从产品角度分析元宇宙(这玩意到底是啥)

大家好，今天小编来为大家解答从产品角度分析元宇宙这个问题，这玩意到底是啥很多人还不知道，现在让我们一起来看看吧！

本文目录

1. 怎么看数字人和元宇宙的关系
2. ***元宇宙***火了***这玩意到底是啥
3. 产业思维与产业分析
4. 数据分析能力模型

怎么看数字人和元宇宙的关系

虚拟数字人与元宇宙的关系，虚拟数字人是构建数字身份的基础。现实世界的玩家，在虚拟世界需要一个“代理”的数字人。这个“代理”的数字人的定义就叫Avatar。

数字身份位于元宇宙五大经济数字身份、数字资产、数字市场、数字货币、数字消费要素之首。在以往游戏这类虚拟世界里，现实世界的人和物多以卡通形式出现，神似形。不似元宇宙出现，就是让虚拟世界会更加真实，让现实世界的人和物在虚拟世界产生镜下现实世界的静态物可以通过2 d相机和扫描等技术进行镜像。而人是动态的，其动态不像植物那样有规律可循。要想解决在虚拟世界镜像问题，只能通过虚拟数字人。虚拟数字人是现实世界的人，在虚拟世界的化身，是让虚拟世界更加真实的重要保障，也是现实世界和虚拟世界产生互动的重要媒介。

“如果说元宇宙是数字化的终极形态，虚拟数字人就是人这个主体的数字化。”虚拟人产业从业者普遍认为，虚拟人相当于元宇宙的基础设施，在人类向元宇宙移民时，虚拟人就是大家的数字分身。

按照这一逻辑，虚拟人应立足元宇宙之上，可现在显然是元宇宙未至、虚拟人先行。在元宇宙连雏形都远未建成的情况下，架空的虚拟人已经开始“在线接单”，甚至造出了千亿的市场规模。

先后顺序倒置，依然要归结到虚拟人在C端用户的价值难以落地。元宇宙风口之下，虚拟现实产业向C端消费市场进军的脚步正在加速。

***元宇宙***火了***这玩意到底是啥

元宇宙，英文名Metaverse，是一个平行于现实世界的虚拟世界。

从概念层面理解，目前元宇宙定义很多，但大致相同的说法是：元宇宙是利用多种科技手段进行链接与创造的，与现实世界映射、交互的虚拟世界，是具备新型社会体系的数字生活空间。

从技术层面理解，它是由5G、区块链、云计算、3D引擎、VR/AR/XR、数字孪生等多项互联网前沿技术融合，构成的基于真实世界的虚拟空间，并可与真实世界产生链接和互动。

元宇宙的核心要素包括极端沉浸化体验、极度丰盛的内容生态、超时空社会系统和虚实互动的经济系统。这就表明随着相关技术的不断深入，元宇宙将实现极大的可延展性，或许会如同今天的移动互联网一样，影响到人们生活的方方面面，目前已经眼见为实并正逐步普及的包括：

去中心化金融：依托区块链技术，实现资产的数字化，存钱取钱包括贷款无需再跑银行，一切皆可线上进行；个人资产更加安全明晰，重要实物资产也可上链确权，所有财产数据化。

NFT-元宇宙创业：毫无疑问的是，以元宇宙为依托的资产数字化，必将推动NFT产业繁荣，一切皆可NFT，现实世界中的所有物品均可转化为元宇宙中的虚拟财产，这就需要一大批元宇宙虚拟资产的自由创作者，发挥自己特长为元宇宙世界繁荣添砖加瓦，成就一种新的自由职业。

元宇宙虚拟办公：不同于传统远程线上办公，元宇宙虚拟办公可借助3D场景搭建和虚拟数字人、AR/VR等虚拟技术，实现沉浸式的线上办公，在一些专业线上办公软件的加持下，可以实现更好的现场协作办公、沟通，甚至比当面沟通更加高效，未来在家就可实现真正的上班。

元宇宙会议会展：这是当下企业级应用比较多的一种形式，通过3D场景、云算力、虚拟数字人等技术，实现跨时空、沉浸式、多元互动的数字会议展览，省钱省心省力，更高效。

……

诸如此类，元宇宙带给人们工作、生活的变化将是革命性的，效果也正逐步突显。基于各种新需求，国内一些多接口元宇宙生态平台也逐渐出现，比较具有代表性的是百度希壤、云控蜂核#11维空间#等，虚拟城市街区规划，多生态多场景多应用空间融合，基本都是以个人元宇宙体验为核心，链接企业级元宇宙应用需求，实现闭环可持续的元宇宙生态建设。其中11维空间还开通有个人艺术空间、家园空间、体育空间、三国文化空间、时光复刻、《萌宠向前冲》游戏空间等，生态和玩法十分丰富多样，并可赋能UGC创作者数字资产流转。在安卓或ios端均可畅玩，通过安卓或ios端应用商店搜素11维空间，即可很方便下载畅玩。

产业思维与产业分析

    什么产业，什么是产业经济，产业结构有哪些？只有掌握这些基础概念与框架才能形成产业思维。产业是社会分工的结果，产业经济是居于宏观经济与微观经济之间的中观经济，是宏观与微观的纽带。了解产业，通过产业才能的在国家大势之下去实现个体的价值最大化。

    先生以《文汇报》作为开篇课前秀，从三个标题引出对不同产业的分析与思考，这就是产业思维，由点及面，由浅入深，通过事件的表象看清整个行业甚至全球经济的形态，这才是所谓的大者格局，智者远见。接着从元宇宙、中国的人口现象、低欲望、网红等课前秀带领我们从产业的角度去思考，逐渐建立产业视角。

    这几年最火的就是网红经济，全民掀起了直播带货的热潮，也给大家造成了直播很赚钱的假象，如李佳琦双十一首日销售额达到106.53亿元，薇娅偷税漏税被罚13.41亿等等，反还中国大部分的普通民营企业，一百多号人一年到头辛辛苦苦才有几千万的营业收入，对比这些上亿数字背后看大家似乎看到了网红经济一片蓝海。可通过先生从产业的角度去分析，中国的网红经济只不过是冰山一角，对比那些世界五百强，一个沃尔玛就能抵十倍的中国网红经济。原来各类直播平台、短视频平台的那些大V也只不过是赚了吆喝，到底能赚多少钱只有自己知道。可见，当站的高度不一样，看待问题的思路就完全不一样。从产业规模和盈利能力上来说，网红产业再红，都是暗淡的，电影产业再炫酷，也是苍白的。

    怎样分析一个产业，如何搞懂一个产业？

Smart模型：

1、规模与结构（scale and structure）

2、盈利能力（model of business）

3、资源分布（asseta）

4、行业惯例和规则（rule）

5、法律与监管（regulation）

6、技术（technonlog）

企业家和投资家必须建立的产业思维和产业认知

1、沿着人均gdp的变迁轨迹寻找产业机会，回避行业风险。

2、沿着人口结构的变迁轨迹寻找产业机会，规避行业风险。

3、科技创新是产业变迁的决定性力量

4、资本市场是产业兴衰和产业换代的重要推手

5、产业整合、走向集中是产业发展的必然趋势

6、确立“产品竞争—产业链竞争—产业生态竞争”的竞争思维。

7、洞察“产业边界清晰——产业边界模糊——自设产业边界”的企业变迁趋势

8、人工智能将改变一切产业

9、数据成为关键的产业资源和核心资产（积累经营数据的价值大于利润）

10、中美争端引发产业大变迁

11、以历史性远见看到中外产业竞争态势的大趋势

12、从产业政策里寻找黄金屋和颜如玉

13、产业是“想”出来的

14、从问题中发现产业机会：哪里有问题，哪里就有机会，哪里问题大，哪里机会大

15、利用上市、再融资和资本市场估值中判断产业偏好

16、以产业代表的身份寻求产业+

17、产业与商圈一体化共生

18、区域产业分工、国际产业分工与产业机会

19、人类的产业空间范围正在伸向太空

先生提供了模型与框架，接下来的就靠我们每个人的自身修炼与学习了。每次学习都是在给心里种下一颗种子，只要我们愿意花时间和精力去培育这一颗种子，相信一定会长成参天大树的。

我一直活在微观里，没有先生的那种格局与远见。但我试着用产业思维来分析我微观的生活，似乎有了新的开局。一个国家需要不同的产业结构才能保证国泰民安，需要不断调整产业形态才能促进国民经济不断增长，需要丰富产业文化才能永葆国家实力。同比，于个人而言，我们不同的角色就如一个个不同的产业，而这些产业合理有限的组合才能形成一个完成的个体，我们不能缺失任何一个角色，只是在不同时期每个角色的侧重点一样，就好如战国时期国家提倡重农抑商。只要我们把握好每个阶段每个身份角色的关键，我想应该能规避很多人生风险。

数据分析能力模型

「过去」以往在增量时代，每天都有新的领域、新的市场被开发。尤其是在互联网、电商等领域的红利期，似乎只要做好单点的突破就能获得市场。这个蛮荒时代，业务运营主要依靠是经验和直觉驱动。比如跨境电商领域初期，凭借世界工厂平台的优势，国内厂家似乎只需基于经验选品即可大卖。

「现在」但是随着规则的成熟，更多玩家的进入，市场从蓝海变为红海，进入到存量期，仅靠经验驱动的增长模式不再有效。还是拿跨境电商举例，由于卖家的剧增，海外市场的饱和，跨境电商就进入存量运营时代，已经不存在绝对的蓝海市场，每个细分领域都有许多竞争对手。此时，要求商家从粗放运营转为精细化运营，也就是用数据分析报告决定市场是否值得投入，用数据选品，用数据做经营分析，用数据库存管理。

当然，不是说纯定量的数据分析决定了一切，经验就不重要了。而是说在决策的过程中，数据结论占据的比例与以往相比更大，同时业务经验也是必不可少的部分。

「未来」互联网逐渐成为“传统行业”的未来，人工智能、元宇宙等由数据驱动的行业越来越依赖数据分析。还有众多制造业亟待数字化转型，以期在全球供应链中提高制造环节的附加值。也就是说，在未来，数据驱动业务将更频繁。

数据分析的本质是「沙盘演练」：战场上，指挥员们在指挥部的地形模型前「推演」敌我双方的趋势确定作战方案；商场上，管理层通过数据间的运算关系「推断」运营的发展进而做决策。

基于这样的定义可以知道数据分析的目的是为了做对当下运营发展有利的决策，那它是如何做到的呢？为了解答这个问题，可以从前面的定义中引申出几个关键概念：数据，运算关系，推断，决策。

最通用的理解，数据是被存储起来的信息。从应用的角度，数据是把事物做量化处理的工具，万物皆可数据化：数值数字是数据，文本、图像、视频等同样都是数据。

按字段类型划分，可以把数据分为：

按结构划分，可以把数据分为：

根据数据连续的属性不同，还可以分为：

孤立的数据往往没有参考价值，比如量化一个人，身高是180cm，并不能意味什么。比如网易云音乐的用户，每个用户的年龄是数据，对使用产品的人群年龄进行分段比如18-24岁，该年龄段人数占比的指标对网易云音乐来说才有价值。从数据到指标的计算过程，就是数据间的「运算关系」，也叫「指标」。

指标的作用在于「度量」业务的发展：

这些指标（点）通过一定的结构可以编织而成指标体系（线、面）衡量局部、甚至是全局的业务。

「沙盘演练」中，指挥员通过军事沙盘上的地形，及敌我双方的工事、兵力部署、火器配置等情况，分析敌情，制定作战方案。数据把现实中的运营抽象到数字世界中，通过指标体系，应用各种分析方法（业务分析、产品分析、用户分析、经营分析......），帮助经营做决策。

赵括熟读兵书，却不能活用，沦为纸上谈兵的笑话。所以获得分析能力后，不能照本宣科，要结合实际业务场景做决策。

数据分析落地涉及流程创新、变革管理，用新的思维解决业务问题。但这个过程并不是强迫变革，需要借助对业务的理解及软性的能力来使分析平滑落地。

站在“前人”的肩膀上，可以走得更远。饼干哥哥根据多年数据分析工作经验沉淀出了数据分析师能力模型，跟着它“按图索骥”，补充自身缺失的能力，最终形成独立、落地的数据分析能力。

完整的数据分析师能力体系应该包括底层认知、业务场景及能力三板斧。

在建立数据分析思维之前，应该先在底层认知达成共识。

什么是认知？是对事物底层逻辑的了解，是对是世界万物的判断，认知的本质就是做决定。也就是说，为了帮助数据分析中每个决策的有效性（选择什么指标、分析方法？接下来做什么？等等），需要先建立底层认知。

这一步，我们需要去明确数据分析的定义：数据分析是什么？目的/产出？分析流程？

同学们在求职过程中会发现，同样是数据分析师岗位，但是面试的内容千差万别，有考察机器学习、统计学等专业能力的，也有考察市场/行业分析的，还有考察产品分析的。

此时就有同学问，这些真的是数据分析该做的吗？

我们从字面上拆解，数据分析=数据分析，进一步拆：

这就是认知上的偏差：当一些同学认为数据分析就是用Excel做表、python写脚本、机器学习建模时（其实这些只是组成数据分析能力的一部分），求职市场对数据分析师的要求更为完整。

回过头来看，数据分析到底是什么？笔者认为，数据分析是一个过程，是利用数据能力做分析的过程：从发现问题、分析原因，到落地建议；这还是一个“解构”的过程：从整体拆到局部，从一般到特殊，从面到线到点，不断下钻剖析，找到具体可落地的点。

了解完什么是数据分析后，深入思考一个问题：这个过程的最终产出的交付物是什么？

要回答这个问题，我们需要回到数据分析的本质：解决业务问题。也就是回到业务层面的需求是什么，才能决定最后落地交付物：

最常见的数据分析场景，就是业务发现销售额下降、用户流失、产品跳失率高，也就是业务层面出现了一个问题待解决，此时需要数据分析师介入帮助从数据层面挖掘原因、给出解决建议。

分析过程可能是做一些探索性数据分析、统计分析、机器学习建模，甚至是做AB测试实验，最终交付分析报告，或者模型部署上线。

有时业务可能并不存在确切的“问题”，更多旨在通过加深对现有场景的理解，来提高现有业务模型、策略的效果；比如，现在业务使用的是客单价平均值将客户分为高、低两个人群进行营销，此时数据分析师通过对消费者的洞察分析，给予更精准的人群划分方案：利用客单价分位数，将客户分为三个人群，这样业务利用更新后的策略进行营销设计，提高转化效果。

分析过程可能是做相关分析、回归分析，甚至是无监督的聚类，来对现状进行解释。

按照需求的时效性，可以把业务需求分为临时需求和常规需求，而前面两者属于业务的临时需求，或者说是专项分析需求。对于常规需求，主要旨在提高业务流程的效率，比如对于电商运营中的商品库存管理业务，运营需要及时查询库存情况，并结合销售趋势对低库存量的商品进行补单；此时，数据分析师可以通过交付“低库存预警报表”来帮助优化该流程效率。

支持诊断的内容主要集中在自动化的报表，甚至是商业智能（BI）体系的搭建。

如果说前面是基于已知模式的分析，那么业务中还存在一种需求，就是对未知的探索。最为典型的场景则是对市场、对消费者的洞察后，给出品牌及业务增长的策略。

分析过程更多是基于行业、基于市场，使用如PEST、SWOT、波特五力等商业分析模型。

至此，我们知道了数据分析是什么，以及最终的产出交付物，那这个过程如何实现的呢？从落地的角度来看，数据分析是一个从发散到收敛的过程：业务理解-数据探索-分析模型-落地交付-产品生命周期

数据分析是从业务到数据再回到业务的过程，所以理解业务是数据分析的起点。

“无场景不分析”、“脱离业务场景的分析都是耍流氓”等资深数据分析师的建议无不说明业务场景的重要性。数据分析能力模型中的业务场景模型：用户-产品-场景，就是为了帮助读者理解业务场景而设计的，在这里不赘述。

不知道读者有没这样的体验？就是领导交代任务给你，或者是朋友有求于你时，执行力强的人很快就完成了任务请求，但是最后却被告知这结果并不是对方想要的？这种情况很常发生在初入数据分析岗位的新同学身上，原因归根结底就是没有做好问题定义！

在理解了需求所处的业务场景后，可以借助逻辑树工具来对问题进行拆解，拆解的过程尽量要遵循MECE、“相互独立,完全穷尽”的金字塔原理。

如果说前面定义问题是明确做什么，那在这一步就是要明确做到什么程度？

比如面对销售额下降的问题，做数据分析，最终是产出一份数据分析报告就好了，还是说需要介入到测试实验，给出增长策略？如果是后者，那对销售额的提升幅度要提升多少才有价值？是不痛不痒的1%还是要达到显著的10%？

如果不在价值层面做思考，并付诸价值落地的行动，最后很容易产生“价值在哪”的灵魂拷问，面临被优化的风险。

在业务理解阶段，我们是站在业务层面与需求方沟通，但是数据分析的核心部分都是在数据层面进行的。所以在正式开始分析之前，我们需要把业务需求转成数据需求，这个过程就是数据探索。

拿到业务需求时的定义问题阶段，需要数据的辅助：用数据透视业务，判断现状与描述是否一致。比如，业务说销售额下降了需要分析，但是这个下降是和谁比？环比下降但是同比提升，同比下降，但是和竞品相比是提升的。

这个步骤比较多的是使用探索性数据分析（Exploratory data analysis），或者说通过常见的统计指标来对数据现状进行剖析。

如果说第一步是在用数据验证需求的有效性，那这一步则是真正把业务问题转为数据需求。

此外，还需要判断数据质量及能做的特征工程，比如某些字段缺失率太高，这会影响特征的构建。

了解业务、明确数据需求后，就可以挑选合适的武器（分析方法、模型框架）上阵。

概括来说，有四种分析方法：

指标的好坏、特征是否显著等都可以通过比较分析的方法来实现，比如常见的归因业务场景，本质就是做比较，通过横向、纵向的比较找出原因。

分析方法：比如T检验、方差分析、同比环比、同期群分析等

分析变量之间的相关性是重要的分析场景。比如业务中想知道提高广告预算是否能、甚至是能提升多少的销售业绩？这样的相关性分析或许能找到最优投放ROI的配置方案。

分析方法：卡方、皮尔逊(Pearson)相关系数、斯皮尔曼(Spearman)相关系数、结构分析等

不论是对企业销售的预测、还是对用户行为的预测，都能帮助提升业务效率，比如常见的预测用户流失分析，及时得到高概率流失的人群名单，运营通过提前营销干预，提高用户留存率；常见的销售预测能帮助企业在供应链侧做准备。这类场景主要应用的是机器学习中的有监督分类模型。

分析方法：线性/逻辑回归、决策树、时间序列分析、贝叶斯等；

前面三种都是基于企业已知模式的分析逻辑，还有一种分析方法——无监督的机器学习模型，可以应对未知模式的分析。比如不知道应该把现有人群分成多少个组来进行营销最合适，就可以对人群基于核心特征做无监督的聚类分析，得出有效分组的界限。

分析方法：Kmeans聚类、DBScan聚类等；

交付落地的最佳实践是让数据和分析从理论渗透到业务中，对流程进行变革提效。

在交付给业务之前，需要先对给出的解决方案做有效性评估：

分析如果涉及模型的开发使用，需要通过AB测试，或者ROC等指标来证明模型在数据层面上的有效。在数据层面完成验证后，回到业务分析需求，评估交付的方案在业务层面上的有效落地。

数据分析是围绕业务价值而展开的，所以在最后的落地，也得就价值进行讨论，回答这个方案解决业务问题的途径和程度：

A.途径是对流程的优化（降本提效）还是对数据的优化（数据体系效率、数据质量）？

B.这方式能多大程度上帮助解决？比如对业务的提升是10%还是30%？是对单次项目的应用，还是说可以部署到日常流程中，在更长时间、更广范围内影响业务？

C.此外，要实现这样的效果，需要投入的资源是什么

分析项目的落地需要多方参与，即使是业务能力丰富的分析师，由于流程边界的存在也不可能每步都参与执行。因此，确保项目能否有效落地的一个重要因素则是能否和业务达成共识。

如何做到？讲数据故事：起因(需求定义)、过程(分析逻辑)、结局(重要结论)是否引人入胜(被认可)。

这个过程需要制作PPT向上汇报、与业务沟通，甚至是做跨部门的演讲。

不论是业务模型还是算法模型，最终都有一个“靴子落地”的过程--落地实施。模型测试有效、与业务达成共识后就到了模型的部署上线阶段：

接在分析生命周期最后的是分析产品的生命周期：以产品的思维看待数据分析，交付至业务落地的模型应用就是产品。数据分析这个过程并不是静态、单次的，而是一个PDCA不断迭代升级的过程。（这个分析产品的定义包括分析服务、数据产品。）

从产品思维的角度，分析结论落地到业务流程中，对流程进行再造，提高运营效率。

当数据分析流程成熟后，大量重复执行的流程可以抽取出来，形成自动化的产品，用于服务数据分析（主要对象为数据分析师，也包括运营），这就是数据产品。分析师的结论模型就可以部署到现有的数据产品中，优化分析效率。

之所以要从产品思维的角度来看数据分析过程，是因为要像迭代产品那样去迭代分析模型：不论是优化算法参数，还是调整分析框架，都能得到更优的结论。

在数据分析生命周期第一步的“理解业务”中，我们提到业务场景的重要性。

根据业务经验，笔者沉淀了一套便于理解的模型：业务场景=用户产品场景

也就是说，要理解业务，就要了解用户，熟悉产品，明确分析所处的上下文场景。它们决定了分析的目标、处理逻辑以及落地建议。

更详细的讨论见：回归到营销理论，谈谈到底什么是业务场景？

对数据分析有了底层认知、了解业务场景后，就需要有看得见摸得着的“招式”来行动：思维方法、工具技术和项目能力这三板斧能组成不同招式应对多变的问题。

经常看到有人说数据分析如做饭，如果是这样的话，在数据分析这个厨房里，工具技术就是锅铲、铁锅、勺子等器皿，思维方法就是切配、烹饪、打荷等技艺手法，项目能力则是最后的装盘上菜。

很多人学做饭，可能是因为在抖音或B站看到某个美食视频，然后就开始按照视频步骤备料烹饪。这个过程，也就是数据分析中学习思维方法的过程。数据分析也是先有思维方法，才能谈得上是分析。

刚开始学做饭时，通常先学基础的煎、炒、炸、烤、煮、蒸、焖、拌烹饪方式。这些基础的能力在数据分析中就是统计学、相关分析、归因分析等通用分析思维。

正如美食有八大菜系，分别满足不同地域人群的口味，数据分析在不同场景下，也有不同的“分析”招式来满足不同的业务需求：

习得了做饭的方法后，就可以选择几件趁手的器皿，来提高烹饪效率。

之所以不是先选择器皿再研究做饭流程，是因为工具始终是工具，完成同一个目标或许有多种工具可以实现，再不济我用原始的土灶也能烧饭。

不过对于部分复杂的烹饪需求，也是需要选择特定的器皿才能完成。

常见的工具技术及应用：

菜做好后一定要及时出锅、装盘、上菜，要不然再美味的菜肴也只是空中阁楼。

项目能力强调的是数据分析项目的落地。理论的分析方法如何在业务场景中落地赋能，体现数据价值？这是很多企业数据团队在讨论的课题。

说项目能力像是烹饪最后的上菜阶段，其实不太严谨，因为落地能力是一种软性的能力，贯穿分析项目的整个过程：

作者：作者饼干哥哥

从产品角度分析元宇宙与这玩意到底是啥的分析就到此结束，小编有事就先告退，希望大家天天开心。