艾永亮:力压腾讯音乐与苹果音乐,Spotify是如何炼成的?

你用什么软件听歌呢?

不少人回答QQ音乐、酷狗音乐、网易云和itunes。

根据艾媒咨询数据,QQ、酷狗、酷我app月活跃用户数量分列市场前三,而腾讯音乐手握QQ音乐和酷狗音乐两张王牌,打造了一个月活6.57亿用户的巨大音乐流量池。

瑞典的音乐流媒体平台Spotify,月活跃用户仅有2.86亿,不到腾讯音乐的一半,市值却是腾讯音乐的两倍(腾讯音乐的市值仅为263.38亿美金,Spotify的市值却高达483.97亿美金)。

Spotify付费用户人群有1.3亿,付费率高达45%,腾讯音乐仅有6.2%,而苹果iTunes无论是付费用户还是活跃用户都只有它的一半。

这样一个力压腾讯音乐与苹果iTunes的产品到底是如何打造的?

01

主要策略是增长

而不是最大化收入

面对一个非生活必需品,我们该如何推向用户?

太多的企业家习惯性上来就一顿介绍,把所有的优点都讲一遍,恨不得你马上掏钱。

每月一看报表,大量的投入、极低的成交量让人陷入了沉思。到底哪里出了问题?

是状态不好?是穿着不宜?还是产品的卖点没讲明白?

太多的企业家过于急功近利,恨不得马上能从用户兜里把钱一张张往外掏。

2008年刚刚成立的Spotify所在的行业就普遍存在这一现象。此时的iTunes已经问世5年,牢牢占据着美国数字音乐销量近69%的份额。按理说,Spotify没有一点点胜算。

与iTunes每首歌单独付费不同的是,Spotify为所有用户提供免费音乐库,前提是用户需要接受广告推送。这对于2008年的音乐行业来说,确实前所未有,让不少的用户体验到了“听歌自由”。

“我们的主要策略还是增长,而不是最大化收入。”

作为一个行业的新入局者,Spotify没有选择与竞争对手拼价格、拼曲库,而是凭借免费的模式,获得了大量的用户。Spotify其实玩的是市场份额的游戏,先吸引用户使用产品,扩充自己的用户群体,直至成为行业主导者,最后再考虑盈利。

等你拥有了庞大的用户群体,还会怕没有变现的方式吗?

但是对于很多企业来说,总是太着急,恨不得把让用户第一眼就掏出钱包。

Spotify为用户提供了超预期的体验,让他们无法拒绝在试用免费服务后成为付费用户。不过用户并不是为了某一首歌买单,而是9.99美元包月无限量供应,对于很多用户来说,这是非常划算的买卖。

Spotify创新性在音乐行业运用“广告+付费”相结合的模式,让广告商成为音乐付费者,而互联网的强大覆盖范围让9.99美元的价值被无限放大,最终实现规模效应,这可比单独一首首卖歌赚得多的多。

事实也是如此,Spotify只用了1年时间,就把付费用户数从0上升至100万。

Tips:用户价值高于商业价值,当满足用户需求之后,企业也将获得超额回报。

02

音乐不是核心

情绪才是

这是一句常常被说到的话,也是常常说完就忘的话。

用户需要的不是钻头,而是墙上的孔。

产品是在满足用户需求的基础上诞生的,而很多时候,我们眼里只有产品,追求更好的材料、更新的技术、更加花里胡哨的功能,却忘了用户最基本的需求。

那用户听音乐背后的需求到底是什么?

2014年,Spotify通过深入地研究了15亿份用户生成的播放列表,发现用户听歌的每一个时刻都有明显的情感变化移动轨迹,音乐反映着人的情绪。

Spotify开始针对这一有趣现象建立不同的歌单。当你在工作日的早上打开软件,你可以选择“工作”、“完美一天”、“为新一天做好准备”等歌单,当你心情不好的时候,你可以选择“悲伤”、“伤心”等歌单。

但是这远远还不够,Spotify不单单在挖掘用户的情绪,还想我们变得更好。

当你情绪低落,在播放悲伤的歌曲时,软件会逐渐给你推送放松、幸福的音乐,帮助你恢复。当你选择“工作”歌单时,在一开始可能会感到压力,但随后会变得更专注。当你选择“健身”的歌单时,刚开始会感到慵懒与抗拒,然后变得更加积极…

音乐不再是产品,倾听及其附加于其上的情绪、行为数据才是。Spotify提供了一个解决方案,把自己定位为:一个帮助人们感觉良好的平台。

在满足用户需求的前提下,它是否有商业的空间呢?

“比如,某个早晨你在播放轻音乐或者舒缓音乐的歌单,那么我们推测你有可能正在做瑜伽或者在冥想…因此,我们将根据这个情景来推送符合这个时刻、节奏和心绪的广告内容。”

Spotify推出了自动化广告投放服务,允许广告商根据“寒冷”、“通勤”、“学习”、“女生节”等用户情绪或者活动数据来推送精准广告。Spotify还尽职地概述了如何利用这些时刻“化腐朽为神奇”——将不好的产品成功推广出去。

Tips:别忘了产品最终是解决用户什么需求,回到需求本身,你会发现更多的盈利机会。

03

既是音乐推荐官

也是连接者

“它是我最钟意的音乐应用了,尤其是它的【每周新发现】。让我觉得它是那么的了解我,它比任何人都要了解我的音乐喜好,每一周的推荐音乐都令我十分满意。”

对于Spotify 的用户来说,每周一都会收到【每周新发现】的歌单,包含了30首各种风格,但你从未欣赏过的歌曲,神奇的是每一首对你来说都是珍品。

Spotify并不像传统的版权方,一直兜售自己旗下歌手的音乐。这30首并不是它随意的拼凑,而是通过寻找与你爱好相同的人,听过相同的音乐,且评价相似,然后推断出你对没有听过的音乐的喜好。

推出歌单后也并不是就此结束,它会根据用户对歌曲的保存情况、跳过和删除情况,以及因为某首歌而放弃整个歌单的情况,及时调整并更新播放列表。

在信息过载的今天,它是用户的优质音乐推荐官。通过复杂的运算,这30首歌在你想要的时候,巧合地出现在你的面前,给用户营造一种“懂我”的美好体验。

你在Spotify上贡献的数据越多,转移成本就越高,越离不开它。

自2015年6月发布【每周新发现】的6个月内,Spotify的访问量就超过了17亿次。

传统的推荐系统对新音乐和新歌手并不友好,如果不是热门歌手,几乎不会推荐他们的音乐。新歌手们面临的最大挑战是:自己的音乐如何被听到。

Spotify会找到各种风格的创作者,给他们工具、给他们平台、帮助他们做他们想做的事情、让更多人听到他们的声音。Spotify通过对大量数据的洞察,分析音乐本身可能被不同人群喜欢的可能,以【每周新发现】的形式推荐给对应的用户,这也是为什么你会被推荐一个从未听说过的艺术家的作品的原因。

除此之外,Spotify还会为每一个类型的创作者,按照知名度的不同去帮他们建立自己的粉丝群。

在这个新世界,音乐没有界限,一个由创作者、制作人、版权商和歌迷组成的网络就此形成。

Tips:一个好产品应当是所有参与者都能满足需求,都能获益,这才是可持续发展。

结语

音乐,一个离我们很近、又很远的行业。从摇篮曲到童谣,课间广播,旅游的激情曲,工作的振奋剂,深夜的精神寄托,婚礼上的伴奏,最后到葬礼,几乎伴随着我们的一生。

这个需求是漫长且不断变化的,从未被满足。Spotify回归到产品本身,满足人们情感的寄托,一切的创新都是从用户需求出发,而不是成型的产品,或者商业需求。

当满足了用户的需求,提供他们所需要的产品,创作者也得到尊重与关注,企业也将获得超额回报。

这样一个超级产品,它让用户的情绪得到安抚,听到自己想听的音乐,默默鼓励着用户积极向上,就像一位老友聆听你的烦恼,不忘让你坚强。

如果你的企业在经营过程中遇到任何问题,请关注“艾老思”公众H,让我们一起解决,一起做出下一个超级产品。

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。
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