你信了摆摊经济,推着小车出门以后..


来源:接地气学堂

作者:接地气的陈老师

互联网人,来摆摊了!摆摊经济一词大火以后,很多自媒体又开始算起摆摊的账。特别喜欢算出诸如“卖煎饼大妈月入3万”之类的账目,再加个“互联网人”的点缀,刺激在西二旗或者张江高科地铁站拼了老命才挤下车的互联网人的眼球。

这种文章权当调侃,看看就好了,可如果真的有人信了呢……

  1

看似科学的分析过程

互联网公司的小王就真的信了!当然,他也按各种帖子的说法,做了细致的数据分析,励志要超越月入3万的卖煎饼大妈,成为煎饼王的男人!

在淘宝搜煎饼工具,获得固定成本

  • 全套煎饼工具:100元

  • 小车:200元

  • 炉子:200元

 

继续搜:生产成本:

  • 鸡蛋5毛一个

  • 面皮3毛一张

  • 火腿5毛一条

  • 大葱、酱、油成桶买的,预200元

这么算下来,一张煎饼成本1.5元,加火腿的也才2元,至少卖7块。每张毛利至少5.5元。月入30000,那么一天只要卖30000/(5.5*30)=180张就够了。一天早上班和晚下班能卖两拨,一拨只要90张。

当然,如此机智的小王,还想到了:

  • 价值思维:在小车上带上矿泉水,纸巾,冰红茶,扩大卖点。

  • 流量思维:一般企业上班早,6-8点卖一拨;广告公司、互联网公司的上班晚,9-10点换个地方卖一拨。

  • 极值思维:煎饼一定要,摊的圆,蛋一定要涂抹均匀,打造核心爆款引流。

  

有互联网思维和大数据护体,这一波一定旗开得胜。之后还可以建立人工智能模型精准分析,稳赚稳赚!虽然早上出门的早点,晚上回家晚点,但是收入颇丰啊!再说了,搞得跟个我在互联网公司上班,不是早上6点出门晚上10点到家一样!于是满怀希望,小王凑齐小车出发咯!

  2

真实上路的悲催

真上路以后:

  • 第一天上路,遇到今年第一号热带风暴……

  • 之后是,热带风暴二号、三号、四号、五号、六号……

  • 风暴之后,是连续8天40度高温警报。突然觉得小车烤炉很多余啊,直接在马路上摊吧!

一个月后,以上终于消停了,能认真卖了吧!

  1. 推到热闹的地铁站门口,吃到了当地摆摊的河南老乡们合力的痛打。损失小车*1

  2. 推到没有团团伙伙的地方,发现摆摊的非常多,光煎饼摊就二十几个……

  3. 推到既没有团团伙伙且没有人竞争的地方,发现没客人了……

跑遍大半个北京城,终于找到一个能摆摊的地方,这次能开搞了吧

  1. 才发现摊煎饼原来这么耗体力,才摊了20张就累扑街了,感慨大妈身体真好;

  2. 累的半死中午想吃顿好的补补,发现严重消弱毛利啊,大妈都是吃馒头喝凉水的……

  3. 原来好地方没那么多,虽然城管不管了,但是写字楼、小区保安、实体店老板照样会怼;

  4. 从一个区域推小车去另一个,浪费的时间比销售的时间多的多的多

  5. 原来没几个顾客买煎饼又买其他的,推着一车东西还把自己累半死

  6. 经常折腾销量不稳定,经常有多的面和蛋剩下还快坏了,干几天倒一批。好心疼……

经过以上折腾,小王筋疲力尽。晚上和几个朋友撸串吐槽。一个做数据分析师的朋友说:“你这是流量入口没有选好,你可以精准采集逛街用户的年龄、性别、收入、职业、生育情况。之后计算下不同摆摊的地点的客流量与客单价。然后评估一下哪里收益最高。你可以导出支付宝数据然后建立神经网络模型,精准预测流量……”

算你麻辣隔壁!”小王直接骂出口来。

到底哪里出了问题呢?

  3

问题的核心在哪里

这是个典型的:“从数据分析结论,到业务落地,到底有多远?!”的问题。注意,小王做的分析详细程度,是远远高于只会做几根活跃、留存、转化曲线然后大喊:“要搞高!”的所谓“互联网数据分析师”的,至少他深入了业务过程,去考察了到底一个煎饼是怎么做出来的,需要哪些原料、生产过程如何、摆摊要考虑哪些小区。那他到底问题出在哪里呢?

站在成功的终点,分析胜利者的特征,是这种分析方法的原罪。这里存在着3大非常常见的分析误区:

误区一:拿特例当常态。在产品经理、运营做案例分析的时候,这种事经常发生,往往缺少深入分析训练的人,喜欢拿最高光的时刻去做研究。从表现到本质,至少要稳定的观察一段时间,比如一到数个自然年,或者连续观察若干周期变化,这样才能沉淀经验。可做案例研究,往往喜欢抓住一个成功点猛吹,于是带来了误导(如下图):

误区二:拿结果当过程。所有的胜利者分析都有这个通病。在胜利者胜利以后总结成功的十大因素,把胜利者放的屁,拉的屎都算做成功的关键一发!可实际上,最后的结果都是一个增长过程里实现的,有可能在不同增长阶段需要关注的问题不一样,使用的方法、工具、甚至运气都不一样。(如下图)。

误区三:拿个体当全体。很有可能这个最终胜利者只是一个幸运的幸存者而已,在观察留存情况的时候,整群看留存率更有意义,更能发现这到底是幸运儿还是能力真的强。

类似的事在生活中非常常见。我们总是听到一个成功以后的人或者企业在可劲吹,至于到底怎么发家的,到底从0到1从1到60的全貌是啥,除了他吹嘘的“拼搏”“努力”以外还有啥,通通不知道。可偏偏这种鸡汤最得人喜欢,因为听故事的有意思程度,远远超过搜集、整理、计算枯燥的数据。

有意思的是,我们会发现:老乡帮老乡的经营模式,能完美的避开以上三个坑。

  1. 老乡们都在一起生活,了解所有业务常态。

  2. 老乡们相互知根知底,能知道发展全过程。

  3. 老乡们一条村干一个产业,所以容易观察到群体结果。

所以在真实的商业社会里,我们看到更多的成功例子都是一条村一条村的老乡抱团在做,潮汕商会、福建商会、做家具的江西人、以及摆摊最多的河南老乡。

朴素的商业逻辑后往往藏着最实在的道理,做互联网的小伙子们调侃下实事,愉悦下心情是极美的,可真要自以为“互联网思维”+“大数据”+“底层逻辑”+“人工智能”护体就刀枪不入,那估计真是上边说的“胜利者鸡汤喝太多了” 在现实生活中,制约人们分析问题能力的,往往是数据采集环节,因为太琐碎,枯燥,烦人了。 


End


    数分面试题到底能不能面出水平 ?    机器学习万字实战宝典!    数据分析里常用的五个统计学概念
『数据不吹牛』二群限额开启后台回复“入群”即可加入

“不错”

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,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