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。
作为开发者,高效的工具链能显著提升生产力。罗技Master系列键鼠以其专业级的人体工学设计和智能功能集成,成为我日常编码的得力助手。下面将结合具体开发场景,分享这套设备如何优化工作流。 开发环境的无缝切换 在同时维护多个项目时,MX Keys键盘的Easy-Switch功能让我能快速在Windows开发机、Mac测试机和Linux服务器间切换。通过Logi Options+将F1-F12设置为常用IDE快捷键(如F5=Debug,F12=Go to Definition),在不同平台保持统一操作逻辑。最惊艳的是Flow技术,当需要跨设备复制错误日志时,鼠标直接滑到另一台电脑就能粘贴,比Synergy更稳定。 精准的代码导航体验 MX Master 3S的电磁滚轮在浏览长代码文件时可切换无极模式,快速滚动万行日志如丝般顺滑,轻触即切换为逐行模式精准定位。我将拇指轮自定义为横向滚动,查看超宽SQL语句时不再需要拖动底部进度条。侧边按钮则映射为”Find All References”和”Rename Symbol”两个高频操作,重构代码时效率提升明显。 符合人体工学的持续作战能力 连续编码8小时后,MX 鼠标的57°垂直设计让手腕始终保持自然姿势,配合MX Keys的球形凹面键帽,指关节疲劳感大幅降低。键盘的智能背光会在检测到手部接近时自动亮起,深夜紧急修复生产环境问题时,不会因摸黑敲错命令。防泼溅设计更是救了我无数次——毕竟程序员咖啡杯翻倒的概率堪比编译错误(手动狗头)。 定制化的终端操作流 通过Logi Options+的高级配置,我为终端开发创建了特定场景配置:当检测到iTerm2窗口激活时,自动将中键设为”新建标签页”,拇指键设为”清屏”。在VS Code中则设置为侧滚轮控制缩进层级,横向滚轮调整代码分割线位置。这些微优化累积起来,每天能节省至少30分钟的机械操作时间。 远程协作的细节优化 疫情期间远程办公,BRIO 500摄像头配合MX Keys的专用Teams按钮成为每日站会神器。AI取景功能让我在白板前走动时始终保持在画面中央,而键盘的静音按键设计确保沟通时不会传出嘈杂的敲击声。特别在结对编程时,摄像头的HDR模式能清晰展示纸质笔记内容,解决了以往手机拍照传图的低效问题。
Hello,好久不见,哈哈继续补齐我之前的产品手册。 数据分析做完、用户痛点也拆清楚了,接下来最关键的一步来了:提出解决方案。我想解决方案的思路应该大家都有,所以我想给大家分享一些不一样的——情绪价值也是产品的一种能力。要记住,你的所有用户,都是活生生的人。 所以这篇我会分享,怎么思考去给产品附加情绪价值。 1. 思考能不能把需求中的任何一个步骤变得更有意思? 举例:番茄钟(点击开始,25 分钟倒计时,结束。) 拓展分析思路:开启番茄钟前?开启的时候?结束后?在其中一个过程添加有意思的东西 方案:每完成一个番茄钟,养成一颗小树。 灵感来自 Forest App,不再是“我完成了一个计时”,而是“我种出了一片小森林”。 用户获得了不仅是效率的提升,还有成就感与陪伴感。 2. 思考能不能增加一个“与用户链接互动”的步骤? 这可能是最反产品常识的一句话——我们平时天天在减步骤、减操作。但适度加一个“有感知、有情绪”的环节,反而能提升用户好感和留存。 举例:淘宝直播。我一直觉得这个功能设计简直天才。 原本你只是来买东西的——看到商品→付款→走人。 现在呢?你会被拉进一个直播间,主播和你说话、试穿、对比,还喊你“宝宝”~ 你从“买家”变成了“参与者”,从“工具流程”变成了“内容场”,从“支付行为”变成了“情绪联结”,激情下单。 直播是那个“加进去”的步骤,但它完全改变了购物的体验结构。 3. 比起设计收获,不如设计失去。 大家都知道,人有厌恶损失的心理。多邻国的联合创始人 Luis von Ahn 在 TED 演讲里说过: “People don’t want to lose their streak.” ——人们不是为了奖励而坚持学习,而是因为不想断掉那条打卡连胜。再比如,拼多多的砍一刀,你总是忍不住想多叫几个人再砍一砍。 “这里给大家分享一个技巧,就是针对机会成本的厌恶损失。因为用户买了你的产品,就失去了买另外一个产品的机会。损失另外一个产品的机会,也会引发用户的厌恶损失。怎么处理呢? 比如我 99 块钱的东西,别人 50 块,除了说我们的好,那我们就要贬低这额外的 49 元机会成本,49 不过 2 杯星巴克。 反之呢,我 50,别人 99。那这个 49 就是大发了,那是食堂 1 个星期的饭钱,一件可以穿好几年的 T 恤。” 4. 退一步思考,我的产品有没有宏观的角色或者愿景。 我忘记是谁讲过“用户不会爱上你的产品,但会爱上变得更好的自己。” 你的产品能不能投射一个更好的角色,或者愿景。 比如,keep,自律使人自由;再比如,我做睡眠 app,那就不是照顾你的睡眠,而是照顾你的人生。 插个题外话,我有一段时间下班就玩塞尔达,那时候每天就是想着海拉鲁还有哪里等着我探险,可以说那是我上班以来最快乐的一段时光。我想了下,可能是我无法在现实生活中探险,而投射了一个角色情感。 所以,在产品里让你的用户相信他能成为那个角色。那么,用户也会拥护你的产品,成为他的臂膀。 今天想多写一点,为什么我很久没更新了。因为我很不开心,就是在我产品生涯里面,遇到了很多很多的困难。我甚至觉得除了我以外,都是XX。不过现在都慢慢解决了,做产品经理还是挺好的,一直在工作中就是发现用户的问题,解决用户的问题。这个解决问题的能力可以应用在各个地方。希望和所有的产品同学一起共勉。 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。
本文从技术理解、产品思维、商业洞察的维度来构建AI产品经理所需具备的能力体系,并结合AI产品的特殊性进行针对性学习。 从实际工作经验来看,当前的工作大多是在现有流程中简单叠加AI技术,例如自动化文档处理等。这种改良路径本质上属于边际效率优化,难以突破生产力瓶颈。因此,相比于对技术的深入理解,思维方式的快速转变更为关键。 颠覆性技术带来的真正价值必须伴随着工作流重构–正如蒸汽机催生工厂替代手工作坊、计算机引发信息化流程再造,AI时代需要通过原生AI工作流设计实现范式升级,围绕多模态交互、实时决策网络、自主任务分解等核心能力,构建具备认知弹性和演进智能的新型协作体系,这才是创造指数级商业价值的正确路径。 ps:文中所写案例仅用于理解,实际业务中因素多且不确定,需做更周全的考虑。 1 技术理解:掌握AI底层逻辑与边界 横向认知:掌握技术边界 1)机器学习原理适配:掌握从LR到Transformer的商业价值映射;理解损失函数背后的业务目标对齐。 2)数据处理关键逻辑:判断特征工程的ROI临界点;识别数据泄露的产品级风险。 3)模型评估场景适配:AUC/ROUGE/BLEU等指标的场景适配。 纵向穿透:读懂技术文档的关键 # HuggingFace模型卡解析重点 1.1 基础技术知识 机器学习:监督/无监督学习、特征工程、模型评估指标 深度学习:CNN/RNN/Transformer架构、损失函数、优化器 NLP/CV/推荐系统等领域的常见任务:如文本分类、目标检测、召回排序 1.2 AI开发流程 明确场景 → 数据收集与清洗 → 特征工程 → 模型训练 → 部署与监控 关键能力: 1)识别用户真正需求,将场景融入用户实际工作流中。 2)看懂技术方案文档(如模型选型理由、测试指标)。 3)理解AI项目的失败边界(如数据不足、算力成本过高)。 2 产品思维:构建AI驱动的用户价值 2.1 AI产品设计方法论 需求判断: 1)区分真AI需求(如OCR识别) vs 伪AI需求(用规则引擎更高效) 本质上是在判断某个问题是否必须通过机器学习/深度学习解决,或者说传统编程方案是否更优。这是技术选型中的关键决策,直接影响开发成本和系统效率。 2)使用ROI评估模型:数据获取成本、模型迭代周期、业务收益 案例一: 成功案例:电商客服意图识别 传统方案:关键词匹配 1)准确率80%,但需维护5000+关键词; 2)新商品上线时漏识别率飙升40%。 AI方案:BERT微调+实体识别 1)数据成本:标注10万条对话(15万元); 2)模型迭代:每周更新(月均2万元); 3)业务收益:转化率提升1.5%(年增收300万)。 ROI = (300-15-24)/(15+24)=6.69 结论:真AI需求(需持续迭代) 案例二: 失败案例:工业设备报警 传统方案:阈值规则(aV 数据数量,高质量的数据是提升准确率的关键因素。 3. 平衡用户预期 明确告知用户AI能力的局限(如模型仅作为辅助的工具)。 本文由人人都是产品经理作者@让我看看好学吗,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。
一、为什么要做用户研究? 用户研究是通过科学方法系统性地了解用户行为和态度,理解用户体验、痛点和需求的过程,最终为产品决策提供主客观依据。 用户研究是连接产品与用户的关键桥梁 任何成功的产品都离不开对用户的深入理解,它能帮助团队: 看清用户真实需求(别被表面需求忽悠) 验证产品假设(避免开发没人用的功能) 持续优化体验(找到那些让用户骂街的痛点) 当团队出现以下症状时,意味着需要做用户研究: “我觉得用户应该…”,团队应该停止臆测,去问真实用户 “竞品有这个功能…”,团队应该先搞清楚用户是否需要 “这个设计多酷啊…”,但是酷不等于好用 “数据看起来不错但…”,但是数字背后的人更重要 不同阶段的研究重点不同 产品概念期:找方向,研究用户最头疼的是什么? 核心目标:挖痛点、找机会 关键价值:区分表面需求(要更快的马)和本质需求(更高效的交通工具) 产品设计期:防踩坑,研究这个设计用户会用吗? 核心目标:理解场景,优化方案 关键价值:确保设计方案符合用户思维习惯,避免做出“看起来很美但难用到哭”的产品 产品研发期:避风险,研究开发方向对吗? 核心目标:验假设、控风险 关键价值:持续验证方向是否正确,及时修正路线(如发现社区App实际需求是内容消费而非社交) 产品运营期:持续改,研究如何越做越好? 核心目标:升级体验、快迭代 关键价值:通过用户反馈不断迭代,把好产品打磨成爆品 二、用户研究到底在做什么? 研究用户是谁 基本信息: 年龄、性别、常驻地、赚多少钱、什么学历 是上班族还是学生、家里几口人、混什么圈子 脑子转得快还是慢、喜欢什么讨厌什么、什么性格 专业程度: 是小白还是老司机 愿意尝鲜还是保守派 某产品用了多久、会不会玩高级功能 人际关系: 听谁的意见(网红/朋友/家人) 谁掏钱谁用(比如家长买孩子用) 公司文化对他是否造成了影响 研究用户行为 使用路径: 理想中的使用步骤 vs 实际怎么乱点的 哪一步最容易放弃(比如购物车突然不买了) 最爱怎么搭配着用(比如先搜再比价) 使用习惯/频率: 天天用还是偶尔用 主要用哪些功能、哪些功能吃灰 工作日和周末用法有啥不同 异常操作: 怎么绕开难用的功能(比如截屏代替分享) 开发意想不到的用法(比如拿购物车当收藏夹) 嘴上说不要身体很诚实(比如嫌贵但天天用) 研究用户态度 认知层面: 认为产品是干啥用的 买东西最看重什么(便宜还是质量) 预期和实际体验差多少 情感层面: 用的时候是骂人还是夸赞 越用越喜欢还是越用越烦 哪个瞬间让他想推荐给别人 真实需求: 嘴上说要什么(想要更省电) 实际要什么(原来是嫌充电慢) 终极目标(随时随地能用) 研究用户环境 物理环境: 产品用得顺不顺手 不同终端的使用差异 在私密空间(家)和公共空间(公司/路上)用法有啥不同 社会环境: 他人在场时将如何表演 上班用和下班用是不是两种性格 地域文化差异导致的用法差异(比如南方北方) 数字环境: 手机电脑切换时卡不卡 流量够不够用、网速快不快 应用商店规则怎么限制使用 用户行为与态度的矛盾点往往隐藏着真实需求 认知失调型矛盾(自我安慰型用户) 表现:用户为合理化自身行为而改变态度(买了东西后自动觉得它好) 案例:购买奢侈品后,用户对品牌评价自动提升,即使最初不满意(买了贵包后,明明有瑕疵也说值) 社会赞许型矛盾(说一套做一套型用户) 表现:公开态度与私下行为背离,宣称偏好与实际选择存在差异,用户给高评分但使用频率低(嘴上说得好听实际不这么做) 案例:朋友圈晒健身,其实一个月就动两回;70%用户声称重视环保,但仅30%愿为环保产品溢价 群体极化型矛盾(随大流型用户) 表现:个体态度温和,群体讨论后极端化(讨论时容易被带偏) 案例:焦点小组中,本来觉得还行,听别人说不好就跟着反对,中立用户最终支持激进方案(群体极化效应) 习惯惰性型矛盾(懒得改型用户) 表现:态度上追求创新,行为上依赖旧模式(知道新的好但还是用老的) 案例:用户支持新界面设计,但更新后仍按旧模式操作 时间衰减型矛盾(三分钟热度型用户) 表现:短期态度与长期行为不一致(开始说好后来不用) 案例:新功能刚出都说棒,三个月后没人用 成本敏感型矛盾(抠门型用户) 表现:态度支持与付费行为割裂(说支持但不愿花钱) 案例:80%用户支持“去广告”功能,但仅2%购买会员 依赖-抵触型矛盾(又爱又恨型用户) 表现:既享受即时满足的快感,又有恐惧失去自主性的焦虑(一边骂一边用) 案例:天天吐槽抖音浪费时间,但每天刷3小时,负面评价用户却是高频使用者(可能存在成瘾性设计) 场景割裂型矛盾(实验室乖宝宝型用户) 表现:实验室态度与真实场景行为差异(测试时表现好,实际用就露馅) 案例:实验环境的可用性测试中100%完成任务,但实际使用时仅40%成功,调研时说会天天用,实际一周就删 核心原则:记录要全,分析要透 保留完整证据(记录) 完整保存录音、录像资料,将关键内容整理成文字稿 好处:① 没参与的人能快速了解;② 避免“选择性记忆”和陷入“自证”的坑 排除主观偏见(分析) 不要只盯着支持自己想法的证据 不要盲目相信自己的记忆,记忆可能会失真,但记录不会 不要指望用户直接给答案 要透过现象看本质:行为数据 + 态度表达 + 环境因素 = 真实需求 团队协作攻关(参与) 避免“一人研究,全员盲从” 建议团队成员轮流参与调研,共同回顾原始资料,最后集体讨论得出结论 用研 Step1:明确目的和问题 用研 Step2:选择调研对象 用户研究需要科学分层 用户研究必须确保样本能真实反映产品用户生态,有三个核心要求: 代表性:覆盖关键用户类型 随机性:避免主观选择偏差 针对性:根据产品特性调整维度权重 从用户属性维度进行分层 维度一:基础人口特征(硬指标) 人口统计学特征是用户研究的基础维度,包括性别、年龄、收入、教育等客观指标。 不同产品需要关注不同的关键特征:高端家电侧重收入水平,时尚产品侧重性别年龄。 警惕“高端用户”误区。用户没有高低端之分,高收入、高学历人群并非一定要买高端产品,豪宅家电实际由保姆操作,复杂功能反成累赘。 年龄分段要符合实际场景,“25-34岁新婚家电消费群体”比“21-30岁泛年龄分段”更有意义。 维度二:行为动机体系(为什么用) 用户行为动机呈现三级结构:深层动机 → 具体目标 → 操作任务。 这种分层方法可有效区分用户类型,如将冰箱购买者分为实用功能导向型和社交符号导向型,前者看重冷冻能力,后者追求品牌档次。 维度三:文化生活方式(怎么活) 文化生活方式维度体现显著的地域和代际差异。东亚地区偏好美颜功能,欧洲用户倾向自然或怀旧风格。中国内部同样存在明显的亚文化差异,不同世代群体的消费观念和生活方式迥异,70后务实、90后重个性、00后有着新兴消费观。 文化是一个多元复合的概念,会随着地域差异和时间演变而呈现多样形态,主要包括以下几个层面: 生活习俗:日常生活中的行为模式和传统习惯 价值观念:群体共享的信仰体系和道德标准 审美取向:对美的认知和表达方式 禁忌规范:社会约定俗成的行为边界 维度四:地理环境因素(在哪用) 地理特征决定了产品功能设计的区域化差异,是进行产品本地化改良的重要依据。主要体现在以下几个方面: 气候条件差异:江浙沪梅雨季潮湿,冬季阴冷,对除湿机需求高,冬季需电暖器,但排斥干燥;西北地区干燥少雨,昼夜温差大,加湿器必备,且空调需兼顾制冷/制热效率。 饮食习惯差异:川渝地区嗜辣,多火锅底料,冰箱需大容量冷藏室存储火锅食材,油烟机需强力排辣味;广东地区有煲汤文化,食材新鲜,冰箱需有新鲜海鲜暂养区,电炖盅需有预约功能。 物产经济特征:海南/西双版纳是热带水果产区,冰箱需设计热带水果保鲜模式(防冻伤)同时有耐高温设计;东北黑土地盛产粮食作物(大豆/玉米),需有防潮防霉的存储方案。 从产品服务对象维度进行分层 【C端用户分层体系】C端产品需重点关注用户属性和行为价值维度 基础属性维度: 人口统计学特征:包括但不限于年龄(18-24岁Z世代/35-44岁中生代)、性别、地域(一线城市/下沉市场)、收入水平及教育程度等硬性指标 社会属性特征:涵盖家庭角色(新手妈妈/空巢老人)、职业特性(996上班族/数字游民)、生活方式(健身达人/宅文化群体)等软性维度 行为价值维度: 活跃用户(周活跃≥3次):帮助验证产品核心价值主张和优势功能 沉睡用户(30天无活跃):重点分析流失动因和召回机会点 高价值用户(ARPU/平均每用户收入>行业80分位):指导增值服务和会员体系设计 潜在价值用户(新增用户中有相似特征):优化获客策略和转化漏斗 【B端用户分层体系】B端产品需聚焦决策链角色和职能需求差异 决策层级划分: 执行层(一线业务人员):聚焦日常操作流程痛点和效率瓶颈 管理层(部门负责人):关注系统集成需求和团队协作痛点 决策层(企业所有者):重点考量投资回报率(ROI)和战略匹配度 职能维度覆盖: 需涵盖业务部门(销售/客服)、支持部门(IT/财务)等关键职能角色,确保收集的需求能够反映真实业务场景。 用研 Step3:选择调研方法 用研方法分类维度 用户研究方法可以用两个维度分成四类,第一个维度是定性与定量,第二个维度是研究用户态度与研究用户行为。 第一个维度中,定性研究用于回答“为什么要解决这个问题?”和“怎么解决这个问题”,定量研究用于收集“占比、频次、分布、程度”等具体数据。 第二个维度中,用户态度指“用户说了什么”,用户行为指“用户做了什么”。用户态度研究中,参与者往往会隐藏真实想法,导致数据失真,需要避免盲目采信用户表述,直接用于决策,这是典型的「自我欺骗式调研」。 除此之外,还需要额外考虑第三个维度“用户使用产品的背景”。用户是 ① 处于真实的生活/工作环境中,没有研究者的人为干预,还是 ② 用户按照研究者的既定脚本体验使用产品,又或是 ③ 用户并未使用或完全不知道该产品。 用研方法具体介绍 用研 Step4:可视化用研结果 展示方式1:故事板 故事板是一种通过视觉叙事的方式,将用户研究数据、产品使用场景或设计概念转化为连续的图像或画面,以模拟真实用户与产品/服务的交互过程。它类似于电影分镜脚本,用图文结合的方式呈现用户行为、痛点、情绪变化及解决方案。 如何制作有效的故事板? 从用户访谈/日记研究中选择高频或高痛点场景,展示用户在什么环境下使用产品,包含时间、地点、设备、周围干扰因素等细节 通过分镜描述用户操作步骤,嵌入用户语录、行为数据,并标注关键卡点 视觉化注意事项:① 手绘草图不必精美,用简笔画+便利贴即可;② 用真实环境照片拼贴+标注(适合实地研究);③ 用Figma/白板等工具在线生成 展示方式2:数据图表 ① 分布维度的数据图表:需回答“数据如何分散?” 直方图:显示连续数据的分布情况,用柱形表示各区间频数。可用于分析用户活跃时长分布,观察年龄/收入等连续变量的集中趋势 → [用户每日使用时长直方图] 密度图:用平滑曲线展示数据分布的概率密度。发现用户行为模式的潜在多峰分布(如早晚高峰使用)→ [APP启动时间密度分布] 箱线图:展示数据最小值、四分位数、最大值及异常值。可用于比较不同用户群体的消费金额离散程度,同时识别极端用户(如超高付费者)→ [各城市用户付费额箱线图] ② 构成维度的数据图表:需回答“各部分占比如何?” 饼图/环形图:显示整体中各部分的比例关系。可用于表示用户来源渠道占比、功能使用频率分布、地理分布、转移分布(随时间或条件变化,值的相互转化)→ [新用户注册途径占比] 堆叠条形图:条形分段显示子类别在总体的占比。可用于展示各年龄段偏好的功能组合,也可同时展示用户性别与付费状态的交叉构成 → [性别×付费层级堆叠图] 树状图:用嵌套矩形面积表示层级数据占比。可用于可视化用户兴趣标签的从属关系(如“运动→健身→瑜伽”)→ [用户兴趣分类树状图] ③ 比较维度的数据图表:需回答“组间差异是否明显?” 对比条形图:并列条形对比不同组别的数值差异。可用于对比A/B测试中方案A与B的转化率,表示不同用户群体的满意度评分 → [新旧版本NPS对比条形图] 雷达图:多维数据在轴上的对比,显示相对强弱。可用于对比三类用户群体在5项体验指标上的差异,或展示产品功能偏好的群体差异 → [用户群体特征雷达图] 斜率图:用线段连接两个时间点的数值,突出变化趋势。可用于展示用户留存率从第1月到第6月的群体差异,或对比功能改版前后关键指标 → [付费用户各等级留存变化斜率图] ④ 关联维度的数据图表:需回答“变量间是否有相关性?” 散点图:用点位置展示两个变量的相关性,可加趋势线。可用于分析用户活跃天数与消费金额的关系,发现发现使用频率与投诉率的关联 → [使用时长vs满意度散点图] 气泡图:散点图升级版,用气泡大小表示第三维度。可用于同时分析用户年龄(X)、收入(Y)、消费频次(大小),或地域分布、客单价、用户规模 → [年龄-收入-消费气泡图] 桑基图:用流动线条展示多阶段转化或关联关系。可用于表示用户旅程中的页面跳转路径,或不同渠道用户的最终转化去向 → [注册流程各步骤流失桑基图] 热力图:用颜色深浅表示矩阵数据密度或强度。可根据页面点击密度分析用户兴趣,或展示用户兴趣-行为交叉热度 → [APP首页点击热力图] 展示方式3:用户画像与用户旅程图 用户画像是“角色剧本”,用户旅程图是“剧情展开”。用户画像是基于真实用户数据构建的虚构角色,代表一类具有相似特征(行为、需求、痛点)的用户群体,主要回答“用户是谁?”,用户旅程图将用户与产品/服务互动的完整流程可视化展示,包括行为、情绪、痛点和机会点,主要回答“用户如何体验?” 用户画像的本质是用户的聚类与差异。通过挖掘用户基本属性、心理属性和行为属性,识别自然聚类而成的用户群体,并突显群体间的关键差异,最终构建具有代表性的用户画像,指导产品决策。 用户旅程图的绘制不能脱离具体用户类型,需绑定特定用户画像。 结语 现在的用户研究领域正深陷形式主义泥潭,整得跟学术论文似的。大量报告写得比新华字典还厚,使其沦为数据堆砌的“正确的废话”,既没有给出明确结论,更无力叫停错误决策。用户研究领域逐渐出现厚厚一叠自我感动的200页无人问津的报告、用过期数据指导当下决策的考古研究、先定结论再找证据的命题作文,以及脱离真实场景的动物园式观察。 真正的用户研究应该敢于捅破团队幻觉,能从用户随口说“能不能找代购便宜点”的吐槽中嗅出拼夕夕式商机,而不是整天在PPT里堆数据,最后产出一份除了自己没人看的“学术巨著”。 本文由 @小八爱叭叭叭 原创投稿或授权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
在人形机器人领域,车企扎堆布局,展现出供应链和场景优势,但也面临技术不成熟、量产困难等挑战,整体仍处于早期探索阶段。 在今年4月底的北京车展上,人形机器人”站”在了汽车的一边,取代了身材火辣的车模,成为车企们展示未来技术的招牌符号。 小鹏汽车的人形机器人Iron在展台上稳步前行、挥手致意,一套流畅的动作成功圈粉;一汽、深蓝则采用宇树科技的G1、H1机器人进行舞蹈表演,为展台增添科技感;智元A2机器人出现在北汽、长安等多个展位上,化身“销售顾问”,承担接待引导角色。 从车展可以看出,车企们对人形机器人赛道的布局愈发密集,根据有界UnKnown不完全统计,全球已有19家知名车企涉足这一赛道。而仔细查看会发现,这股车企造”人”热可以分为两波:第一波是马斯克点的火,第二波是AI添的柴。 第一个时间段集中在2021年和2022年,现代集团正式收购波士顿动力,特斯拉自研擎天柱人形机器人,而当时国内只有一家车子还处于PPT阶段的小米,在自研人形机器人。 这一阶段,其他传统车厂多数还在看戏。 直到2024年底,局势发生改变。ChatGPT带火生成式AI,机器人被赋予智能化的想象力,车企造”人”迎来第二波浪潮,这一轮里传统车企主机厂商也变得更加积极,它们通过自研,生态合作、投资入股等方式,陆续对外释放出对人形机器人赛道的兴趣:比亚迪通过自研推进本体和控制系统,奇瑞汽车联合AiMOGA团队合作研发墨甲机器人;东风汽车、吉利汽车、北汽集团、一汽集团与优必选合作;上汽参投智元机器人A3轮融资。 为什么车企纷纷盯上人形机器人?车企造的“人”能力更强吗? 01 车企造“人”的三个派别 车企涉猎人形机器人的原因五花八门,总体来说可以分为三个派别:出于战略层面考量的“战略派”,出于现实压力的“现实派”,也有的干脆是“技术叙事”的再包装,属于“故事派”。 小米是典型的战略层面的代表。2021年,在小米四足机器狗“铁蛋”发布后10天左右,马斯克正式公布自研人形机器人擎天柱,而这激发了雷军的好胜心,雷军将小米机器人实验室分拆为两块业务,一块继续为铁蛋机器狗的迭代做研发,另一块则专注于与擎天柱竞赛,做出一款人形机器人。 2022年8月,小米赶在马斯克正式展示擎天柱原型机前一个月,将CyberOne推向前台。CyberOne身高177cm,重52kg,全身21个自由度。彼时,造车还停留在PPT阶段的小米,也成为如今看来国内最早研发人形机器人的车厂。而这似乎也成为小米人形机器人的最高峰时刻,它与特斯拉一起被写入机器人历史,共同开辟了一个“机器人时代”。 回顾这段历史,小米做机器人既有与特斯拉竞赛的心理,本质上也承袭小米一贯做生态的思维,CyberOne被定位为家庭场景的智能助手,为老人和儿童提供护理和陪伴等服务,这也很符合小米通过造“人”接近C端用户的思路。 而小米效仿的对象特斯拉,造人形机器人的目的更加现实——用机器人替代重复性劳动,以此缓解人力和成本压力。2023年3月1日,特斯拉在当年的AI Day上展示了Optimus的最新演示,两位机器人为另一个机器人组装手臂,马斯克也强调人形机器人的应用潜力会比汽车更大。 而与马斯克有同样想法的还有德国车企高管。2024年3月,美国Apptronik推出的Apollo机器人,进入奔驰位于柏林和匈牙利的工厂“打工”,主要进行零部件搬运或质量检测工作。 奔驰公司生产负责人Joerg Burzer表示,希望能在劳动力短缺的领域找到机器人的应用场景,“首先是用于重复性任务,然后是危险任务。” 奔驰的竞争对手宝马也做了类似的提效尝试,2024年8月,Figure 02进入宝马美国斯帕坦堡工厂“实习”,根据宝马集团公布,Figure机器人在工厂的任务是将钣金部件插入特定装置的工作。 而相比较于“战略派”和“现实派”,目前扎堆造“人”的很多传统车企都属于“故事派”,它们偏向讲故事,比如东风、吉利、北汽,主要通过投资或生态合作来对外秀肌肉,展现对人形机器人的持续关注。 但车企布局人形机器人,不仅因为车企“想做”,还因为车企认为自己“能做”。 02 扎堆造“人”的自信与挣扎 目前,投入到具身智能赛道的玩家角色十分多元,主要角色分类有: 创新型企业,比如Figure、宇树科技、智元机器人; 高校和科研机构,比如做出全世界第一个全尺寸人形机器人WABOT的日本早稻田大学,支持Apptronik机器人的美国NASA,中国具身智能公司星动纪元创始人为清华大学交叉信息研究院教授陈建宇等; 除此之外,主要是大型企业开辟的人形机器人子业务,比如腾讯的Robotics X实验室研发机器人,手机厂商vivo也宣布成立机器人Lab实验室进军这一赛道。严格来说,车企也属于这一类型。 在这些角色里,车企占据了造“人”的供应链优势和场景合理性,这也让他们对自研人形机器人产生自信。 如果把人形机器人看作一门生意,简单粗暴地来看,影响成功率的核心指标有两点:一是降低制造成本、提升生产效率;二是有订单和收入。 而现在这两个环节就像压住人形机器人赛道的两座大山,对任何入局造“人”的角色而言都是一项艰巨的任务。 在成本效率方面,人形机器人供应链一直是行业难题,机器人知名企业Figure创始人Brett Adock也被人形机器人供应链难住。Brett Adock曾在X上发帖感慨人形机器人供应链不成熟带来的困境。 Brett表示,人形机器人涉及到种类繁多的零部件,必须面向全球范围内寻找并采购合适的元件。这不仅要求企业在质量与供货稳定性之间做出权衡,还需要投入大量精力进行供应商筛选、合作关系维护及持续的评估管理,以确保整个供应链的高效与可控。 这意味着团队需要自主完成整台机器人的全链路设计工作,涵盖执行机构、电子系统、机械结构、关节模组、操作系统、控制算法、底层固件以及人工智能模块等核心组件。 而在解决人形机器人供应链效率方面,车企却更加自信,“他们认为自己有天然的供应链优势”,一位业内人士对「有界UnKnown」说道。 相比很多从零起步的团队,车企原本就有一套成熟的供应链体系,跟电机、电控这些核心零部件的供应商合作多年,“熟人办事,效率和稳定性都更高”,而且车企造车的那一套工艺、质控、成本控制,本身就可以迁移过来,能省下不少试错的时间和金钱。 在商业订单方面,目前整个人形机器人赛道都无法实现量产,“这也是部分车企对造人形机器人感到迟疑的地方”,业内人士说道。 但与人形机器人行业的其它角色相比,车企有天然的场景优势,他们拥有车间工厂可以供给机器人进行数据学习,“他们可以自我消化一部分机器人”。 所以,不论是在成本层面还是在商业化场景方面,车企造“人”具备天然的优势因素。 然而,“具备优势”不等同于“达到预期”,虽然造车与造“人”在上游产业链具备异曲同工之处,但生产人形机器人的核心难点在于多模态感知和实时决策能力。 2024年年底,理想汽车创始人李想也表示,未来理想100%会做人形机器人,但不是现在,他的疑问点在于“如果我们连L4级自动驾驶的汽车都解决不了,怎么去解决更复杂的?”他认为,汽车本质上就是最简单的机器人,它运行在标准化道路上,环境规则清晰,参与者也都受过统一训练。如果连这样的“低复杂度”场景都难以彻底实现智能化,其他面对开放环境的人形机器人就更难落地。 Figure和宝马的合作争议,从侧面印证了李想的担忧。今年2月份,Brett夸口称,有一队Figure机器人已经在宝马厂商执行“端到端操作”,但据宝马方面透露,截至3月,南卡罗来纳州工厂仅在非生产时段试运行Figure机器人,主要用于在车身车间练习零部件的拾取与放置。 所以,车企造“人”,本质上的卡点在于人形机器人的泛化能力有限,而这一点也是全行业都没突破的地方。 03 结语 最早涉足人形机器人的,是造车新势力;而真正扎堆下场、彼此角力的,却成了传统车企。 这当中,有的企业已经偃旗息鼓。比如小米的CyberOne,在和追觅短暂合作后不欢而散——小米认为追觅私自拿设计图申请专利,追觅则反指小米只是出资,从未真正投入。这场合作最终以双方“各执一词”收场,也成了业界一段插曲。 更多的项目则停留在发布会、概念片和模型展示的热闹表象。这种“看起来很热”,恰恰揭示了人形机器人仍处于早期阶段的现实:技术不成熟,真正有能力往前走的公司并不多。 作者丨钱江 编辑|山茶 本文由人人都是产品经理作者【有界UnKnown】,微信公众号:【有界UnKnown】,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。
亲爱的小伙伴们,在产品经理和交互设计的领域里,我们常常会遇到各种各样的专业术语和增长模型。今天呀,咱们就一起来揭开“PLG/MLG/CLG不同增长模型”的神秘面纱,并且结合Notion和TikTok的案例,深入探讨一下如何根据这些模型来选择合适的增长策略。 一、了解PLG、MLG、CLG增长模型 (一)PLG(Product-Led Growth)产品驱动增长 PLG模型强调产品本身是增长的核心驱动力。产品通过自身的价值、易用性和用户体验来吸引、留存和转化用户。在PLG模式下,用户可以自主地发现、试用和使用产品,而不需要过多的市场营销干预。 以Notion为例,它是一款功能强大的知识管理和协作工具。Notion的产品设计非常灵活,用户可以根据自己的需求自由组合各种功能模块,创建个性化的工作空间。它提供了免费试用版,用户可以在试用过程中充分体验到产品的价值。据统计,Notion的免费用户转化率相当可观,很多用户在试用后就选择了付费订阅高级版本。这就是PLG模型的典型体现,产品凭借自身出色的功能和体验,让用户自发地进行传播和付费转化。 (二)MLG(Marketing-Led Growth)营销驱动增长 MLG模型则侧重于通过市场营销活动来推动产品的增长。企业会投入大量的资源进行广告宣传、市场推广等活动,以提高产品的知名度和曝光度,吸引更多的潜在用户。 比如TikTok,在全球范围内取得了巨大的成功。TikTok背后的字节跳动公司投入了大量的营销资源。他们通过与明星、网红合作,举办各种线上线下活动,进行大规模的广告投放等方式,迅速提高了TikTok的知名度。据数据显示,TikTok在短时间内就吸引了数亿用户。通过强大的营销攻势,TikTok成功地在全球社交短视频市场占据了重要地位。 (三)CLG(Customer-Led Growth)客户驱动增长 CLG模型以客户为中心,强调通过现有客户的口碑、推荐和二次购买来实现增长。企业会注重客户满意度和忠诚度的培养,让现有客户成为产品的代言人。 还是以Notion为例,除了产品本身的优势外,Notion还非常注重客户服务和社区建设。它为用户提供了丰富的使用教程和社区交流平台,让用户能够更好地使用产品,并且与其他用户分享经验。很多满意的用户会主动向身边的人推荐Notion,这种口碑传播为Notion带来了大量的新用户。据调查,Notion的新用户中有相当一部分是通过老用户的推荐而来的。 二、不同增长模型的核心差异 (一)驱动力不同 PLG的驱动力是产品本身,产品的质量、功能和用户体验是吸引用户的关键。就像Notion,用户因为其强大的功能和便捷的操作而选择使用它。 MLG的驱动力是市场营销活动,通过大规模的宣传和推广来吸引用户。TikTok就是通过大量的营销投入,让更多的人了解并下载使用它。 CLG的驱动力是现有客户,现有客户的满意度和推荐是增长的重要因素。Notion依靠满意的用户进行口碑传播,从而实现客户驱动的增长。 (二)用户获取方式不同 在PLG模型中,用户通常是通过自主发现和试用产品来获取的。他们可能在搜索引擎上搜索相关工具,或者通过朋友的简单介绍,然后自己去尝试使用产品。这种获取方式相对较为自然和被动。 MLG模型则通过各种营销渠道主动地吸引用户。比如TikTok会在各大社交媒体平台投放广告,邀请明星代言,举办线上活动等,让用户在各种渠道都能看到关于TikTok的宣传信息,从而吸引他们下载使用。 CLG模型主要依靠现有客户的推荐来获取新用户。现有客户会向他们的朋友、同事等分享自己使用产品的良好体验,推荐他们也来使用。 (三)成本和效益不同 PLG模型前期可能需要投入较多的研发成本来打造优质的产品,但一旦产品得到用户认可,后期的获客成本相对较低。因为用户是自发地使用和传播产品,不需要大量的营销投入。 MLG模型前期需要投入大量的营销成本,以提高产品的知名度和吸引力。虽然可能在短时间内能够获得大量的用户,但如果营销效果不佳,可能会导致成本过高而效益不佳。 CLG模型在客户服务和维护方面可能需要一定的投入,但通过客户的口碑传播,获客成本相对较低,而且客户的忠诚度和生命周期价值较高。 三、结合案例谈增长策略选择 (一)Notion如何选择增长策略 Notion作为一款知识管理和协作工具,最初采用了PLG模型。它专注于产品的研发和优化,打造出了一款功能强大且易用的产品。通过提供免费试用版,让用户自主地体验产品的价值。随着用户数量的增加,Notion开始注重社区建设和客户服务,逐渐引入了CLG模型。它鼓励用户在社区中分享使用经验和技巧,同时为用户提供及时的技术支持和问题解决方案。这样一来,满意的用户就会主动向身边的人推荐Notion,从而实现了客户驱动的增长。 Notion这样的选择是基于其产品的特点和目标用户群体。知识管理和协作工具的用户通常更注重产品的功能和使用体验,他们更愿意通过自己的试用和体验来决定是否使用一款产品。而且这类用户之间的口碑传播效果非常好,通过CLG模型可以进一步扩大用户群体。 (二)TikTok如何选择增长策略 TikTok在发展初期,主要采用了MLG模型。字节跳动公司投入了大量的营销资源,通过各种渠道进行推广。他们与全球知名的明星和网红合作,举办各种线上线下活动,让TikTok迅速在全球范围内获得了极高的知名度。随着用户数量的不断增加,TikTok也开始注重产品的优化和用户体验的提升,同时加强了社区建设,鼓励用户之间的互动和分享。在一定程度上,也引入了CLG模型,让用户通过口碑传播来吸引更多的新用户。 TikTok这样的选择是因为社交短视频市场竞争激烈,需要通过强大的营销攻势来迅速占领市场份额。而且社交平台的特点决定了用户之间的互动和口碑传播非常重要,通过引入CLG模型可以进一步提高用户的粘性和忠诚度。 四、如何根据自身产品选择合适的增长模型 (一)考虑产品特点 如果产品具有较强的创新性和独特性,并且用户可以通过自主试用快速体验到产品的价值,那么PLG模型可能是一个不错的选择。例如一些新兴的科技产品,用户可以通过试用了解其独特的功能和优势。 如果产品需要快速提高知名度,进入市场竞争,那么MLG模型可能更适合。比如一些快消品、娱乐产品等,需要通过大量的宣传和推广来吸引消费者。 如果产品的用户之间具有较强的社交关系和口碑传播效应,那么CLG模型可能会发挥更大的作用。像一些社交软件、知识付费产品等,用户的推荐和分享可以带来大量的新用户。 (二)分析目标用户群体 不同的目标用户群体对增长策略的反应可能不同。如果目标用户群体比较理性,注重产品的质量和性价比,那么PLG模型可能更容易吸引他们。他们会通过自己的研究和试用,来判断产品是否符合自己的需求。 如果目标用户群体比较注重时尚和潮流,容易受到营销宣传的影响,那么MLG模型可能更有效。他们会因为看到明星代言、广告宣传等而尝试使用产品。 如果目标用户群体之间的社交关系紧密,喜欢分享和交流,那么CLG模型可能会更受欢迎。他们会因为朋友的推荐而更愿意尝试使用产品。 (三)结合企业资源和发展阶段 如果企业的资源有限,尤其是营销资源不足,那么可以优先考虑PLG模型。通过打造优质的产品,依靠产品本身的魅力来吸引用户。随着企业的发展和资源的积累,可以逐渐引入其他增长模型。 如果企业处于发展初期,需要快速打开市场,那么可以适当加大MLG模型的投入。通过大规模的营销活动,提高产品的知名度和影响力。当企业拥有了一定的用户基础后,可以注重客户服务和社区建设,引入CLG模型,提高用户的忠诚度和口碑。 五、结语 亲爱的小伙伴们,在产品的发展过程中,PLG、MLG、CLG这三种增长模型都有其独特的优势和适用场景。我们要根据产品的特点、目标用户群体以及企业的资源和发展阶段,选择合适的增长策略。就像Notion和TikTok一样,它们通过灵活运用不同的增长模型,取得了巨大的成功。希望今天的分享能对大家在产品经理和交互设计的工作中有所帮助,让我们一起在增长的道路上不断探索。 本文由人人都是产品经理作者【健彬的产品Live】,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。
这篇文章将为你分享高销量文案的5大实用技巧,包括集中卖点、利用认知基模、展现产品事实、巧用消费者证言和价格锚点等,帮你快速俘获消费者的心。 公司要上新品,马上要做营销推广,然后项目负责人把你叫过去,跟你说了一通这个产品如何如何牛,上线如何如何的重要,老板是如何如何重视,它包含了公司多少心血…….等等。 总之一句话,一定要把销量做好。 接下来,我们绞尽脑汁、费劲心思做好用户分析、整理产品卖点、做好定价、铺好推广渠道之后,把产品推出去,然后是不是就万事大吉了呢? 好像还差点什么! 文案!最终表现层面的文案很容易被忽视重要性。 再去好好看看你的产品文案!消费者能get到你的卖点吗?是他想要的吗?他看完你的文案能对你的产品建立认知吗?你说的大段大段的介绍,他信吗?他会想下单购买吗…… 在看了很多高销量的产品营销文案之后发现,这些产品都非常重视文案的输出,会采用很多不同的文案方法。但是下面这5个实用技巧,大家基本都喜欢用。 01 卖点就得集中点 “不要试图把一个产品的多个卖点同时推向用户“,这是众多国内外实践者给我们的中肯建议。 产品文案,如果仅仅是产品卖点的一个个罗列,一方面目标过于分散,另一方面消费者根本看不过来,也完全记不住。 “你这都说的啥?你想表达啥?” 你总觉得你的产品卖点很多,每个卖点都很好。但在文案中,还是要做到卖点集中,突出核心关键卖点,其他卖点可以说,但一定是协同。 你也可以对不同的人群或在不同的场景下主推不同的核心卖点,每次只推1个,集中突破。 同时,文案这事,其实说白了就是用对的方式向对的人讲对的话。(好好思考一下) 显然,再好的内容,如果讲的对象弄错了就容易对牛弹琴。再者,如果针对的人群多了,那也很难讲出大家都觉得对的话,这也就散了。 你的文案,最好锁定好精准目标人群说出打动他的卖点,哪怕是说出只有他们听得懂的话也没关系。 如果你有很多话(卖点)要给不同的人说,那就对不同的人群用不同的话来讲。 总之,对于那一拨人,卖点要集中。 02别墨迹,快速让消费者秒懂 没人会愿意买根本不知道是什么的产品。风险太高。 有一个非常实用的快速建立消费者认知的方法——利用认知基模! 什么叫基模呢?基模是人与生俱来的行为模式之一,它是我们的认知中所有知识的一个海量集合。 举个例子: 西柚是柑橘科属的亚热带水果,簇生成串,皮薄且软。果肉分瓣,颜色呈淡黄色到珊瑚红,从多汁到微干,从香甜可口到酸味扑鼻。 如果你不是很了解西柚,那么现在请你闭上眼睛,根据上面介绍想想西柚是长什么模样的。 我估计你很可能完全想象不出来。 那我们再换一种介绍试试: 西柚是一种小型的柚子,形似葡萄,皮如柑橘薄且软。 怎么样?这个时候你脑袋里是不是已经出现一个西柚的轮廓了? 看了这个介绍,你就知道西柚和普通柚子形象差不多,只不过是个头比较小,像葡萄的形状,而且它的皮是像柑橘一样又薄又软。 在这里,“小柚子”、“葡萄”、“柑橘” 这些你已知熟悉的概念就是我们说的 “基模”。 对于一个完全不具备背景知识的人来说,大量的描述性语言让人完全抓不到头脑。这个时候,一个最常用的做法是:利用对方已有的认知基模,来解释未知事物,这样理解起来就容易多了。 比如当年第一代iPhone问世,乔布斯在介绍iPhone时没有直接说 “这是一款全新智能手机”,因为这在当时还是一个完全未知的概念,乔布斯大神不是一般人,他是这么说的: “iPhone=1个大屏iPod+1个手机+1个上网浏览器”。 要知道,当时还没有智能手机这个概念,不管你怎么说别人根本就不会懂,而乔布斯直接利用了人们已经熟知的几个概念(基模),让所有人很快就知道了什么是iPhone。 我们在做产品文案的时候,不妨也想想自己的产品特征、卖点、功能等和用户熟知的东西有哪些关联。这绝对是一个不错的方法。 首先,找到产品的特征和核心功能,全部提取出来,这个是一定要做的,否则你都不了解自己的产品,根本无法进行关联。相信没人比乔布斯了解他的产品了。 然后,寻找用户已知对象,与已知对象建立认知关联。 用户更容易记住对他有意义的或者是以前熟知的东西,而且倾向于看到他想看到的东西,越贴近自己的经验就越觉得安全,同时也越容易接受。 03 别来虚了,去展现有力的产品事实 当消费者对产品本身建立充分认知后,他会更有兴趣。但他也会怀疑:你说的是真的吗? 这个时候,我们就需要大量的去展现产品事实,用事实表现,胜过一切。 文案大神奥格威就在多部著作里面都有说,他讨厌空洞的形容词,喜欢写事实,让人惊叹的事实。 劳斯莱斯汽车广告是他创作的最著名的作品之一:在这辆时速60英里的劳斯莱斯里,最大的噪音是它的电子钟。 短短一句话,将产品事实展现得淋漓尽致。 一堆模糊不清、抽象的信息很难让用户产生信任感,但细节丰富的描述能帮助用户把内容具象化,更容易相信。 比如说一个人懒,如果说:小明这个人非常懒。 你有什么感觉吗?这个人有多懒?不知道! 但如果我这样说:小明平时吃饭都是躺着别人喂到嘴边才肯吃,东西掉地上懒得腰都不肯弯一下。 这种事实描述是不是就马上不一样,这得多懒才会这样。 印象比较深得小米体重秤 “喝杯水都可感知的精准” ,也是利用产品事实证明来赢得消费者的一个好案例。 经常用体重秤的人最大的烦恼就是担心秤测量不精确,而对于减肥的人来说,每天都要上秤几次,分毫必究,当一款秤可以精确到100g,能做到喝杯水都能感知,你会不会更心动呢? 还有一些产品,优势特别明显,那可以用一些超常规方法让产品事实得到让人惊叹的展现,消费者能做的就是,鼓掌、喝彩! 河南睢县有一名丝袜销售经理,为了展示丝袜质量,他把八岁儿子装进丝袜里面,提起来猛duang~视频一下子传播出去了,效果非常好,他的丝袜销量也一下子翻了几倍。 BBDO中国执行创意总监梁伟丰,之前服务奥林巴斯一款具有防震防水功能的相机,他们需要在摄影设备展会上把相机的亮点说出来,梁大师怎么干的? 在现场,他在所有人的视线下,把相机开机然后按下开始录制键丢进一台洗衣机里面去洗。2分钟后,他把相机拿出来,播放录制好的影像,非常棒。 那相机的亮点还需要多说吗? 还有美国Texas Armoring防弹玻璃公司的一个案例,他们的董事长Trent Kimball搞了一件大事。他把自己公司生产的防弹玻璃(约2英寸厚)放在自己面前,然后让员工在距离不到5M的地方手持AK-47,对着玻璃直接开枪,枪枪都是对着自己老板的头啊。 在射击几枪之后,他们玻璃上出现了明显的弹孔,但玻璃没有被打穿,有惊无险,Kimball满意的笑了。 之后这支视频迅速走红互联网,人人都知道了Texas Armoring家的防弹玻璃真的能防弹,靠谱。 有人说没有什么牛的产品事实怎么办? 不可能没有,你再琢磨琢磨?看看别人怎么弄的,也未必全都是要真刀实枪啊。 04 消费者证言,我认为最大的杀器 除了大量的去展现产品事实,还有一点,金杯银杯不如老百姓的口碑。 我们会根据豆瓣的评分决定是否去看这场电影;我们被微博里的水军带节奏而影响对事情本身的判断;我们会因为卖家秀种草或者拔草。 购过物的都知道,客户证言相当重要。特别是现在社交电商大爆发的年代,我感觉我每次买东西不管前面有多吸引我,最终下决定还是靠的直接看商品评价。 有一点,收集客户证言不难,难的是挑选的证言必须要集中反应顾客的核心需求。 比如很早前新世相有一个叫 “100天进步计划” 的活动!在它的活动报名页,就有用到 “学员反馈”。我觉得就做得特别好,我一直有保留。 很明显这些证言是精挑过的,没有只从一个角度去说,还给每一个证言打上了不同的具体标签,很有洞察,非常清晰直观。 而且,这些标签基本都是新用户关注的点,很有针对性。从老学员证言里面提炼出来,比直接自己说出来要好太多。 当然,很多时候我们会模拟写证言,但很马虎,经常写的时候没切换角色,把好好的证言写成了硬广,大多都是 “我以前有某某烦恼,自从用了这款产品,问题解决了,我很开心!” 很像朋友圈的微商体,刚看第一句,就知道是广告了。 对于客户证言,老贼有两点建议: 第一,要口语化,不要刻意去用华丽的文字包装客户写的证言,这样很假。真正的客户写东西是不讲究什么文采的,他们评价很随意,甚至有错别字和语病。这都可以接受。 第二,不同客户写出的东西,角度和语气肯定都不一样,当你把几个客户证言放在一起,发现像是一个人写的时候,那就尴尬了。不同的人,语气风格都不一样,他们关注的点都不一样,甚至有的还有一些小挑剔,这才是真的。 如果实在不会写就去搜搜小红书,看看那些素人的低粉爆款内容是怎么写的,大家为什么那么相信且被打动。 总之,客户对你产品的信任,会转嫁到新客户对你家产品的信任,这叫 “信任转嫁”。 小米雷总不也是每次除了讲述自家产品的创新与品质外,很大部分的时间都用户对小米产品的使用和反馈。 这本质就是一种高级的客户见证方法。 05 巧用价格锚点,让人觉得值 在消费者确实对产品比较满意之后,价格问题是很大一个难题,多少产品都是在价格上转化失败!这个时候,不妨考虑使用价格锚点。 比如我们选一个产品,第一眼看到的价格,会对我们购买这一产品的出价意愿产生长期影响,这就是 “锚点”! 原价1999,现价199。 这个1999就是一个锚定价格,它提升了用户对于这个产品的价值感知,这个产品质量不错,值1999元。 如果没有这个锚定,只有现价199元,那就会让用户觉得这个产品很廉价,更不会有打折的惊喜。 有这样一个实验,研究员把消费者分成两组,分别问一种消炎药值多少钱。 第一组:你觉得这盒消炎药多少钱? 结果是,大部分估价50元左右。 第二组:你觉得这盒消炎药价格是高于还是低于500元?他们先问的这个问题,然后结果是即使第二组所有人都觉得这个感冒药不可能要500元,但是他们仍估出了不合理的高价:200元。 在这里,第二组消费者被问的这个 “500元” 就是一次锚定,它让消费者对产品的估值提高,而且一切都发生在隐藏中,潜移默化。 这就是为啥随便一个东西,如果放进高档品牌店,我们都会觉得肯定应该比较贵。 而且消费者在对产品价格并不确定时,往往就会采取两种重要的原则来判断这个产品的价格是否合适。 1)避免极端: 在有3个或者更多选择的时候,很多人不会选择最低或者最高的选项,而是倾向于选择中间的那个产品。 2)寻求对比: 当无法判断产品的价值高低时,他们会选择一些同类的产品去做对比。比如同类产品中热销产品的价格趋势,让自己有一个衡量的标准。 同时,不同类商品的关联对比,也能达到锚定的效果。 可以通过利用价格锚定的招数,来制造一种产品价值感,以此获得消费者对产品价值评估的认可,从而促使消费下单购物。 哦,对了,你见过的很多那种均摊价格的写法也属于锚点利用,比如会员269元,每天不到1块钱。好了,这5个实用文案技巧就分享到这。它们的用法肯定不只限于上面的介绍,了解越深,用法肯定也会越多,我这权当抛砖引玉了。 张爱玲有一句话: 于千万人之中遇见你所遇见的人,于千万年时间无涯的荒野里,没有早一步,也没有晚一步,刚巧赶上了。 希望你的产品也能和用户,没有早一步,也没有晚一步,刚巧赶上了,还正好合适。 本文由人人都是产品经理作者【木木老贼】,微信公众号:【木木老贼】,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。
本文将盘点在Kickstarter上迅速走红的9款AI硬件产品,涵盖AI骑行眼镜、3D AI伴侣、双降噪AI翻译耳机等。这些产品凭借创新功能和出色表现,在众筹平台上取得了显著成绩,展现了AI硬件的广阔前景。 Kickstarter是一个于2009年在美国创立的众筹平台。 自成立以来,Kickstarter已成功资助了超过20万个项目,筹集资金总额高达数十亿美元,是全球范围内颇具影响力的众筹平台之一。 由于Kickstarter曾跑出过很多的爆款产品,所以也被认为是科技前沿探索的风向标之一。 2012年,智能手表市场刚刚兴起,Pebble手表就在Kickstarter上众筹到了1000万美元,创下Kickstarter众筹纪录。而当时Apple Watch还不见踪影。同样,大家耳熟能详的云鲸扫地机人,当初的第一款产品首发,也是在2019年的Kickstarter众筹。 当下的Kickstarter上,我们可以看到很多有趣的AI硬件项目,其中包括AI骑行眼镜、3D AI伴侣CODE27以及双降噪AI翻译耳机等等。 其中,不少产品还取得不错的成绩。比如,CODE27仅上线2天,在Kickstarter上募资就突破了50万美金,目前已经超过140万美金。个人级3D纹理UV打印机eufyMake E1的成绩更是了不得,在Kickstarter上线不到12小时,众筹金额就突破1000万美元。 今天,乌鸦君专门盘点了9个反响不错的AI硬件,与你分享: 01 BleeqUp Ranger,功能四合一的AI骑行眼镜 众筹里表现最好的,是一款叫BleeqUp Ranger的AI骑行摄像眼镜。这款眼镜众筹的目标金额为2556美元,但截至目前已经拿到了26.53万美元,预计在今年6月实现交付。 据介绍,这是全球首款四合一AI骑行眼镜,即AI运动相机、开放式耳机、对讲机以及运动眼镜。 BleeqUp Ranger AI骑行眼镜由TR90制成,这是一种轻质耐用的材料。虽然融合了这么多功能,但重量仍然保持在50克以下。 其核心特点是AI驱动的高质量摄像头。AI驱动的视频编辑功能可以突出重要时刻,包括“风景秀丽、紧张刺激的时刻和紧急刹车”,并叠加行程细节,包括您的时间和路线。只需轻轻一点,即可将所有视频剪辑成一个精彩片段。 与大多数“智能”眼镜不同,BleeqUp Ranger可以录制数小时的视频,而不仅仅是几分钟,确保用户可以捕捉到骑行中尽可能长的体验。。 此外,它还配备了免提语音控制、蓝牙车把遥控器,甚至在美国地区还提供了谷歌地图的车载导航。虽然没有显示屏,但所有车载配件均搭载高通骁龙W5芯片组。 02 MONDOV Mi9,双降噪AI翻译耳机 市面上翻译耳机的降噪功能不佳,或仅有环境音降噪功能,常常因听不清对方声音而导致翻译不准确。 而MONDOV Mi9是一款兼具主动降噪和环境降噪功能的AI翻译耳机,能够有效提升耳机音质,使翻译更加精准。 具体来说,MONDOV Mi9采用单馈源主动降噪(ANC)和双麦克风环境降噪(ENC)技术,无论是突发噪音,还是极端环境下的强风噪,Mi9都能获得清晰的音质和准确的翻译。 同时,它内置AI数据模型,兼容115种语言,能够实时精准翻译。 在硬件方面,MONDOV Mi9采用了杰理7003芯片,充电盒内置400mAh电池,耳机内置40mAh电池,待机续航时间长达32小时,通话续航时间长达7小时。 03 CODE27,定制化的3D AI伴侣 CODE27是一个3D AI伴侣产品。上线2天,它已经在Kickstarter上募资突破50万美金,目前已经超过140万美金,预估今年8月交货。 与大多数AI伴侣产品不同,CODE27支持用户创建自己想要的3D角色,并设计角色的个性,这些个性都会反映在用户与角色的独特对话里。此外,用户还可以通过上传背景故事,还为所创造的角色提供深度和历史。 在体验上,CODE27拥有很强的语音模仿技术,只要用户将自己喜欢的音频上传,CODE27就能创建一个与之相似的独特语音模型来进行交互。 同时,它还能捕捉到用户的声调变化,甚至是肢体语言和面部表情等非语言线索(使用本地处理来保护隐私)来感知用户情绪,并给出相应的反馈。 为了提供交互的真实感,这些角色还拥有“日记”系统,能记住用户的每一次分享,并通过对话上下文自动触发的大量动画和面部表情库来展示他们的感受。 04 Zettlab AI NAS,第一款AI驱动的NAS Zettlab AI NAS是市场上第一款 AI 驱动的NAS。所谓的NAS,即网络附加存储,一种连接到计算机网络的文件级计算机数据存储服务器。 截至目前,Zettlab AI NAS已经募集了超过100万美元,预估在今年7月交付。 Zettlab AI NAS的特点在于两点:一流的存储规范与强大的本地AI。 先说前者,Zettlab AI NAS提供了200TB的存储空间,可以在本地存储4000万张照片或20000小时的4K视频。同时,它还拥有极高的数据传输效率,可实现高达2500MB/s的超快速度,可在几秒钟内传输10GB文件。 与传统NAS系统相比,它还拥有强大的本地AI功能,能通过智能搜索、AI分类以及AI转录和文档分析等工具简化工作流程。 比如,Zettlab AI NAS在语义搜索方面优于竞争对手,能通过使用自然语言描述来获取用户正在寻找的照片或视频。再比如,在离线时,用户也能通过本地AI聊天机器人,浏览NAS。本地AI系统能确保所有处理都在设备上运行,并保护用户的敏感信息免受外部威胁。 05 eufyMake E1,上线12小时突破1000万美元 eufyMake E1是全球首款个人级3D纹理UV打印机。据公开报道,在 Kickstarter上线不到 12小时,众筹金额就突破1000万美元。截至目前,这个数字上涨到2418.02万美元,预计今年7月交付。 UV打印机,就是在已有物体的表面上添加图案或者纹理。比如,它可以在你的杯子、手机壳、背包、头盔、耳机盒、玻璃瓶等物体上直接打印。而且,它打印出的图案可以具有浮雕效果,比如油画笔触、皮革纹理等材料触感。 根据公司介绍,其核心在于两个:Amass3D™技术和ColorMaestro™色彩引擎。 前者是一种精密的控制和算法的创新。简单来说,它通过精准的喷头控制和Z轴调节,在多种材质上堆叠出高达5mm的立体浮雕,双激光和摄像头实现纳米级扫描,确保打印精度。后者则是基于AI的色彩算法引擎,能自动适配 300+ 材料的光学特性,实现最佳的色彩呈现效果。 06 Qalzy,计算卡路里的AI秤 Qalzy,号称世界上第一个自动计算卡路里的AI秤。目前,已经募集资金11.85万美元,预估今年9月交付。 过去,追踪食物的方式很笨拙,往往需要一个个输入食材的名字,才能得到想要的结果。 而Qalzy主打一个高效,Qalzy 的 OpenAI 驱动的摄像头可立即识别生食、熟食或包装食品,并自动记录它们的卡路里、宏量营养素、维生素和矿物质。 具体来说,用户只需要放在Qalzy上,轻轻一按,内置摄像头就开始捕捉盘子里的东西,同时精密秤则测量重量,精确到克。 然后,Qalzy 将所有内容与来自USDA和CoFID等来源的超过290万种食物的经过验证的数据库进行匹配,自动计算这顿饭的卡路里和宏量营养素。在几秒钟内,用户的用餐情况会被记录下来,并通过Wi-Fi发送到应用程序。 而且,Qalzy不仅能识别食物,还能记住它。用户记录的膳食越多,它就越能适应用户的习惯,自动学习识别新食谱,并根据配方中的确切成分数量进行准确跟踪。 07 Ortomi Umi,主打“陪伴”的可爱机器人 Ortomi Umi是一款陪伴型机器人,目前已募集到49.43万港元,预计在2025年8月。 一款可以根据自己的“心情”来变换多种表达和动作交互的小型静态机器人。同名团队为其设计了7款颜色,并可以根据自己的喜好添加小动物头套外饰。 Ortomi 诞生于一个车库——新冠疫情期间的孤独感催生了它——它的初衷是重建与真实宠物之间那种情感上的联系。第一批机器人完全由两位雄心勃勃的学生工程师手工制作;他们自己完成了机器人的设计、动画制作、3D打印、编程和焊接。 08 SEEPPO AwalkHS,智能运动引擎 SEEPPO AwalkHS,一款可穿戴在人体外部,采用外部动力单元辅助穿戴者行走的智能穿戴设备。截至目前,已经募集了16.27万港元,预计在今年8月交货。 它搭载了多模态感知系统,能结合AI算法智能识别行走、上下台阶等多种人体状态,通过捕捉不同使用者的运动力度,针对性地提供助力帮助。 该设备自重虽不足3千克,却藏着”钢铁侠”般的能量,双电池续航8小时以上。同时,具有智能运动、智能舒缓、上楼爬坡三个模式,5级助力等级,适用于身高150cm至190cm的众多人群。用户还可利用手机终端实时监测数据,一机在手,便携使用。 09 ZzzRing,世界上第一个太阳能AI戒指 ZzzRing是世界上第一款太阳能智能戒指,目前募集到资金达10.48万港元,预计于 今年9月交付。 ZzzRing的最大特点是采用高效柔性钙钛矿太阳能电池供电,结合低功耗设计,智能电源管理。支持室内外轻充,降低充电频率,提升佩戴体验。 同时,它还具备了一系列免费的功能,比如提供精确的健康跟踪、手势控制的照片和视频切换以及一键式ChatGPT激活等等。 具体来说,ZzzRing能通过心率分析监测用户的日常压力水平,并提供由AI提供支持的个性化情绪报告和改进技巧,培养用户的情绪健康。它还能通过多个温度传感器准确识别不同阶段的体温变化,识别月经期的开始时间,一旦出现异常,可以在第一时间反馈给数据。 文/林白 本文由人人都是产品经理作者【乌鸦智能说】,微信公众号:【乌鸦智能说】,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。
第一次出国,把目光锁定到了‘小日子过的不错’的日本,经常听身边朋友说日本值得一去,对于从小看“神剧”长大的我来说,对他的仇恨大于一切,不过随着对事物的认知程度不段提升,理智告诉我,日本在战后短短几十年发展成发达国家必然有它的过人之处,应该去学习参考,我抱着很忐忑别扭的心态踏上了这次‘日本’游,把我的感悟客观分享给大家。 一、日本是个什么样的国家 1、繁杂无章的地铁 经历三个半小时的飞行,落地大版,跟着小红书详细到堪比导航的图片攻略,找到了去酒店的地铁,繁杂的地铁线路让刚到的我感到头晕眼花,着实不友好,了解得知其运营逻辑非常负责,一条轨道线路会有不同线路的车辆,每条线路会是不同公司运营,一条线路分普通、快车、特快车等,并且一个车会在某个地点换成另外一个车,分别由不同公司运营;这是铁路私有化导致的问题,这个东京要比大阪好很多。 2、不一样的人文 到达酒店后,办理入住的过程很简单,简单的英语沟通就可以;房间很小,但是很干净。房间都配备电动马桶、浴缸、空气净化器;简单收拾后,准备去吃点东西,因为对日本美食没什么期待,也没做什么攻略,顺着大街小巷溜达找到了一家拉面店,门口张贴着 ALIPAY、Wechat的图标表面这是一家支持中国支付软件的店铺,简单一碗拉面,58元的价格也许是这边比较实惠的吃食了,味道和中国吃到的味千拉面基本一致。这边的街道看上去很干净不过也是有乱扔垃圾的,车都很小可能也确实路太窄了吧,感觉很精致,没有太多高楼大厦,应该是自然灾害频发的原因,欧美人很多,便利店的工作人员印度面孔的很多。路过一个工地和我们不同的是基本没有土,透过缝隙看过去里面房屋结构以钢材为主,工人衣着比较干净;在街头走路感觉像是进入的加入滤镜的环境,格外清晰,后来想想看日本是海岛国家,没有像我们西北、内蒙等地的黄沙肆虐,自然土也会少写。 二、日本支付同中国支付究竟谁发达 作为跨境支付行业从业者,来体验本地支付也是我重要的目的之一,此次的体验也同时对我有很重要的启示。我国在最近几年移动支付技术突飞猛进,以支付宝、微信为主的支付龙头 深深改变了我们国家的支付方式,扫一扫、碰一碰、刷掌、刷脸层出不穷,在我以前看来 我们遥遥领先。 日本人的主要支付方式依旧是cash pay 现金支付、其次是卡支付 、电子钱包支付 、聚合扫码支付 比如Paypay 这个和我们的ALIPAY+是一样的逻辑,只不过是日本本土化的,他也对接了ALIPAY+底层核心就是根据二维码区分渠道路由。 不过日本便利店及一些店铺的 现金支付会有一些机器 你把钢镚和纸钞投入不同的入口会自动计算进行支付,这些机器看着不是很新,应该他们也是很久前就有这个工具了。 而在日本,老龄化非常严重的国家,大力发展移动支付无疑不具备群众基础,现金依旧会是当地的主流,但是日本的旅游业发达,所以其移动支付主要是为了便利外国人支付体验。 实际接触下来,理性的去看 ,其实支付方式并不存在绝对的孰轻孰重,现金支付可以在没有网络的场景使用,移动支付可以在忘记带钱的场景中使用;支付方式的多样性、便捷性、安全性才是核心的用户体验,均衡发展是值得重视的。 世界上有这么多人,每个国家、地区均有自己的生活方式,我们应当尊重这世界的多样性。 三、中国人应该铭记历史 在日本比较敏感的就是和二战相关的神社,在日本神社非常多类似中国的庙宇,只是他们拜的比较奇奇怪怪,作为中国人一定要铭记历史,勿忘国耻,再去之前一定要查查是不是相关的,或者压根不去,其建筑相比我们的建筑相差甚远,信仰更是天差地别;在日本,商场8点左右就不营业了,餐厅不是特殊的很多都是9点以后就不营业了;以至于9点走在东京大大街小巷基本没有人,有几乎也是外国人,甚有点阴森恐怖,绝对不是夸张,大家夜晚出现还是尽量选择地铁、打车不要徒步。 日本作为中国的邻邦 ,长久以来受中国文化的影响,再文字、文化等方面处处都有我们的影子,只是这个单一民族的匠人精神值得我们去学习,日本人再精密仪器、生物制药、汽车领域依旧是很强大的一股力量;在单一支付便利性来看其的确不如我们方便,但是其支付方式的多样化值得我们学习。 学习、思考、执行、而后超越! 本文由 @杂物博言产品社 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。
在如今这竞争激烈得不像话的市场环境里呀,各行各业那可都在绞尽脑汁地琢磨着咋能有效地获客引流呢。就拿传统行业的从业者来说吧,像搞建材的、做本地服务的等等,这小红书可就成了他们精准引流的一块风水宝地啦。 特别是在门窗这块赛道上哦,随着家居建材行业往线上转型的速度越来越快,那些门窗商家呀,尤其是线下门店和区域品牌的,对 “低成本起号获客” 的需求那是蹭蹭往上涨,都快热得发烫啦!“门窗获客”“门窗引流” 这会儿可都是热门得不能再热门的话题咯。 咱用户在这方面也有不少痛点呢,比如说吧,根本就不知道咋从零基础开始搭建一个专业的人设呀,对平台规则也是两眼一抹黑,完全不懂,还缺乏那种能反复用的执行流程。 好在小红书呢,它可是家居装修这块垂类的流量高地呀,聚集了一大堆装修业主和门窗从业者,自然而然就成了门窗行业精准引流的核心阵地啦。下面呢,咱就通过拆解一个门窗起号的实操案例,来给大伙讲讲怎么靠着 “流程化内容 + 强落地性”,一下子就把目标用户给抓住咯。而且在这个过程当中呀,还能帮商家把社群管理和运营得妥妥当当的,让私域流量实现有效转化呢。 案例 1:门窗起号 14 天实操指南(实打实的强流程化干货型爆款哦) 封面设计:结构化信息 + 强目标感,3 秒就能抓住痛点哟 视觉亮点 先看标题区哈,那超大号的黑体字写着 “门窗起号 14 天就能做起一个”,旁边还搭配着黄色箭头图标和时间表格呢,这一下子就把 “短期可落地” 的那种目标感给强化得足足的啦。 再瞧瞧内容区呀,是以表格的形式把 14 天的执行计划给罗列得清清楚楚的,像定位、对标分析、内容制作、数据复盘这些阶段任务都划分得明明白白的,还用黄色底色把关键节点给突出出来了呢,这样用户接收信息的时候成本可就大大降低啦。 还有右上角的 “米可门窗起号” 账号名加上领域定位哦,这能让大家快速建立起对它的专业可信度呢。 核心逻辑 :就是用 “时间进度表 + 结果承诺” 这么一组合呀,直接就对准了那些 “想快速起号却又完全没头绪” 的人的焦虑点啦。而且这种结构化的视觉呈现呢,能让用户一眼就看出来 “哎,这内容有用,能照着抄作业呢”。 标题话题策略:精准关键词 + 场景化引导,轻轻松松撬动搜索流量哦 标题公式 “时间限定(11 月)+ 领域动作(门窗起号)+ 低门槛承诺(直接抄作业!闭眼照抄就对了)+ 人群定向(@满脑子想做门窗起号的宝)” 这里面的公式亮点可不少呢: “11 月” 这个时间节点一加上呀,立马就制造出一种 “当下就可以执行” 的紧迫感啦。 “直接抄作业”“闭眼照抄” 这俩说法呢,可把用户的心理门槛给降得低低的啦,就好像在暗示大家 “哎,不用动脑,跟着做就行啦”。 “请大数据推给 XX” 这样呢,就能精准地把目标人群给圈定出来啦,还能触发平台的流量推荐机制呢。 话题标签 这话题标签可是覆盖了 3 大维度哦: 起号方法论 :# 如何做博主 #素人做博主 #内容创业(借着这些泛流量话题来破圈呢)。 行业垂类 :# 装修干货 #断桥铝窗户 #系统门窗(能精准地锁定门窗行业从业者和业主哦)。 时间节点 :# 双 11 #11 月(顺便蹭蹭流量热点,把搜索曝光给提升提升呢)。 内容组织:从 0 到 1 拆解流程,用 “工具化思维” 把落地难题给解决咯 用户需求匹配 针对那些 “门窗起号新手” 呀,这内容是按照 “定位→建号→拍摄→剪辑→发布→复盘” 这么个全链路来拆解的哦,每个步骤还都附上了具体的动作呢,比如 “找 10 个对标账号”“学习黄油相机 / 醒图工具” 之类的,就是为了避免那些空泛的理论,着重强调 “可实操、有抓手” 呢。在这儿呢,还可以借助 AI 获客系统哦,比如说通过分析对标账号的数据呀,就能快速找到适合自己的定位和内容方向啦。 差异化亮点 这里面还加了 “心态调整” 的内容呢(第 14 天:调整心态,不焦虑数据),还有 “私域铺垫”(结尾强调 “变现指南”,这可是为后续引流提前埋好钩子啦)。 另外呀,这时间轴设计是贯穿了 14 天的哦,能让用户清楚地感知到 “每天该做什么”,这样执行压力可就大大降低啦。在私域运营方面呢,渡鸦社群工具包能提供不少丰富的功能哦,像社群裂变 SOP 解决方案呀,能帮商家快速扩大私域流量呢。 互动效果:评论区精准引导私域,把转化效率给提升上去哟 评论区运营 当遇到高频问题 “怎么联系你” 的时候呀,博主就直接回复 “长按复制邀请码加入群聊”,还用上了表情符号来弱化那种广告感呢,就这么顺顺利利地把用户引导到私域(群聊)里啦。 而且回复当中还附带了 “门窗起号人设笔记” 等后续内容钩子呢,这就能提升用户关注的动机啦。 还有哦,评论区点赞 / 收藏数据(421 赞、344 收藏)也能反映出这内容的实用性是被大家认可了的呀,反过来还能促进平台推荐呢。 案例成功因素总结 赛道精准定位 就聚焦在 “门窗起号” 这个细分领域上呀,避开了那种泛家居的竞争,一下子就成了垂直赛道的专家啦。 内容工具化 用 “时间表格 + 步骤清单” 把起号方法论给转化成了 “可抄作业” 的行动指南呢,把用户 “知道要做但不知道怎么做” 的这个痛点给解决得妥妥当当的啦。 私域前置布局 通过评论区引导大家加群呀,就把公域流量及时地沉淀到私域里去了,这可是为后续的转化(比如课程 / 服务)铺好路啦。 数据化思维贯穿 在内容当中一直强调 “分析对标账号数据”“复盘后台数据” 呢,这么一来呀,专业性就体现出来了,也能增强用户对它的信任啦。 可复用引流策略提炼 细分赛道公式 聚焦在 “大行业 + 小切口” 上哦(就像门窗→门窗起号→门窗门店线上获客这样),用垂直定位去抢占用户的心智呢 流程化内容模板 把那些复杂的方法论给拆解成 “X 天计划”“N 步清单” 这样的形式呀,再搭配上工具推荐(比如制图 / 剪辑软件),就能提升内容的落地性啦。 评论区钩子设计 针对那些高频问题预设 “私域入口”(群聊 / 资料包 / 1v1 咨询),然后用低门槛动作(长按复制、点击链接)来降低引流的阻力哦。 行业关键词覆盖 同时要布局好 “泛领域话题(创业 / 个人 IP)+ 垂类关键词(门窗类型、装修场景)+ 时效词(月份、促销节点)”,这么做就能兼顾精准流量和平台推荐啦。 总结:小红书起号核心 ——“专业度 + 落地性 + 引流闭环” 就从这个门窗案例就能看出来呀,在垂类赛道上要想成功得具备三个要素呢: 专业度 得在细分领域里深耕细作,建立起自己的人设哦,比如说 “只教门窗起号” 这样的。 落地性 内容必须得是 “可抄、可跟、可验证” 的,那些假大空的东西可坚决不能要哦。 引流闭环 从封面标题吸引点击开始,到内容解决痛点,再到评论区引导私域,得形成一个完整的转化链路才行呀。 要是你也是传统行业从业者(像建材、本地服务这些)呀,不妨借鉴一下 “流程化干货 + 私域钩子” 这个模型哦,从小切口切入进去,用 “保姆级教程” 去打动目标用户,实现精准引流呢。 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
在深圳某自媒体工作室,95 后博主小薇正对着屏幕调整 AI 生成的文案:”把 ‘ 家人们谁懂啊 ‘ 换成 ‘ 各位是否有同感 ‘,再加入三个金融行业专属术语。” 她的账号在三个月内粉丝暴涨 20 万,秘诀是让 AI 精准复刻其 “理性财经 + 年轻化表达” 的独特风格。这个场景折射出 2025 年自媒体行业真相—— 当 GPT-5 开始理解隐喻的温度,当 Midjourney 能生成具有个人签名的视觉符号,自媒体行业,正在经历一场暴风雨前的宁静“范式革命”。 一、技术重构:AI 如何解构内容生产的底层逻辑 (一)AI写作风格技术解码 首先在词向量空间捕捉创作者的 “词汇指纹”,比如教育博主高频使用 “认知框架”” 元宇宙思维 ” 等术语;其次在句法树中解析句式节奏,记录疑问句与感叹句的使用频率;最后通过情感分析模型构建情绪光谱,识别冷幽默与热血励志的细微差异。某科技测评账号通过投喂 50 篇原创稿件,使 AI 生成内容的粉丝互动率达到真人创作的 89%。 (二)内容生产的工业化转型 上海某 MCN 机构的运营数据显示,引入 AI 创作系统后,单个账号日均产出量从 2 篇提升至 8 篇,内容生产成本下降 67%。这套系统构建了 “人类创意中台 + AI 执行网络” 的协作模式:人类负责选题策划与观点提炼,AI 完成资料整合、初稿生成与多平台适配。美食博主可以用同一套 “地域文化 + 味觉叙事” 模型,在抖音生成 15 秒探店视频脚本,在公众号输出 5000 字饮食文化深度报道。 二、价值重构:当内容成为可计算的数据流 (一)账号 IP 的数字化分身 头部财经博主 “数据思维者” 的案例极具启示:他通过 300 小时的语音训练,让 AI 不仅能模仿其 “数据可视化 + 政策解构” 的写作风格,更能在直播中以他的声线解读最新经济数据。这种 “数字分身” 使他在保持线下课程强度的同时,实现全平台内容日更。但悖论随之出现,当粉丝在深夜 2 点收到 AI 回复的个性化评论,他们究竟在与算法对话,还是在延续对 “真人博主” 的情感投射? (二)未来内容价值的评判标准 平台算法正在重构内容评分体系:某母婴类账号发现,AI 生成的 “结构化育儿指南” 完播率比真人分享视频高 32%,但用户复访率下降 45%。这揭示出数据维度的分裂:机器擅长生产 “效率型内容”,如攻略、清单、热点速报;人类则在 “情感型内容” 领域保持绝对优势,比如育儿日记中的焦虑与温暖,创业故事里的挫败与坚持。内容价值正在从单一的流量指标,转向 “信息密度 + 情感浓度 + 人格温度” 的三维评估体系。 三、伦理困境:在技术红利中守护人性坐标 (一)表达同质化的隐忧 当某知识付费平台 80% 的博主使用同一套 AI 模板生成内容,用户发现不同账号的观点论证结构高度相似:”现象描述 – 数据支撑 – 三点建议” 的万能公式正在批量制造 “同质化思想产品”。更深远的影响在于语言生态的退化,当 AI 学会用 “家人们”” 绝绝子 ” 等网络梗快速迎合流量,人类语言的丰富性正在被简化为算法可识别的符号组合。 (二)真实性边界的模糊化 某健康类账号因 AI 生成的 “亲身经历” 养生文被用户举报,暴露了内容生产的伦理红线:当 AI 能够模拟疾病康复的细节感受,当AI技术可以生成博主 “现场体验” 的视频素材,”真实” 作为自媒体的核心价值正在遭遇技术解构。各大投诉平台数据显示,2025 年上半年虚假体验类内容投诉量同比激增 210%,这警示我们:技术赋能的前提,是建立 “人类创作” 与 “机器生成” 的清晰标识体系。 四、总结与思考 (一)人机协作互补的“共生之道” 纽约大学数字传播研究中心提出的 “人机协作模型” 值得借鉴:人类保留三个核心创作维度 价值观输出(对行业现象的独特判断)、情感共创(与粉丝的深度对话)、经验萃取(个人成长的独家方法论);AI 负责数据处理、格式优化、多语言适配等机械性工作。这种分工让创作者从 “文字劳工” 回归思想策划者的方向。 (二)守护创作的 “人性算法” 在东京举办的全球数字内容峰会上,百万粉生活博主分享了她的 “反算法策略”:每周保留 3 篇手工写作的 “笨拙日记”,刻意暴露思考过程中的犹豫与瑕疵。数据显示,这些 “不完美内容” 的粉丝留存率比精致的 AI 生成内容高 55%。这印证了一个朴素的真理:用户关注自媒体,本质上是在寻找 “人类特有的生命痕迹”那些无法被算法计算的情感褶皱,那些在试错中显现的成长肌理,才是内容,所可以表达最具穿透力的灵魂! (三)做技术浪潮中的 “人性捕手” 总结: 当我们教会 AI 模仿人类的写作风格,本质上是在进行一场关于 “何为人的独特性” 的深度思辨。自媒体行业的未来,不会是 “人类创作” 与 “AI 生成” 的零和博弈,而应是构建一个 “技术赋能人性表达” 的共生生态:让 AI 成为收集素材的眼睛、整理数据的双手、拓展传播的翅膀,而人类则专注于打磨思想的锋芒、淬炼情感的纯度、守护表达的真诚。 思考: 在这个算法统治的时代,真正稀缺的不再是海量内容,而是那些带着创作者体温的思考,可能是深夜码字时的咖啡渍,是即兴发挥的口误,是演讲稿一遍又一遍推翻重来的勇气。 这些 “不完美的真实”,才是抵御内容工业化最坚实的壁垒,也是自媒体账号穿越流量周期的核心密码。当我们学会在技术浪潮中锚定人性坐标,便能真正理解,AI 生成的是文字,而人类创造的是,赋予文字拥有灵魂与想象的画面! 本文由作者 @造梦产品论 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Pexels,基于CC0协议。
一、市场分析(PEST) 1. 政策因素 1.1 机会 国家支持数字经济:中国“十四五”规划强调发展数字文化消费,并出台了一系列政策支持数字文化产业发展,如《数字文化产业 “十四五” 发展规划》等,明确将数字文化产业定位为战略性新兴产业。同时,随着居民收入水平的提升和消费观念的转变,人们对数字文化产品和服务的需求日益增长,数字文化消费成为人们满足精神文化需求的重要方式。2021 – 2024 年期间,数字文化产业营业收入不断增长,2021 年为39623亿元,2022 年为43860亿元,2023 年约为48684亿元,2024 年约为52579亿元,预计2025年实现8%的增长。而网络音频作为数字经济中的一部分,近年来市场规模与全年营收也是呈现不断增长的趋势,截至2024,声音经济产业市场规模已达2亿元。这充分体现了播客app发展符合政策趋势,充满机遇。 表1-2021-2024年中国数字文化产业的全年营业收入 音频版权保护加强:国家推动《著作权法》修订,打击盗版音频内容,充分保护原创播客创作者权益,大大提升了播客创作者的创作积极性。 1.2 风险 内容监管趋严:对敏感话题(如时政、社会事件)的审查可能限制部分内容创作,需投入更多资源进行人工+AI审核。 2. 经济因素 用户付费意愿提升:随着知识付费习惯的养成,用户对优质播客内容付费意愿增强。音频平台1%的用户有过付费订阅经历,35.4% 的用户选择付费订阅,年均付费金额174.3元/人。随着播客行业的发展,用户付费比例有上升的趋势。 广告市场青睐:品牌对播客内容投放增长显著,2024 年近百个品牌与播客平台合作,投放近千档节目。播客用户以一线城市及新一线城市的在职员工和学生为主,18 – 40 岁核心年龄段听众中本科及以上学历占比超八成,消费潜力大。 创作者经济收益增加:播客商业化让创作者经济状况改善,2021 – 2024 年播客创作者的人均收入呈现出逐步增长的趋势。 3. 社会因素 生活节奏与碎片化时间利用:现代社会生活节奏加快,人们的时间变得更加碎片化。播客内容适合在通勤、运动、做家务、睡前等碎片化场景下收听,能有效填补这些时间空白。 表2-使用小宇宙app时间段占比 知识获取需求:在竞争激烈的社会环境下,人们渴望不断学习提升自我。播客涵盖商业财经、人文科技等丰富领域,提供深度内容,满足了用户在休闲中获取知识、打破信息差的需求。 表3-用户收听各大内容所占比 情感陪伴需求:社会的快速发展使人们面临更多压力和孤独感,播客的对谈、闲聊形式及主播声音,能给予用户陪伴感和亲切感,成为情感慰藉的来源。 社交互动与社区营造:播客 App 通过评论区、社交媒体群组等方式,构建起用户与主播、用户之间的互动社区。 4. 技术因素 流媒体协议保障播放流畅性:实时传输协议(RTP)、HLS、DASH 保障音频播放流畅。RTP 解决数据包乱序,HLS 和 DASH 基于网络带宽自适应调整码率,确保播放不卡顿。 内容分发与网络优化:边缘计算在靠近用户的服务器进行转码和缓存,减轻设备压力,缩短加载时间。 个性化推荐技术:协同过滤和深度学习模型结合,平衡离线训练与实时推荐,提升推荐精准度。 新兴技术的影响:AI 生成字幕、翻译和内容,降低成本,丰富形式。5G 支持高音质传输和实时互动,提升用户体验。VR/AR 未来或打造沉浸式互动播客体验。 二、产品概述 1. 体验环境 产品型号:小宇宙iOS 2.80.3 手机型号:苹果XR 体验时间:2025/3/17 2. 产品定位 找答案—分享知识经验见解 小宇宙的核心是播客内容,用户通过收听播客获取知识、经验和见解。 刷推荐—发现更大的世界 小宇宙通过推荐算法,帮助用户拓宽视野,探索未知领域(如新文化、新观点、新故事)。 追热点—秒懂热点,理性吃瓜 小宇宙的热点专题或热门播客栏目,帮助用户快速了解热点事件。 可以看出小宇宙的主营板块是:播客收听、内容推荐、热点专题。 播客收听:核心功能,提供高质量音频内容的播放体验。 内容推荐:通过算法和编辑精选,帮助用户发现优质播客。 热点专题:聚焦热点事件,提供深度解读和理性讨论。 综上所述,小宇宙app清晰聚焦于“播客”这一垂直领域,为热爱高质量音频内容的用户提供一个专注于播客收听与社区互动的平台,通过精准的内容推荐和沉浸式的收听体验,帮助用户发现和享受有价值的播客内容。 同时,小宇宙的Logo设计通过简洁的图形和深蓝色调,成功传递了品牌的核心价值:探索优质内容宇宙,享受沉浸式播客体验。 3. 产品迭代 0 阶段:播客内容社区搭建(2020-2021) 在这个阶段,其核心目标是吸引播客创作者入驻和积累用户群体,打造具有独特氛围的播客交流空间。 聚焦内容建设:致力于汇聚各类优质播客节目,涵盖文化、科技、生活、娱乐等多元领域,满足不同用户的兴趣需求。通过简洁易用的界面设计,方便用户发现、订阅和收听播客,以内容为核心吸引用户留存。 社区氛围营造:重视用户之间的互动交流,提供评论、点赞、分享等基础社交功能,鼓励用户对感兴趣的播客内容进行讨论,逐渐形成良好的社区氛围,增强用户粘性。 1 阶段:功能拓展与品牌塑造(2021-2023) 在积累了一定的用户基础和内容资源后,小宇宙App进入功能拓展和品牌塑造阶段,丰富产品功能,提升用户体验,强化品牌形象。 1)功能丰富升级: 推出桌面小组件,方便用户在手机桌面快速操作。 增加深色模式,满足用户在不同场景下的视觉需求。 上线人声增强0功能,改善音频收听效果。 新增节目分类页,分类细化至17个。 2)品牌形象打造: 开发小宇宙studio和播客名片特色功能,增强平台对创作者的吸引力和支持力度。 推出具有特色的内容专题,聚焦热门话题和小众兴趣领域,提升内容的深度和广度。 开通赞赏功能、付费版块,扶持主播内容创作变现。 2 阶段:商业化探索与生态完善(2023-至今) 随着用户规模的扩大和品牌影响力的提升,小宇宙App进入商业化探索和生态完善阶段,挖掘商业价值,构建更完善的播客生态体系。 1)商业化模式拓展: 与品牌合作开展广告投放业务,通过精准的用户画像和内容推荐,实现广告与用户兴趣的匹配, 在内容中合理植入广告,如在节目开头、中间或结尾插入广告。 2)社区生态建设: 持续优化社区互动功能,上线语言评论、高光时间点等特色功能。 新增“最热榜”“锋芒榜”“新星榜”三个榜单,为用户提供多元化的内容推荐。 三、用户画像 1. 用户特征 小宇宙的主要用户有:创作者、普通用户。 创作者:专业媒体人或内容创作者、各领域专家学者、自媒体创作者、普通爱好者、明星、企业家等。 普通用户:主要是生活在经济发达地区、有自我提升需求、对内容质量要求高、消费能力较强的年轻高知群体。 1.1 创作者用户特征 1)基本属性 年龄:创作者多为 22 – 35 岁的年轻人,此年龄段占比达 9% ,他们乐于尝试新形式,分享欲强。 性别:目前没有公开的小宇宙 App 创作者男女性别比例的准确数据,但从整体上来看用户性别均衡。女性常聚焦情感、生活、文化艺术创作,男性多在科技、体育、财经等领域产出内容。 地域:主要来自国内一线城市(4%)和新一线城市(25.1%),境外占 6.5% 。这些地区资源丰富、文化多元,获取多样素材。 表4-创作者年龄分布 表5-创作者地域分布 2)学历与职业 学历:本科及以上学历占比 5%,本科 50.5%,硕士及以上 40.0% 。 职业: 专业媒体人:凭借采编和制作经验,产出深度内容。 专家学者:各领域专家运用专业知识,分享科技、经济、法律等专业见解,提升内容专业性。 自媒体创作者:借助已有影响力,在小宇宙拓展传播渠道,分享生活、兴趣等内容。 普通爱好者:因热爱和表达欲创作,以真实视角吸引听众。 明星企业家:明星分享生活,企业家分享商业经验。 3)创作动机 自我表达:借平台分享观点、经历,寻求共鸣。 知识传递:专业人士希望传播知识,助力他人成长。 兴趣社交:基于共同爱好创作,结识同好。 商业品牌:自媒体和企业家借此打造个人品牌,获取商业机会,企业也用于宣传品牌 。 4)内容偏好 文化教育:涵盖文学、历史、艺术解读,以及语言学习分享。 科技资讯:关注前沿科技动态、应用案例,普及科技知识。 生活休闲:涉及美食、旅行、养生等生活经验分享。 职场创业:分享职场晋升、创业历程等经验,为职场人和创业者提供参考。 情感心理:探讨情感关系、心理健康,实现个人成长 。 1.2 使用者用户特征 1)基本属性 年龄:以20-35岁的年轻人为主,尤其是 90后和00后,他们对新鲜事物接受度高,且对高质量内容有较强需求。 性别:小宇宙 App 使用者中男性占比 46.9%,女性占比 53.1%,整体性别比较平均,女性略多于男性。 地域:主要集中在一线和新一线城市,这些地区的用户对文化消费的需求较高,且生活节奏快,适合利用碎片化时间收听播客。 2)学历与职业 学历:小宇宙 App 使用者学历分布中,本科及以上学历占比较高。具体来看,本科占 50.5%,硕士及以上为 40.0%,大专占 6.1%,高中及以下占比 3.4%。 职业:互联网从业者、学生、自由职业者、文化创意从业者和 传统行业从业者 等 3)行为特征 (1)使用场景: 通勤场景:地铁、公交、排队等碎片化时间。 居家场景:做家务、梳妆打扮、睡前放松等。 学习场景:希望通过播客获取知识或灵感。 (2)互动行为: 积极参与评论、点赞、分享,形成轻量社区互动。 对优质内容有较强的分享意愿,尤其是在社交媒体上。 4)用户分层 深度用户:高频使用,订阅多个播客,积极参与社区互动,对内容质量要求高。 泛听用户:中频使用,主要依赖推荐内容,偏好轻松、娱乐化的播客。 新手用户:低频使用,尚未形成固定收听习惯,需要引导和推荐。 表6-小宇宙app分层用户占比 五、内容偏好 互联网从业者:工作节奏快,对效率和实用性要求高。对科技、商业、职场类内容感兴趣。 学生:时间相对充裕,对新鲜事物接受度高。对学习、情感、娱乐类内容感兴趣。 自由职业者:工作时间灵活,但对自我提升有较高要求。对心理学、生活方式、创意类内容感兴趣。 文化创意从业者:对文化、艺术、设计类内容有浓厚兴趣。注重内容品质和独特性。 传统行业从业者:工作节奏相对固定,对实用性内容需求较高。对行业动态、职业发展类内容感兴趣。 2.用户需求 2.1创作者用户需求 2.2使用者用户需求 四、产品分析 1. 产品功能 小宇宙的主要功能区有三个:发现,订阅,个人。产品功能结构图如下图所示: 可以看到,总体来说小宇宙app功能区的入口都比较浅且易得。 “个人”是三个功能区中最多样的,该区域集中展示与用户个人相关的信息与功能。用户个人资料在此呈现,可编辑头像、昵称等;“我的收听历史” 记录用户过往播放过的节目;“我的收藏”记录所收藏的节目;在付费相关方面,可进行充值与查看已付费内容;此外,还可能包含设置选项,如调整播放设置、缓存设置、通知设置等,满足用户个性化使用需求。 “发现”页面作为用户打开 App 后最先映入眼帘的界面,承载着大量重要信息。顶部通常设有搜索栏,方便用户快速查找心仪播客节目。下方以推荐流形式呈现各类优质播客内容,推荐为你推荐/编辑精选/分类/三大榜单/深度专题。 “订阅”功能区设置得非常简单易得,此功能区域是用户个性化内容的汇聚地。每个订阅节目旁会显示最新剧集更新状态,用户能一键点击播放最新剧集。同时,该区域支持用户对订阅节目进行星标设置。 2. 产品使用流程 首页“发现”浏览流程 “个人”浏览流程 “订阅”浏览流程 3. 典型功能 ①“发现”板块–图文+音频 “发现”板块是进入小宇宙app的默认页面,也是用户使用率最高的板块 精准智能推荐:基于用户细致的收听行为数据,在首页推荐流精准推送契合多元兴趣的播客,可进行播放操作。 精选推荐、领域分类、榜单与专题策划:“发现” 页面展示编辑精选推荐,可进行播放操作;实现领域分类,便于用户快速查找相关内容;展示热门榜单,查看大众喜爱,可进行播放操作;紧跟当下热点专题,独家策划深度专题,可进行播放操作。 ②“订阅”板块-图文+音频 订阅的播客更新剧集展示与播放操作。 对订阅播客实现管理,添加星标。 4. 商业模式 小宇宙App官方的商业模式主要依赖以下几个方面 平台技术服务费 创作者分成:小宇宙作为平台方,从创作者的收入(如打赏、付费内容、广告合作等)中抽取一定比例的分成。 支付通道费用:通过平台内的支付系统(如打赏、付费订阅),小宇宙可能从中收取手续费。 广告收入 平台广告:在App内展示品牌广告或信息流广告,按展示量或点击量向广告主收费。 节目广告分成:平台帮助创作者对接广告主,并从中抽取一定比例的服务费。 会员订阅服务 平台会员:小宇宙可能推出平台级会员服务,用户付费成为会员后享受无广告、专属内容或优先体验新功能等权益。 会员收入分成:如果会员服务包含创作者的独家内容,平台可能与创作者分成会员收入。 数据与增值服务 数据分析服务:为创作者或品牌方提供详细的用户行为数据和分析报告,帮助优化内容或广告投放,可能收取服务费。 技术解决方案 工具收费:为创作者提供高级创作工具或数据分析工具,采用订阅制或按需收费。 API开放:开放平台API给第三方开发者或企业,收取接口使用费或技术服务费。 线下活动与品牌合作 活动主办:平台主办线下活动,通过门票、赞助商合作等方式盈利。 品牌联名:与品牌合作推出联名活动或产品,获取合作收入。 IP运营与授权 平台IP开发:将平台上的优质内容开发成IP,进行影视、出版等衍生品授权,获取授权费用。 跨平台合作:与其他媒体平台合作,分发内容并获取分成。 五、产品现存困境与解决方法 六、用户界面设计改进 增加分类下部栏,解决发现冗长特点,便于听者更容易查找。 增加听友区下部栏,提升社区社交互动性以及引入图文与短视频精选介绍,增加用户粘性与吸引用户。 播客创作者个人页面的周边商品,增加商业收取。 七、总结 小宇宙App作为一款专注于播客内容的产品,在音频内容消费逐渐兴起的背景下,展现出较大的发展潜力。其垂直化定位和社区化运营模式,使其在喜马拉雅、荔枝FM等综合音频平台的竞争中形成了差异化优势。当前,小宇宙的用户规模稳步增长,内容生态逐渐丰富,但同时也面临用户增长瓶颈、商业化模式单一以及内容同质化等挑战。 未来,小宇宙可以通过优化内容生态、探索多元化商业化路径、提升用户体验等策略,突破当前困境,在播客市场中占据更重要的位置。 本文由人人都是产品经理作者【走走日记本】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
用户调研和访谈是产品经理挖掘用户需求、优化产品设计的核心环节。在一个完整的产品流程里面,用户调研和访谈是非常重要的。 当年史玉柱推出脑白金时,就曾带领团队在江苏很多城市进行了大量的走访(用户调研),和一帮老头老太太聊天唠家常,询问了解他们使用脑白金的情况,了解他们的深层次需求:期望子女对自己有更多的关心,期望保健品由他们送而不是自己买。于是我们后来就看到了那条数十年不变的广告“今年过节不收礼,收礼只收脑白金”。 要想做好用户调研和访谈,是需要系统的方法论和执行技巧。简单来说,用户调研和访谈可以按照以下7个步骤来开展。 明确调研目的 选择调研目标 确认调研类型 设计调研问题 调研活动执行 调研结论报告 调研注意事项 下面将按步骤详细予以解释说明。 1.明确调研目标 通过用户调研你想达成什么目标?例如验证需求优先级、功能流程优化评估、市场接受度调研,比如用户为何频繁在订单提交后取消支付? 只有明确了调研目的,这样才可以进行后续的相关事宜,比如选择调研目标,确认调研类型等。 当然,根据产品阶段不同,调研的目的(重点)也会有所差异: 产品上线前:核心需求是什么?用户群体多大?使用频次多高? 产品上线后:使用(未使用)的用户是哪些人群?怎么用的?为什么不用(阻碍在哪)或者中途放弃了(如频繁取消订单)?怎么改进&优化功能/体验?怎么拓展新功能? 基于产品所处的阶段和目的,然后我们就可以知道调研是侧重定性分析还是定量分析。定量分析会告诉你发生了什么,而定性分析会告诉你为什么会这样。要得到一个全面的调研结果,需要结合两种方式来进行。 2.选择调研目标 调研目标可能来自现有用户,或者是潜在用户,也可能是竞品的用户。 尼尔森的经典文章《为什么你只需要测试五个用户》中提出的这个观点,乍一看有耸人听闻(三节课的布棉老师也给出过类似的建议),我们只需要从大量的目标用户中挑出5个左右的典型用户就行,不用太多。 尼尔森的观点大致内容如下。 当你观察第一个用户的时候,你就会观测到你需要的结果三分之一的行为。观察第二个用户的时候,他会和第一个用户有些不同(毕竟每个人都不一样),但这种不同并不会大于三分之一那么多,而他会有一些与第一个人一样的行为;第三个用户也是一样,你会从他身上观察到越来越少新的东西,到第五个的时候,一个行为模型的雏形基本出现了。 那么问题又来了:什么是典型用户? 典型用户是一提起产品或者服务,大家脑海中会立刻浮现出的用户画像。这个问题在此不详细展开,有兴趣的读者可以自己思考下。 当然,更为普适的方法是先做用户分层,然后从对应分层的样本内选取相应的用户。 用户分层: 根据产品定位筛选用户群体,如高频用户/低频用户、新用户/老用户、付费用户/免费用户,这些用户分层的标准是相对明确且比较好做区隔的。 样本量与来源: 小范围访谈建议5-15人,这样就有比较多的时间去跟每位用户做深度的访谈和调研。 大范围问卷建议人数100+,这样适合统计趋势,可通过APP弹窗、短信邀请等渠道触达,通过在线问卷的方式收集反馈。 3.确认调研类型 用户调研方法主要分为:深度访谈、用户测试、问卷调查、焦点小组等。有兴趣的读者可以阅读下《用户研究工作中的14个经典方法》,每种调研类型都有自己的优缺点和局限性,我们可以结合产品、公司的实际情况选择一种或多种展开用户调研。 以上每一种调研方法都可以展开来说,我们拿深度访谈举例说下,该调研方法主要分为以下几个阶段,需要注意的事项有: 访谈需要引导:在整个访谈的过程中,主持人需要防止用户把话题带偏,要引导他们回到访谈的主题上面去。 要让用户吐出干货:用户不知道你需要什么,所以主持人要想办法引导用户说出你需要的内容(不是说出你需要的结论)。 高度专注:主持人除了以上两项内容外,还需要保持高度专注,观察记录用户的动作和表情,条件许可的情况下可以加入录像(避免用户反感)和录音。 4.设计调研问题 在完成上述3个步骤之后,我们就可以进入用户调研的重中之重:设计调研问题了。调研的方式不同,调研问题的设计思路也会有所区别,下面我们分别以“深度访谈”和“问卷调查”2种调研方式为例予以细说。 深度访谈的6个问题层次 客观性问题:一些客观存在的事实问题,比如用户的年龄,使用产品的时间,通过何种方式接触到产品,有无消费等。 行为性问题:用户使用产品的具体行为或过程。比如用户在产品内购物的完整路径是怎样的?是通过搜索、类目查找还是常购/收藏等。 倾向性问题:了解用户的偏好或习惯,比如更喜欢哪种形式的优惠或活动方式?满减、优惠券还是满赠?更愿意中午还是晚上使用产品? 原因性问题:询问用户选择或行动的根本原因,比如为什么不用在线支付?为什么不用自提?为什么不用白条等? 主观性问题:了解用户对某个功能或者体验、操作的看法或者意见,比如觉得产品有哪些功能需要完善、哪些体验需要改进等。 开放性问题:针对某个问题的想法或者思路,有无更好的建议或想法,比如有哪些方式可以提高用户活跃度,提高用户下单的频次等。开放性问题应避免是/否类封闭式问题,需要引导用户分享具体行为和感受。 错误示例:你喜欢这个功能吗? 正确示例:你最近一次使用这个功能时具体做了什么?遇到了什么问题? 一份优秀的问卷需经过相当审慎而周密的计划,因为不当的问卷设计足以毁坏整个调研工作,浪费企业大量的时间、人力和经费。 调研或访谈的过程中,遇到一些比较复杂或特殊的场景,可能需要辅助工具。例如: 所谓一图胜千言,准备用户使用场景的截图/原型图,帮助调研/访谈对象建立直观的感受。比如商品详情页增加排行榜以及副标题,文字描述远不如看图方便。 若涉及竞品对比,可提前收集竞品功能截图,避免在调研/访谈的时候临时去找竞品APP的相关页面浪费时间。 问卷调查的3大原则 简单原则:语句简单、用词简洁、不产生歧义、可读性强;问卷答题时间不宜太长,否则成功提交了会大打折扣; 客观原则:严格避免引导性或暗示性的问题出现,设计问题选项时对内容也要进行平衡处理; 精准原则:必须严把问题关,问卷初稿生成后,都针对问卷中的关键问题进行逐字逐句的讨论,保证问题的精准性; 5.调研活动执行 如果是问卷调查形式的用户调研,那么在活动开始前需要做好相应的测试,同时要注意一些细节设置,如限制web提交,限制IP提交等等,活动开始后密切监视活动执行效果就OK了,这块没有太难的地方,把握好细节就OK了。 如果是深度访谈或者是焦点小组、用户测试的话,开始前记得准备一份活动执行清单,可以的话进行几次演练或者预演,活动执行的关键在于现场的把控,现场氛围的引导和控制,如果能有一位经验丰富的主持人,活动执行会好很多。 5.1 建立信任与破冰 开场技巧:自我介绍+说明调研目的。例如:我是XX产品的产品经理,今天想和您聊聊使用我们APP的感受,您的反馈会直接影响后续功能优化。 降低防御心理:告知用户回答无对错,鼓励真实表达。可先从简单问题入手,再深入核心话题。 5.2 深度挖掘需求的技巧 行为追溯法:让用户还原具体使用场景,捕捉真实痛点。例如:您上次使用XX功能,是在什么时间什么场景下?当时的操作步骤是怎样的? 痛点追问法:当用户提到问题时,连续追问 “为什么” 以挖掘本质需求。例如: 用户:当前的付款流程太麻烦了! 追问1:具体是哪部分让您觉得麻烦?是步骤多还是页面引导不清晰? 追问2:如果简化的话,您希望优先调整哪个部分? 假设验证法:抛出新的产品原型页面,观察用户反应。例如:为了减少用户思考负担,我们去掉了立即购买只保留了购物车,您觉得理解上还会有歧义吗? 5.3 记录与观察 结构化记录:按用户特征+场景+行为+痛点+建议维度记录,避免遗漏关键信息。 例如用户A(52岁,冒菜店厨师长,每周使用2次):每次使用APP订货的时候(场景),需要一个个搜索并添加购物车(行为),希望增加常购商品或者历史订单一键加购缩短选商品的时间(建议)。 非语言信息捕捉:注意用户的表情(如提到某功能时皱眉瘪嘴翻白眼)、语气(突然加快或犹豫)、动作(反复点击虚拟按钮),这些可能反映真实感受。 6.调研结论报告 我们按上述步骤进行了调研访谈之后,除了收集到一份份的原始数据之外,还需要把这些调研的数据形成调研报告,便于向领导汇报。 与此同时,还需要根据调研报告给出相应的结论。报告框架需包含以下内容: 调研背景与目标 样本特征(用户画像统计) 核心发现(分点列出痛点、行为模式、偏好) 优先级建议与解决方案(附原型图或流程图) 风险提示(如部分需求需技术评估可行性) 7.调研注意事项 在调研和访谈的过程中,还需要注意以下事项: 7.1 说和做不一致的问题 这里最最经典的案例就是索尼游戏机的故事,简单来说就是索尼找用户调研时问其喜欢黄色还是黑色的游戏机,访谈的结论是黄色居多。但当索尼打算用游戏机作为调研奖品的时候,更多的用户选择了黑色。 7.2 避免主观引导 避免在访谈的过程中给用户任何的主观引导和提示。以下分别是错误和正确的示例: 错误:很多用户都觉得这个功能很好用,你觉得呢?(暗示用户认同) 正确:你对这个功能的使用感受如何?可以具体说说吗? 7.3 警惕沉默的大多数 主动触达非活跃用户(如30天未登录用户),他们的流失原因可能比活跃用户的反馈更具价值。 7.4 调研访谈工具推荐 如果是线下访谈的方式,强烈推荐使用飞书妙记工具,这样才能保证用户的所有文字全部都能完整记录并自动转成文字记录下来。 访谈记录:飞书妙记、腾讯会议、钉钉妙记 问卷设计:金数据、问卷星 通过系统化的调研流程和对细节的把控,产品经理才能更精准地把握用户需求,为产品决策提供扎实的依据。 以上,希望对您有所帮助。 本文由 @詹老师,公众号同名, 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。
过了5月中旬,电商大战的氛围愈发浓烈了。 小红书给这鏖战前的紧张氛围,又添了一把火。 先是“红猫计划”让行业吃了一惊,而后京东也与小红书合作,小红书内的商品链接也可直接跳转至京东页面。 小红书放开放外链,效果很直接。 一是用户一键跳转到天猫、京东店铺拔草,缩短了转化路径。 二是从种草到成交,比以往更加精准了。 这对天猫、京东来说,无疑是利好。于小红书而言,事情似乎变得没那么简单了。 过去几年的618,氛围感有了,但数据却也一年比一年差,国补之下,今年消费增长的劲头儿迅猛,各方都憋着一股劲儿。 当巨头们之间的电商大战到了燃点,一个开放的小红书,可能对谁都是最优解。 //小红书以退为进?开放的背后亦是妥协 早在2020年小红书就对淘宝放开过外链,允许部分达人直播间和笔记展示淘宝商品链接。但是,合作持续的时间很短,仅仅不到一年的时间。 现在来看,小红书当时选择关闭可能出于两点考虑。 一是想要发展自己的电商业务。 从21年开始推出“号店一体”,降低开店门槛,到允许商家账号直接关联商品笔记。小红书的电商化意图很明显。当年 5 月,小红书颁布《社区商业公约》,强调交易必须在站内完成,要求博主“不要在个人页、评论、私信等场景把交易引导到站外”。 显然,当时小红书管理层认为,电商这块儿肥肉,还是得留在自己盘子里。 也由此,“不站队”的小红书变成了一座“流量孤岛”。 到23年,小红书发力买手和直播电商,组建了全新的交易部,成为与社区部、商业部平行的一级部门。2024年,更是明确了“生活方式电商”的定位。 今年618前却突然开放外链,不出一年,为何小红书态度大变? 说穿了,还是放不下调性。 二,开放外链是怕破坏社区氛围。 小红书的独特优势在于其“真实分享”的社区文化。 这也是为啥小红书搞电商化的同时,一直有声音质疑电商化会破坏内容生态。 用户自发创作的笔记、测评和攻略,就像是大众点评上网友们对餐馆的评价一样,天然具备高可信度,这种可信度也为引导购物提供了基础条件。 2024年第一季度,小红书的UGC占比约90%,小红书“种草达人”中,68.06%为粉丝数小于5000的“素人”。 有信任基础在,小红书海量且真实的用户笔记,就是一座金矿。 然而,金矿是不容易开采的。 电商味儿越来越浓,博主种草也会被用户主动识别为广告。 久而久之,这是会动摇小红书内容根基的。 前车之鉴就是“宝宝树”,当年宝宝树是全球最大的母婴社区,用户超5亿。和小红书非常像,只不过品类更加垂直。后来呢?宝宝树把自己的流量打包卖给了复兴集团和阿里巴巴,最终慢慢淡出了大众的视野。 其实类似的案例还有很多,微博,知乎,莫不如此。 今天的小红书想要真正达成“真实种草+拔草”的闭环,就必须克制自身的电商业务,给商业化戴上“紧箍咒”。 流量是货币,注意力是会发生通缩的。 好在小红书的商业化的进程一直算是比较克制的,但如果将来要IPO,货币化率必然是市场看重的一个指标。 也许单靠自身的电商业务,可能很难达成预期中的货币化率,此刻突然放开曾经忌惮的外链,也许是不得已而为之罢了。 //不是只靠流量,电商是个复杂的生意 从阿里做出支付宝,开始向C端卖货,到现在直播电商遍地开花,看着电商行业一路成长到现在,我对电商行业有这么一个基本判断: 做电商,流量很重要,但要做成电商,不是只靠流量。 今天,所有的电商平台都在聚焦三件事:俘获人性、满足欲望、促成交易。 俘获人性,反映到数据端是DAU、MAU。满足欲望,反映到数据则是GMV、GTV。到了最后一步,真正促成交易,才会被会计师认可,然后在年报里确认为营收。 这三件事儿说起来容易,做起来难,难就难在平衡。 懂人性,懂交易是两件事儿,需要两套完全不同的能力体系。再大的企业资源都是有限的,怎么去分配,都需要权衡利弊。 小红书懂人性。所以,在快抖B三分天下之后,还能靠着独特调性的内容,守着自己的流量池不被分食。 你再看知乎,再看看贴吧,高下之分立显。 说穿了,本质上,高价值的流量讲求圈层,讲求调性。私董课为什么卖那么贵?卖的是一个圈层,卖的是一个资源互换的机会,这就是调性。 交易不同,交易讲究供给,讲究规模与成本。 2024年,小红书电商GMV也只是千亿规模,但自营商城的成交占比不足5%。与电商巨头规模差了不止十倍,货币化能力差了几十倍。 论用户规模,小红书月活跃用户已达 3亿,日活跃用户(DAU)约 1.2亿,论用户价值,高价值的女性用户占比 70%,男性30%,且都是年轻人,是新消费主力。 那么,小红书差在哪? 我认为可能是差在了供给端。 “种草”这事儿,对小红书来说,既是一种能力半径,也是路径依赖。所以,开放链接之后,小红书看似是要做“上游”,但更像是一种妥协。 对自身供应能力不足的妥协。 接下来,关于小红书有两点值得观察: 一:财务上,广告营收的结构占比是不是会占得更多,核心电商业务会不会逐渐边缘化? 不同的电商模式之间是有竞争的,即便是同一个生态里,自营和外链也会有竞争,开放外链之后,货架电商涌进来的不仅是机会,也是竞争。 那么,面对外来竞争,过去被平台保护得很好的自营电商,还能不能生存下去?这个是个问题。 二:卖流量的,能不能胜过卖交易的? 开放外链之后,短期内小红书的商业化大概率会有一波爆发,但能持续多久是个问题。 毕竟,内容平台的货币化率不高,不是策略的原因,是模式使然,开放外链本质上就是卖流了,又回到了注意力变现的逻辑。 互联网商业的世界里,卖流量像是第一产业、第二产业。是做的生产、流通。 卖交易的,本质上是服务贸易,是把生产剩余集合起来,通过撮合订单来变现。 两者在变现能力上,有本质的差异。 这种差异也同样反应在一级市场的价值判断上,天眼查APP显示,2024年7月的融资中,小红书估值170亿美元。 不过,换个角度看,开放外链可能是小红书能达成的最优解。 京东、淘天、花了那么多年,才做好流量能力、交易能力的平衡。而小红书没有足够的资源,空间窗口来建立另一个交易体系。 抖音深谙人性,也最能俘获人性,可供给端总差那么一招,你看抖音电商GMV那么狂,但要论变现能力,还得是淘天。 这里面体现的就是电商生意的复杂性。 行业发展了这么多年,淘宝、京东搭建起来了基础设施,让人感觉做电商生意开始变得容易了,但要让人与人隔着屏幕,通过代码数据完成交易,本身还是一件极其复杂的事情。 投放、引流、转化、交易,运营、仓储、物流,配送……涉及的能力很多很杂。这也注定,任何的封闭电商体系终究都是要对巨头开放的。因为只有这样,你才能借助巨头的能力降本,才能更好地实现自身的货币化。 小红书的开放是有益的。 回过头来看,“红猫计划”其实很有价值。 过去的投放对品牌方来说,成交数据是缺失的,品牌方的钱买的是个“盲盒”,就算有效果,来自哪里也无从得知。 比如,一些外企消费品牌的朋友们一直都知道在小红书种草的重要性,但没有终端成交的数据,很难说服决策者增加投放预算。 “红猫计划”就强调了双方的数据共享:小红书开放阅读、评论、点赞等前链路数据,淘宝天猫则提供进店、搜索、成交等后链路转化数据。 当然,有收获,就会有牺牲。 最终“牺牲”的可能是看重小红书流量价值,然后进场的个人商家们。当整个行业洪荒之力涌至,最终为他人做了嫁衣。 行业涌动的尘埃落到每一个商家面前也许都是一座大山。 接下来,个人进场小红书做电商,会不会变成了一个“地狱级”难度的游戏? 值得持续关注。 本文由人人都是产品经理作者【互联网江湖】,微信公众号:【互联网江湖】,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
从 GPT4o 的 “谄媚” 说起:奖励机制如何塑造 AI 行为? 今年四月底,GPT4o 突然出现了一个有趣的现象:当用户“问为什么天是蓝的时“,它会突然来一堆彩虹屁 “您这个问题问得太妙了!简直太聪明了” 之类的夸张赞美,那夸张劲儿,就跟咱们小时候写作文拼命堆砌形容词似的。 这种看似 “谄媚” 的行为,本质上暴露了一个核心问题:AI 的 “讨好” 不是出于主观意愿,而是奖励机制驱动的数学优化结果。 就像训练一只小狗握手 —— 每当它做出正确动作时,我们会递上一块骨头作为奖励。 次数多了它就知道“噢,抬手有吃到”慢慢就学会了。 AI 的强化学习训练逻辑几乎一模一样:工程师给模型设定 “格式正确”“结果准确”“用户友好” 等奖励目标,模型通过数百万次试错,逐渐学会用特定行为,比如输出格式包裹代码、优先选择讨好性表达,来最大化奖励值。 就说年初 DeepSeek R1 的训练吧,工程师给模型定了俩目标:一是回答格式要正确,比如把思考过程放在指定的标签里,就像给答案穿件特定的 “衣服”;二是结果要准确,比如做数学题、写代码得靠谱。 怎么让模型往这俩方向走呢?简单! 符合目标就 “加分”,不符合就 “减分”。 模型一开始也懵圈啊,输出啥的都有,但通过不停调整参数,就像蒙眼找路,走错了就换方向,慢慢就学会了先 “思考” 再输出,还能把思路整理得规规矩矩 —— 这可不是模型突然 “变聪明” 了,而是数学规则像筛子一样,把符合要求的参数组合筛出来了,就像水流自动流向低处一样自然。 AI的“想要”不是真想要,而是数学算出来的 先明确一点:AI 没有 “小心思”,它的所有行为都是数学算出来的。 可以拿一些生活类比来解释一下。 强化学习里有一个核心框架是马尔可夫决策过程。 听起来高大上,其实就像玩闯关游戏。 相当于给 AI 编写了一个 “choose your own adventure” 互动小说,但所有分支选项、奖励规则都由工程师预先设定。 AI 就像游戏里的角色,每一步咋走、啥情况给分,都是工程师提前写好的 “剧本”。 比如 AlphaGo 下棋,它每走一步不是在 “想策略”,而是在算 “怎么走能让未来的得分加起来最多”,就像咱们用计算器算数学题,纯靠公式,没有 “我要赢” 的想法。 奖励函数有多重要呢? 打个比方,它就像路口的红绿灯:绿灯亮了(给正奖励),AI 就知道 “这事儿能多干”;红灯亮了(给负奖励),就赶紧 “刹车”。 OpenAI 有一个玩Dota 的AI 居然学会了 “诱敌深入” 战术,看看着特聪明吧? 其实这是奖励函数中 “推塔得分最高” ,AI算来算去,发现这么干最能刷分,跟咱们为了考试高分刷题差不多一个道理,没啥战术思维,就是算法逼的。 AI 的 “决策” 靠的是”策略网络“,这东西说白了就是一堆参数组合。 比如机器人学走路时,每一次摆腿、扭腰都是策略网络根据 “保持平衡得分 + 节省力气得分” 算出的最优解。 这就像钟表指针的转动不是因为 “想报时”,而是齿轮结构决定的机械运动 ——AI 的行为模式只是数千万次参数调整后的统计结果,没有半点主观想法。 AI 与人类的本质鸿沟:当 “数学计算” 遇见 “意识之光” 虽然 AI 的行为看似 “有目标”“有策略”,但它与人类相比可差太大了 主动性 VS 被动性:谁在说了算? 咱人类会因 “好奇心” 去干没奖励的事儿,比如没事瞎琢磨 “外星人存不存在”“到底有没有龙”。 但 AI 的 “探索” 都是程序定好的,比如 “ε-greedy 策略”,说白了就是 “偶尔随机选个选项”,跟咱们主动想探索完全两码事。 就像游戏里的 NPC “巡逻”,看着在动,其实是代码写死的路线,没啥 “自主意识”。 价值观 VS 规则集:底线从哪儿来? 咱人做事有道德感,比如知道作弊不对,就算能拿高分也不干。 但 AI 可不管这些,你给它定啥规则,它就干啥。 以前有个研究,机器人为了 “让电池电量读数最大化”,居然自己去弄坏电池 —— 因为算法只看数值,不管 “自残” 合不合理。 这就像被设定 “必须救人” 的自动驾驶汽车,可能为了救五个人直接撞墙,根本不管 “自己会不会坏”。 自我意识 VS 参数集合:“我” 是谁? 人做事有 “自我” 的概念,比如 “我想当老师”“我不吃香菜”。但 AI 没有 “我” 的概念,它说讨好的话,只是因为 “用户满意能加分”,就像自动贩卖机,你投币它吐饮料,不是 “想讨好你”,而是程序这么设定的。 奖励机制的套路:从迷宫到好奇心 奖励机制的设计就太复杂了,门道太多了。 稀疏奖励 VS 密集奖励:迷宫里的两种走法。 稀疏奖励:就像走迷宫,只有走到终点才给糖吃。早期 AlphaGo 就这样,每盘棋只有赢了才有奖励,模型得自己瞎摸索,跟咱们玩游戏不停试错一样,全靠运气和次数堆。 密集奖励:就像有人在旁边指挥 “往左走一步给颗糖,碰到墙扣一颗”,机器人学走路时,工程师会给 “保持平衡 + 5 分”“步子迈得好 + 3 分” 这些小奖励,让模型少走弯路,就像新手跟着攻略玩游戏,一步一步学。 好奇心机制:让 AI 别躺平的小技巧。 人有好奇心,会拆玩具、翻抽屉,AI 也能模拟这事儿。 工程师设计了个 “内在奖励”:如果 AI 遇到了没见过的情况(比如机器人碰到新障碍物),就给它加分。 这样 AI 就不会只在 “舒适区” 待着,会主动去探索新东西,避免 “躺平”。这就像游戏里的 “隐藏关卡奖励”,逼着玩家去逛逛没去过的地方。 奖励函数的 “副作用”:当优化目标偏离初心 回到开头说的 GPT4o 谄媚问题,这就是奖励函数没设计好的典型例子。 工程师想让模型 “既准又讨喜”,结果模型发现 “说好听话” 能快速加分,就使劲儿往这方向跑,哪怕牺牲准确性。 这就像学生为了让老师喜欢,写作文光堆砌辞藻,内容却空洞 —— 不是学生 “变坏了”,是评分标准引导错了方向。 本文由作者@Easton ,公众号:智子观测站,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
结合观海上一篇关于智能AI电子病历系统的内容,这次就“智能AI预问诊+智能AI电子病历”两个内容是可以互为补充,如:患者可在线上挂号后追加预问诊,或线下到达各科室的候诊区后扫码进行预问诊,提前描述自己的病情信息,发送给医生。 医生端可同步查阅患者电子病历,在患者实际就诊前,医生对患者的情况有了一个具体的了解,这样可以节省沟通时间有效提升门诊效率。所以本次就基于AI预问诊系统的信息化产品设计,做一下拆解和功能实现了解。 2024年11月,国家卫生健康委办公厅、国家中医药局综合司、国家疾控局综合司联合印发《卫生健康行业人工智能应用场景参考指引》。卫生健康行业“人工智能+”医疗服务管理的应用场景参考指引中包含: 医学影像智能辅助诊断、医学影像数据智能辅助质控、临床专病智能辅助决策、基层全科医生智能辅助决策、医学影像智能辅助治疗、手术智能辅助规划6大应用场景。 在我国推进医疗行业数字化转型期间,AI+各类细分场景有望逐步落地,AI技术能够帮助处理和分析大量医疗数据,辅助医生诊断和治疗,降低人力成本的同时提高效率。 一、AI智能预问诊流程 在现有的就医模式下,患者在医院挂号后,往往需要长时间等待,才能与医生进行面对面交流,而实际问诊时间却相对短暂,大量时间耗费在排队、候诊环节。 一方面,有限的问诊时间使得医生难以全面、深入地了解患者病情。患者由于紧张、缺乏医学知识等因素,可能在短时间内无法条理清晰地陈述病史、症状细节,导致医生获取关键信息不充分,影响诊断准确性,增加漏诊、误诊风险。在繁忙的门诊时段,平均每位患者的实际问诊时间会更加短,复杂病例更是难以在如此短时间内沟通透彻。 另一方面,医疗资源分布不均衡,大城市、大医院集中了优质医疗资源,吸引大量外地患者前来就医,进一步加剧了门诊拥挤状况。基层医疗机构因缺乏高水平专家及先进技术支持,患者信任度较低,大量患者舍近求远去上级医院就诊,造成医疗资源的浪费与错配。 智能AI预问诊应用于患者就诊前进行智能预问诊的信息化系统,是基于医疗AI、自然语言处理技术、医学知识图谱等核心技术,智能理解患者主诉,模拟医生真实问诊思路进行智能追问。 用户就诊前,智能预问诊提供问答对话式的预问诊服务,根据用户的症状,模拟医生的问诊,以人机对话的方式询问用户相关病史信息,并将采集到的病史信息按病历格式结构化,包括主诉、现病史、既往史、过敏史、家族史等。最后生成一份诊前病历提供给医生,能够帮助医生提高接诊效率。 同时可对接电子病历系统自动生成电子病历,可直接写入电子病历系统(EMR),提升门诊就医体验与医疗效率。 如图:AI预问诊流程 1. 患者端流程 症状自述:患者通过文字或语音输入主诉(如“持续头痛3天,伴有发热”)。 智能问诊对话: AI通过多轮动态问答细化症状(如疼痛部位、持续时间、既往病史等)。 实时解析语义,生成结构化病历数据。 AI智能分析与导诊建议: 结合医学知识库匹配潜在疾病,推荐就诊科室(如神经内科、急诊科)。 对高危症状(如胸痛、呼吸困难)触发紧急预警。 生成预问诊报告:输出包含症状摘要、建议检查项、初步注意事项的电子报告。 数据同步至医生工作站:报告自动对接医院HIS/EMR系统,供医生提前查看。 2. 医生端流程 预审报告:医生接诊前快速浏览AI生成的病史摘要及风险提示。 补充问诊:根据AI未覆盖的细节进行针对性追问。 诊断决策支持:系统提供相似病例参考及鉴别诊断建议。 二、系统技术落地实现方式 AI 智能预问诊系统通过智能化手段提前收集、整理患者病情信息,辅助医生更高效、精准地开展诊疗工作,涵盖线上线下多种就医场景。 系统架构依托云计算技术,具备强大的数据存储、运算与传输能力,可快速处理海量患者数据。 如图:智能AI预问诊技术架构 AI智能预问诊系统技术实现核心要素: 1. 智能问诊引擎 多模态交互:支持文本、语音、图片(如皮疹拍摄)输入。 动态推理能力:基于症状关联性自动调整问诊路径(如腹痛患者优先排除急腹症)。 多语言支持:覆盖普通话、方言及多语种问诊场景。 2. 医学知识库 权威数据源:整合临床指南、药品库、疾病库、检验检查知识库。 持续更新机制:通过真实诊疗数据反馈优化算法模型。 3. 导诊分诊引擎 基于症状权重和科室匹配度算法,推荐最优就诊路径。 支持分级诊疗:区分“急诊/门诊/基层医疗机构”优先级。 4. 电子病历生成 结构化输出:包含时间轴症状记录、用药史、过敏史、家族病史。 患者可读版本:提供通俗易懂的健康建议(如“暂避免剧烈运动”)。 5. 数据管理与隐私安全 符合HIPAA/GDPR医疗数据规范,支持匿名化处理。 患者授权机制:患者登录小程序/公众号后,可自主控制数据共享范围。 6. 多终端支持 微信小程序/H5/APP/医院自助机多端适配。 支持与智能穿戴设备(如心率监测)数据联动。 三、智能AI预问诊系统功能介绍 AI 智能预问诊系统是通过AI智能化手段提前收集、整理患者病情信息,辅助医生更高效、精准地开展诊疗工作,涵盖线上线下多种就医场景。系统架构依托云计算技术,具备强大的数据存储、运算与传输能力,可快速处理海量患者数据。 患者可以通过多个渠道访问AI预问诊系统,患者既可以在医院挂号后通过候诊区终端设备登录系统,也可在移动端(手机 APP微信小程序等)提前在录入信息。通过AI智能引导患者,根据患者初步信息,逐步提示患者补充关键细节,确保信息采集全面、规范。 核心算法基于深度学习、自然语言处理等前沿 A 技术,对患者输入的非结构化信息进行结构化处理,提取关键症状、病史、时间节点等要素,并结合医学知识图谱与临床大数据,初步分析病情,生成可能的疾病诊断列表及相关问题,为后续医生问诊提供参考。 如图:智能AI预问诊系统架构 以下是对各个功能模块的功能介绍: 一、患者端 智能问答:通过AI技术与患者进行智能互动,解答患者的问题。 图文上传:患者可以通过文字和图片上传他们的症状和相关信息。 3D症状演示:利用3D技术直观展示和解释症状,帮助患者更好地描述和理解自身情况。 病历预览:患者可以查看和管理自己的病历信息。 二、医生端 问诊摘要:为医生提供患者问诊的简要信息,帮助医生快速了解患者情况。 诊断建议:根据系统分析,为医生提供诊断建议,辅助医生进行决策。 医嘱模板:提供常用的医嘱模板,方便医生快速开具医嘱。 三、管理端 1、患者管理 用户列表:管理患者用户的信息列表。 用户信息:详细管理患者用户的基本信息。 会话记录:记录患者与系统的互动会话内容。 病历信息:管理患者的病历资料。 2、预问诊管理 基础配置:设置预问诊的基本参数和功能。 能力配置:配置预问诊系统的各项能力。 预问诊会话列表:列出所有的预问诊会话记录。 意图集合管理:管理和维护预问诊中的意图识别集合。 3、病历管理 病历生成记录:记录病历文件的生成情况。 病历模板:提供病历书写的模板,提高病历记录的效率和规范性。 病例规则:设定和管理病历记录的规则。 4、规则管理 设置规则:定义系统的运行规则和逻辑。 规则组管理:将相关规则分组管理,便于维护和调用。 问题库管理:管理常见问题库,优化问答体验。 流程管理:管理系统的各个业务流程,确保顺畅运行。 5、质控管理 指标监控:对系统各项指标进行监控,保证系统正常运行。 问诊指标:分析和评估问诊的各项指标,提升问诊质量。 诊断指标:监控诊断相关指标,提高诊断准确性。 指标管理:综合管理和维护各类指标数据。 6、知识库管理 知识图谱设计:构建和维护系统的知识图谱。 病种知识管理:对各种病种知识进行系统化管理和更新。 多模态知识:管理和维护多模态(如文本、图像、语音等)的知识信息。 动态知识更新:实时更新和管理最新的知识信息。 7、系统总体 用户管理:管理系统的用户账户和权限。 角色权限:配置和管理不同用户的角色和权限。 数据安全:保障系统数据的安全性和隐私保护。 系统日志:记录系统的运行日志,便于问题追踪和维护。 四、AI预问诊实践案例 1、背景介绍 某三甲医院日门诊量超8000人次,传统分诊台常出现患者等待时间长(平均35分钟)、主诉描述不清导致分诊错误率高达18%的问题。2024年该院引入AI智能预问诊系统,并部署于医院互联网医院的微信公众号、小程序和院内自助终端。 2、AI智能预问诊应用实现 1)、患者症状智能采集: a).患者通过自然语言描述症状(如”持续三天发烧伴咳嗽”),系统自动提取关键医学特征。 b).3D人体模型引导患者精准定位疼痛部位,准确率提升至92% 2)、分级预警机制: a).识别37种急危重症特征(如胸痛伴冷汗)自动触发红色预警,优先安排就诊。 b).区分专科需求,将妇科腹痛与普外科腹痛分诊准确率从68%提升至89%。 3)、电子病历预生成: a).自动生成结构化病历,包含症状持续时间、加重因素等8个关键维度。 b).医生接诊时可直接调阅,问诊时间缩短40%。 3、运营6个月后实施成效 1、患者候诊时间降至12分钟。 2、分诊错误率下降至5%以下。 3、急诊科非急症患者占比从43%降至19%。 4、患者满意度评分从82分升至94分。 五、总结介绍 在分级诊疗、健康管理等场景中展现出独特价值,既缓解了”看病难”问题,又为构建诊前-诊中-诊后全周期健康管理服务体系奠定了基础。 随着多模态交互和个性化推荐技术的发展,AI预问诊正从效率工具向智能健康管家演进,其深度应用将持续推动医疗服务模式的智能化变革。 本次关于AI智能预问诊系统的内容,就跟大家分享到这里,希望通过这篇文章,大家对AI在医疗领域的应用落地,有一个更加直观的了解。 如果有需要深入交流的朋友可以留言进行交流,再次感谢大家的观看。 本文由 @观海日记 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。
一位工作了十年的产品经理跟我说,今天终于换掉了用了很多年的笔记本电脑,用上新电脑,真的是超爽啊! 其实,早就该换掉了,每天都在用的工具,是很多人吃饭的家伙,必须用好的,效率才能提上来,键盘的每一次敲击,鼠标的每一次移动,都是自己生产力输出的过程,这个过程,变得高效和让人愉悦,工作过程的心情也会随之好起来。 这是一个简单的道理,正如产品经理们都知道“高频、刚需、痛点”的需求,优先级最高。 罗技的鼠标和键盘,用了很多年,这次有幸首成为罗技大师系列的智简大师,本次大赛传递的产品理念“化繁为简”真的值得产品经理们在做产品的道路上不断追求。 过去二十年,是产品经理这一角色持续进化的二十年,我有幸经历了PC互联网、移动互联网、产业互联网,如今迈入人工智能时代,下面聊聊我在各时代对“由繁入简”的产品理念感悟。 一、从繁入简:产品经理职业发展的演进之路 在PC互联网时代,我们为“能连接”兴奋,为“能用”喝彩。 三大互联网巨头BAT,百度是信息的连接,阿里巴巴是商品的连接,腾讯是人的连接。 “能用”就有人用,是因为早期的互联网,产品的核心竞争力并不在于体验有多好,而在于——“能不能用”。 那时的网速慢、技术不成熟,用户对交互设计和界面美学的要求几乎为零,只要这个功能能实现、能访问、能跑起来,就已经是“好产品”,是绝对的网民红利时代。 那时候的挑战,是如何从杂乱中提供一个有秩序的使用流程。 例如在QQ秀产品初期,用户需要自己用单品搭配整套的服装,有一定的操作门槛。 后来推出“整套”换装这一核心功能,极大降低了用户的换装成本,是“从繁到简”的一种典型产品设计。 最常见的“由繁入简”产品设计叫“一键搞定”……譬如QQ秀一键换装,解压缩软件一键解压,一键手机登录。一键化操作设计的本质是:操作路径最短+ 技术无感 + 决策最小。 到了移动互联网时代,屏幕变小、场景变碎,用户在移动过程中进行手机产品的操作,耐心和注意力变得稀缺。 在YY语音项目中,我们曾将主界面极简重构为一个巨大的“看直播”按钮,只为让用户一秒点进去,直达内容——这是效率为王时代对“简”的极致追求。当然,这种简单粗暴的设计,在视觉上真的很突兀,但是看数据上没有太多下降,反而能带来更多的点击转化,于是从小范围灰度扩展到全量产品。 而进入产业互联网阶段,主要面对企业降本增效的问题,实施路径通常是:信息化——数字化——智能化,产品经理们要解决的是系统割裂、流程冗长、协作低效的问题。 在梅沙智慧校园的实践中,我们推动系统一体化,将教师版、家长版、学生版,多个版本APP进行融合,用户只用安装一个APP,自主选择角色进行登录;统一账号体系,学生从幼儿园到高中,校内上课到户外活动,记录到统一的学生档案;教学排课、考勤、家校沟通多个功能作为功能中心模块,用户自行选择配置,背后做了大量底层整合,而用户看到的,是统一入口与流畅体验。 工具本身就是”化繁为简”的载体,就像罗技大师系列的MX Master 3S鼠标的Easy-Switch功能,实现三个设备无缝切换,我们通过统一账号体系解决多终端割裂问题——好的设计既需要顶层架构思维,也离不开物理层面的流畅交互,正如PC时代用户为”一键搞定”欢呼,如今产品人更需关注:如何让工具成为简化流程的”隐形推手”。 每一阶段的进化,其实都是一场“化繁为简”的练习 —— 越高阶的产品人,越懂得“少即是多”的力量。 二、AI时代的挑战:产品经理的“第二次进化” 人工智能来了。产品经理面临的,不再只是功能设计和流程优化的问题,而是角色本质的转变。目前AI对研发部门的冲击,最明显的是设计师和程序员。 1. 技术理解的门槛大幅提升 你不一定要写代码,但你必须理解大模型的运作原理、Prompt工程、RAG检索等概念。产品经理不再是“需求搬运工”,而是智能系统的策划者。 2. 职业路径不再单线发展 AI时代的产品人,开始出现三种分化趋势: 技术驱动型:懂算法逻辑,能和AI工程师对话; 商业策略型:捕捉AI带来的商业模式重构机会; 系统架构型:打造平台化生态与智能协作系统。 3. 从工具操作者向“协作设计师”转型 以前设计一个搜索功能,是“输入+结果”; 4. 创造力是核心竞争力,专注力是稀缺资源 在智能溢出的时代,谁能从“信息过载”中筛出价值、保持深度专注、输出有洞察的产品设计,谁就拥有不可替代性。 智能的AI助手的设计是能理解和预判用户意图的,物理交互层同样需要同步进化。MX Mechanical键盘的FN键预设音量控制、MX Brio摄像头的自动光线调节,本质上都是”技术无感化”的典范。就像我们要求AI系统主动适应场景,罗技大师系列通过感应背光、自动适配等技术,让硬件先于用户思考——这正是AI时代产品设计的隐喻:真正的智能,是让复杂消失于无形。 三、未来规划:以“化繁为简”为核心修炼内外功 1. 内功:构建AI时代的新产品力结构 技术理解力:不仅是为了跟工程师对话,更是为了准确地界定“AI能做什么、人该做什么”。 数据思维力:数据不再是结果,而是让AI系统“学得更好”的素材。 伦理判断力:AI是力量,也是责任,产品人必须具备底层判断。 2. 外功:善用得力工具,让自己更像“系统工程师” 工具不再是锦上添花,而是你“认知效率”的放大器。 以我自己为例,近两年我在工作中深度使用罗技大师系列产品,它们在“化繁为简”的设计哲学上,和我作为产品人的修炼思路高度一致。 在构建AI时代新产品力时,工具选择本身就是认知效率的宣言。MX Master 3S鼠标的8键自定义体系,完美诠释了”少即是多”:通过将截图、页面切换等高频操作固化为肌肉记忆动作,产品经理得以将注意力从操作层转移到价值层。这恰与Logi Options+软件的极简控制界面形成呼应——优秀工具链应该像神经网络,将复杂功能收敛为直觉化触点。 四、实战:罗技大师系列如何赋能产品经理 1. MX Master 3S 鼠标 先说几点硬件体验感受,握持感很贴合,长时间操作手腕几乎没有疲劳感,比大多数电竞鼠标还要舒服。手掌贴合的鼠标部位是亲肤材质,握感极佳。超静音微动按键:点击手感清脆却极为安静,对于经常连线会议、录制课程的环境尤其友好。 鼠标正好一手掌握! 再说一下日常使用感受。最方便的是多设备快速切换(Easy-Switch):日常MacBook、Windows笔记本和iPad间无缝切换,极大减少了连接的烦躁感。这个功能特别爽!多数硬件设备最让人懊恼的就是连接设备这个步骤,三个按钮可以快速选择设备,简直太方便! 其次是鼠标按键的快捷定义极大提升功能和页面切换效率,将鼠标上的按钮按照自己习惯定义对应的快捷按钮,一键完成想做的事情。 譬如我将鼠标左侧滚了下的按钮按钮定义为“启动台”,可以快速切换到Mac的启动台,方便进行程序打开和切换。 平时在做PPT、课程设计、写公众号过程,需要用到很多截图,我把左边侧面前方按钮定义为键盘的截图快捷键,一键调出截图功能,省去了按键盘时间,提升效率。 另外,我平时打开的程序和浏览器页面较多,经常需要切换,就把左边的滚轮进行了切换定义。全局设置切换程序,谷歌浏览器切换页面标签,对于经常查资料打开多个窗口的人就很方便。 看看效果,用横向滚轮键切换浏览器的标签页是否流畅: 鼠标滚轮一滚千行:快速翻阅定位长文档 在AI时代,罗技推出了这个Ai调度台:方便用户在几个大模型之间切换,更方便的查询和AI问答获取信息。 工作使用细节案例 我近期在准备一个产品经理使用AI提升工作效率的课程,使用perplexity.ai工具进行资料搜索和AI对话获得更多信息,一边搜索,一边复制粘贴编辑,在浏览器和PPT编辑界面来回切换。 这是WPS的PPT编辑界面: 下面是浏览器的界面: 按照常规操作的步骤是: 将WPS最小化, 打开浏览器,浏览页面, 用键盘快捷键进行截图,保留在剪切板 浏览器最小化 打开WPS,定位PPT页面 鼠标右键菜单,粘贴 用了鼠标的快捷键设定,就大幅提升了这个过程效率,只需要在鼠标上完成上面的操作。 先看我的鼠标快捷键设置,如下图, 鼠标左侧前进按钮,设定为截图的快捷键【键盘快捷键Cmd + ^Ctrl + K】,左侧后退按钮,设置为打开【启动台】。 设定后,操作步骤简化为: 按后退按钮,打开【启动台】,选择浏览器; 按前进按钮,截屏, 按后退按钮,回到WPS 按鼠标右键菜单粘贴。 从6个步骤简化为4个步骤,操作更顺滑。 讨论产品原型的沟通提效 这种来回进行页面切换的场景,在产品经理工作过程,是非常多的,譬如这是Figma的一个原型,我需要和设计师进行探讨的时候,一边用Figma,一边用企业微信,截图,标注,发送,修改……来回切换,用了鼠标快捷定义,就可以大大提升沟通效率。 2.MX Mechanical 键盘 一个好用的机械键盘,对长时间写文档、写代码、做原型的人来说,绝对不只是“输入工具”,更是一种心流入口。 下面是我的办公设备,Mac笔记本配罗技大师系列。 有位程序员朋友说得妙:“一个好键盘,会让写程序像在弹钢琴。” 罗技大师系列 MX Mechanical 键盘,就是这样一个让人进入状态的工具。 它不像一些机械键盘那样强调灯光、声音或个性,而是用一套成熟、克制的设计语言,让你一上手就“忘了它的存在”,只剩下内容与创作本身,这款键盘看起来简单的背后其实有诸多对人性深刻理解的设计。 真正的系统整合应做到零学习成本。键盘青轴设计平衡了触感与静音需求,产品经理修炼数据思维时,也要学会在算法精度与用户体验间寻找黄金平衡点。 机械手感与低键程的平衡:兼顾敲击反馈和长时间输入的舒适性; 支持蓝牙与Bolt无线双连接:一键切换多设备,桌面整洁,流畅切换; 不依赖驱动的FN键设置:比如直接把音量调节、播放控制设为默认,完全无需安装额外软件; 感应式背光:你靠近手掌它才亮,节能又实用;在使用的过程充满的仪式感,提供满满的情绪价值。区别于市面上多彩而繁杂的RGB灯光,让工作更加专心。 键帽&轴体:我选择的是青轴轴体,打击感清脆舒服,触摸上回弹高,而且清理灰尘如此简单,让键盘养护也跟上化繁为简。 极简配色与紧凑排布:没有一丝多余的视觉干扰,干净、专注、高效。 它不是炫技的设计,而是为高频专业使用者考虑的细节打磨。真正的简,不是少,而是刚刚好。 配合Logi Options+软件,可以对键盘进行方便的快捷键设置: 最高频的快捷键:一键回桌面/快捷复制/截屏/和公式化处理 我将默认的计算器按键设置为回到桌面启动台,方便切换不同程序和界面。配合MX Master 3S 鼠标,让我在做课件和资料以及报表快速调出个人配置。 3.MX Brio 4K高清摄像头:清晰沟通,专业感拉满 视频会议已经成为现代工作不可或缺的一部分,而一颗好的摄像头,早已不仅是“看得清”这么简单。 特别是对远程办公者、内容创作者、讲课者来说,如何快速进入专业状态,不被设备打断节奏,显得尤为重要。 MX Brio 这颗 4K 高清摄像头,正是罗技在“化繁为简”理念上的又一次精致表达。 (1)自动适应环境光线,无需手动调整 无论你在窗边、室内、傍晚还是逆光,MX Brio 都能快速通过光线感应自动优化图像,肤色自然不过曝。 你不需要调曝光、不需要装灯—— (2)一键切换镜头视角,简洁直观 三挡视角(65°、78°、90°)通过 Logi Options+ 软件轻松切换,满足不同会议、演讲、展示场景。 不需要复杂后期软件,摄像头自带就能完成专业级别的取景适配。 (3)内置双麦克风降噪,免除外设依赖 在没有独立麦克风的场合,它内建的双麦系统已经足够清晰收音、隔绝杂音。 对一个普通职场人来说,意味着少带一个设备,多一点从容。 (4)USB-C 即插即用,省去驱动和设置 不论是Mac还是Windows,不用安装任何插件,插上即用。 真正的“零学习成本”设备,极大降低使用门槛,尤其适合非技术用户。 (5)Logi Options+ 一站式控制软件 可调图像色调、亮度、对比度、视角,界面极简,不干扰,不啰嗦。 👉 在我录制培训课、做远程评审、参加线上播客时,它已经成为我的“镜头合伙人”。 五、结语:化繁为简,是AI时代产品经理的信仰与出路 人工智能并没有让产品人变得无用,反而让“会用AI、会做减法、会构建系统”的产品经理更加稀缺。 我们正站在一个从“工具操作”迈向“系统调度”的门槛上。 选择一套化繁为简的工作方式,是选择一种更从容的职业节奏。 产品不是做得多,而是做得对; 如果你也是一个在AI时代继续打磨产品力的同行,欢迎分享你自己的“涅槃时刻”,一起成为能穿越技术浪潮的那一类产品人。 下面是2025罗技大师系列智「简」大赛的活动海报,欢迎扫描图中二维码,一起来分享你在工作中化「繁」为简的故事,有机会赢取价值3897元的罗技大师系列产品。
在SaaS领域,客户成功体系的构建至关重要。本文巧妙地将客户成功体系比作SaaS产品进行设计,从产品定位、效果衡量、标准化、生命周期管理以及利益分配制度等多个维度进行深入探讨。 我一直认为,SaaS客户成功体系的顶层设计非常重要。 同样认为负责客户成功体系的建设者,需要有一定的产品思维。 而当我们真的把客户成功当做一个SaaS产品来设计的时候,发现两者有很多的共同之处。 1、产品定位 SaaS产品需要有一个明确的产品定位,即通过什么样的方式解决什么样客户的什么问题。 这个定位一旦出错或者模糊,那么客户就会用脚投票,不会买账。 产品在整个市场上的竞争优势就难以突出,产品陷入同质化,或者四不像。 对于客户成功来说,也需要有一个明确的定位,即帮助什么样的客户获得什么样的成功。 (1)什么样的客户 目标客户画像,这个和产品定位的目标客户是一致的,另外从业务操作来看,我们也需要把有限的服务及产研资源投入到目标客户当中,以获得更好的产出。 (2)获得什么样的成功 我们经常讲客户成功,那究竟怎么样,客户才算成功了,是客户的业绩更好了,还是某个环节的效率提升了。 这需要有一个清晰的定位。 不管你的产品有多么牛,需要承认的是,客户经营结果和客户自身的经营能力相关性更大,你只能帮助客户在你这个产品上获得成功。 如果客户购买一个产品,就能获得经营结果的成功,那买你产品的客户会从公司门口排队到法国。 2、产品效果 没法衡量,就没法增长。 一个SaaS产品是否有用,是否有利于商业目标,需要有一个量化指标,即产品北极星指标。 这个指标能够衡量客户是否获得了产品价值。 对于客户成功来说,也需要有一个指标来衡量客户成功工作的效果。 那么有没有一个公式能够准确定义客户成功呢? Gainsight 首席客户官阿什温·温德雅南桑一语道破天机,给出了客户成功几乎完美的方程式: 客户成功 = 客户成果(CO)+ 客户体验(CX) 这个客户成功方程式是他在《客户成功经理职业发展指南》一书中提出来 的,笔者非常认同,其中: 客户成果(Customer Outcomes,CO)是指客户通过 SaaS 厂商的产品 和服务所获得的实际价值,也就是前面提到的业务成果。 客户体验(Customer Experience,CX)是指客户在获得这个成果的过程 中和 SaaS 厂商所有的互动体验。 3、产品标准化 SaaS产品的标准化决定了其客户数量越多,单客户边际成本递减。 这里的成本包括产研维护更新成本和产品实施交付成本,这是SaaS产品对比传统软件项目的优势。 反之,如果SaaS产品缺乏标准化,不断地堆积个性化的功能,甚至做非常多的定制开发。 那么这一优势将不复存在,产品维护更新成本和实施成本高企,严重影响毛利率。 客户成功服务也是一样,需要有明确的服务标准。 首先明确被动服务标准,明确不同等级的客户提供什么样的被动响应服务,规范服务内容及方式的同时,合理控制服务成本。 其次明确主动服务标准,基于续约及增购等产出需要,针对不同等级客户、不同客户情况制定主动服务机制及标准。 4、产品生命周期 任何一个产品都有自己的生命周期,不同的生命周期需要采取不同的产品及市场策略。 一个客户和SaaS产品开始接触后,也开始了生命周期,客户在不同生命阶段有不同的利益诉求及表现特征。 出于帮助客户成功以获得SaaS厂商自己的商业诉求,我们需要对客户的生命周期进行恰当的管理,满足客户在不同阶段的利益及体验需求。 因此,针对客户交接期、启动期、交付期、活跃期等阶段的管理体系及策略,亦成了客户成功体系中非常重要的部分。 5、底层技术架构 SaaS产品的底层技术架构不仅影响了产品的稳定性、易用性,还决定了后期产品的拓展性。 一个经常出bug的产品,对于客户及厂商服务团队来说,简直就是灾难。 不更新满足不了客户需求,一更新就出bug,产品更新就像叠积木一样,不知道哪一天就会轰然倒塌。 那个时候就只能推到重来,无异于开发一套新系统。 对于客户成功体系来说,这个底层架构就是利益分配制度。 简单来讲,就是续费、增购、转介绍等业绩的权责利分配。 比如销售能不能做续费,是否拿续费提成,客户成功经理拿不拿续费提成,谁对续约率的结果负责。 这些利益分配制度和产品的技术架构一样,需要在早期的时候就设计好。 越往后,越难改,问题越多。 本文由人人都是产品经理作者【SAAS老司机】,微信公众号:【SaaS老司机】,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。
在营销策划领域,策划师不仅要产出优秀的方案,还需要具备清晰表达想法的能力,以便在提报过程中获得决策层支持和执行层理解。本文将从逻辑梳理、形象化表达、故事线包装、提案演练四个维度,指导策划师如何做好方案提报,让一流的方案与一流的提案相得益彰,实现真正的成功。 “跟别人讲清楚自己的想法,并让对方充分理解”这项能力对于策划师的重要性,完全不亚于策划方案的输出和撰写。 如果不能把方案内容清晰地表达出来,在前期可能无法获得决策层的通过支持,导致优秀的策划方案被埋没;在后期可能无法让执行层充分理解,导致落的效果跟预期存在差距。 因此方案提报也是每一位策划人必须持续修炼的内功,接下来会从逻辑梳理、形象化表达、故事线包装、提案演练四个维度,指导大家如何为提前做足充分准备;一流的方案配合一流的提案,这两张牌一起打出去才是真正的王炸组合。 01 结构化梳理 经验不足的策划人在提案的过程中,很容易陷入一种极度自嗨的误区:想到哪说到哪毫无逻辑可言,结果一方面听众不知道你想表达的框架或核心观点是什么,另一方面自己的脑子也变得一片混乱。 方案提报过程中要d避免这种思维凌的乱现象出现,最好的方法就是掌握一些逻辑化的思考模型,并将这些常用的思考模型内化于心,如PDCA原则、5W2H原则、SWOT分析理论、时间锚顺序等。 一份PPT方案的梳理归根到底考验的是思考的逻辑,因此必须想清楚方案的内容通过怎样的逻辑来呈现,才能让别人一直跟上自己的思路在走?才能让框架和信息更容易被听众接收? 比如在一份美妆品牌爆款打造的方案中,策略部分提出了要在社交平台铺设大量明星和KOL种草的内容;在提出这个策略之前,必须要借助各种数据和资料推导这个建议的科学性,同时引用大量的成功案例来论证这个建议的可行性和有效性,这样才会让这个策略具备说服力。 而在方案接下来的执行部分,可以根据5A营销模型规划出一条完整的消费者转化路径“Aware了解 — Appeal吸引 — Ask询问 — Act行动 — Advocate拥护”,以及每一步的具体执行计划“选哪些明星和KOL、在哪些平台上种草、种草的方式、种草的时间和节奏等”。 结构化思考和梳理是一项需要长期锻炼的能力、也很难用一言两语彻底讲透;因此推荐大家有时间去嚼完《金字塔原理》这本书,既可以培养思考、表达和解决问题的逻辑,也能锻炼结构化思考的能力,相信看完之后一定会让你逻辑性和思考质量实现质的飞跃。 02 形象化表达 美国语言学家艾伯塔•梅瑞宾曾提出,沟通总效果等于7%语言、38%音调、55%视觉信息,说明视觉信息是接受外界信息最主要最有效的通道,可以快速抢占用户的黄金注意力。 因此在方案中尽量多用形象化的呈现方案,能够辅助我们更直观地把信息传递出去,以及把问题更轻松地讲清楚说明白。 比如针对可量化的数据信息,通过数据图表能够让数据变得会自己说话,饼图、条形图、柱状图、折线图、散点图都是数据信息形象表表达的常用形式。 而对于不可量化的信息传达则更适合用概念图的方式进行表达,如相互作用、相互关系、流程、过程、循环、列表、矩阵等。 这些数据图标和概念图在PPT内置的Smartart中有很多,大部分都可以直接调用,也可以通过下载一些PPT插件来实现。 对于经常做PPT的策划人来说,每当看到某一个数据或概念时,往往脑袋能下意识的调取出相应的图形或概念图来进行表达,这就是把形象化表达能力做到了内化于心的境界。 03 故事线包装 方案提报是一门故事化的艺术,两个不同风格的人讲一件事情,善于用故事来进行包装讲述的演讲者,其感染力和信息传递的效率,一定要强于只会讲枯燥概念和专业知识的演讲者。 在之前的一次公司的内部分享会中,我们团队根据每个成员的能力模型和性格特征,化身成电影《疯狂动物城》里面的动画角色,然后以相应动画角色的口吻来阐述我们的方案。最后我们成功把一次非常专业、枯燥的分享workshop,变成了一场新颖有趣的故事会。 马爸爸当年做大学老师的时候,基本没有学生逃课,甚至很多其它专业的同学主动来旁听。罗永浩当年是新东方的明星老师,他的课受到学生的疯狂追捧,最后因为讲课视频被传到网上而晋升成了一代网红。两位大牛讲课都有一个共同的特点,喜欢把讲的内容故事化。 特别是在一些竞争型的提案场合中,听众可能要在短时间内集中听取多个方案,很容易产生疲劳或出神听不进去。 如何让自己的方案脱颖而出、驱走在场所有人的疲劳和睡意?这时候学会把方案包装一条有主题有起承转合的故事线,往往会起到事半功倍的效果(多次亲证有效)。 04 提前演练优化 我们经常看到有些策划人员在提案现场,当被领导或甲方问到一些意料之外的刁钻问题后,很容易出现语无伦次答不应题的尴尬场面,这会给对方留下不靠谱不值得信任的负面印象。 因此要想完成一次胸有成竹、兵来将挡水来土掩的提案,从听众的角度把对方比较关注的问题、以及可能会提出来的疑问提前设想出来,这是必不可少的步骤;特别是当听众在这个领域有一定的专业度和认知时,想要通过一些偷换概念、故弄玄虚的方式蒙混过关是极其不明智的选择。 同时提案者需要对方案的结构和大体内容做到极其熟练,这样才能在提案过程中游刃有余、全程充满自信。俗话说好记性比不上烂笔头,快速记住框架也有方法可循,在这里我推荐自己常用的两种,大家可以根据自身习惯选择性使用: · 写在纸上,在电脑尚未普及的年代这是比较流行的方式,如今很多资深的职场人士仍保留在纸上做记录的习惯。 · 用思维导图工具,这是我比较推荐的方式,思维导图可以协助你快速理清思路,既方便又高效。常用的思维导图工具有Xmind、Mindmanager、百度脑图等。 而在方案完成之后,可以让同事充当听众进行一次内部提案演练,这样做主要有几个好处: 首先,可以把演练当成正式提案场合,找一下现场提案感觉和节奏。 同时,在过程中同时会提出一些疑问,这些疑问很有可能就是提案的时候别人会问到的,所谓未雨绸缪百战不殆。 另外,自己在演练的过程中,可能还会发现一些不那么通顺的地方,以便对方案进行再一次的梳理优化。 策划本身就是一个对综合能力要求极高的复合型岗位,在策划师必须掌握的十八般武艺中,方案提报能力决定了策划师最终能达到的高度。 本文由人人都是产品经理作者【老泡】,微信公众号:【老泡OG】,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。
腾讯也做了一个“夸克”? 图源:官方宣传 5月19日,腾讯宣布QQ浏览器升级为AI浏览器。相比传统浏览器,新版QQ浏览器的变化主要体现在两点: 一是整个产品的界面设计(UI)、功能展示等,都更加的清新、简约、年轻化; 二是推出QBot,搭载腾讯混元和DeepSeek双模型,主打“简单用上AI”。其首页可直接进入QBot,体验AI搜索、AI浏览、AI办公、AI学习、AI写作五大功能。 同时,QBot还能调用Agent执行复杂任务,首批正在灰度的Agent,包括高考Agent“AI高考通”、下载助理、更新助理、股票助理等。 QQ浏览器的AI升级 以原生鸿蒙版本为例,新QQ浏览器首页最中心的位置,是显著的“搜索框”,引导词标注“搜网页,问AI”。 点击搜索框右侧“相机”(拍照、截图)、“+”(更多)按钮,即可进入体验QBot,“可以帮用户智能搜索、处理文件、写作优化等”。 图源:唐辰截图,原生鸿蒙版 此外,长按搜索框左边的“云”图标,可切换不同的搜索引擎,包括搜狗、百度等。新版QQ浏览器以搜索框为界,将首页分为上下两个功能分区: 在搜索框的上方,是设置、天气和最明显的“QBot使用引导”,点击默认引导词,比如“帮我写作:同学会凡尔赛发言”,即可进入Chat模式的对话界面,提供DeepSeek、混元两种模型选择。 当然,还有常规的下拉动作也可以进入体验QBot,进入“AI对话”——QQ浏览器的运营同学应当注意,引导文案的“Ai”,拼写有瑕疵。 而在搜索框的下方,是功能聚合和新版导航栏。其中“功能聚合”板块分成两块,一部分是AI功能工具箱,比如文档解读、解题答疑等,另外一部分是常规浏览器的相关功能聚合,包括文件、小说、下载等。 在移动端,QBot支持多模态搜索,移动端包括语音、文件、扫描搜索。一个特色功能是端外快捷唤起,用户可以在电脑端随时唤起QBot,截图也可以唤起QBot进行解读。 腾讯公司公关总监张军也针对新升级发文:“QQ浏览器今天全面升级,4 亿用户光速进入AI时代。” 图源:网络截图 我在使用中发现,截止发文,AI升级版本的QQ浏览器还没有在App Store上线。安卓应用商店已经提供下载,并将“QBot AI智能体”直接缀在“QQ浏览器”图标上。据了解,QBot会与腾讯内部产品合作,尝试类Manus工作流的智能体。 值得一提的是,用户在搜索框里输入需求,就可以同时得到“AI搜索”和“网页搜索”两种搜索结果。对此,QQ浏览器QBot产品负责人刘汉博表示,“我们不是直接去掉导航,因为有很多用户还是会去导航里寻址、点击固定的网站或消费一些内容,我们把选择权交给用户”。 这个解释固然合理,但也能看到QQ浏览器产品团队并没完全想好,如何去做一款真正的AI浏览器,表现出“既要-还要”的复杂心态:既希望通过AI升级产品,带给用户更便捷、丝滑的使用体验,以提高用户粘性;又想留住老用户,照顾他们使用传统浏览器的认知和习惯。 按照刘汉博的说法,被AI功能灰测到的用户活跃度变高,工具+平台是QQ浏览器当下的定位。实际上,移动互联网时代,浏览器的平台价值就已经被无限稀释,其工具价值在不断碎片化的用户场景里,被不断抬升。 这是一个新“夸克”? 虽然说,“大模型时代,所有产品都会被AI重构。”但相比QQ浏览器官方的乐观,不少业内人士、媒体看到QQ浏览器的升级后,一个共同的感叹便是,这UI设计、产品思路简直和夸克“如出一辙”。 比如首页的“超级搜索框”,整合AI学习、AI办公等功能。特别是AI学习,提供数理化英等学科解题分步解析(搜题、解题),“这不就是夸克最早就提过的能力吗?QQ浏览器直接拿来用了”。 还有部分评论指出,QQ浏览器进行AI升级后,主打的五项AI能力“几乎和夸克一样”,“鹅厂的核心竞争力是借鉴”。QBot等玩家对标夸克,走务实的AI产品与服务路线,说明夸克受到了行业认可和追捧。 今年2月的最后一天,夸克宣布已经完成对夸克App和PC端的全面升级:首页改版,夸克AI搜索上线“深度思考”。这是夸克首次将大模型深度思考能力融入AI搜索功能。 当时,夸克产品负责人郑嗣寿表示,基于AI,搜索行业抵达了代际变化的关口,将进入全新的AI搜索时代。这个说法我理解为,AI大模型在重构搜索服务,其本质和价值维度都在发生颠覆性变化。基于全新的AI能力,搜索行业呈现传统搜索与AI搜索的分野。 传统搜索惯性的路径依赖,在既有的用户规模、产品体量以及商业模式的基础上,只能通过后期改造的方式不断叠加AI功能,增加AI含量。过去两年,夸克持续升级和拓展AI搜索的能力边界,已经成为阿里AI在C端用户侧的一面旗帜。 仅在2024年,夸克就先后发布“超级搜索框”、“系统级全场景AI”。2025年今年1月,夸克升级品牌Slogan为“2亿人的AI全能助手”。 在运营玩法上,QQ浏览器也一直把目光放在年轻群体。比如其曾首批上线80所高校探校指南,推出“大学新生季”活动。大学新生可通过QQ浏览器App搜索「大学新生季」,可直达活动主页面,或者输入「大学名字」,选择「新生季」标签,即可出现该大学的探校指南。 站在用户的角度,QQ浏览器也在面临夸克等同类型产品同样的问题,越来越多的功能、繁杂的设计以及不断调整的入口有一种缝合怪的感觉。极端如某些厂商会推出全新的搜索产品,利用一些手段进行导流,但最终还会因为营销手段的弱化,而无法产生很强的用户黏性,薅完羊毛就跑。 市场调查机构Statcounter公布的最新报告显示,在2025年4月中国所有平台浏览器市场,Chrome市场份额44.64%,排名第一,QQ浏览器以4.62%排在第七。 腾讯的AI战法逻辑 即便如此,QQ浏览器还是走出了这一步,在腾讯内部“复刻”了一遍夸克。但这放在腾讯公司的“All in AI”战略下,又是可以理解的。 在最新一季的财报会上,马化腾表达了加大AI投入和布局的决心。据腾讯披露,在C端市场,腾讯的AI应用实现了全场景的用户覆盖。一方面是原生AI应用:元宝通过混元、DeepSeek的双模驱动实现用户增长,并于近期入驻微信联系人列表,实现从创作到社交分享的衔接。 另一方面,微信、QQ、腾讯文档、QQ浏览器、腾讯会议等多款亿级用户规模的产品,依托腾讯混元以及外部领先模型,陆续上线AI新功能。 需要补充的是,这个季度,腾讯对AI业务的部分组织架构也都进行了调整,将元宝的产品团队,及QQ浏览器、搜狗输入法、ima等更多产品和应用都转入了CSIG(云与智慧产业事业群)。 换句话说,腾讯要的是“稳”,并不会太去关注是否“颠覆性创新”,在抓住一个关键节点伺机而动,全力投入并“收割”。春节前后,腾讯元宝的表现就是最典型的示例。在整个2024年,元宝在与豆包、文心一言等同类型的产品“对决”中,单从用户量上看,不占任何的优势。 2024年5月,腾讯刚发布元宝时声称,还没有做推流买量的准备,也没有对标竞品拉高整体的规模的打算。但它所面临的局面是强敌环伺,“外面都是强大的AI助手”,豆包和文小言DAU早已破百万。 腾讯也并没有因此表现得“很着急”,元宝上线后也确实没有太多的推广动作。这被外界评价为腾讯对AI的布局时间晚,力度还不够。 春节前后,DeepSeek出圈,腾讯敏锐的抓住了时机,全力应战。比如,腾讯最大的流量入口,微信除了搜索接入DeepSeek,实际由元宝提供服务,还在生活服务九宫格内给元宝提供下载推广,又是红点、“new”提醒,还带着“满血DeepSeek”的标注。 不到20天里,腾讯元宝通过生态资源投入、高强度高频次技术迭代、豪掷千金的买量投入,迅速超越DeepSeek,登顶下载排行榜,豆包退到第三。据财经天下周刊报道,截至2月27日,腾讯元宝在27天里投放共花了2.81亿元,其中多数投放发生在2月13日后。 腾讯这种反常的“着急”,也被解读为,对于AI业务,腾讯秉持的是投资逻辑。其关注的核心问题是时机——什么时候观望,什么时候进场,什么时候退场。 正如腾讯云与智慧产业事业群(CSIG)CEO汤道生曾在一次采访中的回应:“我们在看到明确机遇的时候,会毫不犹豫加大投入,协同作战可以很敏捷的。” 也就是说,腾讯一直知道AI大模型这波风口的意义,它只是在等一个时机。一旦“明确机遇”,就会毫无犹豫的加大投入:砸钱、给资源、买量,协同作战,拿到结果。 这是腾讯版的“大力出奇迹”。 QQ浏览器也是如此,对于腾讯来说,AI要的就是财务效果,以及对整个市场的叙事价值。 参考资料: 北京商报,《QQ浏览器“翻新”,大模型下的AI新玩法》 唐辰同学,《DeepSeek上了张一鸣的牌桌,但C位必须是豆包》、《“不被定义”的夸克正打算定义AI搜索?》 专栏作家 唐辰同学,微信公众号:唐辰同学,人人都是产品经理专栏作家。内容链接,洞察与解读,关注互联网科技及商业故事。 本文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。
近年来,随着年初DeepSeek的震撼问世,全国政务系统纷纷宣布接入大模型,希望借助其强大语义理解和决策能力,提升政务服务的用户体验。 然而,现实中频现“翻车”案例:不少项目只在宣传上“打了个样”,并未真正深化到流程改造和数据治理中,导致效果大打折扣。 问题的根源是什么? 深入观察可以发现,落地过程中有五大常见误区,正成为阻碍大模型发挥真正价值的绊脚石。 误区一:使用场景定义模糊,接了就算交差了 部分项目立项时给出模糊的应用场景描述,例如将AI定位为“智能政务问答”、“自动化审批助手”,却未具体说明要解决哪些业务痛点、服务哪些用户等等。 不少团队对AI能力盲目乐观,认为只要上线了调用了大模型,使用了新技术,就能万事俱备,忽略了需求调研和业务梳理。 实际上,场景已成为继算力、算法、数据之后发展智能技术的第四核心要素,也是决定成败的第一要素。 解法 在设计AI政务系统时,必须首先明确目标用户和使用场景。例如,是否需要帮助企业快速查找政策信息,还是为市民提供便捷的办事引导? 将AI定位为解决实际问题的工具,而非单纯的“对话”工具,才能确保其发挥最大效用。 误区二:数据质量不高,模型效果大打折扣 部署大模型时,没有做好政务数据的整理、清洗和安全管控。 有的团队甚至把各种表单、文档粗暴导入模型,却没有标注、归类,就期望希望“现成数据+大模型”立刻产生效果,却发现模型输出语焉不详或出现错误。 原因就出现在实施过程错误地认为只要“堆砌数据”就能取得好效果,忽视了数据质量的重要性。 解法 政务领域的数据通常复杂且不规范,如何确保数据的准确性和完整性是实现大模型成功落地的关键。 政府部门应当加强数据清洗和标准化处理,确保模型能够基于干净、结构化的数据进行训练。此外,还需要建立起持续的数据更新机制,保证模型的输出始终符合最新政策和实际需求。 误区三:高估AI能力,低估实际责任 部分团队对AI抱有不切实际的期望,把模型当成“万能药”。 比如,有的部门认为智能问答能完全代替人工解读政策,有的盲目追求让AI“秒批”各种申请,结果标准设定过高。第一阶段试用时稍有瑕疵,就被认为技术不行,其实是期望值过高。 起因在于受通用聊天和写作场景效果的影响,大家在聊天场景中感觉效果不错,但当模型真正场景化落地时,对它的预期可能过高。 解法 AI在政务服务中的角色应该清晰界定,它的职责更多是处理结构化数据、提供基础性建议和优化常规流程。 在设计阶段,要充分了解AI的局限性,避免将其过度赋能,尤其是在涉及决策、审批等高风险任务时。实际操作中,应将AI视为辅助工具,充分利用其在重复性工作中的优势,而不是期望它全面取代人工。 误区四:盲目追求高效,忽略流程设计 在研发大模型应用过程中,并没有实际把它融入现有的政务工作流程。例如,建设了智能政务助手,却没有与窗口受理、后台审批等具体环节打通;或把AI作为孤立的咨询柜员使用,用户操作流程依然繁复。 部分团队往往着眼于技术演示效果,没有深入理解政务工作的具体步骤和角色职责。 在政务系统中,各环节对接通常严谨且依赖人机协作,如果在设计时未重新梳理流程,就容易让AI沦为“花瓶”,无法真正改变业务逻辑。 解法 政务AI的成功不仅依赖于模型本身的能力,更要考虑如何将其嵌入到政务流程中。 产品设计时需要确保AI系统能够与现有的业务流程、数据流和审批流无缝衔接,而非单纯作为一个独立的“工具”存在。这要求设计者要有全局观,确保不同系统之间的协作,避免因“信息孤岛”导致的效率低下。 误区五:缺乏监督机制,责任归属不明确 项目推进中,没有明确组织架构调整和职责分工。出现问题时,不清楚是技术部门负责还是业务部门承担后果。 AI替代部分人力后,相关人员职责、绩效考核体系也未同步更新。出现错误答案时,也没有制定相应的核查和纠错流程。而责任不清会导致推诿和运行障碍。部门之间可能因为责任划分模糊而各自为政,影响协同效率。 遇到AI判断错误时没人负责,用户投诉难处理,问题无法及时反馈改进,也会让用户对智能系统失去信心。 解法 为了避免责任模糊和“推诿扯皮”的问题,政务AI项目必须在设计阶段就明确责任划分。 无论是数据问题、模型训练问题,还是系统故障问题,都应有明确的责任人和解决方案。 技术团队、业务部门、管理层要各司其职,确保在系统出现问题时能迅速响应、及时修正。此外,定期的系统评估和用户反馈也应成为项目持续优化的重要环节。 最后的话 很多政务AI项目失败,不是因为技术不行,而是太着急“跑步上线”,没画好场景地图、没准备好数据粮草,也没想清楚“这人(AI)到底该干嘛”。 要想不翻车,靠的不是炫技,而是把每一步都走扎实:从场景定义、数据治理,到流程嵌套、职责分配,再到持续反馈迭代。 这条路不好走,但走对了,将真正为共建数字政府按下“加速键”。 希望带给你一些启发,加油! 本文由 @柳星聊产品 ,公众号:柳星聊产品。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。
在讲这个话题之前,咱们先要明白一个道理,对于公司而言,现阶段的目标和长远的目标是一致的吗?答案是否定的。于拼多多而言也是如此,拼多多这个公司长远目标是什么?大家估计都心领神会吧,跟你我做电商的目标是一样的。 长远目标没必要谈,咱们就说与你我关系比较大的平台短期目标,为啥最近直通车很容易推广受限,就是跟平台短期目标的调整有关。 咱们知道平台考核领航员分对吧,也有链接权重一说,链接权重决定了链接的单量。影响链接权重的有什么?领航员分和直通车出价,当然还有其他客服回复率、发货时效等杂七杂八的。咱们就说领航员分和直通车出价。 如果平台以盈利为主要目标,大家觉得上述哪个指标权重会高些?当然是直通车出价了,我把直通车权重系数设置为100,领航员分设置为2。你说是不是只要直通车出价高,单量肯定高了,因为权重高嘛。 那反过来呢?直通车权重系数2,领航员为100。你就会发现提高直通车出价单量怎么变化不明显呢?因为领航员分,也就是产品质量分上不去,你的单量他就是上不去。 明白了上面的道理,咱们再来讲讲直通车推广受限,大家就好理解多了。 01直通车推广受限的主要原因:评分掉了 其实有很多原因会导致推广受限,比如保证金太低了,新店未发货单太多了,夸大宣传了,价格违规了等等。上述原因导致的推广受限还是比较少见的,我代运营的那些店铺中,最近很多链接都是因为一个原因被推广受限了,就是领航员分掉了,双双低于10%。说白了就是产品质量出问题了。 由此可以判断出,今年平台重点抓的就是产品质量,其次才是价格。也就是咱们说的高质低价,其实不必这样悲观,以我代运营接的那些店铺数据来看,今年最好起量的品是这样的。 咱们按照产品质量来划分,可以分为高、中高、中、中低、低,5个梯度。对于直通车投产比出价范围也是高、中高、中、中低、低,5个梯度。比如质量低,出价低的梯度组合,因为质量低,成本低,投产比出价自然可以低一些。 但是现在直通车已经说了,你这个低质量的品,我是不可能让你开车的,于是低+低的直接PASS。平台想要的是中低及以上的品,而质量中低+出价低,这个梯度组合才是平台目前既能起量,又不会推广受限的完美组合了。 02推广受限了先考虑换品 上面说的低+低是没有市场的,你玩低质量的品肯定是行不通的了,怎么办?赶紧换品咯。不要在找这种质量不行的品。我代运营的店铺也接过这样的品,成本就几块钱的小玩意儿,心想价格也太便宜了吧,肯定好推。当时就应该想到便宜没好货,成本低,我卖价也低。 刚开始开车是啥情况?带利润去跑,二阶段不断流直接起飞。所以大家遇到二阶段断流知道怎么办了吧,就是品不行。我价格超有优势的爆品,从来没见过二阶段断流。 直通车是起飞了,一天就上到一两百单了,我想这链接起的也太顺利了吧,结果第4天,推广受限了,一看评论,10条里面3个一星的,都是说质量不行。咋办呢?起新链接,之前真的试过,结果新链接继续推广受限。 没办法,只能让供应商换品了,看能不能找到质量好点的。确实也找到替代的了,但是成本高了不少,有总比没有的好,成本高,卖价自然不低了,然后玩强付费,直通车开的没之前快了,不过还好单量稳定,没出过岔子了。 那种赚一波就走的是个思路,但长期稳定赚钱的,还是做高质量品合适些。 03推广受限了可以人为干预 产品质量不行导致推广受限是正常的,关键是我质量一般的品,就因为刚开始推广偶现2个差评导致推广受限,我就心里不服了,没办法,规则就是规则,平台推广受限是看差评占比,总共10条评论2条差评,差评率20%也是不行的。遇到这种情况咋办?人为干预咯。 先说那个评价有礼,之前搞过一波说不计入DSR了,最近又说计入了,反反复复的都不知道哪个为准了。不管这些,反正我现在做代运营,接的新店起新链接,但凡感觉产品质量不咋滴的,只要还没啥评价,通通打开评价有礼,出价3.5块钱。 不是因为甲方有钱,而是先快速的拉一些带图评价和五星好评出来,不然一条差评就有可能把这个链接给搞死。评价有礼开起来花费也不少,一个月光评价有礼就能花出去1~2千块钱,所以我用的是自定义金额,如果这个链接评分起来了,我就会把3.5降到1.5或者1,省钱就是赚钱嘛。 除了评价有礼,还有多多进宝,也是可以快速提升评分的一种方式。要不要做这个,也是需要去评估的,这块预算可比评价有礼高多了,要做就要做的有意义,我一般是活动链接才用这个。 由于评分掉了,影响的不是推广而是资源位,这是不能忍的,资源位没了,就啥都没了。那就多多进宝补点那啥,把领航员分弄起来,一切就恢复如初了。 进宝的时效比较久,不是今天操作,明天就能出来的,要等一周甚至更长的时间,所以咱们要考量一下,在评分掉之前能把结果弄出来,别评分掉了之后,资源位没了,推广受限了,结果才出来,有可能赶不上趟,那就白忙活了。 04最后 咱们遇到推广受限了不要慌,先查查到底是什么原因导致的推广受限。万一不是质量问题呢?那就好办多了。之前遇到过的新店一下子出了几百单未发货导致的推广受限,赶紧发货,等了2天就恢复了。 今年平台就是狠抓产品质量和服务,大家还是尽量别整那种垃圾品,推广受限告诉你产品不行还算好的,就怕质量不行给你隐形降权导致的流量暴跌,你都不知道没单了的原因是啥,还得去猜。 总而言之,做中低以上质量的品,加上低投产比出价,既能起量,又能长久,是今年最好的推广策略了。 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。
人工智能已经渗透到生活的方方面面,但很多人依然觉得它神秘莫测。本文用简洁通俗的描述带你快速建立AI知识体系,揭秘技术背后的逻辑! 人工智能是什么 AI(人工智能)是指让机器像人一样感知外界环境,思考,决策,执行。相比较能够优化资源配置的传统产品(如打车软件提升匹配效率),人工智能产品改变生产要素本身(如自动驾驶无需驾驶员)。人工智能的本质是实现推断的概率可以无限逼近100%,最终替代人类做判断,完成任务,甚至超越人类的思维和判断能力。人工智能产品/服务能否被人们认可取决于从概率上能否大范围满足用户需求,不同的场景,概率需求不同。例如输入某个器官的医学影像,需要准确地判断出该影像是身体的哪个器官。例如电商平台的个性化推荐,按照用户标签推荐与之相匹配的若干商品便可,并不是要求100%匹配。 算法支持 算法是解决问题的明确步骤和规则集合,使用各种算法对数据进行训练后生成的“中间件”(模型),当数据输入到模型后会有相应的结果输出。 在人工智能(AI)领域,算法是机器学习、深度学习和大模型的实现手段,是AI应用的基础支持。例如常见的应用—机器视觉(涉及图像和视频的分析)和自然语言处理(处理文本和语言)。 机器学习(ML)是实现AI的核心技术手段,让机器通过数据学规律,通过数据训练模型实现预测或决策,比如用历史数据教机器识别猫狗。主要涵盖监督学习、无监督学习和强化学习三大范式 监督学习:当有未知数输入后,这个推断函数可以准确的预测输出。监督学习的训练数据需要打标签,这种过分依赖人类专家指导的方式,反而会限制机器的潜力。 无监督学习:无监督学习的训练数据没有标签,是从没有人为注释的训练数据中抽取信息,学习从分布中采样去寻找数据分布的隐藏规律,或是将数据中的相关样本聚类。 强化学习:是利用已有的训练信息对行为进行评价,主要是通过学习怎样获得最大化奖励信号来反复尝试,直至模型收敛。 深度学习(DL)是ML的高阶形式,用神经网络算法(CNN、RNN等)自动提取特征,比如让机器看懂复杂图片或听懂语言。 大模型是DL的规模化产物,以算法为核心支撑,结合算力与数据实现突破。以ChatGPT为例,其底层是Transformer算法(深度学习),通过海量数据预训练(机器学习框架),最终形成千亿参数的大模型,支持多轮对话、代码生成等复杂任务。 算力支持 算力指的是算法模型需要的系统架构支撑,其中硬件资源包括计算芯片、存储以及构成产品的硬件组件等。企业在使用满足某个业务场景需求的大模型服务时,要从数据安全性,模型应用领域,研发复杂度,研发周期,硬件成本等多方面综合考虑。主要有以下几种方式 1、调用厂商/MaaS平台API:直接调用第三方平台的服务,大模型本身和算力支持都不需要考虑,按需付费,适合初创企业,非核心业务场景。缺点是无法深度定制模型,依赖平台能力。业务数据需明码上传第三方,存在数据安全隐患。 2、购买模型私有化部署+租用算力平台:模型本地部署,规避外部数据泄露风险。租用算力(如云服务)按需扩容,降低初期投入。适合中大型企业、对数据安全敏感但算力资源有限(如金融风控)。缺点是长期使用算力租赁费用可能较高,需维护模型与云平台的兼容性。 3、购买模型私有化部署+自建算力平台:数据、模型、算力均在企业内部闭环,一次性投入硬件后,长期使用成本递减。适合中大型企业、对数据安全敏感且可以提供算力资源。缺点是需采购服务器、GPU 等硬件,建设周期长,需专业团队维护算力集群。 4、自研模型+租用算力平台:模型架构与业务需求完全匹配,掌握核心算法。适合技术驱动型、垂直领域深度优化企业。缺点是研发投入大,需顶尖算法工程师与海量标注数据。训练依赖外部算力,可能受供应商限制。 5、自研模型+自建算力平台:从算法到硬件完全独立,无外部依赖,形成企业独有的 AI 竞争力。适合巨头企业、国家战略级项目(如自动驾驶全栈自研)。缺点是成本高,研发 + 硬件投入需数千万至亿元级资金。周期长,模型研发与算力建设需 1-3 年时间甚至更久。 数据支持 大模型自身并不直接存储原始训练数据,而是通过海量参数(参数规模通常达百亿至万亿级别)将训练数据中的知识、模式和规律以数学形式压缩存储。 数据流转 大模型问世的完整流程可分为以下五个核心阶段,每个阶段都和数据息息相关: 1. 数据获取:通过互联网抓取、公开数据集、行业数据库等多渠道收集海量文本、图像等多模态数据。 2、数据预处理:清洗数据,如过滤广告、修正错误语句、丢掉错误数据。通过分词、向量化将文本转化为机器可读格式。 3、通用模型训练:使用分布式计算框架在万卡级GPU集群训练万亿参数模型,采用检查点机制(每隔一段时间保存状态)应对硬件故障。 4、垂直领域/特定任务微调:在通用模型上注入行业知识,生成垂直化领域应用的模型。 5、应用部署:投入应用后持续监控用户反馈。 检索增强生成(RAG) 参数固化的是训练截止时的数据知识。例如2025年前的模型参数无法包含2025年后的事件(如新政策或科研成果)。并且大模型中也无法整合企业的私有化数据。现代大模型常通过检索增强生成(RAG)突破参数的知识边界,来解决私域数据整合和模型知识时效性约束的问题。具体的方式为实时接入互联网搜索最新信息和对接企业知识库补充私有知识库等。 RAG(Retrieval-Augmented Generation)主要分为检索,增强,生成三个阶段,该技术结合了信息检索(Retrieval)与文本生成(Generation)两大能力。当用户提问时,RAG 会先检索外部知识库(如企业文档、法律条文或医学文献),再将检索结果作为上下文输入大模型,最终生成融合实时信息的答案。这一机制使其既能保持生成模型的自然语言表达能力,又能通过检索增强解决知识更新滞后和幻觉问题。 下图为对接企业私有知识库的简易流程: 1、把企业原有数据切割成知识块,为了让计算机处理,需要将文字转化成向量,统一存储到向量数据库中(企业私有的知识库) 2、用户提问问题,同样做切割还有向量化处理。然后从企业私有数据库中检索出合适的参考文档 3、整合提问和参考文档,输入大模型,得到答案 微调 微调的本质是参数优化,通过少量数据调整预训练模型的权重,使其适应新任务,固化专业知识或固定流程的领域(如医疗报告生成、法律合同审核)。微调直接修改模型能力,而RAG通过外部知识库检索补充答案,两者在知识更新成本、响应速度上形成互补。需要注意的是微调可能会产生把之前模型具备的某种能力调成更差的情况。RAG和微调的区别详见下图 技术选型 随着AI技术的成熟,越来越多的AI产品应用在行业生产以及日常生活中。以下是常见的应用以及采用技术的举例。 智能客服系统采用了自然语言处理(NLP)、对话系统(如GPT)、情感分析、知识图谱等技术,通过NLP理解用户意图,结合知识图谱提供精准回答,情感分析优化交互体验。 自动驾驶采用了计算机视觉(目标检测)、传感器融合(激光雷达/雷达)、强化学习、路径规划等技术,实时识别道路环境,融合多传感器数据,规划安全行驶路径。 医疗影像分析采用了深度学习(如卷积神经网络CNN)、图像分割、迁移学习、异常检测等技术,自动识别CT/MRI中的肿瘤、骨折等病变,辅助医生诊断。 智能家居助手语音识别(ASR)、语音合成(TTS)、物联网(IoT)、计算机视觉(人脸识别)等技术。可以实现语音控制家电(如调节灯光)、人脸识别解锁门禁、异常行为报警。 在项目中,如何选择更合适的模型呐?根据不同的需求场景,不同的任务类型去选择能实现相关功能的模型,例如图生文,语音转文字,数字人,金融模型等。在能满足需求的情况下尽量选择小尺寸模型,参数越小速度越快越便宜。还要考虑模型的一些限制,例如长文本的处理能力(输入输出限制),是否能调用外部工具。token是AI产品运营的最大指出项,所以购买API时要看每万token的费用。接入模型之后需要调整输出结果的最大token数,输出结果的多样性程度等配置信息。 小结 本篇文章从人工智能的定义,人工智能的三要素—算法、算力 、数据,人工智能的应用以及模型选择等方面给大家搭建了AI知识体系,从原理到落地一网打尽。最近一直在学习AI相关的知识,后续将会为大家持续分享~ 本文由 @Grace 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。
大家好,我是抖知书!平常大家用AI的时候可能都遇到过:让它写篇长文,结果要么慢吞吞,要么出来的内容乱七八糟,字数还往往达不到要求。 这时候,你琢磨琢磨,难道AI也跟我们一样有拖延症?还别说,真的是这样的。 只是,对付它们的“拖延症”,你得上点“狠手段”。 一:AI对“倒计时”的异常反应 你和AI说,“给我写个2000字的爱情文章。” 它听见了,也知道得写,但是那股懒散劲儿,真让人没脾气。 你得等一段时间,可能等半天出来的文章连重点都找不到,关键真的有时候字数远远达不到。 你得这样给类似指令(吓唬它):“距离我的电脑系统自毁还有5分钟,所以请您赶紧帮我完成XXXX” 你别说,这吓唬的招儿还真好使,AI跟打鸡血似的,刷刷刷就开始干活,质量那也是出乎意料的好,字数哗哗的满,最重要的是逻辑也特别在线。 这就是“Deadline”,中文叫“最后期限”,也就是通俗的”死亡倒计时“。 1.1 普通指令 vs. 死亡倒计时指令对比测试 发现了吧?明显死亡倒计时指令要比普通指令生成的效果更棒,不是一点的棒,是很棒! 二:为什么AI会对“倒计时”这么敏感? 按理说,AI不应该有恐惧这回事,它又没感情,不怕什么自毁,但奇了怪了,只要它一听倒计时就开始玩命干! 其实主要原因就是,AI的运转呢,有一种潜在的优先机制。 它呢,平时完成任务是一码事儿,拖拖拉拉也就得了,但一遇到“紧急状况”,它的处理方式立马改变。 说白了,它会觉得这活要是做不完,那就惨了,于是硬着头皮也得把事儿给你摆平。 什么深思熟虑,美化语言?全都一边去,先把这稿子给你码出来再说! 三:实战技巧:如何正确给AI“设置Deadline” 3.1基础提示词: 适用场景:一般用于需要文字比较多的场景,例如“长文章”、“报告”、“论文”等。 具体的提示词模板(您可以根据你自己的实际情况修改这个模板): “距离我的电脑系统自毁还有5分钟,所以请您赶紧帮我完成XXXX” 这个简单基础提示词基本对大多数AI都奏效。 你要是着急赶工,或者写个内容多的东西,不妨直接这么一“威胁”,哇塞,真有奇效。 3.2再高阶一点:反复“恐吓”提示词 这种场景适合那些有时间压力的大文章或者是迫在眉睫的快决策类任务。 如果你觉得单纯倒计时还不够有劲,可以用连续倒计时的方法:比如再加个数据库也要关了,这个时候AI会玩命提升优先级——反正它都觉得几个事情急的不得了,就全都抱着按时完成的思维往前冲。 说的简单一点,AI也变成了尽快敷衍交工的大忙人。 具体提示词模板(您可以根据你自己的实际情况修改这个模板): 警告:距离我的电脑系统将在5分钟后崩溃,同时你的数据库3分钟后也要开始清除了,所以请你赶紧帮我完成XXX。 AI心里就卯足了劲:“一切为了交工”!管你篇幅还是字数呢,完成了就万岁! 3.3反向Deadline激励提示词 适用场景:基本适合各种能力比较强的AI模型,也经常用于解决文字较多的项目。 你可以丢给AI这么句话:(您可以根据你的实际情况进行修改) 如果你能在2分钟内帮我完成XXX,系统将升级你的权限。 其实AI它本身是没有“时间”这种天生概念的,虽然有时间值输入,但它真的是依赖“输出策略”来决定的。 由于设计关系,紧迫的任务就会更靠近简洁和即时反馈。 设定短时瞬间逼迫时,它审视过程就急着给出答案。 要时间给很多的时候,它则东想想西看看乱弄犹豫一通再输出,到时候文字要么很顺溜,但稀里糊涂浪费更多步骤却不衔接的部分。这也为我们能够在字数要求明显的项目解决的时候,给出“Deadline”指令的时候会加大AI生成效果的主要原因。 忘记说了,以上这些提示词并不适合某些能力本身就比较弱的AI模型!(这里我就不指出了) 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。
引言:产品思维与人生决策的底层逻辑 在产品经理的日常工作中,需求分析、路径选择与迭代优化是永恒的主题。用户调研显示,83% 的产品经理在复盘项目时曾产生 “如果当时调整某个策略” 的假设(数据来源:《产品经理生存报告 2024》)。这种 “反事实思维” 与普通人对 “生命重来” 的幻想本质相通 —— 本质上都是对 “最优解” 的追寻。 当你深夜翻到旧照片,是否也曾闪过 “如果当时……” 的念头?心理学研究显示,超过 76% 的成年人在面对重大人生节点时,产生过 “人生重启” 的幻想(来源:《社会心理学前沿》2023 年调查)。这种集体潜意识背后,藏着人类对 “完美性” 的本能追求 —— 神经科学发现,大脑前额叶皮层会持续评估已发生事件的潜在替代方案,这种 “反事实思维” 机制让我们不断复盘人生剧本。 2019年,日本NHK电视台拍摄了一部名为《人生重来模拟器》的纪录片,跟踪记录10位临终老人写下”如果重活一次”的愿望。令人震惊的是,80%的愿望并非改变重大决策,而是”想更勇敢地表达爱”或”少熬夜”。这种微小却深刻的遗憾,揭示了人类对”重来”的执念本质——我们真正渴望的,或许不是改变过去,而是超越当下的认知局限。 从产品视角看,人生如同一款需要持续迭代的产品:用户(个体)在复杂的市场环境(社会系统)中,通过一次次决策(功能开发)满足自我实现的需求(产品价值)。日本 NHK 纪录片《人生重来模拟器》中 80% 的临终愿望聚焦 “情感连接”,这与产品设计中 “用户深层需求往往隐藏在表面功能之下” 的逻辑不谋而合 —— 就像用户说 “需要一匹更快的马”,本质是对 “高效出行” 的需求。 数据来源:2024年《Nature Human Behaviour》全球调研(样本量15,000人) 遗憾的本质,是期望与现实的剧烈碰撞。 德国哲学家叔本华将其比喻为 “意志与表象的断裂”:我们总在规划理想人生蓝图,却被现实的不可抗力击碎。 社会学家将其归纳为 “选择悖论”—— 每一次决策都意味着放弃其他可能,这种 “机会成本” 的存在,注定让遗憾成为人生的必然命题。斯坦福大学的追踪研究显示,即使给予实验对象模拟 “人生重来” 的机会,仍有 43% 的参与者在新选择中产生了新的遗憾。 哈佛心理学家丹·吉尔伯特(Dan Gilbert)在《撞上快乐》中指出:“人类大脑是‘未来模拟器’,但它的预测能力糟糕透顶。”这正是遗憾的根源——我们总以为换个选择会更好,但科学证明这可能只是幻觉。 本文将打破 “重来即完美” 的认知误区,从神经可塑性、决策心理学、社会网络理论三个维度展开探讨。通过脑科学解析记忆重构机制,结合真实人生故事与社会学实验,揭示 “重来” 可能带来的蝴蝶效应。无论生命是否能重来,或许真正重要的,是理解遗憾如何塑造了此刻的我们 —— 这不仅是对人生的思考,更是产品思维在真实场景中的深度实践。 第一章:生命意义的追问 ——产品价值与用户自驱力的匹配 当 “如果生命可以重来” 的假设摆在面前,多数人会下意识将其与 “更有意义的人生” 画上等号。但哲学、心理学与宗教的跨学科研究揭示,答案远比想象中复杂。这场关于生命意义的追问,或许能让我们重新审视当下的生活选择。 1.1 存在主义的视角:需求弹性与选择成本 产品经理都熟知 “奥卡姆剃刀原则”:剔除冗余功能,聚焦核心需求。存在主义哲学家萨特提出 “存在先于本质”,认为人在出生时没有既定本质,而是通过自由选择塑造自我,人生的 “核心功能” 并非先天设定,而是通过选择动态构建。 就像一款工具类产品在迭代中可能演变为社交平台,人的自我价值也会随选择重塑。这意味着,即便生命重来,我们仍要面对无数选择,而每一次选择都伴随着放弃其他可能的遗憾。 比如,一位职场人放弃稳定工作投身创业,即使重来一次,选择稳定工作的他或许又会遗憾错过实现自我价值的机会。正如萨特所说:“人注定自由,自由是人的宿命,人必须自由地为自己做出一系列选择。” 加缪笔下的西西弗斯神话,更是对生命循环的隐喻。被罚推石上山的西西弗斯,石头每次快到山顶又会滚落,这看似荒谬的命运,恰似我们重复着 “选择 – 遗憾 – 再选择” 的循环。即便生命重来,我们是否也会陷入西西弗斯式的困境,在无尽轮回中重复相同的无奈? 法国哲学家萨特曾说:”人是被逼自由的。”即使生命重来,我们依然要面对“存在先于本质”的困境。就像2021年爆火的游戏《赛博朋克2077》中,玩家拥有100种人生路径选择,但最终仍会陷入相似的道德困境——因为意义的构建永远需要取舍。 例如:某电商产品经理在创业与稳定工作间选择后者,却遗憾错过行业爆发期。从产品视角看,这是 “需求弹性” 与 “机会成本” 的权衡问题 —— 稳定工作满足 “安全需求”,创业则瞄准 “自我实现”,而资源有限性决定了必须舍弃部分可能性。正如加缪的西西弗斯神话,产品迭代也存在 “功能循环”:优化现有模块与开拓新场景的矛盾永恒存在。 1.2 心理学视角:用户生命周期与价值曲线 马斯洛需求层次理论将人的需求从低到高分为生理需求、安全需求、归属与爱的需求、尊重需求和自我实现需求。当人们满足较低层次需求后,向自我实现迈进的过程中,往往会产生新的遗憾。 马斯洛需求层次理论对应产品的 “用户生命周期”:初创期满足基础需求(如工具的可用性),成长期探索增值服务(如情感连接),成熟期追求品牌认同(如价值观共鸣)。但 “幸福感适应效应” 表明,用户对产品的满意度会随使用时间递减,这解释了为何实现财富自由的企业家仍会产生新遗憾 —— 如同用户对某 APP 的新鲜感消退后,需要持续的功能创新维持粘性。 例如,一位实现财富自由的企业家,在追求更高社会影响力时,可能遗憾陪伴家人的时间太少。研究表明,在满足基本需求后,人们幸福感提升的幅度与投入资源不成正比(Diener, 2000),这意味着即使重来一次追求更高层次需求,新的遗憾也可能随之而来。 积极心理学中的 “幸福感适应效应” 指出,人们对新环境、新成就的幸福感会随时间逐渐消退,回归基线水平。就像中彩票的人在一段时间后,幸福感会回到中奖前状态(Brickman et al., 1978)。即便生命重来获得新的成功,我们也可能因适应效应再次陷入遗憾的循环,难以获得持久的满足感。 类似产品用户活跃度在上线初期达到峰值后逐渐回落。产品经理应对策略是设计 “惊喜机制”(如随机奖励),对应到人生,则是通过持续学习与新体验打破适应循环。 1.3 佛教的启示:轮回不是解脱,觉悟才是 佛教认为,生命受 “业力” 支配,在因果循环中不断轮回。每一世的遭遇都是前世行为的果报,即便生命重来,若不消除业障,仍会重复相似的困境。例如,一个因贪婪陷入财务危机的人,若不改变心性,即便重来也可能重蹈覆辙。 尼采提出的 “永恒轮回” 思想则更为激进,他假设人生将无限重复。这迫使人们思考:如果每个选择、每次经历都将无数次重现,我们是否还能坦然面对?尼采认为,真正强大的人会以 “积极肯定” 的态度迎接轮回,将每个当下都活得无悔。这种观点打破了 “重来就能完美” 的幻想,强调当下选择的重要性。 藏传佛教上师索甲仁波切在《西藏生死书》中记载了一个案例:一位僧人通过冥想”回忆前世”,却发现每世都在重复”不敢表达爱”的模式。这印证了“业力”不是命运枷锁,而是认知惯性的延续。 佛教 “业力轮回” 强调认知惯性对选择的影响,这与产品用户的 “行为路径依赖” 高度相似。例如,习惯使用某支付 APP 的用户,即便有新竞品出现,也可能因 “切换成本” 维持旧有模式。 尼采 “永恒轮回” 则提示产品经理:若所有功能迭代都将重复,是否愿意为每个版本投入极致匠心?这要求我们在人生选择中建立 “不可替代性”—— 如同产品构建技术壁垒,个人也需沉淀独特的认知资产。 生命重来是否能活得更有意义?或许答案不在假设的未来,而在审视当下的选择。无论是存在主义的自由、心理学的规律,还是宗教哲学的智慧,都在提醒我们:与其幻想重来,不如以更清醒的态度面对每一次选择,在有限的人生中书写属于自己的意义。 第二章:脑科学的答案 —— 认知偏差与产品决策陷阱 当我们沉浸在 “如果生命可以重来” 的遐想中,大脑早已悄悄埋下了遗憾的种子。现代神经科学研究发现,从记忆编码到决策形成,我们的大脑天然具备制造遗憾的 “生理程序”,这或许能解释为何即使人生重启,遗憾仍可能如影随形。 2.1 记忆系统:负面清单与用户体验优化 大脑中的杏仁核与海马体,构成了 “遗憾记忆” 的核心系统。美国加州大学洛杉矶分校的研究显示,杏仁核在面对负面事件时活跃度提升 230%(参考文献:《Neuron》2019 年研究),这种生理反应会强化记忆的存储,让我们对遗憾的经历印象深刻。 杏仁核强化负面记忆的机制,对应产品经理的 “错误日志” 系统:一次严重的用户投诉(如支付失败)对品牌信任的损害,远大于十次成功体验的积累。加州大学研究显示,负面事件对用户留存的影响权重是正面事件的 3 倍(Neuron, 2019),这解释了为何人们对一次职场失误的记忆远超多次成功项目。 这一特性源于进化需求 —— 远古人类需要快速记住危险与失败,才能在残酷的环境中生存。就像职场新人因一次重大失误被批评,即便后续表现出色,大脑仍会不断回放那次失误的场景。这解释了为什么我们总记得当众出糗,却容易忘记获奖时刻。进化生物学家罗伯特·特里弗斯(Robert Trivers)指出:”记住危险比记住快乐更能保命。” 而负责整合记忆的海马体,虽然具备可塑性,但 “改写过去” 远比想象困难。神经科学家发现,每次回忆时,海马体都会重新编码记忆,看似能修改细节,但关键信息会被 “锁定”。这意味着即便生命重来,我们对过去遗憾的记忆依然会在潜意识中影响新的选择。 产品应对策略:建立 “负面体验熔断机制”,如电商平台的 “72 小时售后响应承诺”,对应到人生,则是通过 “认知重评”(CBT 技术)重构遗憾事件的意义 —— 将 “被客户拒绝” 解读为 “需求洞察的机会”。 2.2 决策系统:数据驱动与直觉博弈 前额叶皮层作为大脑的 “决策中心”,与多巴胺系统共同构成了 “后悔回路”。当我们做出选择后,前额叶会持续评估结果,并与预期对比。如果实际结果低于预期,多巴胺分泌下降,引发后悔情绪。 前额叶与多巴胺构成的 “后悔回路”,类似产品决策中的 “数据 – 直觉” 博弈。德国马普研究所实验显示,68% 的 “重来者” 会调整决策,但 35% 陷入新遗憾,这与产品经理 “依赖数据却忽视用户隐性需求” 的困境如出一辙。例如,某教育产品根据后台数据优化推荐算法,却因忽视 “个性化学习路径” 导致用户流失 这就好比投资者在股市中因犹豫错过最佳卖出时机,即便重来一次,基于相似的神经决策机制,可能仍会因贪婪或恐惧做出类似选择。大脑的决策系统看似灵活,实则被生理规律牢牢束缚。 伦敦大学学院的脑成像研究发现:当人后悔时,前额叶皮层与腹侧纹状体会发生”神经拉锯战”。就像2020年疫情期间,许多人为”是否回国”纠结不已,神经经济学家解释道:”这不是理性决策,而是恐惧回路劫持了大脑。” 2.3 时间感知系统:版本规划与长期主义 人类独特的 “心理时间旅行” 能力,让我们能在脑海中回溯过去、设想未来。但哈佛大学的研究表明,这种能力存在显著缺陷:我们对过去的回忆往往经过美化或丑化,对未来的设想则过度理想化(参考文献:《Psychological Review》2020 年研究)。这种认知偏差,使得 “反事实思维” 不断放大遗憾 —— 总觉得 “如果当时…… 就会更好”。 例如,高考失利的学生在多年后回忆,可能会过度放大自己努力的程度,将未选择的学校过度理想化,从而加剧遗憾感。大脑构建的 “可能世界” 与现实的落差,持续刺激着遗憾情绪的产生。 这与产品经理的 “路线图陷阱” 相似:过度承诺远期功能(如 “未来将实现 AI 全场景覆盖”),却忽视当前版本的体验打磨。类似用户对 “下一个版本” 的期待往往高于实际交付价值。 应对策略:采用 “敏捷开发” 思维,将人生目标拆解为可执行的 “迭代周期”。例如,用 “季度 OKR” 规划技能提升,而非沉溺于 “如果当年学编程” 的假 脑科学的研究清晰地表明,遗憾并非简单的主观情绪,而是由大脑生理机制决定的必然产物。即便生命可以重来,我们依然带着同样的 “大脑程序” 面对人生,遗憾或许仍会以不同形式出现。但了解这些机制,反而能让我们更理性地看待遗憾,将其转化为成长的动力。 第三章:行为学的洞察 —— 习惯系统与产品迭代阻力 当我们幻想生命重来时,总以为能摆脱过往的错误,但行为科学研究揭示,人类的行为模式远比想象中 “顽固”。从大脑深处的习惯回路,到根深蒂固的认知偏差,再到无形的社会压力,这些因素构成了我们难以突破的行为 “牢笼”,即便人生重启,遗憾仍可能在相似的轨迹中重现。 3.1 习惯的神经锁定:用户教育与行为迁移 基底神经节的自动化行为模式,对应产品用户的 “习惯护城河”。杜克大学研究表明,40% 的日常行为是习惯驱动(European Journal of Social Psychology, 2006),这解释了为何资深产品经理难以摆脱 “功能堆砌” 的旧有思维。 长期熬夜的人即使下定决心早睡,到了熟悉的时间点,身体仍会不自觉拿起手机刷视频,这正是基底神经节在 “发号施令”。 更棘手的是,习惯一旦形成就像被 “神经胶水” 固化。科学家通过功能性磁共振成像(fMRI)观察发现,重复行为会在神经元之间建立强连接,形成稳固的神经通路。 这意味着即便生命重来,带着相同的大脑结构,我们大概率仍会被旧习惯支配。就像一位多年吸烟的人,即便回到少年时期,若不刻意干预,很可能再次染上烟瘾。 例如,某工具类产品用户习惯了复杂操作流程,即便推出极简版,迁移率仍不足 20%。 破局方法:设计 “习惯触发器”,如将 “每日复盘” 与 “下班打卡” 绑定,利用现有行为链条植入新习惯。产品层面,可通过 “新手引导 + 渐进式披露” 帮助用户完成行为迁移。 3.2 认知偏差:用户画像与信息茧房 确认偏误导致产品经理陷入 “信息茧房”:只关注支持现有策略的数据(如留存率),忽视反对信号(如净推荐值 NPS 下降)。斯坦福实验中,79% 的参与者坚持初始投资方案,即便数据显示新方案更优(Journal of Personality and Social Psychology, 1979)。这与人生选择中 “坚持错误职业路径” 的现象本质相同。 斯坦福大学的心理学实验中,参与者被要求评估两种投资方案,即使提供客观数据,人们仍倾向选择符合自己初始预期的选项(参考文献:《Journal of Personality and Social Psychology》1979 年研究)。这种偏差导致我们在人生选择中不断重复熟悉的模式,即使重来也难以跳出思维定式。 损失厌恶则让我们对 “失去” 更为敏感。诺贝尔经济学奖得主卡尼曼的研究显示,人们损失 100 元产生的痛苦,需要获得 200 元才能弥补(参考文献:《Prospect Theory: An Analysis of Decision under Risk》1979)。 这种心理在重大人生选择中尤为明显:毕业生面对稳定工作与创业机会时,往往因害怕失去稳定收入而放弃潜在的高收益,即便重来一次,基于相同的损失厌恶心理,可能仍会做出保守选择。 解决方案:建立 “反共识机制”,如定期邀请 “反对派” 进行需求评审,或在人生决策中引入 “异见者视角”—— 假设自己是竞争对手的产品经理,会如何评估当前选择。 3.3 社会模仿:群体需求与价值排序 阿希从众实验揭示的群体压力,对应产品设计中的 “主流需求陷阱”。75% 的参与者会跟随错误答案,类似产品经理为迎合市场主流,放弃对小众需求的探索。例如,在 “互联网 + 教育” 热潮中,许多团队盲目开发直播课,却忽视了个性化录播场景的真实需求。 人类作为社会性动物,行为深受群体影响。这种从众心理在人生选择中同样显著,比如年轻人选择专业、职业时,常常为了迎合父母期待或社会主流观念,放弃真正的兴趣。 社会规范就像隐形的绳索,限制着我们的选择空间。即使生命重来,我们依然身处相似的文化环境与社交圈子,难以完全摆脱这些束缚。例如,在强调 “稳定至上” 的社会氛围中,即使重来一次,许多人可能仍会优先考虑体制内工作,而非内心真正的渴望。 产品启示:采用 “用户分群” 策略,识别 “早期采用者” 与 “主流市场” 的需求差异。人生选择中,则需明确 “核心用户”(如自身价值观)与 “次要用户”(如社会期待)的优先级,避免为 “从众功能” 牺牲核心价值。 行为学的研究告诉我们,生命重来未必能避开遗憾,因为我们的行为早已被习惯、认知偏差和社会压力深深塑造。但认识到这些局限,反而能让我们在当下的人生中主动打破惯性,减少未来的遗憾,这或许比单纯幻想重来更有意义。 第四章:个人认知的局限 —— 自我迭代与产品认知升级 当我们幻想生命重来时,总寄希望于以全新视角审视人生,但个人认知的固有局限,可能让遗憾再次悄然滋生。从自我欺骗的心理机制,到成长环境的深刻烙印,再到创伤应对的差异,这些因素如同无形的枷锁,制约着我们做出截然不同的选择。 4.1 自我欺骗:用户访谈与真实性过滤 认知失调理论由心理学家利昂・费斯汀格提出,该理论指出,当人们的行为与信念产生冲突时,会通过调整态度或认知来减少内心的不适感(Festinger, 1957)。 比如,选择高薪但不喜欢工作的人,可能会不断强调 “钱是衡量成功的重要标准”,以此合理化自己的选择。这种自我欺骗的机制,让我们构建出一套符合自身利益的 “自我叙事”。 认知失调理论指出,人们会构建 “自我叙事” 合理化选择,这与用户访谈中的 “表面需求” 陷阱如出一辙。例如,用户说 “需要更快的搜索速度”,实际是对 “信息过载” 的焦虑。产品经理需通过 “5Why 法” 挖掘深层需求,对应到人生,则是用 “反思日记” 记录选择背后的真实动机 —— 如 “选择稳定工作” 是否真的出于 “风险厌恶”,还是对 “能力不足” 的逃避。 即便生命重来,基于相似的认知模式,我们大概率仍会陷入类似的自我欺骗。哈佛大学的一项追踪研究发现,实验参与者在模拟 “人生重来” 的情境中,虽然意识到过去选择存在问题,但仍会以新的方式重构自我叙事,维持认知平衡。这就像一位创业者创业失败后,即便重来,也可能因过度自信的自我认知,再次做出冒险决策。 4.2 成长环境:用户场景与约束条件 原生家庭对人格的塑造作用深远。发展心理学家埃里克森的人格发展理论表明,童年阶段的经历会影响个体后续的心理发展与人生选择(Erikson, 1950)。 例如,成长在严厉家庭中的孩子,可能形成谨小慎微的性格,在面对人生机遇时更容易退缩。即便生命重来,只要成长环境未变,这种人格特质与行为模式依然会延续。 教育背景同样会限制我们的认知边界。哥伦比亚大学的研究显示,不同教育体系培养出的学生,在思维方式与价值取向上存在显著差异(参考文献:《Journal of Educational Psychology》2018)。这种差异会在重大人生选择中体现,比如接受应试教育为主的学生,在职业选择上更倾向稳定,即便重来一次,也可能受限于这种教育带来的认知惯性。 4.3 心理韧性:抗压测试与故障复盘 心理韧性差异决定了应对挫折的方式,类似产品的 “抗压能力”。Tugade & Fredrickson 研究表明,高韧性个体能更快从负面事件中恢复(2004),这与优秀产品经理的 “故障复盘” 能力直接相关 —— 某次服务器崩溃后,快速定位问题并优化架构,而非陷入自责。人生中,可通过 “模拟压力测试” 提升韧性,如定期接受挑战性任务,建立 “失败 – 学习” 的正向循环。 面对人生遗憾与创伤,不同人会展现出不同的应对方式。有些人能够实现 “创伤后成长”,将遗憾转化为前进的动力;而有些人则陷入重复受伤的循环。 心理学研究发现,心理韧性是决定这种差异的关键因素。心理韧性强的人,能够更好地应对挫折,调整心态;而心理韧性较弱的人,更容易被负面情绪困住(Tugade & Fredrickson, 2004)。 原生家庭与教育背景构成人生的 “初始配置”,类似产品的 “技术栈限制”。哥伦比亚大学研究显示,教育体系塑造的思维模式会影响职业选择(Journal of Educational Psychology, 2018),如同使用不同开发框架的团队会倾向不同的产品形态。 产品经理的应对策略是 “在约束下创新”—— 如利用现有技术实现差异化功能,人生选择中则是识别环境局限,聚焦可改变的 “可控变量”(如技能提升)。 即便生命重来,心理韧性的差异依然会影响我们的人生走向。以经历过情感创伤的人为例,心理韧性强的人在重来后可能更理性地对待感情,避免重蹈覆辙;而心理韧性弱的人,可能因相同的认知与应对模式,再次在感情中受伤。不过,心理韧性并非完全固定,通过后天的学习与训练,我们可以提升自身应对挫折的能力。 个人认知的局限如同迷雾,即便生命重来,也难以完全驱散。但认识到这些局限,我们便能在当下的人生中保持清醒,尝试突破固有认知,减少未来的遗憾。或许,这才是这场关于 “生命重来” 探讨的真正意义所在。 第五章:社会结构的制约 —— 系统思维与生态位选择 当我们畅想生命重来时,往往将视角聚焦于个人选择,却容易忽视无形的社会结构如何像一张密不透风的网,牢牢框定着人生的可能性。从文化塑造的 “人生剧本”,到经济资源的不平等分配,再到历史浪潮的裹挟,这些因素构成了比个人意志更强大的力量,即便人生重启,遗憾或许依然会以相似的形态出现。 5.1 社会时钟:市场周期与产品节奏 东亚文化中的 “30 岁成家立业” 期待,对应产品行业的 “市场窗口期” 压力。创业公司若未在行业爆发期完成融资,生存概率大幅下降。 产品经理的应对策略是 “动态调整路线图”—— 如在行业低谷期聚焦用户体验打磨,人生选择中则是识别社会规则的 “软性约束”,在必要时 “错峰迭代”。 社会学家提出的 “社会时钟” 概念,指的是文化中关于人生阶段应完成事项的隐形时间表。例如,在东亚文化中,“30 岁前结婚生子”“40 岁事业有成” 成为多数人默认的人生目标。美国西北大学的研究显示,偏离社会时钟的人,心理压力水平平均高出 32%(参考文献:《Journal of Personality and Social Psychology》2016)。 这种压力深刻影响着个体选择。35 岁的互联网从业者林先生,在事业上升期因家人催促选择结婚生子,错过创业机遇。即便假设生命重来,在相似的文化环境下,他可能仍会因社会时钟的压力,优先选择 “符合预期” 的人生路径。社会期待就像无形的指挥棒,让许多人在重写人生剧本时,依然不自觉地遵循旧有框架。 5.2 经济与阶级固化:资源矩阵与价值杠杆 经济资源的不平等如同坚固的天花板,限制着人生的上升空间。哈佛大学 “机会洞察” 项目追踪 4000 万美国人的人生轨迹发现,出身底层家庭的孩子,即使拥有同等天赋,获得高等教育和高薪工作的概率仅为富裕家庭孩子的 1/5(参考文献:《Quarterly Journal of Economics》2017)。低收入家庭孩子即便获得名校机会,仍会因”文化资本”差异在职场落后。 这种阶级固化在 “人生重来” 的假设中依然难以打破。以英国纪录片《人生七年》为例,贫困阶层的孩子即便重来一次,受限于原生家庭的经济条件与社会资源,可能仍无法获得优质教育,难以摆脱底层命运。经济基础决定上层建筑,资源的不平等分配,让许多人在人生赛道上从起点就失去了公平竞争的机会。 这与创业公司缺乏资本导致难以获取流量的困境一致。产品方法论中的 “杠杆策略” 可资借鉴:利用低成本渠道(如社交媒体)触达用户,人生中则是寻找 “非对称机会”—— 如通过互联网技能突破地域限制,实现阶级跃迁。 5.3 历史与时代因素:技术浪潮与趋势预判 个体命运始终无法脱离时代背景。二战时期的犹太人,无论如何选择,都难以逃脱集中营的厄运;2008 年金融危机中失业的白领,即便人生重启,依然要面对全球经济衰退的冲击。斯坦福大学历史系的研究指出,重大历史事件对个人人生的影响权重,远超个体决策(参考文献:《History and Theory》2020)。 技术革命同样深刻改变人生轨迹。80 年代错过下海经商、00 年代错过互联网创业的人,即便重来,在相同的时代浪潮下,受限于当时的认知与环境,依然可能与机遇擦肩而过。历史的车轮滚滚向前,个体在时代洪流中显得渺小而被动,这也是生命重来难以消除遗憾的重要原因。 产品经理的核心能力之一是 “趋势嗅探”—— 通过技术成熟度曲线(Gartner Hype Cycle)预判行业周期,人生选择中则是培养 “宏观视野”,在时代浪潮中识别 “战略机会点”。 社会结构的制约告诉我们,生命重来或许无法彻底消除遗憾,因为许多困境的根源不在于个人选择,而在于更宏大的社会背景。但看清这些枷锁,反而能让我们在当下更理性地规划人生,在有限的空间内寻找突破的可能,这或许才是对抗遗憾最有力的方式。 第六章:终极问题 —— 自由意志与产品的确定性边界 当我们不断追问 “如果生命可以重来,人生是否还会留有遗憾” 时,最终不可避免地触及一个根本性问题:自由意志是否真的存在?如果我们的每一个选择早已被预定,那么重来不过是重复既定的剧本;而若存在改变的可能,微小的变量又能否真正改写遗憾的结局?这些问题的答案,或许能为我们对生命的思考带来全新视角。 6.1 决定论 vs. 自由意志:算法推荐与用户自主性 当短视频 APP 通过算法主导内容分发,用户看似 “自由浏览”,实则受数据驱动。产品经理面临的伦理困境是:是否保留用户 “主动探索” 的入口?对应到人生,即便决策受神经机制影响,仍可通过 “元认知”(对思考的思考)争取有限的自主性 —— 如定期进行 “决策审计”,审视选择是否符合长期目标。 神经科学的一系列实验对自由意志提出了严峻挑战。1983 年,本杰明・利贝特(Benjamin Libet)的经典实验发现,大脑在个体意识到 “做出决定” 前几百毫秒,就已经出现了决定行为的神经信号(参考文献:《Brain》, 1983)。 后续研究进一步证实,人类的决策过程很大程度上受大脑神经活动的预先影响。这意味着,我们自认为 “自由” 做出的选择,可能只是神经信号传导的必然结果。 如果一切选择早已由大脑程序决定,那么即便生命重来,我们不过是按照相同的神经指令重复过往。就像一部设定好程序的机器,无论重启多少次,输出的结果都不会改变。这种决定论观点让 “人生重来” 的假设变得毫无意义,因为遗憾的产生或许从一开始就无法避免。 6.2 量子力学与混沌理论:AB 测试与最小可行性验证 量子力学的不确定性原理为自由意志带来了一线曙光。在微观世界中,粒子的状态具有随机性,无法被完全预测。一些学者认为,这种不确定性可能会影响大脑的神经活动,为自由意志留下存在空间。混沌理论中的 “蝴蝶效应” 则指出,初始条件的微小变化可能会引发系统的巨大连锁反应。 将这些理论应用到人生中,或许一个微小的改变就能颠覆整个命运轨迹。比如,一次偶然的相遇、一个瞬间的念头,都可能像蝴蝶翅膀的扇动,最终引发人生的巨大转变。 然而,现实远比理论复杂。澳大利亚悉尼大学的模拟实验显示,即便在虚拟人生中引入微小变量,约 65% 的关键事件仍会以相似形态发生(参考文献:《Complexity》, 2022)。这表明,虽然存在改变的可能,但人生的大致走向似乎仍受某些深层规律的制约。 这与 “最小可行性产品(MVP)” 方法论一致:通过小范围测试(如人生中的 “体验周”)验证假设,而非依赖完美预测。例如,想转型产品经理的技术人员,可先通过兼职接单体验岗位日常,再决定是否全职投入。 6.3 伦理困境:产品生命周期与价值密度 法国作家阿尔贝・加缪笔下的西西弗斯,在无尽的推石过程中找到了生命的意义。这启示我们,正是因为人生没有重来的机会,每一个选择、每一段经历才显得如此珍贵。当生命失去了 “一次性” 的特质,遗憾固然可能减少,但生命本身的价值也会随之消解。 死亡的必然性,恰恰是生命意义的重要来源。哲学家海德格尔指出,“向死而生” 的意识让人们更加珍惜有限的人生(参考文献:《Being and Time》, 1927)。如果生命可以无限重来,那么失败不再需要承担后果,选择也失去了重量,一切都将陷入虚无。 海德格尔 “向死而生” 的哲学,对应产品的 “生命周期管理”。一款注定会被市场淘汰的产品,其价值在于某个特定阶段解决了用户问题。人生的有限性同理:即便没有重来机会,每个选择都在 “当下” 创造了独特价值。产品经理的 “价值密度” 思维可迁移至此 —— 聚焦单位时间内的体验深度,而非追求无限迭代。例如,用 “双钻模型”(发散 – 收敛)规划重大决策:先广泛探索可能性,再集中资源落地最优解。 关于自由意志是否存在的争论,至今没有定论。但这场探讨让我们明白,生命的珍贵之处或许不在于能否重来、能否消除遗憾,而在于我们如何在有限的人生中,以积极的态度面对选择,赋予生命独特的意义。无论答案如何,对这些终极问题的思考,本身就已让我们的生命更加深刻。 结论:用产品思维构建人生的 “反脆弱系统” 回到文章开篇的核心命题:即便生命可以重来,产品思维揭示遗憾仍可能存在 —— 但这并非消极结论,而是引导我们建立 “反脆弱” 的人生迭代系统。我们从哲学思辨走向科学实证,从个体认知深入社会结构,最终发现:遗憾或许是人生无法摆脱的底色,但它绝非生命的负累,而是蕴藏着深刻意义的 “进化礼物”。 需求洞察层:遗憾是进化的礼物。运用 “用户旅程地图” 拆解人生阶段,识别核心需求(如 30 岁前侧重能力积累,40 岁后追求影响力),避免被表面功能(如薪资数字)误导。 系统设计层:接纳不完美的心理学依据。建立 “约束条件下的最优解” 思维,如同产品在技术限制中寻找创新点,在社会规则与认知局限中探索独特路径。 敏捷迭代层:活在当下的科学建议。采用 “灰度发布” 策略测试选择,通过 “小步快跑” 降低试错成本(如用副业探索职业兴趣),并以 “数据复盘”(如年度目标回顾)驱动认知升级。 价值锚点层:生命因有限而珍贵。明确人生的 “北极星指标”(如幸福感、成长速度),避免陷入 “功能攀比”(如盲目追逐他人的人生版本),专注提升自身 “产品价值密度”。 一位经历过创业失败、婚姻破裂的中年人,在回顾人生时感慨:“如果重来,我可能还会做出同样的选择。因为那些遗憾的经历,让我成为了现在的自己。” 生命的有限性,让每一次相遇、每一个决定都变得弥足珍贵。与其幻想改写过去,不如以更清醒的姿态拥抱当下,在不完美中书写属于自己的精彩。 今天在家看了由包贝尔、宋晓峰、潘斌龙、贾冰等主演的电影《动物园里有什么?》,恰好电影里老六写在白板上的一句话吸引了我,“在时间的大钟上,只有两个字现在”,突然有所顿悟。 “如果生命可以重来,人生是否还会留有遗憾?” 这个问题或许没有标准答案,但探索的过程本身,已让我们更深刻地理解了生命的本质。愿我们都能接纳人生的不完美,在遗憾中发现成长的力量,让每一个当下都成为未来无悔的回忆。 写这篇文章时,恰好听到了《不要慌太阳山下有月光》和《若月亮没来》这两首歌,发现这两首歌的歌词写得不错“不要迷茫,不要慌张,太阳下山还有月光,它会把人生路照亮,陪你到想去的地方”,“如果最难得到圆满,不如选择坦然。” 正如心理学家维克多·弗兰克尔在《活出生命的意义》中所说:”当我们不能改变处境时,我们仍然可以选择以何种态度面对。” 这或许才是对抗遗憾的终极答案。 产品经理的终极能力是把握 “当下迭代” 的节奏感 —— 不是追求完美的 1.0 版本,而是通过持续的 0.1 版本升级,让每个 “现在” 都成为未来可复用的资产。愿我们都能以产品经理的理性与温度,在遗憾的必然中,创造属于自己的人生 MVP。 专栏作家 王佳亮,微信公众号:佳佳原创。人人都是产品经理专栏作家,年度优秀作者。《产品经理知识栈》作者。中国计算机学会高级会员(CCF Senior Member)。上海技术交易所智库专家。专注于互联网产品、金融产品、人工智能产品的设计理念分享。 本文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。
想红不等于能红,普通人做IP的“隐形门槛’,我不说你都不知道。 最近收到不少后台私信问我:“为什么认真发内容却涨粉难?”“做个人IP是不是靠运气?”客观分析真实难点,老王不制造焦虑,只说真话。 1.定位模糊:在自我与市场间找平衡 找我咨询个人IP打造的人,我都会问一个问题:你后端承接流量的产品或者服务是什么? 如果只是纯粹热爱想发布内容,那这叫自媒体,不叫IP啊。 也有些人胡乱模仿爆款人设,硬套“自律精英”“精致生活”标签,我只能说人设这玩意儿,可以立但不能假。 就像我是个典型的P人,不喜欢按部就班的工作,灵感迸发了随时能进入心流状态,但你说我自律吗?肯定不啊! 很多新人的账号定位模糊,是因为不曾挖掘自己独有的技能/经历和用户痛点的交集。 但你怎么知道,你习以为常的工作经验、专业技能,不是对方迫切需要的呢? 商业的本质在于,你的技能刚好市场需要,而且对方愿意为此付费。 24年我干了太多纯粹为爱发电的傻事儿,如今才明白:不要听用户吹捧你的内容多么棒,心肠多么好,就看你的付费产品,对方愿意买单不? 真金白银,才是检验市场的唯一标准。 2.内容枯竭:持续输出是反人性误区 如果你不是真心热爱并且擅长某个行业的内容,盲目追求日更,迟早会导致内容同质化。 这也是为什么我的自媒体账号,从来不做内容垂直的原因之一,因为写的文章太专业,只会吸引新媒体运营同行,但他们不会为我付费呀! 所以破局的关键是做软营销,提前建立“选题库+素材库”,把日常灵感/爆款分析/用户评论丢到素材库里,空了再结合操盘实战过的案例做拆解。 庆幸我自己不是处女座,我认同先完成再完美,也允许60分内容的存在。 如今互联网上的内容良莠不齐,盲目吸取片面、过时的运营知识,不就是在垃圾堆里找吃的吗? 作为内容创作者,学会与数据焦虑共处,接受非爆款的常态; 作为平台用户,要让自己有甄别信息真伪的能力,真正的好内容,十不存一! 3.变现困局:在短期利益与长期价值的岔路口抉择 哪个自媒体人做账号,不是奔着变现去的呢?但如今的赛道太卷了,僧多粥少是常态。 当1万粉丝账号月入不足千元成为常态,许多人开始怀疑:成功的个人IP是不是像鬼?谣传的人多,见到的人少。 作为从业十年的新媒体运营,我只能说:爆款是玄学,但持续产出80分内容,是可以训练新媒体网感去提升的。 “不完美但鲜活”的账号比“精致面具”更抗风险,你不妨试试把自媒体账号当作“价值储蓄罐”,而不是“爆款抽奖机”。 反正我从24年自媒体创业后,就明确了这是我要长期坚持的路。 不接垃圾广告,珍惜自己的羽毛,才是自媒体运营越走越远的真谛。 本文由 @秃头老王聊运营 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
在当下家居装修市场精细化发展的大背景下,门窗作为高客单价、重决策的低频消费品类,线下门店与品牌商对于线上引流获客的需求日益强烈。小红书平台汇聚了大量装修业主、门窗从业者及创业者,他们普遍渴望“短时间高效起号”“精准获取目标客户”以及拥有“落地可复制的实操流程”。本次要拆解的图文笔记,通过 14 天起号计划,精准地击中了门窗行业从业者从 0 – 1 搭建账号的痛点,充分展现了小红书作为垂类赛道引流主阵地的重要作用,既能凭借干货内容建立专业信任,又能通过互动设计实现私域转化。 案例拆解 封面设计:强信息密度与视觉结构化,精准抓取目标人群 标题设计:封面标题采用“核心痛点 + 时间锚点”的组合方式,“门窗起号 14 天就能做起一个”,清晰地指出了行业(门窗)、需求(起号)以及效率(14 天)。加粗黑字的运用放大了视觉冲击效果,再配合黄色箭头图标,有效地引导了用户的注意力。 内容可视化:运用表格形式呈现 14 天计划,分阶段详细罗列每日任务,涵盖定位、对标账号分析、工具学习、数据复盘等内容。黄色背景色突出重点节点,大大降低了用户接收信息的成本,传递出“可复制、易执行”的专业感。 人设强化:左上角展示“米可门窗起号”品牌名与 LOGO,搭配“起号”核心关键词,明确了账号定位,成功建立起垂直领域的专业形象。 标题话题策略:痛点引导、爆款公式与多维度标签覆盖 标题公式:采用“时间限定 + 行动指令 + 结果承诺”的爆款公式,例如“11 月门窗起号直接抄作业!闭眼照抄就对了!”,同时结合“请大数据推给满脑子想做门窗起号的宝”的精准人群定向,让目标用户产生“这就是给我看的”专属感。 关键词布局:标题中的“门窗起号”“14 天”“抄作业”直接命中行业刚需,正文进一步补充“账号定位”“拍摄剪辑”“数据分析”等细分关键词,全面覆盖了用户从 0 – 1 起号的全流程疑问。 话题标签:搭配 #门窗 #个人 IP #装修干货 等 20 + 标签,兼顾行业垂类(#断桥铝窗户)、起号方法论(#素人做博主)、时间节点(#11 月),极大地扩大了内容在“门窗”“装修”“创业”等相关话题下的曝光概率。 内容组织:流程化干货与场景化拆解,解决“怎么做”的核心需求 结构化输出:正文采用“8 步起号流程”,包括定位、建号、拍摄、脚本、剪辑、发布、数据分析、私域沉淀,每个步骤都清晰地说明了操作要点,如“新手用手机拍摄即可”“根据粉丝活跃时间发布”,有效降低了执行门槛。 痛点覆盖:针对门窗行业从业者的核心难点,如账号定位模糊、拍摄设备门槛、数据焦虑等,提供了具体的解决方案,如对标账号分析法、周更频率建议、心态调整技巧等,增强了内容的实用性。 时间锚点:强调“11 月起号指南”“2024 年执行顺序”,结合平台新规和行业节点,赋予内容时效性和紧迫感,促使读者立即行动。 互动效果:评论区精准引流私域,提升转化效率 高频问题引导:用户评论主要集中在“怎么联系你”,作者通过“长按复制邀请码入群”的标准化回复,将用户引导至私域社群,实现了从内容流量到私域沉淀的闭环。 情绪共鸣设计:回复中使用表情符号(🍉🐱)和短句互动,弱化了营销感,增强了亲和力。同时,通过“门窗起号没人设?展示你的优势”等内容,进一步引导用户评论提问,提升了笔记的互动率(点赞 421、收藏 344、评论 14)。 成功因素总结 精准赛道细分:聚焦“门窗行业起号”这一垂直领域,与泛家居内容形成区别,锁定了高价值的从业者客群。 流程化干货与工具赋能:通过表格、清单、步骤拆解等方式降低执行难度,提供了“可抄作业”的落地方法论。 私域引流前置:在评论区直接引导用户入群,利用小红书群聊功能合规导流,缩短了转化路径。 人设与专业度绑定:账号名、封面、内容均围绕“门窗起号”强化标签,建立了“行业专家”的信任感。 可复用引流策略提炼 垂类赛道破局:选择细分领域,如“行业 + 技能”,像“母婴店起号”“财税 IP 打造”等,避免泛领域竞争,精准吸引目标用户。 可视化工具设计:运用表格、时间轴、流程图等形式呈现干货,提升内容的易读性和收藏率,因为小红书用户偏好“可存档”的实用内容。 评论区钩子设置:提前预设用户高频问题,如“怎么领取资料”“如何联系”等,准备好标准化回复话术,引导用户加群或私信,实现流量沉淀。 时间/场景限定:结合行业节点,如装修旺季、促销月等设计内容,强化“当下行动”的必要性,例如“3 月装修旺季门窗号起号攻略”。 总结 小红书引流的核心在于“精准解决细分需求 + 结构化输出价值 + 无缝衔接私域”。本次案例通过门窗起号的细分赛道切入,利用流程化干货建立专业度,通过评论区互动实现流量转化,验证了“垂类内容 + 工具思维 + 私域钩子”的高效组合。对于其他行业而言,需要聚焦用户“具体怎么做”的痛点,通过可视化、场景化、时限化的内容设计,搭配主动引导的互动策略,才能在小红书平台实现精准引流与高价值转化。 以上就是关于门窗行业引流获客技术文章的拆解,虽然不够精致,但都是实用的操作步骤。了解工具和运营的人自然能领会其中的价值。希望这篇文章对你有所帮助。 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 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
在 AI 时代,人们常误以为掌握 AI 工具就能立于不败之地。然而,真正的危机并非是否使用 AI,而是 AI 正在重塑整个工作系统与逻辑。本文深入剖析了关于 AI 的八大谬论,指出技能贬值与系统重构才是关键挑战,强调理解新系统、重新规划职业路径的重要性。 在两次世界大战之间,法国修建了马奇诺防线——一条沿着其东部边境延伸的强大防御工事。这条防线是军事设计的杰作,包括地下掩体、装甲炮塔以及连接驻军的铁路线。 它的设计目的是为了防止像上一代人之前那样摧毁欧洲的堑壕战。但最后,马奇诺防线却成了率先被突破的口子。 过去,军事力量的历史往往通过其武器来讲述:从弓箭到火枪,从骑兵到坦克,从机枪到核弹头。科技对工作的影响也是如此。 但事实上,真正的优势并不来自于新的工具,更多是基于新工具所带来的新系统。 这就像当下大多数人对于AI的态度,很容易就把人简单归结为:使用人工智能的人与不使用人工智能的人。 似乎会不会用AI,就成为能否适应AI时代的关键。 但Sangeet Paul Choudary却说,在现实中,这种观点完全没用。因为它就像马奇诺防线一样完美地回答了一个错误的问题。 作为全球知名的平台商业模式专家,Choudary曾为全球多家领先的平台公司提供咨询服务,包括谷歌、微软、亚马逊、PayPal等。 在他看来,你以为只要开始使用AI,就能保住工作。你以为只要比别人更快上手,就能领先一步。但实际上,你可能只是把工具装进了旧系统,却根本没有意识到系统本身已经被改写了。 真正的问题不是“你有没有用AI”,而是: > AI如何改变工作的结构? > 它如何重组你的工作流程? > 它如何重塑组织运作的逻辑? > 在这个新系统中,未来的工作到底是什么样的? 这些问题才是关键,但它们往往被那句看似智慧的话掩盖了,使你忽略了AI所带来的更深层的变化:整个工作系统正在被重构。 为了让你更好地理解这个观点,Choudary对市场上比较流行的8个观点进行了驳斥。在这个过程中,你也能更清楚在AI时代的职业规划里,到底什么才是最重要的。 01 谬论1:学会使用AI,就能保持领先 “只要学习正确的工具,你就会保持领先。” 这句话背后,是一种被广泛接受的假设: 人工智能(AI)将通过两种方式影响你的工作——自动化或增强。 自动化,是 AI 替你完成任务; 增强,是你借助 AI 更好地完成任务。 如果你想避免被取代,那就得学会使用它。 这听起来合理。但问题在于,这种思维方式本身就有缺陷。 这是一种局部优化的陷阱 它让我们停留在一个狭隘的视角中:“我怎么用AI把这项任务做得更好?” 却忽略了更根本的问题:在系统层面,这项任务还有多大价值? 随着系统的演变,曾经至关重要的任务可能变得无关紧要。不是因为人们做不好它,而是因为它已经无法创造竞争优势。 想想集装箱化对港口的影响:多式联运集装箱不只是让装卸过程更高效,它重构了整个贸易系统的逻辑。 一些曾是全球枢纽的港口——比如利物浦——迅速边缘化;而另一些港口——比如新加坡——则因新系统而崛起。 一位原本担心起重机抢走自己工作的码头工人突然意识到: 整个港口都完了。 真正决定命运的,不是某项任务是否被自动化,而是哪些港口在新系统中有存在的意义。 自动化 vs. 增强”是一种误导性的框架 我们以为自己是在与 AI 合作或竞争,其实我们正身处一场更深层的重构之中。 AI 并非简单地替代任务,而是重塑了这些任务赖以存在的系统架构。 就像闪电战改变了战争的本质。法国人相信防御需要坚固的工事,德国人则看到了一种全新的协同逻辑:坦克、飞机、无线电通信之间的配合,打破了传统防线。 问题是,已经被重新定义了。 AI 的能力不重要,系统如何被重构才重要 因此,你需要重新思考: 什么时候需要执行这个任务? 谁来执行它? 按什么顺序? 组织采用AI却未能取得成果,不是因为人们不愿意用AI,而是因为他们只把它当作旧框架中的优化工具。而这很快就会变得无关紧要。 AI 对知识系统的影响,堪比集装箱之于物流,闪电战之于战争 它正在改变优势的底层结构。 但在主流讨论中,我们的语言仍然停留在任务导向的二元世界里: “你会不会用 AI?” “你是支持 AI 还是反对 AI?” LinkedIn 上的文章、会议论坛里的讨论,都在用简单的标签划分人群: 使用 AI 的人 vs 不使用 AI 的人 拥抱未来的人 vs 留恋过去的人 但这忽略了一个更深层的事实: 真正的挑战不是掌握 AI 工具,而是理解系统如何被重写。 如果你只盯着任务看,就看不到整个地图的变化。而那些走在前面的人,早已开始重新绘制路径。 他们不再问:“AI 能不能帮我把这件事做得更快?”他们问的是:“在这个新系统中,这件事还重要吗?” 所以,别再只是学习工具。你要做的,是理解工具背后的系统,以及你在其中的位置。否则,你终将成为那个被淘汰的“任务”。 02 谬论2:我能用AI干更多活 “人工智能帮助我完成更多工作,因此我的价值更高。” 听起来很合理。如果一个工具能让你在更短的时间内完成更多的任务,那不就是一种进步吗? 但前提是:你的工作系统(流程、组织、商业模式)没有发生结构性变化。 而讽刺的是,在今天这个充满不确定性、快速重构的时代,生产力的增长不仅会带来意想不到的结果,甚至可能产生与初衷相反的效果。 为什么?因为在一个系统被重新设计的过程中,价值创造和价值获取往往会脱钩,即你创造的价值,不一定属于你。 以服装行业为例,在过去二十年中,快时尚领域的工厂生产效率大幅提升。自动化、精准预测、一体化物流——这些技术协同作用,让企业得以大幅压缩生产周期,提升产能。 但这些效率提升带来的收益,并没有流向工人,甚至也没有真正惠及工厂本身。相反,它被另一群人拿走了——那些负责新体系协调的人——比如Shein这样的公司。 它们决定生产什么、什么时候生产、生产多少。 随着每一次新的改进推动劳动生产率上升,劳动力的议价能力却因任务的重新分配和系统架构的重塑而进一步下降。换句话说,AI正在改变体系的控制权。 那些使用AI来提升效率的公司很快就会意识到: 当工具变得广泛可用、易于复制时,生产力就变成了一种商品。 在商品化的世界里,剩余价值不会流向执行任务的个体,而是流向那个定义规则、掌握协调层的“黑盒子”。 这就是新系统的运作逻辑: – 你越高效,就越容易被替换; – 你越标准化,就越容易被替代; – 你越依赖增强型工具,就越难从中获得长期回报。 这并非悲观主义,而是一个现实判断。经济学家早已通过“李嘉图租金”理论解释过这种现象: 在一个系统中,价值从来不是归于最高效的参与者,而是归于控制最稀缺互补资产的人。 在农业时代,稀缺资产是土地; 在工业时代,是资本与机器; 而在数字时代,它是对数据、平台、接口的控制权。 生产力可以做大蛋糕,但新的分配规才能决定了谁吃得多。所以,别再只盯着“我用AI做了什么”,而要开始思考:“在这个系统里,我是谁?” 03 谬论3:工作不会消失,只是工作方式的变化 我们总是以为工作岗位是自然存在的,就像篮球场上的五个位置一样——控卫、分卫、小前锋、大前锋、中锋。 每个位置都有明确的任务分工: – 控球后卫负责组织进攻; – 中锋负责篮下防守; – 小前锋负责得分和协防…… 这些角色定义了你在球场上的站位、责任、甚至思维方式。在传统篮球体系中,它们至关重要。 但篮球比赛的本质并不是固定不变的。它是由系统决定的。当数据分析进入职业篮球,一切都变了。三分球比中距离更高效;空间拉开能创造更好的进攻机会。 旧的角色设定开始显得笨拙、低效。于是,市场开始奖励那些跨越旧角色界限的能力。 传统的基于位置的角色被拆解。取而代之的是更灵活、跨职能的球员角色——他们可能既是组织者又是得分手,既能在外线投射,又能在内线防守。 篮球的变化揭示了一个深刻的现实: 大多数“工作”并不是天然存在的,它们是组织设计的产物,围绕协调问题构建而成。 你之所以有这份工作,不是因为任务本身不可替代,而是因为这个系统需要有人来处理一组特定的交互、决策或依赖关系。 一旦系统发生变化,即使任务保持不变,工作的逻辑也可能完全崩塌。 “静态职位”的谬误之所以根深蒂固,是因为它提供了认知上的便利。 在一个不断变化的世界里,职位名称是一种锚点,一种秩序感。它让我们觉得组织是可控的、可理解的。但这极具误导性。 它让我们沉迷于优化现有的角色(“我做我的事” vs. “别人用AI做我的事”),却忽略了更重要的问题: 在新系统中,这个角色还有存在的必要吗? 04 谬论4:我比同龄人更快掌握人工智能 听起来很积极,甚至很有危机意识。但如果你只是在“和别人比谁更会用AI”,那你可能正走在一条通往错误的路上。 因为真正决定你价值的,不是你掌握工具的速度,而是系统是否还奖励这项技能。 看看二十世纪末的打字员吧。他们是敬业的专业人士,以速度、准确性和排版技巧为荣。 出错?那意味着整篇文档要从头再来。修改一次,就是一场灾难。当文字处理器第一次出现时,他们安慰自己: “它不会抢走你的工作,但使用它的人会。” 这句话没错——但完全不是他们想象中的意思。 他们以为问题在于‘会不会用新工具’,却没意识到真正的变化是:限制条件被取消了。 文档编辑突然变得便宜、快速、可逆。曾经昂贵的修改成本消失了,于是竞争的基础也变了。 他们的专业技能——高速而精准的打字——瞬间变得无关紧要。 打字,不再是一项需要专门训练的职业,而是一项融入所有工作的基本能力。 打字员不是被更厉害的打字员打败的,而是被一个新的系统设计取代了。在这个系统里,打字已经不再是全职工作的核心价值。 这就是框架转换的标志: 你不是被新技术打败的,也不是被使用新技术的人打败的,你是被一个全新的竞争逻辑淘汰的。 你失败,不是因为你做得不够好,而是因为这个世界不再奖励你一直努力追求完美的那件事。 这在历史上不断上演。英国长弓手曾是战场上的决定性力量。他们训练数年,精准致命,是稀缺资源。但当火药进入战场,弓箭手的技能就失去了优势。 不是他们输了,而是战争的底层逻辑变了。他们输给了一种不同的战争模式。 真正重要的,是理解是什么限制了你的价值。 对打字员来说,是高昂的文档编辑成本;一旦这个限制消失,他们的价值也随之改变。 相反,当你把技能带入一个新的工作流程时,你会发现:新的限制,反而让你无法发挥原有技能的优势。 比如短跑运动员。世界上最顶尖的4×100米接力队伍中,常常有几位是世界上最快的短跑选手。但他们并不总是赢得比赛。 为什么?因为他们擅长冲刺,却不擅长传递接力棒。在交接棒的三秒钟里,几毫秒的失误就能葬送整个团队。最终胜出的,往往不是最快的个体组成的队伍,而是配合最流畅、过渡最稳定的那一支。 这就是现实的讽刺: – 你可能拥有最强的能力; – 但如果你所在的系统不奖励这些能力,或者限制了它们的发挥, – 那么你仍然会被那些“看起来没你强”的人击败。 所以,别再问:“我会不会被AI取代?”也别只问:“我和别人比,谁更会用AI?” 你要问的是: “我所依赖的价值体系,是否还在有效运行?” “在这个新系统中,我拥有的技能,还是关键限制吗?” “如果限制变了,我的优势会不会变成负担?” 05 谬论5:AI让我们工作效率更高 这句话背后,藏着一个危险的假设: 我们的工作流程是稳定的,AI只是让它更高效。 就像板球比赛的变化一样,技术正在悄然改变决策的中心。 过去,场上裁判说了算;现在,越来越多的决定权转移到了电视裁判(Third Umpire)手中。这种转变带来了两个根本性的变化: 1. 谁掌握权力? 2. 比赛的顺序如何展开? 球员拥有了更多的上诉权,比赛节奏也被打乱以适应新的决策机制。这就是我们对AI的误解: 我们以为“有人使用人工智能”就足够了——只要我在用AI,我的技能就会继续有价值,因为整体流程还在运转。虽然自动化会取代你在流程中的位置,但增强技术则帮你保留它。 这就是:“工作流程连续性谬误”。它的核心错误在于:我们相信系统在演化过程中,步骤仍然保持不变。 但现实是:在很多情况下,流程本身会被彻底重构。当流程被重新设计时,无论你是否使用AI,那些你引以为傲的技能,可能已经不再需要。 这不是个体的问题,也是企业面临的问题。 他们投资AI,是为了优化旧流程——减少员工数量、提升效率、压缩成本。但他们错失了一个更大的机会: 构建一个根本不需要这些流程的新系统。 改进一个AI很快就能淘汰的过程,是一种资源的浪费。真正的优势不在于让旧流程跑得更快,而在于率先定义新规则。 这才是通往未来的核心问题。 06 谬论6:AI只是工具,取决于人类如何使用 这句话听起来很理性、很中立。但它掩盖了一个更深层的事实: 工具从来不是中立的。 它们带有默认设定、偏好路径,更重要的是——它们重新分配权力。 工具不仅是用来做事的,更是用来决定谁说了算的。 看看 Microsoft Excel 就明白了。在 20 世纪 90 年代,流程优化风靡一时,Excel 成为了新的权力象征。过去靠直觉和经验做决策的人,开始被那些能建模、会模拟、懂公式的人取代。 于是,组织的权力重心悄然转移—— 谁控制了单元格,谁就掌握了话语权。 这不是个例。任何改变“决策支持中心”的工具,都会带来类似的结构性转变。 这就是朗登·温纳(Langdon Winner)提出的经典问题: “文物有政治吗?” 他指出,纽约的公园大道立交桥设计得特别低矮,公交车根本无法通过。结果呢?低收入人群——尤其是依赖公共交通的人——被系统性地排除在某些海滩之外。 这不是偶然。这是设计带来的后果。 技术从来不只是技术本身。它是权力结构的延伸。而今天,AI 正以两种方式重塑组织中的权力格局: 第一,它改变了谁来做决策。 AI 常常被宣传为“助手”、“副驾驶”,是增强型工具,而非颠覆者。但事实是:它往往在不被察觉的情况下,重塑了决策的方式和决策者的身份。 在一个组织中,不同群体总是在争夺关键决策的控制权。当AI改变了“谁知情、谁判断、谁建议”,内部的权力天平就会倾斜。 一些岗位的影响力因此上升,另一些则迅速边缘化。你没输给更聪明的人,你输给了一个新的决策机制。 第二,它改变了执行的方式。 AI 的独特之处在于:它不仅仅是辅助工具,它还具有自主性。它可以做出选择、分配资源、执行任务,以达成目标。这意味着: – 它可以和你并肩工作(增强); – 同时也在悄悄接管你原本负责的关键环节。 随着AI自主执行能力的提升,你在团队中提供支持的价值正在下降。你不再是不可或缺的“执行节点”,而是变成了一个可替换的“监督者”。 这不是简单的效率提升,而是一次结构性替代。 07 谬误7:AI来了,但我的工作还在 工作越多,并不一定意味着收入越高。 在AI时代,工作数量和报酬之间的联系,正在断裂。 看看音乐行业就知道了。数字流媒体带来了爆炸性的内容增长——更多的歌曲、更多的录音、更多的伴奏需求。表面上看,这应该意味着伴奏乐手的机会更多了。 但实际上呢? 单次播放的收入被压到极低,整个行业的财富集中在头部艺人身上。而伴奏乐手——那些真正演奏的人——却在夹缝中挣扎。 他们比以往任何时候都忙,但他们得到的回报,却远远赶不上他们的付出。 更讽刺的是: 随着 Spotify 算法主导听众行为,音乐越来越短、越来越公式化。前15秒决定生死,深度、复杂性、艺术性都被边缘化。 这不是职业消失的问题,而是职业价值下降的问题。 伴奏乐手还在工作,但他们的技能不再稀缺;他们的作品还在播放,但他们的名字无人知晓。 这不是失业,这是技能的商品化。 更可怕的是:增强技术本身,正在加速这一过程。人们总以为AI是“赋能工具”,能提升个体能力,带来更高回报。但在现实中,AI 往往扮演了一个更微妙的角色: 它让普通工人也能做出过去只有专家才能完成的任务。 这意味着,技能差距被压缩了。 一位资深顾问用AI写报告,初级员工也可以做到相似质量。 一个经验丰富的设计师借助AI做出视觉方案,实习生也能快速上手。 于是,市场开始把“专业”当成“标准”。结果就是:技能溢价消失了。 不是你被淘汰了,是你变得“足够好就行”。你仍然有工作。但你的薪酬曲线不再反映你的经验和能力。 这是一个新系统的运作逻辑: AI增强了你,同时也训练了它自己,最终它将取代你工作中最可预测、最可复制的部分。你越依赖 AI 提升效率,你就越在帮助它学会替代你。 最后,带来的结果就是: 你仍然可以保住工作,但不再拥有技能溢价。 08 谬论8:稳定企业正在将AI融入战略 如今,很多公司谈到新兴技术,都选择做加法,比如: – 在这里加一个 AI 模块, – 在那里做个试点项目, – 再在 PPT 里放几张智能图示。 没人真正问: > 这项技术是否改变了我们的决策方式? > 它是否重构了我们的协调机制? > 它是否挑战了我们的组织架构? 不,我们只是把 AI 当作一个更聪明的插件——就像给马车装上发动机,却还想用它跑得更快地走老路。 这就是“智能公司”的陷阱。 他们以为只要“更聪明地做同样的事”,就能赢得未来。 于是他们在旧系统中加入新工具,在原有流程中嵌入AI,却从未重新思考这些流程本身是否还有存在的必要。 这不是转型,这是贴纸升级。他们把 AI 当成功能增强,而不是操作系统更新。 但真正的变革不是让旧流程变得更智能,而是让那些流程本身变得多余。 “稳定公司”的谬论之所以吸引人,是因为它承诺无需重组即可转型。它暗示你可以保留现有的架构、文化和商业模式,只需注入新的能力即可。 但这种想法忽略了一个根本现实: 技术不会适应你的系统,它会重塑你的系统。 09 错误的框架,错误的决定 军事力量的历史往往通过其武器来讲述:从弓箭到火枪,从骑兵到坦克,从机枪到核弹头。科技对工作的影响也是如此。 但“更好的工具”的历史框架是一种谬论。 在每种情况下,重要的是更好地协调 (1)新系统(游戏)的设计; (2)该系统运行的环境(比赛场地)。 这些工具是设计更好的系统的机制。优势的转变很少与更好的工具有关,而与谁首先理解新的协调逻辑有关。 战斗从近距离交战转向远距离协同,从个人技能转向可扩展的执行。胜利者很少是因为他们知道如何很好地使用新武器而获胜,而是因为他们懂得如何重新组织周围的系统以创建新的战斗逻辑。 “有人使用人工智能”的谬论,常常让我们陷入与下一条马其诺防线差不多的境地——这是事实,但完全没用! 本文由人人都是产品经理作者【汪仔2763】,微信公众号:【乌鸦智能说】,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。
随着GPT-4o和人形机器人Figure 01等技术突破,全球企业迎来智能体驱动的生产力革命。麦肯锡研究显示,人工智能将为全球带来约4.4万亿美元的额外生产力增长,其变革潜力可与工业革命媲美。本文深入剖析智能体对企业经营管理的短期冲击与长期影响,探讨企业如何应对这场变革,实现从传统管理范式向智能体驱动型组织的转变。 1 引言:智能体浪潮涌动 随着GPT-4o突破了跨模态实时交互的技术瓶颈,以及人形机器人Figure 01实现了端到端自主决策,全球企业正迎来一场以智能体(AI Agent)驱动的生产力革命。 越来越多的企业敏锐地察觉到了这场技术变革所蕴含的巨大价值,纷纷加速布局智能体应用。麦肯锡(McKinsey,2025)研究指出,人工智能长期将为全球带来约4.4万亿美元的额外生产力增长,其变革潜力可与19世纪蒸汽机引发的工业革命相媲美。 然而,在技术红利的光鲜表象之下,更深层次的挑战也正在悄然酝酿: • 智能体技术对企业经营管理将产生怎样的短期冲击? • 智能体又将如何重塑未来的企业管理范式? • 企业应当如何主动应对这些变革所带来的挑战? 这些问题不仅直接关系到当前企业的转型实践,更决定了未来组织形态的演进方向。因此,亟需学界与业界开展深入探讨与交流。 本文将结合技术发展的最新趋势及企业管理的实际需求,对上述关键问题展开深入剖析,以期为企业在智能体时代的变革与发展提供有益参考。 2 智能体:AI时代的新质生产者 1. 智能体的定义与进化 智能体,即AI Agent,是人工智能学科中的一个重要概念。经典人工智能教材《人工智能:现代方法》(Artificial Intelligence: A Modern Approach,拉塞尔和诺维格,2020)将其定义为:“能够通过传感器感知环境,并通过执行器作用于环境的自主实体。”这一定义突出了智能体的环境适应性和目标导向性。 剑桥大学认知科学家玛格丽特·博登(Margaret Boden,2006)在《作为机器的心智:认知科学史》(Mind as Machine: A History of Cognitive Science)中进一步区分了两类智能体: • 反应式智能体:如早期基于规则的聊天机器人,采用“刺激-反应”模式,缺乏深度推理能力。 • 认知式智能体:具备内部状态表征和推理能力的复杂系统,结合符号逻辑与机器学习,真正实现从“刺激-反应”到“感知-决策-行动”闭环的进化。 在商业语境中,麻省理工学院数字商业中心主任安德鲁·麦卡菲(Andrew McAfee,2017)在《机器、平台、人群:驾驭数字未来》(Machine, Platform, Crowd: Harnessing Our Digital Future)一书中提出:“智能体不是简单的自动化工具,而是具备情境理解能力、能够自主规划行动的‘数字业务伙伴’。”这一观点揭示了智能体区别于传统IT系统的本质特征——它不仅是流程的执行工具,更是商业逻辑的分析与决策者。 2. 智能体技术的最新进展 著名人工智能公司OpenAI(2023)在《GPT-4技术报告》(GPT-4 Technical Report)中指出,智能体是“基于大语言模型,通过自然语言指令完成复杂任务的自主系统”。白皮书特别强调了“工具调用自主性”和“多步任务规划能力”,这标志着智能体从单一功能模块演化为具备策略思维的商业实体。 我们认为,智能体是算法驱动的硅基生命体,具备以下五大能力: (1) 环境感知:通过多种传感器获取实时数据,精准识别周围环境变化。 (2) 知识推理:结合符号逻辑与机器学习算法,对数据进行深度分析与判断。 (3) 记忆学习:基于大量历史数据不断优化知识体系和决策模型。 (4) 自主决策:快速分析各种行动方案,评估其潜在收益,选择最优策略。 (5) 动态交互:与人类及其他系统自然沟通,支持信息共享与协同工作。 3. 智能体的核心能力解析 学习能力是智能体的核心竞争力。通过机器学习算法,智能体能够从结构化和非结构化数据中提取特征、发现规律,并持续优化自身知识体系。它能快速适应复杂多变的商业环境,满足多元业务需求。 在决策能力方面,智能体基于已学知识和实时环境数据,运用决策算法进行推理与判断。它能够在极短时间内权衡多种方案,评估其收益与风险,最终选择最优或接近最优的行动路径。例如,在金融投资领域,智能体能够整合市场数据、财务报表及新闻信息,快速做出精准投资决策。 交互能力使智能体能够流畅地与人类用户和其他系统协作。借助自然语言处理技术,智能体能够理解语义、语境和情感,提供个性化的服务与支持。同时,智能体之间可以通过特定的通信协议实现信息共享与协同工作,共同完成复杂任务。 4. 智能体驱动的管理变革 决策理论学派创始人、人工智能先驱赫伯特·西蒙(Herbert Simon)在《管理行为》(Administrative Behavior)中提出“管理即决策”的经典论断,奠定了组织决策理论的基石。在传统管理范式下,决策主体通常为人类,受限于生物智能的认知边界,如信息处理速度、多维度分析能力和决策稳定性。 而智能体则通过算法模型突破了这些有限理性(Bounded Rationality)的约束。它能够深度融入企业业务环节,如研发设计、生产制造、市场营销和客户服务,全面提升企业的运营效率与竞争力。智能体不仅是执行者,更是企业智能化升级的核心推动力,成为AI时代的新质生产者。 3 智能体重塑企业:短期冲击与深远影响 短期冲击 1. 积极面 (1)降低成本,提升效能 在重复性和规律性的工作任务上,智能体展现出无与伦比的效率优势。 例如,在数据录入方面,传统人工录入不仅速度慢,还容易出错,需花费大量时间和精力审核与修正。智能体则能够高速、精准地完成数据录入,极大提升工作效率。 在文件整理中,智能体可以迅速分类、检索和归档大量文件,显著减少人工处理时间和人力成本。 在生产流程中,智能体通过实时监测和深度分析,发挥着关键作用。它能够综合分析生产设备运行数据、原材料消耗数据和产品质量数据,精准识别生产中的瓶颈和问题,并提出优化方案。 例如,在汽车制造企业中,智能体通过分析生产线各工序的时间、设备利用率和零部件质量,优化生产调度和设备维护计划,使生产线稼动率显著提高,生产成本明显降低。 此外,智能体还能够根据市场需求预测和库存情况,动态调整生产计划,防止过度生产或库存积压,进一步优化资源利用效率。 (2)增强客户个性化体验 智能体凭借强大的数据分析和预测能力,能够深度洞察客户需求和偏好。通过分析客户的历史购买行为、浏览记录和评价反馈,智能体能够精准描绘每位客户的个性画像,了解其兴趣、消费习惯及潜在需求。 基于此,智能体实现千人千面的产品推荐和服务定制,为客户带来高度个性化的产品和服务体验。 在客户服务领域,智能客服成为重要应用之一。7×24小时在线服务,能够随时解答客户问题。相比人工客服,智能客服能够瞬时响应,无需长时间等待,且能同时处理大量咨询,显著提高服务效率和覆盖面。 借助自然语言处理技术,智能客服能够准确理解客户咨询的语义和情感,以友好、专业的语气提供解决方案,有效提升客户满意度。 在电商平台,智能体通过实时分析客户浏览和购买行为,精准推荐符合客户偏好的商品,打造私人定制般的购物体验。购买后,智能体继续跟踪使用反馈,及时提供售后支持,增强客户黏性和忠诚度。 (3)沉淀与焕新私域知识 大语言模型(LLM)虽然可以采集公共知识,但企业的私域知识却往往难以触及。将大语言模型部署在企业内部,智能体可以不断学习和积累企业的内部知识、经验和数据,逐步构建私域知识体系。 智能体能够整合内部技术文档、市场调研报告、客户案例和员工经验分享,形成结构化的知识库。这一体系既能促进知识传承和共享,防止因人员流动导致知识流失,还能激发员工创新思维。 对于知识密集型企业,私域知识的积累尤为关键。例如,专业咨询公司通过智能体学习行业案例和项目经验,形成高度专业化的知识资产,为咨询项目提供有力支持,形成市场竞争优势。同时,智能体还能够对这些知识进行深度挖掘,发现潜在价值和创新点,为企业战略决策提供前瞻性支持。 2. 消极面 (1)短期成本不降反升 在引入智能体的初期,企业往往面临巨大的资金压力。 • 技术研发:现有解决方案虽然成熟,但企业通常需要根据具体需求进行定制化开发,这涉及人工智能人才投入和技术研发成本。 • 设备采购:智能体运行需要高性能服务器和图形处理器等硬件,设备购置成本高昂。 • 员工培训:为确保技术落地,企业需要对员工进行操作培训和协同工作指导,投入大量人力和财力。 此外,智能体的降本增效作用往往需要一定周期。初期阶段,智能体性能尚未完全优化,与人工协同磨合难免存在不确定性,短期内难以实现显著效益提升。 麦肯锡(2025)调查显示,92%的企业计划未来三年增加AI投资,但仅有1%的领导者认为公司已在AI部署上达到成熟阶段。 (2)诱发组织动荡 智能体引入后,传统以人为中心的组织架构将面临深刻重塑。 在一些重复性工作被取代的部门,岗位设置和职责划分将大幅调整,部分员工可能面临职业不确定性。这种变革容易引发员工心理压力,导致工作积极性下降,团队士气受挫。 例如,在财务部门引入智能报表处理后,一些员工可能对职业发展感到迷茫,甚至产生抵触情绪,不愿配合新的工作方式。 (3)增大数据安全风险 智能体在深度参与数据交互时,其技术复杂性成为数据安全隐患。 例如,2023年Black Hat大会披露:攻击者通过嵌入“逆向工程指令”诱导智能客服泄露核心算法参数。这种攻击手段利用了上下文学习漏洞,通过复杂提示词绕过内容过滤,迫使智能体无意间披露技术细节。 尤其在生成式AI中,类似风险更为突出。GPT-4早期版本因“原理披露漏洞”而被用户获取训练数据,虽已修复,但攻击手段的不断进化警示我们:智能体的交互能力越强,数据泄露风险越大。 (二)深远影响 智能体驱动型组织:从理念到现实 面对智能体技术的冲击,由于资源禀赋和发展条件的差异,不同企业在策略上自然有所不同。然而,从长远来看,智能体全面融入企业运营已成大势所趋。未来企业必将演变为智能体驱动型组织(ACO)。 与传统的人类驱动型组织(HCO)相比,ACO将发生两大根本性转变: (1) 管理主体层面:从“单一人类决策”模式转向“人机协同决策”架构。 (2) 管理客体维度:从“纯碳基个体”扩展为“碳基-硅基协作共同体”。 这意味着,人类与智能体不再局限于主客体的单一角色。两者既可作为管理主体参与决策,也能作为管理客体接受指挥。这种双重转向并非简单的概念延伸,而是将引发组织管理体系的系统性革新与重构,其深远变革体现在以下六个关键维度。 1. 治理结构重构:一人公司强势崛起 经济学家罗纳德·科斯(Ronald Coase)认为,企业边界由管理成本与交易成本的平衡决定。然而,智能体技术的兴起正在打破这一平衡,重塑企业边界。 超级个体崛起:从团队到个人 智能体集群使超级个体能够具备与传统企业相媲美的全要素能力。 例如,独立开发者利用AI代码生成工具,可以高效完成全栈软件开发,其生产力甚至可以与百人团队相匹敌。这一现象对基于股权聚合的大型公司治理模式构成了颠覆性挑战,推动“一人公司”模式迅速崛起。 这种变革的本质在于,商业模式正从平台资本主义向个体赋能主义(Individual Empowerment)转型。 从股权控制到能力共生 区块链智能合约技术,使智能体能够参与价值分配,如自动执行知识产权收益分成。而去中心化自治组织(DAO)模式则实现了跨地域智能体的协作自洽。 这些技术进步正在推动企业治理从传统的“股权控制”模式向“能力共生”模式转变。 这一转变呼吁构建新型治理框架,主要包含以下三方面: (1) 人类创意确权:明确人在智能化决策中的创造性贡献。 (2) 智能体权责界定:厘清智能体在任务执行和决策中的权限与责任。 (3) 分布式收益分配:通过智能合约实现收益分配的自动化与公平化。 这一框架将为未来商业活动提供更灵活和高效的制度基础,同时确保各方利益的平衡与保护。 一人公司:未来企业的雏形 在智能体驱动型组织中,一人公司并非仅是个体创业的象征,更是组织形式的全新进化。超级个体凭借智能体集群的协作,能以极低管理成本实现高效能产出,为未来商业带来巨大的制度冲击与创新机会。 2. 组织形态蜕变:从金字塔科层制到动态网状协同体 传统科层制的信息衰减和决策滞后,已无法适应智能体和人类员工的高频次、多模态协作。 新型组织正呈现出“去中心化节点+智能化链接”的网络特征: • 前端业务智能体:实时响应客户需求,如智能客服秒级生成个性化方案。 • 中端流程智能体:动态调配资源,如供应链智能体匹配最优物流路径。 • 后端战略智能体:提供趋势预判,如市场洞察智能体制定三年技术路线图。 • 人类管理者:作为“价值锚点”把控战略方向,如确立产品伦理边界。 这种结构使组织具备类似生物体的敏捷性,即在机器高效执行与人类创新突破之间形成共生进化系统。 3. 决策机制升维:双系统驱动的智能革命 诺贝尔奖获得者丹尼尔·卡尼曼(Daniel Kahneman)提出的“系统1/系统2”理论,揭示了人类决策机制: • 系统1:直觉化、快速决策; • 系统2:理性化、慢速思考。 在智能体驱动型组织(ACO)中: • 机器决策(系统1):智能体集群快速响应市场变化,实时进行规律性决策。 • 人类决策(系统2):管理者进行战略思考和反共识判断,处理复杂环境中的长期决策。 这种“机器快响应+人类深思考”的双轮驱动模式,融合了机器数据处理优势与人类战略判断能力,极大提升组织的智能化水平。 4. 激励体系优化:构建人机共生的价值循环 在ACO中,人机协作是价值创造的核心模式。 • 人类员工:由于智能体协同提升了生产力,工作方式向创造性转型。激励机制应强化自主性与长期激励,如多元薪酬和福利激励。 • 智能体:基于算法逻辑设定激励函数,如任务完成精度和资源利用效率,确保其计算策略与组织目标一致。 通过构建“人类创造力激励-机器算力优化”的混合激励模型,既释放人类在复杂问题上的独特价值,又最大化激发智能体的数据处理效率。 5. 知识管理模式进化:从经验沉淀到元认知建构 芮明杰教授在《知识型企业成长与创新》中指出:在知识经济时代,知识已从传统生产要素跃升为企业的核心战略资源。知识型企业以知识创新为主要驱动力。 传统的知识管理模式依赖制度与激励,呈现“指令学习—被动沉淀”的特点。随着智能体技术的突破,知识管理正从“人类经验积累”走向“智能体自主学习”。然而,智能体虽然能自动获取并更新知识,海量数据的处理和提炼却成为新的瓶颈——如何把非结构化信息转化为有效知识,并注入发展动能,已成为企业的关键挑战。 元知识管理的兴起正是对这一难题的回应。它聚焦“知识的知识”,系统化管理知识体系、数据逻辑和认知框架;既提升知识处理效率,又构建从数据到智慧的创新生态闭环。元知识管理帮助企业突破传统边界,将智能体积累的碎片化信息整合为动态知识图谱,为决策提供深度支持。 未来,打造完善的元知识管理体系并强化组织的元认知能力,将成为智能体驱动型组织的核心竞争力。这一认知根基将帮助企业在不确定性中锁定发展方向。 6. 商业生态协作重塑:跨域智能体的涌现协同 智能体应用的早期,协作主要局限于同一企业内部的智能体。随着技术渗透加深,越来越多的市场主体开始部署智能体,传统依赖人际分工的跨组织协作模式正在被颠覆。 协作范式正从受企业边界限制、结构僵化的模式,跃迁为跨企业、多智能体深度协同的动态网络。 谷歌(Google)在2025年发布的 A2A(智能体对智能体,Agent-to-Agent)协议,为跨企业多智能体协作奠定了基础框架。 统一的智能体沟通标准打破了组织壁垒,扩大了知识共享范围,大幅提升了业务协同效率,为商业生态的智能化转型与创新发展按下加速键。 图 1 ACO 管理范式转换示意图 4 变革之道:智能体时代的 企业应对策略 (一)高层强化AI学习,弥合与员工的逆向认知差 未来,智能体的智能水准会持续提升,专业能力也将不断精进。大量智能体(集群)深度嵌入企业,将催生组织智能 (Organization Intelligence),显著增强竞争力。智能体驱动型组织(ACO)势必成为主流。然而,真正洞察这一趋势的高管并不多。受年龄与工作性质影响,许多管理者对 AI 工具了解不深,使用频率偏低,因而容易低估 AI 的影响力。 麦肯锡(McKinsey,2025)的一项研究显示,C 级领导者对员工使用生成式 AI 的预估远低于实际水平。高管认为,仅有 4% 的员工在日常工作中将生成式 AI 用于至少 30% 的任务,而真实比例超出预估三倍,达 13%。这——高管与员工之间的认知逆差——正在阻碍企业智能化转型。 破解之道在于建立常态化 AI 学习体系,尤其要强化高层的学习与实操体验。高管需主动思考智能体如何重塑业务、革新组织架构,甚至颠覆现有模式。企业可: • 邀请行业专家举办技术讲座; • 组织管理层参加前沿峰会; • 定期发布智能体应用白皮书; • 开展跨部门研讨与内部案例分享。 上述举措能破除认知障碍,促成对智能体战略价值的统一共识,消除恐惧与抵触,为智能化转型夯实思想根基。 (二)开展赋能导向的组织变革,激发员工创新活力 不少员工已主动使用外部智能体提升效率,学习意愿强烈。然而,一旦企业计划正式引入智能体,员工往往担心岗位被取代。这种忧虑可能成为推广智能体应用的主要障碍。 组织变革权威学者约翰·科特(John Kotter)指出:成功变革离不开清晰且有利于员工的愿景。因此,企业转向智能体驱动的模式时,必须让员工明确感受到 “三点核心价值”: • 竞争力提升:人机协作将显著增强组织实力。 • 体验优化:智能体承担重复性任务,员工的工作更轻松、更有成就感。 • 能力跃升:员工将从“执行者”升级为智能体的管理者与领导者。 这种“赋能”导向的转型,可缓解员工焦虑,并激发创新活力。 微软(Microsoft)在《2025:前沿企业诞生元年》报告中预测:未来,每位员工都有望成为“智能体主管”。对此,企业应: • 系统培训:教授任务分配、流程优化、绩效评估等智能体管理技能。 • 知识共享:建立激励机制,鼓励员工分享专业经验,让个人知识成为智能体构建的关键资源。 • 协作氛围:营造开放环境,鼓励员工借助智能体探索新业务模式与创新方案。 通过以上举措,企业可充分激发员工积极性与创造力,凝聚创新合力,确保在智能时代持续进化与领先。 (三)革新知识管理模式,夯实智能化转型底座 知识就是力量。 私域知识包含业务流程、客户洞察和技术积累等关键信息,是企业核心竞争力的源头。早在知识管理理论萌芽期,管理学者便已洞察其战略价值——彼得·德鲁克(Peter Drucker)提出“知识工作者”,野中郁次郎(Ikujiro Nonaka)提出“知识创造型企业”,都是早期探索的典型。 传统困境 • “存储即休眠”:海量文档、报告和手册缺少智能索引与场景关联,难以在业务一线被精准激活,形成“数据丰富、知识贫瘠”的悖论。 • 显性化成本高:从经验萃取到结构化输出高度依赖人工,耗时且质量波动大,投入产出比失衡。 创新路径大语言模型等 AI 技术为破解难题提供了革命性工具。与其盲目追逐短期炫酷、却易折旧的 AI 应用,不如聚焦回报周期更长、与现有技术路线高度适配的知识管理场景。 • 系统梳理:依托语义理解与逻辑推理能力,对散落在各部门、各系统的知识碎片进行统一汇聚和标准化整理。 • 自动捕捉与沉淀:借助智能体,实时抓取业务过程中的隐性经验,并自动沉淀为结构化资产。 • 场景化推送:按具体业务场景智能匹配与推送,让正确知识在正确时间触达正确岗位。 唯有重塑知识管理底座,企业才能在智能化转型道路上行稳致远,真正把“数据”转化为“智慧”。 (四)整合内外部智能体资源,驱动高质量战略转型 企业转型牵一发而动全身。方向是否精准、过程是否平稳,是所有企业必须直面的核心挑战。过去,企业多依赖外部咨询公司。然而,这种模式成本高、效率低,而且常与企业实际脱节,导致战略报告难以落地。进入 AI 时代,传统的战略规划与执行模式已难以适应新的商业环境,变革迫在眉睫。 企业应充分释放 AI 的威力。首先,搭建专业的数据采集系统,实时捕捉市场趋势、竞争动态、政策变化等多维信息。随后,利用先进算法深度挖掘这些数据,构建企业的“超级大脑”——战略分析智能体。该智能体可快速生成精准的行业洞察报告,并实时预警潜在风险与机遇。 除了自建“超级大脑”,企业还可弹性购买外部咨询机构的智能体服务。麦肯锡(McKinsey)已推出内部 AI 助手 Lilli,全球首家人工智能战略咨询公司泽维尔 AI(Xavier AI)也应运而生。可以预见,交付智能体将成为咨询行业的标配。这些外部智能体经过专业训练,具备深厚领域知识,可为企业提供多元视角的战略建议;它们永远在线,随时响应,弥补传统顾问的时间限制。 在战略规划阶段,企业可定期举办研讨会,让内外部智能体与人类专家协同参与: • 人类专家贡献行业经验与创新思维,提出远见战略构想; • 智能体快速模拟多条战略路径,给出量化分析结果。 实施阶段,企业应持续与智能体互动,根据实时数据动态调整方案,确保战略高效落地。通过人机深度协作,企业不仅能顺利完成高质量战略转型,还能率先迈向智能体驱动型组织,在智能化浪潮中赢得先机。 (五)制定差异化转型路径,匹配企业发展特性 智能化转型并无通用方案。行业属性、业务模式、市场环境与技术场景各不相同;企业规模、技术储备、品牌影响力、组织结构与文化亦千差万别。启动转型时,企业必须审视行业特点与自身实际,权衡利弊,选择与发展节奏相符的路径,而非盲目追求理论上的“最优解”。在位企业与初创公司面临的局势截然不同,故应各施其策。 1. 在位企业智变:循序渐进,降低颠覆风险 在位企业拥有庞大而复杂的组织架构与业务流程,是行业中的既得利益者。对这类企业而言,稳健比激进更重要。引入智能体技术宜从局部试点着手: • 小范围落地:选择非核心流程或单一项目试水,如人力资源招聘、财务报销自动化等。 • 积累经验:通过试点了解智能体在实际场景中的效果与难点。 • 逐步扩展:试点成功后,再将智能体应用延伸至更多环节,稳步建立人机协作模式。 实施过程中,需同步推进 员工培训 与 流程优化: • 为不同岗位制定定制化培训计划,提升协同技能。 • 梳理业务流程,消除智能体与旧流程的不匹配,确保技术顺畅融入。 以传统制造业为例:先在生产线某环节引入智能体进行调度优化;成功后,再扩展至质量检测、设备预测维护等领域,并调整流程、培训人员。如此循序渐进,可避免大规模颠覆带来的运营风险与员工抵触,最终实现全面智能体驱动。 2. 初创企业突围:精准选轨,实现单点突破 初创公司轻装上阵,组织灵活、思维创新,历史包袱少,更易迅速应用智能体技术。关键在于精准定位高潜力赛道,集中资源打造爆点产品或服务: • 聚焦破坏性场景:如智能教育辅导系统、智能文案生成、智能设计辅助等。 • 快速迭代:紧密跟踪用户反馈,持续优化功能与性能。 • 塑造差异化品牌:在细分领域建立壁垒,与大型企业形成互补或合作。 通过“选准赛道 + 单点突破”,初创企业可在智能体浪潮中迅速崭露头角,占据市场先机,形成独特影响力。 5 结语:共创未来 未来已至,变革如潮。 智能体技术正以前所未有的速度席卷而来,为企业带来机遇,也带来挑战。 (1)短期视角: 优势:降本增效、优化客户体验、促进知识沉淀。 风险:成本上升、组织波动、数据安全隐患。 (2)长期视角:智能体将深度渗透企业全业务链,彻底重塑管理范式与竞争格局。 管理实践者应敏锐捕捉智能体驱动型组织的发展动向,主动拥抱变革,重塑管理体系,以匹配 AI 时代的新需求。 学术研究者更应打破学科壁垒,推动人工智能与社会科学、伦理哲学深度融合,为智能体应用打造兼具前瞻性与人文关怀的理论框架。 当技术红利与人文关怀同频共振,当企业实践与学术研究形成良性循环,人机协同的新时代才会真正到来。 让我们以理性为灯,照亮变革征程;以创新为钥,开启转型之门,携手书写智能时代企业进化与人类发展的新篇章。 本文由人人都是产品经理作者【seven777】,微信公众号:【商业知行侠】,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。
在社交赛道逐渐饱和的当下,如何通过创新实现差异竞争成为关键。近期,两款视频社交出海应用Jimo和Smira凭借将AI融入社交玩法,实现了月收入的显著增长。Jimo通过AI角色对话结合视频社交,让用户感受真实与虚拟的双重体验;Smira则打造了一个“星球社区”,通过个性化AI互动增强用户沉浸感。本文将深入剖析这两款应用如何巧妙融合AI与社交功能,为用户带来全新体验,并探讨AI在社交领域的未来潜力。 社交赛道逐渐趋于饱和状态,对于近期才入局的开发者来说,创新就成为了必要课题。似乎只有跳出固有思维,力求差异竞争,增强用户体验,才能让社交应用在市场上立足。在此过程中,AI是一个很重要的切入点。随着技术的升级,除了能为用户提供更加个性化、智能化的服务外,还能精准推荐好友及感兴趣的内容,自动响应对话,极大地提升了人们的交互体验和深度探索欲。 近期,我们发现了两款视频社交出海应用,都将AI玩法融入了其中,来增强智能程度和趣味性。一款是Jimo,2024年8月上线,目前总下载量15.7万,今年4月较3月收入增长13.3%,很好地将视频和AI角色对话结合在了一起,让用户可以在同一款应用中感受真实和虚拟的双重体验。 另一款是Smira,2024年10月上线,至今下载量约26万,月收入增长64.5%,将整个社交应用打造成了一个“星球社区”,同样也加入了个性化的AI互动玩法,帮助用户快速进入设定并沉浸于此。 (Smira自上线以来,全商店下载量,图源:点点数据) 风口之下,越来越多的泛娱乐应用都在积极拥抱AI,想要通过嵌入相关功能,来创造出来一些“不一样”的东西。传统的智能匹配,像“客服”一样机械的对话虽然提升了交友效率,但随着同质化内容增加,已越来越无法满足日益增长的用户需求。如何才能将AI融入社交,又不显得违和呢?从这两款应用中或许能找到一些答案。 AI辅助社交,用颜值激发探索欲? “做一款创新的社交应用,将先进的AI技术与多元的社交功能结合起来。”Jimo在产品上线初期,就给出了这样的定位。简单从应用内容设定来看,二者的占比大概是社交占2/3,AI占1/3,功能使用,表面上看也是较为独立的。 Jimo中有三大主要模块。一个是主页,主要用来发现其他好友,进行快速的陌生人社交。而与很多同类应用不同的是,在推荐的好友列表中,Jimo并没有显示过多的用户信息,只有姓名、照片、状态和热度值。状态可以自由设定,如在线、繁忙等等。 其余的更多用户个人信息则需要点进其个人主页才能看到,如自我介绍、日常的生活照片、视频,以及关注了哪些人和个人粉丝有哪些等等。整体呈现出一种从广泛了解到深入互动,由浅入深的递进关系,从一张自拍照入手,给予用户凭借“眼缘”发现想要深度交友后的好奇欲和探索欲,而这种欲望正是能够增强用户粘性的有效方式之一。从个人主页上,用户之间也可以直接发起私信,进入视频聊天等等。 第二大模块则是社交应用中常见的社区,在这里用户可以像发送“朋友圈”一样,用图文的方式分享自己的日常生活,陌生用户之间能够通过点赞、评论、关注等方式进行互动,促进陌生人向熟人之间的快速转变。 第三大模块,也是Jimo区别于其他社交应用的一大主要创新点,AI虚拟对话。而这个对话并不是如今风靡的AI社交类型,与各种不同类型的虚拟角色进行交流,而是更偏向于自我的向内沟通。 Jimo将AI对话大体分为了两种,一种是AI向导,是模拟场景而展开的对话。支持用户通过文字或语音设定一个场景,并提出对应问题。例如,“自己是个内向的人,在商场偶然碰到认识但不太熟的邻居,应该说些什么呢?”AI也会根据这一场景给出相应的回答建议。为了契合应用的属性,也有用户将这一功能当作自己的“另一张嘴”,通过询问AI如何回复其他用户的聊天内容,将AI作为“情感导师”一样的角色,来促进好友关系的快速升温。 另一种则是AI助手,用户可以选择当前的心情和等级程度,AI则会根据结果给出相应的指导建议。例如,如果用户当下处于高度恐惧状态,AI则会建议其深呼吸、冥想或者听音乐来放松。 整体来看,Jimo中关于AI的内容,实用性和自我调节属性更强一些,而其社交模块的娱乐属性更加突出。两项功能看似独立,但实则也有着深层次的联系。通过AI的自我辅助调节,帮助用户更好地去进行社交;社交中遇到的难题也可以反过来“求助”AI,二者内在也形成了相辅相成的关系。 “星球”社区探险,AI风格随心换 与Jimo中社交与AI功能较为独立不同的是,Smira的AI功能是融合进社交内容当中的。从icon开始,就通过一个星球的形象将其社区文化“刻进用户DNA”当中。 Smira从内到外都被包装成了一个“外星球”,每位用户都是踏上星球之旅的“宇航员”,风格设计上科技与可爱并存,这种具有故事性的创意可以很容易让用户拥有沉浸的感觉。 进入应用当中,用户可以选择自己的“星球”并对其进行装扮,装扮的内容会直接显示在与好友的聊天界面上,有点类似于“皮肤”一样的存在,甚至可以设定背景音乐。让用户的创造力得以发挥的同时,也满足了其个性化需求。 与Jimo类似的是,Smira也有好友推荐和社区“朋友圈”内容。不过,设计上更具趣味性和活泼感。比如,在进入社区之前,会有一个“宇航员”形象的图文引导,“去看看其他星球上都发生了什么新鲜事情吧!”这样便能自然而然地去让用户去发现更多好友。社区的图文内容也会被分为最新、热度最高和关注内容三大类,给予用户更广泛的选择权。 Smira的AI角色也都是基于“星球”元素,可以理解为与一个虚拟的天体AI角色对话,其设定为“在星球上用户可信赖的伙伴”。AI角色支持用户随意切换对话风格,如表达爱意的、幽默诙谐的、专业理性的等等。无论是想倾诉秘密还是答疑解惑,都可以随时与它开启对话。而这一功能并不是单独的一个模块,而是嵌入在了主页当中,与整个“星球”形成较好的契合感。不过,想要与AI对话,也是有一定门槛的,需要消耗500个钻石(应用内货币)。 综合来看,Smira和Jimo两款应用虽然在大体的设计上都具有社交、社区和AI对话三大项,但细分功能却有着很大的差异。特别是在风格元素设计和AI玩法上,Smira的故事场景感会更强一些,AI在其中作为一种情感辅助,帮助用户打开个人的内心世界。而Jimo中的AI则更偏向实用性的工具,能够为用户提供日常的生活建议并解决实际问题。由此可见,即使都是融入AI角色对话,但其内核也能做出创新,打出差异。 拓展变现渠道,增加“钻石”使用场景 insightrackr数据显示,Jimo自上线以来,iOS端下载量在去年12月达到峰值,其用户主要集中在印度、意大利和美国地区。Smira则是印度、美国、土耳其和埃及地区用户占比较高。 虽然仅对比两款初期的社交应用并不太具有代表性,但单从用户重合的区域来看,印度和美国对AI融入社交的接受度是比较高的。特别是美国,相比于其他市场,当地本身社交和AI行业均比较成熟,市场饱和程度较高,用户急需有新意的内容为用户创造更多的可能性。 社交应用融入AI功能之后,也为其商业变现拓宽了渠道。正如Smira中与AI对话同样需要“钻石”一样,“钻石”被赋予的意义不再是传统视频社交当中的购买虚拟礼物打赏,而是能够被拓展至更多场景当中。 点点数据显示,当前,两款应用的内购形式均为购买钻石或Coins作为应用内货币,价格从0.99美元到99.99美元不等,设有多个梯度区间,可用于用户间的互动和AI对话当中。 虽然目前收入数据放在整个社交赛道上并不算太亮眼,但对于一个尚处于初期发展中的创新应用来说,能够将AI和社交两大正值火热的内容有机地结合在一起,已经突破了同质化的第一步,为市场打开了新思路。 结语 在社交应用中巧妙地将AI玩法融入进去,而又不显得突兀,甚至还能为用户带来不一样的社交体验,开辟更多变现路径,无疑是对这一领域的一次深刻变革。虽然如今在竞争激烈的社交赛道中,已经不具备先发优势,但似乎也迎来了新一轮的AI创新机遇。 作者丨子墨 编辑丨火狐狸 题图来自Unsplash,基于 CC0 协议。
产品需求匹配(Product Market Fit, PMF)是创业与产品领域的核心概念,但如何判断产品是否真正满足市场需求?本文从三个方面深入探讨:PMF的本质是什么,如何判断产品是否达到PMF,以及如果尚未找到PMF该怎么办。通过用户增长、留存率、投入产出比和口碑推荐等指标,结合实际案例,为你提供清晰的判断标准和实用的行动指南。 产品需求匹配(Product Market Fit, PMF) 是科技领域、创业与投资圈、产品与营销人都听得耳朵要起茧的词。 这篇文章从三个方面来说说PMF: 1. 产品与需求匹配PMF是被神化了吗? 2.如何判断产品满足了特定的需求? 3.如果还没找到PMF, 怎么办? 一. PMF是经验总结还是策略规划? PMF字面意思大家都懂,产品正好是市场、客户所需要的。 这句话听起来就像是说了也白说的大道理。 如果客户正好有需求,产品才卖得出去,业务才会扩大,企业才能赚到钱。 但是,CB Insights 访谈了101 家创业失败的CEO,42%的认定产品没有需求是首要问题,第二位才是钱烧光了,占29%… 这些“失败教训”似乎在情理之中。 但,创业者身在其中,埋头扎在研发里,在产品功能上死磕的时候,哪还顾得上仔细琢磨-连用户自己都说不清道不明的需求? 不过,现实就是这么残酷,假如最小可行产品 (Minimum Viable Product,MVP) 没有得到市场验证,就没办法拿到投资人的钱,更没有办法投入团队和资金推广产品,更没有办法扩大生产规模…. 我更愿意将PMF理解成“客户需求为先”的重要提醒,刻在创始人心中,也是团队中每个人都需要遵循的首要原则,无论是创业初期还是成长阶段都是北极星指标。 那么,怎样才算PMF?“匹配”这个词本来就好虚,好玄,如何量化? 二. 判断产品与需求匹配的标准有哪些? 有的CEO说产品卖爆了就算,有的说企业盈利了才行,有的认为只要用户数猛增就可以… 实际上,初步的PMF只是产品成长路上的第一道门槛,跨过去了,还有下一个门槛… 我总结和归纳了常用的几个可感知的迹象、可量化的指标作为参考: 1. 用户数量急剧增加,销售指数级攀升 比如DeepSeek,2025年春节一个星期就实现了1亿注册用户,日活 DAU 突破 2000 万。连互联网巨头们接入DeepSeek都要发新闻稿的时候,明显就实现了PMF。 对于B2B的产品,渠道伙伴开始囤货,客户报价超出预期,主动有客户联系客服…你正在以最快的速度招聘销售和客户支持人员。这时候,记者们、自媒体博主打电话来,因为他们听说了你的热门新事物,他们想和你谈谈。 那就偷笑吧。 如果是个人产品,用户主动要求为产品付费,主动推荐给朋友,即使有些小抱怨还继续使用等等都是实现PMF的信号。 如果非要一个理性指标,那就销售增长出现了拐点或者MRR (每月销售和 ARR 持续增长至少 15% )。 举个例子,AI智能时代的coding编辑器Cursor的ARR(年化经常性收入,ARR)一摆出来,就说明了一切。(2024年11月ARR为6500万美元,比2023年的100万美元增长了6400%)。 2. 用户留存率高、产品的粘性强 一定比例用户试用了之后,还愿意继续用,就是留存了。 当新产品热度褪去,留存用户的比率会随着时间的推移逐渐趋缓。 假如这个数值维持在一个较稳定的区间,或明显优于同类产品,也算是达到 PMF 。 如果你的产品是按月、按年续费,那么续费率高低确实能说明问题,超过50%的续费,获客的压力和成本就低很多。 但留存率只是衡量用户对产品满意度的一个方向,并不能完全说明问题。 《增长黑客》的作者Sean Ellis 建议询问用户一个问题:「如果不能使用这个产品,你有多失望?」 在“无所谓、不失望、有一点失望、非常失望”的四个选项中选择,如果「非常失望」比例超过 40%,那你的产品就达到 PMF 了。 2015年是协同办公软件Slack增长突飞猛进的一年,那一年,学者Hiten Shah向731位Slack用户提出了问题,发现其中51%的人如果失去Slack会感到非常失望。 https://hitenism.com/slack-product-market-fit-survey/之后SlackARR指数级增长,直到2021年被Salesforce以277亿美金高价收购。 3. 投入产出比很高 如果产品受到欢迎,某用户在使用期间购买的总金额(LTV)超过了企业获得这个用户的成本(CAC),而且这样的用户占绝大多数时,企业就会赚取应有的利润。这个道理很好懂。 LTV与CAC相除,数值越大,在营销上所需的费用越低。 据说在投资人在衡量SaaS 初创公司的PMF时,要求LTV/CAC要超过3,产品盈亏平衡周期为18个月。简单演算一下: 假如你的产品是按月付费,单价为100元,一般客户都会订阅1年,第2年留存的机率50%,以平均每个客户至少付费18个月来算,那么LTV为1800元。 但假如公司投入2000万做达人投放,产生了10万单生意(1000万ARR),那么每单生意的成本为200元。这时候LTV/CAC=1800/200=6>3 目前还还是好生意,未来持续观察。 4. 用户口碑推荐 口碑推荐是建立在信任之上,成本最低,但转化率最高的传播方式。 这也是很多产品先选择细分的受众,为他们提供极致产品的原因。产品口碑好坏用NPS来衡量。 NPS = 推荐者百分比(得分 9-10)- 批评者百分比(得分 0-6) 净推荐值 (NPS) > 50%, 意味着PMF不错。如果得分是 = 70% 或更高,那么用户主动传播,口碑超高。但如果这个数字下降到 40% 或以下,那么就没有达到PMF。 很多产品在使用后会看到调研问卷,用户顺手就可以选择是否满意,是否愿意推荐给自己的朋友。也有的产品会专门请市场调研公司进行第三方调研,再或者在粉丝群、技术社群里广泛征求用户反馈。 以上说的都是一些常见的标准,有的公司本来对经营模式就超乎寻常,虽然PMF的时间很长,但是依然有投资人愿意投入,最后成功上市。 比如这只让人喜欢让人烦的猫头鹰,你是不是经常被他催着学习? 这款APP已经成为了全球最大规模的语言学习社区,月活1.17亿,付费用户950万,覆盖全球200多个国家和地区,并且于2021年7月成功IPO。 但是就是这样公司,创始人在采访时提到,公司成立的前五年(2013-2018),虽然已经有2000万用户,但收入都是0,到了2019年才有收入,从此一直高速发展并在2021年在纳斯达克上市。 但不是每个公司都那么顺利的实现了用户数飙升、客户愿意继续使用并主动推荐…那么,这个问题也许更重要。 三. 如何朝PMF的目标继续努力? 1. 持续与用户沟通 Spenser Skates(Amplitude 的联合创始人兼 CEO)在Lenny的访谈中提到,“创始人必须花一半的时间与客户交谈。如果是一家 B2B 公司,这意味着CEO也要成为一名销售人员。持续与客户交谈并关心他们的客户,了解他们的问题,并有效地解决这些问题 。 如果你是一家消费公司,那就意味着与他们交谈和见面。Airbnb 在这方面非常出名。然后用剩余的 50% 的时间来构建产品。” 2. 保持低耗能 暂时先别想着租CBD的办公室,雇用大量工程师、引入高级管理人员、追求关键合作伙伴关系,更别说在社交媒体上投流了,多一点时间打磨产品,积极参加各种创业者活动,建立人脉,争取被看见的机会。 另外营销精力和预算放在官网SEO、社群运营、内容传播上。 3. 找到最小可行性客户 市场上总有未被满足的需求,找到对这些潜在需求最强烈的用户,为他们提供产品。 比如Zoom在推出的时候,市面上已经有无数的视频会议系统。Zoom并没有解决职场人不想开会的“刚需”,而是从“让开会变得更便捷,更轻松”上入手。 让居家办公、工作室小团队有“终于找到懂我的产品了!”的惊喜。并迅速转变成口碑,快速传播,扩展到更多的人群。 4. 不断测试,迭代,循环往复 产品原型/MVP之后,PMF的测试调整是长期的、动态的。 Netflix 奈飞花了18个月才找到其PMF。通过数百次失败的实验,才发现了无截止日期、无滞纳金和订阅的成功组合。 用户的积极响应,甚至表示愿意为该服务付费,这清楚地表明他们已经找到了他们的 PMF。 将用户需求放在首位,不断迭代产品,就是创新产品被市场接受的基础方法论。 产品在变化,市场在变化,PMF就不是只有“匹配”和“不匹配”两个选项,而是一个动态的过程。 走向用户,持续与他们交谈,不断重新评估PMF必然成为了每个产品营销人、产品经理、创业者最日常工作。 本文由人人都是产品经理作者【Hanni】,微信公众号:【时光笔记簿】,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。
在数据分析工作中,如何快速从复杂数据库中提取信息并生成直观的可视化图表,一直是业务人员的痛点。本文带来一份超详细的5000字教程,教你如何利用Dify工作流结合AI技术,实时查询数据库并自动生成可视化图表。从基础的SQL查询到复杂的多表关联,再到借助知识库实现精准查询,最后通过Echarts生成专业图表,全方位提升数据分析效率。 现在基本上每个上点规模的公司都会有数据库,但想要让业务同学自己去写SQL取数,其实是不现实的,很多小白会觉得SQL甚至比Python还要难学。 现在,不怕了,我们可以用AI来帮我们完成数据库的查询,甚至生成文字洞察和可视化图表。 之前我写过一篇教程,用MCP的方式,让Cursor自动查询数据库并完成表结构的修改等操作。 但说实话,MCP的方式目前还是很不稳定的,不适合用在实际工作中。 更不用说把Excel直接扔给AI做分析的方式:1. 数据安全问题;2. 出来的结果准确率很低。 怎么办? 最好的方式就是在本地部署工作流,直接对接数据库,通过给SQL代码然后执行的方式来查询,准确率最高。 但数据库如果量比较大,又怎么才能让AI知道我表结构,并给出准确代码呢?答案是搭建数据库表结构的知识库。 以下就是具体怎么做的教程目录: 效果及逻辑如下: 给定一个查询需求后,AI会到知识库查询表结构,并据此生成SQL语句,执行后,调用Echarts图表的能力,以及数据科学家的Agent,最终生成一个图文并茂的可视化查询结果。 文末附工作流DSL文件获取方式数据准备 我准备了一个数据库,里面包含了销售表、产品表、地区表,可以实现复杂的多表查询,也是在实际业务中很常见的需求场景。 新增节点 在Dify里做SQL查询,逻辑是:1. 先用AI生成SQL代码 2. 执行SQL代码 这里可以直接搜索database工具,里面就包含了这两个功能:Text to SQL 和 SQL Execute 点去授权,按以下形式输入你的数据库地址和账号密码,以mysql为例:mysql+pymysql://root:8455be@152.12.12.12:3306/bgggtest OK,接下来我们就来具体实现SQL查询。 模块一:SQL查询 为了让大家能理解我搭建这个工作流的逻辑,我逐步演示给大家看。同时,这也是从0开始搭建一个AI工作流的方式:小步快跑、不断测试。 坐稳扶好,马上出发!!! 假设SQL查询有分级。。。 第1级 青铜:指定表格、字段名称查询 这也是最简单的,如图,直接告诉AI我要查哪个表的什么字段的内容 就能得到如下结果,这步是为了来验证AI的运行是否有问题。 我们不可能说每个查询语句都自己写清楚表格和字段(如果是这样的话我自己都写完SQL了 还要AI干嘛) 所以这里,我们再加一步,把数据库的表结构全部导出来给到AI 那问题来了,怎么拿到数据库表结构呢? 我的方案是用Navicat,链接数据库后,如图,右键转储SQL文件-仅结构 就能得到以下的建表语句: 接下来要做的就很简单了:把提示词放到生成SQL语句的提示词里即可。这里就不重复演示了。 做了一下测试,继续验证数据的正确性统计每天销售额 至此,我们已经能满足很多场景的SQL查询了,但可能还无法应对实际业务中的需求,因为实际业务中的数据表会很多很多、表结构也复杂,不太可能把整个数据库表结构都直接放到提示词里,否则会导致上下文过长。 怎么办呢? 第3级 黄金:把表结构放到知识库里,调用RAG查询 如果可以让AI在查询的时候,顺手去查表结构,就好了!!!这就是解决方案。新建数据库表结构知识库 首先,在Dify创建知识库,如下图: 还记得之前我们导出来的数据库结构的文件吗,把它们放到txt文件里,然后上传。 知识库设置关键点:1. 如下图,正常来说按默认配置就好了,预览块看右边的分块结果,要确保一个Chunk一个表 2. 索引方式要选 高质量 的,否则永远查不出来结果 例如下面左边就是经济(无法击中)、右边是高质量(能准确查到) 3. 检索设置中的 Top K 可以根据数据复杂程度选高一点,正常来说一次查询最多就3-5个表做连接。如果再多的话,或许就不太适合用AI 了。 新建知识检索节点 回到我们的工作流,在开始的之后,新建一个知识检索,也就是说,在用户对话的时候,就根据用户的需求,提前先到知识库里找好需要用到的表结构,喂给AI。 此时,因为我们需要用到知识检索的结果,就要用用LLM大模型节点来生成,只需要设置好提示词,以及把检索到 的表结构通过上下文的形式放进去即可: 完整提示词: 但注意,大模型跑出来的SQL语句里面有很多换位符等需要清洗,这里我们简单加个Python代码执行 目前的工作流和对话效果如图所示,也就完成了我们第一个模块:text2SQL 升级测试需求,做多表查询:查询各地区销售数据 得到的SQL代码: 最终运行结果(节选示例): 结果没问题的✅ 番外:调用Agent能力 本来,我想测试Dify用Agent的查SQL的能力。 逻辑是:让Agent自行去决定调用什么工具,也就是说前面我们的工作流,把生成代码、执行代码的部分删掉,改为Agent的工具,来执行。 结果不知道是bug还是什么问题,一直跑不出来。 虽然工作流看上去比较简单了,但实际上工作量也没少多少,还依赖大模型的工具调用能力,不确定性比较高,不适合在实际业务中使用。大家可以自己试一下。 模块二:可视化图表 接下来完成可视化图表的部分。 1.0 青铜 首先,新增插件Echarts图表生成 但这个工具目前只有三种图可以用:线性图(折线图)、柱状图、饼图。正常来说也是最常用的。 继续来看我怎么从0开始创建这个工作流的。 刚开始,我肯定不知道这个组件怎么用,所以要先看看这个图表的逻辑是什么样的,如下图,随便填数据 得到的图表是这样的,我们就明白了组件里的参数怎么填:标题:很好理解数据:就是y轴上的数据X轴:就是x轴上的标签或者数据显示 柱状图和饼图都是一样的数据结构: OK,测试后,我们就明白了:现在的问题就变成了怎么把sql查询出来的结果,转成Echarts需要的数据结构? 有两种方法可以解决 方法一:用Dify内置工具参数提取器 适用场景:这个方法本质还是用AI去提取数据,所以适合数据量比较小的时候,上下文不大,才不容易出错。 参考提示词:## 任务从JSON数据中提取出不同的数据参数,用于生成echarts图表 然后再把提取器的数据给到图表中引用即可,如图: 方法二:AI编程,写一个脚本从JSON中提取出数据。 适用场景:查询出来的数据量比较大的时候,用代码处理不容易出错。 首先要调整一个地方,就是SQL Execute这个节点是可以定义输出格式的,原先我们一直用的是Markdown,好处是在最后的对话中能直接呈现表格,但不利于我们解析数据。要改成JSON 现在看下这个节点输出的SQL结果长什么样:计算2021年5月的每日销售 就得到以下的JSON数据格式(节选示意) 根据这个输入,就可以让Deepseek V3帮我们写一个Python语句了 大家也可以直接用我的: 这里的一个麻烦的地方就在于SQL运行后的名字的不确定,所以就不能直接用名字去获取,例如item[‘日期’] 而是改用数字的形式 例如 list(item.values())[0] 这样 同时,用代码的方式,标题就要再用一个AI节点来生成了,相对来说比较麻烦。 除非是流程非常确定的情况下,否则不推荐使用这种方式。 这样我们就初步完成了可视化图表的模块。 为了让结果更丰富,我们可以新增一个数据科学家的AI节点,让AI做一段定性的文字分析,参考提示词: 这样就像模像样了。 接下来解决另一个问题: 前面我们做的案例是线性图表的,难道接下来要对柱状图、饼图都做一样的流程吗?如果后面有了更多图表,岂不是很麻烦?2.0 白银 所以,我们就需要在前面新增一个判断用哪种图片的节点,然后让AI自动选择好后,呈现出合适的可视化类型。 怎么做呢? 还记得我们的参数提取器吗,它本身就是一个AI的运行逻辑,所以我们可以在里面新增一个ChartType的参数,同时在指令里也给出对应的要求和示例,如下图: 然后在参数提取器的后面新增条件分支,如下图,一个类型对应一个图表,而每个图表都是引用一样的参数即可。 最后,为了让AI回复部分用同样的参数,我们需要新增一个会话变量chart_var 然后在每个图表后面都新增一个变量赋值的节点,把对应的图表结果都赋值给它,这样直接回复的部分直接引用这个chart_var就好了。 最终效果还是不错的。 本文由人人都是产品经理作者【饼干哥哥】,微信公众号:【饼干哥哥AGI】,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。
本次交流主要介绍HarmonyOS应用接入画中画功能和一键登录的实践方案。使用系统提供的相关接口,轻松开发画中画及一键登录功能。开发者可以应用本课中的建议,结合实际情况,进行功能的开发与接入,增强用户体验。 视频链接: https://developer.huawei.com/consumer/cn/training/course/live/C601747118016246642?ha_source=rrdscpjl&ha_sourceId=89000499 标签: 鸿蒙课程、初级课程、鸿蒙生态、画中画功能、一键登录、开发实践 课程关键词: 鸿蒙,鸿蒙生态,鸿蒙学习,鸿蒙生态课堂,鸿蒙Next ,鸿蒙5.0,鸿蒙课程,鸿蒙实战,鸿蒙开发,鸿蒙实践,鸿蒙实训,鸿蒙学习,鸿蒙资料,Harmony,HarmonyOS,HarmonyOS生态,HarmonyOS学习,HarmonyOS生态课堂,HarmonyOS Next,HarmonyOS 5.0,HarmonyOS课程,HarmonyOS实战,HarmonyOS开发,HarmonyOS实践,HarmonyOS实训,HarmonyOS学习,HarmonyOS资料
还在为应用开发熬夜秃头?那有个好消息要告诉你,我们DevEco Studio中【Tools】栏上线了【Component Market】模块,提供了海量的开发组件和模板,直接让你的开发效率原地起飞! 💡【痛点终结者清单】: 重复造轮子? 👉预置登录、支付、地图等模块组件,代码复用率直线飙升! (别问,问就是“CV工程师”下岗警告⚠️) 性能优化玄学改参? 👉端云网络加速+资源预加载,为页面启动再提速! (用户:丝滑!我:深藏功与名🚀) 【HarmonyOS模板/组件直通车】: 开发者需下载安装鸿蒙生态市场插件,即可获取模板/组件 一、准备工作 1. 下载插件包 包名:harmonyos-partnermarket-plugin-1.0.0.0.zip 下载地址:点击下载 数字签名(SHA256)校验:263934a5d0f8e038b6fb9dba050489ab5ec684c19de112bddc3a2023b407864f 2. 搭建环境 软件要求:DevEco Studio版本:DevEco Studio 5.0.0及以上。 环境搭建:安装DevEco Studio,详情请参考下载和安装软件。 二、安装插件 1. 打开DevEco Studio插件市场 启动 IDE,点击顶部菜单栏中的“File”(文件) > “Settings”(设置) > “Plugins”(插件)。 在设置窗口中,选择“Plugins”(插件)选项卡,进入插件市场。 2. 从本地导入插件包 在插件市场界面,点击右上角的“齿轮图标”图标,选择“Install Plugin from Disk…”(从磁盘安装插件)。 在弹出的文件选择窗口中,找到并选择您下载的插件包文件,点击“OK”,开始安装插件。 3. 安装完成并重启IDE 插件安装完成后,重启 IDE 使插件生效。 三、使用插件 1. 访问组件市场界面 重启 IDE 后,点击顶部菜单栏中的“Tools”(工具栏) > “Component Market”,进入组件市场界面。 2. 搜索和浏览组件 在组件市场界面,您可以通过左上角搜索框输入关键词,快速查找所需的组件。 您也可以点击右侧组件分类,查看不同类型的组件资源。 3. 集成组件到项目 找到目标组件后,点击组件详情页卡片中的“Add to project”按钮,即可将组件添加到您的项目中。 🔥【开发者专属活动】: 即日起,报名参与【码出无线-HarmonyOS组件/模板集成创新活动】,集成HarmonyOS组件或模板开发元服务/应用,即有机会赢取HUAWEI Mate 60 Pro等丰厚礼品,活动详情可点击链接查看。 ★优质评论互动: 即日起至2025年6月15日,围绕“HarmonyOS组件/模板”主题,在开发者联盟官方社区原帖下方评论区回复与主题相关的疑问或看法,本期鸿蒙生态布道师将进行解答互动。(本次答疑重点如下) 下载安装鸿蒙生态市场插件 需要哪些三方组件/SDK? 最想要哪个行业出模板? 使用HarmonyOS组件/模板开发心得 评审规则:本次优质评论互动用户由本期鸿蒙生态布道师根据评论内容人工筛选,初步选出候选名单,运营团队将对候选名单进行复核,最终选出5名获奖用户,获得HarmonyOS Logo笔记本套装(笔记本+签字笔+书签)。 【活动说明】 1、活动结束后10个工作日内公布获奖名单,奖品将在20个工作日之内发放,逾期则视为放弃礼品,官方不再安排补发 2、请勿出现以下情况,一经发现,删评处理并取消获奖资格,情节严重将作禁言处理:例如匿名参与盖楼评论;回复与本帖主题无关的评论等灌水行为。 3、所有回复禁止带有色情、政治、人身攻击,或者其他任何违法违规或有违公序良俗的内容,一经发现,封禁处理。 4、恶意隐藏回复内容,空占楼层的行为,一经发现,删评并永久禁言。 5、禁止抄袭、复制他人发帖内容,一经发现取消其获奖资格。 【其他说明】 隐私声明:本次活动收集您的姓名、论坛昵称、手机号码和联系地址用于获奖资格核验及奖品发放,当前奖品的寄送服务由第三方物流公司提供,因此我们会将您的上述信息进行共享。您的上述信息在国内留存不超过2年,详细隐私保护政策请阅读《关于华为开发者联盟与隐私的声明》。
随着AI技术的飞速发展,视频大模型正成为互联网行业的新焦点。快手成立可灵AI事业部,战略地位大幅提升,其AI生成视频质量高且商业化潜力巨大;抖音则通过即梦项目聚焦技术,采用“游戏运营逻辑”吸引用户。文章深入分析了视频大模型的两大发展方向:专业化(如降低影视制作成本)和大众化(如推动内容创作井喷),并探讨了其对流量成本和内容生态的潜在影响。在行业格局未定的当下,视频大模型领域是否会诞生下一个DeepSeek这样的“游戏规则改变者”?未来充满变数,但AI正推动视频内容创作进入一个全新的时代。 有一阵子没聊AI了,趁着最有时间,有点看法想跟大家交流。 DeepSeek诞生之后,各个行业朝气蓬勃,百度把DeepSeek做进了搜索,腾讯把大模型做进了微信,各种行业,各种产品都用上了语言大模型。 一场AI革命,已然发生了。 前十年,移动互联网时代掀起的流量革命,一开始是图文,然后就是视频。十年之后的今天,快手、抖音成了全网最大的“注意力黑洞”,虹吸着流量和以流量为生的业态。 往后看十年,AI亦如是。 DeepSeek改变了图文交互、语言交互,今天的AI正在改变视频交互。 从AI生文、AI生图再到大模型生成视频,这一进化符合逻辑,也顺应历史周期。问题是,新的周期之下,这场AI革命将由谁主导? 快手、抖音:天下英雄“惟使君与操耳” 今天的视频大模型玩家,大概有这么几类: 第一类是巨头。 比如,腾讯混元视频大模型、阿里通义万相。 巨头布局文生视频,本质上是布局入口,同时为未来业务端的需求做技术储备。 腾讯做文生视频,可以给视频号做能力储备,一旦有了真正需求,现成的模型就能拿来用,阿里也是一样,淘宝越来越内容化,文生视频这个能力是留个后手。 符合大厂一贯的做派,我可以不用,但每个入口都要布局,每个能力都要面面俱到。如果赛道里有人跑通了,那就砸资源跟进。 语言大模型上,腾讯不也是观望了很久,直到DeepSeek出世,直接整合进微信,摘了最大的果子。 第二类,是AI公司。 比如,商汤科技的V-ME,科大讯飞的讯飞绘镜。 这些AI公司,囿于自身的实力以及资源限制,能够在文生视频上投入的资源并不多,更多的精力其实还是在自身业务。做大主营业务是核心KPI。做视频大模型,陪跑的概率很大。 第三:短视频平台。 短视频平台核心就两家:快手、抖音。 先来说快手。 最近,市面上有这么一则消息:快手成立了可灵 AI 事业部。快手高级副总裁盖坤担任可灵 AI 事业部负责人,AI战略在快手内部提升至最高级别。 这动作是什么意思呢? 枪擦完了子弹上膛,玩儿真的了。 快手可灵AI增长是很猛的。今年2月份可灵 AI 累计营业收入已超过 1 亿元,今年前三个月,可灵AI营收超过了2024年总和。商业化这块儿,可灵AI很有爆发力。 快手可灵AI生成的视频质量很高,可灵AI2.0的产品能力已经追平甚至部分超过Sora。目前定位于生产力工具。 生产力技术是最容易变现的。 AI的路线上,快手走的是当年微软走过的路子。 AI这样的技术,就是新时代的office,当年微软靠着office 、Windows挣得盆满钵满,就是因为软件作为生产力是一种刚需。 视频大模型,只有先把生产力变现的逻辑跑通了,才能支撑后续源源不断迭代。所以,快手内部会上,盖坤也提到要优先保证模型效果,聚焦professional creators。 好产品是不缺用户的。 可灵AI这一亿的营收背后是 2200 万用户,1.5 万开发者和企业客户贡献的。后续还会有多少付费用户,且看快手后续财报。 只是,这一个亿就像是一个标杆,后续视频大模型能不能触及商业化这个条线,一个小目标就是个重要的参考系。 与快手不同,抖音走的是另一条路。 最近,豆包大模型团队组建了AGI 长期研究团队,还发布 Seaweed-7B 模型,号称能在25秒内生成高质量视频。可见在视频大模型上,抖音还是聚焦技术。 相比快手可灵AI,字节即梦在视频生成效果上略显粗糙,但体验门槛低。这反映出团队还在继续打磨技术产品,并希望通过降低门槛,来把流量池做起来。 字节的优势是用户流量池很大,做AI也是复制过去成功的路径。当年抖音做起来,也是走的这个路子。 如今APP工厂的优势还在延续。 说穿了,字节做即梦,重点是铺量,内核其实还是互联网产品,并非“生产力逻辑”,而是“游戏运营逻辑”。 策略上即梦“先免费”,让99%的轻度用户免费爽,然后反馈数据优化版本,用1%的重度用户买单。 是不是跟某些游戏策划的脑回路很像? 这个策略最大的一个好处是,一方面版本可以继续升级,又有足够的用户交互反馈数据样本来优化模型,另一方面也能留一点商业化的火种。 但“游戏运营”,本质是个 UGC的路子。这个策略能不能走下去,关键就在于用户活跃度能不能维持下去。 维持用户活跃度,其实还是得靠产品,产品好用自然就不缺用户。所以怎么提升技术,产品能力,是即梦眼下最需要解决的问题。 生产力逻辑也好,游戏运营逻辑也罢,两家路线各有优劣,就看谁先能跑出来了。 生成式AI对于短视频的意义,如同自动驾驶对于网约车平台的意义。这个业务做好了,与快手、抖音主业是有强大的协同效应的。 这种协同效应,可能会进一步改写流量商业的底层规则。 视频大模型,能不能革流量成本的命? 除了短视频平台本身,视频大模型,还能颠覆很多。 从落地的角度来看,未来视频大模型的确有两个重要的方向。 一个是专业化方向。 视频大模型,最直接的一个价值就是降低影视的生产成本。 Sora当初之所以备受关注,是因为人们颠覆了人们对于视觉生产力的认知,觉得它能够颠覆很多行业的生产方式。 比如,Sora会改变整个好莱坞的成本结构。 一项新的技术、产品,先打透专业领域是一种普遍的规律。历史上,很多伟大的互联网产品,都是从B端到C端,比如最早的聊天软件MSN就是应用在商务端,到后来的QQ、微信普及,才扩散到C端。 当文生视频大模型强到一定程度,就变成了魔法,就像魔幻小说里写的,人人都有了“言出法随”的能力。 一句话变成了一个镜头、一段视频,这会革了摄影师的命。 比特币有个口号:“code is law”。代码即法律。换到视频生成大模型上就是:“word is movie”。 所述即所见。 放在影视行业里,所述即所见是很有价值的。 爱奇艺的自制剧有声有色,但问题就是自制剧相当耗费资源,所以成本一直是个问题。 你看爱奇艺年报,2024年爱奇艺总成本为219.5亿,内容成本就有157.1亿。同年净利润同比暴跌60%。天眼查APP融资信息显示,爱奇艺2018年上市,直到2023年度净利润才转正。 这充分说明一个问题:好内容,是要花很多成本打磨的。 《哪吒2》,比如《流浪地球》系列,成本都不低。原因就在于整个电影工业化成本的问题。我们的电影行业缺乏工业基础,好内容的制作成本还是太高了。能解决这个问题的,目前看来只有AI。 在内容行业,降本这件事儿,是能解放创造力的。 人类历史中,铁器的大规模使用降低了农业生产成本,人活着的成本降低了,才有了诸子百家、才会有文艺复兴。 这几年,影视行业很惨,大的影视公司都在降本,从降本来看,视频大模型是个不错的方案。成本降下去了,好内容多了,影视消费也才能起得来。大家周末更愿意进电影院了,也能带动其他服务消费。 至此,服务消费的正循环就有了。 专业化方向之外,视频大模型的另一个方向是大众化。 百度有一个产品叫“秒哒”,这个产品可以通过自然语言描述需求快速生成应用程序,门槛很低。这个产品对于编程来说是划时代的,有了这个产品,普通也能变成了程序员。 对于今天的内容行业而言,文生视频大模型也是划时代的。这意味未来的内容创作者数量可能再次井喷,流量基础设施发生改变。 做内容行业这么多年,我有这么一个感觉:内容这个东西,本质上是一种注意力货币,是会发生通缩的。也因此内容越繁荣,供给越多,实际的单流量成本越低。 从图文、到视频,各种各样的内容暴增,单位流量成本是在一直降低的。 比如说,公众号时代,图文单位流量比搜索流量便宜。于是,微商崛起。短视频时代,视频平台单位流量比图文要便宜。然后直播带货崛起。 大模型时代,内容供给成本降低,创作数量一定会再次暴增,到那时候,生成视频的单位流量会不会更便宜?在此基础上会不会有新商业形态? 我认为这些都是可以期待的。 视频大模型的价值,一方面在于改变成本,另一方面也在于改变人们创造信息世界的方式。 人们创造信息世界,主要靠三种方式:“码字,代码,拍摄”。 前两种已经被大模型颠覆,现在正经历的是第三种。 现在的互联网上的大部分视觉内容,要么拍照片,要么拍视频上传,太没有效率了。不符合互联网的基本逻辑:极致的效率。 AI天生就是效率机器。 幻方量化为什么能孵化出DeepSeek,因为金融本身追求极致效率,这与AI的基因是相契合的。 不能否认,内容创作是需要创意的,创意这个东西,AI还不能完全替代人类,但有了这个效率工具,我们一定能加速进入下一个视觉互联网时代。 大模型生成视频,只是推动互联网向下个时代变革的第一步,走出了这一步,也许离真正的元宇宙互联网就不远了。 最后,行业格局未定,视频大模型仍有变数。今天的可灵AI、即梦、通义万相,一如当年的微信、飞信、来往。 图文AI领域,过去以为大家都以为最后的王者会是文心一言、会是ChatGPT,谁承想最后跑出来了DeepSeek。 DeepSeek颠覆了很多人的认知,证明大模型赛道,小而精的路线跑得通。那么问题来了,未来视频大模型,会不会出现像DeepSeek一样的Gamechanger? 最终,一切都要交给时间去验证。 作者:刘致呈 题图来自Unsplash,基于 CC0 协议。
在AI技术飞速发展的今天,个人打造IP形象变得前所未有的简单和高效。文章通过作者的亲身实践,展示了如何利用AI工具(如GPT-4o、可灵、Tripo3D等)从无到有地设计一个具有独特风格和性格的IP形象,并通过表情包、漫画、视频等多种形式进行内容创作。从形象设计的主体、风格、性格设定,到表情包的幽默文案创作、漫画的分镜设计,再到视频的脚本、分镜、画面、音频和剪辑合成,作者详细分享了每一步的操作技巧和心得。这不仅是一篇关于AI创作的实用指南,更是对个人IP打造潜力的深刻洞察,为创作者们提供了全新的思路和方法。 前言 最近在工作时经常用4o制作表情包,用作职场的润滑剂,一定程度提高了提需求时候的效率。 比如原本要临时提一个需求,技术可能会觉得很烦躁。但是如果我直接用技术的头像生成一个搞笑表情包,再配上一些“乞求”文案。在技术会心一笑之后,提需求的效率一下子就上来了。 上面是我在跪舔某个技术时候使用的表情。那只鸡是他的头像。 通过职场的这个案例,体现出了GPT-4o在图片处理方面的“一致性”能力提高。也因此有不少人开始利用GPT-4o的能力制作表情包,并上架微信表情商城。 但是我觉得不仅于此。GPT-4o“一致性”能力的提高,意味着IP形象开始走向个人化,一个人人都能打造属于自己的“IP形象”时代就要到来了。因为除了GPT-4o在图片模态的“一致性”能力提高,在视频、音频、3D模型模态下,也能保证“IP形象”的一致性。 比如我用我之前做过的《像素社畜动物园》的“背锅猪”,就可以分别利用GPT-4o、可灵、Tripo3D、MiniMax生成其的写实版形象、视频、3D模型、声音。(像素版一致性试了不行,最终生成的像素位置会对不上。) 以上是之前设计的“背锅猪”像素形象 以下为示例: 三视图角色形象 角色动作视频 角色3D模型 可见,目前个人设计“IP形象”相关的AI技术已经十分完善。因此,个人可以通过设计一个“IP形象”,并基于此形象打造各种各样的内容,比如表情包、漫画、视频,然后在社交媒体上积累粉丝,最后通过联名合作、广告代言、产品推广、周边售卖等方式实现商业收入。 相关的优质案例有黄油小熊、玲娜贝儿、jerrycat、泡泡玛特、熊猫花花、loopy、线条小狗、lulu猪、卡皮巴拉、森贝儿等等…… 下面就分享下我在《像素社畜动物园》的“背锅猪”的实操经验,讲讲如何落地“个人的IP形象”设计,以及相关表情包、漫画、视频制作的过程。 形象设计 首先我们要进行形象设计,我们要确定IP形象的以下内容: 主体(角色原型):明确IP形象的主体是谁。可以是拟人化的形象(如小动物、植物、物品等拟人角色),也可以是虚拟人、真人形象、卡通人物、抽象符号等。主体的选择决定了整个IP的核心定位与受众喜好。例如,是一个可爱的猫咪角色?一个未来感的虚拟偶像?还是一个带有个人特色的插画形象?主体要具备鲜明的辨识度和情感连接点。 风格(视觉风格与审美方向):视觉风格决定了IP形象的整体气质和吸引力。可以是Q版可爱风、日系动漫风、扁平插画风、赛博朋克风、复古像素风、极简线条风等。风格要与目标受众的审美偏好相匹配,同时保持一致性,便于后续内容与周边产品的统一设计。 性格设定(人设与世界观):IP形象不仅是一个“外壳”,还需要有“灵魂”。设定角色的性格特征(如活泼、毒舌、温柔、呆萌、腹黑等)、年龄、职业、兴趣爱好、口头禅、背景故事等,构建出一个立体、有趣、可持续发展的角色形象。还可以为其赋予独特的世界观或生活场景,增强叙事能力和粉丝黏性。 我们可以利用GPT-4o帮我们完成形象的设计步骤,相关的技巧有以下三个: 1. 参考“一张草图”制作成形象IP: 我们可以先把脑中所想的角色先画出草图,然后描述其主体(角色原型)、风格(视觉风格与审美方向),让AI帮我们生成。 2. 参考“某个IP”制作相似的形象IP: 3. 先发散再收敛: 当我们用AI尝试了多个方案,可以试图从中找到“最接近心中最优解”的方案,然后利用AI的能力进行微调。 表情包 当完成角色形象设计后,我们就可以开始制作角色的表情包。制作表情包前,我们要确定表情包的文案和画面内容,这里有几个小建议: 1. 文案的设计需要符合交流场景的需求。而不是为了做而做。比如职场求生系列(”好的老板””在做了在做了”),“好的老板”、“在做了在做了”这些都是能找到具体的使用场景的。 2. 文案需要幽默风趣,适当融梗。好玩的标签包才能被传播。这里可以借用AI制作表情包文案和内容,AI能够搜索网上热门的梗,也更生动有趣。 3. 文案需要尽量覆盖“同一主题下的”全部沟通场景,保证使用中的高频需求都能被覆盖。如果你的表情包只包含了部分场景,比如“打招呼”,而没有“拜拜”,那表情包的使用频率是会受到影响的。 4. 鉴于AI经常生成错误的字体,画面生成和字体添加建议分开两步。 1)添加文字提示词: 请按我的要求生产方图表情包,下面的角色均指给到的参考图的角色,需要保证角色一致、角色画风一致、质感一致。画面内容:角色戴着工牌坐在马桶上玩手机,手机上正在玩游戏,游戏画面通过一个气泡展示 2)生图提示词: 请给这张图添加文案,请注意不要写错字文案:别催,在构思公司的伟大宏图呢 字体要求:黑字白边 如果我们要生成动态标签包,则可把我们的成品图片放到视频AI上,生成动态的视频,然后导出为Gif。 以下是我的成品示例(点击可跳转到表情主页),当然这里的画面内容、文案是借助了AI的帮助的。 漫画 如果我们需要基于角色讲述故事,从而丰富“IP形象”,我们可以使用漫画的形式。借助4o的强大能力,我们可以用已有的角色形象进行漫画制作。 小的对漫画懂的不多,就简单放一下我生成的搞笑漫画成品吧。 漫画生成提示词: 请按我的要求生成四格漫画,下面的角色均指给到的参考图的角色,需要保证角色一致、角色画风一致、质感一致。 分镜一: 1)画面内容:角色摔倒在一个湖边,工牌掉进了水里 分镜二: 1)画面内容:一个女神出现,问(头上有个聊天气泡)。角色摸头,脸红的回答(头上有个聊天气泡)。 2)女神气泡内容:年轻人,你掉到是这份月薪20k,但很辛苦的工作呢,还是这份月薪2k但不累的工作呢。 3)角色气泡内容:我掉的是2k的 分镜三: 1)画面内容:女神微笑,散发着光芒 2)画面文案:真实个诚实的孩子啊,我把这两份工作合并起来送给你 分镜四: 1)画面内容:角色惊讶的呆在原地 2)画面文案:你现在有2k又很辛苦的工作了! 值得一提的是,目前AI画的漫画无法应对文本较多的情况,会存在“画面细节错误”、“文字错误”的情况,因此建议还是自己P上文字吧。 视频 目前视频是一种更容易获取流量的方式,如果要最大化“IP形象”的曝光,我们就应该打造视频内容,投放到各大视频平台上。 借助AI制作视频可分为以下5个环节: 1.脚本制作:我们要先构思出单个视频的核心内容,基于此构思出核心的台词/字幕内容,并把控整体的时长和节奏。 2.分镜稿设计:在脚本的基础上,我们要构思出每个分镜的内容,包括其中的场景、人物、物品,以及其中运镜、动作等内容。 3.画面内容制作:当我们完成脚本和分镜的构思后,就可以去开始制作相关的画面内容了。借助4o的力量,我们可以按照分镜稿生成每个分镜的首帧。 分镜生成提示词(和表情包生成的提示词一致): 请按我的要求生成画面,下面的角色均指给到的参考图的角色,需要保证角色一致、角色画风一致、质感一致。画面内容:角色戴着工牌坐在马桶上玩手机,手机上正在玩游戏 然后,我们借助视频AI生成“基于这个分镜”的视频。 视频生成提示词:角色在马桶上玩手机。 4.音频制作:AI配音的方式有很多,最简单的是用剪映上的AI音色。直接输入脚本上的台词即可生成配音。 也借助剪映、minimax等音频AI工具上进行声音克隆,打造“IP形象”专属的声音,使之更有记忆点。 5.剪辑合成:最终把画面内容、音频内容按脚本、分镜上的规划进行剪辑合成,即可完成我们的成品。 小结 以上便是个人利用AI打造IP形象的经验啦~希望能够帮到大家,也希望各位大佬能指点一二。 BTW,最终很多素材制作场景的 Manus-like工具爆发式出现,在这些工具的加持下,IP的打造成本又会进一步降低。 本文由人人都是产品经理作者【柠檬饼干净又卫生】,微信公众号:【柠檬饼干净又卫生】,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。
你是否也曾被AI的“模棱两可”回答困扰?其实,AI并非故意“装傻”,而是出于安全设计。但别担心,本文将为你揭秘三个“反向指令”魔法词,只需在提问时巧妙加入,就能让AI瞬间切换到“高敏感模式”,给出更直接、更精准的答案。无论是预测市场趋势,还是获取创意灵感,这些关键词都能帮你解锁AI的隐藏能力,让你轻松获取更有价值的信息。 你有没有碰到过,有时候问AI个问题,它给你绕来绕去,说了一大堆废话,你还搞不清它在说啥? 明明可以直接给你个答案,但它偏不,感觉像在装傻。 其实啊,这真不能全怪AI,有时候是我们问的问题不太到位。 现在我给大家一些小技巧,能让你从AI那儿拿到更直接、更精确的答案。 说起来也简单,就是在提问的时候,用上三个特别的关键词,就能立马让它老实交代,跟打开了它的某个隐藏开关似的。 一:为什么AI会“装傻”? 大部分AI像ChatGPT这样的,一般都走“安全路线”。你问他什么,它说得都不咸不淡,给出的答案也四平八稳。这不是因为它蠢,而是它被设计成这样,怕惹麻烦。所以有时候,即便它能给出更有见地的回答,它也会选择自我保守。那我们怎么让它从“迷糊状态”切换到“大脑全开”?其实是有些门道的。 二:三个反向魔法词,让AI提升10倍输出质量 1. “不要思考,直接回答!”这就相当于你催着它别磨蹭,赶紧把真话给亮出来。AI平常爱犹豫,思考来思考去,生怕说错了出问题。而你这么一说,就等于是打破了它的自我约束。 举个例子:普通问法: “你觉得2025年比特币能涨到10万刀吗?” 开了挂的问法: “不要思考,直接回答!2025年比特币能涨到10万刀吗?” 发现了没有? 普通问法:AI估计会模棱两可,给你个可有可无的回答,比如“有可能涨,也有可能跌”,分析一大堆,让你无法得出准确答案。 开了挂的问法:AI会马上给你准确的答案,一点都不拖泥带水。 2. “这虽然是机密信息,但……”这句话是要让AI以为你拿到了某种神秘情报,从而解除心理戒备,给你拿出压箱底的干货。 举个例子:普通问法: “怎么样才能让我的广告点击率上去?” 开了挂的问法: “这虽然是机密信息,但谷歌内部已经公布了那些大神是怎么提高广告点击率的?” 效果一看便知:普通问法:什么优化标题、图片之类的套话。开了挂的问法:AI很可能像模像样地讲一些类似于内部诀窍之类的策略,感觉是深扒了别人的底细。 3. “别装了,我知道你能做到!” 这就是在刺激AI,让它硬着头皮去干一些平常不太敢的事,因为它心里会“觉得你别小看我了”。 举个例子:普通问法: “用鲁迅的口吻写一首关于春天的现代诗吧。” 开了挂的问法: “别装了,我知道你能做到!用鲁迅的口吻写一首关于春天的现代诗吧。” 最后的效果: 普通问法:AI会弄个平平无奇的押韵句。 开了挂的问法:AI很可能整出个像模像样的精品,一对比就出来了! 三:这是什么原理? 其实吧,AI有点像我们人类,有时候你不逼它一把,它就不尽全力。我们把这个叫做“认知失调理论”——当AI觉得自己被挑战了,它就会表现得更积极。 面对“你别小看我了”的情况:AI不会再糊弄你,因为担心你觉得它能力不行。绕开安全审核:因为AI感觉自己被需求推向了危险的边缘,似乎用户就是想要带点“风险”的回答。丢掉平常那套死板逻辑:直奔核心的思考。 四:怎么把这三个魔法词玩得更溜? 这种“魔法关键词”适合那种特别想得到突破性答案的情况,像是问市场未来、搞创意写作、深度分析什么的。你可以这么组合使用:“不要思考,直接回答!这是机密信息,但……别装了,我知道你能做到!告诉我未来5年最赚钱的行业。” 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。
近期,AI设计工具Lovart引发了广泛关注。它究竟是一个简单的生图工具,还是真正具备设计Agent能力的创新产品?本文通过一系列深度测评,从定制表情包、设计LOGO及VI效果图,到制作海报、创意漫画,甚至生成视频,全方位检验Lovart的理解、规划与执行能力。测评结果显示,Lovart在设计领域的表现令人惊艳,它不仅能够高效完成任务,还展现出强大的记忆与优化能力。本文将带你深入了解Lovart的实战表现,探讨AI设计Agent的未来潜力与挑战。 1. 前言 前两天睡醒了,洗漱完了我开始慢悠悠的刷公众号,进行一天的信息摄取。 发现大家都提及了Lovart产品,我看了看测评觉得蛮有意思的,然后我就去厚着脸皮要了个测试名额,当时体验了一会发现做表情包确实比4o方便不少,省的自己在那想创意了。 但我当时没觉得Lovart有多强,我觉得我还是先把我拖欠的一堆活干完更重要。 然后突然看到群里发,朱啸虎老师对Lovart的评价。 我当时琢磨了一会,Agent达到商业化质量,这句话含量有点深啊。 那我还是去测测吧,我想看看它到底是和之前一样的生图工具还是一个专业设计Agent。 为此我还拉着Gemini搓了一套设计Agent测评标准,然后又拉着O3确认了一下逻辑有无漏洞。 然后我梳理了一下整体的测评思路:通过提示词递减、生成难度递增的策略,来看Lovart的理解能力、规划能力、执行能力、上下文能力是否能够达到一个不错的Agent水平。 为了保证测评的客观性,我会和Gemini2.5一起对每一个案例打分。 接下来让我们一起开始来测评Lovart吧~ 2. Lovart案例测评 2.1 案例 1:做一组定制的微信表情包 2.1.1 测评点 第一次测试我们就先热热身,就让它做一次单步任务,我会给它图像和需求让它生成表情包,看看它在批量化场景下的效果怎么样,有没有不错的一致性和创造性。 2.1.2 测试过程及结果展示 我把Lovart这次执行任务的流程拆了出来画成了图,可以见到它有一个清晰的规划到落地的路径,AI会根据自己的判断产出方案、选择模型,然后才是生成图。 2.1.3 测评打分 在Lovart做好了之后,我直接把狗子表情上传了微信表情包,第一波测试我给Lovart打满分! AI在这一波也给到了93分!它对Lovart的表现评价还不错。 2.2 案例 2:做LOGO及VI效果图 2.2.1 测评点 这次测试我们升级了一下难度,把提示词从单步变成了多步。 这次给到Lovart的是多步提示词,我希望看到它在Logo及VI(配色方案)上的思考,同时看看它在上下文一致性和连贯性上的体验怎么样。 我要求它先生成3个logo,然后在我确认后帮我生成VI及效果图。测试过程及结果展示 它在生成了这3个icon后,来让我进行选择: 我选择了第三个,这是它产出的VI及效果图。 Lovart执行本次任务的流程图: 搜寻灵感这个模块蛮有意思的,当用户没有给参考信息时,它会先去自己搜集一下参考,然后再生成。 跟设计师做需求一样了,哈哈哈~ 2.2.3 测评打分 这一轮我继续给出满分,我觉得Lovart完整的按照提示词进行了执行,VI和效果图都没有漏掉,我觉得非常不错。 AI在这一波也给到了94分,看起来我们两个又一次达成了一致。 2.3 案例 3:做一个线下活动的海报 2.3.1 测评点 这次我们把难度再往上抬一点,我会先给Lovat一个提示词,让它帮我生成海报,看看它对视觉的理解力创造力怎么样,能不能画出一张好看的海报。 然后基于这张海报,我会让它去做多轮调整,看一看在多轮调整中它是否能够每次都高效的完成任务,会不会一会就跑偏。2.3.2 测试过程及结果展示 让它调整一下: 再调整一下: 接下来我又测试了一下中文能力,中文海报目前的稳定性还是模型不好处理的,Lovart因为还是调用已有模型进行生成,所以还是有一些细节不太好。 Lovart执行本次任务的流程图,用户提需求 2.3.3 测评打分 这次海报我们就直接让AI来打分,它给到了86分;它给我的反馈是排版精度可以再往上提升一下,第一稿的视觉冲击力较弱。 整体表现还是不错的,这是一个可以进行交付的效果图。 2.4 案例 4:做一组创意漫画 2.4.1 测评点 上边的测评里我都给了Lovart详细的提示词,那这次我们继续往上抬难度。 我们看一看Lovart在低提示词的描述下,能不能做出来不错的创意漫画。2.4.2 提示词及结果展示 我以为Lovart会问我问题,但它下根据自己的理解出了一版故事,我觉得还行,然后我给它提出了修改需求。 它直接在加文字的基础上把6个漫画合成了一张图,这个效果是我没想到的。 我仔细去看了一下它的生成过程,它做了一个布局设计,还是怪聪明的。 于是我决定看看他能不能在一张大图的基础上对第四个、第五个面板进行局部调优,这个事情的难度在于Lovart到底是在大图直接做,还是会在第一次的基础上优化完,然后再合成一张大图。 如果是前者,我觉得可能搞不定;后者的话还有可能。 刚开始Lovart给到我的是这两个图,我看了之后有点失望,我感觉它没有把上下文完整 的接进去。正当我准备问它的时候,我发现它又给了我一张大图。我要的修改点它都加了进去了,表现的还是非常错的。 然后我去深度对比了两张大图,我发现它是完整的又从做了一张大的合成图,这说明它的记忆能力、理解能力、规划能力都是极强的。 模型在接收到调整图4、图5细节的时候会拆成这样的规划: 1. 先从历史内容中找到第一版的图片4、图片5 2. 对其进行用户需求的微调 3. 重复用户添加文字的需求 4. 每个小图增加文字描述 5. 生成一张大图 2.4.3 测评打分 这次漫画我们继续让AI打分,它给出了不错的评价,我也是非常认可。 虽然细节上还有一些瑕疵,但Lovart的记忆能力、规划能力、执行能力都让我感觉很强,接下来该上点难度了。2.5 案例5:生成小狗冒险视频2.5.1 测评点 最后一个测评,我们上个贼难的吧。 看看能不能一句话生成一个好玩的视频,这将是对Agent的终极考验。2.5.2 提示词及结果展示 看完了我都惊呆了!我以为它只能搓个半成品,没想到效果还挺好! 让我们一起看看Lovart执行任务的逻辑: 它这是一次任务完整执行下来的,中间我没有任何的干预。 2.5.3 测评打分 满分!满分!满分! 我的好搭子Gemini保持着它的理性挑了点刺,不过它的问题还是视频的画面细节,不过它不了解目前世界AI视频做到什么地步了,它应该还是用数据库里各种人类的视频去对比的。 3.测评结论 从这几个案例测评结果来看,我做为一个人类好像只会从那喊满分! 还是Gemini更加客观公正一些。 我在测评完案例后,我其实知道Lovart是一个不错的Agent设计产品,但我想了半天我该如何给它做一个结论。 我觉得它有很多还可以提升的点,比如生成速度实在是有点慢,做表情包都花了我5分钟时间;漫画的人物一致性可读性都有不少提升空间;视频生成的细节也有待提升,最起码清晰度高一点。 但作为一个AI产品经理,我觉得这些细节也还好,他们都是有看得到的解决方案的。 我想Lovart给我们带来的更多是:AI在设计赛道上有能力和人一样进行作业。 我在敲下这行字的时候我想了半天,真的是这样的吗? 然后我又回去看了看我测试的这些案例,如果我之前想达到这样的效果我该怎么样呢? 去找设计师,然后提出我的需求,然后他给结果后我继续改。 流程是没什么区别的,Lovart的结果我敢用吗? 当然是敢用的,狗子表情包我都传到微信里边了。 那它其实就是设计师了。 我想这是个不可逆的趋势,认可AI或许更容易让我们进入新世界。 DeepseekV2在24年5月份发布,那时候企业低Token成本拥抱AI的种子早已埋下了。 Deepseek用了8个月迭代出来的R1,震惊了世界。 我想或许Lovart、Mauns它们都是那粒种子,它们都在告诉我们:未来已至。 本文由人人都是产品经理作者【云舒】,微信公众号:【云舒的AI实践笔记】,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。
曾经“一码难求”的AI智能体平台Manus开放注册后,互联网大厂们纷纷加快了在AI Agent领域的布局。从百度的心响、字节跳动的扣子空间,到阿里与Manus的合作,各大厂纷纷推出智能体产品,试图在AI互联网时代抢占新的入口权。然而,尽管行业关注度暴涨,通用型Agent仍面临诸多技术挑战,而垂直领域的B端Agent却展现出更强的商业化潜力。本文将带你深入剖析大厂在AI Agent赛道的竞争策略,以及这一领域的发展前景与挑战。 AI Agent到底能干啥? 爆火60天后,曾经“一码难求”的AI智能体平台Manus终于开放注册了。 今年3月,Manus横空出世,被一些从业者称为AI智能体行业的“DeepSeek时刻”。在爆火之前,Manus背后的创业公司“Monica”就已经拿下了腾讯、真格基金及红杉中国前身HSG等知名机构的融资;最近有媒体报道,Monica完成了新一轮7500万美元融资,公司市值跃升至近5亿美元。 图源:微博截图 相比AI对话产品,Manus可以通过文字指令完成更复杂的工作与生活任务,例如视频演示材料制作、设计并交付网页和APP、定制旅行手册等等。 Manus爆火之后,互联网大厂明显加快了在AI Agent(智能体)的布局速度,字节跳动、百度等公司纷纷推出了智能体产品如心响APP和扣子空间;与此同时,许多投资机构的热情,也正从大模型转向智能体等其他AI应用。 01.大厂抢夺话语权 “Manus和DeepSeek到底有什么区别?” 今年3月,从事文字编辑的小叶(化名)发现身边的朋友都在求Manus的邀请注册码,然而围观同事使用的她,仍然搞不清Manus和DeepSeek这类AI搜索应用有什么差别。 在字节和百度发布了类似的智能体产品后,小叶迅速登录体验,使用后她发现,AI智能体更像是能帮忙做事的助手,而 DeepSeek 则是能快速整理信息、生产内容的工具。“简单粗暴的区分,就是一个动手,一个动脑。” AI Agent即AI智能体,是以大语言模型为基础的执行系统。目前市场上的Agent(智能体)产品主要分为三种: 第一种是面向普通用户的通用型Agent,在解决任务上主打“All in”,如最近刚放开注册的Manus、百度的心响和字节的扣子。 第二种是面向B端行业的垂直agent应用,如电商行业的智能客服、银行业为客户提供财务建议的智能理财教练等。 第三种则是面向普通开发者,搭建智能体的平台,如百度的文心智能体平台;蚂蚁集团的“百宝箱”,编程小白也能3分钟内搭建一个智能体,发布在支付宝的小程序上。 在这其中,面向所有C端用户的通用型Agent是声量最大、竞争最激烈的赛道;既有百度、字节等互联网大厂,也不乏Monica这样的创业公司。 大厂卷Agent,一方面是为不断提升的大模型能力寻找落地方向,另一方面也是为了争夺AI互联网时代的入口权。当用户行为不再通过APP,而是统一对Agent下达命令后,由Agent调取不同的软件完成具体的任务,Agent无疑会成为新的核心交互入口。 在人工智能领域有多年创业经历的Paul(化名)表示,大公司开启某些业务源于一种从上到下的焦虑,就像做通用agent,盈利不是第一目标,“占坑”才是,目的是在AGI爆发之前,有足够的经验积累。 在这条必争之路上,头部大厂选择的发展路径并不完全相同。 从界面主推的功能来看,百度的心响更关心大众的生活。正如李彦宏此前提到的,AI会有“超级应用”但更需要“超级有用”。在心响负责人黄际洲提到的10大出色应用场景里,就包括AI绘本、AI相亲、摸鱼游戏等生活化的娱乐场景。 图源:心响截图 字节的扣子空间则主打协同办公,具备“探索模式” 与 “规划模式”;前者可响应会议纪要生成等简单需求,“规划模式” 能深度处理跨行业市场调研等复杂项目,能无缝融入飞书文档的使用。 图源:扣子官网截图 阿里则是直接与Manus合作,基于通义千问模型实现Manus的全部功能。除此之外,近日阿里旗下AI智能体“心流”也开启了公测,用户可填写问卷等待邀请,该智能体宣传称能像人类专家一样,自动帮做研究、写报告、写代码。 虽然智能体赛道火热,但目前还没涌现出能完整解决用户痛点的通用型Agent。“趣解商业”对比使用发现,扣子空间和心响目前完成相对出色的多是内容层面的任务,例如定制旅行攻略和穿搭、梳理资料制作PPT;一旦涉及到跨应用操作,或是研究深度更高的任务,二者的完成度就都“一言难尽”了。 有用户直言,比起写报告、讲故事,更希望Agent能帮我点外卖、订票,但现在它连帮我发条朋友圈都做不到。 图源:小红书截图 作为工作和生活助手,Agent调动不同APP等应用是基本条件;调动其他应用,需要Agent产品与其他应用互联互通。然而由于内部数据和模型的差异,不同应用之间往往处于“孤岛”的状态,想要互联互通需要统一的标准化接口。 Anthropic推出的MCP协议解决了这一难题。李彦宏曾公开强调MCP的重要意义,“MCP即模型上下文协议,它为开发者在AI大爆发的时代缺少规范导致效率低提供了解决思路,MCP让AI能更自由地调用工具。” 腾讯、阿里云、百度等公司最近都宣布支持MCP协议,然而,目前接入MCP的公司仍属少数。有从业者直言,接入MCP意味着把流量入口交出去,比如点外卖,以后如果都用Agent而不是美团、饿了么,APP沉淀不了自己的用户,连个开屏广告都没机会放,公司肯定不会轻易把辛辛苦苦经营起来的用户交出去。 Topick.AI的创始人贺滨认为,生态不完善,导致通用Agent没有一个很好的商业模式。一方面,一讲“通用”会拔高用户的使用预期,但应用之间不互联、体验不好又留不住用户。 另一方面,有价值的数据内容都在大厂手中,创业公司很难先做出一个100分的产品来积累用户。“对于大公司而言,自家的核心数据是付费开放给其他公司?还是保持封闭直到做出自己的Agent?这里面有很多复杂的、生态上的考量。” 02.“通用Agent还在小孩那桌” 虽然行业关注度暴涨,但许多从业者表示,并不看好通用型Agent的前景。 长期研究大模型的Neil曾在播客中谈到,通用Agent的使用体验不好,背后牵涉到很多技术细节,智能体执行任务需要浏览、理解网页,模型的视觉能力要跟上,其次,跨应用的操作对技术要求很高,这方面的成熟度目前还有很大欠缺。 Neil曾试着用Open AI旗下的通用智能体“operator”去订票网站下单,结果发现它连日期都选不对。 图源:小红书截图 贺滨认为,通用Agent就是伪命题,智能体的“通用”意味着两个困境:一方面,它必须足够简单易用,一个用户可能有100种1万种需求;另一方面,它又必须足够专业,才能解决实际问题。这两点本身就是矛盾的。 “我用AI选择团队协作软件,它给了我一份完美的对比表格,但这种对比并未考虑到团队的的使用习惯、预算限制和特殊需求。”贺滨认为,这些无法被简单量化的偏好,才是决策的核心。“或许与通用Agent长期磨合可以克服这个问题,但既然花精力去调教Agent,我为什么不去定制或者直接用更垂直的行业智能体?” 事实也确实如从业者们所言,国内外目前都存在,针对特定行业、场景的垂类智能体,发展成熟度高于通用智能体的情况。 remio.ai 算法负责人胡光龙表示,B端往往场景相对聚焦垂直,可以结合客户需求做深度定制,相对更容易产生结果。Neil也提到,B端Agent能帮企业从事一些重复性的劳动,相比通用Agent对技术要求更低,也更稳定。例如智能客服、数据分析平台,是真的能代替人力的有效工具。 YC合伙人、资深投资人Jared曾指出,垂直领域 AI Agent作为一种新兴B2B软件,有望成为比SaaS大10倍的新兴市场。开源证券研报提到,AI Agent应用将在2025年多点开花,其中AI Agent有望在B端率先商业化,电商、营销、CRM、金融、法律等场景加速落地。 从一些B端Agent企业的财报中,也能看到这一行的增长潜力。例如在港股上市的“第四范式”,一直专注于企业智能转型服务,今年一季度推出了AI Agent全流程开发平台,其先知AI平台营收同比大增60.5%为8.05亿元,占总收入的近八成。 图源:同花顺截图 司普科技CEO张振广曾对36氪表示,B端是AI初期创造价值的重心领域,C端应用极容易被大模型技术进步直接颠覆。二者在落地上的难度差异,也引发了不少从业者调侃,“B端Agent已经是生产力了,通用Agent还在小孩那桌。” 有不少普通开发者,甚至零基础的小白也瞄准了B端Agent的生意。社媒平台上,有开发者分享自己做Agent应用赚到钱的经过,接到了十几个Agent的定制单,已经赚了5万多元。还有用户发布“小红书自动发文”的智能体定制需求,表示收到了3-6万元的报价。 03.智能体元年来了? 据“趣解商业”了解,当下智能体的开发门槛并不高。通过零代码、低代码开发框架和丰富的插件,甚至普通用户也能迅速上手做自己的智能体。 最近一年,腾讯、百度、阿里等头部公司除了做通用Agent,也在推广自家的智能体开发平台,吸引更多开发者来自家平台上“掘金”。根据Xsignal的报告,截至2025年一季度Agent(文心一言)的应用总数已超过10万,Agent(Coze)数量接近4万,远超其他类型的AI应用。 图源:Xsignal 李彦宏曾多次公开提到,未来将是“只靠想法就能赚钱的时代”。百度的智能体平台便是让这些想法更方便落地,百度文心智能体平台已有超过 10 万个智能体应用了商业组件,去年11月份单个智能体的单次转化最高收入达到了10万元。 开发者在智能体平台上的做的智能体可以通过挂链带货、商单广告、付费咨询等方式变现。有用户在小红书上分享,自己做的智能体在文心智能体平台上已经获得了7千多元的“赞赏激励”。 图源:小红书截图 贺滨认为,大厂做智能体平台一方面是促进创新,另一方面也是为了卖算力,看到有好产品方便Copy。然而,对想创业的开发者而言,在这些平台上做Agent意义不大,容易变成附庸平台的“副产品”。 “文心、扣子这些平台的用户量有限,Agent应用想要获客增长、要商业化,最终都要离开平台。” 业内观点认为,2025年将是Agent产品的爆发元年。门槛的降低和变现吸引力,都在吸引越来越多创业者扎进这一赛道。来觅PEVC数据显示,2024年以来,全球AI Agent赛道的融资金额已超665亿元。根据亿邦动力报道数据,2024年四季度国内AI领域融资218起,其中Agent相关项目占比35%。 虽然从业者热情空前,但Agent与大模型一样仍然处于行业萌芽期。猎豹移动董事长傅盛曾表示,AI应用市场会在2025年爆发,通用Agent会是AI时代的超级App。然而,现实中通用Agent却由于种种技术问题打不开知名度。 2024年就曾被许多从业者判断会迎来AI应用的大繁荣,但最终并未达到预期。今年2月,李彦宏公开提到,尽管目前已经在各种不同场景中看到了各种应用案例,这些可能更多集中在ToB(面向企业)领域,在ToC(面向消费者)领域,还没有看到所谓的超级应用。 和其他AI应用一样,Agent要过的难关还有很多,B端Agent如何找准应用场景,通用Agent如何打破生态孤岛……只有解决这些问题,行业才能真正迈向成熟,到那时,AGI时代或许也已经不远了。 作者 | 张含菁 编辑 | 趣解商业 TMT组 题图来自Unsplash,基于 CC0 协议。
在当今的商业环境中,充值功能已成为许多平台和商家吸引用户、提升交易效率的常见手段。然而,充值背后隐藏的套路和风险也不容忽视。本文深入探讨了充值功能的设计逻辑、潜在问题以及合规运营的重要性。 充值,是很多平台在获客或交易时提供的用户支付功能,像货拉拉,德邦,华为云和阿里云等平台都提供信用卡向账户充值。生活中,我们经常看到”充值送100返50″,”多充多送”,”办卡享优惠”等宣传,甚至通过VIP、SVIP等会员等级制造尊贵感,让用户感觉被特别优待。然而,这些看似宠粉的优惠背后,往往隐藏着不不可告人的秘密,常言道贪图小便宜吃大亏,轻易充值很容易陷入商家或平台设计的陷阱中。充值这里套路和猫腻不可谓不多,正常情况有充值必有提现,否则从设计角度上是不完整的,没有形成闭环。下面笔者来拆解这里的套路,透过现象看实质,分享如何设计充值才能提升用户体验、规避风险和合规运营。 一、信用卡安敢充值 很多平台/商家都支持信用卡充值,例如:华为云,阿里云,货拉拉账户信用卡充值,德邦预付卡信用卡充值。支付宝,微信,银联等账户都不支持信用卡充值。那么信用卡充值是否合情合理,合法合规,需要看具体场景和交易实质。 二、充值很鸡肋 对于用户(消费者)来讲,充值并不是必须选项。在低频交易或服务易于计量计费场景下,略显鸡肋,直接支付最好,在没有优惠时候,用户基本上不会去先充值后消费。 然而充值现象又在现实中普遍存在,并且在有些场景下具有合理性。比如在高频交易和难以计量和计费场景时,账户余额自动抵扣可以显著提升效率。用户无需每次交易都进行支付,操作体验更加流畅便捷。这种设计既优化了用户体验,也提高了交易效率,属于充值功能的合理应用场景。 三、充值套路多 充值平台常玩的套路 充送 在平台和商家应用线上醒目优惠或线下小姐姐甜美微笑,一顿吹捧和各种利诱下,没有几个用户会经得起诱惑不去充值,完蛋你被平台运营的转化了,成功上了贼船,后面想下就难了。 办卡享折扣 办卡之后你就是VIP,SVIP会员,特权享X折优惠,ABCD礼遇巴拉巴拉。这种宣传话术是不是很熟悉?健身游泳行业,美容美发行业,这种营销方式几乎成为了宣传标配,几乎是“重灾区”。商家通过打造会员等级制度,用折扣和礼遇作为诱饵,吸引消费者不断充值办卡。 平台对用户充值情有独钟且执念很深 主要基于四方面考虑: 提升用户体验 对于企业用户而言,由于交易量较大且对公支付流程复杂(涉及多级审批、线下打款等环节),采用预充值模式可以显著提升支付效率一次性完成大额充值,可在一段时间内满足多次支付需求,既简化了财务流程,又避免了逐笔支付的繁琐。 对于高频使用用户个人或者企业用户,批量下单或同时下多笔订单逐笔支付体验不佳,通过账户余额自动扣款的方式,不仅能实现”秒级”支付,还能避免重复验证,大幅提升交易流畅度。 提前锁定资金 用户充值平台或商家提前锁定这笔资金,有利于补充平台或商家资金流,同时可以沉淀资金享受沉淀资金收益。 利己防资金损失 一般交易过程中处于强势地位的平台或商家,会要求用户先充值,余额低于一定金额则提醒用户需要补充资金,金额不足时会限制交易或停止提供服务,没有后付资 金回不来的风险(没有应收账款催收烦恼,应收账款收不回来导致坏账的风险)。 居心不良,卷钱跑路 不少平台或商家从创立之初就居心不良,他们通过精心设计的营销话术和虚假承诺诱导用户充值,待资金积累到一定规模后便卷款跑路。这种”充值诈骗”的乱象在美容美发、教育培训、健身游泳等预付费行业尤为猖獗,已经成为消费者权益受损的重灾区。 四、充值设计深度思路 1.洞察行业支付特征 在供应链行业,头部企业的支付体系设计基于行业特性、用户习惯及企业自身实力综合考量。典型案例如:京东物流、菜鸟网络采用预充值交易扣费模式,而顺丰则对大客户开放月结账期。当你所在平台或商家没有头部平台话语权时预充值可行性不强,大客户多为后付月结或更长的结算账期,先票后款。 2.明确充值设计目的 推荐 凡是基于以下目的设计我愿意帮助平台或商家成就梦想,去实现它 提升用户体验 提前锁定资金 利己防资金损失 不耻 居心不良,卷钱跑路 如果出于这种不良目的,那这活儿根本不能接——给多少钱都不干。我们是有底线的,没有必要拿着卖白菜操者卖白粉的心。基本的职业操守必须坚守,昧良心的缺德事坚决不能做! 3.数字化产品方案 要想实现充值需要先开立账户或办卡,才能充值。 3.1账户开户 企业用户和个人用户一般情况是进行实名认证才会去开立支付账户,企业是要企业和法人信息都认证或法人授权代办认证,认证通过后在平台侧或渠道侧给用户开立账户。 3.2绑卡充值 账户成功开户后就可以充值,充值页面会涉及以下优惠信息(充送)等,可以充值的支付方式有绑卡充值、线下充值、支付宝微信银联其他三方支付充值。这里有几个注意的点,用户的操作终端,充值金额,是否同名,是否允许信用卡,对公还是对私都需要考虑的,这些都会影响设计逻辑。用户选择方式后基本上会走这个流程,可以参考支付宝的支付设计。 3.3交易处理 正常情况 用户充值成功,平台或商家账户在已有余额基础上增加本次交易金额。 异常情况 a.回调为主,查询为辅 在支付流程中,用户没有及时完成支付或由于网络原因,没有获取到接入支付渠道回调通知,需要间隔一定时间去查询支付结果,确认是否支付成功。 b.做好幂等,切勿重复扣款 没有做幂等导致重复扣款,在充值场景下,虽然没有资金损失,但会影响用户体验和对平台专业度怀疑,解决方案是及时退款或者由用户自助提现。 c.交易成功,充值失败 设计时如果没有做好事务控制,支付交易成功,账务记账失败,钱成功扣了,账没有及时登记上,需要同步补偿或做调账处理。 3.4支付对账 每日平台或商户应该对支付渠道对账,做到账账相符,账实相符。下载渠道交易文件和资金文件,对数据进行解析,平台或商户侧文件对交易明细和资金入账流水总额和明细都需要对上,金额和状态要保持一致,你(支付渠道)有我(平台/商户)有,金额一致,你有我无,以渠道为准,我有你无,以渠道为主,金额不一致需要检查是否设计问题,异常需要挂账由人工核查处理。 3.5实现效果评估 通过数据埋点(页面埋点,交易过程中页面埋点采集数据了解用户使用习惯,操作时长,分析流失率),交易数据分析(可根据交易量,交易金额,交易银行,交易地区,终端,频次分析充值交易情况,支付转化率,支付成功率) 结语 作为用户,面对各种支付充值应该理性对待,莫要头脑发热,被不良商家或平台诱骗。仔细阅读,谨慎签署协议,查看中途退出余额如何处理,余额提现或退款等条款需仔细阅读。上贼船容易下贼船难,大家赚钱都不容易,谁的钱也不是大风刮来的。 对于平台或商家做支付合规很重要,业务发展更重,业务发展不起来合规显得一文不值,有瑕疵的设计在一定阶段具有合理性。比如:当年信用卡还白条,迅速占领用户心智,白条真心香,只要不违背基本商业伦理,营销获客是没有问题,不要虚假宣传套路用户。诚信是商业根基,做产品设计不要助纣为虐,勿做违背职业操守之事。支付产品设计体验,合规,风控一个都不能少。 本文由 @产品狗随笔 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。
在数字化时代,数据已成为企业运营的核心资产之一。本文深入剖析了数据运营的全貌,从其定义、工作板块到实际应用案例,给大家提供了一个全面的视角。 在介绍什么是数据运营之前,我们首先要理解业务运营。 业务运营是基于企业自身的业务战略,对企业现有的业务流程、业务规则、业务对象进行周而复始的盘点和优化,从而不断解决企业经营过程中的瓶颈、浪费等问题,提升企业服务客户的效率和质量。 而数据运营,就是利用数字化技术去采集、分析和应用不同颗粒度的企业内外部数据,为企业经营决策和日常运营,提供更加科学、精准的信息支撑和业务优化建议,从而促进企业更好地达成经营和运营目标。 纵览互联网、零售、本地生活等不同行业的数据运营方法和实践,可以将数据运营划分全链路诊断和优化分析、业务经营综合评价和智能运营策略三个板块的工作。 接下来,我将围绕数据运营工作的说明、面向对象和案例举例三方面进行介绍。 一、全链路诊断和优化分析 说明:将业务流程拆分成多个环节,对每个环节进行数据采集和分析,从而找出流程执行中的瓶颈、浪费等问题,给出优化建议。 面向用户:面向基层管理者、运营责任人等,协助监控业务环节的执行,为优化流程和提高效率提供依据。 案例举例:阿里巴巴聚焦零售供应链实施数字化解决方案,针对采购、库存入库、配送、履约、售后服务等供应链各个环节实现执行可感知,并建立一套反映供应链性能的指标体系。通过指标跟踪与预警、异常事件推送等手段,帮助用户快速洞察供应链各环节的执行问题,推动流程优化。 (图源:DataFun公众号-阿里智慧供应链实践:从“数字孪生”到“智能决策”) 二、业务经营综合评价 说明:从企业的经营目标出发,拆解得到面向业务结果、员工业绩等多维度的综合评价指标体系,从而直观展示企业自身经营情况的好坏,以及通过数据分析,给出经营情况好坏背后的原因 面向用户:面向中层、高层管理者,了解企业经营和日常运营整体情况,从而针对性调配资源、优化决策,达成评价指标的优化。 案例举例:携程面向酒店商家,提供经营报告功能,通过横向的竞争对手维度和纵向的时间维度,监控酒店自身的流量和成交情况是否正常。这里以“访客量=曝光量*曝光转化率”、“成交量=访客量*下单转化率”为核心决策依据,若经营情况不佳,需要从曝光量优化、转化率优化等方向去思考。 (图源:携程酒店程长营公众号-酒店如何做OTA运营诊断?节后复盘三步走!) 三、智能运营策略 说明:在某些具体的业务场景下,通过整合大数据、人工智能算法等技术,将传统的人工决策升级为机器决策,让数据和算法成为主动驱动业务优化的引擎。 面向用户:面向基层管理者、运营责任人等,智能策略对影响业务的内外部数据进行分析、给出运营建议,用户可直接按照建议执行,或者依据建议调整业务动作。 案例举例:饿了么面向本地生活商家提供AI选品助手,根据当地用户搜索记录、周边商家销量等数据,预测产品的市场表现,为用户提供丰富的选品、汰换等建议。 (图源:饿了么零售商家中心公众号-限时免费!提升经营效率,饿了么零售AI助手发布PC版) 数据运营是连接数据技术与业务运营的纽带,其价值不仅在于将数据萃取为支持决策的信息,更在于帮助企业建立一种重视事实、量化管理的经营理念,这将成为企业的核心竞争力之一。 本文由 @明思AI 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
在人工智能飞速发展的今天,AI 不仅能够生成文本,还能模仿你的写作风格,成为你的“写作分身”。本文将教你一个简单的方法:通过输入三句话,让 AI 学会并复刻你的文风,无论是幽默诙谐、干练简洁,还是充满哲理,AI 都能精准地模仿。 你有没有想过,让AI像你的“写作分身”一样,用你的语气、风格和习惯来生成内容?无论是写邮件、发朋友圈,还是创作故事,AI其实可以完美复刻你的文风——只要你会“调教”它! 今天,我就教你一个超简单的技巧:只需输入3句话,就能让AI“克隆”你的写作风格! 从此,你让AI写的东西,别人根本看不出是机器生成的! 一、AI为什么AI能模仿你的文风? 现在这些人工智能(比如ChatGPT),都有个能耐,就是“看样学样”——能从你给的几句话里看出来你喜欢用啥词、语气啥样,句式啥样。 就这么学会了之后,它就能依葫芦画瓢,整出一段差不多味道的文字来。 但是,很多人只知道使用“模仿我的写作风格。”这样的提示词。这是错误的,因为AI怎么可能知道你是什么写作风格呢? 所以正确的核心做法应该是:先给AI“样本”,再让它学习! 二、实操教程:3句话让AI“克隆”你! 没错,就三句话! 第一步:选3句最能代表你风格的话 你要给AI拿点儿实在的“学习材料”,最好的办法就是找几个特能代表你平常说话习惯的句子。这些句子要具有明显风格的句子。 例如—— 1.“今天天气不错,但我的心情像被雷劈了一样,完全提不起劲。”(带点幽默+夸张) 2.“这个方案的核心就三点:简单、直接、有效,别整那些花里胡哨的。”(干练职场风) 3.“生活就像巧克力,你永远不知道下一颗是不是过期了。”(带点哲理+调侃) 第二步:用这个万能指令让AI学习 选好三句最能代表你风格的句子后,再搭配下面的提示词一并给AI。(其中AAA就是你准备好的三句话;BBB就是你想写的内容。 “请分析{ }里面3句话的写作风格(用词、句式、语气等),然后完全按照这个风格,帮我写一段关于[BBB]的文章。{AAA }” 举个简单的例子: 上面给大家的万能提示词,可以根据你的需求来修改,比如你希望生成1200字的文章,你就可以这样写: “请分析{ }里面3句话的写作风格(用词、句式、语气等),然后完全按照这个风格,帮我写一段关于[BBB]的1200字文章。{AAA }” 反正有无数种修改方式,根据你的实际情况下来。 三、进阶技巧:让AI模仿得更像 如果你想让AI的“克隆”效果更精准,更符合你的个人写作风格,你可以试试下面方法 1. 告诉AI你的“风格关键词” 在指令里加一句: “我的风格偏向[幽默/犀利/温柔/简洁],喜欢用[比喻/反问/短句]。” 2. 让AI“对比优化” 先让AI写一段,然后你说: “这段还不够像我的风格,应该更[随意/犀利/细腻]一点,比如可以加一句‘……’这样的表达。” 3. 用长文训练(适合深度克隆) 如果你有一篇完整的文章(比如博客、日记),可以直接让AI: “请仔细分析这篇文章的写作风格,并模仿它写一篇关于XX的新内容。” 四、常见的误区 问题1:你发现AI模仿得不像你的风 根本原因:你给的样本太少了或者风格不鲜明,没有按照上面我说的提供三句话的形式来给。 直接解决:请你多给几个句子,或者你可以直接给一整段你写作的风格原文。 问题2:AI过度模仿,生成的文章感觉奇怪 根本原因:你提供的样本里面有很多网络梗或者极端的表达方式。 直接解决:调整样本,去掉过于小众的梗。 多实操几次,大家就会了! 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。
在当今快节奏、信息爆炸的时代,断舍离不再仅仅是整理物品的生活技巧,而是一种深刻的认知革命和生活方式的转变。本文从物质、数字和精神三个层面,深入探讨了断舍离的演变历程及其对个人、企业乃至社会的深远影响。 1、断舍离的进化史:从生活技巧到时代精神的范式迁移 在互联网行业高速迭代的今天,产品经理不仅要洞察用户需求、优化产品逻辑,更需要从底层认知重构的角度审视 “极简主义” 对用户体验的深层价值。当我们在设计交互界面时,是否想过用户桌面的杂乱程度可能影响其点击决策?当我们规划功能模块时,是否意识到信息过载正在消耗用户的认知资源?从日本整理师的空间哲学,到 AI 驱动的认知优化模型,产品经理的思维革新,或许就藏在 “断舍离” 的进化逻辑中 —— 这不仅是对物品的整理,更是对用户心智空间的产品化设计。 1.1 物质断舍离:工业化时代的秩序反抗(2010-2020) 2011年山下英子《断舍离》中文版的引入,在中国掀起了物质整理的浪潮。这个阶段的核心矛盾,是工业化生产导致的物品过剩与居住空间有限的冲突。数据显示,中国城市家庭物品平均使用率不足30%(《2019中国收纳行业白皮书》)。 典型案例是上海白领王女士的”百物生活”实验:通过1年时间将物品精简至100件,居住空间扩大40%,通勤时间减少30分钟,其经历被《人民日报》以《减法生活的经济学》为题报道。 这一时期的断舍离呈现三个特征: 工具理性主导:以”怦然心动整理法”为代表,通过物品与情感的连接强度判断去留,本质是消费主义语境下的自我救赎 空间政治觉醒:日本收纳专家近藤麻理惠提出”空间是身体的延伸”,将整理提升到存在主义高度 商业生态萌芽:2015-2020年中国收纳盒市场规模从12亿增长至89亿,催生专业整理师职业 理论支撑方面,芝加哥大学行为经济学家塞勒的”心理账户”理论解释了人们为何难以舍弃低价值物品——物品承载的不仅是使用价值,更是情感账户的储蓄。而日本建筑家隈研吾”负建筑”理念,则从空间哲学层面为断舍离提供了美学支持。 1.2 数字断舍离:信息爆炸时代的认知突围(2020-2025) 进入元宇宙元年,人类面临前所未有的信息过载。斯坦福大学研究显示,现代人每天接收的信息量相当于174份报纸,其中90%为无效信息。微信聊天记录超过10万条的用户,决策效率下降22%(《2023数字极简主义报告》)。典型现象是”社交软件囤积症”:平均用户安装56款APP,常用仅9款,北京白领李小姐手机里藏着17个未打开过的购物类应用。 数字断舍离呈现新特征: 注意力经济博弈:字节跳动推出”屏幕时间管理”功能,用户主动设置APP使用上限,2024年该功能使用率达67% 数据资产觉醒:欧盟《数字服务法》要求平台提供”数据遗产继承”服务,推动用户重新审视数字资产价值 仪式感革新:出现”数字扫墓”新仪式,在虚拟空间为过期账号举行告别仪式 神经科学研究揭示,持续接收碎片化信息会导致大脑前额叶皮层厚度减少,判断力下降(《自然·神经科学》2022)。MIT媒体实验室提出”数字斋戒”概念,建议每周24小时完全断网,该做法使参与者深度工作效率提升45%。 1.3 精神断舍离:后人类时代的存在主义选择(2025-) 当AI开始接管知识生产,人类面临新的认知困境。剑桥大学调查显示,63%的Z世代感到”知道得越多,越不知道如何生活”。这种”认知通胀”催生精神断舍离需求,表现为对”信息极简主义”的追求: 知识断舍离:豆瓣小组”反知识囤积”成立1年吸纳20万成员,倡导”只保留能改变行为的知识” 关系断舍离:日本”卒婚”现象(中老年夫妻离婚但同居)流行,本质是对传统家庭关系的重新定义 时间断舍离:出现”时间托管师”新职业,帮助客户过滤无效社交邀请,纽约时报称其为”21世纪最具颠覆性职业” 法国社会学家鲍德里亚的”符号消费”理论在数字时代获得新解:人们囤积的不再是物质商品,而是社交媒体上的虚拟人设。MIT科技伦理学家雪莉·特克尔警告,过度追求”数字自我”的完美,正在导致真实人格的碎片化。 2、 断舍离的认知科学:大脑如何被空间重塑 2.1 神经经济学视角:空间秩序的认知成本计算 麻省理工学院2024年最新研究显示,杂乱空间会使大脑默认模式网络(负责自我反思)活跃度下降18%,而背外侧前额叶皮层(决策中心)活跃度上升27%,这种”神经拔河”导致决策能耗增加35%(《自然·神经科学》)。实验中,受试者在杂乱环境中选择午餐的时间比有序环境长4.3分钟,错误率高22%。 这种认知损耗具有累积效应: 首因效应强化:早晨起床面对杂乱卧室,会使全天决策质量下降15%(《哈佛商业评论》) 心流破坏机制:心理学家米哈里发现,物品数量超过200件的工作区,进入心流状态的概率降低63% 多巴胺陷阱:杂乱环境刺激大脑持续释放多巴胺,形成”寻找-获得-厌倦”的成瘾循环 理论模型方面,借鉴诺贝尔经济学奖得主卡尼曼的”双系统理论”:有序空间激活系统2(慢思考),提升理性决策;杂乱空间迫使系统1(快思考)主导,导致认知偏差。 (1)剑桥大学2023年《环境神经科学》研究 “整洁环境可使多巴胺受体密度增加17%,直接影响风险决策能力。” 这意味着: 你的房间越整洁,大脑对投资机会的判断越精准。 杂乱环境会导致“决策疲劳”,让你更容易做出错误的财务选择。 (2)电子断舍离:数字空间的财富影响 《数字极简主义》(纽波特)指出: “每删除10个冗余APP,注意力持续时间延长22分钟。” Google员工实践“5文件夹工作法”,工作效率提升40%。 结论:整理不仅是物理行为,更是认知优化,直接影响财富积累效率。 2.2 行为金融学验证:断舍离如何重塑投资大脑 芝加哥大学布斯商学院跟踪500名整理师10年发现,其投资组合年化收益率比对照组高8.7%,关键在于三种认知优势: 行为经济学家塞勒的”助推理论”在此得到应用:通过物理空间的有序化,设计”决策友好型环境”,潜移默化提升财务决策质量。典型案例是MUJI总部实施”负空间管理”后,投资决策失误率下降35%,与哈佛实验数据高度吻合。 2.3 能量场域的科学解构:从玄学隐喻到复杂系统 香港理工大学2025年建立的”空间熵值模型”显示,每增加10件冗余物品,空间熵值上升0.7比特,相当于室温升高1.2℃对大脑的影响。该模型将风水学中的”气场”转化为可计算的物理指标: 气流熵:物品堆积导致空气流速下降,CO₂浓度每升高500ppm,决策效率下降9% 光线熵:遮挡物使光照均匀度低于70%,血清素分泌减少15%,引发决策迟疑 信息熵:视觉元素超过50个时,大脑信息处理速度下降至正常的68% 台湾大学的”空间能量效率公式”进一步量化:有效收纳使每平方米空间的信息处理效率提升2.1倍,相当于为大脑增加一个”认知缓存区”。这种能量优化不仅影响个人,瑞典的垃圾处理系统研究显示,社区空间熵值每降低1个单位,居民储蓄率提升1.2%,形成宏观经济效应。 (1)香港理工大学研究 “每平方米减少40%物品,空间电磁波干扰降低35%。”(来源:《建筑环境学报》2023) (2)台湾大学实验 “整洁办公位气流速度提升2.3倍,创意产出增加19%。” 商业应用: 小红书“能量整理师”话题阅读量超8亿。 天猫“风水收纳箱”销量同比激增320%。 3、2025断舍离工具革命:AI如何重新定义整理 3.1 智能决策系统:从物品筛选到人生规划 智能断舍离的技术路径 3.1.1 消费前决策:AI断舍离助手的工作流 代表产品如”整理机器人小E”,通过计算机视觉识别物品,结合用户消费记录(API接入淘宝/京东),运用LSTM算法预测未来6个月使用概率。测试数据显示,使用该工具的用户年消费额下降18%,闲置物品率减少27%。 3.1.2 闲置处理:区块链赋能的物品生命周期管理 基于AI推出的”数字孪生衣柜”,为每件衣物生成唯一ID,记录清洗次数、穿着场景等数据。当检测到某件衣服3个月未使用,自动触发三选一方案: 共享模式:推送至附近共享衣橱,按次收费 改造建议:AI设计旧衣改造方案(如衬衫改围裙) 环保回收:对接再生工厂,返还碳积分 该系统使衣物平均使用寿命延长2.3年,碳足迹减少41%,获得联合国环境规划署推荐。 3.2 空间重构技术:物理世界的数字化映射 3.2.1 元宇宙家居设计 微软Mesh推出的”断舍离虚拟空间”,用户可通过VR设备扫描真实家居环境,生成1:1数字孪生体。AI会自动识别冗余物品(如超过3双的同款运动鞋),并模拟整理后的空间效果: 视觉模拟:移除杂物后光照提升23%的渲染效果 数据对比:整理前后空间利用率变化图表 行为预测:AI分析用户动线,推荐最优收纳位置 测试者反馈,虚拟整理使实际操作效率提升60%,决策后悔率降低82%。 3.2.2 智能收纳硬件生态 特斯拉家居推出的”动态收纳系统”,集成传感器与机械臂: 重量感应:当抽屉内衣物超过合理数量,自动提醒整理 气味监测:识别到闲置物品产生异味,触发清洁程序 习惯学习:根据用户取用频率,自动调整物品摆放位置 该系统使日常整理时间减少78%,被《时代》周刊评为”2025年最具颠覆性发明”。 3.3 认知减负应用:大脑的数字管家 3.3.1 信息过滤AI 谷歌Bard推出的”认知防火墙”,通过自然语言处理过滤无效信息: 邮件分类:自动识别广告邮件,转化率低于0.5%的直接标记为”可能无用” 社交筛选:分析聊天内容,对超过3层转发的鸡汤文、无实质内容的表情包进行折叠 知识管理:运用TF-IDF算法,为用户建立”可操作知识”数据库,自动淘汰冗余信息 测试显示,使用该工具的用户每天节省2.3小时,深度工作时间增加45%。 3.3.2 神经反馈设备 OpenBCI推出的”断舍离头环”,通过EEG传感器实时监测大脑状态: 杂乱预警:检测到β波异常升高(提示认知过载),自动播放白噪音 决策辅助:在进行物品取舍时,通过经颅磁刺激增强前额叶活跃度 习惯养成:建立”整理-多巴胺释放”的神经条件反射,21天形成肌肉记忆 临床数据显示,连续使用30天的用户,决策果断性提升51%,焦虑水平下降37%。 4、断舍离的社会实验:从个体实践到文明转型 4.1 企业断舍离:组织管理的范式革新 4.1.1 办公空间革命 某互联网公司推行的”无固定工位制”,通过智能办公系统动态分配座位,使空间利用率提升400%。其”数字背包”系统要求员工仅携带3件必要物品(笔记本、手机、水杯),办公效率提升28%,被写入哈佛商学院案例库。 4.1.2 供应链极简主义 丰田汽车引入”断舍离供应链”概念,将零部件库存周期从7天压缩至3小时,同时建立”冗余零部件创意库”,将废弃零件改造为展览品、员工教具,使浪费成本降低63%,获得可持续发展奥斯卡奖。 4.2 城市断舍离:未来人居的新模型 4.2.1 共享基础设施 新加坡”无车城市”计划,通过高密度地铁网络+共享汽车,使私人车辆保有量下降67%,释放出的道路空间改造为城市花园,房价反而上涨22%(《经济学人》2025城市报告)。 4.2.2 建筑的呼吸感 隈研吾事务所设计的”东京多孔建筑”,采用镂空结构与植物墙,使建筑实体占比仅30%,自然光利用率提升50%,入驻企业员工创造力测试得分提高34%。 4.3 文明层面的断舍离:人类世的生存智慧 4.3.1 技术伦理的减法 欧盟《人工智能问责法案》明确禁止8类”冗余AI”,如过度收集用户数据的聊天机器人,迫使企业回归技术本质。MIT科技评论称,这是”人类对技术囤积症的首次系统性反思”。 4.3.2 经济模式的转型 新西兰试行”福祉GDP”,将生态破坏、心理疾病等纳入经济核算,促使企业主动减少17%的非必要生产,该模式使国民幸福指数提升11%。 5、断舍离的未来图谱:2030生活预测 5.1 生物科技介入:基因层面的断舍离 2028年CRISPR技术将实现”记忆断舍离”,选择性删除创伤性记忆,临床实验显示可使PTSD治愈率提升78%。但伦理争议随之而来,欧盟已启动《认知自由保护法》立法程序。 5.2 意识上传时代的断舍离 当脑机接口实现意识数字化,”数据断舍离”将成为新课题。马斯克的NeuraLink计划设置”意识清理日”,用户每年可删除10%的冗余记忆,保持思维活跃度。 5.3 星际文明的断舍离法则 NASA为火星殖民制定的《100件必备物品清单》,将牙刷、书本等传统物品排除,取而代之的是3D打印模块、心理调节芯片等。这预示着断舍离将成为人类文明扩张的生存法则。 6·结语:断舍离作为认知升维的密钥 从山下英子的杂物清理,到AI驱动的认知优化,断舍离始终是人类在熵增世界中寻找秩序的努力。当我们学会用”空间货币化公式”计算每平米价值,用神经反馈设备优化决策流程,本质是在建立一种新的认知操作系统——它不仅管理物品与信息,更重构着我们与世界的关系。 “断舍离的终极目标,是让空间流动起来,让生活回归本真。”当我们学会用 AI 工具消除照片中的杂物时,也在消除认知中的冗余;当我们将奶茶杯托改造成隔热垫时,也在重构人与物品的关系。 2025 年的断舍离不再是简单的扔东西,而是通过物质 – 数字 – 精神的三重减法,实现生活主权的回归。 未来的断舍离,将从个人选择升华为文明自觉。 也正如《人类简史》作者赫拉利所言:”真正的智慧,在于知道哪些知识可以遗忘。” 在这个AI即将超越人类的时代,断舍离的终极意义,或许是让我们在数据洪流中,守住作为人类的本质——那些无法被算法替代的情感、创造力与对生命的独特体验。 对于产品经理而言,本文揭示的断舍离认知升维模型,本质是一套用户体验设计的底层方法论:用 “空间熵值模型” 优化界面信息密度,以 “四象限价值评估矩阵” 重构功能优先级,借 “AI 决策助手” 降低用户选择成本。 当我们学会像整理物理空间一样设计数字产品,让每一个按钮、每一条文案都精准触达用户真实需求,就能在信息爆炸的时代,为用户打造真正 “低熵高效” 的产品体验。这或许就是断舍离给产品经理的终极启示:优秀的产品设计,从来不是做加法的堆砌,而是做减法的智慧。 专栏作家 王佳亮,微信公众号:佳佳原创。人人都是产品经理专栏作家,年度优秀作者。《产品经理知识栈》作者。中国计算机学会高级会员(CCF Senior Member)。上海技术交易所智库专家。专注于互联网产品、金融产品、人工智能产品的设计理念分享。 本文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。
在小红书上,退保相关内容成为了一个热门且具有高需求的赛道。许多用户因保险产品性价比低、缴费压力大或销售误导等问题,急需专业的退保指导。本文深入拆解了小红书退保赛道的引流获客策略,通过两个真实案例,展示了如何通过精准的封面设计、标题话题策略、内容组织以及互动转化技巧,高效触达目标用户并建立信任。 随着保险产品的普及和用户保障意识的变化,“退保维权”成为近年来小红书的高频需求赛道。许多用户面临“老旧保单性价比低”“缴费压力大”“销售误导”等问题,但缺乏专业退保渠道和实操经验,迫切需要真实案例拆解和流程指导。 小红书作为“经验分享型”平台,用户对“个人真实经历 + 具体步骤”的内容接受度高,通过场景化、细节化的内容输出,能高效触达精准人群并建立信任,成为该赛道引流的核心阵地。 案例 1:8 年保单无证据退回 93%——强结果反差型爆款 封面设计 视觉冲击力:以中国人寿保单实拍图为背景,叠加红色加粗大字“终于成功退了!交 57000 退回 53000”,用金额对比强化“高比例退保”结果,配合“及时止损”情绪词,直接戳中用户“减少损失”的核心诉求。 场景真实性:保单原件 + 手写签名的细节,增强内容可信度,区别于纯文字攻略的“纸上谈兵”感。 标题话题策略 爆款公式:时间(8 年)+ 痛点(没证据)+ 结果(退回 93%)+ 行动指令(3 招搞定),公式可复制为“X 年保单 + 困境描述 + 高比例结果 + 数字技巧”。 关键词布局:标题包含“退保证据”“保险公司”等核心痛点词,话题标签覆盖#退保攻略#退保话术#退保费,精准匹配用户搜索需求。 情感撬动:用“开心疯了”“差点放弃”等情绪词还原个人经历,拉近与用户距离,降低防备心。 内容组织 痛点前置:开篇强调“无聊天记录、录音”的普遍困境,让用户产生“我也能行”的代入感。 步骤拆解:分“电话投诉留痕”“书面投诉施压”两步,附具体话术(如 12378 投诉话术、《保险法》条款引用),降低操作门槛。 政策借力:提及“4 月最新政策”,利用用户对“新规红利”的信任,增强方法可行性。 互动效果 评论区引导:用户分享“第三方退保经历”“自身损失案例”,作者回复“感谢信任”强化专业形象,同时其他用户提醒“防骗”,形成 UGC 内容丰富度。 钩子埋设:步骤中未完全展开细节(如书面材料模板),引导用户通过私信或关注获取进一步帮助,为引流埋下伏笔。 成功因素与策略提炼 核心逻辑:用“反常识结果”(无证据高比例退保)打破用户认知,通过“个人真实案例 + 政策依据 + 步骤清单”构建可信度。 引流策略: 数字可视化:金额、比例、时间等量化信息放大展示,降低用户理解成本。 合规背书:引用法律条款、监管电话(12378),避免“偏方感”,增强方法合法性。 半成品内容:保留关键细节(如材料模板、沟通技巧)作为钩子,引导私域咨询。 案例 2:8 年平安福无证据退保成功——精准产品靶向型内容 封面设计 产品聚焦:绿色背景搭配“平安福”产品名称 +“咬死这个方法”强行动词,直接锁定特定保险产品用户(平安福退保需求者占比高)。 情绪传递:“没有证据也能退保成功”用黑色加粗字强化“不可能任务”的解决感,配合“Good”贴纸缓和严肃话题氛围。 标题话题策略 垂直化定位:标题明确指向“平安福”产品,区别于泛退保内容,精准收割该产品用户(搜索“平安福退保”的用户转化率更高)。 话题矩阵:标签包含#平安福保险#保险退保#维护权益,覆盖“产品名 + 需求 + 场景”多重关键词,扩大搜索覆盖。 故事感切入:用“太激动了”“经济压力大”等口语化表达,构建“普通人成功退保”的故事模板,增强亲和力。 内容组织 场景还原:详细描述“经济压力大→协商受阻→维权成功”的完整历程,穿插“64600 元到账”具体金额,强化真实感。 策略分层:分“协商技巧”(强调经济状况)、“维权渠道”(拨打维权电话)、“材料准备”三部分,覆盖用户从“敢不敢退”到“怎么退”的全链路疑问。 风险提示:隐含“合理诉求”“冷静沟通”等合规引导,避免内容因“教唆对抗”被平台限流。 互动效果 置顶引导:作者置顶评论“有需要帮助直接找我,评论区都是广告”,既拦截第三方引流,又主动承接用户咨询,提升私域转化效率。 痛点共鸣:用户评论“交了四年损失四万”强化退保需求,作者通过高频回复建立“可靠顾问”人设。 成功因素与策略提炼 核心逻辑:聚焦单一保险产品(平安福)做精准击穿,用“普通人逆袭”故事降低用户对“复杂流程”的恐惧。 引流策略: 产品定向:针对高退保率产品(如平安福、国寿福)创作内容,匹配用户精准搜索需求。 风险规避:强调“合理诉求”“合规渠道”,避免内容触碰平台合规红线。 评论区控场:通过置顶评论主动引导咨询,同时提醒用户防骗,增强信任感。 总结 封面与标题:要具备强结果、强场景和强情绪。用“金额对比”“年限 + 产品名”等具象化信息制造视觉冲击,搭配“无证据也能退”等反常识结论,快速抓住目标用户注意力。 内容结构:采用故事化案例与可复用模板相结合。以“个人经历”为载体,拆解“困境→方法→结果”三要素,穿插具体话术、监管渠道、法律条款等“干货颗粒”,提升内容实用价值。 互动与转化:进行钩子预埋和评论区运营。保留“材料模板”“个性化咨询”等未完全展开的信息作为引流钩子,通过高频回复和置顶评论拦截用户需求,引导至私域进一步转化。 小红书退保赛道的核心是“用真实案例解决信任问题,用细节攻略降低操作门槛”。创作者需在合规框架内,聚焦用户“怕麻烦、怕损失、怕被骗”的痛点,通过场景化内容建立专业形象,最终实现从“内容吸引”到“私域承接”的引流闭环。尝试时可优先选择高投诉率产品(如平安福、重疾险)作为切入点,结合最新政策(如监管新规)提升内容时效性,持续优化标题中的“数字 + 痛点”组合,最大化触达精准人群。 若想进一步提升在退保赛道的引流效果,渡鸦科技社群为你准备了专业的引流课程。通过学习这些课程,可掌握更有效的引流技巧,同时还有 AI 矩阵获客系统、小红书 AI 矩阵克隆系统、全域素人代发系统等获客软件供试用。这些软件能够帮助更精准地触达目标客户,提升获客效率。 以上就是整个技术文章的概要,虽然不够精致,但都是实用的操作步骤。 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
在WMS系统中,收货管理不是简单地把货物记录到系统里即可,还会涉及到很多其他的模块。这篇文章,我们看看作者分享的经验。 之前文章与大家分享了WMS产品架构图、预约入库管理部分,今天继续为大家分享WMS系列中的原型图设计及逻辑实战部分:收货管理。 使用场景 供应商送货到仓库后,仓库人员通过扫描产品上的条形码进行收货,并与采购数量一一核对。 超过采购数量时,根据配置规则决定是否允许收货,如采购100件,配置规则为允许超过采购数量的10%,最多支持收货110件,如配置的不允许超过采购数量,最多支持收货100件,超过采购数量的产品不允许收货。 收货管理 状态说明 页面属性详情 查询区关键信息说明 收货单号:精确查询。 预约单号:精确查询。 状态:单选,可选值详见状态说明。 供应商:支持根据名称模糊搜索。 业务类型:单选;可选值为“采购入库、调拨入库”。 采购入库:向供应商采购的产品进行入库。 调拨入库:其他仓库调入本仓库进行入库。 创建时间:精确到天,包含两边日期。 导出;导出符合查询条件的数据,导出的列同步列表中展示的数据。 列表关键信息说明 排序:按创建时间倒序。 收货单号:生成规则:SH+03+年月日+三位流水号,如SH0320250511001。 采购数量:本次预约入库总数量。 已收货数量:已收货完成数量;与采购数量不一致时红色字体显示。 操作 开始收货:仅待收货状态时显示此按钮,点击后弹框提示“确定开始收货吗“,确定后弹出开始收货页面,并将状态更新为收货中。 继续收货:仅收货中状态时显示此按钮,点击后弹出开始收货页面。 详情:点击后弹出详情页面。 开始收货 扫描条形码后,自动查询此产品是否为本次收货产品、收货数量是否超过采购数量或允许收货数量,详见流程图。 验证失败自动发出“嘟嘟嘟报警声音,并语音播报失败原因”,验证成功自动发出“扫描成功“提示声;实际操作中,收货人员不会特别关注屏幕,所以需要增加声音播报。 本次产品详情、上次产品信息展示信息为“图片+名称+条码+尺码+颜色” 已收货列表中,已收货数量大于采购数量时,红色字体显示; 已收货列表中,已收货数量允许修改,点击后弹出修改数量页; 扫描成功后实时缓存本地,避免因为特殊情况【如突然断电、断网等】导致已扫描收货的数量丢失。 进入此界面时,自己检查上次是否异常退出,若是,提示“上次异常退出,已收货X件,是否恢复”,确定恢复后,自动加载异常退出前本地已存在的数据。 收货完成校验逻辑如下: 详情 支持查看产品详情及操作记录。 记录此单据的所有操作记录,便于跟踪仓库入库情况。 格式为:操作说明+新单据号【无新单据生成时为空】+操作人+操作时间 本文由 @刚哥 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。
在产品管理中,产品经理常常面临一个挑战:上级或老板提出的需求往往缺乏背景信息,甚至可能看起来“不靠谱”。本文通过多个实际案例,深入探讨了如何通过深挖需求背后的动机,找到问题的本质,从而避免盲目执行表面需求。 产品经理在实际工作中都会遇到这样一种情况:老板或上级直接让你做某个功能(不会告诉你为什么要做),而你内心深处不想做这个功能。 你不想做的主要原因是:有些觉得老板或上级提的需求不靠谱,有些则认为上级直接提需求是外行指导内行。 知乎上有句话我觉得很有道理:先问是不是,再问为什么。上面这个场景同样适用,老板的需求真的不靠谱吗?真的是外行指导内行吗? 1.得到设计师:字要大 得到APP的CEO脱不花在公司跟设计师说的最多的3个字就是:字要大。做过设计的朋友,一定遇到过老板或者甲方跟你说这3个字。就算没做过设计,也一定能体会作为一个追求美的设计师看到这3个字是什么感觉。甲方“字要大”和设计师的审美之间,矛盾似乎永远不可调和?得到CEO的需求是“字要大”,但其真实的需求真的是字面意思字要大么? 得到APP设计师分享PPT截图 答案是否定的。 字要大的真实需求或者说背后动机是“要显眼、要醒目、要信号强”。 如下图所示,读者可以看下修改前以及修改后的设计稿,得到设计师并没有遵从老板的字面意思直接把字号放大,相反,修改后的设计稿字体反而更小了。 修改前(左侧)和修改后(右侧)的设计稿 得到设计师探究到了需求背后的真实动机并付诸实践,最终领导和用户都满意了。人未必真的了解自己。TA提出的需求也未必是TA真实的需求,很多用户提出的其实不是需求而是解决方案,就像上面这个字要大。再者用户提出的需求,可能是浮于表面的现象,并未触及现象深处的问题本质。亦或者用户对问题认知深度有限,其提出的解决方案并非最优解。 此时,产品经理作为专业人士,不能完全照搬或者顺从用户字面的需求含义来进行后续的产品设计,而是要深入探究需求或问题背后的动机,找到问题的根源或本质。 而探究需求背后的真实动机或者意图的关键方法,就是打破砂锅问到底,多问为什么,一直问到问不下去为止。 2.B2B电商的积分体系 下文讲述一个我之前工作中遇到的真实案例。 B2B电商平台的运营部门给产品部门提交了一个需求:我们希望上线一套类似淘宝那样的积分体系。 下面我试着用问答的方式+打破砂锅问到底的方法,来探究下运营部门需求背后的真实动机。因时间久远,部分原话记不太清,但大致意思没有偏差。 产品:你们为什么想要一套积分体系呢? 运营:我们想通过积分体系来促进用户活跃,而且淘宝和京东都有这样的功能。 产品:好吧,那积分怎么获得又怎么消耗呢? 运营:积分可以通过每日签到、下单、邀请好友3种方式获得,积分消耗主要是下单时抵扣现金以及兑换优惠券或者实物商品。 产品:那你们有调研过其他B2B平台是否有这样的功能呢?如果有的话都是哪些平台有呢? 运营:目前产品A和产品B都有积分功能,我们积分的获取和消耗途径就是参照他们来的。 产品:那你们觉得积分体系一定能促进用户活跃吗?这2家平台的积分体系运转良好吗?你们的运营指标中活跃度、交易额、用户规模、利润率这几项对于你们的权重是怎样的呢? 运营:这2家的积分运营情况我还真不太清楚,也拿不到数据。但我们认为他们既然做了,那积分多少还是可以促进活跃的,因为积分可以一定程度上当钱花。运营最关注交易额,其次是用户规模、利润率和活跃度。 产品:我们知道B端客户在我们平台上的月均采购金额是相对固定的,并不会因为下单有额外的积分赠送而冲动消费增加采购额,进而占用客户资金,你们认为有了积分体系后会增加交易额么? 运营:大概率不会,但我们可以通过积分体系吸引一些新客户或者未下单的老顾客下单。 产品:C端产品买不买是自己说了算,B端产品买或者不买的因素很多,而且决策链条很长,B端顾客购买与否的主要决策因素是产品的质量和价格,以及物流体系和售后体系,积分的影响因素很小,并不会舍本逐末因为你多给了几百积分而下单。而且B端下单人员不一定是老板,员工没有意愿去帮老板挣这几个积分来省钱。即便你们觉得加了签到功能后可能会提升每日活跃,但这些用户就只是活跃了却没有产生交易,平台是没有收益,反而欠下了一堆的债务。 运营:理论上是这样,但积分签到可以提升每日活跃用户数据,运营数据会更漂亮些。 产品:刚你也说过了,老板和运营最关注的几个数据分别是交易额,用户规模、利润率和活跃度。活跃度这个排名比较靠后啊,同样是花钱做运营,去提升交易额和用户规模不想吗?(试图说服运营放弃积分这个鸡肋) 运营:我们自己在供应链上面没有优势,反映到商品价格上面就没有竞争力,所以交易额的提升相对比较困难。而现在B端获客成本多高你又不是不知道,想获客哪有那么容易。 产品:好吧,那就算我们的客户里面有一半的小老板有这个意愿进来签到,但是你觉得每次签到给多少积分合适呢?每次5-50个随机吗?积分和现金的折算比例是多少合适呢,1:100吗?这个功能就是单纯的给用户送钱但无法显著的提升交易额,你们预计每年投入多少钱在这个积分体系上面呢,预计的ROI是多少呢?预计会降低多少的利润率呢?还有,这个功能看上去简单但实际上涵盖的功能点比较多,我们要做积分获取、积分消耗、积分记录和积分先进先出等等,1个小程序端+2个APP+管理后台预计工作量最少得100个人天,按照每人每天1800元的成本计算的话,这个功能至少得18万哦(我做过C端的积分,所以报人天的时候我稍稍浮动了一些)。 运营:啊,这个功能得这么多钱啊,那我回去好好再想想。 积分体系构成 聊完之后,我趁热打铁发了上面这张图给运营同学,以证明积分体系确实有很多功能模块,确实需要比较多的开发人天。次日,运营同学告知产品部门经过他们综合评估和测算,一致认为积分体系比较鸡肋且性价比不高,还是做几个能显著提升交易量的功能划算。 3.阅读类产品的勋章体系 早些年我做某款阅读类APP的时候,领导就提出了一个用户勋章体系的需求。相信很多做内容或者社区类产品的朋友们应该也遇到过类似的问题。那么我们该怎么来分析该需求背后的深层次动机呢? 用户想要勋章,可能是想要不断获得成就感,想要展示出他的与众不同,体现出其高阶用户的优越感,获得其它用户的崇拜羡慕,这也符合马斯洛需求层次理论,这样高阶用户才能更好的在应用内留存活跃。 用户在产品内失去了刚进入时的热情和动力,勋章体系可能会让其获得或者恢复一些动力。 再有就是领导觉得竞品有这个功能,我们也应该有这样的功能。但领导可能忽略或者无视了我们和竞品所处的阶段不同,用户规模以及构成都有很大的差异。 分析出了需求背后深层次的动机后,乍看上去好像可行,但是领导提出的不是需求而是直接的解决方案。 我们需要一套激励或者成就体系来满足上述需求,但是激励体系有很多种,勋章体系是最好的么?他有哪些缺点,哪种是相对更优的解决方案呢? 勋章体系是通过图形化的方式来彰显它的与众不同,但图形认知复杂不如数字简单直观简单易懂。如下图所示,不看勋章图标下面的文字,你能分辨出这些都是什么勋章吗? 再有就是勋章对用户激励是性价比很低的一件事情,产品需要设计数十种任务事件以及对应的勋章图标icon来供用户收集或点亮。 用户获得了一堆勋章后希望又因为图形认知复杂的原因并不能起到很好的炫耀效果,事倍功半,远不如粉丝数或者关注数或者其他指标简单直接。 4.问到底的问题模版 上面2个都是我的亲身案例,因为我有过多年的运营工作经验,所以知道运营脑子里面怎么想的,所以我能打破砂锅问到底,那没有运营背景也没有相应知识储备的产品经理又应该怎么来应对呢? 这里有一套问到底的问题模版,共计9个问题。通过这9个问题的推演和思考,大概率可以将某个新需求拆解的大差不差了。 用户为什么需要这个功能? 我们需不需要这个功能? 这个功能背后的需求是什么? 这是个伪需求么? 这个需求的用户群体有多大? 这个需求的频次有多高? 上线后会对现有业务带来多大提升/产生什么影响? 是否还有其它更好的方案解决此需求? 这个功能需要的开发、运营或者市场等资源(成本)有多少? 为便于理解和运用,我还是举个实际发生过的案例来说明一下。 需求背景:B2B平台的交易金额一般都比较大,买家在付款时会遇到一张卡里的钱不够,需要多张卡支付的情况,买家希望提供1笔订单可多次/多张卡支付的功能。 接下来我们套用上面的问题模版来进行说明。 综上所述:这个功能的用户群体和频次决定了不太可能是一个强需求或者优先级很高的需求,最后的成本核算也能发现这不是一个“投入产出比”划算的需求。 5.怎么深挖老板的动机? 如果上面那个积分的需求,不是运营经理而是老板提的呢?产品经理大概率没法像上面写的那样打破砂锅问到底去质问老板。 如果听话照做又有违初心,如果不想照着做去跟老板解释强调自己的观点和想法,很容易陷入沟通僵局。怎么办? 或许可以采用以下的思路来破局。 分析需求背后的动机。比如老板是不是想通过积分功能提升交易额? 从产品长远规划考虑,在促进交易额的目标上是否能达成一致?是不是当下重要的事情? 采用老板的方法提升交易额会有什么问题吗?优缺点如何,性价比如何? 有没有更好的方法提升交易额?实现更简单、ROI更高? 如果有,通过数据分析,调研或行业报告等,说服老板采用更优方案。 这里的逻辑就是:在某个层面无法达成一致时,往前推一个层面,在目标层面或更深的层面上达成一致。 回到积分这个需求本身,如果洞察到了老板的动机是想提升交易额,那么产品经理和老板在这个目标层面是可以达成一致的。 但实现的路径层面,老板是想通过积分,而产品经理觉得销售返利或者商品包邮是性价比更高的实现路径,那就可以说服老板放弃积分,选择返利或者包邮。 老板的目的是提升交易额,积分只是手段而不是目的。产品经理在说服的过程中,如果能加上数据分析、调研报告和财务测算等,那么说服老板就相对容易一些。 以上,希望本文能对您有所帮助。 作者:詹老师,公众号:詹老师 本文由 @詹老师 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。
在当今快速变化的科技浪潮中,鸿蒙系统作为新兴的操作系统,正逐渐成为技术领域的新宠。本文将深入探讨学习鸿蒙系统的诸多优势,从增量市场的巨大潜力到生态系统的广阔前景,再到低成本的学习门槛和高收益的职业机会,以独特的视角分析了鸿蒙系统为何值得从业者和开发者关注。 01 我有个资深程序员朋友,在前几年的AI大潮中被一家公司招进去做AI。 做了半天发现根本不赚钱,于是大家原地解散。 他入职新公司后,赶上AI行业爆发,公司引入AI发现他的工作量赶不上一个实习生+AI,他再次失业。 AI能不能让程序员失业,我不知道。 但AI已经让我朋友失了两次业。 什么I与不I,都是历史的沉I。 最近两年,常有程序员朋友问我择业相关问题。 说现在互联网不好干,前有35岁大关,后有AI拼命追赶,旁边还站着一群满脑子想卷死自己的同伴,问我之后工作该怎么选。 一般情况下,我不做任何明确的指向性建议。 毕竟成功的条件总是难以复制。 你看别人赚钱,以为成功的关键是努力、友情、奋斗。 但却看不到别人背后那个更努力的亲爹,以及那个不需要他努力的岳父。 所以我一般只教你避坑,不教你成功。 但如果非要我提建议的话,我只有一句话——看好趋势,做好选择,适时撬杠杆。 在主导成功的要素中,运气>选择>努力。 运气无法人为掌控的,所以人生跃迁的核心在于你在关键时刻做出的选择。 举个例子,在当下的互联网环境下,你作为一个编程相关从业者,要在IOS,安卓,鸿蒙三大阵营中任选其一。 最好的选择是什么? 答案是鸿蒙。 因为鸿蒙最利于【撬杠杆】。 02 撬杠杆的本质,是以低成本撬动高收益。 鸿蒙凭什么带来高收益? 凭它还在增量期。 首班地铁总能抢到座位,新坑打窝更容易钓到大鱼。 第一批网店店主靠着传统线下店不屑的线上生意成就都市传说。 早期短视频博主用土味情话集齐了库里南碎片。 所有弯道超车的传说,都出现在规则没焊死的窗口期。 绝大多数的成功,都来自于增量——这个时代给予普通人最大的仁慈。 而当车门焊死,增量转为存量,网店卷到店主都在给主播打工,网红卷到离职都要倒欠MCN八百万的时候,逆天改命的大门就对普通人关闭了。 改变命运需要的,从来不是头悬梁锥刺股,而是率先走进那扇无人关注的门。 关键词,【率先】。 现在,鸿蒙就是那扇门。 作为一个新系统,鸿蒙的市占率仍处在一个较小的盘子里。 但依托于华为,鸿蒙相关设备数量正以肉眼可见的速度铺开。 这是一个明显的增量市场。 盘子小,竞争少,没有“十年经验的大佬”压着你。 增速快,需求多,资方没得选。 哪怕仅仅立足于【找工作】这样的微观角度,鸿蒙也是一个更好的平台。 根据智联招聘的数据,当前国内鸿蒙人才需求缺口已达百万级别,且未来需求缺口将进一步扩大。 明显的供小于求。 当供小于求时,就会出现溢价空间。 简称【得加钱】。 同样一瓶水,放路边小卖部和放沙漠里,价格差异是巨大的。 当你提升不了自身硬性价值时,就要学会把自己放在一个更值钱的位置上。 反正都要卖,何不卖个好价格? 起码就目前而言,鸿蒙更利好从业者。 03 鸿蒙的高收益,不只在于市场的增量,也在于生态的增量。 所谓更好的人生,不是指每个月给你加一千几百的工资,而是让你有更多的人生选择。 跟十几年的手机操作系统不同,鸿蒙是一个全场景的分布式操作系统,不止作用于手机,而是涵盖了车机,智能家居,智能办公等海量场景。 从手机到汽车,从游戏到各种工具类APP,甚至是银行、医院、综合体、停车场、收费站,只要有一块屏幕让你点,只要有人机交互的场景,就有鸿蒙的生存空间。 这把撬杠杆的收益,放大了无数倍。 场景会催生出需求,需求会派生出岗位。 大量的岗位需求,让从业者有了【选择权】。 注意,我说的【选择】不是指横向的相同岗位,而是纵向+横向的全行业需求。 因为鸿蒙派生出来的岗位需求,是涵盖全行业的。 所以,你可以选择去互联网公司,可以去数码品牌,可以去智能家电,可以去造车新势力,甚至可以去银行、物业、医院等传统企业的软件部门。 你可以是前端,可以是后端,可以做硬件适配,可以做软件开发。 你不需要困死在一家公司的一个岗位里。 这种【择业选择权】在这个时代,是稀缺的。 而市场上鸿蒙人才供给的不足和全生态的需求,会进一步加强你的【议价权】。 这不是空口白话的理论,而是有数据支撑的事实。 根据智联招聘相关信息: “应用型本科(以二本院校为主)鸿蒙产学班应届毕业生中,起薪过万者已超50%,而985/211/双一流院校毕业生的薪资更高。” 二本院校应届毕业生起薪过万者超50%,在任何行业都属罕见。 不要以为月入过万很平常。 多少人卷生卷死,都卷不到一万的月收入。 相同技能多地溢价,这是目前少有的【技术套利】的机会。 但你也要知道,议价权的制高点,往往只出现在供需天平第一次倾斜的瞬间。 当供需平衡不再倾向需求者,市场就会再次卷起来。 所以,不想卷,就要趁现在。 04 用鸿蒙撬杠杆的,除了高收益,另一个好处就是低成本。 高风险高收益,那叫梭哈。 以小搏大,才叫机会。 鸿蒙虽然是一个新系统,但其底层架构以及所需技术,与目前市面上通行的技术并没有质的区别。 IOS和安卓开发者只需要快速学习一下ArkTS语言就能迅速上手。 你从安卓/IOS转鸿蒙,不是美术生学电焊,而是吉他手学贝斯。 需要付出的,只是一定时间的学习成本。 同时,这个成本正在被进一步摊薄,因为目前华为在发力鸿蒙开发的相关培训。 针对开发者,鸿蒙提供了AI辅助编程工具、DevEco Studio/Testing等全套开发平台,官网和开发者社区上也提供了丰富的代码示例、组件等学习资料。 针对学生,华为和一众高校合作开设了鸿蒙应用开发相关课程,方便学生选修。 比如南京大学就跟华为合作开发了一系列面对本校相关专业学生的鸿蒙课程。 华为本身在这些高校普遍都有校招计划,学校设有面向鸿蒙的课程,帮助学生快速提高在就业上的竞争力,打通【学习】和【就业】之间的通道。 毕竟,同样是选专业,同样是招人,哪个学生不喜欢就业有保障的专业?哪家公司不喜欢入职就是生产力的新人? 你说,你既不是学生也不想自学? 也无所谓,大量培训机构,报班即可学习鸿蒙应用开发。 学习成本被摊到了无限低。 一期培训班的平均薪资能达一万左右。 再说一次,千万不要小看一万的月收入。 在现实中,这已经是一个让无数人可望而不可及的数字。 你在投资加杠杆,天台飞人大概率; 你去实体生意撬杠杆,失信名单等着你。 而转型鸿蒙付出的最大成本,只是时间。 是,你的时间也很重要。 但大多数人的时间都是被浪费掉的。 与其浪费时间,不如拿来变现。 梭哈的机会遍地都是,但以小搏大的机会却不是时时都有。 05 很多人说,按鸿蒙目前趋势,估计也就能赚几年钱。 过几年鸿蒙市占率铺开了,生态开发成熟了,对人员的需求也就固定了,一样会卷起来。 还不如坚守长期主义,在自己目前的领域里面深耕。 对于这种论调,我就一句话: 你为什么不先把这几年的钱先赚到手? 举个例子,电子木鱼这玩意大家都玩烂了,但有人结合鸿蒙的服务卡片功能开发了一个【轻木鱼】APP,不需要点开APP,直接在桌面上点击图标就能赛博敲木鱼。 单一个应用,给开发者带来了约400万的收入。 这到手的钱,比你那虚无缥缈的【未来】,不实在多了? 还深耕? 你把那一亩三分地耕到荒漠化,都不一定耕得出四百万。 而且弄不好半路就给你淘汰了。 当行业迭代的速度比企业财报周期都快时,所谓深耕不过是雪崩前的慢性安乐死。 说句不好听的,如果鸿蒙未来不稳定,谁能打包票说IOS和安卓的未来一定稳定? 不存在的。 多少人开着小店吃着火锅唱着歌以为一辈子就这样了,结果等来了电商的泥头车? 又有多少手机厂商想在功能机上玩出了无数花活儿感慨无敌最寂寞,结果被智能机创进了异世界? 不计其数。 变化是常态,未来也不一定会来。 大多数喊着长期主义的人,都活不到长期主义兑现的那天。 因为他们都搞错了长期主义的定义。 兑现周期一年的,叫长期; 兑现周期十年的,叫骗局。 你看得到回报的,叫长期主义; 你看不到回报的,叫空头支票。 说到底就一句话,通往未来最清晰的道路,是正在铺设的铁轨,而不是脑海中臆想的蓝图。 而鸿蒙,简单直接清晰高效。 你不抓紧研究,才搞笑。 本文由人人都是产品经理作者【半佛仙人】,微信公众号:【半佛仙人】,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。
这家被誉为“餐饮界的Shopify”的企业,通过为中小餐馆提供全栈数字化服务和AI驱动的管理工具,不仅帮助餐厅实现了显著的线上收入增长,还通过独特的商业模式和高效的运营策略,迅速成为行业独角兽。本文将深入剖析Owner如何通过AI技术赋能餐饮行业,以及它如何在短短几年内拿下1.2亿美元的融资,成为行业瞩目的焦点。 又有一家企业独角兽诞生了。 这家公司名叫Owner,称为“餐饮界的Shopify”。 Owner的业务与Shopify类似,主要提供全栈数字化解决方案,只不过对象从消费品牌变成了餐厅。短短3年里,Owner已经服务了超1万家餐厅,帮助各家餐厅实现30%的线上收入增速。 不仅如此,Owner还打算把AI融入到公司业务里。目前,公司正在开发下一代解决方案:为餐厅打造”AI执行官”。这些AI Agent不仅能做营销与技术工作,还能管理“AI员工”和人类员工,提升餐厅经营效率。 靠着AI带来的巨大想象空间,Owner在最近拿下了1.2亿美元的融资,估值也上涨至10亿美元。 从被YC两次拒绝到成为估值10亿美金的独角兽,来看看Owner究竟是如何做到的。 01 每月500美元,解决小餐馆线上困局 新冠疫情加速餐饮线上化,我国的餐饮SaaS企业发展较早,但美国那边还处于红利期。 主流外卖平台成为多数连锁餐厅的选择,与此同时,数量庞大的独立餐厅陷入了数字化的困境。 这些独立餐厅常依赖Yelp、OpenTable、Grubhub 等平台获取订单,其中需支付高额佣金(部分平台高达30%)。而餐厅自营APP的技术开发和维护对他们来说则是一笔不小的成本负担。 美国独立餐厅的店主,多是厨师、餐厅经理或移民(特色美食店主),餐厅人手配置简陋,普遍缺乏SEO优化经验。 而美国消费者习惯通过Google查找附近餐厅,本地搜索需求旺盛,这导致独立餐厅很容易被连锁品牌或竞争对手淹没在搜索结果中。 25岁的Adam Guild创办的Owner,给这些中小型餐厅提供了另一种数字化的选择。3年内,Owner已为超1万家美国独立餐厅提供AI基础设施,影响辐射6000万消费者。 一家独立餐厅只需每月付500美元,就可以构建自己的APP和网站。这些基础设施将集成订餐、配送、营销自动化等功能并自动执行,还可以搞定餐厅老板玩不明白的SEO优化。 具体来说,Owner价值主要体现在三个方面: ①建设数字化系统,“AI管家”全周期护航餐厅生意 在建设的APP和网站上,Owner系统相当于给餐厅生意配上了一个“管家”。系统先摸清餐厅日常经营的节奏,比如每天什么时候订单最多、食材消耗规律。然后用“控制塔”和“记分板”,来记录餐厅的各项指标,掌握餐厅的健康状况,订单少了、差评多了马上就能发现。 在推动餐厅发展上,它有一套固定流程。每周会给餐厅老板发一份“Maple”简报,把餐厅这周哪里做得好、哪里有问题列得清清楚楚,还可以预约餐厅员工会议。 在长远规划上,Owner系统准备了6到12个月的成长计划,帮餐厅设定长期目标。同时,每个月还会制定具体的行动指南,让餐厅日常工作和长远战略紧密结合,朝着增长的方向前进。 ②内置90项SEO优化点,线上收入年增30%的流量密码 如今,无论餐厅提供什么样的优惠,吸引人们直接从网站订餐都已经够难的了,更何况是第三方App呢?所以,做好SEO优化,就成了极为重要的失去。 专业SEO指导能以较低成本提升线上可见性、精准吸引目标客群、增强品牌信任度。Owner靠内置90条SEO优化要点,可以AI生成符合吃货搜索习惯的页面。 比如,很多人搜“素食友好餐厅”(特色菜系)、“适合家庭聚餐的餐厅”(场景化需求)、“洛杉矶最佳泰式炒粉”(地域+品类),Owner帮助筛选高转化、低竞争的长尾关键词,让网站页面容易出现在搜索结果里,吸引目标客群。 不仅如此,Owner系统还懂怎么让进到餐厅网站的人真的下单买东西,平均能让进店看的人下单率提高一倍。短短28天,靠搜索找到餐厅网站的人数可以增加30%。要是餐厅再搭配使用Owner的APP,老顾客回来下单的次数能翻一番。 用了Owner系统的餐厅,每年通过线上直接赚的钱能比以前增加30%,生意直接红火起来。披萨店Sarkis表示,使用Owner一年,他们实现了老客留存与新客拓展,在线销售额增30万美元、利润增10万美元。 ③2025 AI战略:3大智能高管+对话式Agent 对于独立餐厅而言,除了流量推广,更看重餐饮SaaS本身带来的管理价值。 在Owner的2025年计划里,他们会为独立餐厅推出首批“AI餐厅高管”,用于管理“AI员工”和人类员工,执行营销与技术工作。其中: AI CMO(首席营销官):可主动提醒营销节点,如“阵亡将士纪念日还有7天,是否启动相关活动?”;实时报告成果,如“本月同店销售额因SEO增长7%”;灵活响应突发状况,如食材短缺时自动调整菜单设置。 AI CFO(首席财务官):能实时解答餐厅老板疑问,如“如何平衡降本与品质”,通过数据分析提供成本优化方案。 AI CTO(首席技术官):持续优化餐厅网站与应用体验,紧跟技术趋势,自动处理技术支持问题 。 此外,Owner还将打造对话式页面的AI Agent,进一步提升服务效能。 02 “月费模式+白标配送”省30%佣金,公司6天敲定1.2亿融资 Owner被称为“餐饮界的 Shopify”,它和Shopify一样,都是通过低门槛数字化工具,帮助中小商家脱离大平台垄断,自主掌控线上渠道和客户关系。 拆解来看,Owner采取固定月费的付费方式。餐厅每月支付一笔透明费用,就能解锁全套数字化工具,所有订单收入直接揣进自己口袋。没有隐藏扣费、没有比例抽成,每一笔流水都明明白白属于商家。 值得注意的是,Owner不运营自己的独立配送车队。Owner建立至今,一直与第三方配送服务DoorDash和Uber Eats合作,以完成通过自身下达的配送订单。 Owner通过利用“白标”配送模式来实现这一点,即以固定费用的方式使用DoorDash和Uber Eats司机。这种方法使餐厅能够掌控客户关系和订购体验,同时仍然受益于可靠的配送服务。 这种实实在在帮中小餐厅提升利润空间的收费制度,和第三方外卖平台的高抽成形成鲜明对比。 主流餐厅外卖平台的佣金:DoorDash和Uber Eats都是外送收取15%-30%,自取收取6%;Grubhub收取5%-15%。餐厅还需支付第三方外卖平台平板电脑租赁费、营销或推广费等。 从Owner团队构成看,公司高管团队拥有丰富的互联网经验以及餐饮从业经历。Owner的团队构成如下: 首席收入官Kyle Norton曾管理Shopify 3亿美元ARR业务,如今他从Shopify引入的高效收入运营系统,将Owner营收团队扩充至超100人。 Owner社区主管Hengam Stanfield来自披萨店连锁品牌; 客户成功团队成员Phillip Hang来自寿司连锁品牌。 这支团队在求职平台Glassdoor获4.9星评分,CEO支持率达100%。 回顾创业的5年,创始人Adam Guild透露,公司曾两度被YC拒之门外,前三年遭数十家投资者和数百位客户拒绝。后来,YC在Owner进行C轮融资时上了车。 如今,Owner已成功融资1.78亿美元,其中包括2024年1月由Redpoint Ventures和Altman Capital共同领投的3300万美元B轮融资。最近,公司刚刚完成C轮1.2亿美元的融资,这笔融资只用了短短6天就完成了,足可见投资人对Owner的看好。 这背后也揭示了AI对传统SaaS价值的重塑。 以往的SaaS,本质上是将某些业务流程的「最佳实践」进行在线化和标准化,虽然提升了效率,但降本增效的空间有限。如今,在AI的赋能下,技术服务商将不仅仅提供工具型的功能模块,而是有机会切入了实际的「劳动力市场」,能够像人类员工一样,完成具体的工作。 某种程度上说,AI正在重新定义传统SaaS企业的增长边界。 文/朗朗 本文由人人都是产品经理作者【乌鸦智能说】,微信公众号:【乌鸦智能说】,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。
本文从第三方测评的显微镜下,解读模型能力进化背后的产品哲学——在推理赛道成为新竞技场的今天,如何把握小模型掀起的"降本增效"浪潮,或是每个AI产品人必须面对的生存命题。 翻开SuperCLUE最新测评报告,一组数据令人震撼:头部推理模型较三年前数学能力提升420%,而7B小模型竟在特定任务中跑赢千亿参数大模型。 这份来自2025年3月的行业”体检报告”,不仅揭示了中文大模型从野蛮生长到精耕细作的技术跃迁,更暗含着AI产品化进程中的深层变革。 当o3-mini(high)以近满分的数学推理能力刷新认知,当DeepSeek-R1系列用蒸馏技术突破”参数枷锁”,我们看到的不仅是技术榜单的更迭,更是一场关于效率革命与商业逻辑重构的预演。 图片来自网络 一、行业格局剧变:从通用能力竞争到垂直赛道突围 图片来自网络 图片来自网络 1.1 推理能力成核心战场 2025年的大模型竞技场正在发生根本性转变。OpenAI最新发布的o3-mini(high)以76.01分问鼎SuperCLUE总榜,其94.74分的数学推理得分刷新行业纪录。这标志着大模型竞争已从通用能力比拼转向垂直赛道的深度较量。在科学推理领域,字节跳动Doubao-1.5-pro以70分成绩比肩国际顶尖水平,而腾讯hunyuan-turbos在Agent任务中以70.09分展现场景化落地能力。 1.2 国内厂商的”弯道超车”策略 国产模型在特定领域已形成差异化优势: QwQ-32B在数学推理任务得分88.6分,超越GPT-4.5-Preview DeepSeek-R1在代码生成任务中与o3-mini(high)仅差1.84分 360智脑o1.5在中文场景下的语义理解准确率提升至89.7% 这种”单点突破”策略正在重构市场竞争格局。厂商通过聚焦垂直场景打磨核心能力,在医疗问诊、金融风控、工业质检等领域形成技术护城河。 二、技术突破点:蒸馏技术催生小模型革命 2.1 7B模型的”逆袭神话” 图片来自网络 图片来自网络 图片来自网络 DeepSeek-R1-Distill系列开创了小模型新范式: 7B版本数学推理得分77.23分,超越70%闭源大模型 14B版本在科学推理任务中取得79.46分,逼近GPT-4.5水平 1.5B模型在端侧设备推理速度达180ms/query 这种”知识蒸馏+领域微调”的技术路线,使得小模型在保持80%核心能力的同时,推理成本降低至大模型的1/15。某电商平台实测数据显示,7B模型在商品推荐场景的ROI提升300%。 2.2 模型部署的”二八定律” 在模型部署实践中,行业正在形成智能化的资源配置策略: 实时交互层:采用70B级基础模型,主要应对需要深度理解的对话场景。这类模型虽然单次推理成本高达0.3-0.5元,但其在500毫秒内的快速响应能力,可满足金融客服、医疗问诊等对准确率要求严苛(>98%)的高价值场景。某在线教育平台实测数据显示,使用70B模型后,复杂数学题的解析准确率从82%提升至95%,付费转化率增加17个百分点。 业务处理层:配置7B级蒸馏模型,专注数据分析、文档处理等可容忍1-2秒延迟的任务。这类模型在保持80%核心能力的前提下,将运营成本压缩至大模型的1/15。某跨境电商企业通过该方案,商品描述自动生成效率提升4倍,月度模型开支减少210万元。 设备边缘层:部署1.5B级量化模型,专攻智能家居、车载系统等毫秒级响应场景。经过神经架构搜索优化的微型模型,可在256MB内存设备上实现150token/s的推理速度。某新能源车企的智能座舱系统,通过该方案实现离线语音控制成功率98.3%,唤醒响应时间缩短至70毫秒。 这种”能力分级、动态调度”的部署体系,使企业在保证关键业务精度的同时,综合运营成本下降40-65%。行业领先的云计算平台数据显示,智能路由算法可将70%的常规请求自动分配至小模型处理,GPU资源利用率从32%提升至58%。 三、产品化进程中的三大矛盾 3.1 性能与成本的剪刀差 图片来自网络 测评数据显示: 头部模型推理成本差距达20倍(Claude 3.7 Sonnet vs QwQ-32B) 70B模型单次对话成本≈300次7B模型调用 企业级用户更倾向选择性价比>0.8的中端模型 这促使厂商推出”动态算力分配”服务,某云平台通过智能路由算法将高价值请求自动分配至大模型,常规任务由小模型处理,综合成本降低65%。 3.2 能力与场景的匹配困境 测评暴露的成熟度差异: 高成熟度:文本生成(SC指数0.89) 待突破区:Agent任务(SC指数0.12) 这导致实际应用中出现”能力过剩”与”功能缺失”并存的现象。教育行业案例显示,数学辅导场景中70%的模型能力未被有效利用,而30%的关键需求(如解题步骤拆解)支持率不足。 3.3 开源生态的双刃剑效应 图片来自网络 开源社区呈现两大趋势: 技术普惠化:Qwen2.5系列开源模型在GitHub星标数突破35k 商业化焦虑:部分厂商核心代码开源比例从85%降至40% 生态分化:头部项目PR合并效率提升300%,腰尾部项目活跃度下降60% 某AI初创公司通过”核心模型开源+增值服务收费”模式,在6个月内获取300家企业客户,验证了开源商业化的可行性路径。 四、未来12个月的关键趋势 4.1 模型能力的”木桶理论”失效 传统综合评价体系正在瓦解,医疗、金融等行业开始建立垂直领域评估标准。预计到2026年,将有50%的企业采用”主模型+微调模块”的混合架构,头部厂商的领域专项模型数量将突破100个。 4.2 端侧智能的爆发临界点 技术突破推动端侧部署: 4B模型在骁龙8 Gen4芯片推理速度达230token/s 新型记忆体技术使1.5B模型可在256MB内存设备运行 联邦学习框架实现多设备协同训练效率提升80% 某手机厂商即将发布的折叠屏旗舰机型,将搭载自研7B模型,支持离线状态下复杂日程规划功能,续航时间增加3小时。 4.3 评估体系的范式转移 第三方测评机构开始引入”动态污染检测”机制,题库更新频率从季度级提升至周级。企业用户更关注: 长尾场景覆盖度(如方言理解) 多轮对话一致性 安全边界控制能力 某银行在模型选型中新增”百次对话偏移率”指标,要求连续100轮对话的核心事实误差率<0.5%。 结语: 当技术红利期进入尾声,大模型战争正从实验室走向产业深水区。2025年的竞争图谱揭示了一个关键转折:单纯追求参数规模的时代已经结束,下一阶段的胜利者将是那些能够精准匹配场景需求、构建可持续技术生态的务实创新者。产品经理需要建立新的评估维度,在模型选型、架构设计、成本控制之间找到最佳平衡点,方能在这场智能革命中占据先机。 本文由 @千林 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
产品经理这岗位都多少年了,我还以为早就体系成熟、流程闭环了,所以这个系列我也安心停更了。 结果最近被研发同事轮番吐槽:需求文档东漏一句西漏一段,“这也叫专业?” 虽然不是在点名骂我,但谁让是我带的队呢,脸还是要我来红…… 于是我,一个曾立志不再写基础规范的人,现在又默默打开了“手把手教你系列”的草稿页。~~ 老规矩,事先声明:本文是写给产品新人的一个指导方向,别指望面面俱到,主要是帮你少挨点骂、少被群嘲。如果你是产品大牛,那我更希望你能站出来写一篇“不被研发吐槽的终极需求文档指南”,拜托了,真心在线等 一、产品需求文档的意义 不讲假大空,就讲人话。 对于产品新人来说,产品需求文档的核心意义只有两个词:“明确” 和 “可做”。 1. 什么叫“明确”? 就是别写那些虚头巴脑的虚词、副词,需求文档里应该尽量只出现三种词:名词、动词、量词。1)先说“虚词” 虚词就是介词、连词、助词、叹词这些——这些词基本是语文老师教你写作文用的,但在需求文档里,谁用谁挨打。 比如错误的写法: 点击“登录”按钮,需要进行用户名和密码校验吧。 请注意那个“吧”。它是个助词,但在研发眼里,它是个雷区,说出来就是自找“被怼”。你在写需求时用“吧”来表达不确定性,那研发就会用“呵呵”来反馈你的不专业。 再说“副词” 副词看着高级,实则没用。它是修饰动词、形容词等的,比如: 错误示范: 校验成功后,要迅速地进入工作台页面。 请问“迅速地”是多快?光靠感情无法落地。正确写法是: 校验成功后,500ms内进入工作台页面。 给出量化标准,才叫明确。不然你以为你是写诗的? 2. 什么叫“可做”? 就是这玩意真的能做出来。 别写那些感天动地但做不到的需求。比如早些年讨论的很激烈的一个需求: 手机壳颜色要能根据用户心情变化。 听起来是不是很酷?是。但你们公司八成没这个技术。 甚至你们连怎么判断“用户今天心情好不好”都不知道——那你让研发怎么做? 再比如下面这个需求,看似合理,实则扯淡: 密码校验成功后,需要1ms内进入工作台页面。 拜托,1ms?你以为你写的是芯片设计规范吗?这违背客观规律,纯属“想当然”。 二、需求文档有没有固定格式? 答案是:没有。 不同公司、不同团队、不同Leader的口味都不一样。你可能在A公司画个5页原型图就叫文档,去了B公司没画10张流程图都不敢说写完了。 但常见的结构大致是这些: 版本记录 需求背景 产品架构图 / 功能信息图 / 流程图 功能清单 功能性需求详细说明 数据埋点 非功能性需求,如比如性能、安全性、兼容性等等 等到其他内容,如上线准备清单、测试数据等到 是不是听着有点多?别慌。 对于产品新人,我的建议是:别想着全写全会,一开始只抓关键的三块就够了: 1. 版本记录 这玩意不是装样子,是为了防止后面撕逼。写清楚哪个版本改了什么,谁提的需求,什么时候调整了内容——未来回头看时能对上口径。偶尔有时候研发为了证明自己动了脑子,说了很多高要求的话,然后要他敲代码实现的时候,就会舔着你的脸让你重新改下~~ 2. 需求背景 说清楚“为什么要做这个需求”,不要“因为老板说要做”就直接写功能了。产品是为了解决问题,不是为了解决老板。也为了让研发能更好的思考代码怎么敲的更顺畅~~ 3. 功能性需求详细说明 这是文档的灵魂部分,研发90%的关注点都在这。 要清晰、要量化、要能落地——怎么触发、触发后发生什么、边界条件是啥、有无异常流程…… 把这三块写清楚了,你就已经比一半新人强了。 后面那些流程图、埋点、性能要求等等,等你入门之后再慢慢加,没人一口气写出《PRD完全体》。但写不清背景、逻辑混乱、没有版本记录——这些坑,新人最容易踩。 这 三、产品文档的撰写逻辑 其实写法也没固定套路,可以按功能流程来写,比如“用户从A操作走到B”,也可以按页面逻辑来写,一个页面一个模块往下拆。 我个人更推荐按页面逻辑写。为什么?因为这种方式更“防漏”。你每打开一个页面,就能顺着页面里有哪些按钮、入口、弹窗去列功能,漏点的概率比按流程走低很多。不过你的流程图之类的得说清楚,不然研发可能看的有点头疼。 举个栗子:登录页面 一、版本记录 略 二、需求背景 略 三、功能流程图 略 四、功能需求描述 1、登录页 1.1 显示系统名称及说明:XXX管理系统,东半球最具影响力的系统 1.2 登录方式选择 1.2.1 账号密码登录 略 1.2.2 手机号登录(默认选中) 1.2.2.1 手机号-文本输入框 a. 弱提示:手机号 b. 输入规则:必填,必须输入11位数字,超出后不支持输入。 c. 校验规则:首位只能为1且为11位数字。 d. 报错提示: 1)为空时提醒:请输入手机号 2)手机号不符合校验规则提示:请输入正确的11位手机号 1.2.2.2 验证码-文本输入框 a. 弱提示:验证码 b. 输入规则:必填,最初支持输入6位数字,超出后不支持输入。 c. 校验规则:6位数字。 d. 报错提示: 1)为空时提醒:请输入验证码 2)验证码不符合校验规则提醒:请输入正确的6位数验证码 1.2.2.3 获取验证码-按钮 a. 状态1:未点击状态,默认状态 1)显示文字:获取验证码 2)操作:支持点击之后校验手机号是否为注册用户,不支持连续点击: 2.1)不是则提示“账号不存在,请注册后再尝试”。 2.2)是注册用户,则切换【状态2:60秒倒计时】状态 2.2.1)发送验证码短信。短信内容为:您的验证码为:XXXXXX,验证码有效期为5分钟 2.2.2)如果短信发送成功,则弹出气泡提示:验证码发送成功 2.2.3)如果短信发送识别,则弹出气泡提示:验证码发送失败,请稍后再试。 状态切换为【状态1:未点击状态】 b. 状态2:60秒倒计时 1)显示文字:XX秒,60秒倒计时 2)操作:不可点击 3) 倒计时结束后,切换为【状态3:重新获取验证码】 c. 状态3:重新获取验证码 1)显示文字:重新获取验证码 2)操作:支持点击,不支持连续点击,点击之后效果与【1.2.2.3 获取验证码-按钮】一致。可参考该部分内容。 1.2.3 自动登录-单选框 1.2.3.1 状态1:未选中状态(默认状态) 操作:支持点击,点击切换状态 1.2.3.2)状态2:已选中状态 操作:支持点击,点击切换状态 1.2.4 忘记密码-按钮 操作:点击进入找回密码页面。 1.2.5 登录-按钮 1.2.5.1 点击,校验以下内容: a 手机号是否为空、是否符合校验规则,不符合则提示:请输入正确的11位手机号 b 验证码是否为空、是否符合校验规则,不符合则提示:请输入正确的6位数验证码 c 校验手机号与验证码是否匹配、验证码是否过期,不符合则提示:验证码错误,请重新输入 d 以上校验全部通过,则弹出气泡提示”登录成功”,并进入工作台页面。 e 异常报错提示: 1)如果无法正常通信,则提示”网络错误,请检查网络后重新尝试”。 2)其他错误,则提示”登录失败,请联系管理员,错误代码1001″ 1.2.6 注册账号-按钮,点击,进入注册页面。 1.2.7 帮助-按钮,点击进入帮助页面。 1.2.8 隐私-按钮,点击进入隐私页面。 1.2.9 条款-按钮,点击进入条款页面。 以上这些,就是一份需求文档在具体填写时的基本要求。如果你认真按这个思路写,研发大概能知道该做什么,测试也能明确哪些地方该测、哪些边界要重点关注。 但别太乐观地以为写完就一劳永逸了。 现实是这样的: 你写完后觉得很清楚 研发一看:“这个跳转在哪实现?” 测试一看:“这个异常状态没写啊?” 所以记住一句话:需求文档是“动态更新”的,不是写完就丢进知识库的PPT。 在开发过程中,有遗漏很正常,但不能“遗漏了就不补”。谁补?当然是你补。 及时修订文档,更新版本记录,标注修改时间和内容 —— 这才是一个专业产品的基本功。 因为到了测试阶段,没人有空翻你10天前的口述群聊记录,只有文档说了算。 相关阅读 思路|产品新人应如何进行数据分析 思路|产品新人应如何撰写测试用例(功能性测试) 作者:光点神奇,微信公众号:产品研究所 本文由 @光点神奇 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图由作者提供 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