一匹“更快的马”

本文探讨了在设计过程中,如何正确理解用户需求与期望,避免陷入只关注期望而忽视需求,或盲目跟随用户需求而缺乏创新的问题。通过案例分析,强调了卓越设计师在满足用户需求的同时,引导需求,实现商业价值最大化。
先来看一个老掉牙的故事:福特说,我在设计汽车之前,到处去问人们“需要一个什么样的更好的交通工具?”,几乎所有人的答案都是 ── 一匹“更快的马”。
“更好的交通工具”代表用户的“需求”;“更快的”是用户对于解决这个“需求”的“期望值”;“马”是用户对于解决这个“需求”的自假设“功能”。

一个初级的设计者,被用户牵着鼻子走。听到“更快的马”以后,会马上去设计一匹“马”。这个时候,无论在“马”上如何做创新,思路已经框死,结果很难突破。最终只能出来平庸的设计,很难长久很容易被模仿和超越,实现不了多大的商业价值。

一个合格的设计者,和用户一起走。听到“更快的马”以后,会考虑“更快的”这个“期望值”,围绕着它突破“马”的局限,去做设计。最终可能会出来很好的设 计,但他们把“需求”本身跑道了脑后,最终只能简单的满足期望实现需求,而无法引导需求。他们可以做出来成功的产品,但随着用户期望的增长,这样的产品很 难有取得用户的长久青睐,也很难取得商业上长久的成功。

一个卓越的设计者,自己会作为用户的一部分深入了解他们,并带着用户一起走。听到“更快的马”以后,他们会先去考虑需求是“更好的交通”工具,然后再结合 “更快的”这个主要期望。用对用户最有价值的方式在满足期望的超越期望(把“马”这件事抛到脑后),从而引导需求,并获取更丰厚更长久的商业利益,和用户双赢。
先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的题决定。 举一个平方和的例子。 简单的平方和题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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