B端saas产品记录1

最近越来越感觉做b端saas产品的艰难,主要有以下几个点:

1.产研团队

1.1产品经理

B端业务逻辑复杂,通常不会是一个人就能完成的,基本会有一个总的产品负责人,再加上各个模块的产品经理,主要执行的是各模块的产品经理,对于用户来说,需要的是整个全链路的需求满足,但实际做的过程中,各模块之间的信息互通是比较少的,就会造成一种情况,当一个模块的产品在做产品设计时,只考虑本模块的业务,不考虑各模块之间的流转时,设计出来的产品单看好像没有毛病,但当你进行全链路体验的时候,就会发现,模块之间有断层,不流畅。

所以如果你也是在做B端产品,在做产品设计时,一定要站在全链路业务的角度去看你负责的这个模块,你的上下游是谁,你们之间的信息如何流转,你怎么设计才能让用户觉得,没有使用阻碍,这个是对产品经理的一个考验,让你低头做事的时候,也要俯瞰全局。

1.2研发

研发不管在什么团队中都是非常重要的角色,产品经理关于产品的所有蓝图,最终都是靠研发去实现的,并且很多时候,我认为研发可以对产品经理的设计提出更好的实现方式和建议。

现在越来越觉得,对于一个研发来说,如何评估这个人会不会成为一个好研发,一个很重要的点就是懂业务,不懂业务的研发,和产品就不会达成共识,在这种情况下,一种情况就是边做边问,一种就是靠自己的理解做,然后结果和产品实现的方向背道而驰,浪费时间不说,还会造成产研矛盾,所以产品经理在开始的时候,一定要对研发做业务讲解和培养,如果研发对业务的理解能和产品达到同一个高度,那么你们的配合将会非常顺畅,并且高效

2.实施销售

产品经理做出了好的产品,但这不是终点,如何把产品的价值传达出去,让更多的用户认可并且为之买单,对公司产生实际的收益,根据用户的反馈,再对产品进行迭代,这个才是B端saas产品的循环之路。

问题是,B端产品确实复杂,产品经理不能一边做产品设计,一边又向客户传递价值,所以这个时候,我们需要一个团队替产品经理把产品的价值传递给用户,这个团队就是实施团队,通常实施和销售是搭配使用的,实施负责讲解产品,销售负责达成签单目标。

最近遇到了一个困难就是,实施团队对于学习新的产品板块并不是非常积极,由于是跨团队沟通,简直难上加难。

我仔细的想了一下,为什么会出现这种情况

第一点:实施的薪资提成方案的设计

如果把实施的薪资提成和新用户挂勾,销售每签一个新用户,配套的实施也可以拿到新用户提成,就会成为一个正向激励制度

第二点:团队的目标不一致

这个不仅仅是单指实施团队,产研团队也会遇到这个问题,如果一个团队目标不一致,团队没有信念感,那么大家就会觉得,产品做的好不好,能不能卖出去,都和我没有关系,实施的团队目标,应该靠实施老大去培养,当然如果实施老大也没有这种想法,那就得靠领导去和实施老大传递,总之,一定要把团队的目标理念传达到每个人,当大家目标一致时,才能劲往一处使,才有可能把事情做好

第三点:阶梯式选人

最开始我们培训的时候,一定不能想着给把所有的实施全部培训了,那样没有精力追踪到每个人的掌握情况,所以可以先少量的选几个人,根据他们的反馈也可以及时的调整培训方案。

当然,选人也是要有技巧的,要选市场匹配度高,以及实施本人好学的

市场匹配度高的意思是,不同区域的市场是有轻微的区分的,那你产品这个功能板块用户最多的人是哪个区域,你就选这个区域的实施,他们的学习动力会更高,因为出去见的客户基本都会问到这个功能板块。

本人好学这个完全看的是个人的特性,不管做什么,这个特性都是很有竞争力的。

以上是我最近感觉B端SaaS产品如果想要获得普遍意义上的成功,比较难的两点,后面如果有最新的感悟了,再继续写。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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