艾永亮:如何利用数据分析,打造超级产品,突破企业增长瓶颈期

本文将用一个有趣的故事为例,从多个角度不断地帮助大家深入分析如何用数据来打造超级产品的可行性。

2020年已经过了差不多一半的时间,其中对于2020下半年的规划,有一项令人头疼的任务,那就是如何打造超级产品提升企业影响力。

在过去许多企业,不是因为数据太少没办法分析,就是经常被质疑,这样的创新到底有没有用?万一产品面向市场时用户不喜欢该怎么办?

如此一来,真是让人秃头。

今天我就用一个简单的例子,让大家理清思路,看看如何才能打造超级产品,话不多说,直接上案例。

问题一(进行选择)

有一个地区的人们都不穿鞋子,有两家企业分别去考察,考察完毕后得出以下结论:

A企业:这里的人都不穿鞋子,我觉得毫无市场。

B企业:这里的人都没有鞋子,是一个具有潜力的市场。

看到这里我就要考考大家了,你们认为这两家企业谁最有可能打造出超级产品?

A:我觉得A企业机会大一点

B:我觉得B企业机会大一点

C:我觉得我可以

划重点:想要打造超级产品,创造力很重要。

一个真正具有创造力的企业,就是逢山开路,遇水填桥,没有机会只要能够抓住市场趋势也能创造机会。

而具有负向创造力的企业,就是等着混吃等死、推卸责任,连参加竞争的资格都没有。

在打造超级产品过程中,数据分析很重要,投入产出、事实、概率、成本等这些可量化的东西。数据分析可以让企业洞察到市场趋势,因此,通过数据分析所打造的超级产品往往更谨慎、偏保守。

作为一个专业的咨询师,在了解问题情况前,绝不轻易进行判断,所以这题我选C。

问题二(进行思考)

有些企业说,我现在没有数据,却又必须选一个,该怎么办?

答案:我选择…

许多企业都卡在这一步了。

按照逻辑,想要打造超级产品,得先了解目标市场,用丰富的数据,才能进行各种分析。

可现实是,数据不够,许多企业管理者就开始指点江山,认为哪哪都有市场,陷入自我感动式的投入研发产品,我不要你觉得这款产品可以,我要我觉得。最后面向市场的产品,真的只有他觉得。

让我们来换个思路,在目标市场数据不足的情况下,企业可以选择跟参与讨论的人进行数据分析。因此,企业可以选择业务能力较强员工的意见,剩下的只是建议。那么数据分析的步骤是一样的,先假设再验证。

问题三(进行判断)

A企业说:在过去有许多的企业在该地区试验过,但是都失败了,因此,我们也会失败。

这个说法是对还是错?

在进行判断之前,企业要明白,那些失败的企业是怎样的“失败”法:

1)过度依赖于补贴,没有培养刚需。

2)过度依赖营销未建立起品牌形象。

3)是市场太过于小众缺乏覆盖能力。

4)还是因为培育期过长,发力不够。

这些都会成为企业失败的原因,错误的战略,错误的投入,错误的时间,任何一点错误都会导致企业无法打造超级产品。但最终失败并不意味着你的产品不行,可能只需要一点点调整就能够起死回生。因此不能单纯的看最终结果就给企业判死刑,我们需要了解整个打造超级产品的过程后再进行调整。

这点非常重要,在已知的情况下,得到结果后找原因,会得到很多错误的答案,把许多不相关的东西也纳为原因。毕竟在外人眼里,可能成功人士放的屁都是他成功的标志。而失败者再怎么努力都是因为他的脑子不够灵活。大概就是这么一个道理。

想要打造超级产品,首先要关注的是市场趋势,而不是最后一刻的用户画像,这样我们才知道,到底是产品的原因不被用户喜爱,还是因为压根没市场。

问题四(进行排序)

企业决定用新市场的数据,来打造超级产品,那么我们该如何进行排序?

A:新市场的用户需求调研

B:新市场的用户画像

C:竞争对手在新市场的发展数据

D:新市场GDP、人口的数据

F:旧市场的发展数据

E:企业在新市场得到的走访数据

大家会如何进行排列?

在这里很多企业都会把AB排在最前面,其实是错误的。

建立用户画像的成本较大,花费时间较久。不如先从最简单的做起,把市场趋势了解得明明白白,再来进行最后一步。

想要打造超级产品,这道题的顺序的:EFDCAB

旧市场的数据最真实且积累较多,最容易分析,从旧市场中筛选出与新市场相近的数据来提炼经验。

问题五(进行判断)

经过旧市场数据的筛选,B企业可以进行着激进的计划,为了尽快跑马圈地,直接免费投放一万件产品给用户,先把市场炒热,在进入成熟期后,可以将鞋子毛利设在20%左右,那么这个计划可行吗?

在这里我们有两个选项。

A:支持

B:不支持

在许多企业管理者眼里,B企业为了培养当地人的穿鞋习惯,于是免费投放一万双鞋打开了销路。

然而验证现实和想象最大的方法就是:数据

如果面对的是一个持续增长的市场,这样做肯定没问题,但你面对的是一个能够看得见天花板的市场,这样做无异于透支企业资源,最后全军覆没。

根据这个问题,B企业面对的就是一个有天花板的市场,而且预期天花板较低。

按照20%的毛利来算,前期投放的一万件产品,得在后期销售5万才能回本。累计销售六万/1700=35个月才能达到盈亏平衡。三年的时间还熬不死企业?这就是典型的激进计划,是许多企业爱犯的错误。

这也在提醒企业管理者,在打造超级产品的过程中继续可行性分析,必须要面对潜在市场容量的预测,否则再好的产品也会因为投入太多,而覆水难收。

总结

其实,在打造超级产品的过程中,以产品发力,控制好投入,增加产出,为用户带来更多的价值。毕竟能够了解大方向的企业很多,但真正实现超级产品战略落地的企业太少。

这个案例看似很简单,但如果我们把企业看成是B2C互联网企业,而地区看成下沉市场,我们就会发现,这就是当下最热门的话题:B2C互联网企业陷入增长瓶颈期,该如何打造超级产品,做下沉市场。

从本质上来看,许多依靠着红利发展起来的B2C互联网巨头企业基本上都是靠补贴,圈用户,快速扩张,跑马圈地,在人口红利减少时陷入瓶颈期。

而B2C互联网企业的短板,就像案例中一样,因为缺乏足够的数据分析,无法打造超级产品,想要凭借着补贴占据市场份额,不看数据分析市场趋势,缺乏总结市场发展经验。

在行业高涨时,没有好的产品还可以浑水摸鱼,因为趋势足够好,但遭遇寒冬时,缺乏数据分析的能力以及产品力的企业自然是一片死寂。

想要打造超级产品,数据分析尤为重要,细致的抽丝剥茧,对细节进行一一验证,充分利用现有的数据和产品以及市场趋势的紧密结合共同打造超级产品。而不是两耳不闻窗外事,一心只想捞钱,脱离实际,才会让给企业离被淘汰不远了。

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. **长短记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长依赖关系,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