移动互联网创业的100天历程分享

非常感谢龚燕清的分享:

我是龚燕清,创业者,在上海刚开始创业3个多月,方向为移动互联网。

2013年3月,我开始了第二次创业,这次方向是移动互联网。第一次创业有2个合作伙伴,做了3年的搜索营销,算是同一行业的不同领域,这次创业胆子大了些,一个人先打前锋。

为什么要开启第二次创业?这是一个深刻的问题,但答案也很简单:顺势而为,开辟新战场!

移动互联网创业的100天历程分享

(龚燕清喜欢把创业比作战役,这样的古代战争也合适吧?)

我喜欢把创业比作一次战役,战场的选择非常重要,特别是互联网行业,创新是唯一的主题,所以各路豪杰会不断杀入其中,就是因为有这个兴奋点。移动互联网是新的战场,好比网络游戏中新开的区,不管你在上一个区练的多么牛逼,到新的区来,大家在时间上都是同一起跑线。战场选择好了,接下来就是竞争中的博弈,扬长避短,选择适合的打法战术,然后就是拼执行,在执行中优化调整。

好吧,前文算是交代了故事的背景,方向既定,让我们来发展故事情节吧,由于文笔有限,只好用流水账的方式,回顾过去100天的创业历程,望各位亲见谅。

15天,建基地。

5天选择办公地点,10天简单装修,电话网络、办公桌椅先上,电脑、打印等设备后期按需添加,不要担心京东的发货速度,他们真的很快!

20天,建网站。

我开始通过网络收集资料:目前在移动互联网行业里,有哪些公司,他们正在做什么业务。在这个学习的过程中,我开始注册域名(zesmob.com)、备案、租用网站空间,搭建公司的官网。通过分析,我把能提供的服务,都整理到网站中。(PS:很幸运,我联系到之前的同事Amber,她正好休假归来,也在找新的方向,她表示愿意加入,帮助我负责行政人事这块,太棒了!)

30天,考察。

毕竟眼见为实,网络中收集的信息没有直观的认识,因此,我开始以合作、代理等名义拜访一些行业公司,上海本地的为主,外地的电话沟通,北京有家公司不错,就利用周末去跑了一趟,总体感觉,虽然他们做的比较早,也有一定的规模,但是还处于前期的发展期,有机会!(PS:这个过程耗时较长,其中有个插曲,朋友介绍了一个搜索的老业务,因为感觉客户品牌不错,跟了两周,花费了许多时间和精力,但最终因为客户总部没有批准而告终,这算是一个教训吧,创业要专注啊,哈哈)

15天,做减法。

考察过后,结合自身情况,我确定了公司主营方向为移动营销。一是因为市场需求在逐步升温,特别是餐饮酒店、婚庆影楼、教育培训等行业;二是因为前期不需要投入太多研发,可以借助现有的技术平台进行再加工。移动营销的产品也有侧重,一般企业做移动营销,绕不开3样东西:APP、移动网站、社会化媒体(微信、微博),选择APP为主营方向,主要是避开百度、腾讯等巨头的产品,毕竟他们的赢利点在于绑定用户后的营销推广。(PS:通过投放小额精准搜索广告、老客户推荐等方式,获得与几个潜在客户见面沟通的机会,了解到第一手客户关于移动营销的需求反馈。)

20天,建班子。

方向既定,产品确认,开始搭建团队。我们开始设计公司的架构:扁平化结构、销售型为主导。人力资源真的很繁琐,并且很消耗精力,还好有Amber负责,她制作的面试通知、表格等很专业,非常赞!我们开始设计面试的流程和考核指标,并且根据财务预算确定薪资体系,规划了前期招募的岗位和人数,然后就是发布各类招聘信息,挑选适合的简历通知面试。在这个过程中,我们思考:和大公司比我们没有品牌优势,但我们有创业公司的优势:公司氛围、发展前景,于是我们撰写了《加入泽思网络,开启移动互联网创业之旅!》等文章进行宣传,收效不错,很多应聘者在面试后都会主动询问结果,很快我们就组建了一个班的战斗小组!

然后,就To be continue……

移动互联网创业的100天历程分享

(这是新公司的一些照片)

从3月的春暖,到7月的夏热,100天的时光飞逝,在这个过程中,我们走过弯路,交过学费,发展的历程或许不值得借鉴,不过我们会继续思索前行,只要在路上,创业的故事就会继续,现在,将来,一路精彩!

转载请注明本文地址: http://lusongsong.com/reed/739.html
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