面对新的工程方法，一方面在产品规划阶段通过社交数据进行市场需求捕捉和产品研发决策从而提升产品个性化程度，另一方面在产品研制阶段通过设计、制造过程数据进行知识沉淀从而提升制造系统的智能化程度，最后一方面建立基于画像技术的产品建模方法，实现基于全生命周期数据的语义建模。

第一节.基于社交网络的需求捕捉

社交网络的兴起改变了中国人购物的习惯，越来越多的消费者热衷通过了解社交媒体中其他消费者的经验和观点，帮助自己做出选择并作为购买汽车的依据。社交网络的消费者行为直接的反映了产品的需求，厂商可以根据客户需求为产品研发提供决策支持。

但社交网络特点是一方面绝大部分数据都是非结构化的，如图片、视频、文字或表情，需要通过大数据算法识别与解析视频与图片中的价值信息；另一方面需要通过大数据算法建立自学习功能的分词库，可以根据产品功能和特点进行自动扩充和完善。

以美林数据公司某企业产品研制决策项目为例，通过门户网站、贴吧、百科等社交媒体获得消费者关于自身产品或竞争对手产品的关于价格、功能、服务质量等方面的评价，一方面看出不同区域消费者对产品理念和功能认可程度，另一方面看出与竞争对手从产品功能、价格和服务质量的差异，从而为产品研发和销售推广提供量化的参考依据。

智能制造的本质是人类的智慧向制造装备转移的过程，自动化取代了低端的以付出劳动为主的工人，智能化则取代中端的以付出经验为主的工人，反过来说从制造装备过程提取知识就成了智能化的最大前提。站在知识管理的角度，根据知识能否清晰地表述和有效的转移，当然不是转移给人而是转移给机器。

在维克托·迈尔-舍恩伯格撰写的《大数据时代》（中文版译名）中明确指出，大数据时代最大的转变，就是放弃对因果关系的渴求，取而代之关注相关关系。也就是说不在需要知道“为什么”，而需要知道“是什么”，这实际上跳过了隐性知识难以表达难以转移的根本问题。

以美林数据公司的某钢厂质量控制项目为例，产品生产过程涉及七个阶段三十四道工序百余个工艺参数，客户希望对产品的性能指标满足抗拉强度480MPa，延伸率35%。传统模式下，即使同样设备同样的生产过程但不同人采用不同的控制方法其质量也存在波动，主要依靠工艺和调度人员的经验，而这些“不可言传”的经验就是知识，更进一步如何根据化学成分不同，上一步检测结果不同，从而动态调整下一步的控制参数实现真正的“智能制造”。

“画像”这一概念，最早诞生于互联网用户研究领域。随着互联网和大数据技术的发展，企业获取用户更为广泛的反馈信息成为可能。为了进一步精准、快速地分析用户行为习惯、消费习惯等重要商业信息，指导互联网产品的研发、设计、推广、营销，“用户画像”这一概念在互联网行业悄然而生。

“产品画像”的核心概念是：对研究产品对象信息的标签化、数字化表征，即通过数据分析、提取、归纳，形成可以准确描述研究对象属性、特征、性能等信息的标签库，利用标签完美的抽象出研究对象的信息全貌，并能够有效支撑实际应用场景的执行。

“产品画像”构建的核心是高度精炼的抽象出研究对象的标签。标签化的目的一方面是对多维信息进行标签化聚合，方便使用者理解；另一方面，标签本身具有准确性和非二义性，利于后期计算机的识别、分析和统计。

文丨于洋，美林数据技术总监。

　APP生命周期缩短至40天

报告数据显示，随着各类APP的爆发式增长，APP的生命周期整体持续缩短，单款应用生命周期从2012年6月的200天，降低为2013年5月的40天。

此外，APP日均活跃用户数下降，新用户增速放缓，整体的用户留存率状况都呈下降趋势;用户留存率的下降也将使广告展示量降低，从而降低广告收益，目前iOS应用的用户留存率高于Android应用留存率。

伴随着APP爆发式增长，用户时间精力分散，给单款应用投入的注意力更少。用户粘性下降、应用生命周期缩短、用户留存率降低，均导致应用的广告展示量减少，使得开发者盈利更为困难。

移动广告平均点击率不足1%

Q2艾德聚合统计到的广告平均点击率均值低于1%，根据报告选定的研究平台显示，最高的移动广告点击率为1.28%，最低的则仅为0.29%。

此外，多数移动广告平台表现不稳定，容易出现填充率不足的现象;填充率影响广告展现，日均展示量10万以上的应用很难依靠单一广告平台获得高收入。

根据对上万个开发者调查：逾70%的开发者只嵌入了3个或以下的广告平台，由于多数广告平台存在填充率不足的现象，当1-2家广告平台表现不佳时，应用营收优化的空间相对有限，开发者可以考虑接入多家广告平台。

此外，第二季度，同等量级的应用日均收入iOS平台略好于android平台。iOS平台上日均展示量在100万的APP，日均收入为481元;同样展示量在android平台上的收入为400元。

实用工具和生活方式类APP点击率较高

根据App store上的应用分布情况可以看出，游戏类应用最多，占比达27%，其他各类应用分布较为平均。应用排名前300可以看出，排名在300以内的游戏类应用占比竟达86%。

尽管如此，但是根据报告对7大类24小类的应用统计整理发现：目前整个大环境下，APP的点击率和转化率普遍不高。相对来说，实用工具类APP点击率最高，其次是生活方式类。想营收更多的开发者们不防多开发这方面的APP。

在之前的文章中，我们已经讨论过游戏平台在许多方面类似于国家这种概念。这两种实体都有特定的规则和制度，发展和没落周期，竞争和税收。我们认为与国家和社会一样，游戏平台的发展模式也呈现出这些特点。

无论是哪个平台，都回避不了一个基本而重要的问题：“如何分配我的预算？”随着平台周期中成功因素的不断变化，这个问题的答案也不尽相同。这里存在一个明显的模式。

早期平台营销第一，成熟平台产品为王

在平台发展早期，人们对平台特定情况知之甚少。用户和消费者多数不了解与平台相关的情况。新技术进入市场总会瞬间产生一种信息短缺。用户必须适应平台。最初的市场没有太多媒体资源，好友之间的口碑传播也需要一定时间才能成型。因此，平台初期的检索机制和筛选功能力量甚为薄弱。

这种信息短缺现象也会延伸到平台所供应的产品，即我们所说的游戏。在社交网络发展初期，在Facebook平台上挑选游戏的用户好比是初到某个国家的游客，在没有旅行向导的情况下，茫然不知该选择哪家餐厅就餐。

潜在用户要依靠营销来制定自己的决策。Zynga所掌握的优势使其深谙此道，该公司成功营销推广了无数的“Ville”游戏（这些游戏之间相差无几）。他们早期在营销上的投入得以让公司在社交游戏市场占据重要地位。

新平台的圈地运动

但影响用户制定决策的因素也在随时间发展发生巨大变化。随着一个新生态圈的发展，人们可获知的信息源也在随之增加。用户逐渐与行业中的公司重复打交道。用户不但可以获得自己所需的信息，还可以根据自己积极的经验和教训来帮助自己挑选游戏。

成熟平台拥有理性用户

成熟平台拥有已经玩过许多游戏、经验丰富的用户。他们知道游戏所有者的声誉，并且能够轻易鉴别出游戏的好坏。在此，品牌和专营权更为重要。即使用户缺乏经验，媒体（游戏邦注：包括游戏杂志、网站、博客和论坛等）也可以提供大量参考信息，提供筛选和检索工具。好友们会在Facebook或酒吧聚会时讨论社交游戏。用户现在可以根据产品质量而做出理性的选择。Supercell和Kingm.com等公司就是这种情况的赢家。这两者都高度重视游戏质量，正如Supercell首席执行官Ilkka Paananen在最近采访中所言“现在产品质量和产品本身更为重要。”

最佳产品会在成熟平台胜出

总之，开发商和发行商若要取得成功，就必须跟随平台自然发展的潮流。在平台处于稚嫩时期要关注营销策略，并利用早期积累的成功要素和用户基础来打造最佳产品。

via：游戏邦/gamerboom.com编译、

许多营销高管，都迷信一个称为生命周期价值模型的公式——LTV。生命周期价值是一个产品随着时间推移，该产品对于用户的价值所产生变动的值，生命周期价值公式在表面上看起来是非常正确实用的。生命周期价值公式通常用于估算在未来，用户愿意为产品支付的价格，如果这个价格是朝上发展的，公司自然有理由全力开展市场营销去刺激产品的市场发展，直到到达该产品市场用户支付的最终“顶端”。

以下就是生命周期价值模型的公式——LTV的完整计算公式：

关键统计数据如下:

· ARPU (每个用户的平均收入average revenue per user)

· Avg. Cust. Lifetime, n (表示逆向的生产, n=1/[年生产])

· WACC (加权平均资金成本weighted average cost of capital)

· Costs (在给定时期内，对支撑用户的成本)

· SAC (用户采购成本subscriber acquisition costs, 有时为CAC = 客户获取成本customer acquisition costs)

生命周期价值公式LTV如果使用得当，是一个非常好的，能用于监控变量的战术工具来,特别是对于跨渠道的市场计划。但是，就像其他模型一样，它的计算方法也是建立在一种假设的基础上，因此LTV公式也可能受“溢出效应”的影响，而出现或多或少的计算偏差。所以管理者在使用计算模型去制定战术时，一定要了解模型的本质，从而去规避计算模型的缺陷。使用计算模型时，你应该有一个清楚的认识：计算模型都是建立在假设的基础上，很多未纳入计算的潜在因素，在不同的情境下对计算的影响是完全不同的，这会使得计算出现或多或少的偏差，你可以运用某个计算模型，但是千万不能迷信它，否则就是教条主义了。

要想使用好生命周期价值公式LTV，就得注意以下十个问题：

1.LTV只是辅助工具，不是战略图。把LTV放在太重要位置的管理者都忘了，LTV并不能创建可持续的竞争优势。在使用LTV时千万不要混淆“输出”与“输入”的概念，LTV只是一个测量工具，用来测试公司的营销花费的有效性。如果凭借LTV去制定公司战略，管理者可能会进入盲目追求短期利益，急功近利套现的误区。所以，不要盲目的根据LTV去制定战略，LTV只是一个所有商学院毕业生都会用的分析工具，并不是你的竞争优势。

2.LTV模型必须遵循合理化的营销支出。营销高管们都喜欢大预算,因为大预算能使得营销有效性容易达到成长顶线。“松散”的LTV公式需要短期盈利能力去“证明”它的价值能够继续增长——现在的投入，是未来赚钱的基石。这种情况会造成一种资源极端浪费的情况产生——营销高管们为了证明产品价值生命周期的顶线是很高的，就会在一段时间内花费大量的资源去制造一个高的短期盈利数据，以此来拉高出一个虚假的顶线，以至于经过LTV计算，会出现资源投入不合理的情况出现。在LTV上，短期盈利是可以做手脚的，但这会大量浪费公司资源，最终造成不合理现象，所以营销支出的合理性在使用LTV时必须要注意。

3.计算数据可以自由选择，但是必须抓住LTV模型计算的核心。经常有相同的组织和业务，用LTV计算出不同成本的情况，可以看出LTV模型的自由度是非常大的。例如,营销者经常把所有花费的总成本当做SAC (用户采购成本)纳入公式计算，而不仅仅是这些客户的纯粹“购买”成本，但是很多成本都不应该本包含在SAC中去用作计算，并且,许多折扣revenues(收入)，不应当纳入边际现金计算作为数据贡献。LTV模型计算的核心理念是——把未来所有可能的可变的支持客户的成本，用来估算未来可能获得客户回报的贡献。有许多公司在采用LTV时，都忽略了对未来成本的正确把握，你必须有真实的未来成本数据，才可能获得一个真实的未来收入结果。LTV的统计数据不在于“好看”，而在于“真实”。

4.业务不是物理学，公式不是绝对的。LTV的狂热者们，经常引用LTV的计算模型，去信心满满地说明自己的营销理念。但是，对于商业计算模型而言，你不能像在说明物理问题那样轻松的去引用一个公式就去说明一个问题的正确与否。LTV模型本来就是一个假设，所以你通过LTV证明出来的营销方式也只是一个假设而已——你通过LTV所证明的一切都不是实例或者定理。与物理计算不同，在商业上，计算模型永远只是决策的辅助，而不是商业决策的定理。

5.LTV模型中，变量的关系。这可能是最重要的一个问题了,它决定了LTV模型是否会最终破裂,是否能规模化的，无止境的去计算数据。比尔盖茨也十分喜欢用LTV模型去计算问题，他也受困于公式中变量的关系，这感觉就好像是你用一根绳子(计算方法)操纵许多匹“马(变量)”去跑向目的地(计算结果)。Tren Griffin的观点是，变量在LTV公式中是相互依存，不独立的,它们是一个过于简化的抽象现实。例如，如果你试图短时间内增加市场营销费用,你的SAC (用户采购成本)就会上升，产出可能也呈现出一种激增的状态。总之，在计算时，你必须用你的“绳子”拴好你的每一匹“马”，否则你就不可能到达“目的地”。

6.有的时候，高速成长得到的只是不堪重负。举个例子，如果你期望你的公司今年做到1000万的收入，并且明年有2000万收入的计划，并且第三年打算让收入达到4000万，为了这些伟大的目标，你自然需要大量的投入市场营销成本。我们假设你获得收入所需要的成本为收入的50%，那么接下来你的投入就是第一年500万，第二年1000万，第三年2000万，经过计算你就会发现，供给和需求分析表明相反的结果，这种高投入大增长的理念会使得你的SAC (用户采购成本)减少4倍。当你试图购买越来越多的一个有限资源,这个资源的价格将呈现固有的增加模式，让你越来越难以承受。这就好像是购买百度的“关键字”一样，“关键字”的资源是有限的，但是购买得越多，购买它的成本也就越高，最后你会发现这种营销成本是开支巨大，并且不划算的。

7.顾客可能在你模型计算出的不佳点位，出现意想不到的购买时机。有的用户通常有更高的NPV,更高的转化率，甚至你不用投入那么多营销费用，就可以刺激某些客户的大量购买。说白了，顾客是人，他的购买行为肯定是呈波动的，包含非理性的因素在里面，而LTV模型完全否定了这一点，当然，用一个纯理论的公司去计算包含不确定因素太多的人类行为在里面，难免会出现计算偏差，但这中情况可能会导致公司错失好的市场销售机会。所以在LTV计算模型的基础之上，我们还要考虑品牌，环境等，能对顾客主观购买产生影响的东西。

8.永远不要沉迷于营销带来的市场增长。想想看，如果你经营一个公司,花费上百万的美元用于市场营销,难道你就一定能发展得更好?当营销达到一定效果后，我建议你可以暂时抛开LTV这个死板的数学模型，把钱和资源用在更好的地方——去建立更好的用户体验，用更多资源去优化你的产品和服务。如果你完全用LTV模型去思考问题，那么你扩展市场的主要资金，都将放在市场营销——这无疑是错误的，并且不利于企业长期发展的。还是那句话，计算模型永远只是决策的辅助，而不是商业决策的定理，千万不能舍本逐末。

9.痴迷于LTV模型，只会蒙蔽你的双眼。如果一个公司决策时太依赖于LTV模型,那么LTV将会变成一个“眼罩”,限制住公司的创造力和开放性。例如，一些当下最有效的市场营销，病毒、社会和有效的公关(公共关系)营销，都是LTV模型所不能估算的。而痴迷于LTV模型，已经让许多公司在如今的互联网信息时代，错失了良好的营销机会。LTV只是工具，用在它该用的地方即可，千万不要教条主义，把它作为你的营销战略指导。你要“用”LTV，而不是被它牵着鼻子走。

10.不要妄想通过LTV，去确定营销的投入与产出。还是关于“溢出效应”的问题，市场营销本来就包含了太多不确定的因素，而LTV本身又想用一种理想化的状态去确定市场营销所能获得的结果，这本身就存在了极大的风险。LTV既不考虑市场经济周期，也不考虑你的股东是否会克扣你的营销成本，更不能把你的具体营销效果纳入计算，简而言之，它只是一个理想化的市场营销计算工具而已。

许多市场营销的高管，都喜欢挥舞LTV这把“大刀”，但最终他们“砍倒”的可能只是自己。LTV由于其能把“市场营销输入与产出关系”这种极其不确定的事件具体数值化，变成一个貌似可计算，可确定的结果，所以大受欢迎。但是，LTV不是万能的，他只是一个理想化的数学模型，一个商业工具，与你的办公工具PPT和WORD没有本质的区别，所以，千万不要把它神话了。

via i黑马