如何写出好文案,不妨试试这个(下)

本文探讨了成为优秀文案的挑战,强调了掌握炫耀尺度的重要性,指出自嗨视野与内行视野的区别。通过分析广告案例,提出洞察消费者需求和运用策略思维是关键。同时,提倡通过深入理解底层逻辑,持续学习和思考来提升文案水平。总结了进阶三步曲:了解规律、实践方法和深度洞察。
摘要由CSDN通过智能技术生成

我们接着说:想成为一个好文案,为什么这么难?

四、拿捏炫耀的尺度

​能驾驭好这个尺度的人或者品牌都不多。奇葩说的中老年天团中,罗胖就特别油腻,不招人待见。而马东懂得适时自黑、自嘲,更招人喜欢。
 
 
 你知道你不是第一个,但你真的介意吗? 
 
就此打住吧。
 
问题和压力,往往会倒逼出高质量的学习。所谓 “我注六经,不如六经注我”,讲的就是这个道理。
 
大多数人以 “学” 为向导,而少数人以 “我” 为向导。需要用什么,就去学什么,然后形成心得、灵感、独门方法。
 
匠人的工具一定要趁手,武士的兵器随时要锋利,文案的口袋中至少要揣点独门方法。这些都是保命吃饭的家伙。
 
03
自嗨视野和内行视野
 
身为文案,当你拥有了一个清晰的思维框架、一套独门方法后,你还需要什么?
 
还需要洞察。
 
面试的时候,我常问对方一个问题:你最近看了什么好广告?烂广告呢?有意思的是,脑白金是提名最多的烂广告。
 
如果你问烂在哪里?有些人会答:暴力洗脑,侮辱消费者,特别俗气等等。设想下,如果一个外行,比如外卖小哥来点评,是不是说得也差不多?
 
所谓外行看热闹。外行习惯从自我视角出发,看事物只看表面,用情绪做决定。容易和网上喷子一样。都是自嗨视野。
 
而内行呢?他们通常从消费者视角出发,用专业框架去思考。
 
例如脑白金确实招人烦。但从策略层面来看,他们会问:为什么它的定位很有效?
 
习惯用自嗨视野的人,只看表层的创意部分,因为这样非常轻松有趣。半小时能翻完一本Archive,两天能看完一本书……
 
这只是把屁股黏在该学习的地方,却把脑袋留在了家里。他们用 “我很勤奋” 的假象感动自己。久而久之还会疑惑,为什么我这么努力,还是没进步?
 
而采用内行视野的人,习惯忍受复杂枯燥的思考过程。
 
例如有一次,我在《盗梦空间》中看到一幕:齐藤邀请盗梦者柯布出马,并对柯布诱之以利。但柯布深知任务艰险,一口回绝。这时齐藤只用了一句话就说服了他:“你是愿意放手一搏?还是要等到年华老去心中充满遗憾?”
 
 
为什么他一句话就能扭转乾坤,说服对方?
 
自嗨视野会怎么解释?他们会说:注意,这是一个洗脑神句!或者说,震惊!疑问句让文案效果翻倍!诸如此类。
 
那内行视野怎么看?探寻金句秘诀必须探求底层逻辑——因为文案说什么,比怎么说更重要。
 
后来,我想到了营销的底层概念:需求。
 
 
需求源于现实状态和理想状态出现了落差。换言之,激发需求有两种方法:
一种是降低现实状态,激活问题识别;
一种是提升理想状态,激发机会识别。
 
用需求的落差工具来拆解,你会发现齐藤是激发需求、挖掘痛点的高手。简单一句话,包含了三步技巧。
 
第一步, 拉高对理想状态的认知价值
“虽然风险高,但是为梦想值得赌一把。”
 
第二步,降低对现实状态的认知
“如果不行动,只能一辈子在忏悔中度过余生。”
 
第三步,将两种认知放到一起,形成悬崖式落差,落差越大,痛点文案的效果越强。
 
“你愿意放手一搏吗?还是要等到年华老去心中充满遗憾,孤单地迈向黄泉路?”
 
乔布斯的经典一问也是这么做的:你是想卖一辈子糖水?(刺痛现实状态) 还是跟我一起改变世界?(刺激理想状态)
 
 
红军得天下也是这么做的:打土豪(刺痛对现状的痛恨),分田地(激发对理想的渴求)
所以,每看到一个现象、一个知识点时,不断问自己:
 
为什么它有效?它的底层原理是什么?什么情况下它的效用最大?还可以怎么改进它?当你这么做,你已经开始跃升好文案,并终将迈向更高的领域。
 
文章很长。看到这里,恭喜你,又完成了一次高密度高质量的思考!一个好文案,一定是顶尖的终生学习者。进一寸有进一寸的欢喜。
 
以下是脱水版进阶三步曲。无需遵医嘱,酌心情服用。
 
第一步,know-What:用思考框架,穿过表象学习规律。扎实打地基。第二步,know-How:围绕一个问题,横向寻找知识间的联系,归纳出实战方法。第三步,know-Why:保持内行视野,持续深度思考。万物皆可创意。
这些内容是在“揽客魔课堂”里了解到的,希望对你有所帮助!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方 目前主流的基于深度学习的目标检测算主要分为两类:Two stage和One stage。Two stage方将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算有:R-CNN系列、SPPNet等。 1.2 One stage方 One stage方直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方的优点是速度快,因为省略了Region Proposal生成的过程。One stage方的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 1
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