人和电脑结合图片-人与人如何匹配的电脑系统

1.5大步骤搭建完整的用户长大体系，实现精准化营销

2.即时翻译 谷歌智能技术弥合人与人交流的语言鸿沟

5大步骤搭建完整的用户长大体系，实现精准化营销

用户体系，是一个庞大的产品设计范围。其不仅仅需要产品经理对功能性的理解，还需要对产品的规划、数据运营、产品运营的沟通和了解。我们要明确，搭建用户长大体系是服务于用户留存及生命周期改善，绝不要盲目去做一套用户长大体系。用户体系体系是被设计出来的，那么它设计的基础即是用户需求，而我们为了让用户更方便达到他的目的，从而设计的一种途径。用户体系建设对于提高产品用户黏度、实现用户从一般用户到核心用户的转变具有巨大的作用。本文将从用户长大体系的概念、构成、5个步骤、4大原则来具体阐述高留存产品背后用户体系的搭建。一、什么是用户长大体系1、定义用户长大体系，即建立在用户数据模型的基础上，通过找到用户长大的关键路径，核心驱动力，搭建用户长大的激励通道和连接用户行为的触达通道，而形成的一整套驱动用户长大的运营机制。2、用户体系解决的问题不同的产品由于其产品性质不同，就会产生不同的用户体系，而产生不同原因我认为是因为其需求不同。在做用户体系之前，我们要搞清楚，我的产品需要用户体系为用户解决什么问题。社交类产品是连接人与人。用户之间为了建立联系和互动，所需的支撑体系。服务类产品是连接人与服务。用户为了获取某些服务，需要用户体系记录用户行为及需求，支撑完成个性化服务。我们的用户体系搭建的核心应以“用户本身需求”而搭建的一套系统。二、用户长大体系1、RFM模型高留存的产品，一定有其自身的特色，但无外乎这两种激励体系。在提升了留存后，还要围绕用户搭建一套产品变现模型。间接来说，也是用户留存体系的一环，特别是对电商、交易型产品来说。RFM用户消费行为模型是衡量用户价值和创利的重要方法。R（Recency是离某个时间点最近的一次消费，近期购买的客户倾向于再度购买；F（Frequency）是一段时间内的消费频次，经常购买的客户再次购买概率高；M（Monetary）是对应这段时间内的消费金额，消费金额较多的客户再次消费可能性更大。在RFM模型下，对用户消费的时间、消费频次以及消费金额，进行生命周期管理，并且对不同周期内的用户采取不同的激励机制。关注用户的终身价值，也就是LTV，基本公式：用户终生价值（LTV）=某个客户每个月的购买频次×客单价×?利利率×(1/月流失率)其中用户生命周期=1/月流失率。我们可以根据这个模型，及时对用户进行奖励措施，延长生命周期。企业依靠这样的方式，取得了收入，才能投入更多的资源优化产品，给用户带来更好的体验。2、用户精神激励机制用户体系的运转，即是用户体系的循环、迁移。亦是我们基于此建立的激励制度，体系间才可形成一个正向循环。而这正是通常来讲大家所讲的用户激励体系。（1）分层制度分层是高效的激励手段，激励高价值用户、清洗无价值用户。我们最常用的即是为用户设计等级。针对以用户体系建立起的标签库、行为库，需要使其流动起来，设立从一层至另一层的途径及规则，以此才使用户运转起来。①等级体系|权益与平台生态的闭环案例：小米社区，为发烧而生用户长大路径与平台生态的闭环，用户权益引导用户行为，例如优先购买资格，无一不是为平台产品服务；基于核心用户的独家权益，加入小米开发者平台，赋予“荣誉顾问团”的称号，参与小米产品的研发过程。②荣誉体系|勋章可玩性高，可独立板块案例：马蜂窝勋章类型丰富：有基于内容、行为、用户画像等分类；有养成类勋章，还有活动类勋章；同时有分为限量&非限量；板块独立，与等级/虚拟货币系统是独立又互相作用的关系；勋章具有长大性/周期性/稀缺性。（时间段内获取某等级勋章，时间段之后未答要求勋章降级）；排行榜关联勋章，趣味性和刺激性更强。③虚拟货币|虚拟货币和等级之间应互相借力案例：滴滴滴币，虚拟货币系统，早期获取快消耗价值大，对用户的实际意义显著；新版会员，长大规则明确，升降级及权益明晰，然而对用户的吸引力低；例如套餐优惠不明确，免费升舱升级到优享不显著，快速通道体验差；若将滴币引入权益体系，效果应该不错。④付费会员|内容平台变现新模式案例：爱奇艺/腾讯强内容导向的平台可尝试付费会员产品，目前来说并不适用于趣头条，但可以作为高阶用户的付费转化尝试；“粉丝+IP+付费会员”模式产生的强大变现能力，和品牌传播能力。除此之外，为了使用户体系之间进行运转，仍有很多手段，如权限系统、积分系统、任务系统，而这些手段的出发点均是为了使用户体系可以运转起来，使之相互间可流动。三、搭建用户长大体系的5大步骤1、制定级数用户体系的搭建与产品的类型有着密切关系，首先，我们要分清用户体系在产品的生态中属于辅助型还是产品型。辅助型的用户体系多见于电商类的产品，例如：淘宝，京东。这类产品的特点是：用户体系是伴随着产品核心功能的完成而不断长大的，它并不是决定产品成败的存在。而产品型的用户体系则大部分存在于社区类和游戏产品中，例如：知乎、小红书、百度贴吧。在这类产品中，社区的热闹氛围和内容质量决定了产品的走向和未来，它所搭建的用户长大体系直接与产品的核心功能连接，产品的功能也围绕用户体系来打造。通过不断引导用户长大，促进用户在社区内的活跃，通过产品功能的阶段设置，激发用户主动长大，从而获取更多的权限与资源。2、设定关键指标关键指标的设定要与产品的核心功能与定位联系起来，看产品重点关注的是哪些用户行为，以及希望用户完成哪些操作，达到产品的最终目的。只要是与产品价值有关，并且在用户行为中能发挥关键作用的，都可以被作为关键指标，“如何将这些指标的权重合理分配？”才是需要关注的重点。3、规划用户行为规划用户行为就是指：围绕上一步设置的关键指标，在用户完整操作路径中找到与关键指标相关联的动作。比如将用户活跃度设置为关键指标，那么，与用户交互行为相关的行为像点赞、评论、转发、收藏、关注数、好友互动量等都可以作为参考行为。4、用户行为量化将纳入长大体系的用户行为进行拆解量化，将量化好的数值与体系中用户升级的数值进行匹配，首先需要将用户行为量化为一个统一的数值，例如：经验值、积分、长大值。设置好后模拟用户行为的全过程，并计算一个用户可一次完成操作可获得的最大和最小积分。从而根据产品的周期与运营策略，确定用户升级所需要花费的经验数与合理的升级天数，并制定上限。5、诱导用户完成这些行为产品要有目的地引导用户完成这些行为，需要注意这些行为的操作门槛不能太高，要具备可实现性，用户成本要低于用户获取，才能产生动机。在引导用户完成这些操作时，除了初次进入APP内的引导页，之后还要有针对性的提醒用户这些行为，例如：每日签到提醒，成就达成奖励。比较常见活动运营的还有向普通用户开放一些高级用户体验资格，吸引他们产生行为，用户在完成规定量的行为后，即可获得一定的限时体验资格，如七天高级会员体验。四、用户长大体系的4大原则1、体系的独特性产品的用户长大体系要能够体现产品的特色与核心功能，其中的元素和机制应尽量体现产品的独特性，例如：小红书的长大体系，从名字到icon都充满了产品特色。2、浅入深出原则入口门槛不能太高，打击用户积极性；同时出口不能太浅，一方面不符合长期的运营策略，另一方面挑战性太低也会降低用户的参与度。这也说明设立的体系要尽量可拓展，可延伸。3、收支平衡体系的量化指标要维持在一个基本的水平上，除了积分发放规则外，也要设置积分的回收(消耗)规则，来维持体系和产品的正常运转。尤其是在高频次，需求大的产品上要注意积分的回收问题。4、用户分类不同长大阶段的用户要进行分类运营，针对该层次用户使用不同的激励策略。针对新用户的激励政策可以主要围绕一些快速升级，功能体验，适当补贴等展开。而针对活跃用户的激励政策则可以专注于提升曝光度，IP打造，情感关怀，不定期福利等展开。五、总结用户长大体系的搭建要贯穿产品的周期，所以要综合考虑用户端与产品端，通过分析用户行为，提炼产品核心定位，找到两者之间的切入点，从而按照上面的步骤和原则逐步搭建并完善一个属于自己产品的独特的可持续发展的用户长大体系。如果要说用户长大体系的作用，它大概就像是盘山公路上适时出现的指路牌，引导用户不断前进，最终达到产品设定的目的，与此同时用户也可以欣赏到山顶的好风景——产品价值。

即时翻译 谷歌智能技术弥合人与人交流的语言鸿沟

3月，谷歌在Chrome浏览器上推出了“实时字幕（Live Captions）”功能，该工具使用机器学习为各类视频或音频剪辑创建即时字幕，为失聪和听力障碍的人提供更多访问互联网内容的机会。

过去，字幕要么是针对视频格式预先编辑的，要么是由后期人员编写即时字幕并在电视上播放，但现在“实时字幕”将改变这种情况，只需在屏幕上轻点几下，任何用户都可以能够获得即时准确的音视频字幕。

谷歌的“实时字幕”是一种自然语言处理技术（NLP），属于人工智能，它使用算法来促进人与机器之间的某种“交互”。NLP帮助我们将人类语言解码为机器语言。

智能计算的历史

要了解NLP的历史，我们必须回到现代最具创新精神的科学家阿兰·图灵的故事上。1950年，图灵发表了著名论文《计算机器与智能》，讨论了计算机有意识和会思考的想法，声称没有令人信服的论据可以证明机器不能像人类一样思考，并提出了“模仿游戏”（现在被称为“图灵测试”）。他提出了一种衡量人工智能是否可以独立思考的方法，如果它能够以一定概率诱使人类相信它可能是人类，那么它可以被认为是智能的。

1964年至1966年间，德国科学家约瑟夫·维森鲍姆编写了一个神经语言编程算法，名为 ELIZA，该算法使用模式匹配技术来创建对话。例如，在与“医生”计算机对话的脚本中，如果患者对计算机说“我的头疼”，医生计算机会用类似的短语回答，例如“你为什么头疼？”该算法使ELIZA成为最古老的聊天机器人之一。

1980年代是NLP产生的主要转折点；过去，ELIZA等NLP系统基于一套复杂的规则形成对话，而 人工智能无法自行“思考”，而是有点像聊天机器人，使用“预设”响应来适应对话情景。

到1980年代后期，NLP专注于统计模型，帮助其根据概率形成对话。

智能翻译如何运作？

用于语音识别的现代NLP技术包括一些常见的原理，例如说话声识别、声音识别、语种识别和日常记录，还可以区分说话者。

“实时字幕”使用了3个深度学习模型：两个循环神经网络RNN（一个用于语音识别，另一个用于标点符号），还有一个卷积神经网络（ CNN），用于对音频事件进行分类。这三个模型发送的信号定义了整个翻译的形式和轨迹，即使存在音乐声，它也能顺利识别。

当识别音频或视频格式的语音时，会触发自动语音识别系统，允许设备开始将单词转换为文本。当此对话停止时 ，例如在播放音乐时，系统将停止工作以节省手机电量，并且屏幕中显示“音乐”一词。

语音文本转换完成后，一个完整的句子加上标点符号，标点符号会不断调整，使系统计算的结果不干扰完整句子的含义。

目前，“实时字幕”只能创建英文文本的指示性翻译，并且还在不断改进中，总有一天会扩展到其他语言。不过，Google Meet上现在可以使用旧版本的西班牙语、德语和葡萄牙语字幕。

语言代表着人与人之间交流的巨大鸿沟，而科技具有将人们聚集在一起的惊人潜力，自然语言处理技术可以弥合人与人之间这些鸿沟，共建美好未来。