商业模式:收入、价值与过程

本文围绕商业模式展开,先介绍了收入分类,包括谁享受谁付费、第三方付费等多种形式;接着阐述过程分类,如去中间化、集约化等,目的是降低成本、提高效率;最后说明价值分类,从用户视角有差异化、性价比等。还指出各关键词有多种套路,可用于思考自身业务。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这是上一篇的继续。

脑洞题:款新Pad,进货价3000,卖1800,问:怎么赚钱

如上,只说了求橙商学院,商业模式课内的一个小练习,这篇稍稍展开到浙大的郭斌教授第一个半天的核心内容。


商业的基础是市场经济,市场经济的基本行为是交易,交易的本质是价值交换,所以,我们可以用如下一句话来概括所有的商业模式:


为谁提供什么价值,靠什么方式转换为收入,前两者之间做什么商业过程来支撑 。


于是,分三部分分别说收入、过程和价值。


先说收入分类


首先,最常见的——谁享受谁付费。这种情况下,客户与终端用户重叠为同一自然人,或B类实体。

然后,互联网各种产品很常见的——第三方付费,客户与终端用户分离,付钱的人和享受的人不同,俗话叫做“羊毛出在猪身上”。


接着,产品分隔,也叫“剃刀模式”,又分为以下几种。

主机和配件,比如剃须刀刀片,打印机墨盒。这背后的抽象是——高价低频免费,低价高频付费

流量款和变现款,比如餐馆的特价菜,软件的免费试用。与上面相反,背后的抽象是——低价高频免费,高价低频付费

产品和服务分拆,硬件免费,服务收费,比如早年的固化初装费和话费。这条,可以参考我之前发过的文章,大产品再分类:产品服务体系,属于从产品导向到使用导向。


最后,时间分隔,把时间当做一个维度来考虑。

比如分期付款,有了金融属性。


小结一下,如果你认为某个产品是免费的,那多半是因为没看到全局。时间上,可能是先免费圈用户,再收割;空间上,可能是作为引流款,为另外的商品做铺垫。


额外补一句相关的:

很多时候产品收费明显低于价值,还可能是如下两个原因:

1. 作为门槛收费,只是为了过滤客户以降低服务成本(更看重高质量用户,不要把精力耗在羊毛党身上) 

2. 把差价视为营销费用,直接返还给客户,前提条件是CLTV(客户生命周期价值) > 差价。



再说过程分类


各种过程,本质上都是为了降低成本,提高效率


去中间化—>直销、脱媒,互联网天生就具有供需直连,脱媒的特性,比如“XXXXX,没有中间商赚差价”。

集约化(工厂化)—>向规模要效率,比如餐饮的中央厨房,在线教育的教研室。

共享—>做平台,供需两方都非自己提供,典型的如airbnb。

外包/众包—>部分任务松散合作,从最早的wiki,到现在很多企业开始采购各种第三方服务来减少员工的趋势。

O2O—>两个O互补/错位来要效率,比如盒马鲜生,因为有数据,所以可以“精准”开店(前置仓),这样再加上3公里30min的规则,实现终端配送无需冷链,降低成本。



最后说价值分类


这里的价值,一定是用户视角。

差异化—>差异化是用户视角的,而不是产品视角的(如背后用的技术不同),举例子,《权游泄露版与正式版有差别(画质等),泄露事件本身就可以从一个错误变成营销行为。

性价比—>针对中端产品(而非高端或低端)可实施,需要找一个用户熟悉的价值锚点,标杆产品,比如网易严选(存疑???)——准高端的品质,准低端的价格。

长尾需求—>原来没有供给的,现在可以供给了。最经典如amazon卖书,原来在书店,是买不到很多小众图书的。

社会价值—>这是指用户心理上的认知,认为有社会价值。早期的iPhone,俗话说就是“装X税”,各种奢侈品都有类似溢价。

时间价值—>比如把用户原来无法使用的碎片化时间填满;又如“提前”使用某产品,额外付费。 


以上,复习一遍这个句子:


为谁提供什么价值

靠什么方式转换为收入

前两者之间做什么商业过程来支撑 


每个关键词都有5种左右的常见套路,排列组合一下超过100种了,够各位仔细琢磨下自己做的事情,有没有可以套的,over。


__________

iamsujie,前阿里产品经理,写过《人人都是产品经理》、《淘宝十年产品事》、《人人都是产品经理2.0》,现在做创业者服务,『良仓孵化器』创始合伙人。

内容概要:本文详细探讨了基于樽海鞘算法(SSA)优化的极限学习机(ELM)在回归预测任务中的应用,并传统的BP神经网络、广义回归神经网络(GRNN)以及未优化的ELM进行了性能对比。首先介绍了ELM的基本原理,即通过随机生成输入层隐藏层之间的连接权重及阈值,仅需计算输出权重即可快速完成训练。接着阐述了SSA的工作机制,利用樽海鞘群体觅食行为优化ELM的输入权重和隐藏层阈值,从而提高模型性能。随后分别给出了BP、GRNN、ELM和SSA-ELM的具体实现代码,并通过波士顿房价数据集和其他工业数据集验证了各模型的表现。结果显示,SSA-ELM在预测精度方面显著优于其他三种方法,尽管其训练时间较长,但在实际应用中仍具有明显优势。 适合人群:对机器学习尤其是回归预测感兴趣的科研人员和技术开发者,特别是那些希望深入了解ELM及其优化方法的人。 使用场景及目标:适用于需要高效、高精度回归预测的应用场景,如金融建模、工业数据分析等。主要目标是提供一种更为有效的回归预测解决方案,尤其是在处理大规模数据集时能够保持较高的预测精度。 其他说明:文中提供了详细的代码示例和性能对比图表,帮助读者更好地理解和复现实验结果。同时提醒使用者注意SSA参数的选择对模型性能的影响,建议进行参数敏感性分析以获得最佳效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值