微信之父张小龙:怎样做简单的产品经理?五

产品定位和人性化满足用户 用一只蝴蝶引发一场风暴,虽然这样的事在自然界非常少发生,但理论上也是有可能的。所以我们更多的聊一聊这个功能,觉得挺自豪,因为它是非常简单的一个东西,但是在用户里面引起了一场“风暴”。

产品定位很重要,我们说很多时候产品经理做的是功能而不是定位。功能是做需求,定位是做一种心理诉求,也就是说定位是更底层的一些心理供给。

最后说我们做的东西,能够把它做到底层的需求。就像我们做微博,如果只是说我们要打开微博,跟用户无关系,跟用户的心理动机无关。如果我们说微博能 够满足用户的心理诉求,让他获得安慰感、排除孤独感,让他获得成就感,让他在里面更加自信,让他在里面像一个敌人一样,虽然这些诉求对用户来说不一定是好 事,但是他自己意识不到。

定位很重要,所以我们在微信的3.5版本里做了一个换界页面,这个页面写的字是“微信不只是一个聊天工具”,它还是别的。其实当时想写的一句话后来 没敢写上去,当时想写“微信不是QQ”,然后再翻一页,“微信真的不是QQ”,再翻一页,“微信确实不是QQ”。后来觉得我们还是要温和一点,不要这么 急。后来又想了一个方案,“微信不是一个聊天工具”。这句话很激烈,但是用户看不懂,说不只是一个聊天工具。然后翻几页到最后,我们会说“微信是一个生活 方式”,而不是说它就是一个聊天工具,这就不一样。到了最后一页,我们就说开始我的“信”生活,是微信的信。然后他一点就会进入到一个很神秘的空间里面去 了,这有一个“洞房”,其实值得看一下,就会有一扇门打开了,然后一个页面就出来了。

通常我们做软件:一个换页,此版本功能更新,1、2、3、4、5,然后尽可能把一些技术指标罗列在上面,告诉用户说我们这个性能又增强了,格式又多了,下载的速度又从每秒钟多少K提升到多少K了。

我们总把用户当做技术专家来看待、当做机器人来看待,但是用户要的不是这个东西。所以在产品里,我们一直要坚持的一个原则是,尽可能不要把技术指标暴露给用户:会禁止显示正在下载,每秒钟多少K的这些数字,“下载”两个字样尽可能不显示。

同样,我们在做一个“what’s new”的时候,为什么要做一个新功能介绍?用户真的对你的功能、特性感兴趣吗?虽然这是大家的日常工作,但用户不需要。用户要的不是了解你的参数、特性、技术指标这些东西,用户要的是你给他提供了什么新的体验。

比如微信第一次你可以使用透明背景动画表情来表达你此刻的心情,我们告诉用户的是这可以表达你的心情,而不是说我们做了一个很牛B的动画表情。用户 要的不是动画,用户要的是我可以表达心情,这点是最重要的。虽然我们这里面包含了很复杂的技术,但我们把它隐藏起来了。很复杂的技术是什么?从技术的角度 我也挺自豪的,因为这是全世界第一个可以把任何GIF的动画,从背景里面抠出来然后放到这个屏幕里去,屏幕可以设任何背景。GIF动画只有动的东西,背后 全是透明的,是这样一种效果。就不会有一个方框,框里有一个背景,动画只能在这里面——这是QQ表情的做法。

但我们即使做了这么强的技术,我们也不会跟哪个用户说,你看我们这个技术很牛。我们会告诉什么才是他要的,是表达他的心情。我们宁愿把那个隐藏起来,告诉用户说你可以和朋友玩剪刀、石头、布的游戏,它是可以玩的。

有的时候我们程序里肯定有bug,当产品做得很好的时候,我就容忍这种bug。我说有bug也是人性的体现。我们引用老乔的一句话,产品是技术和艺术的结合,或者产品是技术和人文的结合。说得非常容易,但是你怎么样在你的产品里包含这种人文或者艺术的成分?这挺不容易的。

所以对一个产品经理来说,需要提高自身修养,在技术之外的人文方面有一些自己的认识。微信有一个版本的换页里是迈克尔·杰克逊的画像,那里面还有一句话,有没有谁记得?

其实产品是可以表达产品经理自己情感的地方,如果大家用得好的话。迈克尔·杰克逊这个东西,当时是我个人主张要放上去的,因为有一段时间我在车里整 天都在放迈克尔·杰克逊的音乐。听起来很流畅,节奏很快,你一听到那个节奏就会越开越快,所以经常会超速。但它确实非常流畅,以至于我觉得我们产品,很大 的程度上流畅度是由迈克尔·杰克逊的音乐带来的启发,所以我觉得一定要感谢这个人才行,感谢的冲动非常强烈,我说一定要放上去。

放上去后,正好我们以前也放过迈克尔·杰克逊的这一句话:“如果你说我是错的,那你最好证明你是对的。”为什么放这一句话?其实当时很多评论家老是批评我们,你们这里做得不好,那里做得不好。我觉得用这句话来回应这些评论家挺好。

所以你看,如果你把你个人的情感包含到产品里面,是一件很爽的事情。但我们不要把人机器化,也是这样一个观点。这种例子在我们产品里太多见了,我们 太多产品太机器化了。我们动不动就告诉他这个图象有250K。我用了一下微博,看微博的点图片下载,正在下载85.97%,精确到小数点后面两位,这些都 是不人性的体现。

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,请切勿用于商业用途。 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,请切勿用于商业用途。 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,请切勿用于商业用途。 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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能出一定的优化。.zip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。
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