谈谈创业这点事(7)

这个话题好久没继续了,今天回来说道说道。

想找个应景的图片也不容易,非诚勿扰第一部,不知道还有多少人记得,范伟在游轮对投资人说的那句话,“风险投资,越有风险越投,没有风险,坚决不投。” 大家看的时候多半都是开心一笑,但我们发现冯导电影还真是挺有预言性的,大腕里神经病人对北京房价的预言,那准的,杠杠的。很多被认为是笑料和讽刺的东西,居然成真,这事,咳咳。

我接触过不少创业者,发现他们很多都会犯一个最简单的错误,就是在评估产品和业务的时候,往往会一厢情愿的往好的方面思考,而忽略了潜在的风险和问题,他们会认为用户都是好用户,客户都是好客户,交易都是好交易,但实质并不是。当然,有人会说,坏的人或者事总是少数吧,其实我如实的说一个事实,如果不加控制和约束,那么互联网上一定是坏的信息占主流,因为好的人或消息都是基于真实的需求有节制的发布,而坏的信息则是滥用资源无节制的发布,如果一个分类信息网站不加节制,一定被骗子信息填满,如果一个社区网站不加控制,没有管理,一定贴满了色情小广告,几乎没有例外(就算是访问量寥寥无几的论坛也会如此,因为发布者是机器人,不断的在网络扫描,只要有入口他们就会找到)。劣币驱逐良币,坏信息的获益率更高,所以可以承担更高的发布成本,而坏人则更擅长使用没节操的发布途径。垃圾邮件,垃圾信息,这些都会毁掉一个正常的产品和应用。

而除了信息之外,o2o或其他分享式服务,也存在巨大的风险,前段时间听说一个跨境物流的创业项目,希望在国际旅行中,利用旅客的空余行李额度带货,我一听就觉得这个项目简直可怕,第一,涉及通关报税的物品,你可能一两次带过去没人管,一旦海关要求核查征税,这成本谁来担负?这还不算可怕,最多是破财免灾,然后留下各种不良记录;第二,万一涉及违禁品这事哪说理去,你带的客户小药瓶里是毒品被樟宜机场查扣,你面临死刑的判决你怎么申辩!就算你终于说服法官这事其实跟你没关系,估计没半年你是结不了案的,这算是幸运捡了一条命,如果没说清那真的连命都没了。你说不会这么巧吧,委托人就是坏人?唉,坏人最喜欢这种途径带货了,把委托价标高的肯定有很多是坏人,几乎不用怀疑。美国比特币交易中相当比例以上是毒品,原因就一点,不好追查么。

分享式送货这个模式也开始流行,前几天听说个真实数据,某个特别大全国连锁的物流公司,雇佣大货司机运输,这还是专业司机专业公司,因为存在使用假身份,套牌车的司机,每年被顺走损失的货值数千万,触目惊心不。现在开始使用第三方进行全部司机的个人征信服务。你说第三方分享式送货这个问题如何解决?一单赚不了几块钱的生意征信成本谁来出?

去年开始跟一个投资机构合作了半年多,惭愧的说没帮对方弄成什么爆发的大项目,但值得一提的是阻止了对方一次危险的投资行为,当时来问我快播怎么样,数据很好,用户很多,我就说这玩意不洗白是没办法上市的,洗白了就没啥用户和流量了,建议不要碰,当时快播正在做洗白的事情,但没想到话音刚落没俩月就出事了。

产品设计也存在这个问题,一厢情愿的去鼓励或者刺激用户的行为,往往未必能如所愿,一点点利益诉求都会让用户反其道行之,前几天在上海,从浦东打车回浦西,大约30多公里的一个大活,用滴滴打车,很快司机来了,一上车司机就说,劳驾取消订单,我们打表走。 大家都知道滴滴打车花了多少钱培养市场,花了多少钱养成用户习惯,我不知道他们听到司机这样讲是什么感觉,这个司机想必以前领了不少滴滴的补贴,然后又是通过滴滴接到了我们这个订单,但是上车的第一句话是,取消订单,打表。 对我们而言,取消订单与否和花费没有任何影响,30多公里的车程当然不希望司机甩个脸色给我们,自然欣然从命。然后好奇的问,为什么不用滴滴订单呢?原来是滴滴出了一个功能,接订单根据里程要消耗什么什么积分,本来这个功能设计初衷应该是鼓励司机去通过某种行为攒积分的,但实际就是,司机会请顾客直接取消订单,而顾客呢,基本都会照办。 所谓的用户忠诚度,在这里不值一提。 有意思的是,最后下车的时候,又用滴滴来付款,这事想想真有意思。 你给我方便,给我补贴,我就用,不给,就拜拜,用户的思维简单如是,你凭什么认为他就一直是你的用户?你的功能设计他就会照做?

硬币都有两面,很多项目,你如果只是从乐观的方式去思考,怎么看怎么好,怎么说怎么有机会,但是反过来,隐患和风险往往触目惊心,如果你不正确认识这些,很可能一上来就被这些坏信息坏人坏交易淹没,然后,咳咳,大概就没有然后了。

那么,我们都想规避风险,寻找安全的机会,然而,这又回到本系列最初的观点,悲观的人没有机会,说的就是我这样的,我胆子小,又比较喜欢琢磨,往往看什么项目都是风险重重,所以不断错失良机。

再回头看那个范伟的神预言,风险投资,还真是投有风险的项目,你没风险,你稳定获利,你收益回报超高,你有病啊你找风险投资!你有这样的把握你找银行或民间借贷的成本比投资成本低多了亲。风险投资的融资成本远高于各种贷款,这是行业公认的常识,回报从来都是跟风险相关的,你说搜索引擎有没有风险,你还别说国内的搜索节操低,我党恨不得用人民搜索替换所有商业搜索,这情绪你说你不懂? 你说即时通讯有没有风险,中国移动,中国电信,中国联通眼瞅着企鹅从他们手里抢钱你以为他们心甘情愿?十几年前如果某个电信领导能看懂这个未来掐死企鹅不是分分钟的事情。你说电子商务有没有危险,国税局到现在狠的牙痒痒的,咋那么多商家公然就不交税呢,更不用说支付宝,马云如果不是姿态摆出十成十外加在股权架构上各种“中国特色”他能过的了这关? 巨头之所以成为巨头,就是在法律和政府还没明白他们是咋回事的时候就把事做成了,然后挟民意而来与政府达成某种妥协。 而没能在政府明白过来之前把事搞成的,很可能就被政策和法规一棍子打死,淹没在各种死亡榜单中。

如果一昧害怕风险,拒绝风险,就没有uber,就没有airbnb,就没有特斯拉。所以,风险并不是创业者最致命的敌人,恰恰相反,有时候,风险也会是创业者的朋友,因为项目有风险,所以巨头们不敢碰,觉得拿自己这么大的家业去赌不值当的,创业者才有机会冒出来,比如腾讯就不会去碰陌陌,不会去碰9158;在这时候,项目风险反而成为规避巨头碾压的避风港。

那么,今天我要说什么呢?

1、做项目规划的时候,要充分考虑风险,正视风险,不是说有风险的项目不是好项目,但是如果无视风险,那么运营模式可能会遇到极大的挑战,包括产品设计也是,切忌一厢情愿,要考虑清楚负面的东西。

2、做好应急灾难的响应计划,我这几天跟我自己的团队和有参与的团队都在强调这一点,线上出问题,出状况,要有准备,不能慌乱,不能没有备案,这个我们吃过大亏,非常深刻的教训,要未雨绸缪,对安全问题,严重的线上事故,以及其他可能出现的各种坏情况,有灾难容错机制和响应处理流程,只有这样才能抗的过打击,事实上,有些本来不错的公司,就是因为一两次严重事故,直接萎靡不振,甚至业务被迫终止。

3、计算风险回报关系,计算风控成本,所有东西还是要数据化,能够计算相关的成本和潜在收益比,获益不高,风控难度大,风控成本高的东西个人建议就别碰了;风控可操作,成本可控,获益比风控成本有显著优势的,当然还是可以积极拓展的。

4、不要触碰法律底线,不要触碰道德底线,特别是中国,政治领域的敏感区也很多,王兴的饭否本来挺好的项目,咳咳。

5、高风险,高回报,心态要好,学费还是要交,有些风险,你再怎么算,可能也躲不开。


最后说一句,不放广告,就说个观点吧

随着互联网金融,以及o2o的普及,征信和风控领域是行业热点。包括企业征信和个人征信。 信用体系将是互联网基础领域特别大的一个范畴,目前还有很大的空间可以挖掘。

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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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