在苹果做了十年公关,我总结了这五条建议

苹果今日的光辉成就,不是单单凭借出色的产品就能达成的,没有出色的公关团队,再好的产品也可能随时被雪藏,再好的品牌也会随时被抹黑。回顾下百度某总监在行业大会里的蹩脚表现,足以看出许多公司在公关营销上的短板。哗众取宠制造噱头可能会适得其反。作者的总结的五条公关经验看似简单易行,但是苹果却因此受益良多。正是和各大媒体恰到好处的相处之道,建立了苹果良好的品牌形象和口碑。

本文原载于 Harvard Business Publishing,作者:Cameron Craig ,翻译:ONES Piece 徐雪儿

和苹果公司的初次合作可以追溯到1997年,当时我还是悉尼一家公关咨询公司 Porter Novelli 当乙方。那时乔布斯才刚刚回归,苹果的整条产品线杂乱无章,混杂着一堆名字奇怪的计算机、打印机、扫描仪,以及一款令人好奇但市场表现不佳的掌上电脑“Newton”。

苹果当时的前景简直可以用苍凉来形容——大多数媒体认为苹果公司已经今非昔比。新闻报道的标题基本就是几种循环模式:“烂到骨子里”、“苹果大规模裁员指日可待”和“拯救苹果的101种方法”。

那时的我并没有意识到,在那之后的十年内苹果会成为全球历史上反转最大的公司,而我会成为其中的一员。随后,我就从悉尼搬到了新加坡,加入了苹果公司并负责亚太地区的公关事宜。最终,我被调回了“母舰”——苹果公司在加州库比蒂诺设立的总部,加入苹果的产品公关团队。

在这期间,苹果用开天辟地的创新产品、高超的营销策略和逆水行舟的姿态,向那些曾经讥讽嘲笑的人证明了他们的错误。而在苹果的这次成功中,公关起了举足轻重的作用。从那段经历中,我可以总结出五个公关经验。这些经验对我成功的公关工作有莫大的影响,直到今天仍十分受用。

1、要简单明了

拿任何一篇苹果的新闻稿件做可读性水平测试,你得到的结果可能是“平均水平的四年级或以下学生都能理解”。一切的专业术语、老调重弹和一串念咒语一样听不懂的高科技词汇,在编辑过程中会被彻底剔除。如果一个普通人听不懂我们在说什么的话,那就是失败。然而我们的字典里没有失败。乔布斯会亲自阅读并批阅每篇新闻稿的内容。

你应该事前把稿子都做一次可读性水平测试,以1到100计分,根据得分结果来调整文字的理解难度。有许多网站提供此类免费测试,如 Word Count Tools 和 Readability Score 等。理想情况下,你的得分应该在80到89分之间,这个分数区间通常是一个11岁孩子也能读懂的程度。你的内容越容易理解,能触及的人群就越广。

2、要珍惜记者的时间

我们仅在最重要的产品问世或者公司发展达到新的里程碑时才会召开新闻发布会。许多重要的产品、软件更新、人事调动只会进行一些简单的公关推送而已。有时候这种做法会让我们服务的内部团队感到失望,因为他们期望自己所偏爱的项目或负责人能在市场上带来更大的响动。但是只有这样做记者们才会知道,当我们主动联系时,一定是有头条新闻可报道了。

要有节制地联系记者,只在你手头上确实有料的时候才联系他们。不要把新闻稿一下子抄送给所有媒体。事先要对不同记者报道的领域进行调查,然后才能按需选择,进行更精准的沟通。

3、要亲力亲为

在我们开放高层访谈或者寄送产品进行测评之前,我们会先确保每位记者、意见领袖或者分析专家都有来自我们第一手的产品介绍。我们会说明一些设计要点:为什么我们要这样设计这个按钮,为什么去掉后面的那个端口,以及指出一些容易被忽略掉的功能。因为少了这道指引,说不定就会有人没看到或者没能真正欣赏这些细节。

采访结束之后,我们会持续追踪记者是否有其他的问题,然后试图旁敲侧击地了解他们会怎么写报道,好让我们回去做个反馈。我们有全天候在线的产品营销和技术支持,产品出现任何问题都可以随时提供帮助。如果测评报道和我们产品的关键信息有偏差,我们会努力修正报道。

一旦你成功引起了某记者的注意,切记一点,你可以努力去跟进但是不要变得喋喋不休。如果记者在给你的产品写测评的话,要主动给他/她体验样机并进行演示。如果他们在写关于提供服务的报道,那么你可以主动提供一些优质案例和一些行业参考。问问他们是否需要我们提供配图,以及是否需要就产品的竞争力做进一步的解释,以帮助他们理解。

4、要集中火力

作为公关团队,我们的任务是传达一种信念:苹果的创新产品能让顾客释放创造力,改变世界。每一天,我们都会收到不同的邀请,希望苹果的发言人能就行业趋势、政策、人事和其他数不清的事情发表看法。但如果请求和我们的宗旨不符,我们会礼貌地回绝。这种方法帮助我们把时间利用率提到了最高。

要努力提高自身,成为专家。明确你的关键信息,然后坚持到底。别在你的社交媒体账号发表太多不相干的信息,这样会造成关键信息被稀释。给报道相关领域的新闻记者和行业分析家提供帮助,哪怕这样做没有给你带来直接的好处。

优先考虑使用意见领袖。我们不可能和每一家媒体合作。相反地,我们只专注于相对少数几家媒体,通常是我们认为能为言论定调的那几家。我们会给这些记者提供一些独家机会,例如专访、报道发布会或者第一时间参与新产品测评。只有控制好这个数量,我们“亲力亲为”的方法才能更可控。在几家意见领袖的报道之后,我们才会开始扩大范围,接触一些地区性媒体的记者和商业合作伙伴。

努力和相关领域排名前5或前10的重要媒体搞好关系。再重申一下,不要过度地纠缠他们。可以把同事或者业内合作伙伴那听到的报道评论反馈给他们,在他们推特和领英的主页上留言或者发起讨论。当你有重大事宜要宣布时,考虑下给他们提供一个独家的报道角度。

5、最重要的是,要尊重自家品牌

这是我在苹果学到的最重要的一课。这是你最大的财富,你必须得保护它。在产品发布前要三思,仔细想想同类竞争品牌的策略,然后用与众不同的方式来让自己脱颖而出。

诚然,不是每家公关团队都有条件对共事的媒体记者挑挑拣拣,甚至回绝别人的请求,但我仍然很珍惜那些岁月里领悟的经验。这些方法在苹果已经坚持实行多年,毫无疑问这对苹果举世瞩目的转变和成功有着莫大的功劳,而哪怕在今日,他们仍然很有用。

本文原载于 Harvard Business Publishing,由 ONES Piece 徐雪儿编译。ONES Piece 是一个由 ONES Ventures 发起的非营利翻译计划,聚焦科技、创投和商业。

*文章为作者独立观点,不代表虎嗅网立场

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。
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