手把手教你如何将一个拥有巨大市场潜力的超前产品给做死

编者注:本文来自Medium,中文版由天地会珠海分舵编译。本文作者是Wattage的CEO。Wattage是一个硬件创造平台产品,让就算不懂电子和生产的人也可以在该平台上可视化的进行硬件产品设计创新,然后该平台会将用户设计好的虚拟硬件产品转换成可以真正进行生产的硬件模型,然后通过激光和3D打印机等技术将该产品打造出来。本文就是通过该产品的创始人的亲身经历来给大家展示这个拥有巨大潜在市场的超前产品是如何被做死的,也许我们都能从作者惨痛的经历中吸取到相应的教训…

这里写图片描述“我们在一年前带着满腔热情和雄心壮志开始了我们的产品开发,但,今天我们终于把钱烧光而要把Wattage关门大吉了。“

虽然这是一个非常困难的决定,但我们最终还是不得不承认,我们还是失败了。

导致我们失败的原因有好几个,我觉得我很有必要将这些痛苦的经验给分享出来,也许这对后来人还是有不少的可以借鉴的价值的。

我觉得我首先要说下的是我们的Pitch演讲稿。因为很多人包括投资人都认为:“这是一个非常优秀的Pitch演讲稿”。

我们的pitch演讲稿其实一直都是好评如潮的,以致我们经常开玩笑说,就算我们这个产品做不成,我还是可以通过给别人写pitch演讲稿来糊口的。显然这只是个玩笑而已了,但我觉得还是很值得把它分享出来。虽然它并没有严格遵循标准的pitch演讲稿的格式,但至少大家还是喜欢它,对吧?[好一声叹息…]

该演讲稿充满了我们的心血,我们过程中应该有产生过60多个版本的更新才将其做到现在这个样子的,大家有需要的可以在这里进行下载.

愿景

Wattage的愿景非常的清晰明了,目的就是让所人都能自主的进行硬件产品的打造和创新。在这里我们不再受限于别人为我们打造好的大量生产的已经上架的那些产品,我们可以放飞我们的思想,自由的的根据你自己的想法和创意来对打造出你自己想要的产品。这里我们是多么的想让大家在上面创造自己的硬件产品变得像你在博客网站上写个博客一样的容易。而要完成这件事情的话,你并不需要是一个电子工程师或者工业设计师。如果你想要将你的产品卖出去的话,你也不需要担心供应链和分销渠道,因为我们会帮你搞定(这是多么大的雄心壮志啊)。这样的话我们一个完全不懂电子的普通人都能很容易的完全基于浏览器就能打造出他自己的硬件产品了。

但是,梦想很丰满,现实却常常很骨感。最终梦想还是没有如设定般的得以实现。为什么呢?

缺乏Traction(市场越来越受欢迎)


我觉得我们失败最重要的原因可以很简单的总结如下:我们没能够证明我们的产品有足够的traction。我们是在尝试打造一个需要大量定制电子元件的全新的市场,站在我们的角度,这我们觉得是完全没有问题的。但是站在投资人的角度,他们却是完全难以认同的。为什么投资人要把金钱砸向一个完全没有被证明的市场呢?你连最根本的用来试水的产品都还没有啊!(提示:他们是绝对不会投资这样的公司的)。

作为一个硬件公司,我们专注于打造一个平台的原型来尝试证明我们的愿景是“技术上”可行的。现在往回看的话,这其实是完完全全是个失败的举措。如果重来一次的话,我们当时应该剥除掉大部份其他功能,首先快速的发布一个更轻量级的平台,越快越好。然后我们的主要精力应该是放在验证市场对我们产品的感兴趣程度和获取traction上面。我们后来确实也意识到这个问题,我们也有准备尝试发布Beta版来验证市场。问题是我们很快意识到这已经为时已晚了,我们已经没有金钱和足够的资源来支持这个beta版本的诞生了。

注意力太分散


我们的计划非常雄伟,不可能一蹴而就。而事实上是我们其实也只是先关注几个关键功能子集上面而已,但是现在看来其实这还是太多了。当时我们是觉得先弄出一个围绕硬件创造的初始平台,我们先不会为客户提供市场和分销等功能和服务,也不打算在初期提供可编程硬件的功能,所以用户必须在平台设计好自己的硬件产品后自己想办法把它们集成起来。但这个看起来还是太广了。我们其实完全不急于非要先发布一个硬件创造的平台,而是先想办法做出一个单一而高度可定制的产品来拿出去给大家看。这样子做的话,我们就能够去证明我们的平台是有能力去帮助那些“发明家”(我们的潜在用户)去做出可以真正卖给最终用户的产品的。

VC的游戏很难玩转


其实一开始我们明显是有着各种不同的募资方式可以选择的,我们最终却选择了风险投资这个方式。我一开始就知道这是一条不容易走的路,但没有想到是如此的异乎寻常的不容易。就算你把Venture Deals这本书和创业教父保罗·格雷厄姆 的文章读得滚瓜烂熟也基本是无济于事的。

在开始时我们向亲朋好友筹集了250,000美元的启动资金,紧跟着我们又去搞到了200万美元的种子资金。为了搞到这笔资金,我花费了宝贵的6个月穿梭于旧金山,硅谷,纽约,和多伦多来进行资金募集。在硅谷,大家认为我筹集的资金太少了。在加拿大,我们却被告知筹集的资金又过多了。现在回想起来的话,我觉得我们在当时那个阶段确实是过早筹集了过多的资金了。与其过早的在种子期就筹集一大笔种子资金,我们当时倒不如选择从天使投资身上拿少一点的投资。这样就能够促使我们在没有太多金钱和精神压力的情况下用少量的金钱快速的发布出一个轻盈的产品。然后就能快速的验证是否可以获得traction,如果可以的话,那么我们再开始募集更多的资金进来进来,这才是正确的做法。

为了达到最佳效果,我多么希望当时我们能好好的用上AngelList这个平台,那上面是存在大量的机会的。可惜的是,当时我们仅仅是在上面创建了一个简历并不时的做下更新,并没有认真的进行对待,所以最终并没有将它作为一个募资平台真正成功的善用起来。

那么众筹情况又如何呢?


其实我们曾经差点就去进行众筹的了,但是最终还是放弃了。因为我觉得这种方式在当时对我们不是很适用。我们当时对我们的产品的成本并没有太大的信心,所以就算众筹可以拿到预期的资金,我担心我们最后还是有很大的可能在每笔交易中亏一大笔钱的。但是我们从没有放弃过在将来使用上众筹的这条路径,只是我们在采取这种方式之前需要先对我们的产品成本等有更进一步的了解。

这个生意的可扩展性又如何呢?


其实我们的商业模式是为了卖硬件(用户在我们的平台上设计好它的产品了,我们就会提供实体硬件帮用户打造出他的产品)。通过我们的平台将创造硬件产品的复杂度给大大降低,我们认为就会有更多的产品出来,从而就会有更多的人去买这些产品,那么我们提供的硬件也就能大批量的被卖出去。最终我们就会把我们的这个硬件创造平台推向市场,这样“发明家”们就可以将他们的发明卖给需要批量生产的买家,而买家的批量生产就会让我们的硬件可以大批量的进行销售。

在我们早期的pitch演讲稿上面,我们很大程度只是关注在用户授权上面。当时我们只是瞄准软件工程师这一类人,因为我们深信我们能为他们才思如泉涌的脑袋提供一个让他们的创造性源泉能够流向现实世界的泉眼(我们的平台)。但这个目标看来是远远不够的,在投资人看来,他们更想听到的是一些改变世界的想法 - 上天揽明月的雄心壮志,意义非凡的市场冲击,能够引发巨大的购买量的产品。所以,我们所说的故事还不够大!

同时我觉得我当时也没有把我们的关注点放在正确的市场位置。我们当时更多的是关注我们的产品是如何的能够给市场带来各种各样的新“发明”的产品,而投资人其实更多的是关注人,关注我们的产品究竟能有多少的“发明者”、多少的用户进行使用。所以我们的关注点最终并没有引起投资人的共鸣。

我们同时也听到不少人担心说这种硬件定制的生意究竟扩展性如何?制造业中,如果单单制作一个产品的成品是非常高的,所以往往需要大量的生产以达到规模经济的效果。我们自己的话当然深信我们可以通过标准化我们的设计和制造平台、使用模块化的标准电子元件来让大量的人员使用我们的平台打造大量的产品并大大的降低我们的边际成本。但问题是这个还只是个想法而已,这个想法还完全没有被证明是可行的,所以,很明显我们并没有做好足够的功课来降低投资人正方面的担忧。

超前的想法


有1,600人注册了我们产品的时事新闻,其中有100多个人联系过我,而他们中不少人是告诉我他们有一个如此这般的硬件产品想弄出来。问题是这些产品中大部分都是当前技术不可能实现的,也许今后人类技术的发展最终可以达成吧,但是在我所看到的很长的一段时间里是不大可能的。

更进一步的来看,当我低头看着我们之前弄出来的各种原型的时候,我发现我们的质量和效率是远远不够的。我们过度的依赖激光切割来作为我们的制造方式,虽然它所打造出来的东西跟我们的愿景很接近,但这是远远不够的。我们真正需要的是混合激光切割和3D打印的技术来打造出更完美的产品,不幸的是,3D打印技术现在对于制造业来说还是太慢、太昂贵了,它还远远没有达到可以应用于大规模生产的程度。


提醒:更多文章请关注公众号:techgogogo。当然,也非常欢迎您直接私人微信(zhubaitian1)勾搭。
版权:本作品采用[创作共用署名3.0中国大陆版许可证], 若非授权,转发时切勿删除联系信息,否则追究相应责任。本文首发虎嗅。

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