写文案,“简”单但是不要“减”单

写文案,能简则简!

很多时候我们写文案,前期做足了调研和思考,列出了清晰提纲,写出来逻辑通畅,内容充实,说的也是通俗易懂的人话…一切看起来都已经没啥大毛病。

但最后还是不尽如人意,总感觉差点火候,不够老练。

为什么有些人的文案会让人觉得老练呢?

老练更多是一种感觉,有时候你看完那些文案也说不出不同在哪,但就是看得更舒服。因为它背后有一个精雕细琢的人。

揽客魔课堂给大家一个建议:让文案能简则简,能精就精,这会让你写好的文案看起来火候更佳。

01

你前期用了大量的时间去准备去搜集资料,去选题去撰写,让一篇不错的文案诞生了。但之后,你可能还需要用更多的时间真正成就它。

一堆模糊、重复、繁琐的文字的确不会让主题丧失,但它会让行文呆板,让阅读的人不舒服,难以让兴趣持续,更别提被你的文案带入。

但简洁的文案会让文字更有质感和力量,能产生不错的张力和节奏感,显得更加老练。
我的备忘录里永远都躺着一句话,我一直把它称为写好文案的一条真谛——

如果你写出的一段文案,需要用另一句话去解释,那你直接用后面那句话吧。能一句话说清楚的就不要用几句话。

这就像维也纳哲学家维特根斯坦说的:“若一个解释不是最终解释,一个解释没有另一个解释就悬在半空,它怎么解释?”

所以,老练的文案一定是讲究文字精准,不拖拉,逢敌亮剑,一击即中,不需要的文字坚决不要。

多少前辈伟人都是在无数次精炼中创造了经典,托尔斯泰写的几百页手稿,最终发表时只有5页;福楼拜在稿纸上,每10行都只写1行字,另外9行空出来留着修改用;村上春树花了六个月写完小说初稿,再花七八个月进行修改…

这其实是对自己文案的一种态度,有一些偏执甚至疯狂。
虽然没人给你千金一字,但自己要有一字千金的心态,恰如其分,能简则简。

02

很多人说简洁不就是变短吗?

那我直接删掉几段不就可以了?

某些情况你确实可以这么说,但一定要注意——简不是为了变短而变短,而是变得更加老练和精华。

我喜欢的是你先写出1000字,然后不断精简,终稿300字。而不是从头到尾就是写出那300字。

要的是精简,不是精减。要的是精炼,不是单纯的短而已。前者考验的是你提炼和表达能力,而后者考验的是你凑字数的能力。

精简,是留下必要的,去掉不需要的;
精减:是强调必须减少数量。

比如你写了一段很精彩的细节描述文案,文字很多:
我害怕阅读的人。当他们阅读时,脸就藏匿在书后面。书一放下,就以贵族王者的形象在我面前闪耀。举手投足都是自在风采。让我明了,阅读不只是知识,更是魔力。他们是懂美学的牛顿。懂人类学的梵谷。懂孙子兵法的甘地。血液里充满答案,越来越少的问题能让他们恐惧。彷佛站在巨人的肩牓上,习惯俯视一切。那自信从容,是这世上最好看的一张脸。

如果是精简,我应该一个字都不会删,因为我认为写得很好很老练了;

而如果是要精减,它可能会变成这样:
我害怕阅读的人。他们以贵族王者的形象在我面前闪耀,举手投足都是自在风采。让我明了,阅读不只是知识,更是魔力,越来越少的问题能让他们恐惧。那自信从容,是这世上最好看的一张脸。

理解不一样,结果大不一样,少了一些精彩。描述细节不代表啰嗦,而精简也未必就是短。

揽客魔课堂个人一直有个观点:
一篇文案是长还是短,不是单纯由它的字数决定。文案很长,但每一句都张力十足,看完意犹未尽还想继续看更多,那它很 “短”。如果文案看起来很短,但根本看不下去,看完没任何感觉,那它还是很 “长”。

精炼简洁并不意味就是在字数上精简,而是在于表现的干净、提炼的精准、传达的聚焦。

比如北京奥美十年前为长城葡萄酒写的长文案,这么多年看了十几遍,我从没有觉得长。

三毫米的旅程,一颗好葡萄要走十年

三毫米,瓶壁外面到里面的距离。
不是每颗葡萄,
都有资格踏上这三毫米的旅程。
它必是葡园中的贵族;
占据区区几平方公里的沙砾土地;
坡地的方位像为它精心计量过,
刚好能迎上远道而来的季风。
它小时候,没遇到一场霜冻和冷雨;
旺盛的青春期,碰上十几年最好的太阳;
临近成熟,没有雨水冲淡它酝酿已久的糖份;
甚至山雀也从未打它的主意。
摘了三十五年葡萄的老工人,
耐心地等到糖粉和酸度完全平衡的一刻
才把它摘下;
酒庄里最德高望重的酿酒师,
每个环节都要亲手控制,小心翼翼。
而现在,一切光环都被隔绝在外。
黑暗、潮湿的地窖里,
葡萄要完成最后三毫米的推进。
天堂并非遥不可及,再走
十年而已。
 
03

之前揽客魔课堂在《我写文章的9+N个步骤,直接分享给你》给大家分享了自己写文章习惯的流程,其实重点也就是逼着自己简。

简单来说大致是:

思→列→堆→删→改→问→再次改→再次问→继续精(反复改稿N次)。
开始落笔写文章之前,静下心来思考文章策略,写什么,为什么,怎么写。思考完后马上列提纲,每个部分要写什么用一句话或关键词写出来。然后开始尽可能全面的把把自己要说的话、要用的资料和素材都填充进来。紧接着,就是大刀阔斧的删除那些不相关、臃肿、重复啰嗦的部分。

然后就是改,真正的去写文案,润色。等到写得差不多就不断的自己审查,找别人阅读,自我否定自我推翻,改完一遍又一遍,不断去提炼、精简、优化,这个动作不断重复。

反正就是基于文案KISS原则(Keep it simple and stupid),先做加法再做减法,再做加法继续减法,然后简简简简简简!这个就是自己怼自己,自己跟自己作对的过程。

写文案这事从来都是没那么难,也没那么简单。

每个写文案的人都渴望自己的文字能征服别人,揽客魔课堂这篇文章不是给大家什么万金油,而是告诉大家,每一次征服背后都是一次自我摧残,你得挺住罗!

写文案这事我也从来不太相信灵感和状态之说,写一次可能来自灵感,但要一直写下去,首先是积累和刻意练习的恒心,然后就是精雕细琢的决心。

这些内容是在“揽客魔课堂”里了解到的,如果觉得有帮助,欢迎分享给你的朋友,也许能帮到他们。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    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方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法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 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法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。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法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目标检测算法有: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,这样可以加快算法效率,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,称P-R
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方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法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 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法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。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法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目标检测算法有: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,这样可以加快算法效率,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,称P-R
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