02 youtube是什么職業類型分類詳細(python是個什么東西)

）。生產內容和培植市場都需要持續性的投入消耗大量的資本。所以第二種路徑未嘗不可以作為一種參考：

從影視（動畫）和游戲生產的PGC內容中剝離虛擬角色，然后圍繞這個有完整的人格設定（和角色設定重疊）已經有一定知名度的虛擬角色，打造大量的同人PUGC和UGC衍生內容。從而完成將虛擬角色與作品本身進行剝離的過程。最終衍生出一個虛擬偶像。

這種做法的好處是非常明顯的，首先PGC內容本身的宣發和曝光量級往往是巨大的，因此這個虛擬偶像在人群中的認知基礎要比從零做起高很多。另外尤其如果是從影視和游戲衍生出來的虛擬角色，影視和游戲本身往往是賺了很多錢的，因此發起衍生內容的冷啟動成本往往可以被很好的覆蓋。

當然，這樣做虛擬偶像也有一些挑戰，比如要形成一個獨立的虛擬偶像，需要先把虛擬偶像和PGC內容中的角色做一次剝離，而這個剝離過程其實相對困難的。因為需要做大量人格化的內容而這些內容又需要和本身的PGC的內容有個明確的分離。也就是說，虛擬偶像需要跳出角色，自己形成一個獨立的人格。（這也就是為什么，我們往往很難把皮卡丘當做一個獨立的虛擬偶像，因為他還沒有很好的和角色做剝離。）

這個過程會用到很多技巧和方法， 比如做虛擬人格的社交賬號，讓用戶可以和這個虛擬人格發生社交連接 ；或者 做獨立背景（甚至是世界觀做切割，有時候會把這個虛擬角色送進其他故事的世界觀中）的PGC/PUGC內容，讓角色和本身的內容的世界觀逐漸分離 （用人話說就是讓關公去戰秦瓊，或者王者農藥把各個時代的角色送到一個新的世界觀下面）。

當然 有些內容本身的角色設定的人格化的程度很高，用戶本身也很社交化的和角色互動 ；或者 有些內容本身的世界觀設定不是很獨特，世界觀比較輕或者比較包容 ；這兩類情況下做 角色剝離的時候會容易許多。

因此按照第二種路徑我們來看國內的虛擬偶像市場，你會非常容易的發現，其實有好幾個表面看起來和虛擬偶像關系不大的東西，要插一腳做虛擬偶像成功的概率其實不怎么小。

這邊我提兩個東西，一個是奇跡暖暖（暖暖換裝游戲），一個是在新閱讀篇里登場過的穿越君。

奇跡暖暖這個游戲很特別，因為是個換裝游戲，導致游戲的核心玩法很輕，游戲感不是那么的強。而游戲過程中大部分的時間，玩家除了搭配衣服的，大部分時間其實在做類似文字冒險游戲的線性劇情互動，而且主要互動對象就是暖暖這個游戲角色。因此很容易對這個角色產生人格化的理解。

另一方面這個游戲的世界觀設定也比較輕，剝離暖暖這個角色出來的話，難度也不會特別大。

最重要的一點是，奇跡暖暖是一個款收入與盈利非常優秀的作品，用戶的覆蓋面也非常廣（你去問問14歲左右的女孩子...）。所以如果暖暖的制作公司投入足夠的資本去做圍繞暖暖的同人PUGC/UGC內容，這些內容又以“音樂”、“舞蹈”、“MV”、“表情包”、“綜藝節目”、“廣告”等等，這些以具象的綜藝表達的內容為主的話。把暖暖打造成一個虛擬偶像的可能性是相當大的。

當然了，其實很多爆款手游都有這種可能的，比如崩壞3或者陰陽師，乃至王者農藥，只不過相對而言做角色剝離的時候會遇到一些不同的困難。

另外一個被提到的穿越君，我之前是把他們放在新閱讀這個領域的。不過他們很注重社區運營，做的時候又“蹭”了很多影視、游戲的男性角色，他們把這些角色剝離出來，做了PGC的衍生內容，又在社區里引導用戶和這些虛擬角色做社交交流。這個過程本質上是努力在把角色人格化，然后和原本的故事做一定的剝離。

這種方法的嘗試非常有趣，所以很值得關注。不過穿越君也有不小的挑戰，比如沒有原本角色關聯的IP加持，也沒有拿到原本IP方的資本支持，這個問題解決起來也會比較困難。

你看，哪怕在初音的故鄉，絆愛這種脫口秀虛擬偶像不也火起來了么。

下一個數字化大優勢，為什么是數據圖譜？

亞馬遜每分鐘賣出四千件商品，其中約50%是由個性推薦引擎呈現給用戶的。瀏覽亞馬遜網站時，算法會預測你在此時此刻想要的東西，從約3.53億商品里選出一組推送給你。

驅動個性推薦的是亞馬遜不斷演進的采購圖譜，即現實中“實體要素”——客戶、產品、采購、活動和店址等一切店鋪信息——以及這些要素之間關系性的數字化呈現。亞馬遜的采購圖譜將購買 歷史 與網站瀏覽情況、Prime Video觀看情況、亞馬遜音樂收聽情況和來自Alexa設備的數據聯系起來，算法使用協同過濾，結合多樣性（推薦商品的相異程度）、意外性（推薦商品的驚人程度）和新奇性（新鮮程度）等要素，生成世界上最復雜的推薦。憑借豐富的數據和行業領先的個性化推薦，亞馬遜現在占有美國電商市場的40%，跟得最緊的對手沃爾瑪市場份額僅為7%。

為了與亞馬遜競爭，谷歌于2021年4月宣布推出購物圖譜（Shopping Graph），一個在用戶搜索時推薦商品的AI模型。每天用谷歌搜索商品的人超過10億，購物圖像將他們與全網幾百萬商家超過240億商品列表聯系起來。這個模型的基礎是谷歌絕無僅有的知識圖譜（Knowledge Graph），在廣闊的網絡中捕捉關于實體及其相互關系的信息，包括來自安卓系統、聲音及圖像搜索、谷歌瀏覽器Chrome擴展、谷歌助手、谷歌郵箱、谷歌照片、谷歌地圖、YouTube、谷歌云服務和谷歌支付的結構化與非結構化數據。谷歌購物圖譜讓170萬商家運用簡單卻相通的工具在谷歌上展示相關商品，谷歌可以應對亞馬遜的挑戰。

像亞馬遜和谷歌這樣的數據圖譜，依賴產品使用數據（即用戶使用平臺或產品時產生的行為數據）把握企業及其客戶之間的聯系和關系。 數據圖譜的概念源于社交網絡與圖形理論，該理論將社交圖譜定義為人與人之間聯系和關系的呈現， 如朋友、同事、上司等，每個人被呈現為一個節點，關系則是點與點間的連接。這個概念出自 社會 心理學家斯坦利·米爾格拉姆（Stanley Milgram）的著作，過去二十年來，這一概念為分析組織、行業、市場和 社會 的結構與動態提供了實用的透鏡。2007年，Facebook推出同名社交平臺，讓開發者打造應用程序整合進網站信息流和人際關系連接，使得數字化社交圖譜流行起來。

領先的 科技 公司運用數據圖譜提供個性化推薦、升級產品、優化廣告等等。最成功的例子，如亞馬遜的采購圖譜、谷歌的搜索圖譜、Facebook的社交圖譜、奈飛的電影圖譜、Spotify的音樂圖譜、Airbnb的 旅游 圖譜、優步的出行圖譜和領英的職業圖譜，利用不斷收集的用戶使用數據，加上獨有的算法，從產品開發到用戶體驗等各方面甩開了競爭對手。

本文討論企業如何借鑒數據圖譜領先企業的方法，打造新的競爭優勢。

數據網絡效應

數據圖譜不是靜止不變的，反映的不是某一時間點的數據，而是數據科學家所說的動態數據。這是無法手動繪制數據圖譜的部分原因。必須利用技術，才能實時收集和解讀一家公司的產品在全世界消費者使用中產生的幾百萬份數據。

數據圖譜成功要素

數據圖譜領先企業收集用戶行為數據，并迅速用于改進產品和服務的各個方面。這些公司不停地修改為產品數據分類和標記的方法，尋找實體間的關系，以便算法更好地歸類并提供個性化推薦。公司還不斷更新算法，以最新、最相關的數據為基礎生成個性化推薦，協助吸引客戶。下面看看成功運用數據圖譜的企業有哪些關鍵行為。

傳統企業的用戶數據各自獨立儲存在不同職能部門的數據庫。為了獲取數字優勢，企業必須將數據組織成交互圖譜，可運用算法分析，生成洞察并為每一位客戶提供個性化價值。

用數據圖譜豐富產品線。 在數據圖譜方面領先的企業用購物、出行或搜索等一系列跨領域的概念，將專業知識整理為可由機器識別的圖譜格式。例如Airbnb的出行圖譜，給出了700多萬住宅的清單，打上屬性（所在城市、地標、活動等）、特征（顧客評價和營業時間等）和彼此間關系的標簽，生成更高級的推薦，不僅推薦出租屋，還可以推薦最佳晚餐場所和游覽景點的最佳時間。這種擴大產品范圍的能力讓Airbnb為顧客提供優于傳統酒店的服務，后者的數據被分別儲存于彼此孤立的部門（訂房部負責預訂房間、禮賓部負責推薦參觀、療養部負責預約按摩，等等）。同樣，奈飛也不斷改善影視作品在7.5萬個細分類別下呈現和分類的方式，Spotify的音樂和電臺節目亦然。

Facebook為了在關鍵時刻獲勝，對30億用戶分別進行了近乎實時的個性化社交網絡內容對照測試。推送內容之前，Facebook會在待推送清單中篩選，根據用戶過往行為規律，將范圍縮小至約500篇該用戶可能關心的內容。隨后Facebook會用專有的神經網絡為這些內容打分并排序，再按媒體類型整理，如文本、照片、音頻和帶有廣告的視頻等。

雖然許多公司號稱是以客戶為中心，但能像領先企業一樣善加運用數據圖譜和算法的卻很少。想一想：你的公司是否用AI算法為客戶提供不斷改善的產品，讓他們不會轉向其他公司？

開始行動

1. 制定數據圖譜戰略。 首先要讓了解行業的高管與數據科學家配合，在概念上構建數據圖譜，考察未來走向并思考可能的商業影響。很多資源沒有亞馬遜或奈飛那么豐富的公司已經做到了這一點。例如2010年一名商學院學生創立的個性化 時尚 服務公司Stitch Fix，現在市值超過16億美元，在很大程度上是因為其 時尚 圖譜。

思考本公司擁有的數據能否提供獨特的優勢。你或許有專有的數據收集法，能夠獲取其他企業無法獲得的詳細信息。也許你在數據深度和廣度上有優勢，并且可以從合作伙伴那里得到互補性的數據。你的流動數據（相對于競爭對手用于批量處理的零散數據）速度可能更快。想一想能否通過收購（如微軟收購領英和動視）和結盟（如谷歌與Shopify合作）提升本公司的數據范圍、深度和速度。

2. 建立專有算法。 獨立進行不同類型的分析已經不夠了。數據圖譜領先企業運用專有算法，在總的框架下進行描述性分析（“發生了什么？”）、診斷性分析（“為什么發生？”）、預測性分析（“會發生什么？”）和規范性分析（“應該發生什么？”）。你的數據圖譜基礎設施可以從用于分析靜止數據（批量處理、獨立分析）的傳統結構轉為分析不斷變化的實時數據。要參考行業中其他企業和同類其他算法。舉例來說，如果你的成功指標是客戶接受推薦的程度，你的推薦引擎與奈飛、Spotify和亞馬遜等領先企業相比起來表現如何？

3. 建立信賴。 管理客戶數據責任重大。大部分客戶將計算機、算法和機器學習看作復雜的黑匣子，很多人覺得數字化公司利用乃至濫用自己的個人數據大發橫財。企業必須以能夠獲得信賴的方式使用算法，而且必須獲得收集和分析數據的許可并提供價值。用消費者可以理解的語言解釋你們公司要用數據做什么。

如果消費者感到個人數據被濫用，就會對公司失去信任。企業不僅要在技術方面投入資源，還要以消費者能夠理解和接受的方式做出解釋。客戶越來越期待能增進對數字化產品的了解，以及由AI支持的服務如何實現，各國要求企業在當地法律限制內使用數據。

4. 組織升級。 企業領導者必須部署必要的資源，升級技術基礎設施，達到數據圖譜的要求。必須聘請在數據科學和商業兩方面都具備廣泛、深入知識的人才。必須將數據組織視為連接企業各部分的結締組織，認識到現代組織必須妥善應對兩個相互沖突的強力派別：一派

很赞哦!（16296）