2016年8月笔记

百度通过地图服务成为本地生活入口这一做法会成功吗?高德如何与之竞争?

原链

你如何界定你的产品目标体验范围的上下游界限?一个完整的用户任务链可能会很长,你到底选择多少作为你自己产品的职责范围?那些你cover不到的上下游用户任务你通过什么手段保证其体验良好?

在成本允许的情况下,加强对于整个用户任务链上下游体验把控所带来的收益是毋庸置疑的。这不光体现在用户体验的提升,更会提升你产品的商业价值。

对于任何一款产品,把握好扩展的节奏至关重要:太快用户受不了,太慢市场机会抓不住。推出新产品的话推广是问题;在老产品基础上迭代的话产品功能把控又是问题。

从你最擅长最合适的一段开始,但不要永远停留在这里:适时向上下游拓展,同时把握好产品节奏,时刻关注那些趋势性的产品技术变化。


 

Waze给未来移动地图带来何种启示?

原链

Waze每天的数据提供方包括其10%的用户,及一小部分志愿编辑。这种维基百科式的架构让Waze能够绘制出新国家区域的全新道路地图信息,甚至包括路障和施工区域等。

“我们并不希望成为广告交易的一部分。本质上讲,我们是媒介。”

公司可以借由两种途径通过地图进行广告投放。一个是将用户直接引向广告商的商店;另一个则是针对企业,比如银行或者轮胎公司,让司机们意识到他们的商店的的位置和存在。

几乎所有Waze的广告都是基于位置服务,交叉引用Waze用户和广告上在某个特定时刻的位置信息。这里的“关键”就是与另一方共同交叉引用所有的GPS数据:消费者的目的地或意图

“你在开车上班途中和去梅西商场途中的使用体验是完全不同的。”巴尔丁表示,“当你开车去梅西的时候,你或许会对JC Penny和梅西广告比较感兴趣,甚至还包括你从未注意到的梅西的应用程序。然而,当你开车去工作的时候,你或许对这些商场的信息毫无兴趣,但知道工作地点附近的银行ATM取款机的位置对你来说就较有吸引力,好节省ATM手续费。”

Waze采取广告收费模式是按显示付费,并非按点击付费模式,对于这种模式,那些在现实世界拥有较多门店的企业通常会享受到较好的广告效果。

通过众包GPS数据和“算法整合”。这听起来很理论化,但其实包含建立一个被动用户和编辑的分层结构,像维基百科那样自我管理的社区,由大区级经理监管地区级经理,再由地区性经理监管编辑,

Waze如何鼓励一小部分活跃用户来编辑和维护其地图?Waze进行了部分游戏化,用户根据他们更新的频率收集点数。巴尔丁表示,点数制度帮助Waze决定对用户的信赖程度以及是否能够将用户提升为地区或大区管理人员。


新数据环境下的城市设计 ——与Alan Penn教授对谈录

原链

当我们加入了步行主体的模拟后,设计师不再设计广场,转而设计环形贯通的开放空间。而后,设计师开始谈论人们可能的步行行为模式。最终的设计形态摆脱了规则的空间设计,趋向于有机的、不规则的形态,这与自然发展起来的城市空间非常相似。在这个实验里,通过模拟的介入,人的动线启发了设计师,而设计又同时影响了人的动线。这样一个介于设计与模拟之间的积极反馈机制得以建立,并通过步行人流模拟结果的反复校核使得最终的形态具有了某种有机性。这个例子揭示了城市建模对于城市设计的独特意义。通过这样的模式,我们也许能够摆脱近现代中国的网格城市或者是美国的超大格网街区,而使得城市形态设计对于文脉具有更高的敏感性。


Doing Data Science at Twitter

原链

Type A Data Scientist: The A is for Analysis. This type is primarily concerned with making sense of data or working with it in a fairly static way. The Type A Data Scientist is very similar to a statistician (and may be one) but knows all the practical details of working with data that aren’t taught in the statistics curriculum: data cleaning, methods for dealing with very large data sets, visualization, deep knowledge of a particular domain, writing well about data, and so on.
Type B Data Scientist: The B is for Building. Type B Data Scientists share some statistical background with Type A, but they are also very strong coders and may be trained software engineers. The Type B Data Scientist is mainly interested in using data “in production.” They build models which interact with users, often serving recommendations (products, people you may know, ads, movies, search results).

One important lesson I learned at Twitter is that a Data Scientist’s capability to extract value from data is largely coupled with the maturity of the data platform of its company. Understand what kind of DS work you want to get involved, and do your research to evaluate if the company’s infrastructure can support your goal is not only smart, but paramount to ensure the right mutual fit.

Here is the typical process of running a A/B test: Gather Samples -> Assign Buckets -> Apply Treatments -> Measure Outcomes -> Make Comparisons. To demonstrate my point, let’s revisit 5 steps above again and some of the practical problems you might run into:
Gather Samples — How many samples do we need? How many users should go into each bucket? Can we ensure that the experiment will have sufficient power?
Assign Buckets — Who are eligible to be in the experiments? and where in the code should we start assigning buckets and showing treatments? Would the placement introduce data dilution (i.e. some users are assigned to treatment but never see it)?
Apply Treatment — Are there any other teams in the organization running experiments that are competing for the same real estate in the app? How do we deal with experiment collision and ensure our data is not contaminated?
Measure Outcome — What is the hypothesis of the experiment? What are the success and failure metrics of this experiment? Can we track them? and How? What additional logging do we need to add?
Make Comparisons — Suppose we see that the # of users who logged-in increase dramatically, is it due to noise? How do we know if the results are statistically significant? Even if it is, is it practically significant?


 

高德地图车机版


From Pull and Push to Here and Now: the grand bargain of Facebook and the Feed is unraveling. What comes next?

原链

互联网发展从pull(用户自己找信息,这里的稀缺资源是destination content,例如Google)到push(聚合推送信息,feed或自己发状态推送给别人,例如Facebook)。

人们使用facebook作出的最大妥协是他发的所有内容都必须坚持保持一个一致的形象(可以是真实也可以是虚假),这就对他的自我表达有所限制,但是人的性格、所扮演的角色和所过的生活是细节丰富的多面体,自我表达因时因地复杂多变,人们在对社交网络中放开自我表达的限制的需求就变成了现在的稀缺资源。这个稀缺资源在智能手机的前置摄像头和ephemeral content问世后,才得以利用,前者导致了自拍的风靡,后者成就了阅后即焚。

发展到现在,这个稀缺资源演变成此时此刻(here and now)的体验,例如VR、直播(Twitch),这个直播又和传统的直播形式不太相同,传统的是观众偏向被动地接收信息,而现在的直播是实时的现场报道+passive media consumption+观众参与和互动,

再到各种极致的自我表达(自拍与阅后即焚,Snapchat),逐渐过渡到此时此刻的体验(直播,VR等)。