更好地推介:帮助创始人克服融资偏见的工作坊

更好地推介:帮助创始人克服融资偏见的工作坊

关键字: [Amazon Web Services re:Invent 2024, 亚马逊云科技, RIP framework, Overcome Fundraising Bias, Underrepresented Founders, Pitching Better, Promotional Answers, Market Opportunity]

导读

加入亚马逊云科技创业团队参加一个实用的筹资研讨会。研究发现,女性创始人通常会被问到更多预防性问题(“这真的是一个巨大的市场机会吗?”),而男性则会被问到更多促进性问题(“这个业务能做多大?”)。本研讨会适合所有代表性不足的创始人,内容涵盖:1) 如何识别无意识偏见的问题,2) 回答这些问题的方法,3) 如何澄清和转变话题。研究表明,使用这些技巧回答问题的创始人能比不使用这些技巧的创始人多筹集740万美元。

演讲精华

以下是小编为您整理的本次演讲的精华。

在2024年亚马逊云科技 re:Invent大会上举办的“更好地推销”研讨会是一场全面的会议,旨在帮助代表性不足的创始人在筹资过程中克服偏见。该研讨会由亚马逊云科技代表性不足的创始人初创团队的Lily和亚马逊云科技风险投资业务发展团队的Danielle Gorman主持,为多元化企业家应对挑战提供了宝贵的见解和实用策略。

Lily首先承认,由于固有偏见,许多创始人在筹资或专业场合中经常处于不利地位。她举了一个有偏见的问题的例子:“这些销售额是真正来自合作伙伴关系的收入,还是其他什么?”这种问题立即将创始人置于防御状态,阻碍了他们有效推销公司实力和成就的能力。

研讨会的主要目标是双重的:揭开推销艺术的神秘面纱,并让创始人比前几年筹集到更多资金。研讨会的基础是哈佛商学院教授Laura Huang开创性的研究。Huang的研究发现令人震惊——在两年的时间里,男性领导的初创公司筹集到的资金是女性领导的公司的五倍之多。她的研究揭示了偏见在推销场景中的普遍影响,人们的观念和成见往往掩盖了对商业机会本身的客观评估。

Lily明确区分了“促进”问题和“预防”问题。“促进”问题有助于以积极的方式讨论公司的宏伟愿景和潜力,而“预防”问题则将创始人置于防御状态,关注风险、责任和潜在陷阱。Huang的研究显示,能够用促进性回答来应对预防性问题的创始人,平均比其他创始人多筹集了735万美元。

为了应对偏见,Lily介绍了RIP框架,这是一种三步走的方法,旨在为创始人提供必要的工具,有效应对带有偏见的问题。第一步“重新掌控”涉及识别预防性问题,并理解其背后的关切或疑问。第二步“告知”要求创始人直接回答问题,并以数据和市场基准来支持回答。最后一步“推广”为创始人提供了有意识和无愧地推广公司愿景、潜力和竞争优势的机会。

通过一系列互动示例,Lily和Danielle演示了如何识别包含假设或过度关注风险、成本和潜在缺陷的带有偏见的预防性问题。他们展示了如何通过理解核心问题来重新掌控叙事权,用直接和数据驱动的答复来告知,并巧妙地转向推广公司的宏伟愿景和增长潜力。

Lily强调了“澄清和转移”技巧的重要性,这涉及偶尔将预防性问题重新表述为促进性问题。这种策略允许创始人将对话引向他们的优势和抱负,而不是陷入防御性姿态。然而,她警告不要过度使用这种技巧,因为这可能会削弱推销的可信度。

在整个研讨会过程中,Lily和Danielle强调了预测带有偏见的问题、情绪上为这些挑战做好准备以及不断练习以掌握用告知和促进性元素回答的技巧的重要性。他们分享了一个发人深省的例子,一位创始人经常被问及如何平衡母亲角色和创业公司的需求。她的回答“就像其他父亲一样”体现了一个精心设计的、反击偏见的回答的力量。

研讨会的核心信息是,筹资需要一种不自然的心态——不仅直接回答问题,还需要不断推广业务的潜力。RIP框架和澄清与转移等技巧为创始人提供了应对带有偏见的预防性问题的工具,并将叙事权转移到公司的优势、愿景和增长轨迹上。

总之,在2024年亚马逊云科技 re:Invent大会上举办的“更好地推销”研讨会,对于那些希望在竞争激烈的筹资领域扭转乾坤的代表性不足的创始人来说,是一次变革性的体验。通过提供全面的框架、实用策略和心态转变,该研讨会使多元化企业家能够克服偏见、重新掌控叙事权,并通过关注公司的宏伟愿景和潜力来筹集更多资金。在这次会议上分享的见解和技巧,对于任何一位努力克服偏见阴霾、争取必要资金推动事业腾飞的创始人来说,都是宝贵的资源。

下面是一些演讲现场的精彩瞬间:

莉莉是亚马逊云科技代表性不足创始人初创团队的成员,她分享了自己作为前创始人、投资者以及通过Sephora Accelerate等项目支持多元创业者的倡导者的鼓舞人心的经历。

0c3dc00337d4440b58bb11fa96b6f957.png

Serena Williams分享了她克服偏见的框架,强调了即使存在反对自我推销的文化规范,也要推广自己和公司的重要性。

085533379b5f27aa9b854ceb153ce3c5.png

一个有力的比喻强调了认识并解决预防性问题的重要性,以有效展示您的愿景和抱负。

35711ad9ddbab04ac3c71e880f136ed6.png

演讲者让观众参与互动环节,要求他们判断“你有什么计划来获取客户?”这个问题是促进型还是预防型,这是一个促进型问题。

bbbf4e0d3fbce0229d051808a10c65e9.png

演讲者强调了以不会让代表性不足的创始人在推销创意时处于不利地位的方式来构建问题的重要性。

273f11d854da655b8edf46bcfdec57b8.png

丹妮尔演示了如何构建一个促进型问题,激发信心和机会,而不是一个假设局限性的预防型问题。

5fc6f2f0c1eb42cd8000d88160598075.png

演讲者邀请观众观看亚马逊云科技 re:Invent的完整演讲,并在活动结束后进一步讨论。

f74c992252f1a01493ebe61f1e1df9b3.png

总结

在亚马逊云科技 re:Invent 2024 的一场引人入胜的研讨会上,Lily和Danielle揭开了一个突破性框架的面纱,旨在帮助代表性不足的创始人在筹资过程中克服偏见。借鉴了教授Laura Huang开创性的研究成果,她们揭示了男性领导的初创公司和女性领导的初创公司在获得资金方面存在的巨大差距,突出了无意识偏见的普遍影响。

她们方法的核心在于RIP框架:重塑(Reclaim)、告知(Inform)和推广(Promote)。通过识别将创始人置于防御状态的预防性问题,她们教导与会者重塑叙事,找出潜在的关切点。告知则是直接利用数据和市场基准来回答问题,而推广则抓住机会展示公司的愿景、潜力和竞争优势。

通过互动示例和角色扮演,Lily和Danielle展示了如何巧妙应对带有偏见的问题,将其转化为突出创业公司实力和增长前景的机会。她们强调了练习、情绪准备以及在面临预防性问题时策略性地运用澄清和转移技巧的重要性。

在有力的结语中,她们敦促与会者接受RIP框架,预期存在偏见问题,并不懈地推广自己的业务潜力。通过掌握这些策略,代表性不足的创始人可以扭转被动局面,筹集更多资金,推动他们的创业事业走向前所未有的高度,打破无意识偏见带来的障碍。

亚马逊云科技(Amazon Web Services)是全球云计算的开创者和引领者。提供200多类广泛而深入的云服务,服务全球245个国家和地区的数百万客户。做为全球生成式AI前行者,亚马逊云科技正在携手广泛的客户和合作伙伴,缔造可见的商业价值 – 汇集全球40余款大模型,亚马逊云科技为10万家全球企业提供AI及机器学习服务,守护3/4中国企业出海。

内容概要:本文介绍了一个基于多传感器融合的定位系统设计方案,采用GPS、里程计和电子罗盘作为定位传感器,利用扩展卡尔曼滤波(EKF)算法对多源传感器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度与稳定性,尤其适用于存在单一传感器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传感器,EKF作为多传感器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态转移与观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传感器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习和掌握多传感器融合的基本理论与实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位与导航开发;③作为EKF算法在实际工程中应用的教学案例或项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测与观测更新模块的设计逻辑,可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究与对比。
内容概要:文章围绕智能汽车新一代传感器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合与前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合,在保证感知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性与系统可靠性。此外,文章指出BEV模型落地面临大算力依赖与高数据成本的挑战,提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注与长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性与经济价值。; 适合人群:从事汽车电子、智能驾驶感知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理和技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构与数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前感知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为智能驾驶系统架构设计、传感器选型与算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析与系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑与数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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