我们怎么不追求极致的用户体验

作者简介:吴伟,资深产品经理,曾就职于新浪,现就职于约瑟网络,旗下产品“企业问答”,一款面对创业者的问答类社区产品。

很多时候,我们并不需要做到极致,我们只要比竞争对手好一点点就可以了。

极致真是一个很难做到的标准。曾经我以为极致就是做的足够好,后来我发现那与极致有着太本质的不同。当mp3主流容量还是64m、128m的时候,足够好是512M,而极致就是10G的ipod;当主流邮箱的空间是4M、8M的时候,足够好就是10M、20M,极致就是1G的Gmail。

当年我看到这两件产品的时候,给我最大的感受就是四个字:不是真的!

现在每当我回忆起来,还是清晰地记得那种以为自己听错了的感觉。所谓极致,不是那种让人听了说:“wow!”的产品,而应该是那种让人听了说:“你再说一遍,我没听错吧?”的产品。

既然如此,那么我们为什么不追求极致呢?因为这样回报/成本太低。注意,我说的是回报/成本低,而不是回报低。比如主流市场提供128M的mp3,我们使用100万科研成本就可以把储存空间提升到512M并占领80%的市场;但是如果要提升到10G需要1亿科研成本,占领95%的市场——为了15%的市场份额,多花了100倍的代价。

在经济学中,有个专门的名词在描述这个现象,称为“边际收益递减”,这个词比较严格的数学定义是:当收益-成本函数在一个域内连续时,该函数的一阶导单调减。用比较通俗的话说就是,同样花一块钱的成本,收益越来越少。

在我开始做产品经理的头几年,总是想把自己的产品做到极致,为这件事情经常和工程时争吵,有一个老工程师说了一句话让我记忆深刻,他说:“我最讨厌你们这样的产品经理,你们让我们花了很多时间,得到的那一点点性能优化根本满足不了多少用户。”这句话我在当时很不服气,心说你这样怎么能取得进步呢。但是随着经历的增多,我越来越赞同这句话:当我们用一个很大的成本来取得很小的收益是,当然比不上用一个很小的成本取得很大的收益。作为产品经理,必须要找到一个好的平衡点,这才是符合经济学规律的。

然而,我们依然看到有公司在追求极致,苹果、google,他们在不断的生产那些让我们感到不可思议的产品,那么怎么解释这个现象呢?

少年,你听过一个词叫不计代价么?你知道一种现象叫财大气粗么?

当一个公司财大气粗到google、苹果这个地步的时候,只要启动一个新的项目,所花费的管理费用、宣传费用、采购费用、渠道费用是个异常巨大的数字,例如苹果的A5处理器研发费用高达30亿人民币,那么在这个数字面前,再多花100万还是1亿已经没什么区别了。但是如果多花100万可以占领80%的市场,多花1个亿可以占领95%的市场,怎样更合算呢?当然是占领95%的市场。特别是,对于这种规模的公司,频繁迭代带来的成本是很高的,不如创造一款产品能够甩开竞争对手一大段距离,在一段时间内成为市场上的垄断者。

所以,我有个从小公司跳到阿里巴巴的朋友跟我说:不同的公司做不同的事,我在小公司做的事,在阿里巴巴做就不合理;在阿里巴巴做的事,小公司做也不合理。 -潭州学院

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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