不同层次的解决方案 E – Evolution Planning (演进规划):设计渐进式改进路径 N – Negotiated Priorities (协商优先级):与各方协商确定优先次序 D – Data-driven Decisions (数据决策):用数据支持关键决策点 内容深度:核心要点必须覆盖 平衡三大约束时,必须涵盖以下关键点: 目标冲突识别:明确辨识真实存在的冲突点 价值排序原则:确定不同情况下的优先级原则 妥协边界定义:明确各方面可接受的妥协底线 创新解决思路:寻找创造性解决方案的方法 决策复盘机制:如何评估和优化平衡决策的效果 加分项:如何脱颖而出 想要在回答中展现高级产品思维: 最小化假设:提出如何通过快速实验验证关键假设 非零和思维:讨论如何创造多方共赢的解决方案 决策矩阵工具:引用专业决策工具如RICE、Kano模型等 情境化策略:根据产品生命周期阶段调整平衡策略 系统性思考:分析短期决策对长期目标的影响 资深产品总监参考答案 平衡用户需求、商业目标和技术可行性的冲突是产品经理日常工作的核心挑战,我采用BLEND模型来系统化处理这些冲突。 业务对齐阶段: 首先,我必须明确当前的业务核心目标和约束条件,这是决策的基础: 明确阶段性目标:确定公司/产品当前阶段的首要目标(如增长、留存、变现等) 确定核心指标:确定衡量成功的关键指标及目标值 定义限制条件:明确资源、时间、合规等硬性约束 识别真实冲突:区分表面冲突和根本冲突,找到核心矛盾点 例如,在我负责的一个早期产品中,我们明确了”用户增长”是首要目标,核心指标是”月活用户数”,限制条件包括”3个月的资金储备”和”5人开发团队”。这一阶段性目标明确后,许多表面冲突便有了清晰的判断标准。 分层解决方案: 接下来,我会将问题分解为不同层次的解决方案: 必要层:满足各方最低期望的基础方案 平衡层:在各方适度妥协的基础上寻找平衡点 创新层:寻找突破性解决方案,实现多方共赢 在一个电商项目中,我们面临”丰富的商品筛选功能”(用户需求)、”简化转化路径”(商业目标)和”遗留系统兼容性”(技术约束)的冲突。分层解决方案包括:必要层保留基础筛选但优化核心购买流程;平衡层使用渐进式加载减轻技术负担;创新层设计新的可视化筛选方式同时满足易用性和转化率目标。 演进规划设计: 对于复杂问题,我倾向于设计渐进式改进路径: MVP定义:确定满足核心需求的最小可行产品 迭代计划:设计分阶段实施路径 快速验证:设置里程碑和验证指标 适应性调整:基于反馈动态调整计划 例如,我曾负责的支付系统改造,面临用户便捷性、安全合规和技术复杂度的多重冲突。我们设计了三阶段演进路径:第一阶段优化现有流程减少步骤;第二阶段引入新的身份验证技术;第三阶段才进行完整的架构重构。这种渐进式方案让各方都能接受过渡期的妥协。 协商优先级确定: 处理冲突的关键在于有效的跨部门协商: 透明决策流程:建立公开透明的决策机制 利益方参与:确保所有利益相关方参与决策 换位思考:理解各部门的核心关切 创造共识:寻找共同目标和价值观锚点 在处理一个涉及隐私政策变更的功能时,我组织了由产品、法务、技术、运营共同参与的工作组,通过结构化讨论澄清各方关切,最终达成了”分阶段实施+用户教育”的折中方案,既满足了合规要求,又避免了用户体验的断崖式下降。 数据决策支持: 在关键决策点,我坚持用数据支持判断: 用户数据:使用调研、测试和行为数据了解真实用户需求 业务数据:明确功能的商业价值和预期回报 技术评估:量化技术方案的成本、风险和可维护性 对照实验:通过A/B测试等方法验证假设 在一个功能争议中,设计团队主张复杂而美观的解决方案,而技术团队则担忧实现难度。我们设计了简化版原型进行用户测试,数据显示简化版满足了90%的用户需求,同时开发成本降低60%。这一数据让团队能够基于事实而非偏好做出决策。 实际案例分享: 在我负责的一款在线教育产品中,我们面临典型的三方冲突: 用户需求:学生希望一键下载所有课程视频,便于离线学习 商业目标:防止内容被盗版,保护内容创作者权益 技术约束:现有架构不支持安全的离线播放机制,重构成本高 应用BLEND框架,我们: 1)业务对齐:明确核心目标是”增加付费课程完成率”和”保护知识产权” 2)分层方案: 必要层:优化在线播放体验,减少缓冲 平衡层:允许单节课程临时下载,24小时后失效 创新层:设计加密的离线播放器 3)演进规划: 第一阶段:实现必要层和平衡层功能 第二阶段:开发安全的离线播放技术 第三阶段:推出完整的内容保护系统 4)协商过程: 与内容团队达成协议:先从非核心课程测试下载功能 与技术团队商定:使用第三方解决方案过渡,同时启动自研 5)数据支持: A/B测试显示:临时下载功能将课程完成率提高了23% 用户调研:离线学习需求主要来自通勤场景 最终解决方案是一个渐进式实现的”有限时长的加密下载”功能,既满足了用户的离线学习需求,又保护了内容安全,还控制在了可接受的技术复杂度内。上线半年后,付费用户完课率提升了35%,内容盗版问题没有显著增加,证明了这一平衡决策的有效性。 我相信,平衡这三大约束不是一门简单的公式计算,而是一门需要系统思考、有效沟通和创新思维的决策艺术。成熟的产品经理不是试图寻找不存在的完美解,而是在约束条件下找到最优的平衡点,同时为未来创造更多可能性。 本文由 @Kris 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议
在自动化和人工智能领域,Agent(智能体)和Workflow(工作流)是两个核心概念,但它们之间存在显著的区别,常常被混淆。本文将深入剖析Agent和Workflow在设计理念、技术实现和应用场景上的差异,探讨它们在自动化和AI应用中的不同角色与优势,以及它们融合发展的趋势。 在现代自动化、AI应用和系统集成中极其关键、却常被混淆的概念。 理解它们的本质区别,对于设计高效、智能的系统架构至关重要。 01 Agent(智能体):具备自主决策能力的智能实体 1. 定义与核心特点 Agent是一个具备一定智能的实体,能够感知环境、自主决策并执行行动。 它通常基于AI技术(如机器学习、强化学习等),核心特点如下: 1)动态决策 不依赖于固定的步骤和流程,而是根据实时感知到的环境信息进行推理和判断,从而做出动态的决策。 例如,一个智能客服Agent在与用户对话过程中,能根据用户输入的内容、情绪以及过往对话记录,灵活选择回复策略,可能直接回答问题,也可能查询知识库,甚至转接人工客服。 2)环境交互 可以与所处的环境进行交互,通过传感器等获取环境数据,同时通过执行器对环境产生影响。 以自动驾驶汽车中的Agent为例,它通过摄像头、雷达等传感器感知路况、交通信号等环境信息,然后控制汽车的行驶速度、方向等,对环境做出反馈。 3)目标导向 被赋予明确的目标,其所有的感知、决策和行动都是为了实现这些目标。 比如,一个投资Agent的目标可能是在一定风险范围内实现投资收益最大化,它会实时分析市场数据,做出买卖决策以朝着目标前进。 2. 技术实现基础 实现Agent依赖于一系列复杂的AI技术: 1)机器学习与强化学习 用于让Agent从环境中学习经验,不断优化自身的决策策略。 通过大量的数据训练,Agent能够掌握不同情况下的最优行动方式。 例如,AlphaGo通过强化学习,在与自己的大量对弈中学习到高超的围棋策略。 2)自然语言处理(NLP) 当Agent需要与人类通过自然语言进行交互时,NLP技术至关重要。 如智能语音助手Agent,通过NLP技术理解用户的语音指令,并生成自然流畅的回复。 3)感知与行动模块 感知模块负责从环境中获取信息,如视觉传感器、听觉传感器等;行动模块则负责将决策转化为实际行动,如机械臂控制、API调用等。 3. 实际案例 1)智能客服Agent 在电商、金融等行业广泛应用。 例如,某电商平台的智能客服Agent,每天要处理海量的用户咨询。 当用户询问 “某款商品什么时候有货” 时,它能快速分析问题,查询商品库存数据库,然后准确回复用户预计的到货时间。 如果用户问题较为复杂,它还能根据对话情况,转接至最合适的人工客服,大大提高了客服效率和用户满意度。 2)智能家居控制Agent 可以根据用户的生活习惯和环境变化,自动控制家居设备。 比如,当用户晚上回家时,智能家居Agent通过人体传感器感知到用户的存在,自动打开灯光、调节室内温度到适宜状态。 它还能学习用户在不同时间段对设备的使用习惯,如晚上10点后自动将电视音量调低等。 02 Workflow(工作流):预定义任务序列的流程化管理 1. 定义与核心特点 Workflow是指一系列按照预定义规则和顺序执行的任务或步骤,通常用于描述业务流程或操作的结构化执行路径。其核心特点包括: 1)固定流程 任务的执行顺序和逻辑在设计阶段就已确定,具有明确的先后顺序和依赖关系。 例如,在一个软件开发项目中,常见的工作流可能是 “需求分析 -> 设计 -> 编码 -> 测试 -> 部署”,每个阶段都有明确的输入和输出,并且必须在前一个阶段完成后才能进入下一个阶段。 2)规则驱动 依赖预设的规则和条件来决定任务的执行路径。 这些规则可以是简单的条件判断,如 “如果订单金额大于1000元,则需要经理审批”,也可以是复杂的业务逻辑。 通过规则引擎来判断和执行相应的流程分支。 3)可预测 由于流程和规则都是预先设定好的,所以工作流的执行结果具有较高的可预测性。 只要输入条件确定,输出结果就是可预期的。 这使得工作流在处理一些对准确性和稳定性要求较高的任务时具有明显优势。 2. 技术实现方式 1)流程管理工具 常用的有BPMN(业务流程建模符号)、Airflow、GitHub Actions等。 BPMN提供了一套标准的图形化符号来描述工作流,方便业务人员和技术人员进行沟通和理解。 Airflow主要用于数据处理工作流的编排和调度,它可以将复杂的数据处理任务拆分成多个步骤,并按照预定的顺序和依赖关系进行执行。 GitHub Actions则专注于软件开发过程中的自动化工作流,如代码提交后的自动测试、构建和部署等。 2)编程语言中的条件和循环逻辑 在编写工作流相关的代码时,常常使用编程语言中的条件语句(如 if – else、switch)和循环语句(如 for、while)来实现流程的控制和任务的重复执行。 例如,通过if语句判断某个条件是否满足,从而决定执行不同的任务分支。 3. 实际案例 1)企业财务报销工作流 员工在提交报销申请后,工作流会按照预设规则进行流转。 首先,系统会自动检查报销单据是否填写完整、金额是否符合规定等。 如果通过初步检查,报销申请会流转到部门经理处进行审批。 经理根据公司的财务政策和实际情况进行审批,如果同意则提交到财务部门进行最终审核和付款;如果不同意,则退回给员工修改。 整个流程清晰、规范,大大提高了财务报销的效率和准确性。 2)制造业生产流程工作流 在汽车制造工厂中,从原材料采购、零部件加工、整车组装到质量检测,每个环节都遵循严格的工作流。 例如,零部件加工完成后,需要经过质量检测环节,只有检测合格的零部件才能进入下一个整车组装环节。 通过这种标准化的工作流管理,确保了产品质量的稳定性和生产效率的提升。 03 Agent和Workflow的区别 1. 设计理念差异 1)确定性与适应性 Workflow 设计时假定任务的执行路径是已知的,步骤之间的依赖关系清晰。 它更像一个 “剧本”,每个 “角色”(任务)按部就班地演绎。 例如,在文档审批工作流中,明确规定了 “员工提交 -> 经理审批 -> 存档” 的流程,无论环境如何变化,这个顺序一般不会改变。 Agent 设计时充分考虑动态环境,赋予其感知和决策能力。 它更像一个 “演员”,能根据现场情况即兴发挥。 比如,一个处理用户请求的Agent,可能根据对话内容、用户情绪以及当时的系统负载等多种因素,灵活选择直接回答、查询数据库、调用其他工具或转接人工处理等不同的策略。 2)规则驱动与目标驱动 Workflow 依赖预设的规则和条件来执行任务,执行路径由开发者硬编码。 它是按照既定的规则一步一步地推进流程,对规则的遵循性很强。 例如,在一个订单处理工作流中,如果订单金额超过一定阈值,就必须经过特定的审批流程,这是由预先设定的规则决定的。 Agent 以目标为导向,通过学习或推理选择实现目标的最佳路径。 它关注的是如何达成最终目标,而不是局限于具体的规则和步骤。 例如,一个智能物流配送Agent的目标是在最短时间内将货物送达客户手中,它会综合考虑交通状况、车辆可用性、货物重量等因素,自主规划最优的配送路线,而不是遵循固定的配送流程。 3)控制权归属 Workflow控制权在设计者手中,执行者(人或系统)只是按规则操作。 整个工作流的流程和决策逻辑都是在设计阶段确定好的,运行过程中缺乏自主性和灵活性。 例如,在一个自动化的生产线上,每个工序的操作和顺序都是预先设定好的,设备只能按照这个既定的流程进行工作。 Agent控制权部分移交到Agent自身,它有一定的自主权。 Agent可以根据环境变化和自身的判断,自主决定采取何种行动来实现目标。 例如,在一个智能投资组合管理Agent中,它可以根据市场行情的实时变化,自主调整投资组合,而不需要人工的实时干预。 2. 技术实现差异 1)实现工具不同 Workflow 通常使用流程管理工具(如BPMN、Airflow、GitHub Actions 等)或编程语言中的条件和循环逻辑来实现。 这些工具和逻辑主要用于描述和控制任务的流程顺序、依赖关系以及条件分支等。 Agent 依赖AI框架(如TensorFlow、LangChain)或规则引擎,结合感知、推理和行动模块来实现。 AI框架用于训练和优化Agent的智能模型,规则引擎用于制定决策规则,感知模块获取环境信息,推理模块进行决策分析,行动模块执行决策结果。 2)技术基础复杂度不同 Workflow 基于流程图、状态机或脚本等技术,复杂度相对较低。 其重点在于对任务流程的组织和管理,通过简单的条件判断和顺序执行来完成工作。 例如,一个简单的文件审批工作流,可以通过绘制流程图的方式清晰地展示流程步骤,实现起来相对容易。 Agent 涉及机器学习、自然语言处理、强化学习等复杂的AI技术,复杂度较高。 需要处理大量的数据、进行复杂的模型训练和优化,以实现智能的感知、决策和行动能力。 例如,开发一个能够理解和回答各种复杂问题的智能客服Agent,需要运用自然语言处理技术对用户问题进行理解和分析,使用机器学习算法训练模型以生成准确的回答,技术难度较大。 3)人类干预程度不同 Workflow 通常需要人为触发或监督。 在工作流的关键节点,可能需要人工进行审批、确认等操作,以确保流程的正确性和合规性。 例如,在财务报销工作流中,经理的审批环节就需要人工参与。 同时,在工作流出现异常情况时,也需要人工进行干预和处理。 Agent 可独立运行,减少干预。 一旦训练和配置完成,Agent可以在一定程度上独立地感知环境、做出决策并执行行动,不需要持续的人工监督。 例如,自动驾驶Agent在正常行驶过程中,可以自主应对各种路况和交通情况,无需人工实时操控。 当然,在一些复杂或异常情况下,可能仍然需要人工进行适当的干预和调整。 3. 应用场景差异 1)处理任务类型不同 Workflow 适合处理结构化、重复性高的任务。 这些任务具有明确的流程和规则,通过预先定义好的工作流可以高效、准确地完成。 例如,企业中的财务报销流程、人事招聘流程、文件归档流程等,都是典型的适合用Workflow处理的任务。 Agent 擅长处理复杂、不确定性高、需要灵活决策的任务。 在这些任务中,环境变化多样,难以用固定的流程和规则来应对,而 Agent的自主决策和动态调整能力能够更好地适应这种情况。 例如,智能客服处理用户的各种复杂问题、自动驾驶汽车应对复杂的路况、投资决策系统根据市场变化实时调整投资策略等。 2)对环境变化的适应性不同 Workflow 对环境变化的适应性较差。 由于其流程和规则是预先设定好的,当遇到流程外的情况或环境发生较大变化时,可能无法正常运行,需要人工进行干预和调整。 例如,在一个传统的订单处理工作流中,如果突然出现一种新的订单类型或特殊的客户需求,原有的工作流可能无法直接处理,需要对流程进行修改和优化。 Agent 对环境变化具有较强的适应性。 它能够实时感知环境的变化,并根据这些变化及时调整自己的决策和行动。 例如,智能家居Agent可以根据季节、天气、用户习惯等环境因素的变化,自动调整家居设备的运行模式,提供更加舒适和便捷的服务。 3)对个性化需求的满足程度不同 Workflow 在满足个性化需求方面相对较弱。 因为工作流是按照统一的流程和规则来处理任务的,难以针对每个用户或情况进行个性化定制。 虽然可以通过一些参数配置来实现一定程度的灵活性,但总体上个性化程度有限。 例如,在一个企业的培训工作流中,所有员工都按照相同的培训流程进行学习,很难根据每个员工的具体情况和需求进行个性化的培训安排。 Agent 能够更好地满足个性化需求。 它可以根据用户的历史数据、偏好、当前状态等信息,为每个用户提供个性化的服务和解决方案。 例如,推荐系统Agent可以根据用户的浏览历史、购买记录等信息,为用户精准推荐符合其兴趣和需求的商品或内容。 04 Agent和Workflow的融合趋势 尽管Agent和Workflow在很多方面存在差异,但在实际应用中,它们并非完全相互独立,而是呈现出融合的趋势。 1. Agent增强工作流 在传统工作流中嵌入Agent,让某些步骤更具智能性。 例如,在一个文档审核工作流中,原本的人工审核步骤可以引入智能审核Agent。 这个Agent可以利用自然语言处理技术自动分析文档内容,检查语法错误、逻辑一致性等问题,并给出初步的审核建议,大大提高审核效率和准确性。 2. 工作流协调多个Agent 多个Agent可以被组织成一个工作流,各自负责不同的任务,通过工作流来协调它们之间的协作关系。 比如,在一个复杂的项目管理场景中,有负责需求分析的Agent、负责资源分配的Agent、负责进度跟踪的Agent等。 通过工作流将这些Agent的工作进行有序编排,明确它们之间的输入输出关系和执行顺序,从而实现整个项目的高效管理。 3. 优势互补提升效率 工作流提供了清晰的流程框架和稳定性,确保任务按照一定的规则和顺序执行;而Agent则为系统带来了智能性和灵活性,能够处理复杂的决策和环境变化。 两者结合,可以使系统既具有可预测性和可控性,又具备应对复杂情况的能力,从而提升整体的工作效率和质量。 例如,在一个电商订单处理系统中,工作流负责管理从订单生成到发货的整体流程,而在其中的客服环节,可以引入智能客服Agent 来处理用户的咨询和投诉,实现了流程管理和智能服务的有机结合。 最后 Workflow是结构化的流程引擎,它精于将预定义的、线性的任务序列高效、可靠地自动化执行,追求的是流程的稳定性和可预测性。 而Agent则是智能的决策实体,它拥有感知环境、理解目标、规划行动并自主决策的能力,其核心价值在于处理不确定性、适应动态变化和展现目标驱动的主动性。 选择Agent还是Workflow,并非孰优孰劣的判断题,而是场景驱动的适配题。 当流程固定、规则清晰时,Workflow是提升效率的利器。 当面对复杂、多变、需要判断与交互的情境时,Agent的智能与灵活性则不可或缺。 理解它们的本质区别——Workflow重在“流程编排”,Agent重在“智能代理”——是我们在构建自动化、智能化系统时做出明智架构选择的关键。 本文由人人都是产品经理作者【伍德安思壮】,微信公众号:【时间之上】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
文章介绍了微信公众号的新功能,即作者可在“订阅号助手”App上回复“谢谢”以回应用户的点赞,这一更新旨在增强作者与用户之间的互动粘性,为内容创作者带来更多操作空间。 微信公众平台的心思又开始活络了起来。 据郭静的互联网圈观察,日前,“订阅号助手”App进行了新版本更新,其功能介绍中提到称:支持对用户的点赞发送感谢。 目前,安卓版和iOS版均可以使用该功能,只需要将“订阅号助手”App更新到最新的3.4.2版即可。 根据我的测试后发现,该功能并不仅限于粉丝之间,普通用户也可以点赞,只要用户对微信公众号作者的某篇文章点赞后,作者即可在后台点击“谢谢”与用户互动。 作者点击“谢谢”按钮后,用户的“公众号”主频道中会收到系统推送“1条通知”,“XXX谢谢你的赞”。 从上述公众号作者与用户之间的交互来看,微信的目的很明确,即增强用户与微信公众号作者的粘性,其逻辑链路是:用户点赞→公众号作者回复感谢→用户收到“谢谢”提示通知。如果是普通公众号的“感谢”倒也无所谓,如果是一些名人大号,他对某位用户随手点击的“谢谢”,可能会让粉丝激动很久,“瞧,XXX对我回复谢谢了诶。” 可能有用户会觉得,留言回复不是效果更好吗?事实上微信公众平台在设置点赞、分享、在看、留言几个按钮的时候,有着不同的考量,并且,“点赞”是设计在第一个按钮之上。 与留言功能相比,点赞的交互关系更轻,有的作者会设置“仅关注后才可以留言”,可用户并不想关注该账号,可能就算了,这样就没有更进一步的交互痕迹。而点赞功能则更轻,不需要用户关注,用户可能就是“手滑”点赞,这样也算,说明你看了这篇文章,有的用户也认为留言太麻烦,点赞就很随意,也不需要门槛,不需要读懂/没读懂。 “订阅号助手”增加“谢谢”功能后,作者端就多了更多的操作空间,以前在后台看到其他用户点赞可能就划过去了,现在看到用户的点赞后,可能就会进一步与之“互动”,点击“谢谢”回馈,而用户发现自己随手点赞的文章作者竟然对他回复“谢谢”,其对公众号作者的好感度也会大大增加,这种简单的产品交互背后,是一种“善”的理念在正向循环。 郭静的互联网圈观察发现,一篇文章被公众号平台算法推荐后,数据最高的一般是“转发量”,其次是留言量和点赞量,在看的数据最低,可能因为该按钮排在第三位。点赞作为排在第一的按钮,其本身权重相对就高一些,所以,微信公众平台这次增加点赞功能的互动,也是蛮有意义的一次微创新。 微信公众号文章破圈后出现一个现象,即很多来自全国各地、五湖四海的用户的点赞、在看、留言,这些陌生用户的层级显然也各不相同,过去作者无法与陌生的友好的点赞用户互动,现在可以通过“谢谢”产生进一步的互动关系,对于这些陌生的友好的点赞用户,微信公众号作者可能也显现出一定的“人味儿”。 所以,作为公众号作者不能只想着没事儿就“砸锅”,一有不爽就对平台各种喷,动不动就“XXX要死了”,一方面,微信公众平台又不是他一个人的平台,所有喜好全都围着他一个人转;另一方面,类似于从订阅制走向个性化算法推荐路线的平台多了去了,平台肯定是先想办法让自己活得更好,才有机会让作者生存,就像原来搜索引擎时代的排序一样,搜索引擎会经常更改排序规则,站长们也没说搜索引擎如何如何。 当然,用户点赞→公众号作者回复感谢→用户收到“谢谢”提示通知这一套逻辑链条,一定是建立在真实数据之上的,如果本身数据都不是真实的,即点赞的用户不是真实的,那么,作者与点赞者的互动也没有意义,这取决于双方都是真实、鲜活的人,有“人味儿”,互动起来才有意义,做的假数据肯定没效果。 或许,也不能高估公众号作者与点赞者之间的这种互动,有些用户看不懂这些互动,有些用户可能是手滑点赞,有些用户可能对所谓的“谢谢”没所谓。 总之,你很难评估公众号文章背后所产生的链接与信任度关系,究竟对方看了你的文章之后是什么态度,究竟你的文章有多大的影响力,一切都是未知的。 对于公众号作者而言,唯有对内容本身保持敬畏之心,才是正道;否则,光看数据的话,会让心态失衡,另外,一些不太友好的陌生网友平台也会让人心态失衡,还是“点赞——谢谢”这种比较简单的产品交互让人更舒服。 本文由人人都是产品经理作者【郭静】,微信公众号:【郭静的互联网圈】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
文章深入探讨了长期从事基础功能型工作的产品经理所面临的职业困境,包括对创业、晋升和面试的影响,并提出了破局的思考方式与建议,旨在帮助“打螺丝”的产品经理突破思维局限,实现职业发展。 最近在思考产品人的价值与现状,几点心得与诸位探讨交流,不同意见尽管拍砖。本文中提及的“打螺丝”取自行业常用用语,不构成任何主观上的贬低。 现状 我想绝大多数产品经理,都想有一番作为,想做一个成功的产品,但往往在现实工作中多数人的工作就是“打螺丝”,不论几千还是1万多还是2-3万月薪的B端产品,无论在什么行业做什么系统,其实主要工作无外乎被动接受需求,然后围绕系统流程做功能写文档画原型,接着就是与开发同学扯皮,甚至有些产研团队对产品的要求是“即使一个加字段的需求也要在文档中写清楚”。 前端: 这个字段的输入限制、显示长度、字段的排序、宽度、字体、颜色… 后端: 是从哪个数据库哪张表取值,应该调哪个接口取值,取值的逻辑是什么。如果需要新增字段,应该插入到哪个表,这个字段的类型和长度应该是多少………这样做的优势确实能让这个产品很懂技术,写出的文档能让即使不懂业务只识代码的开发,也能根据文档来写代码。 劣势就是把这个产品经理长期困于细节琐事,把更多的时间花在了配合开发,而对需求的洞察和分析能力会逐渐减弱。就好比一个本来可以挺优秀的职场人,一天天困在家干家务。 危害 创业体制之外没有任何一份工作是稳定的,任何一个产品经理迟早都得出来自己干,或者开个店子、或者做一个项目、或者回去继承家业…….但功能型产品由于脑子中缺乏对需求的洞察和分析,会造成独立思考问题、看透问题本质的能力很弱,那么往往在创业之路经常出现下面问题:盲目跟风,看到别人做啥就去做,结果自己汤都喝不到拍着脑袋去投钱开店,结果没几个月就得转让容易被教他赚钱、带他赚钱的收割 晋升 大家可以回忆一下,你现在或曾经的大领导,懂系统功能的细节吗,但人家为啥能坐上那个位置,是不是【底层逻辑】比咱们多数人要强,是不是比较能写、能讲?能深入思考决策【做什么、有啥用】。 而功能型产品由于满脑子是功能流程、字段细节,导致在领导的眼中其缺乏全局性,不懂得站在业务全局的角度来规划统筹产品从而驱动业务,难以给产品带来活力,也就难以升职加薪了。面试 这种功能型工作内容带给产品同学最直接的危害,就是面试时张嘴就是脱离业务,聊各种功能流程、功能细节,无法上升到业务和方案的高度,感觉就是掉到螺丝堆里去了,那么就特别容易被面试官定义为功能型产品,其思维格局不够,也就难以拿下18K以上的薪资。 破局 所有的技能都是容易学、容易教的,最难的是思维的突破,因为这个是刻在骨子里的,是长期以来的思考习惯形成的,上面的问题表面上是工作方式、怎样写、怎样讲的问题,本质是思考的深度与维度。 关于深度:面对一个问题/需求,能不能深入思考出其本质,这个需求是否是伪需求,如果是真需求,那么能不能洞察其本质,也就是看透规律。比如当你去买衣服,问店员好不好看,别人店员难道说不好看吗?还有些人去买辣椒,居然问这个辣椒辣吗? 关于维度:面对一个需求多数人第一感觉就是思考在系统层面应该怎样做,此时应该上升一个维度,比如这个需求对业务、对客户、对公司分别有什么价值,这个价值的成本是多少,咱们做这个需求是否划算。 比如这个需求对系统有什么影响,怎样避免今天打一个补丁、过几天又打一个补丁,然后有一天补丁贴满了就得重构系统了,也就是得从全局来统筹规划 结尾 以上破局之道是很难在工作中落地的,因为我知道多数产品团队的产品经理,都是被动接受业务方、客户、领导的需求,而且这些需求常常是模糊的语句,需要产品人与需求方反复沟通确认,也还有些需求方是一天一个想法的,经常变动需求,然后又恨不得今天提一个需求明天就能发布上线,这就导致很多产品经理真的是疲于应付这种工作环境,难以做一个真正的产品经理。 因此把自己限制于打螺丝的地步,其实多数是外界原因,但咱们得知道这样做的危害,懂得怎样提升自己来破局,毕竟咱们迟早是得出来面试或创业的。 本文由人人都是产品经理作者【供应链产品老兵】,微信公众号:【产品老兵杰哥】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
这篇文章深入剖析了 Agent(智能体)与 Workflow(工作流)的区别,从设计理念、技术实现到应用场景,详细阐述两者在自动化与 AI 应用中的不同角色与优势,以及它们融合发展的趋势。 在现代自动化、AI应用和系统集成中极其关键、却常被混淆的概念。 理解它们的本质区别,对于设计高效、智能的系统架构至关重要。 01 Agent(智能体):具备自主决策能力的智能实体 (一)定义与核心特点 Agent是一个具备一定智能的实体,能够感知环境、自主决策并执行行动。 它通常基于AI技术(如机器学习、强化学习等),核心特点如下: 1、动态决策 不依赖于固定的步骤和流程,而是根据实时感知到的环境信息进行推理和判断,从而做出动态的决策。 例如,一个智能客服Agent在与用户对话过程中,能根据用户输入的内容、情绪以及过往对话记录,灵活选择回复策略,可能直接回答问题,也可能查询知识库,甚至转接人工客服。 2、环境交互 可以与所处的环境进行交互,通过传感器等获取环境数据,同时通过执行器对环境产生影响。 以自动驾驶汽车中的Agent为例,它通过摄像头、雷达等传感器感知路况、交通信号等环境信息,然后控制汽车的行驶速度、方向等,对环境做出反馈。 3、目标导向 被赋予明确的目标,其所有的感知、决策和行动都是为了实现这些目标。 比如,一个投资Agent的目标可能是在一定风险范围内实现投资收益最大化,它会实时分析市场数据,做出买卖决策以朝着目标前进。 (二)技术实现基础 实现Agent依赖于一系列复杂的AI技术: 1、机器学习与强化学习 用于让Agent从环境中学习经验,不断优化自身的决策策略。 通过大量的数据训练,Agent能够掌握不同情况下的最优行动方式。 例如,AlphaGo通过强化学习,在与自己的大量对弈中学习到高超的围棋策略。 2、自然语言处理(NLP) 当Agent需要与人类通过自然语言进行交互时,NLP技术至关重要。 如智能语音助手Agent,通过NLP技术理解用户的语音指令,并生成自然流畅的回复。 3、感知与行动模块 感知模块负责从环境中获取信息,如视觉传感器、听觉传感器等;行动模块则负责将决策转化为实际行动,如机械臂控制、API调用等。 (三)实际案例 1、智能客服Agent 在电商、金融等行业广泛应用。 例如,某电商平台的智能客服Agent,每天要处理海量的用户咨询。 当用户询问 “某款商品什么时候有货” 时,它能快速分析问题,查询商品库存数据库,然后准确回复用户预计的到货时间。 如果用户问题较为复杂,它还能根据对话情况,转接至最合适的人工客服,大大提高了客服效率和用户满意度。 2、智能家居控制Agent 可以根据用户的生活习惯和环境变化,自动控制家居设备。 比如,当用户晚上回家时,智能家居Agent通过人体传感器感知到用户的存在,自动打开灯光、调节室内温度到适宜状态。 它还能学习用户在不同时间段对设备的使用习惯,如晚上10点后自动将电视音量调低等。 02 Workflow(工作流):预定义任务序列的流程化管理 (一)定义与核心特点 Workflow是指一系列按照预定义规则和顺序执行的任务或步骤,通常用于描述业务流程或操作的结构化执行路径。其核心特点包括: 1、固定流程 任务的执行顺序和逻辑在设计阶段就已确定,具有明确的先后顺序和依赖关系。 例如,在一个软件开发项目中,常见的工作流可能是 “需求分析 -> 设计 -> 编码 -> 测试 -> 部署”,每个阶段都有明确的输入和输出,并且必须在前一个阶段完成后才能进入下一个阶段。 2、规则驱动 依赖预设的规则和条件来决定任务的执行路径。 这些规则可以是简单的条件判断,如 “如果订单金额大于1000元,则需要经理审批”,也可以是复杂的业务逻辑。 通过规则引擎来判断和执行相应的流程分支。 3、可预测 由于流程和规则都是预先设定好的,所以工作流的执行结果具有较高的可预测性。 只要输入条件确定,输出结果就是可预期的。 这使得工作流在处理一些对准确性和稳定性要求较高的任务时具有明显优势。 (二)技术实现方式 1、流程管理工具 常用的有BPMN(业务流程建模符号)、Airflow、GitHub Actions等。 BPMN提供了一套标准的图形化符号来描述工作流,方便业务人员和技术人员进行沟通和理解。 Airflow主要用于数据处理工作流的编排和调度,它可以将复杂的数据处理任务拆分成多个步骤,并按照预定的顺序和依赖关系进行执行。 GitHub Actions则专注于软件开发过程中的自动化工作流,如代码提交后的自动测试、构建和部署等。 2、编程语言中的条件和循环逻辑 在编写工作流相关的代码时,常常使用编程语言中的条件语句(如 if – else、switch)和循环语句(如 for、while)来实现流程的控制和任务的重复执行。 例如,通过if语句判断某个条件是否满足,从而决定执行不同的任务分支。 (三)实际案例 1、企业财务报销工作流 员工在提交报销申请后,工作流会按照预设规则进行流转。 首先,系统会自动检查报销单据是否填写完整、金额是否符合规定等。 如果通过初步检查,报销申请会流转到部门经理处进行审批。 经理根据公司的财务政策和实际情况进行审批,如果同意则提交到财务部门进行最终审核和付款;如果不同意,则退回给员工修改。 整个流程清晰、规范,大大提高了财务报销的效率和准确性。 2、制造业生产流程工作流 在汽车制造工厂中,从原材料采购、零部件加工、整车组装到质量检测,每个环节都遵循严格的工作流。 例如,零部件加工完成后,需要经过质量检测环节,只有检测合格的零部件才能进入下一个整车组装环节。 通过这种标准化的工作流管理,确保了产品质量的稳定性和生产效率的提升。 03 Agent和Workflow的区别 (一)设计理念差异 1、确定性与适应性 Workflow 设计时假定任务的执行路径是已知的,步骤之间的依赖关系清晰。 它更像一个 “剧本”,每个 “角色”(任务)按部就班地演绎。 例如,在文档审批工作流中,明确规定了 “员工提交 -> 经理审批 -> 存档” 的流程,无论环境如何变化,这个顺序一般不会改变。 Agent 设计时充分考虑动态环境,赋予其感知和决策能力。 它更像一个 “演员”,能根据现场情况即兴发挥。 比如,一个处理用户请求的Agent,可能根据对话内容、用户情绪以及当时的系统负载等多种因素,灵活选择直接回答、查询数据库、调用其他工具或转接人工处理等不同的策略。 2、规则驱动与目标驱动 Workflow 依赖预设的规则和条件来执行任务,执行路径由开发者硬编码。 它是按照既定的规则一步一步地推进流程,对规则的遵循性很强。 例如,在一个订单处理工作流中,如果订单金额超过一定阈值,就必须经过特定的审批流程,这是由预先设定的规则决定的。 Agent 以目标为导向,通过学习或推理选择实现目标的最佳路径。 它关注的是如何达成最终目标,而不是局限于具体的规则和步骤。 例如,一个智能物流配送Agent的目标是在最短时间内将货物送达客户手中,它会综合考虑交通状况、车辆可用性、货物重量等因素,自主规划最优的配送路线,而不是遵循固定的配送流程。 3、控制权归属 Workflow控制权在设计者手中,执行者(人或系统)只是按规则操作。 整个工作流的流程和决策逻辑都是在设计阶段确定好的,运行过程中缺乏自主性和灵活性。 例如,在一个自动化的生产线上,每个工序的操作和顺序都是预先设定好的,设备只能按照这个既定的流程进行工作。 Agent控制权部分移交到Agent自身,它有一定的自主权。 Agent可以根据环境变化和自身的判断,自主决定采取何种行动来实现目标。 例如,在一个智能投资组合管理Agent中,它可以根据市场行情的实时变化,自主调整投资组合,而不需要人工的实时干预。 (二)技术实现差异 1、实现工具不同 Workflow 通常使用流程管理工具(如BPMN、Airflow、GitHub Actions 等)或编程语言中的条件和循环逻辑来实现。 这些工具和逻辑主要用于描述和控制任务的流程顺序、依赖关系以及条件分支等。 Agent 依赖AI框架(如TensorFlow、LangChain)或规则引擎,结合感知、推理和行动模块来实现。 AI框架用于训练和优化Agent的智能模型,规则引擎用于制定决策规则,感知模块获取环境信息,推理模块进行决策分析,行动模块执行决策结果。 2、技术基础复杂度不同 Workflow 基于流程图、状态机或脚本等技术,复杂度相对较低。 其重点在于对任务流程的组织和管理,通过简单的条件判断和顺序执行来完成工作。 例如,一个简单的文件审批工作流,可以通过绘制流程图的方式清晰地展示流程步骤,实现起来相对容易。 Agent 涉及机器学习、自然语言处理、强化学习等复杂的AI技术,复杂度较高。 需要处理大量的数据、进行复杂的模型训练和优化,以实现智能的感知、决策和行动能力。 例如,开发一个能够理解和回答各种复杂问题的智能客服Agent,需要运用自然语言处理技术对用户问题进行理解和分析,使用机器学习算法训练模型以生成准确的回答,技术难度较大。 3、人类干预程度不同 Workflow 通常需要人为触发或监督。 在工作流的关键节点,可能需要人工进行审批、确认等操作,以确保流程的正确性和合规性。 例如,在财务报销工作流中,经理的审批环节就需要人工参与。 同时,在工作流出现异常情况时,也需要人工进行干预和处理。 Agent 可独立运行,减少干预。 一旦训练和配置完成,Agent可以在一定程度上独立地感知环境、做出决策并执行行动,不需要持续的人工监督。 例如,自动驾驶Agent在正常行驶过程中,可以自主应对各种路况和交通情况,无需人工实时操控。 当然,在一些复杂或异常情况下,可能仍然需要人工进行适当的干预和调整。 (三)应用场景差异 1、处理任务类型不同 Workflow 适合处理结构化、重复性高的任务。 这些任务具有明确的流程和规则,通过预先定义好的工作流可以高效、准确地完成。 例如,企业中的财务报销流程、人事招聘流程、文件归档流程等,都是典型的适合用Workflow处理的任务。 Agent 擅长处理复杂、不确定性高、需要灵活决策的任务。 在这些任务中,环境变化多样,难以用固定的流程和规则来应对,而 Agent的自主决策和动态调整能力能够更好地适应这种情况。 例如,智能客服处理用户的各种复杂问题、自动驾驶汽车应对复杂的路况、投资决策系统根据市场变化实时调整投资策略等。 2、对环境变化的适应性不同 Workflow 对环境变化的适应性较差。 由于其流程和规则是预先设定好的,当遇到流程外的情况或环境发生较大变化时,可能无法正常运行,需要人工进行干预和调整。 例如,在一个传统的订单处理工作流中,如果突然出现一种新的订单类型或特殊的客户需求,原有的工作流可能无法直接处理,需要对流程进行修改和优化。 Agent 对环境变化具有较强的适应性。 它能够实时感知环境的变化,并根据这些变化及时调整自己的决策和行动。 例如,智能家居Agent可以根据季节、天气、用户习惯等环境因素的变化,自动调整家居设备的运行模式,提供更加舒适和便捷的服务。 3、对个性化需求的满足程度不同 Workflow 在满足个性化需求方面相对较弱。 因为工作流是按照统一的流程和规则来处理任务的,难以针对每个用户或情况进行个性化定制。 虽然可以通过一些参数配置来实现一定程度的灵活性,但总体上个性化程度有限。 例如,在一个企业的培训工作流中,所有员工都按照相同的培训流程进行学习,很难根据每个员工的具体情况和需求进行个性化的培训安排。 Agent 能够更好地满足个性化需求。 它可以根据用户的历史数据、偏好、当前状态等信息,为每个用户提供个性化的服务和解决方案。 例如,推荐系统Agent可以根据用户的浏览历史、购买记录等信息,为用户精准推荐符合其兴趣和需求的商品或内容。 04 Agent和Workflow的融合趋势 尽管Agent和Workflow在很多方面存在差异,但在实际应用中,它们并非完全相互独立,而是呈现出融合的趋势。 1、Agent增强工作流 在传统工作流中嵌入Agent,让某些步骤更具智能性。 例如,在一个文档审核工作流中,原本的人工审核步骤可以引入智能审核Agent。 这个Agent可以利用自然语言处理技术自动分析文档内容,检查语法错误、逻辑一致性等问题,并给出初步的审核建议,大大提高审核效率和准确性。 2、工作流协调多个Agent 多个Agent可以被组织成一个工作流,各自负责不同的任务,通过工作流来协调它们之间的协作关系。 比如,在一个复杂的项目管理场景中,有负责需求分析的Agent、负责资源分配的Agent、负责进度跟踪的Agent等。 通过工作流将这些Agent的工作进行有序编排,明确它们之间的输入输出关系和执行顺序,从而实现整个项目的高效管理。 3、优势互补提升效率 工作流提供了清晰的流程框架和稳定性,确保任务按照一定的规则和顺序执行;而Agent则为系统带来了智能性和灵活性,能够处理复杂的决策和环境变化。 两者结合,可以使系统既具有可预测性和可控性,又具备应对复杂情况的能力,从而提升整体的工作效率和质量。 例如,在一个电商订单处理系统中,工作流负责管理从订单生成到发货的整体流程,而在其中的客服环节,可以引入智能客服Agent 来处理用户的咨询和投诉,实现了流程管理和智能服务的有机结合。 最后 Workflow是结构化的流程引擎,它精于将预定义的、线性的任务序列高效、可靠地自动化执行,追求的是流程的稳定性和可预测性。 而Agent则是智能的决策实体,它拥有感知环境、理解目标、规划行动并自主决策的能力,其核心价值在于处理不确定性、适应动态变化和展现目标驱动的主动性。 选择Agent还是Workflow,并非孰优孰劣的判断题,而是场景驱动的适配题。 当流程固定、规则清晰时,Workflow是提升效率的利器。 当面对复杂、多变、需要判断与交互的情境时,Agent的智能与灵活性则不可或缺。 理解它们的本质区别——Workflow重在“流程编排”,Agent重在“智能代理”——是我们在构建自动化、智能化系统时做出明智架构选择的关键。 本文由人人都是产品经理作者【伍德安思壮】,微信公众号:【时间之上】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
在拼多多电商运营中,全店托管作为一种新兴的推广工具,正逐渐成为商家们关注的焦点本文将为你揭秘拼多多全店托管的三种玩法,帮助你更好地利用这一工具。 拼多多直通车目前有2种推广方式,一种是稳定成本推广,之前叫全站推广;另外一种就是本文要讲的全店托管了。在全店托管之前也是有2种推广工具,全站推广和标准推广。而取代标准推广的,就是这个全店托管了。 话说全店托管出来时,我当时觉得天要塌了,为啥呢?你想想,平台推出全店托管的目的是啥?就是要干掉咱们拼多多运营哇。以后电商老板只需要自己把产品上个架,产品丢到全店托管,等着爆单和数钱就可以了,还需要运营做啥? 后来跑了一段时间我明白了,自己是杞人忧天了。全店托管虽然看起来简单,但是想靠全店托管赚钱还真没那么容易,尤其是非标品,几百条链接的空烧,就没哪个老板能抗的住。还有标品,如果开全店托管,那可不是丢进去就完事的。 01 第一个玩法:初心玩法 什么是初心玩法,就是回归到这个功能最原始的玩法上。全店托管想法是降低大家开车的技术门槛,只要你的链接保本投产比接近,就可以全部丢到全店托管去。所以,开全店托管其实就一个要求:所有链接的保本投产比接近。不过就这一点,估计就让很多商家抓狂了。 我以前在公司做运营那会儿,做的是单类目不同品,成本和价格带是不一样的,玩不了全店托管。比如成本20的品,我要玩高价,定价可能会去到90以上。 有的品感觉是大通货,我想玩低价,同样成本20的品,我可能会定价29去玩。这些利润不一的品,就玩不了全店托管。 现在咱不是做拼多多店铺代运营了嘛,接触的品多了,发现能有玩全店托管的品了,最常见的就是非标品。我接的一个T恤店铺,成本20块左右,站外的链接定价在59块钱,那我做拼多多就简单了,统一定价49,成本又一样,每条链接的保本投产比都是1.7以上。那我就没必要藏着掖着了,直接全店托管4的投产比开始跑。 非标品嘛,重点在于多链接,我最高记录是一天上架了20条链接,这20条链接如果都开稳定成本,也没必要,就放全店托管里去跑,7天看一次曝光和单量。没数据的暂停下架,就这样玩全店托管可以稳稳的做到日销3~5K,如果甲方预算充足,还可以冲的更高些。 02 第二个玩法:冷启动使用 咱们要知道拼多多目前是有2个推广工具的,稳定成本和全店托管。有人可能会问了,前面不是刚说过吗?咋又说一遍?脑子糊涂了?非也。这里强调一下,让大家再记一遍,接下来讲咱们的玩法。要记住这2个工具,是可以组合起来发挥出1+1大于2的作用的。 单纯用于开车,就用玩法一就好。全店托管结合稳定成本推广,就能玩出新花样。我最近接的很多新店,发现一个共性问题,新店没人群,没流量扶持,冷启动相当难。尤其是没价格优势的白牌,稳定成本开车连曝光都拿不到。 那怎么办?老办法,提高广告出价。我卖价10块钱的品,出价20块广告费,总能有单吧。话虽如此,但操作起来就有问题了。 如果大家经常以某个投产比去开车,当我们上架同款新链接时,系统就会锁投产到咱们经常开车的投产比附近。我成本10块,刚开始出价20块钱的广告费可不是说我未来就是要出20块钱的,我只是高出价强拉一下单量和店铺权重而已,你怎么还给我记录在案了呢? 应对这个问题,我就发现了用稳定成本+托管可以很好的解决。具体是怎么操作的呢?链接上架之后,先打开稳定成本推广,按照保本投产比去开车,发现直通车丝毫无曝光。 这时,就可以打开全店托管,设置个1~2的投产比,同时打开极速推广。有的时候我甚至出到了1的投产比,限额200块来硬拉曝光。 当我在全店托管里面能拿到单量时,我就知道,店铺的冷启动在运行中了,当我们的链接在全店托管跑完一阶段,这时就可以切到稳定成本按照保本投产比去跑了。 你就会惊奇的发现,之前出价没曝光的计划,现在同样出价去跑不仅有曝光,还能有订单了。是不是很神奇,更神奇的是,经过测试,托管里面跑的完全没曝光的计划,自己手机登录店铺去拍个千把块钱的大单后,直通车的曝光竟然能大幅上涨,这就是权重的魅力吧。 03 第三个玩法:切车玩法 这个玩法有点像是第二个玩法的升级版,不同的是,这里的稳定成本和全店托管的出价是相反的,稳定成本低投产比出价,全店托管高投产比,且切车的目的也不一样了。 什么情况下会玩切车玩法呢?2种情况,一种是有成本优势的品,玩低价,保本投产比10以上的,拉不出自然单,就得切车。另外一种是稳定成本跑过一阶段,二阶段断断续续出单的,也可以切到全店托管慢慢跑着。而切车玩法,第一种情况居多。 咱重点来说下第一种情况,首先前提条件是有价格优势的低价品,不是这个资源的,不要用这个玩法,行不通。这个资源的品先正常上架,用限时限量购加券把价格打下去,然后去稳定成本里面按照保本投产比或者亏钱来开车,可以限额,也可以不限额,这个要具体情况具体分析。 在稳定成本里面一般开车开四到五天就可以了,这里开车的目的是入池。如何判断链接已经入池了,就是限额跑能跑完,且每天都比昨天跑的快,就知道这个链接要起飞了,然后切到全店托管的高投产比,就能够以高投产比来跑了。 记住,在开稳定成本之前,全店托管就要提前打开,去卡一个20以上的投产比,同时把所有链接都添加进去,不然等稳定成本低投产跑久了,就加不进去了。 04 最后 只要大家放飞想象力,全店托管还有很多玩法,比如限额憋自然、8小时车玩法、循环接力高投产玩法等等。只要你敢想,直通车就有无限的可能。 趁现在还有这2个工具赶紧的玩,不然等哪天平台只剩下一个全站推广时,给咱们电商运营的可操作空间就更小了,到那个时候,咱们运营拼的就不是开车,而是怎样做出一条上架就能爆单的链接了。 本文由人人都是产品经理作者【老虎讲运营】,微信公众号:【老虎讲运营】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于 CC0 协议。
在企业级应用(B端)系统中,权限管理是确保信息安全、业务流程顺畅和系统稳定运行的关键环节。然而,许多企业在设计权限管理体系时,常常面临复杂的需求和挑战,导致权限管理混乱,甚至出现安全漏洞。本文将为你提供一套B端系统权限管理的“通关秘籍”,从用户、角色、组织架构到权限控制的四大核心要素出发,深入探讨如何构建一个既灵活又严密的权限管理体系。 权限管理这事儿,在 B 端系统里就像给不同员工分发 “数字钥匙”。有人能打开核心金库,有人只能用用茶水间微波炉。要是设计得稀碎,就会出现实习生误删财务报表,或者大区经理打不开自己的数据看板这种魔幻现实。今天咱就扒一扒,如何搭建一套靠谱的 B 端权限管理体系,让系统权限管理不再 “乱成一锅粥”。 先聊聊权限管理的 “四大天王”—— 用户、角色、组织、权限控制。用户是系统的 “打工人”,角色是 “工种说明书”,组织是 “部门户口本”,而权限控制就是 “门禁系统”。它们相互配合,才能织出一张严密的权限大网。这其中,用户就像是进入系统世界的一个个鲜活个体,每个个体都有独特的身份标识,就像身份证一样,系统通过这些标识来精准识别 “你是谁”。角色则更具抽象性,它把拥有相似工作职能和权限需求的用户进行归类,比如常见的 “会计” 角色,就意味着拥有账务处理、报表生成等一系列权限。组织架构的存在,让权限管理有了更清晰的层级脉络,就像一棵大树,从总公司这个 “树干”,延伸出各个分公司、部门的 “树枝”,每个节点都有对应的权限设定 。 从设计思想来看,经典的 RBAC(基于角色的访问控制)模型就像职场剧本杀。每个角色都有自己的 “剧本”(权限集合),用户拿到哪个角色,就只能按 “剧本” 行动。比如市场部的 “活动策划” 角色,可能只有创建活动、查看活动数据的权限;而 “市场总监” 角色,除了这些,还能审批预算、查看全部门业绩。不过现实往往比剧本杀复杂,RBAC 也得 “升级打怪”,结合 ABAC(基于属性的访问控制)等模式,才能应对各种奇葩需求。就拿 ABAC 来说,它可以基于用户的各种属性,比如部门、职级、项目参与度等,进行更加灵活细致的权限分配。想象一下,某个项目的核心成员,因为项目属性的特殊设定,能够访问项目的机密文档,而普通参与者则无法触及,这就是属性带来的权限差异。 举个真实案例,之前给一家连锁零售企业做系统。起初按 RBAC 模型分配权限,结果问题频出。门店店长虽然有查看本店销售数据的权限,但区域经理需要对比多个门店数据时,却得手动导出再整合,效率低到离谱。后来引入数据权限分级概念,设置了 “门店级”“区域级”“总部级” 数据权限。区域经理被赋予 “区域级” 权限,就能一键查看管辖范围内所有门店数据,店长只能看到自家门店的 “一亩三分地”。这就好比给数据戴上了 “近视眼镜”,不同人只能看清自己该看的 “字”。进一步细化这个案例,数据权限分级还可以根据时间维度进行控制。比如,普通员工只能查看近一个月的销售数据,而管理层则能查看历史全周期数据,这样既能保证信息的合理流通,又能防止数据过度暴露带来的风险。 功能权限的设计也有门道。曾经遇到过一个客户,要求普通员工能看到某个功能按钮,但点击后提示 “无权限”。这操作就像在员工面前摆了块诱人的蛋糕,却不许吃,纯纯 “画饼充饥”。合理的做法是,根据权限动态显示或隐藏功能按钮,就像自动感应门,没权限的人连门都看不到,避免不必要的 “权限焦虑”。除了按钮的显示隐藏,功能权限还可以体现在操作的精细程度上。例如在文档编辑功能中,有的用户只有查看权限,不能进行任何修改;有的用户可以编辑内容,但不能删除文档;而管理员则拥有所有操作权限,这种颗粒度的控制,能让功能权限更加贴合实际业务需求。 在组织架构这块,得像处理家族关系一样谨慎。大型企业组织架构复杂,分公司、子部门层层嵌套。有次给一家跨国集团做系统,他们的组织架构就像俄罗斯套娃,一个部门下可能还有三级子部门。设计权限时,不仅要考虑上下级关系,还得处理跨部门协作的权限交叉。比如研发部和测试部,在项目阶段需要共享部分代码库和测试数据,但又要保证核心代码不被随意篡改。最后采用了 “组织 + 项目” 双维度权限控制,既满足协作需求,又保障数据安全。以项目维度为例,在一个新的产品开发项目中,从项目立项开始,就可以根据项目成员的角色和职责,分配不同的权限。开发人员拥有代码编写和提交权限,测试人员拥有测试环境访问和测试报告查看权限,而项目经理则拥有项目进度管理、资源调配等更高层级的权限,随着项目的推进,权限还可以动态调整 。 权限管理还有个容易被忽视的 “彩蛋”—— 权限审计。这就像给系统安排了个 “纪检委”,定期检查谁在什么时候用了什么权限。之前有个客户发现财务数据异常,通过权限审计日志,很快锁定了一名员工越权操作的记录,及时避免了更大损失。权限审计的作用远不止事后追查,它还能用于事前预防和事中监控。通过对权限使用的数据分析,能够发现潜在的权限滥用风险。比如某个用户频繁在非工作时间访问敏感数据,系统就可以发出预警,管理员及时介入调查,将风险扼杀在摇篮中。 搭建 B 端系统权限管理体系,既要遵循方法论,又得灵活应变。就像做菜,照着菜谱是基础,但还得根据食材和食客口味调整。希望今天的分享能帮你在权限管理的 “修罗场” 里,少踩几个坑,打造出一套丝滑流畅的权限管理体系!要是你在实际工作中遇到过更奇葩的权限需求,欢迎来评论区 “吐槽”,咱一起唠唠! 本文由 @红岸小兵 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
在当今数字化时代,AI智能客服已成为企业提升服务效率和用户体验的重要工具。然而,对于智能客服解决方案提供商来说,如何在服务企业客户(ToB)市场中构建一条客户持续付费且供应商能盈利的商业化路径,是一个关键挑战。本文将深入探讨AI智能客服的市场发展、技术演进、主流商业化模式以及定价策略,分析不同行业和企业规模的定制化方案,帮助读者理解如何通过精准的定价模型和有效的执行策略,实现智能客服的商业成功。 对于智能客服解决方案提供商而言,服务企业客户(ToB)市场既是重要的增长机遇,也面临独特的挑战。企业客户决策流程长、需求复杂多样,构建一条客户持续付费且供应商能盈利的商业化路径,其核心在于定价模型的精准性与有效执行。 一、 市场发展与技术演进 智能客服已从早期概念走向成熟应用,其发展动力主要来自三方面:企业对数字化转型的核心诉求(降低成本、提升效率与用户体验)、AI技术(尤其在自然语言理解NLU和深度学习DL)取得的实质性进展显著提升了交互的准确性与理解力,以及用户对即时、精准服务的普遍期待。 当前,智能客服已广泛应用于多个关键行业: 金融业:不仅高效处理咨询,更深度整合进风控流程,成为识别欺诈活动的重要环节。 电商:支撑大促期间的流量高峰,覆盖售前、售中、售后全流程,并承担部分销售引导角色以提升转化。 教育:提供持续的学习支持,解答疑问并沉淀学习数据,助力个性化教学实施。 医疗:有效缓解服务压力,提升就诊效率,在分级诊疗体系中作用显著。 文旅:提供行程规划支持与动态信息保障,增强用户体验的确定性与安全感。 同时,支撑智能客服的技术架构也在快速迭代: 1)多模态交互成为必需:单一的文本交互已难以满足需求。融合语音识别与合成(ASR/TTS)、计算机视觉(CV)甚至手势/体感识别的多模态交互是发展方向。应用实例包括: 电商场景:用户上传商品图片或视频,客服自动识别商品并提供推荐、搭配建议或启动以图搜图功能。 工业维修场景:工程师通过AR眼镜拍摄设备故障部位,客服结合知识库和图像识别提供维修指导。 医疗辅助场景:患者上传患处图片或描述症状的语音,客服结合医学知识库提供初步的自助分诊建议(需明确提示非诊断)。 2)知识图谱与深度学习的协同深化:知识图谱为客服提供了结构化、关联化的知识基础,是处理专业复杂问题的关键。深度学习则使其能从海量非结构化数据(如对话日志、工单记录)中自主学习,持续优化语义理解与决策能力。两者结合,显著提升了客服处理需要深度领域知识问题的能力(如金融产品组合咨询、复杂设备故障排查)。 3)边缘-云协同架构的兴起:对实时性要求极高的场景(如语音交互、实时风控),将部分AI模型推理能力部署到边缘设备(如本地服务器、智能终端),能有效降低网络延迟,提升响应速度与体验。云端则负责大规模训练、复杂任务处理及集中数据分析。这种架构兼顾性能与灵活扩展性。 4)与业务流程自动化(BPA/RPA)的深度集成:智能客服正从信息应答向任务执行演进。通过集成RPA等工具,它能嵌入企业流程,实现“问题识别-问题解决”的闭环。例如: 客户在对话中要求修改订单地址,客服确认信息后自动触发RPA完成系统内变更并通知物流。 处理客户投诉时,客服自动生成工单、分配、跟踪进度,并主动反馈结果,实现端到端自动化服务。 二、 主流商业化模式与定价策略分析 1. SaaS 模式:主流选择 SaaS模式因其低初始投入和敏捷性成为主流部署方式: 优化总体拥有成本(TCO):企业无需前期硬件、软件许可及机房建设投入,规避后续高昂维护升级成本,将资本支出(CAPEX)转为灵活运营支出(OPEX),按需付费。 快速部署与价值实现:基于标准化云架构,基础配置上线通常在数天至数周内完成,远快于传统本地部署,使企业能快速响应市场变化。 持续更新与免运维:供应商负责底层设施、安全及应用更新,客户始终使用最新版本,享受新功能与优化,无需担忧技术过时,运维责任转移。 弹性扩展与灵活性:企业可根据业务波动(如淡旺季)或发展需求,灵活调整资源(如坐席数、处理能力)。模块化设计支持按需选购功能(如基础问答、语音交互、工单管理、数据分析)。 2. 定价模型:匹配需求与价值 定价直接影响客户接受度与供应商盈利能力。常见模式各有特点与挑战: 1)按坐席数收费: 机制:基于同时使用系统的客服人员数量收费,通常按月/年订阅。 优点:模型简单透明,易于成本预算,企业可根据团队规模预估费用。 挑战:成本与业务量关联弱:业务高峰需临时增购导致费用激增,低谷期资源闲置造成浪费。价值体现不足:咨询量大但坐席少(效率高)的企业与咨询量小但坐席多的企业支付成本可能不合理。对业务波动大的企业(如电商大促)成本控制压力大。 适用:客服团队规模稳定、咨询量波动平缓的企业。 2)按调用量/会话量计费: 机制:基于客服实际处理的对话轮次(Message/Turn)或会话次数(Session)收费。 优点:高度匹配实际用量:实现“用多少付多少”,尤其适合业务波动大的企业,成本更可控。促进效率提升:激励企业优化首次解决率(FCR),减少无效交互以降低成本。 挑战:成本不确定性:咨询量激增(如突发事件)可能导致费用超预期。计量复杂性:要求供应商具备精准透明的计量计费系统。超高咨询量企业边际成本控制压力大。 适用:业务量波动显著、或主要服务外部海量用户的企业。 3)混合计费模式: 机制:结合坐席数和调用量。常见形式:基础套餐(含固定坐席数和基础调用量),超量部分按阶梯计价;或较低固定坐席费 + 按实际调用量收费。 优点:平衡稳定与灵活:基础部分保障核心能力,浮动部分适应业务变化。相比纯坐席模式成本更优,相比纯调用模式预算更可控。是当前较受欢迎的方案。 挑战:定价结构相对复杂,客户需仔细评估业务模式以选择最优方案。 适用:范围广,尤其适合寻求成本与灵活性平衡的企业。 4)按功能模块分级订阅: 机制:将能力分层(如基础版、专业版、企业版),不同层级包含不同功能集(如是否含语音交互、高级分析、深度集成),按版本订阅收费。 优点:企业可按需选择功能组合,避免为闲置功能付费,升级路径清晰。 挑战:需求复杂的企业可能需叠加模块或选择顶配版,成本较高。 适用:功能需求明确且差异大的客户群体。 3. 定制化开发:满足特定复杂需求 当标准SaaS无法满足超大型企业、强监管行业(军工、核能)或独特业务流程时,需采用定制化开发。 1)核心价值: 深度契合业务流程:从知识库构建、对话设计到交互界面,完全围绕企业特有逻辑、术语和工作流定制,无缝集成现有IT系统(如CRM, ERP, SCM, HR)。 专属数据与安全保障:可部署于客户指定的私有云或本地数据中心,满足严格的数据主权与合规要求(如金融法规、医疗HIPAA)。 品牌一致性与独特体验:UI/UX完全匹配企业品牌形象,打造差异化服务体验。 2)关键挑战: 高投入与长周期:需求分析、设计、开发、测试、上线周期长(数月甚至数年),专业人力资源需求大,项目成本远高于SaaS。 持续的维护与升级负担:后期维护、修复、升级、优化依赖原厂商或专业团队,成本高昂且响应可能受限。 技术与项目管理风险:求变更、技术选型失误或管理不善易导致项目延期、超支或失败。 4. 平台合作/嵌入式模式:依托生态扩展 与微信、支付宝、淘宝、银行APP等大型平台合作,将客服能力嵌入其生态,服务海量平台商户或用户。 1)运作模式与价值: 服务商价值:快速触达海量用户,实现规模效应,大幅降低获客与边际成本。借助平台品牌提升影响力。利用平台数据优化自身模型。 平台价值:丰富平台生态,增强对商家/用户的吸引力与粘性。通过增值服务(如收费客服工具包)创造新收入。提升平台整体服务效率。 商家/用户价值:便捷获取成熟客服能力,无需自建复杂系统,快速提升服务水平。 2)关键挑战: 深度集成与体验保障:需深度对接平台账号、认证、支付、数据体系,确保用户体验流畅。 平台依赖与政策风险:服务商增长高度依赖合作平台策略。平台规则变更、合作终止或平台竞争风险影响巨大。 定制能力受限:通常提供标准化或有限定制方案,难以满足平台上头部商家的深度个性化需求。 三、 面向行业与规模的深度定制化方案 1. 行业需求解析与方案重点 1)金融行业: 核心诉求:合规性、风控、专业性、全渠道整合。 定制重点: 强化知识库与合规引擎:构建覆盖全产品线的合规知识图谱,嵌入实时更新的监管规则引擎,确保回答合法合规。 实时风控深度集成:与反欺诈、反洗钱、信用评分系统联动,在交互中即时识别预警高风险行为。 多级审核与人工介入机制:对涉及资金变动、投资建议等高敏感对话,设置规则强制转人工。 全渠道统一服务中枢:确保客户无论从APP、网银、电话或微信接入,信息与服务一致,历史记录同步。 2)电商行业: 核心诉求:高并发处理、个性化营销、全链路协同。 定制重点: 弹性高可用架构:支撑“双11”等极端流量,实现毫秒级响应与自动扩缩容。 智能导购与推荐集成:深度对接商品库、用户画像、实时行为数据,在对话中精准推荐商品、优惠,促进转化复购。 订单物流售后一体化:打通OMS、WMS、TMS系统,客服实时查询处理订单状态、物流轨迹、退换货。 舆情监控与预警:监控对话中负面情绪与集中反馈,预警潜在商品或服务危机。 3)教育行业: 核心诉求:精准答疑、个性化学习、教学协同。 定制重点: 学科知识库与解题支持:构建覆盖K12至高等教育的结构化知识库,提供清晰解题步骤与学习引导。 学情驱动的个性化交互:对接LMS获取学生学习数据,定位薄弱点,推荐针对性练习与资源。 AI助教与教师协同:自动记录高频问题、常见错误,生成学习报告供教师参考,辅助教研。 4)医疗行业: 核心诉求:专业性、隐私合规、系统集成。 定制重点: 权威医学知识库与术语规范:基于临床指南、药品说明书构建,严格区分健康咨询与医疗诊断,明确免责声明。 全流程隐私安全加固:数据传输存储加密、严格权限控制、操作审计,确保符合HIPAA等法规,敏感信息脱敏。 深度HIS/LIS/PACS集成:实现预约挂号、报告查询、缴费状态等服务的自动化处理。 智能预问诊与分诊辅助:收集患者症状信息,结合知识库给出科室建议(非替代诊断)。 2. 企业规模分层与方案策略 1)大型企业/集团: 需求特征:业务高度复杂、系统众多、数据分散、定制化要求高、安全合规压力大、追求战略价值。 方案策略: 部署方式:优先采用混合云/私有化部署满足数据主权与合规。 深度定制与集成:投入资源深度调研,量身打造对话流程与知识体系,深度集成现有ERP, CRM, SCM, BI等核心系统,打破数据孤岛。 构建AI服务中枢:以智能客服为统一入口,接入后台业务系统与AI能力(如RPA)。 专属客户成功支持:配备高水平专属客户成功经理(CSM)和技术团队,保障系统稳定与价值持续释放。 2)中型企业: 需求特征:业务有一定复杂度、追求性价比、希望快速见效、具备成长潜力。 方案策略: 部署方式:选择行业经验丰富的成熟SaaS解决方案。 配置与适度定制:在标准产品基础上,进行界面、知识库、流程的配置和有限定制,满足核心差异化需求。 定价适配:采用基础坐席+按需调用或分级订阅的混合模式,平衡成本与灵活。 客户成功服务:依赖供应商提供的标准化专业CSM服务,确保有效落地与应用。 3)小微企业/初创公司: 需求特征:业务相对简单、预算有限、追求快速部署与易用性、核心目标是提升基础服务效率与形象。 方案策略: 部署方式:利用电商平台/生态伙伴提供的低成本或免费基础版客服,或选择轻量级SaaS工具。 开箱即用:利用预置行业知识模板快速部署启用。 按需付费:采用按调用量付费或免费/低价入门套餐,严格控制成本。 支持方式:主要依靠供应商知识库、在线教程和用户社区自助解决问题。 本文由 @阿堂聊产品 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议
在AI技术蓬勃发展的今天,国内涌现出了一批优秀的AI应用公司,它们凭借独特的技术优势和敏锐的市场洞察力,在国际市场上崭露头角。本文将介绍一家名为 Picture This 的国内AI公司,它凭借一款拍照识花的AI应用,在海外市场取得了令人瞩目的成绩。 今天的主角是:Picture This,网址👉https://www.picturethisai.com/ 之前分享的都是海外AI应用,今天给大家分享一款由国内团队打造,成功在海外市场打开一片天地的AI应用。 01 Picture This 是什么? Picture This 拍照识花的 AI 应用。先看下它的市场表现,我们再详细分析它的成功路径。 Picture This 的市场表现:(截至2025年) 全球下载量:超1亿次 年收入:10亿人民币 月流水:约8000万人民币(App内购收入) 用户分布:欧美市场占比70%+(美、德、英为主) 付费率:超百万(39.99美元/年) 在美国iOS教育应用畅销榜上持续位居前三 看到这些数据后相信大家和我的反应一样,一个识花的App,年收入10个亿?为什么?让我们来拆解下。 公司及团队情况: 创立时间:母公司杭州睿琪成立于2009年,初期为金融、汽车行业提供软件研发服务(如会声会影等工具开发); C端转型:2015年推出首款面向消费者的应用形色(Picture This 的国内版),2017年上线海外版PictureThis; 团队特点:核心产品PictureThis初期仅由4人团队启动,早期积累的图像处理、OCR识别能力为后续AI应用奠定基础。 截至2024年底,杭州睿琪已经形成了一个拥有19款AI产品的矩阵,涵盖植物、识别、健康、文件扫描类等多个领域(这些产品,都是基于其核心技术图像处理、OCR识别技术)。 凭借着这个产品矩阵,杭州睿琪的总用户规模突破2亿,月收入超过1400万美金,一年收入大约在1.68亿美元,约合12亿元人民币。 (嗯……懂我什么意思嘛……) 融资情况:未披露大规模融资记录,主要通过自有资金和产品收入支撑扩张,形成“自造血”模式,公司不缺钱!! 目标用户: 核心群体(敲黑板!):欧美家庭园艺爱好者(72-80%家庭拥有私家花园,园林市场规模高达280亿欧元)、自然探索者、宠物主人(需规避有毒植物); 需求场景:植物识别(1.7万+物种)、疾病诊断(如黄叶、虫害)、个性化养护(浇水/光照建议)、社区知识交流; 免费提供基础识别功能,通过植物诊断、养护建议、光照测量、种植记录等功能吸引用户转为付费; 02 Picture This 核心能力 1. AI 识别引擎: 精准识别:基于自研CV模型+ChatGPT技术优化,支持识别 40 万+ 植物种类,提供超过 98% 的准确率,支持复杂背景(如重叠枝叶、阴雨天气); 多模态功能:植物百科(学名、毒性、养护指南)、疾病诊断(AI分析叶片斑点、枯萎原因)、杂草识别与清除建议; 2. 场景化工具(识别+养护+社区): 个性化管理:用户可创建“我的植物库”,接收浇水/施肥提醒; 离线功能:无网络环境下仍可基础识别,适配户外场景; 社区生态:内建专家问答、用户图鉴分享,提升粘性; 03 AI 垂直场景出海标杆 Picture This 的产品设计并不复杂,国内早已有大量产品/小程序,但受限于国内需求场景的差异,类似产品几乎没有C端收费能力,就是我每篇文章都会提到的,跑通的商业模式。 Picture This 为什么国内开花,国外火? 文化场景适配: 欧美“花园文化”盛行,园艺市场规模280亿欧元(超红酒行业3倍); 对比国内:城市公寓为主,园艺需求低频,付费意愿低; 付费生态成熟: 欧美用户接受订阅制,付费习惯好; 国内版“形色”虽免费,但收入主要依赖广告,月流水不足海外1/10; 营销本地化: ASO优化:产品命名直击搜索关键词(如“Plant Identify”),占据应用商店自然流量; 社交裂变:TikTok用户自发传播“救活植物”案例,形成口碑效应; 当然,Picture This 的成功不仅仅是切中了欧美市场需求和垂直领域的痛点,其核心还是有强大的技术能力,极强的图像处理、OCR识别技术和自研的垂直类目模型,还有中国产品最擅长的极好的交互体验,Picture This 是当之无愧的垂直场景 AI 出海标杆。 04 总结和启示 垂直场景>通用技术:垂类需求(如园艺、宠物)的用户付费意愿更高,且易形成数据壁垒; 文化适配决定天花板:欧美“院子经济”孕育高溢价市场,而同类产品在国内难复制成功; 小团队敏捷迭代:4人启动→百人规模,通过高频更新(如ChatGPT集成)快速响应技术变革; 工具→社区→生态:从识别工具延伸至养护社区,提升用户生命周期价值(LTV); PictureThis的崛起印证了一条路径:深耕垂直需求 + 极致本地化运营 + 订阅制变现,可让中国AI应用在海外“小而美”市场中占据不可替代的生态位。其成功不在于技术颠覆性,而在于对用户场景的深度缝合——正如一位用户所言:“它让每个普通人都能成为自己的园艺师。” 杭州睿琪已经复制 PictureThis 模式,推出 CoinSnap(硬币等收藏识别)、PetCheck(宠物健康)等19款应用。 看到这种难得的现金流如此稳定的AI宝藏公司,还等什么? 作者:张艾拉 公众号:Fun AI Everyday 本文由 @张艾拉 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议
从无人机物流到城市空中交通,从低空旅游到应急救援,低空经济的应用场景不断拓展,市场规模迅速增长。本文将深入探讨低空经济为何突然间爆火,分析其背后的原因,供大家参考。 之前讲了低空经济,今天来讲讲低空经济突然间爆火的背后的原因是什么,感兴趣的小伙伴来看看吧。 政策红利密集释放,顶层设计全面发力 国家战略定位升级 2024年低空经济首次写入政府工作报告,被列为“新增长引擎”,并纳入《国家综合立体交通网规划纲要》和“十四五”规划,明确其作为战略性新兴产业的地位。 国家发改委成立低空经济发展司,民航局支持深圳、杭州等20个地方设立无人驾驶航空试验区,推动基础设施建设和场景试点。 法规体系逐步完善 2024年1月《无人驾驶航空器飞行管理暂行条例》实施,首次为无人机飞行提供全链条管理框架,简化审批流程,明确适飞空域划分,降低行业门槛。 多地出台专项政策(如深圳《低空经济产业创新发展实施方案》),从研发补贴、税收优惠到低空飞行服务站建设,形成政策组合拳。 国际竞争与战略布局 全球主要经济体(如美国、欧盟、中东)加速布局低空经济,中国通过政策先行抢占先发优势,目标在2035年实现低空经济规模3.5万亿元,形成“中美双雄”格局。 技术突破推动场景落地,商业化进程加速 核心技术创新 无人机与eVTOL技术成熟:大疆、亿航、峰飞航空等企业突破飞行控制系统、固态电池、智能导航等技术,eVTOL适航认证取得突破(如峰飞V2000CG获全球首个吨级eVTOL型号合格证)。 5G-A与AI融合:低空通信网络覆盖提升导航精度,AI算法优化飞行路径规划,支撑无人机物流、城市空中交通等场景。 应用场景爆发式拓展 物流配送:美团无人机在深圳、上海累计完成超52万单配送,顺丰无人机运输效率较传统方式提升80%。 城市空中交通(UAM):深圳-珠海eVTOL航线将车程从2小时缩短至20分钟,票价降至300元/人,2025年底全球将有20+城市开通商业化航线。 农业与应急:农业无人机作业面积超17.4亿亩次,应急救援中无人机快速侦查灾情、夜间照明覆盖上万平方米区域。 市场需求与经济价值驱动,万亿蓝海初现 城市化痛点催生需求 交通拥堵、物流效率低、偏远地区配送难等问题倒逼低空解决方案。例如,无人机配送在山区运输时间从7小时缩短至1.5小时,成本降低50%。 消费升级与体验经济 低空旅游、无人机表演等新业态兴起(如深圳无人机送外卖、沙特国庆无人机灯光秀),2024年低空旅游市场规模突破240亿元,吸引年轻人消费。 经济效益显著 2023年低空经济规模达5059.5亿元,2025年预计超1.5万亿元,年均增速超30%。eVTOL采购成本仅为直升机1/3,运营成本1/10,规模化后单座每公里成本降至6-14元。 产业链协同与资本涌入,形成生态闭环 产业集群效应显现 华东地区(长三角、珠三角)成为核心产业带,大疆、峰飞、小鹏汇天等企业聚集,形成“研发-制造-运营”全链条。 低空基础设施加速建设,2025年通用机场达479个,适飞空域面积扩大,起降场、通信基站等配套完善。 资本与人才涌入 2024年低空经济相关企业注册量同比激增14.55%,2025年前4个月新增注册量同比飙升234.92%。 无人机操控员需求激增,持证飞手薪资上涨40%,兼职飞手日薪可达800元,行业人才缺口超20万。 挑战与未来展望 尽管低空经济前景广阔,仍需突破空域管理碎片化、安全监管滞后、技术标准不统一等瓶颈。未来发展方向包括: 空域管理改革:推动“天基-地面”双网络体系,动态划分适飞区域,提升空域利用率。 技术标准化:建立eVTOL适航认证框架,推动固态电池、智能飞控等核心技术国产化。 场景深度融合:拓展低空医疗、智慧农业、绿色能源巡检等新兴领域,构建三维交通网络。 总结 低空经济的爆发是政策引导、技术迭代、市场需求、资本助力共同作用的结果,其本质是通过“飞轮效应”形成正向循环:政策松绑吸引企业投入,技术突破催生新场景,市场需求推动规模化,最终反哺产业链升级。未来,随着空域管理优化和商业化加速,低空经济有望成为继互联网、新能源汽车后的下一个万亿级赛道。 本文由 @大厂毕业的厨子 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
刚苹果WWDC2025开完大会,我就马不停蹄升级到了iOS26,不得不说,这个液态玻璃效果还挺(没)不(卵)错(用)的。 而且这个丑还上了微博热搜。 本着有争议的地方就有流量,我觉得liquid glass这个词流量肯定很大,所以我去谷歌trends搜了一下,大家可以打开这个链接查看 https://trends.google.com/trends/explore?date=today%201-m&geo=US&q=liquid%20glass%20ios,gpts 基本上是gpts的5倍以上,换算下来起码每天有5000-10000左右的搜索量。 通过 https://serp.tuningsearch.com 看下serp,并且看下有多少网站拿这个词做了网站 https://serp.tuningsearch.com/search?q=ios+liquid+glass&country=US&language=en&perPage=100&_t=1749802219649 数据为0,所以是一个很好可以练手的网站了。 元神启动,打开cursor 新建prd.md文档,写下提示词(注意:古典产品经理时期这个叫需求文档,这也就是prd的由来) 1、apple刚上线了ios26,推出了液态玻璃的设计风格,我想搭建一个网站介绍这个新的设计,域名是liquidglassdeign.xyz。请用主流前端框架和语言帮我实现这个网站。网站要全英文的。 2、网站首页顶部显示菜单(feature,video,about,document),支持锚点,能够快速点击锚点到首页的对应部分。网站首页顶部显示:iOS Liquid glass,副标题就是一句话介绍,右侧放一个ios26的图片。 -feature主要介绍liquidglass的几个特性,请从这篇文章提炼https://developer.apple.com/documentation/technologyoverviews/liquid-glass。 -video:页面中部放以恶搞youtube的演示视频案例。先mock几个链接。 -about,显示支持seo的问答,例如What is the liquid glass?What is liquid glass UI?,how to use liquid glass UI? -document:点击跳转到这个网站:https://developer.apple.com/documentation/technologyoverviews/adopting-liquid-glass 网站需要支持seo的特性。 开始监工,以下是cursor输出的项目结构文档 # iOS Liquid Glass 设计展示网站 一个现代、响应式网站,展示 Apple 在 iOS 26 中推出的革命性 Liquid Glass(液态玻璃)设计语言。使用 Next.js、React 和 Tailwind CSS 构建。 ## ✨ 功能特色 * **🎨 Liquid Glass UI 效果** – 精美的玻璃拟态与透明视觉效果 * **📱 完全响应式设计** – 在桌面、平板和移动设备上都能完美展示 * **🔍 SEO 优化** – 完整的元数据与搜索引擎优化 * **🎥 视频嵌入** – 可直接在网站中嵌入 YouTube 视频 * **⚡ 现代技术栈** – 使用 Next.js 14、React 18、TypeScript 与 Tailwind CSS * **🌟 流畅动画** – 平滑的过渡与悬停动效 * **🎯 锚点导航** – 页面各部分间平滑滚动跳转 ## 🚀 技术栈 * **框架**:Next.js 14,采用 App Router 架构 * **语言**:TypeScript * **样式**:Tailwind CSS,并定制玻璃拟态效果 * **图标库**:Lucide React * **部署**:Vercel ## 📱 页面结构 1. **首页(Hero)** – 惊艳的介绍动画与漂浮特效 2. **功能特色** – 展示 Liquid Glass 的四大核心特点 3. **视频演示** – 嵌入 YouTube 的实际展示视频 4. **关于我们** – 包含 FAQ 的 SEO 优化内容 5. **文档链接** – 指向 Apple 官方资源的链接 ## 🛠️ 快速开始 ### 环境要求 * Node.js 18 及以上版本 * npm 或 yarn 包管理工具 ### 安装步骤 1. 克隆项目仓库: “`bash git clone https://github.com/yourusername/liquidglass-design.git cd liquidglass-design 安装依赖: npm install 启动开发服务器: npm run dev 在浏览器中打开http://localhost:3000 🎨 设计亮点 玻璃拟态效果:使用高级 backdrop-filter 背景模糊滤镜 渐变背景:灵感来自 Apple Intelligence 的配色风格 交互式按钮:具有光影动画的液态玻璃按钮 字体排版:采用 Inter 字体,提升现代可读性 色彩搭配:细腻的蓝紫色调搭配高对比度文本 📦 构建与部署 构建生产版本: npm run build 部署至 Vercel: npm run deploy 🌐 在线演示 访问在线网站:https://liquidglassdesign.xyz 等AI编写完毕之后,打开vercel,按照AI的引导部署即可上线。以下是页面截图: 上线后,还需要做两件事情 打开谷歌收录网站,提交站点收录,吸引谷歌自然搜索流量 去一些大的网站提交站点收录,增加外链。 最后 这篇文章是一个针对新手入局AI编程的案例,从身边找到流量词,练手上站点,我也是边学边做。当然,每次上线站点,尽量都要去考虑商业化,目前这个点是漏掉这一趴的,但是这次不重要。 如果你看了觉得有收获,也快练手吧。 本文由 @乔伊 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
开门预警保护系统(DOW)作为一项重要的安全功能,旨在解决用户在停车开门时可能面临的碰撞风险。本文将深入探讨如何设计一个高可靠性的开门预警保护系统,从原始需求分析到用户群体、干系人分析,再到竞品研究和功能整合,全方位地展示产品设计的全过程。 说明: 1. 边界说明:暂不考虑硬件BOM边界,仅从需求层面展开设计。 2. 将从【原始需求及需求分析】【用户群体分析】【干系人分析】【竞品收集与选择】【竞品拆解】【竞品功能整合】【情景分析】和【功能列表】等8个维度进行结构化的产品设计。 原始需求及需求分析 需求方:某中高端品牌车型的整车项目/或座舱一号位 原始需求描述: 当前汽车DOW系统的主要痛点——场景理解能力、静态或低速移动物体感知、环境适应性等感知和决策不足;预警方式单一、效果差等真实体验。针对用户停车开门的场景,设计高可靠性的车辆开门预警保护系统,让用户感受到无微不至的贴心关怀。 体验目标及设计要求拆解: 从安全性和用户关怀维度发散车辆开门的重要场景,让用户感受到“保姆级”的安全和情感关怀; 考虑用户开门上下车的完整行为/操作路径; 考虑用户全天候、多路况上下车过程可能遇到的所有影响因素,如:天气、道路环境、交通法规 危险提醒要保证有效性,考虑多感官的有效刺激 针对部分危险场景,考虑通过一些强制措施,确保用户上下车安全;考虑对本车之外的行人、车辆进行合理的预警/提醒 针对不同年龄、特征用户,给出合理的预警设计(如:小孩、老人、视听残障人士) 功能的管理要简单明了,保证好找、易懂、好用 考虑DOW功能原子化,支持梯次配置清单/选配清单 用户群体分析 目标用户 用户描述:一般为车主,有高频的驾乘需求 属性分析: 日常用户 用户描述:主要为前后排乘客用户,为次要使用者。 属性分析:次要使用者,只分析其关键特征属性 干系人分析 竞品收集与选择 类型一:功能完全相同的竞品——同平台;同类目标用户;满足原始需求的产品目的性 类型二:核心功能相似的竞品——核心功能:实时监测(多维路况);状态判断;预警/警示信号;避险执行 竞品拆解 竞品功能整合 情景分析 功能列表 作者:王振,产品设计师 首发公众号:智能座舱研究社 本文由 @贝勒爷 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自Unsplash,基于CC0协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务
您可以订阅此RSS以获取更多信息