1. 设计新产品的坑
基本上所有的设计师都曾经接手过没有设定预期目标的项目。预判和实现设定好的业务目标真的很难。无论是希望通过优化现有产品还是开发新产品,目标都是类似的:能否为用户提供足够价值?新产品还有额外的挑战:用户会改变现有行为转向新的工具么?
这是在设计新产品时经常出错的地方。由于在开发阶段不切实际的假设,评估指标通常被夸大了。开发新产品最大挑战之一是一开始只有很少的数据可用,并没有现成的基准数据。没有基准意味着你也不知道产品成功和失败的(数据)定义是什么,大家都是在瞎猜。
Dropbox 基于可信度、唯一性、价值和适合度来设计 KPI。(见头图)这些维度可以根据产品特性调整。(不过这些定性维度怎么定量衡量,貌似文章也没说,而这个才是关键...
此外,如果没有基准数据,很容易把基于小规模样本量的数据误解成整个市场的普遍现象。为了避免这种情况,需要定义在哪些行为上以及在哪个量级上可以把样本数据转化为真实业务影响。
获得可靠的有统计学严谨性的数据很难,需要严密的规划、时间和人力资源。精简、低信度的数据获取方法并不一定就不好。比如竞品分析可以帮助快速了解市场情况但这个方法并不会帮你理解你的产品设计是否就是可行的。与此同时,构建原型以此来评估业务可行性是一项巨大的投资,除非有证据表示这个 idea 具有潜力,否则设计原型就是浪费时间。
预期可触及市场一般基于现有市场以及竞品,一般来说,这个预期数字都会太乐观了。所以建议还是基于高确定性的数据来估计业务影响。
https://dropbox.design/article/when-building-new-products-goes-wrong
2. Google 的大招
Meet Google Travel。
其实 Google 做 OTA 有天然优势和资源,左手握着用户的搜索历史、订票信息,右手握着所有旅行相关信息、地图等。目前来看,机酒、打包类预订还是指向了其他 OTA,但是未来会怎么样,谁都不好说。
我作为一个普通用户,期待了很久的目的地重要景点按照时间和相关性,算法直接推荐路线并在地图上标记的功能终于出现了。
3. MIT 新增计算与认知专业
作为电气工程与计算学系和大脑与认知学系的联合项目,MIT 新增了计算和认知理学学位课程。该学位将提供两个方向;一个面向对人工智能更感兴趣的,一个面向对大脑及神经系统更感兴趣的。比如前者可以选择6.006算法导论课程以及6.006编程基础,而后者可以选择6.002回路及电子学。未来还将增加一个相关的计算和认知工程硕士学位课程。
根据线上调查,预计将有50-100名学生申报此专业。
https://thetech.com/2019/04/25/computation-and-cognition-major-approved
网友评论