产品的不同阶段,靠什么打动投资人和老板

今天我们来聊一聊投资人/老板这样的资源拥有者,他们是如何评价一个产品好坏的。从另一个角度来说,也就是你作为创业者/产品负责人,在不同的阶段到底怎样打动老板或者投资人。

 

我们首先得意识到不同阶段,看的重点是完全不一样的,下文就以投资人看创业项目的视角来说。

 

首先在最早期的时候,他们其实并不是看产品,当然这个时候也还没有产品,他们看做产品的团队,特别是核心人物。我记得在2014,15年最夸张的时候,也就是风险投资最火热的时候,当时只要你是阿里腾讯这样的大公司里面的中层员工,不管你出来做什么,只要你想出来创业,就会有投资人马上盯上你,直接说我给你三五百万占你10%的股份,甚至他们会主动撺掇没有离职打算的员工出来创业。这就是典型的投人投团队,这基本上对应着种子轮,拿了这一轮钱,团队就要开始做产品。

 

但,毕竟投人靠的是这个人过去的信用背书,只能拿到第1轮钱,下一轮就得看做出来的那个东西,也就是产品了。投资人思考一下解决的问题是不是靠谱,解决方案对不对,如果路子对的话,那这个时候可以拿到第2轮资源,这个差不多对应着天使轮,常见的金额是大几百万到小几千万人民币,金额和行业与产品形态相关。

这一轮的钱呢,通常我们就要做一些市场行为,和真实的用户互动来优化产品。

 

再往后,产品已经出来了,更后面的一轮钱或者说资源看什么呢,那就得看实打实的数据了,也就是市场的真实反馈,这一步我们可以稍微展开一点讲,因为真实的数据,又分为不同阶段,基本上对应着从A轮B轮一直到IPO。

 

首先看的数据是增长,这是第一阶段,因为任何一个产品在开始的时候,我们都要去验证他有没有真正的达成用户价值,而某些跟增长有关的数据可以给我们很好的提示。很多传统企业的人都很奇怪,为什么有些互联网公司不赚钱,但是却那么值钱,投资人趋之若鹜,市值估值很高,其实就是因为他有一条漂亮的增长曲线。因为任何公司的资源都是有限的,只要有一条漂亮的增长曲线,那就意味着未来更大的想象力和可能性,我们就不应该把资源拿来用作变现,而应该去尽量的维持更大更长时间的增长,有了这个想象力以后,将来总是被认为不愁赚钱的,所以这个阶段赚不赚钱其实并不重要。

对了,需要补一句的是这里说的增长,是良性的增长,是有留存的增长,而不是做出来的数据。

 

那增长毕竟总会碰到瓶颈,那看数据的第2个阶段呢,那就要开始看你能不能赚钱了,赚钱我们讲又可以细分为收入和盈利,其实是不一样的概念,有没有收入是用户对你的认可,愿不愿意拿钱来投票,这是最实打实的,而有没有盈利呢,就是看你自己内部的一些运转效率了,这个包括生产研发的效率和营销推广的效率等等。

讲到这里,我觉得可以去好好研究一下瑞幸的做法,他在不同阶段到底做什么数据,其实是很有讲究的。

 

跟钱有关的数据,如果还是比较好的话,那你的公司就很有可能可以准备上市了,上市之前看的数据又会不一样了,这个时候会看市场的占有率,也就是说会思考整个市场有多大,将来这个市场大小是如何变化的,你在其中又能分到多少份额,将来这个份额又是如何变化的,这个视角会上升到整个行业生态,这是对你最终值多少钱的一个终极评估。

 

好了,这一篇就讲到这里,我是用语音输入法直接转文字的,所以看起来可能有点啰嗦,然后做了一些简单的编辑修改,不知道大家看这样的文章感觉如何。

__________

苏杰(iamsujie),前阿里产品经理,写过《人人都是产品经理》等三本书,现在做创业者服务,良仓孵化器创始合伙人,也是产品创新独立顾问。

更多产品创新话题,点击原文,免费试听在线课程。

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,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。
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