基于内容产品的MVP探索——王凯

王凯:凯叔讲故事的创始人

1、精益创业有以下3个过程:

——假设:价值假设和增长假设

——认知:验证认知

——行动:MVP(最小化可行产品)

2、互联网时代内容该如何定价:

——对于一家初创公司,最重要的不是挣最多的钱而是获取最大的用户数。

——虽然内容收费与做内容的初衷相违背,但内容是探知用户痛点的最好方式。因此,可将内容收费与内容服务(内容增值服务)区分开

——工业时代的定价随着工业产品的缓慢更新而调整,但互联网内容的定价却必须随着内容的一个突然爆发而提前定位;

3、超级IP最终将变成品牌、服务、产品,并让用户依赖;例如:凯叔这一IP衍生出来的视频配合人员、凯叔故事机等

4、“凯叔故事机”、“凯叔盒子”、“凯叔inside”引发的产品启发:

——“凯叔故事机”是一款孩子的专有产品,主要出于如此的场景考虑:

a.家长在用手机给孩子播放语音故事时,自己使用该手机不方便,比如用手机微信聊天、接电话等;

b.家长外出时,孩子听故事的需求无法得到解决,而专用故事机的提供能满足这个需求

——买包子买的是一种解饿方案,“凯叔盒子”、“凯叔inside”卖的其实是“故事+亲子阅读方案”

5、关于视频节目的MVP实验

——凯叔任务:让每一个做凯叔任务的孩子都像是在玩一个真人养成的游戏,养成的是自己,那个拥有良好生活习惯和学习习惯的自己

6、凯叔组织的线下活动:

a.找到用户痛点;

b.让用户感到我的诚意(“一定会与每一个愿意与我拍照的用户拍一张照”)

c.感受用户的温度

6、创业最重要的要素:落地、承受失败的能力

时间: 2024-10-19 00:02:37

基于内容产品的MVP探索——王凯的相关文章

转:基于内容的视频分析与检索

摘要 文章简要介绍了从基于内容的视频分析与检索问题的提出到所涉及的关键技术以及目前研究状况,并简要介绍了现阶段在这方面的研究热点及以后要做的工作. 一.问题的提出: 互联网的出现给人类带来了很大的便利,特别是实现资源共享之后的互联网,但面对这浩如烟海的资源到底哪些是对自己有利用价值的呢?而90年代以来,多媒体技术和网络技术的突飞猛进,人们正快速的进入一个信息化社会.现代技术已能运用各种手段采集和生产大量各种类型的多媒体信息数据,出现了数字图书馆.数字博物馆.数字电影.可视电话.交互电视.会议电视

基于内容的推荐(Content-based Recommendations)

基于内容的推荐(Content-based Recommendations) [本文链接:http://www.cnblogs.com/breezedeus/archive/2012/04/10/2440488.html,转载请注明出处] Collaborative Filtering Recommendations (协同过滤,简称CF) 是目前最流行的推荐方法,在研究界和工业界得到大量使用.但是,工业界真正使用的系统一般都不会只有CF推荐算法,Content-based Recommenda

基于内容的数据迁移计划和方案--转载

越来越多的企业用内容管理系统来管理电子发票,电子文档,人力资源等结构化或非结构化数据内容,而且把这些业务外包到第三方的 IT 公司.外包公司的更换,或者现有内容管理系统不能满足业务增长,性能,兼容性等方面的需要,企业计划采用业务管理,性能以及兼容性更好的系统. 还有的企业目前根本没有采用内容管理系统,所有的发票,电子文档,人力资源信息都是以纸质文字或者档案的形式管理维护,为了提高企业的运营效率,这些企业计划采用内容管理解决方案. 如何在不干扰现有业务的基础上把这些内容数据从一个系统迁移到另外一个

Facebook终于在移动端推基于内容图谱的关键字搜索,可直接检索好友信息流

两年前,Facebook推出基于内容图谱的关键字搜索,让用户可以通过内容图谱的搜索在社交网络上建立起紧密的联系.从今天开始,Facebook 又对它的搜索功能做出了变革,用户已经可以通过输入关键字来搜索某一个已关注好友的信息流,而不仅仅是用户以及它的主页.而这个功能,Mark Zuckerberg 说"it is not web search". 举一个简单例子,你的好朋友 Jesscia 最近刚刚结婚,你希望能够在 Facebook 上重新回顾下她婚礼的美好细节.当你在 Facebo

新闻推荐系统:基于内容的推荐算法(Recommender System:Content-based Recommendation)

因为开发了一个新闻推荐系统的模块,在推荐算法这一块涉及到了基于内容的推荐算法(Content-Based Recommendation),于是借此机会,基于自己看了网上各种资料后对该分类方法的理解,用尽量清晰明了的语言,结合算法和自己开发推荐模块本身,记录下这些过程,供自己回顾,也供大家参考~ 目录 一.基于内容的推荐算法 + TFIDF 二.在推荐系统中的具体实现技巧 正文 一.基于内容的推荐算法 + TFIDF 主流推荐算法大致可分为: 基于内容(相似度)的推荐 基于用户/物品相似度的协同过

基于内容的推荐算法

输入 输入1:包含200部电影的数据集,集合中包含两列,一列为电影的id,一列为电影的流派集合,如下图所示: 输入2:一个用户的电影兴趣记录,like字段为1表示喜欢,0表示不喜欢,如下图所示: 输出 输出1:输入1的One-Hot编码形式,类似下图所示: 输出2:根据输入2和输出1,从电影数据集中给用户推荐用户没有看过的与用户相似度最高的k个电影. 前言 基于内容的推荐算法是一种比较经典的推荐算法,应用较广,可解释性强,准确率高,尤其是当今社会信息丰富,比如文本.音频等,有比较多的内容可以利用

【读书笔记】《推荐系统(recommender systems An introduction)》第三章 基于内容的推荐

基于内容的推荐的基本推荐思路是:用户喜欢幻想小说,这本书是幻想小说,则用户有可能喜欢这本小说 两方面要求:(1)知道用户的喜好:(2)知道物品的属性 基于内容的推荐相比协同过滤方法(个人观点):协同过滤用到了大量用户的群体行为特征,两个特点,(1)要大量用户,(2)除了用户的行为之外,不需要其他信息:基于内容的推荐,需要用户和物品的额外信息,如:用户喜好.物品属性等等,但是不需要存储.处理大量的用户数据. 基于内容的推荐和基于知识的推荐没有明确界限,两者区别:前者更侧重于提取物品属性,后者更侧重

推荐系统第5周--- 基于内容的推荐,隐语义模型LFM

基于内容的推荐 制定分类/属性的困难使用专业人员(编辑)对商品进行整理分类,但这样会产生成本和效率瓶颈受限于编辑的专业水平,编辑的意见未必能代表用户的意见分类的粒度难于控制如果商品有多个分类,很难考虑周全多维度,多规角分类编辑很难决定商品在类别里的权重 隐语义模型 LFM的前丕今生 隐语义模型的适用性 关于训练集 常见同类问题求解思路 梯度下降法的几何意义 LFM损失函数极值用梯度下降法求解 LFM中的重要参数 模型中隐特征个数梯度下降法中选取的学习速率损失凼数中的惩罚项系数lambda训练集的

Recommender Systems基于内容的推荐

基于内容的推荐的基本推荐思路是:用户喜欢幻想小说,这本书是幻想小说,则用户有可能喜欢这本小说 两方面要求:(1)知道用户的喜好:(2)知道物品的属性 基于内容的推荐相比协同过滤方法(个人观点):协同过滤用到了大量用户的群体行为特征,两个特点,(1)要大量用户,(2)除了用户的行为之外,不需要其他信息:基于内容的推荐,需要用户和物品的额外信息,如:用户喜好.物品属性等等,但是不需要存储.处理大量的用户数据. 基于内容的推荐和基于知识的推荐没有明确界限,两者区别:前者更侧重于提取物品属性,后者更侧重