设计感悟——产品的三个属性

         之前突然对产品和设计有些感悟和理解,也跟很多人聊过,发现对方即使不是做设计的,听完以后也觉得挺有意思。所以我也来跟大家分享一下,观点未必正确,但对我还是很有帮助的。

1

发现在我们生活中的任何一样产品,不论是工业、建筑、服装、互联网产品等等,任何一样人类做出来的东西,从原始人做的石器,到现在人们手中拿的手机,都包含了三要素,就是载体、功能和外观。功能和外观都容易让人记住,来说说载体,手机和家具等工业产品的载体是各种材料,金属、塑料、木材…服装的载体是各种面料,棉、毛、丝、人造纤维…建筑的载体就是水泥、砂、石、木材…网站的载体就是各种信息,是文字、图片、声音、视频…

当发现了这三点以后,一下子让我对产品有了个更清晰的认识。如何评价一个产品,或做好一个产品本身呢?就是要着眼这三点,比如手机,要看它的做工质量(载体)如何,手机的功能是否强大好用,还有外观是否美观漂亮。比如想买一件衣服,要看它的面料的质量(载体)好坏;是否保暖、凉快或是舒服(功能);看起来是否美观,漂亮(外观),都是来围绕这三点考虑的。再拿设计一个网站或软件来说,需要满足人们的某种需求,将内容、功能和视觉有效合理的组织在一起(交互设计)。其中对产品载体——内容的选择、筛选和组织同样也是设计中重要的一部分,一个好的文案也许更能传达出产品的特性,更能打动人。

2

除了练好内功,把产品的载体、功能和外观这三大块做好以外,还有些比较“虚”的东西,就是产品的品牌形象和服务。要想做好产品,还需要对其进行包装和推广,并提供良好的服务。我们每天睁开眼,都会面对各种形形色色的广告,这就是外在的对产品包装和宣传,从而建立人们对它的品牌印象。当然广告只是其中的一种表现形式,还会有一些其它的方式,比如一些活动或是人们的口碑相传等等。总之,就是要用一种外在的方式,树立人们心目中对产品的良好形象。除了品牌形象,还有服务,服务是一座桥,是拉近产品和用户之间距离,并能产生良好用户体验的一种外在方式。例如很多产品提供800免费客服电话,上门维修服务等等。

如果说什么是设计,相信每个人心中都会有个答案,我也是在每个阶段对设计的理解或多或少的有些变化,我觉得不论是工业、建筑、服装、广告或是互联网产品等等,想想都是一样的。为什么说是有形的,因为对于一些银行的无形理财类服务产品,还是有一定区别的。 记得曾经我很赞同宜家所说的“设计就是美化功能”这句话,但后来发现它少说了一样东西,就是载体,想想这也正是宜家产品的一个弱项,功能和外观虽好,但它所用的材料确不能公认为是最好的,所以才会使它的价格相对较低,广告中也总是在炫耀它的价格有多么便宜,给人一种物超所值的感觉。 “设计就是美化功能”这句话猛得一看让人们觉得很有道理,但其实它忽略了载体在产品设计中的重要性。

3

最后再来分享一个影响视觉设计风格的因素吧,我觉得决定最终产品视觉风格的因素有很多,没有绝对的原则,但是会潜移默化的受到很多因素的影响。

4

 

被顶起来的评论
  • 王小翼

    很有意思的和见解的观点,补充一点个人感想:视觉,功能和载体这三块,对于不同的产品是有不同的偏向的,比如武器,可能更倾向于实用性(功能),而奢侈品等

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,并对系统性能做出一定的优化。.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