追溯产品的切入点

一个产品的进阶过程，始终遵循：点->线->面->体 这个流程，一个产品如果能做的越来越立体的时候也越代表着越有竞争力。以 “自选股 APP” 为例，‘点’代表基础的炒股应用，‘线’则扩展到整个证券金融领域，‘面’是指一个成熟的产品，而‘体’则象征着市场上的爆款产品，具有强大的竞争力。

绝大多数的爆款的产品基本具备一个特征：创意点，而怎么去挖掘哪些创意点才是用户真正想要的？不妨用产品通用的思维观念；痛、痒、爽三点来找到用户的切入点。这里关于痛的理解，可能大部分人都思考：用户在这边产品方面的痛点是什么？

如果我们换一个角度去思考：用户怕什么，是不是更好的能找到产品的痛点？

举个例子，用户用自选股的时候最怕的是自己追高？用户爽点是什么？在低点的时机买进去了，赚钱了。至于痒？这里目前我觉得是自选股目前内容欠缺的，就是一些炒股大 V，通俗的讲可以理解炒股金融界的明星效应。

在实体行业，盈利能力强的产品往往不在于于奢华的功能或者华丽的设计，而是深刻洞察市场供需关系的不平衡。在供不应求的市场环境中，那些能够精准定位并满足消费者需求的产品，才是真正的畅销爆款。

从互联网行业的视角来看，尤其是在竞争激烈的证券产品市场，单纯通过迭代功能来突围是一条充满挑战且成本高昂的道路。相反，如果我们能够准确把握市场用户对产品的供求关系，深入挖掘并满足他们未被充分发掘的需求，我们的产品就能在红海市场中找到属于自己的蓝海，从而获得竞争优势。

自选股的“痛痒爽”-ToC

背景

展开自选股产品的痛痒爽三点之前，这里稍微的聊一下市场的背景：目前市场情绪是偏弱，大部分的人对于投资都是持谨慎心态，而业界上的证券产品的新功能发布的新功能供过大于求。一个产品的最可怕的地方是什么？就是频繁迭代出新的功能，产品越来越重，但是市场在不断的下沉，产品功能的收益微乎其微，之前努力的迭代会显得那么的苍白。

于是，相比关注如果提出更多的需求，我更偏向静下来观察一下整个市场面的转变后的供需关系。

这里有意思的规律的是往往市场周期改变的时候，都会有一个新的产品机会出现。

而我们自己的产品这个时候更需要冷静的记住：一个真正好的产品是服务于用户的，而不是诱导性的向用户索取。

再结合这个初衷再谈一下自选股的痛痒爽的三个点。

自选股的产品导流方案

证券产品行业的本身和市场情绪以及政策比较关联，所以客观上的因素，我们无法做过多的干预，但是我们可以从准确的行情信息、资讯的新闻以及社区的大 V 看法做切入点。

现在看有点抽象，再做一部分拆分，譬如一个用户由于通点的原因犹豫是否交易的时候，我们能帮忙用户做什么？提供：

1）个股最新的行情数据（目前自选股已有）

2）最新的资讯内容推送（目前自选股已有）

3）社区大 V 个股的看法（功能暂没）

从上面拆分我可以确定产品的一个产品的切入点：社区的大 V 运营，关于这个运营其实更像微博饭圈效应或权威私欲思路。现在看还是有点抽象笼统，不妨再拆分一下：什么是大 V 明星效应，为什么要引入大 V 明星效应，以及怎么做大 V 明星效应。

1、什么是大 V 的明星效应

可以理解在社区里给金融证券有名气的人打身份标签，目前已有的友商的大 V 模式在雪球以及微博炒股的大 V。这里的明星可以分两种：一种是在股票投资能力很强的人，具有很敏锐思维以及投资技巧在市场获利不少的人；另一部分是具有影响力的，譬如现在微博比较火的“老胡”。

2、为什么要引入大 V 明星效应（头部传播效应）

1）对于投资能力比较强的大 V 在社区的发言以及建议可以吸引更多的用户学习和拜仿，让用户有更多的学习和参考，来在市场中更有更能获利（种草经济），如果内容对用户有利时候，就会触发用户的分享欲，这个时候是潜在的获客机会。

2）对于非投资的但具有影响力的人，这部分人可以让社区更活跃，换句话说，对于用户就是喜闻乐见。

3）针对明星同理的这种心理，用户和大 V 持有一样的观点或股票的时候，会激发用户潜在的被认可以及满足感，也即是痒，这部用户如果有满足感，则同时也会分享（获客机会）

3、怎么引入大 V 明星效应

因为个人没有太多的对于雪球或微博的大 V 做调研，这里的细节方面暂且不讨论。可以明确的一点是：我们可以建立一套社区自己的身份体系，譬如个人的一系列大 V，关于大 V 的认证可以是当前字段股平台的粉丝或其他平台的身份认证，譬如在雪球或微博有 1w 粉这样的。另一方面是我们可以把机构认证蓝领认证，并把机构的新闻可以转发到社区，这样也可以起到一个蓝领的大 V 效应。

由于股市的投资无规律可言以及其不可预测性，谈到用户的爽点，如何让用户在股市赚到钱是我们没法做到的。这样我们是不是就没法给用户提供爽点了？

逆向思维，其实我们可以给予用户足够多的的信息以及参考。

心理学有一个现象就是人们都对于未知的东西是恐惧的，如果我们能够足够的信息给予用户，这样用户就可能会更有机会的赚到钱或者在股市里亏钱，这样用户在一次交易中因为获取了足够的信息，而放弃了交易从而避免了一次损失，这也正是一个爽点。这里看似我们损失了一笔交易，但是其实我们提高了用户到我们产品的依赖，更或者说如果用户下次交易还会选择自选股。

自选股的痛痒爽-ToB（and ToC）

混元的结合思考

目前自选股接入混元的方式有：Natural Language Processing 也就是文本语言模型接入。存在可行的地方是：资讯新闻撰写以及社区运营号的内容输出。

首先需要明确的是，对于用户来讲，好的内容一定具备：

第一种：喜闻乐见；第二种：感同身受；第三种：对我用。

上面三点的共通点是：与我有关。

需要让混元写出股票市场的行情动态内容，可能存在一定的难度，可以说还有一定的距离。为什么这么讲，因为股票的实效性要求很高，滞后的新闻无法给用户提供可参考的有效的价值。但我们能做什么？我思考的四点是：

1、资讯新闻的摘要（即内容总结）

2、挖掘用户的潜在喜欢以及用户抱怨的问题

3、新闻文案的撰写优化

4、客服人员培训 

 内容总结输出

1）关于新闻摘要总结、外显新闻的内容

这里我们可以借助混元的模型。尝试阶段，我们可以采用上百或上千多的 prompt 对混合进行训练指导，如果对于测试的结果大体上可以使用化，我们可以对模型进行微调，这里混元的支持的 SFT 模型微调，好像并不支持 RM 和 PPO 的模型，另外针对于 RLHF 好像目前平台是不选项目（或许需要开发特殊的接入方式）。整体上看这里似乎将可以解决内容输出的问题,实际上还是要考虑的是成本，也就是我们的正常内容输出的比例以及内容输出的点击率是否于输出成正比。更或者说 AI 的内容输出是不是真正的在给我们提效率，还是只是仅仅的替换了一种模式，甚至成本是更昂贵的。

2）社区蓝领的（建立于上述大 V 体系的完善情况下的假设）内容输出

首先需要完成用户画像判断。从交互上，将面临专家式细微控制和平民式傻瓜出内容。这是两种完全不一样的人群，我们需要搞懂这些人的特征，他们在哪里，他们经常遇到什么问题。譬如对于一些小白用户，AI 傻瓜式的输出即可满足他们的需求，而针对一些高端的用户，是垃圾内容。在使用混元前则需要搞懂这两者用户的比例（似乎目前来看，在自选股这里有点难度），以便让混元产生的内容更具有价值意义。

 挖掘用户的潜在喜欢以及用户抱怨的问题

1）逆向思考，把 AI 当作用户，咨询 AI 会遇到的问题或其他的抱怨？

通过将 AI 视为潜在用户，我们可以模拟咨询过程中可能遇到的问题和挑战。这种逆向思维策略使我们能够同步用户的频率，深入挖掘他们的需求和痛点。通过 AI 的用户行为仿真，我们可以预见并解决实际用户可能遇到的问题，从而提升产品体验。

2）用 AI 调研报告 &访谈

定期利用 AI 生成的用户调研报告，为产品内容的定向优化提供依据。同时，在社区中运营 AI 机器人，通过发帖互动的方式，直接访谈社区用户，收集真实的用户反馈和需求。

客服人员培训

1）我们尝试使用混元作为客户

利用 AI 作为虚拟客户，对新入职的客服人员进行实战演练，通过问题回答的评分快速提升客服的业务能力，显著降低培训周期和成本。

2）客服话术助手

构建基于 RAG（Retrieval-Augmented Generation）的知识库，为客服提供针对性的标准回答，提高回复的专业性和效率，缩短用户反馈周期。

3）客服回复润色

客服输入回复后，AI 工具能够自动优化文案，使其更加友好和富有同理心，有助于缓解用户的不满情绪，提升客户服务体验。

4）用户情绪 &意图识别

通过上传对话给 AI 模型，可以让模型帮助分析用户情绪，暴躁时可以提示客服安抚。也可以用来识别用户意图，比如用户是否真的是要退款？真的是要投诉？有时候用户只是抱怨一下，希望加急我们的处理。这些地方混元能做的比较好。

ToB 盈利

一个新理念的出现，往往就是一个新的机遇出现。如果我们把 AIGC 在证券领域上述的方法论成熟落地，这么我们就可以把一套服务打包出售友商或提供机遇模型语料的能力友商，这也正是我们需要的 ToB 的盈利点，具体如下：

1）AI 咨询与集成服务

1. 为友商提供成熟的 AI 模型技术咨询服务，帮助他们理解如何将 AI 模型集成到现有的业务流程中。

2. 提供端到端的解决方案，包括证券 AI 模型系统的设计、开发、部署和维护。

2）API 和平台服务

1. 提供 API 服务，允许友商平台访问先进的 AI 分析工具和算法。

2. 开发一个平台，让友商客户可以在上面运行自己的数据分析，同时提供必要的支持和维护服务。

3）合作模式与联合研发

1. 与友商客户建立合作关系，共同研发针对友商业务场景特定问题的解决方案。

2. 通过联合研发，以产品打包的方式出售私有化部署的 AI 模型服务，以及配套的研发和运维系统

总结

不要对 AIGC 有过多的期望，期望越大，失望越大。能帮你省 5%其实都很开心了。天下难事，必做于易。期望大家都能聚焦到更小更垂直的地方去思考 AI 如何发挥效用，这样会收获更多惊喜。