偶然在网盘里发现 2012 年为一次培训准备的课件 《推荐产品入门》，略有一点感慨，居然已经过去了 7 年，大约有70页的内容，还准备了一个教学大纲，分享出来。

内容有一些不严谨的地方，请多包涵。

原文看公众号文章 价值 5000 元的个性化推荐产品课件

下载到完整的 PDF 文档，提取码: vznq

“汽车新零售”的目标是让客户付出资金，获得汽车的所有权或使用权，所有权和使用权都可以不完整，在“零售”语境下，客户是消费者，企业是汽车商品供给者，分别站在零售交易的两侧。更换一个“资产管理”的语境，客户是投资者，企业是投资服务提供者，两者就站在了交易的同一侧，变成了不同的故事。

“汽车”是需要管理的资产

在传统的观点里，除具备收藏价值的车辆外，汽车作为实体资产的一种，在使用过程中持续贬值，不同品牌和车型有不同的残值曲线，可以通过经验或者交易大数据得到。为车主提供实体资产管理服务，即是让车辆保值增值，对抗残值曲线。除实体资产外，还应看到“用车数据”作为一种不断增加的资产需要被关注和管理，数据有网络效应，总体价值远高于单个数据价值相加。

根据资产管理的不同阶段，分别定位出实体汽车资产服务和数据资产服务的关键：

数据是非排他性的，增值部分主要依赖匹配新市场，多次交易。在“投资”之后，很难实现“要回来”，所以处置和退出部分，基本上只能保证增量数据不再授权。

汽车即服务，Car-as-a-Service

CaaS，汽车即服务，原意是指以订阅为基础付费模式，租赁汽车固定时间使用权的长期出行解决方案。随着市场和技术发展，逐步向以订阅为基础付费模式，以不同颗粒度车辆使用权满足长短不一用车需求的客户导向出行解决方案转变。从这个角度说，涉及到“租赁”业务的，都是放入CaaS模式的范畴，如长期租赁、短期租赁、分时租赁等，甚至是融资租赁业务。

2019年6月底，凹凸租车召开发布会，将品牌升级为“凹凸出行”，对CaaS模式有这样一个阐述：

当你可以越来越便捷地触达到车辆，汽车将不再是一项资产，而转变成一种服务——可以碎片化购买使用时间，并延展到出行以外的综合类生活服务。凹凸出行正以轻资产+物流+大数据，致力成为全球领先的虚拟汽车服务商。

不将汽车视为“资产”，是因为凹凸出行采用的轻资产模式，车辆的所有权全属于车主，实际上从车主的角度来看，“汽车”依然是可以带来收入的资产。

延伸阅读：罗兰贝格《汽车即服务——车队管理解决方案供应商的中期机遇》

出行即服务，Mobility-as-a-Service

除 CaaS模式外，市场上还有一种叫做“出行即服务”，MaaS，Mobility as a Service。基本内涵是将出行视为一种可整合的服务，包括“运人”和“运货”，整个运输过程，被分解为大小不一的运输段，分别由不同的运输工具承担，而合同和支付，是统一的。时常去国外旅游的朋友，一定知道有一种“通票”，在一定的时间里，可以在一定范围内乘坐不同的交通工具，抵达任意地点，这就是一种 MaaS 。

腾讯与 whim 合作，推出了一个叫做“赫尔辛基城市行囊”的微信小程序，包括了支付、优惠、路书导游等服务，是非常好的 MaaS 示范。

MaaS模式，有一个非常关键的特征是满足出行需求的出行工具，是整合的，意味着既可以由政府或企业提供，也可以由个人共享提供，在整个层面上，所有出行工具都可以被认为是运行在MaaS模式下的资产，包括汽车、自行车、电动平衡车、游船等。

百度地图/高德地图是以导航需求为入口的 MaaS 平台，美团/滴滴是以供给为切入点的 MaaS 平台，微信钱包/支付宝是以支付和账号为入口的 MaaS 平台，满帮/快狗打车则是货运方向的 MaaS 平台。

汽车资产的飞轮效应

介绍 CaaS/MaaS 并不是为了提出资产即服务的概念，这两种模式，在资产管理的语境里，是资产变现的通道。平台型服务商即是出行服务的提供商，又是资产管理服务的提供商，多重角色集于一身，挖掘了潜在市场，也带来监管风险。

可以用下面的对称的飞轮图来表示：

汽车资产管理的认知本质

资产管理语境下的汽车新零售，是认知上的变化，呈现出下面的路径：

• 1.0、单纯消费（汽车零售）
• 2.0、融资（汽车金融） + 消费（新零售）
• 3.0、融资（汽车金融） + 投资（汽车资管） + 消费（新零售）

在这个认知下，重新拆解汽车新零售业务：

汽车资产管理的概念泛化

能支持汽车资产管理内容的各种要素，都可以纳入泛化后的资产管理中，是如何定义资产的问题，如下表：

总结

在资产管理语境下的汽车新零售，即是从“助人买车”变成“助人融资/投资/用车”

汇率不可能三角：一个国家不可能同时实现资本流动自由，货币政策的独立性和汇率的稳定性。

Libra 的使命是建立一套简单的、无国界的货币和为数十亿人服务的金融基础设施。

根据汇率不可能三角，Libra 在保证自由流通和汇率基本稳定的同时，牺牲掉了货币政策的独立性，简单说就是不能不受限制的发币。因此，除了在反洗钱方向上的挑战，Libra 还会限制使用这个数字货币及基础设施的国家地区的自由发币的权力。滥发法定货币的国家和地区，对 Libra 的警惕是必然的，同时，像香港一样本身就是追求汇率稳定和自由流通的地区，接受 Libra 相对会容易很多。

Libra 对法定货币的汇率，不会是完全稳定的，受到底层资产（法定货币及短期国债）本身价格的波动的影响。由于可以自由兑换成法定货币，底层资产中更稳定的货币或短期国债会更受欢迎，市场存在用相对不稳定资产换取稳定资产的冲动，稳定资产的 Libra 计价会上升，稳定资产的供给增加，保持住一篮子资产的整体价格稳定。举例说明：

假设欧元不如美元坚挺，市场就存在欧元购买 Libra，在用 Libra 兑换成美元的冲动，由于对美元的需求上升，Libra 底层一篮子资产中美元减少，美元相对升值，市场中就会有更多美元资产进入，最后，欧元->Libra->美元与欧元->美元的成本会基本一致。

总结一下，Libra 是一篮子国家信用资产的凭证，直接冲击的是银行结算业务，对货币独立和货币管制的国家会相对警惕，Libra 或相似数字货币的出现，会刺激底层资产竞争，让资产保持稳定，也算是奥地利学派自由发钞思想的一种变相实现。

00.前言

理解车联网需要产品视角

近十年来，中国的汽车保有量增长迅速，无论是市场环境、技术环境还是政策环境，都不断在发生变化。巨大的不确定性总是带来巨大的机遇和风险，车联网产品随着各类不同背景的厂商进入，变得热闹非凡。良莠不齐的玩家，夹杂着炒作和欺骗的各类新概念，让公众对车联网的理解变得非常模糊，即使是擅长抽象和完善概念的产品经理人群，面对快速发展的车联网市场，也很难就“车联网产品”的内涵和外延达成一致。不过对一个新事物来说，对基本定义的明确过程，也是创新产生和发展的过程。

附图：百度指数中的需求图谱

研究方法

本文尝试用一个定性的分析框架，从产品视角来理解车联网产品，大致分成以下几步：

1、列举正在发生的可能影响车联网的事件
2、建立围绕“车”的基本模型，推导出“车联网产品”的场景
3、结合 1 和 2 的结论，得到“车联网产品”的基本架构
4、通过“车联网产品”的基本架构，分析BAT的实际产品布局
5、预测市场，给出一般性建议（可能滞后且无用）

01.推动变化的事件列举不完全

建立一个四象限图，横轴是对产品影响的不确定性，纵轴是影响的高低，将事件分类为“技术”、“市场”、“环境”、“渠道”、“产品”几类，并放置在象限图中。右上角“影响”高且“不确定性”高的事件，需要重点关注，产品创新通常来自这个区域的事件刺激。

附图：影响“车联网产品”的事件，受限于精力和能力，列举和分类都会有疏漏

附图：近10年来，中国私人汽车拥有量的变化，数据来自国家统计局

02.车联网产品的一般场景

在经济学家薛兆丰的眼中，“产权”是通过“使用权”、“收益权”和“转让权”三个权利来实现的，借用这个概念，我们可以将“车”这个产品的内在，分为两个部分：“工具属性”和“资产属性”。

从工具属性上看，“车”是“人/货”的搬运工

对于“人”而言，可以有两种角度来看待“车”，但本质上都是“出行场景”，遵守“连接/分发”的商业模型。“出行场景”中的车联网产品是市场热点，BAT等科技巨头的主力产品，也大都是这个领域的。

1、“车”是“人”的一类空间，是独立于“工作”、“生活”、“娱乐”之外的空间，随着汽车保有量上升，人群在这个空间上花费的时间同样在急速增加，会产生大量的消费机会。

2、“车”是空间与空间相联系的管道，出行增加了“空间”和“空间”之间的连接，使得人们可以进入更丰富的消费场景中。而且这种空间之间联系的增强并不是消费机会的线形增加，而是可能创造新的消费机会。

附图：“人”相关的车联网产品场景，图中的“产权”是指狭义的车辆登记产权

对于“货”而言，是“产业场景”，之所以不称为“运输场景”，是因为这类场景中，还有丰富的采集或分发行为。常见的产品应用领域有物流、仓储、农业、环卫、工程、矿业等方面，除物流和环卫领域外，其他应用领域还有一个显著特点，就是车通常在封闭空间中运动，人的活动很少，非常适宜 Level 4 的无人驾驶技术应用。

“产业场景”在互联网环境中被讨论较少，但市场规模总量巨大，车联网产品与面向个人消费者的产品形态差异明显。

从资产属性上看，“车”是实体资产和数据资产的总和

实体资产是指车这个实体的价值。无论是乘用车和商用车，在通常情况下，实体资产的价值都是一条不断下降的曲线，我们已经可以通过二手车交易的大数据，通过算法基本确定这条残值曲线（新能源车的残值曲线与汽油车有明显不同，受到电池残值的影响）。

数据资产是指车在各类场景中被“使用”，使车成为数据产生和处理的基本节点（一种边缘计算），这些数据的价值可以被挖掘（也可以在云端）出来，数据资产曲线与实体资产曲线相反，不断增值，还可以被物联网放大。

我们可以做这样一个论断：

车联网产品之战，胜负关键是争夺不断增值的数据资产

这场玩家众多的战役，有三个重要的子战场：

1、对实体（车/人）的争夺，数据入口
2、对数据传输和数据处理权的争夺，数据管道
3、对消费场景的争夺，数据应用

在数据入口战场里，关键策略是生产车辆，从源头控制。玩家有传统主机厂、互联网造车新势力、地产/能源/家电巨头（恒大、宝能、格力等）。

在数据管道战场里，关键策略是控制数据采集和处理。玩家有车联网云计算服务提供商、车载OS或车机设备提供商、电信运营商，如华为、BAT的车联网部门、部分创业团队。

在数据应用战场里，关键策略是控制消费场景的供给。玩家有滴滴、BAT的内容部门或O2O部门、部分创业团队。

03.车联网产品的基本架构

车联网产品的基础场景，决定了产品视角的车联网产品定义：车联网产品，提供有关“车”的数据产生、处理、传输、应用的解决方案。结合01.推动变化的事件中重要且不确定性高的各类事件，得到一个基本的架构。

附图：侧重C端车联网的基本架构表述

数据在车联网产品架构里的流动

1、数据采集，实际上就是数据源，数据产生在很多位置

车内：主要是车机，通过车内的各种感应器和前装记录设备，记录车的使用数据
车外：通过外设，如无人机、空气净化器、行车记录仪等，记录车的环境数据
车与车：通过云端或者车车通信，记录车的使用数据和环境数据
车与人：通过人机互动，或者是手机等移动设备与车机互联，记录人与车互动关系
车与云：记录车与环境互动关系，包括与城市、路网、产业场地的互动

2、数据处理，可以在车/手机/云多端处理

从外部政策环境看，二手车出海和鼓励电动车消费，都会带来车辆更新，更多感应器和处理器会被安装到新车上，促进了车作为终端的数据产生和计算能力，这是硬件层面的提升。在软件层面，新车都安装了智能的操作系统，利用硬件的能力大大提升。软件方面的成型产品非常多，如阿里的斑马智行、百度的小度车载OS、腾讯的车联网生态解决方案等，后面会更详细给出架构图。

附图：华为公有云车联网解决方案

数量巨大的存量乘用车和商用车市场，也可以通过后装一些设备来升级数据采集和处理的能力。常见的车载一体机方案，需要对车做小量改装，产品质量良莠不齐，市场表现一般。近几年兴起的智能后视镜和智能行车记录仪，车主可自助安装，功能强大且价格低，市场表现良好，甚至还有智能车载支架这样的几十块钱的产品出现，极有可能为数据采集和处理提供新的机会。

3、场景识别，数据处理的目的是为了识别场景，在具体的场景中让车做出对应的“动作”

C端方向上，腾讯的车联网场景定义如下，

出行场景：通勤、出游、拥堵、……
娱乐场景：听歌、小说、游戏、……
车生活场景：停车、加油、违章、……
社交场景：车载微信服务、约会接人、……

B端方向上，物流、仓储、农业、环卫、工程、矿业等场景都可细分出来不同的应用场景

4、消费，场景识别是数据应用，消费则是数据变现

C端方向上，腾讯的车联网场景定义对应着两类消费，一类是内容消费（关键是内容生态），一类是实体消费（关键是消费场景丰富性）。这两类消费的核心控制点，都是支付能力及整合人车数据的超级ID。

B端方向上，消费是指结合产业特点，提高产能/运力的能力，对商用车市场研究很少，不展开。

04.BAT的车联网产品架构

超级ID取胜的腾讯

虽然腾讯车联网在媒体采访中，不强调微信作为超级ID存在的强势地位，可能为了避免主机厂的反感。但实际上，车载微信可以安装在任何以安卓为原型的车机设备上，利用腾讯本身已经有的内容生态（阅文集团、QQ音乐、腾讯视频等）、线下服务生态（美团和京东等），支付能力，覆盖掉主机厂的前装优势，成为车联网的入口。同时，微信作为一个ID，可以将用车人的数据，无缝迁移到任意安装有车载微信的车辆上，这个优势在未来车辆使用权越来越重要，产权越来越不重要的趋势中会被放大。

附图：腾讯生态车联网解决方案

无人驾驶技术领先的百度

百度的车联网产品布局也非常完整，以Apollo开放平台为核心的自动驾驶解决方案切入，更容易与主机厂达成合作。弱点是内容生态、线下消费生态、支付能力都较腾讯和阿里单薄。优势是在产业车联网这个方向上，比腾讯和阿里走得更远，产业方向对内容、线下消费和支付能力要求较低，对自动驾驶、路径规划、产业能力整合上要求较高，百度已经有一些实现。
附图：百度车联网平台和生态

平衡的阿里

阿里入局很早，与上汽合作的斑马智联进入市场好几年。在超级ID方面，有淘宝支撑；在内容生态上，有优酷土豆、虾米、大麦等；在线下消费能力上，有口碑和飞猪；在支付能力上，更是有强势的支付宝。产品架构上，与腾讯的布局基本一致。

05.需要回答的问题及可能无用的市场建议

地理空间的大小，影响消费形态

汽车市场下沉，广大三四线城市和农村地区，单次出行时间较大城市短，环境熟悉，一般不需要导航，也不需要长时间在“车”空间里的内容消费，线下娱乐消费场景不依赖线上流量。在这样的场景中，在供给侧的内容形态和线下消费生态，都需要哪些变化？

长时间的出行场景也有不同

路线固定的通勤和路线不固定的出游，都是时间较长的出行，潜在的是打发时间和节省时间的不同需求，可能产生需求的“人”都不同，是重视“驾车人”还是重视“乘车人”？

增量市场和存量市场

增量市场受到经济大环境的影响，商用车联网和存量车辆改造，可能是数据富矿。

车联网+区块链+金融，也可能是组合式的好应用。

躲不开的“手机也可以”

手机作为最流行的智能终端，性能强，更新快，如何跟车机形成合力？是否会出现车机只是屏幕和传感器，手机才是数据关键节点的形态？

信息量极少的洞察

由于更换车机系统的难度和成本高，造车可以锁定系统，所以BAT们纷纷投资造车新势力，也纷纷与传统主机厂合作。5G带来的很可能是车机系统切换的成本大大降低，也提升了造车者们的话语权，优先需要确定的，是数据的产权。

06.End

如果对目前的车机系统感兴趣，可以参考易车有一个《车载互联系统专项评测》系列。

起因：

在某一个周末，跟在凡影的工作的前同事小航聊天，说到电影咨询的一些市场基本情况。有一个重要业务是通过问卷调查，研究即将发行的电影，是否受欢迎；也提到现在的剧作者，越来越重视消费者喜欢看什么，IP创作从极个人化的方式向市场导向转变。我结合之前做音乐个性化推荐的经验，提出了一个通过分析剧本的文本，在拍摄之前就大致预测受欢迎程度的思路。

北京凡影科技有限公司（凡影Fanink），电影行业专业的调研公司，很多电影都是他们的客户，比如《流浪地球》

思路：

基本思路是这样，通过分析影史 top1000 的电影剧本得出受欢迎剧本的基本特征，结合对大众对故事性的一般理解和时下风尚，就可以预测新剧本是否欢迎，同理还可以用作网络小说的预测。

什么是好剧本？

一个好剧本，应当是剧作者具备相当的文字功力，会讲故事，台词废话少，能用合理的篇幅表达人物和冲突，总结起来应该具备下面几点：

人物突出

• 每个场景中出场的人物数量合理
• 台词集中在主要人物身上
• 台词符合人物设定

节奏合理

• 场景数量合适
• 台词密度合适
• 冲突段落位置合适

情感传达到位

• 台词符合剧本基调
• 人物情感饱满

怎么从剧本文本中判断？

从好剧本的要素来看，需要通过剧本文本判断出很多内容：

• 人物数量
• 人物之间的互动频次
• 场景数量
• 场景台词密度
• 场景情感倾向

通过获得大量的剧本文本，通过机器学习的技术，剧本本身的一些规范以及开源的各种NLP库支持，应该是可以识别出来的，我找到了小伙伴振民和晓峰，说起这个基本思路，他们觉得可以业余时间试试看。

阻碍：

现实还是骨感的，我们都不是这个行业里的人，资源和思路上都有局限性。

1、一个电影或者电视剧的流行，剧本很重要，但也只是其中一部分，还要考虑导演、演员、宣发等各要素。
2、优秀的剧作者不需要这种机器分析。
3、最关键的，我们拿不到大量的剧本素材，机器学习无从谈起。

思路转变：

既然剧本拿不到，就只能找一个替代品，我想到的是字幕。字幕文件里有对话文本和对话发生的时间，更接近电影播放时给观众的感受。如果将视频的整个时长当作一条时间线，可以这么看：

1、对话发生的时间区间，将对话发生密集的位置，当作视频核心场景。
2、在核心场景中，计算台词的密度。
3、分析人物数量是比较困难的，准确的需要通过剧本或者分析视频获得。
4、对话中包含大量“你”、“我”、“我们”等代词，可以用来分析对话。

代价也是有的：

1、字幕不包括人物名称，需要单独分析，有相当难度。
2、大量影片的出彩之处是演员的肢体语言和表情，没有台词，也就没有字幕可以分析。
3、场景切换也需要通过其他方式来识别，除非排除“场景”这个要素对剧本质量预测的影响。

实际上，如果有弹幕数据支持，这个分析会更好做，那是B站的活。

工作：

主要的工作都是用振民同学完成的，我们指定了目标网站，购买了服务器，他写了爬虫，去获得字幕和电影评分等数据。其中的过程略去不表，倒是有几个发现：

1、字幕大佬射手网停了，原有的电影和电视剧字幕，也被用作深度学习的训练材料，不过是翻译方向的。
2、并非只有我们想到了分析剧本这个方向，优酷认知实验室有一个叫做鱼脑团队也在做。

不太好的结果：

还是因为我们并没有这方面的经验，彼此的时间也都不可控，断断续续进行了一段时间，进展不理想，距离分析预测剧本还差很远。这不是一个文本相似度的简单计算，而是剧本内容的高度抽象，不花时间思考和实验，不会有好结果。

意外插曲：

中间还发生了一个意外，非常有趣。有一天意外（我确实忘记是从哪里）得到了一个几千部电影字幕的压缩包网盘地址，于是兴致勃勃在服务器上下载回来，结果发现是岛国特产电影的字幕，字幕文件名就是车牌号，本着“下都下好了”的精神，我们决定聚类一下看看会出现什么情况，振民同学在排除掉高频无意义的词之后，得到了28个分组的结果，当然分组内容很有意思，也大都是不可描述的词语。

再次转变的思路：

剧本和电影字幕太复杂了，我们决定从我最熟悉的歌曲角度入手重新设计，歌曲的歌词字数少，对歌曲受欢迎程度的影响更大，且LRC格式的歌词，同样有时间标记。我们干了下面几件事情：

1、因为过去长期在数字音乐领域，很容易就得到了大量的歌词文件。
2、爬了某音乐网站引以为荣的歌曲评论文本。

总的来说，基本假设是歌词的质量和情感倾向，是影响歌曲流行程度的重要因素。歌曲评论的情感倾向，与歌词的情感倾向一致性比较强，也就是说歌词写得好，共鸣更多，更易流行起来。少数收到特定事件和文化背景因素影响的歌曲，歌词与评论的情感倾向可能不一致。

结局：

从希望得到一个剧本预测引擎的初始目的出发，一波三折，最后意外得到了一个歌词流行度预测引擎，考虑到歌手、唱片公司、曲风等要素后，最终得到的预测结果，看起来还是比较合理的。

后记：

这是从文本角度分析的思路，如果讲音乐分拆出来旋律、歌词情感和文化倾向、配器等要素，应该会得到更好的预测分析结果。