技术人的未来(三)——红海与蓝海

本文通过对比腾讯产品经理牛津的产品推广策略与创业团队洋葱的灵犀产品定位,探讨了红海市场竞争激烈与蓝海市场机遇并存的两种不同战略选择。分析了在红海中如何运用博弈思想寻找生存之道,以及在蓝海中如何把握先发优势。

    今天乐帝有机会去了张家口的天漠,恰逢APEC会议,沙漠上空的天格外的蓝,沙漠的黄与天空的蓝都极其纯粹,相映成趣,心也格外的开朗。短途旅行,常会带上一本书。舟车颠簸,容易晕车,仍然翻阅了一些页数,这本书书名是《创新者的解答》,整个书的逻辑由于只读一部分,不好妄自揣测。开篇即讲企业的创新分为延续性创新与破坏性创新,这两个词可以理解为改革和革命,当然后者现在社会上用的更多词是颠覆。

    从浅层理解延续性创新和破坏性创新,可归纳为红海与蓝海的关系。置身红海收益微薄、竞争激烈,比较而言,蓝海是一片新大陆,少有竞争、耕耘之后,收益不菲。乐帝本周听了两场讲座,姑且往红海与蓝海这一对词上靠一靠。

    先从周六腾讯高级产品经理牛津的讲座讲起,观众大多被腾讯与高级产品经理,这两个关键词吸引到现场。牛津也确实讲了做产品的一些流程,内部开发部分:比如做产品首先确定主题,整个产品的过程中不能偏离主题。具体项目中涉及到五个迭代,中间包括调bug、提升用户体验细节。产品外在运营:涉及形式、内容、行为。

    除了以上产品通识外,牛津作为职场打拼七八年的老江湖,言行上更多的体现着运营的博弈思想。这后面的内容更像是整个讲座的“干货”。

    产品上线,就需要找用户,这时渠道就很重要,牛津从腾讯内部运作讲起。腾讯作为三巨头之一,拥有微信与qq两个重量级产品,这两款产品附带的是用户量,如果内部做的产品稍微使用qq与微信推广一下,就可以一步登天。而腾讯是大公司的代表,内部已经不是几十个部门的关系,而是几十个事业群的关系。就连张小龙当前做微信最焦虑的都不是易信,而是qq。可见内部竞争已经白热化。

    牛津所在手机浏览器这个部门,在整个腾讯内部资源与地位都乏善可陈,自然不被重视,牛津的生存智慧是什么?牛津演讲的时候,令乐帝印象深刻之处在于每个问题不是长篇大论的论述,而是条理清晰,列出一二三点的方式,可见其平日思考总结很多,当然会后乐帝记下了其博客地址

    在腾讯,牛津自述有两点过人之处,其一,可以通过公司文件,分析公司所有产品优劣,并确定弱势部门。其二,通过小道消息,第一时间了解公司各个产品动向。以上两点可见,牛津绝非单单产品经理那么简单,久经职场考验,太熟悉在大公司处于弱势地位,该如何左右逢源。

    其产品推广并不对qq与微信有太多搭便车的期待。而是根据以上两点判断,与弱势部门达成合作。还记得乐帝《商场博弈论》这本书的总结,群面场景,倘使都弱势,那么最好的办法就是互相合作与强者对抗。牛津的策略很对,其对待合作也不是一厢情愿的合作,而是通过提供接口与其他部门业务做深度绑定,这样即便以后其他部门想撤除合作,牛津部门也能留一手。

    其对产品上线反馈也有独到看法,上线效果好原因可归结为竞争对手太烂或者之前市场空白。这倒是有点红海与蓝海的意思。不过其对待竞争对手的态度则是抓住缺陷,往死里打。

    整场讲座下来,牛津的言行或一些观点,不免让人觉得此人品行是否有缺陷。但考虑到牛津多个公司背景以及熟读各类书籍,并且还在内外竞争都异常复杂的腾讯,形成此种干脆直白的生存信条,也就不难理解了。

     现在跳出这场讲座,很明显不是每个人都有学识与头脑达到牛津的认知高度,但“不如”牛津的人还能比牛津更成功,为什么呢?我想这就是红海与蓝海的区别。牛津所在的腾讯是丛林法则,适者生存,要想在公司立足,就要懂一些博弈法则,而这往往无形中耗费了很多精力,对于互联网产品烂大街的产品领域,要想突围更难。猛回头想到《互联网降级论》这篇神论点,假如牛津降级,他的人生将是怎样的景象。也即牛津虽然优秀,但其处于红海之中,无论是产品或是才能,都不能发挥最大的作用,红海猛于虎!

     乐帝一直比较关注公益,原因可循公益之旅系列文章。这周去北师大公益研究院听了一场讲座。演讲人洋葱也有腾讯产品渊源。倘使现在工作了,遇到创业团队中没有从BAT出来的,你都不好意思叫创业,洋葱这个团队也不例外。但从上述牛津经历可看出,很多从大公司出来创业成员多是在公司发展无望无奈而已,这对毕业想投身BAT的学生来说,是多么痛的领悟。

   乐帝的重点不是讨论打工还是创业,而是红海与蓝海。洋葱带来了一款产品灵犀。这款产品主要是面向公益机构的CRM,虽然乐帝没有试用过,但是乐帝还是想逆向其产品定位策略。

   不管是乐帝目前实习公司将本公司CRM改叫高大上的名字SAAS也好,还是洋葱号称其CRM系统有多少群发微信、群发短信高大上的功能也罢。从技术层面上来讲,无非是数据库、后台逻辑、前端展现数据。技术分类很简单,而现实生活让人着迷之处在于,它永远不像技术这么“合乎逻辑”。

    乐帝实习公司产的产品tita可用于公司内部社交联络,但换一个场景我把其用于监狱管理、银行管理都没多大差别,差别之处在于各行各行的流程逻辑不同,当然到用户那儿叫需求。下面以乐帝的公益经验谈谈灵犀的定位。

    如乐帝开篇所述,创新属于破坏性创新与延续性创新。CRM作为以销售为核心,沟通售前管理、线上线下营销、售后管理于一体的系统,在企业间肯定算得上是红海了,这也是CRM应用最多的场景。但不止企业销售要走流程,乐帝实习公司产品是做的招聘CRM,只不过这里用户是应聘者而已,但同样是走流程。

    灵犀定位亮点在于,其选定公益机构这个蓝海,据乐帝所知,未来公益组织会有一个大繁荣期,公益事业也会随着政府放权获得蓬勃发展的机会。这首先确定了这个蓝海的规模体量即用户会不断扩大。而目前针对公益机构的CRM确实属于凤毛麟角,这两点就决定了灵犀的先发优势。

   以上是用户和市场定位分析。从市场需求来分析,公益机构具有多种利益相关方。乐帝将其分为三种:

  • 资金来源方,即公益机构的上游:企业、捐款人、基金会。
  • 平级合作方,即合作机构:NGO、社会媒体。
  • 项目执行方,包括志愿者和受益人。
   为什么没有公益机构本身?正像企业有边界一样,公益机构也有边界,对内与对外是两套系统。由上可知,一个公益机构可以有这么多利益相关方,那么实际项目管理运作中就会遇到很多问题。
   1.利益相关方数据分散,例如社交媒体上、线下活动报名签到、录名片、捐赠平台。这么多数据来源,如果不进行统一管理,整个团队很大精力会浪费在如此低效的事情上,这点乐帝是深有体会的。
   2.对数据缺乏了解。例如志愿者叫什么、生日、社交媒体情况、捐赠情况。任何人无论公私与否,假如得到正面反馈,都会更加促使其更加投入。而公益事业这方面管理仍然没有公司赢利为驱动力来的高效,即对利益相关方不了解。
   3.数据的使用。拿夕阳再晨招募志愿者情况举例,蓟门里社区受益老人众多,而招募渠道有限,而最容易招募的方法就是招募老志愿者,而此数据并没有很好地利用。
   以上三点问题,构成了每个公益组织都需要耗费大量人力物力,而又不能一劳永逸解决的问题。而灵犀定位是细化以上各个场景、流程。以数据为驱动,对数据收集、整合、处理。来针对性解决以上三点问题,将其多渠道信息管理一网打尽。这里构建整个系统动用的技术及各方面做产品的能力与牛津做产品无二,区别仅在于产品背景不同。但其开辟的是一片蓝海,而且其产品分层收费,收费针对大型公益高级需求,这样既保证使用度又保证现金流,而且还避免了互联网产品难于套现的怪圈。真可谓好项目。
   想想牛津与洋葱的区别在哪里,我想是不是扎克伯格来中国说的那句话,一个是想左右逢源,一个是想改变世界。当然乐帝空口白话,谈到自己,先得整清楚如何来构建一个复杂系统这个命题。然后才是红海与蓝海的选择。
   

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证优化等流程,是数据科学项目中的常用工具。 、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差方差,增强整体预测的稳定性准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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