【内容回顾】这次和 @Chris 在small catalyst的交流让我看到了一个更加鲜活和现实文化产业生态，也学习了成熟音乐制作流程碰上今天突飞猛进的ai，具体有哪些变与不变。真心希望像chris一样的创业者都可以找到适合自身的资金支持，大家多多关注！大伙有潜在的投资人的话，欢迎介绍！文化创意全球化的成功，有诸多商业以外的因素，世界级ip的产生绝对需要doers之间鼎力互助💪 （以下信息经ai总结，手动整理勘误，并脱敏处理） 中国有这么多创作者，为什么很难做出全球化音乐ip？ 洛杉矶有大量做音乐、影视和时尚的人。音乐学院、电影学院每年培养出不少年轻创作者，有人能写歌，有人能制作，也有人能拍出质量不错的作品。但离开学校后，很多人还是以个人或小团队的方式接项目。写完一首歌，上传平台，找朋友转发，有预算就做一点推广，然后继续下一首。 作品不断产生，真正走出来的人却不多。 这背后涉及一套已经发展了很久的娱乐工业：创作者从哪里来，谁帮他们做作品，怎么决定发行哪首歌，宣发的钱花在哪里，以及一个艺人获得关注以后，如何继续发展。 对中国背景的创作者来说，问题还要复杂一些。国内有大量人才，但音乐、影视行业的产业化程度和协作机制仍在发展。到了美国，又需要进入一个高度成熟、竞争激烈的娱乐市场。要做出具有全球影响力的音乐ip，两边的难题几乎需要同时解决。 一、有才华的人很多，能把他们组织起来的系统很少 一个人现在已经可以完成不少过去需要专业团队才能做的事。写歌、录音、制作demo，通过数字发行服务把作品送上流媒体，技术上的门槛比过去低了很多。ai的发展又进一步降低了部分制作成本，opc和小型创作团队有了更多可能性。 但个人能力始终有边界。一首歌可以自己写，拍摄、视觉设计、混音、发行、宣发和商务合作却涉及越来越多不同能力。即使作品已经达到不错的水准，缺少团队和资金，很多创作者最后仍停留在发歌、获得少量曝光、再发下一首歌的循环里。 这种情况在洛杉矶也很常见。这里聚集着大量producer、导演、摄影师和独立艺人，但不少人仍以项目制工作。一个项目结束，团队就散了，下次合作再重新找人。每个人都在积累作品和经验，却很难单独建立一套持续运转的业务。 过去几年，covid和好莱坞编剧、演员罢工进一步增加了行业的不稳定性。头部公司和成熟艺人有更多资源抵御变化，中小型项目和基层从业者受到的冲击更直接。一些有能力的年轻导演、音乐人最终选择回国、转行或者进入教育行业。 这也是为什么部分长期以个人身份做项目的创作者，开始考虑把业务公司化。 ai是这一轮变化中的新工具，但推动这种转型的一个更直接原因，是多年项目经验带来的体感——个人再有能力，也很难独自完成一件足够大的事。要产生更大的商业和文化影响力，需要把不同创作者、制作人、发行团队和商业资源组织起来，让一次性合作逐渐变成长期生产能力。 中国创作者还面临另一组约束。中国的音乐和影视行业已经形成很大的市场，但在持续培养新人、发展独立厂牌、版权经营和国际发行等方面，与美国长期形成的产业体系仍有差异。优秀的音乐人和电影创作者很多，能够长期支持他们发展、并把作品推向全球的组织相对有限。 美国的情况提供了一种参照。大型唱片公司拥有强大的资本、发行网络和行业资源，独立厂牌、经纪公司、制作人和数字发行服务也有各自的位置。新人可以从小团队起步，积累一定的作品和受众以后，再接入更大的发行与商业体系。这种产业结构无法保证每个新人成功，但至少存在不同阶段的成长路径。 中国背景的年轻创作者，尤其是已经进入美国音乐、影视专业院校的留学生，恰好处在两个市场之间。他们可能拥有国际化的创作训练，熟悉中英文文化环境，也有机会接触美国的专业制作资源。但毕业后的身份问题、就业机会和行业关系，又会影响他们能否长期留在这个产业。 围绕这些人建立一个长期合作的创作者网络，再提供制作、资金、发行和商业化支持，便形成了一种类似音乐venture studio的创业设想。它需要先找到有潜力的艺人和作品，用有限资源帮助他们完成0-1；等其中一些项目获得市场验证，再继续追加制作和推广资源。 这里最难的是持续性。找到一个好歌手、做出一首好歌，都只是单个项目的成功。公司需要建立的是一条能够不断发现人才、生产作品、积累经验和推出新人的pipeline。 二、音乐只是入口，ip要靠人和作品一起生长 音乐行业的传统制作流程，并没有因为ai出现而完全改变。 一首歌通常先有词曲和初步制作，再做出demo。方向确定以后进入正式录制，由制作、编曲、录音和混音团队进一步完善，最终形成可以发行的母带。独立音乐人可以通过数字发行服务把歌曲送到流媒体平台。签约艺人则可以依靠唱片公司完成更大范围的发行、宣传和商业合作。 整个流程里，每一环都有自己的专业要求。一个创作者可以独立完成demo，但更成熟的制作人、录音师和混音团队，往往能明显改变最终作品的质量。影视也是类似的过程，从概念开发、场景选择、拍摄到后期剪辑、特效和声音制作，每个环节都需要不同能力。 ai已经进入其中一些工作，尤其是特效、视觉内容、辅助制作和短视频。但音乐和影视对精品内容的要求仍然存在。创意、表演、作品质量和最终的审美判断，仍然是整个流程的核心。 这里还有一个容易被忽略的变化——音乐可以成为更多内容形式的起点。 一首歌在写作阶段，就可能出现相应的视觉概念。歌词、情绪、人物设定和故事，可以进一步发展成mv、短片、动画，甚至未来的ar、vr体验。艺人本身也有自己的形象、风格和成长叙事。这些元素组合起来，才有机会形成能够被持续消费和传播的ip。 泡泡玛特提供了一个有意思的类比。 如果把泡泡玛特理解成一家唱片公司，那么旗下不同的ip就像不同艺人。每个形象都有自己的特点和叙事，通过不同产品、内容和合作持续触达消费者。 音乐公司也存在类似的可能。它的起点是歌手和作品，但当人物和作品足够有辨识度之后，ip的发展空间可能超出音乐本身。 这并不意味着公司需要全面控制艺人的创作。在实际制作里，多位创作者一起写歌、讨论编曲、构思视觉内容，往往能碰撞出单个人难以想到的东西。有时短片的视觉概念在歌词创作阶段就已经出现，后续拍摄只是把它进一步实现。 因此，早期的音乐ip团队更需要建立合适的协作方式，让艺人、制作人和视觉团队共同参与。商业团队更强的决策作用，可能发生在下一步——几十首demo里先推哪几首，预算投到哪些市场，什么内容值得继续投入。 对于想进入全球市场的中国背景创作者，还有一个需要提前想清楚的问题：作品里的“中国文化”，究竟是什么？ 很多文化出海项目容易把中国文化等同于传统文化，想到熊猫、中国结、古风、武侠等符号。但现代中国年轻人的生活、语言、审美和流行文化，同样属于中国文化。 一个由中国创作者生产的音乐ip，可以用英文创作，可以采用国际流行音乐的制作方式，也可以在视觉上完全不使用传统中国元素。它的文化背景来自创作者本身，来自他们经历过的社会、成长环境和审美训练。 黑神话悟空和labubu就代表了两种差别很大的路径。前者与中国传统题材有直接关联，后者的全球传播并不依赖消费者先理解某种中国文化符号。 音乐同样存在这种可能。来自中国的创作者，可以生产面向全球市场的现代流行文化。 这也意味着，文化出海不一定要从传统题材开始。作品首先要让不同文化背景的人愿意听、愿意看、愿意传播。它可以保留创作者的个人经验，也需要理解不同市场的受众在音乐风格、视觉表达和文化语境上的差异。 三、作品能不能火，越来越取决于发行策略 一首歌好不好听，仍然带有很强的主观性。一个音乐人能不能成为明星，也很难在创作阶段给出确定答案。 但娱乐产业经过多年发展，已经积累了相当成熟的发行和推广方法。 一个比较形象的比喻来自赛车。艺人相当于车手，音乐和影视制作能力相当于赛车。到了专业水平之后，车手和赛车都已经具备基本竞争力，最后还需要一套能把资源用在合适位置的比赛策略。 音乐也是如此。 作品完成之后，还需要协调数字发行、流媒体上线、社交媒体内容、pr、媒体采访、电台、音乐评论和其它曝光渠道。如果同时制作mv、短片和其它视觉内容，整个排期会更加复杂。 按照实际项目经验，正式发行往往需要提前1-3个月准备。发行团队要协调平台、媒体、宣传素材和不同渠道的曝光节点。即使预算充足，也不能简单理解成这周制作完成，下周就直接全球推广。 作品的生产也有不同模式。独立音乐人可能一首一首写；专业制作团队可以通过writing camp，让十几名甚至更多创作者集中写出大量demo，再从中筛选适合发行的作品。后续由制作团队进一步完善，安排正式录制和发行。 真正变化很大的，是作品筛选和推广决策的方式。 过去，大型唱片公司掌握发行渠道，制作人和高管的经验在很大程度上决定了哪首歌获得推广资源。专业制作人可以依靠多年积累做出判断，但误判同样存在。 流媒体和短视频平台兴起后，团队可以在正式大规模发行之前，先获得一部分市场反馈。一首歌的一段副歌、几十秒的demo，或者一个视觉片段，可以先放到不同内容渠道测试，观察受众对旋律、节奏、情绪和视觉风格的反应，再决定是否继续投入。成熟的平台和内容团队已经积累了大量算法分发与用户测试经验。 音乐发行因此开始出现越来越明确的实验逻辑：先测试，再选择，再集中推广，根据数据调整下一轮内容。 billie eilish是这次交流中提到一个的有趣的参考案例。 她早期与兄长finneas合作，在家庭环境中完成大量音乐制作，减少了对昂贵录音棚的依赖。她的作品逐渐形成了鲜明的声音特征，视觉上也有强烈的个人风格。随着专业厂牌和发行资源进入，这些特点被持续放大。 她并不是等到《bad guy》走红后才开始建立形象。此前的作品和传播已经在积累听众，音乐、视觉和艺人特征之间形成了较为稳定的关联。 从创业角度看，这个案例值得研究的地方，是低成本起步的专业创作、鲜明的个人风格、持续发行，以及后续更大规模商业资源之间的配合。至于具体哪些推广数据决定了某一次发行决策，单凭公开案例仍然很难完整还原。 平台本身也在改变娱乐产业的权力结构。 传统音乐工业的发行入口集中在唱片公司和媒体手里。youtube、tiktok等平台出现后，个人创作者获得了以较低成本触达大量受众的机会。justin bieber等艺人的成长，也与早期网络视频平台的传播密切相关。 但平台逐渐成熟后，流量竞争重新变得激烈。推荐系统、广告预算、数据分析和内容运营能力，再次决定新人能够拿到多少注意力。 在一个平台刚开始快速增长的时候，创作者有机会跟着平台一起成长。等平台成熟、广告成本上升以后，新人再进入，需要面对完全不同的竞争环境。 中国互联网公司在短视频运营、算法分发、投流和ai内容制作上积累了大量经验。对于音乐行业，这些能力可能成为进入海外市场的一种工具。 尤其在ai短片、动画和视觉内容制作成本下降之后，一首歌可以拥有更多传播素材，也更容易被制作成适合不同平台的内容。某些作品的病毒式传播，甚至依赖大量用户二创，而不只是官方发布的原始mv。 但当人人都能制作ai视觉内容，制作能力本身的差异也会逐渐缩小。团队仍然需要回答：什么样的音乐、人物和视觉内容能够结合起来？哪些受众会买单？预算怎样花得更有效？ k-pop的发展提供了另一种产业参照。 韩国偶像产业早期吸收了日本j-pop的部分培养方式，又结合资本、经纪体系、专业制作和文化推广资源，逐步形成了自己的工业化体系。后来经过长期海外运营，部分艺人和团体成功建立全球粉丝群体。 其中存在不同历史阶段、市场变化和政策环境的共同影响，很难归结为单一原因。但k-pop至少说明，全球化音乐影响力往往需要持续投入和成体系的培养、发行能力，远远超出一两首热门歌曲。 对中国背景的艺人来说，另一个必须区分的问题是：在美国活动，与进入美国主流音乐市场，是两件不同的事。 一位中国艺人在洛杉矶举办演出、使用美国顶级制作团队，甚至参与当地知名音乐机构的活动，并不自动意味着其听众已经突破原有华语市场。 如果观众仍然主要来自华人群体，商业上当然可以成立，但受众边界可能还没有明显扩大。 这次也提到了王嘉尔与其他华语艺人在海外演出受众上的差别。从个别演出的现场观察看，王嘉尔吸引了更为多元的族裔观众。这种观察不能直接代表整个海外市场，却提供了一个值得继续验证的维度——判断全球化，除了看演出地点、制作团队和合作资源，还需要看实际的受众结构。 音乐的艺术评价始终带有个人偏好，商业结果则可以通过播放、榜单、销售、票房和受众数据观察。 两种评价会长期并存。 四、从创作者团队到ip公司，最后考验的是资金与组织能力 如果把音乐当成一项可以长期经营的业务，公司需要的能力远比制作歌曲复杂。 首先是持续的人才来源。 洛杉矶有大量来自音乐学院、电影学院的年轻创作者，也有不少已经具备专业能力，却还没有建立市场影响力的艺人。找到这些人只是第一步，后面还需要建立合作关系，让制作人、导演、视觉创作者和商业团队能够围绕作品长期协作。 其次是制作能力。 目前正在筹备的这类创业团队，已经开始连接不同方向的专业资源，包括有成熟商业唱片制作经验的音乐人、美国电影学院背景的影视创作者，以及国内熟悉ai短剧、动画和视频制作的团队。 音乐与影视资源被组织起来以后，一首歌就有机会从最初的demo逐步发展为完整的视听内容。 商务部分则需要另一套人。 美国本地的pr和媒体资源、国内的投流和内容运营团队、数字发行渠道，以及处理音乐版权、经纪合约和商业合作的娱乐法律师，都属于这条产业链的组成部分。 尤其是版权。 音乐行业的娱乐法律事务，与普通创业公司处理公司设立、股权结构的法律服务有明显区别。音乐版权以及后续内容的使用和商业合作，都需要专业的法律支持。随着作品进一步延伸到影视和其它ip形式，这部分工作会变得更加复杂。 这些环节单独看都有成熟的专业人士和服务商。难的是把它们长期组织在一起，围绕同一批艺人和作品持续运转。 创业团队可以先从一个较小的项目开始，但要形成连续发行和市场推广的能力，就必须有资金支持。 一种正在筹划的发行方式是：资金到位后，先用约3-5个月完成录制和制作准备，再以每月两三首歌曲的节奏持续发行，同时配合短片等视觉内容。连续运行几个月以后，根据不同作品的播放、传播和受众反馈，决定下一阶段重点制作什么、推广什么。 这仍然是一项待验证的计划，并非已经成熟运行的生产体系。但它体现了从项目制向公司化转型的一种思路：提前储备作品、滚动发行、持续获取数据，再把每一轮结果用于下一轮决策。 融资也是最现实的命题和挑战之一。 传统vc容易把这类业务看成娱乐内容投资。音乐和影视项目有爆款潜力，但结果不确定，投资人很难像评估saas、硬件或其它科技项目一样，用相对熟悉的模型预测收益。对部分国内投资人来说，还需要额外理解美国音乐产业的运作方式，以及一家中国背景的团队为什么能够在海外竞争。项目同时涉及娱乐工业与全球化内容，解释成本很高。美国成熟的娱乐产业拥有大量资本，但新的亚裔创业团队要进入既有合作网络，同样存在门槛。 相比单纯寻找传统风险投资，和ai模型、视频技术、内容平台相关的企业建立战略合作，可能是一条更适合的路径。 这些公司正在开发音乐、视频和多模态模型，但模型做出来以后，还需要真实创作者使用，需要专业反馈，也需要能够展示产品能力的内容和业务场景。音乐ip团队恰好可以提供这些东西：真实创作任务、专业的音乐和影视制作流程、作品发行，以及来自市场的反馈。 对技术公司来说，这些合作有机会帮助模型进入具体业务，改进产品，并形成新的内容生态。对创作者团队来说，则有机会获得资金、工具、推广资源和更稳定的商业伙伴。因此，部分ai、互联网及影视科技公司的战略投资部门，可能比传统财务投资人更容易理解这种业务的价值。 但这种合作也有明确的限制。技术公司最终仍然要看合作能否带来产品验证、用户使用、内容供给或其它战略收益。音乐作品能否获得消费者接受，还要通过发行和市场数据单独证明。 最后一个问题，是跨文化背景究竟能形成多大的竞争优势。 熟悉中国市场，也了解美国娱乐工业，确实可能帮助团队连接两边的创作者、制作资源和发行能力。中国的短视频运营和ai内容制作经验，与美国成熟的音乐工业结合，也可能产生新的工作方式。 但这种连接并不会自动变成全球化ip。不同市场的文化语境、观众偏好、商业规则和版权体系，都需要长期学习。 甚至成熟的国际唱片公司进入中国市场，也不一定能快速找到合适的艺人和运营方式。资金可以买到制作资源，却很难直接买到对文化和市场的全部理解。 过去港台音乐产业积累了成熟的制作、包装与发行经验，韩国则通过长期的偶像产业建设进入全球市场。中国大陆拥有更庞大的本土消费市场和丰富的创作资源，如何把这些资源持续转化为能够进入不同文化市场的艺人与作品，仍然需要新的实践。 这类创业项目最终需要积累的，是几项相互依赖的能力：找到合适的创作者，把他们组织起来，持续生产质量稳定的作品，再用有效的发行策略把作品送到合适的受众面前。 任何一个环节都可以通过合作获得部分资源，但长期运转仍然需要公司内部形成稳定的判断和管理能力。 这也是从个人项目转向公司化最困难的地方。 一个人可以完成一首歌，也可能偶然获得一次很大的传播；公司却需要在没有爆款的时候继续制作，需要为下一次发行预留资金，需要维护创作者关系和版权，也需要在每一轮发行以后决定下一步往哪里走。 当人才、制作、宣发和法务等资源已经建立，音乐与视频结合的内容方向也逐渐清楚，还需要投资方的到位。寻找资金的同时，计划中的连续发行也需准备启动，第一批能够真正触达全球受众的艺人和作品，还需要通过实际市场反馈来证明。这些都属于很重要的验证，需要完成。 以上。
一首歌被听见之后，还能发生什么？ 它可能延伸出一支mv、一个视觉世界，也可能慢慢聚集起一群人，生长出演出、影像、品牌合作，以及更多新的创作🎵📀 这次small catalyst，我们邀请了 @Chris，wild star entertainment的founder，来聊聊她正在做的事——建⽴⼀套可复制的artist & ip engine，从音乐出发，连接中国创作者与洛杉矶娱乐产业资源，探索如何把创意发展成面向全球受众的文化ip。 他们想尝试的，是把音乐、艺人发展、视觉叙事和全球发行放在一起，在一次次发布、反馈和调整中，让作品找到自己的受众，也让创作有机会不断持续下去。 很好奇，一个这么大的想法，具体要从哪里开始？日常又在推动哪些事情？ 线上一起来聊聊👇🏼 为什么决定做这件事？在洛杉矶的生活和工作经历，如何让她走到音乐与文化ip创业这一步？ 从0开始，最先做什么？找创作者、做作品、确定艺人定位、搭建合作网络……现在正在推进什么，又会遇到哪些难题？ 一首歌如何找到全球听众？面对不同地区的受众，怎么理解反馈？创作者的表达和市场的偏好，又该如何取舍？ ai能参与创作的哪些环节？从mv到短片、动画，ai带来了哪些新的尝试空间？哪些判断仍然需要人来做？ 如何让创作成为一件可以长期做的事？从作品到受众，再到版权、演出和商业合作，中间有哪些需要一步步摸索的路？ 如果你也在做内容、音乐、视觉创作，关注文化出海，或者单纯好奇一个创意项目是如何被一点点做出来的，欢迎来一起讨论。chris的项目也在计划融资，尤其欢迎相关赛道的投资人来指导交流！ ✅报名请见以下附带的活动详情页，也可以本帖下留言，说说你想了解的问题～ ps，我们的small catalyst在持续进行，作为smallwod旗下的一个venture hub，连接global chinese founders和全球local资本、业务、人才生态。我们也会围绕这个背景来张罗不少系列活动，经常邀请行业里的early builders、gen z founders、投资人来聊聊，每次1-2位嘉宾，同时在smallwod内开放报名。期待🙌🏼
我们平时讨论的几乎都是同一类问题：怎么让手上的事长得更快。但项目真卡住的时候，很少有人先分清——是方法不对，还是我们自己的承载力已经到顶了。这两件事看起来很像，处理方式却完全相反：前者要往外找答案，后者只能往里看。 这次和 @Eugene（重置版）细聊了个人和团队’承载力‘的一系列关键问题，也交换了在不同环境中的体会，很有收获，总结如下。 Key Takeaways 1. 项目卡住，先分清是方法论不够，还是我们的认知先到顶了。 纯技术和研究类的问题，说成心理问题是很扯的——该调参调参，该查文献查文献。但一旦涉及整个盘子怎么推，结构和方法论本身就是从创始人的认知里长出来的。这时候最有效的动作反而是坐下来诚实地面对自己，把脑子里不顺的那一处理顺；很多增长和产品上的问题，会跟着一起松动。 2. 迭代的效益，取决于我们认知增长的速度，不取决于迭代的次数。 小步迭代是迭代，大步迭代也是迭代，差别在每一步之间我们到底多懂了多少。这就要求我们持续跟真实世界摩擦：别人怎么做的、我们做出来的东西真实回响是什么，不带自我滤镜地接住，再蒸馏成一个能预测下一步的结构。 3. 抓大放小的前提不是精力管理，是识别能力。 精力有限是前提，不是方法。回头看，很多当时以为重要、投入了大量时间的细节，最后都是竹篮打水。能认出"最重要的那一件事"是一种可以练的能力，而且它比执行力更稀缺。 4. 团队处成了朋友就不好管，问题通常出在一开始没有结构。 没有结构的时候，每个人都按自己的方式去 optimize，摩擦只会越来越多。两种结构都成立：一种是流程型，从任务下达到完成中间设几个清晰的 checkpoint，节点之外自由发挥；另一种是结果型，画一个圈，过程完全放开，但结果达不成要追责。关键是把"过程"和"结果"分开，不要混在一起谈感情。 5. 职场环境里专业性第一，情感第二，顺序不能倒。 这两者多数时候相辅相成，但情感不能被拿来抵消完成度。共识如果没有提前建立，后面每一次纠偏都会变成人情债。 6. 没人愿意干的苦活，靠说服是最贵的解法。 按顺序试：能自动化就自动化，把人从里面撤出来；撤不掉就把激励对齐，让干这件事的人自己拿到好处，而不是纯为公司出苦力；再不行就轮换，或者把 80% 的苦活配 20% 他真正想做的事。画饼可以，但饼要真给——给不出，之后所有的安排都会打折。 7. 招人阶段把苦活匹配掉，比事后调度省力得多。 有人就是 enjoy 做这类工作，或者这类工作正好匹配他现在的能力configuration。把人和任务在入口处配对，好过后面每一轮都要重新做一次思想工作。 8. 创始人不需要管住所有人，只需要管住每个板块的那一个人。 二十人的团队里，核心往往就是三到五个。从 CEO 的角度，剩下的管理其实是外包给部门负责人的。种子轮阶段团队能压得更小的一个原因是很多执行已经交给了 AI——真正变难的不是管理人数，是怎么把人和 AI 嵌进同一个完整的结构里。 9. "停三个月还转不转"对绝大多数团队答案都是否定的，更值得问的是另一个问题。 同样这件事，能不能从每周 40 小时降到 5 小时还维持住？这才是现实里要解的题。做法还是回到系统：让输入输出形成循环、把质检和决策里真正 bypass 不了创始人的那几个环节识别出来，把精力放在那儿。 10. 减少投入不是目的，是把省下来的精力换成杠杆。 一个小闭环跑通了，就去搭第二个，创始人只在断点和需要增量的地方介入。但这里有个悖论要主动平衡：投入降得太快，我们会逐渐不知道团队在干什么。定期对齐是代价最小的补偿。 11. 知止不是不动，是把现有资源用透了再扩。 不是所有热的方向都要追。定期复盘现在的资源能撑到哪里，在这个边界内把事情做扎实，然后再进一格——螺旋上升，而不是直线冲刺。在第一个品还没跑通的时候扩团队，承担后果的还是我们自己。 12. 休息不该等到绷不住，七八成的时候就该停。 个人精力和公司经营在这里是同一条曲线：用到 100% 才恢复，恢复的成本会高很多；停在 70–80%，才能持续地往上累加。企者不立，说的就是这个。 13. 产品也一样——每消化完一层的量，要专门停下来把架构补齐。 MVP 承载的量吃完之后，安全、scalability、整体架构都得在那个时刻补到位，再往上加量。跳过这一步换来的速度，后面会以官司、事故和名誉的形式还回来。 14. 判断一个团队有没有真东西，聊是能聊出来的。 看他们真正放出来的成果、看事情做到了哪一步、看投入的结构和人员的分布——这几样对不上，估值再高也说明不了什么。这需要一点行业内的技术判断力，而这种判断力本身就是承载力的一部分。 15. 不把自己固化在一个行业里，是一种可以刻意练的承载力。 定期去看别的行业在做什么、别人怎么想，比在一个位置上越钻越深更容易长出新的结构。做成事情的人里，这种跨行业的桥梁型思维出现的频率高得不像巧合。 写在最后 这场聊下来的共识是：承载力不是忍耐力。它更像是我们能不能把复杂的东西装进一个自己拿得住的结构里——团队是结构，产品是结构，我们自己的一周也是结构。结构到位的时候，事情会显得轻松；结构没搭好的时候，再努力也只是在替熵增打工。
服务高净值客户，表面上是个获客问题，聊下来更像一个排期问题——这类客户几乎不会从广告里来，他们身边的每一个选择都是被人带进去的。所以真正的渠道不是流量，是别人愿不愿意在我们不在场的时候提起我们。而这件事有它自己的节奏，压缩不了。 这次从"referral 到底怎么才能转起来"聊起，一路到个人 IP 的筛选机制、不想接的单怎么处理、以及多方合作里最容易翻车的那一块。 谢谢 @Yvette Yiting 把八年一线的打法讲得这么具体，也谢谢 @Anthony 提出很多引发大家思考的问题+分享自己的体会。 Key Takeaways 一、referral 怎么才能真的转起来 1. 在高客这门生意里，referral 不是渠道之一，基本就是渠道本身。 不只是金融，我们自己做咨询和 venture studio，九成客户也来自转介绍，其中大部分是服务过的老客户带来的。这件事的含义是：与其把预算花在开新口子上，不如把已经服务过的人当成渠道来经营。做好一个客户的收益，从来不止那一单。 2. 想收到转介绍，最省力的起手式是我们先转出去一个。 合作关系没有人一开始就信我们。张口就要资源的那种开场，对方的第一反应是防御。先给出去一个真实的机会，对方才有理由认真评估我们值不值得回礼。第一个 move 由我们做，是成本最低的破冰。 3. 我们转出去的第一个客户，同时也是一次尽调。 这一步能看到三件事：客户回来的反馈、对方的响应速度、以及对方手上有机会时会不会也想到我们。持续单向输送而没有回流的关系，早点看清楚比晚点看清楚省事。容错留一次就够。 4. 合作伙伴要往"我们不做的那一块"去找。 服务重叠的人是竞争，服务互补的人才是通道。银行不做法律和会计，这部分恰好是客户最关心的；反过来，律师、会计手上的客户也有银行才能解决的需求。找 partner 之前先把自己的业务边界画清楚，边界之外的那一圈，就是名单。 5. 响应速度往往是合作能不能成的隐形门槛。 能力差不多的人很多，愿意在半小时内回消息的没那么多。价值观对齐在这里非常具体——如果我们自己是 highly responsive 的人，就很难跟一个消息永远石沉大海的人长期合作，反过来也一样。这一条筛掉的人，比任何资质审核都多。 二、信任和个人 IP 6. 信任建立的那一刻，通常是对方刚好有需求、而我们干净利落地解决掉的那一次。 之前所有的铺垫都只是在等这个窗口。聊得来能让这个过程快一点，聊不来就需要更多时间，但绕不过去的始终是"真的帮上了"。这也意味着我们平时该准备的不是话术，是能力被看见的那个瞬间。 7. 一开始就带着"要什么"去聊，比什么都慢。 先 provide 再 require，是建立信任最省力的顺序。多提供几次帮助之后，关系的性质会自己变化。急的那一方通常拿到的更少。 8. 想让对方了解我们在做什么，比自我介绍更有效的是让对方好奇。 处成朋友之后，"你到底是做什么的"这个问题多半会自己冒出来。等它冒出来再说，和一上来就说，接收到的完全是两种东西。前者是回答，后者是推销。 9. 做个人 IP 的难点不是涨粉，是筛选机制。 内容跑起来之后来的人会很杂，其中相当一部分不在我们能服务的阶段，也没有付费能力。真正要设计的是从内容到转化那一段的结构——话术、钩子、定位——让来的人越来越准。量不解决问题，准才解决问题。 10. 先把一个平台打透，验证完再铺开。 同时开三个号、每个都发一点，等于把验证成本乘以三。前期挑 ROI 最高的那个平台做到跑通，再考虑复制——而且复制的时候内容还得改，因为每个平台吃的东西不一样。 11. 能用社媒这件事本身就是资源，别浪费。 不是所有人都有这个自由：合规严的机构连朋友圈和点赞都受限，只能靠线下 networking 和 referral。珍惜手上的公开表达渠道，这是条最直接的获客路径。 三、哪些单不接，合作怎么设计 12. 不想接的单，不一定要拒绝，可以降配。 设计一个轻量的服务层，把重度交付里的风险留在门外——比如只给判断和方案，不碰实施。这样既没有把关系推掉，也没有把自己放进不该待的位置。阶梯设计的意义就在这儿：拒绝是二选一，降配是给自己留了第三个选项。 13. 接谁的单，也是在选择跟谁 associate。 上下游出事会不会连带我们，是名誉层面的长期风险，不是当期收入能覆盖的。同样的逻辑用在供应商身上：选型阶段就查对方的诉讼记录和合规状况，比事后补救便宜太多。 14. 要让客户愿意转介绍，得把复述成本降到最低。 客户不是不愿意介绍，是不知道怎么开口。我们需要准备好三样东西：一句话能说清我们做什么、一个能直接转发的链接或 blurb、以及一个能被展示出来的交付结果。这三样齐了，转介绍才从"帮个忙"变成"顺手的事"。 15. 裂变需要一个结构，不能只靠客户自觉。 定期办活动、并明确邀请客户带朋友来，本质上是给老客户一个低尴尬的介绍场景。社群也是同一个作用。没有场景的时候，客户想到我们的概率完全靠运气。 16. 多方合作最容易坏在重叠的那 10%。 理论上互补的三家一起服务一个客户是好事，现实里拼图总有对不齐的地方。要在合作开始前就把三件事讲清楚：价值边界在哪、重叠的部分谁让、以及谁 own 这个客户、其他人怎么配合。white label 也好、主辅分工也好，模式本身没有优劣，但搞不清楚会导致客户体验的下降。 写在最后 这场聊完一大收获是：高客和类似性质的获客里几乎所有的动作，最后都指向同一件事——让信任可以被别人代为传递。我们能做的不是加速信任本身，而是把每一个环节的摩擦降下去：先给出去、把边界说清、把结果做得能被展示、把介绍我们这件事变简单。剩下的，交给时间。
由@William Han - 多伦多区块链俱乐部 tochain club co-host，邀请对美股、Crypto 和金融科技感兴趣的朋友以及从业者，聊聊一个最近越来越热的话题：美股上链以及rwa，到底意味着什么？ 可能会聊到： · Robinhood Chain 会带来什么变化 · 美股代币化到底带来了什么需求 · 稳定币、RWA，预测市场会怎么参与进来 · Hyperliquid 会不会代表下一代金融市场 · 美股 24/7 交易真的会成为现实吗 · ai agent交易与链上资产的关系
期待再次跟 @Sunny菊子 交流学习，这次 Sunny 会从逻辑到实操，拆解出海中常见的真实问题 欢迎大家带着自己的具体问题和情况来，相信会很有收获
那天沙龙时间太短，很多东西没有讲到。这里把体育数据分析这件事再写一写，以足球为例。 0. 它是什么 数据分析处理的是两层东西：事件数据（每次传球、射门、犯规发生在哪、谁做的），和从事件算出来的指标（xG 是最出名的一个：这脚射门按位置、角度、方式，历史上进球的概率是多少）。它回答四类问题，一层比一层难：发生了什么，为什么发生，接下来大概怎样，该怎么做。 足球有一个底层事实，决定了这门东西的一切：它是低比分运动。一队一场平均一两个球，一场比赛的结果离抛硬币不远。所以才需要 xG，进球太少，只能看机会；所以单场说明不了什么，样本太小，任何结论都要攒赛季才能站住。 1. 谁在用：to B 和 to C to B 是钱在的地方——庄家定价、媒体统计、俱乐部分析，联盟独家授权那种生意，普通人看不见，但体育数据的大头在这。 to C 我认为分两块。 一块是给球迷的。数据能给普通人的东西很具体：分清运气和实力的边界。一支球队连赢五场但 xG 一直被压着，数据告诉你这是运气在撑；一个前锋十场没进但射门位置一直很好，数据告诉你别急着骂他。这层内容 The Athletic、Opta Analyst、FBref 这些已经做得很足。 另一块是 betting 的交易支持。很多人觉得赌球就是给庄家送钱，但任何涉及金钱、又和预测相关的市场：股票、crypto、预测市场，和体育 betting 的区别只是形式和分析角度不同。今年世界杯期间 Kalshi 和 Polymarket 两家做了 540 亿美元的体育合约，Kalshi 是 CFTC 监管的交易所。同一件事，一个牌照下叫博彩，另一个牌照下叫衍生品。 2. 数据从哪来 做数据 API 的厂商很多，大致三档：自助订阅的，一个月几十到几百欧；中档要报价；企业级的 Opta、Sportradar 那种，一年五六位数。宣传页和实际交付差距也很大，必须自己试：每个联赛的真实覆盖、有没有 xG、延迟多少、赛后修不修数、稳不稳、id 会不会变。我自己的产品正在换源，之前的厂商已经不能满足生产需求（直播中途断掉、xG 停更、字段错），新厂商一个月的费用抵过去半年。 3. 数据分析在交易里到底能给什么 数据分析到底能给用户什么？一个模型概率吗？ 我认为不是，理由有两个。第一，单场概率你永远验证不了：赢了不能说明它对，输了不能说明它错。最近很火的 Jev，那个不写字、只给带概率的判断的模型，文档里有一句话："校准不保证单个答案是对的。"校准是一批判断的性质：说 63% 的那些事，长期看有 63% 发生，这才叫对。单场没有"对"这回事。第二，概率已经有一个最好的答案了：收盘价聚合了全世界的钱，去掉抽水的收盘隐含概率就是市场的估计，市场在这上面校准得很好，一个卖给你的数字很难比它更好。 能给的是另一种东西：挑选。市场说这一批比赛都是 63%，不挑的话，它们落地就是 63% 上下。用固定的条件从这批 63% 里再挑一遍——两队近期创造和漏掉的机会质量、进球和 xG 对不对得上、这种环境下比赛通常怎么走——挑出来的那部分能不能做到 73%、83%？这个差是能量的，足够多的场次下来就有答案，用户自己也能复查。所以数据分析真正提供的不是一个数字一个结论，而是在市场给定的价格上，一套可重复、可验证的挑选过程。命中率单独拿出来没有意义，63% 的比赛中了 63% 是什么都没做；有意义的是挑选之后相对价格的那一截。 serious 的 betting 用户要的正是这个：要么需要一个推导和挑选过程来辅助自己的交易动作，要么已经足够了解，有自己的挑选逻辑，只是需要数据和预定规则来验证自己的想法。 4. 边走边验证 Broovo 这个产品是边走边摸索的：每条挑选规则、每个挑选功能，都要靠不断到来的新比赛验证。第一道关用历史：先把明显不行的杀掉，这一步便宜。但历史有两个问题：验证组是会用完的——看一次结果、改一次规则，它就漏进设计里一点；还有就是球队是会变的，球员、教练、球风一个夏天就换一轮，两年前的比赛不一定还说得上今天的话。所以第二道关用未来：规则定下来先暗跑，攒够样本再看它在真正没见过的比赛上、相对它们的价格还有没有那一截，过了才上台面，没过就撤。 历史回测拟合出一个漂亮数字没有任何难度，难的是新的比赛和新的价格进来之后，那个数字还站不站得住——这才是真正要攻克的难关，急不来。 挑股票的人早就有自己的一套：筛选器、估值、财报、走势——没有人替他做决定，工具帮他把几千只股票筛到几只，然后他自己看、自己下手、自己对着市场价复盘。足球 betting 市场缺的就是这一套。我的做法是不押一条规则，而是把能做的挑选工具尽量都做出来，直接在真实比赛和用户反馈里验证。这比卖一个概率难得多，也慢得多，但和股票那边一样，它是唯一能被验证的做法。 最后关于做这类产品的一点定位问题，对外像是给所有球迷的，点进来却全是围着 betting 转的工具。这不是没想清楚，是合规逼出来的形状。一个靠订阅活的产品能上架、能收费、能投广告，前提是它被读成信息产品。关于即如何做到合规，又能精准投到目标用户圈子里，我也还在慢慢摸索。
跟北美创业局的朋友们分享一场我们正在筹备的对谈！ 10月4日，知乎联合创始人黄继新 × Snaplii创始人Spencer Xu将在多伦多聊一个很实际的问题： 公司已经走过0到1，接下来怎么把AI用进自己的业务？ 一位参与创办知乎，一位在北美做支付、正在探索AI支付，想听听他们各自怎么判断机会、做选择。这次还有Tony在北美特别参与，加拿大的企业家协会也会参与进来，欢迎正在创业、做产品或探索AI应用的朋友一起交流。 现场会开放Q&A，有业务里卡住的问题，也可以带来聊聊。 💻 如果你不在多伦多，或者当天不方便到现场，但想线上 dial in 听直播，评论跟我说，我来安排～ 📅 10月4日｜13:30–16:00（多伦多时间） 📍 线下：Xinflix Auditorium
把一件事研究得足够深，和把它做成一个有人用的产品，中间隔着的距离常常比想象中远。如何把越来越准、越来越专业的模型和指标嵌入到用户的使用场景，在体育分析里是个值得持续探讨的问题。 这次 @Yoson 把自己正在做的足球数据产品整个摊开来讲——数据源怎么选、模型怎么训练、概率算出来之后发现用处有限、又怎么一步步改回来。聊到后半程，话题从"这个产品怎么做"转到了两个更有意思的问题上：这类产品到底是给谁的，以及用户为什么不自己拿 AI 做一个。下面我们做一下展开。 再次感谢 @Yoson 分享自己足球分析的研究和心路历程，启发了后续的深入讨论；能毫无保留的把一个还在迭代中的产品展示出来，非常难得。也感谢 @Ruii 和 @Brian高兴 (真人) 贡献了大量真诚又有洞察的视角，以及 @Glen 和 @Hazlitt 二铃 的精准提问和讨论！ Key Takeaways 一、算得准，和有人用，是两件事 1. "我的模型更准"是一句 B 端的话，C 端听不懂。 机构愿意为准确度付钱，因为准确度能直接换算成钱。个人用户很少为准确度付钱，他们为"这东西懂我"付钱。同一套技术卖给两端，包装出来应该是完全不同的两个产品。顺带一提，B 端还有一个常被忽略的gap：不少机构每年都有预算采买数据，真正用起来的比例却不高——预算已经存在，能力不存在。这种地方不需要教育市场，只需要把已经花出去的钱变得有用。 2. 市场里已经有一个高效的定价机制时，"我比它更准"很难成为护城河。 一个成熟市场的价格，往往已经把所有公开信息、内部消息和真金白银的判断都吸收进去了。想用一个模型稳定跑赢它，通常是无解的；即使短期跑赢，规则本身也会来限制你。凡是已经有成熟定价机制的地方，差异化都不该押在"算得更准"上。 3. 单次的概率对用户没有意义，因为他只经历这一次。 "这件事有 60% 会发生"说的是长期频率，而用户面对的是眼前这一件。更有用的做法是在概率之上再叠几条规则，把范围收窄，只在几个证据都指向同一边时才给一个明确的判断，其余时候不给。给得少但给得准，比给得多有用。 二、用户定位：按动机分，不按身份分 4. 用户画像写成身份标签，很容易错。 现场有人很实在地问："我是球迷，但偶尔也会玩一两把，我算哪一类？"大家给的判断标准很干脆——看那段时间里我们在意的是什么。目的性很强、只等一个结果，是一类；不需要任何推动力就会自己去找信息、沉浸在过程本身，是另一类。同一个人在不同场合可以属于不同的群体。所以画像该写的是在什么处境下、带着什么目的打开它，而不是年龄性别和兴趣标签。 5. 先说内圈还是先说外圈，决定了用户带着什么预期进来。 现场一个很有意思的观察：很多产品真正的核心用户是内圈里的一小群人，但对外介绍时习惯从更大的那一圈说起——听上去人群更大，实际结果是外圈的人打开后对不上号，内圈的人又没被精准地叫到。顺序不是表达问题，是定位问题：我们先说哪一圈，对方就会用哪一圈的标准来评价我们。 6. 活跃的人和付费的人，往往不是同一批。 一个很直白的拆法：一百个用户里，八十个每周都来、活跃度很高，但基本不会付费；另外二十个登录频率低得多，转化率却极高。大公司可以先把日活做大再谈商业化，一个人做产品的没有这个余裕。衡量标准不是有多少人在用，是有多少人真的掏了钱。 7. 做窄和做大不是对立的，是顺序。 先窄到极致、把商业闭环跑通，之后相似用户群的合作会自己找上门，那时候再扩，手里是有主动权的；也可以那时候再出一个面向大众的轻量版本。反过来先铺大，通常两头都不成立。 三、C 端的第一道坎不是技术，是人性 8. 复杂的内容需要一层薄的外壳，才有机会被打开。 现场一个很直接的视角：我们这一个半小时聊的东西，对圈外的人来说门槛其实相当高——不是内容不好，是入口太陡。举的一个反例是"转一下"的小动作：随机掉出一条内容，不感兴趣就再转一次。它没有任何技术含量，却解决了最难的那件事：让人愿意每天点开。同样的道理也解释了另一个现象：有人靠"今天我看好这几场"这类几乎没有论据的内容攒到上百万粉丝。需求一直都在，只是被最轻的形式先接走了。 9. 用户买的常常不是信息，是"我是对的"这份确认。 一个看了三十多年球的人，看数据不是在赛前，是在赛后——为的是印证自己当时的判断对不对。这层需求和"直接告诉我答案"是相反的。只给结论，等于把用户的参与感拿走；只给原始数据，用户又用不起来。值钱的位置在中间：给依据，把判断留给用户。 10. 免费的那一层不是浪费，是在给付费的那一层铺路。 和内容平台的结构一样：绝大多数东西免费，真正付钱的只有一小部分人。但那一小部分之所以付钱，恰恰是因为前面的免费内容让他们认了这个人的判断和品味。很少有人愿意为信息掏钱，但很多人愿意为自己认可的想法掏钱。 四、护城河、边界，和上线之后的工作 11. "这个 AI 不是也能做吗"——现场给出的回答落在三件事上。 一是数据：有些底层数据只有商业供应商手里有，公开检索拿不到；二是工程量：从原始数据到可用的结论，中间是几个月的管道、模型和人工筛选，不是一句 prompt；三是替代成本：对用户来说，自己搭一套的时间远比订阅费贵。"用户能不能自己做"和"用户会不会自己做"是两个问题，后者才是生意。 12. 数据覆盖不到的部分，不必硬塞进模型。 有相关性的因素可以训练进去；极低频的突发状况根本没有样本可学。更务实的做法是把它做成一条提炼过的信息，放在数据旁边，让用户自己把两件事对起来。承认边界，比假装没有边界更容易被信任。 13. 上线不是终点，是验证工作真正开始的地方。 样本不够的时候，最好的功能是不给结论——宁可明确地空着，也不要为了赶热度硬给一个。换数据源和换模型也不是"替换"，是先接进来在后台并行跑一段，过了可验证的门槛再切。模型说的 60%，要攒够几百次回头看是不是真的接近 60%，不对就校准。 14. 现阶段不必花力气担心会不会被 AI 或竞品吞掉。 现场的回答很实在：如果一直想这个，这件事就不会开始。真正该占住注意力的是眼前那个能被回答的问题——每天进来试用的人，最后为什么没有留下来，取消的人卡在哪一步。在这类场景里，能被回答的问题，才值得现在问。 写在最后 这场聊下来的一个共识是：技术深度决定了我们能做出什么，但决定有没有人用的，是两件更朴素的事——想清楚这个东西是给谁的，以及愿不愿意在它前面放一道足够低的门。把复杂的东西藏到后面不是妥协，是让它有机会被看见。
写代码已经不是最慢的一环了。常规的界面和流程，开发配上 AI 可以很快推出来，于是整条链路的瓶颈往前移了一格——移到了"到底该做什么"。而早期团队在这一格上的处境最尴尬：没有历史数据、没有同行可以参照，用户的反馈倒是每天都在来，还经常互相打架。 这次 Eddie 分享了一套在北美制造业 AI 公司里跑通的做法，主线很清楚：每件事先定好它要抬的那一个数字，把需求做轻、人贴到开发旁边，再用"办案子"的方式从一堆反馈里挑出该做的那一件。聊到后半段，话题自然从"怎么决定做什么"走到了"做出来之后怎么让人真的用起来"。下面我们做一下展开。 感谢 Eddie 的真诚分享，也感谢 @Erjia @Leonie @Anthony @Chunlong 的分享和讨论 🥳 Key Takeaways 一、没有数据的时候，凭什么做判断 1. 早期唯一能加速的东西，是试错的速度。 没有历史数据、没有可对标的公司，这时候纠结"哪个方案更对"收益很低。能做的是把想法尽快推出去，让它尽早失败——失败得快，我们还有时间再试一次；想得久，花掉的是同样的时间，但没有任何信息回来。反过来，已经有 PMF、有数据沉淀的公司，才值得花时间做精细的数据论证。同一个动作在两种阶段里，对错是相反的。 2. 每个功能上线前，先定好它要抬的是哪一个数字。 不是为了报表好看，是为了两三周之后我们能判断这件事到底有没有用。没有这个数字，功能做完就只剩下"大家好像挺喜欢"。而且数字没动的时候，才有下一层诊断的入口。 3. 数字没动，先别急着否定这个功能。 已经投进去的开发时间是真实成本。先去看是不是 discovery 的问题——入口太深、没有提示、根本没人知道它存在。很多被判死刑的功能，其实只是没被看见。 二、需求怎么传递：别让自己变成瓶颈 4. 开发变快之后，最慢的一环变成了"说清楚要做什么"。 小团队没有条件堆很多产品经理，那就只能改需求的形态：把三十页的 PRD 换成抓住目标和主流程的轻文档，剩下的靠贴身沟通补。这不是偷懒，是把时间挪到了更值钱的地方。 5. 需求用什么载体，取决于这个功能是流程重还是技术重。 用户流程复杂的东西，直接做一个原型、带着开发走一遍，比写文字高效得多；但如果是 API 或者偏底层的逻辑，原型帮不上忙，还是得把规则写清楚。载体选错，两边都在空转。 6. 需求交出去不是结束，是开始。 轻文档能成立的前提是人在旁边——开发一碰到业务逻辑上的疑问就能立刻问到我们。交完就消失的话，轻文档只会变成返工。 7. 一个功能值不值得多花几轮会去 scoping，看它压在多少别人的系统上。 涉及数据结构、模型、多个团队的功能，没有谁能一个人想清楚，几轮来回的会议是必要成本。功能简单、依赖少的，就可以从想法直接冲到实现。要避免的是把这两类混在一起处理——复杂的那类一旦走了捷径，后面会用 edge case 连本带利要回来。 三、反馈太多、方向互斥的时候 8. 反馈不是答案，是证据。做决定更像办一个案子。 先立一个假设（比如"打开率低是因为通知太多、大家已经免疫了"），再去收集证据：这件事在反馈里被提到的频率、后台的点击和路径数据、几场直接找用户的对话。假设站得住，才进入方案；方案再用小步迭代或者 A/B 去验。跳过前两步直接排功能，等于把用户的一句话当成了结论。 9. 消费级产品的反馈天然互相打架，这是常态，不是异常。 同一个功能，一部分人说正是因为它才留下来，另一部分人说正是因为它才想走。这里没有"听用户的"这种解法，因为用户不是一个人。能收敛的只有一件事：我们这个阶段到底在追什么——用户规模、留存，还是某一类人的深度使用。目标定了，互斥的反馈才会自动分出主次。 10. 不是所有用户的声音权重相同。 如果这一阶段要的是增长，那就优先看"节点型"用户：他们带人进来、自己留得住、在平台上活跃。他们的需求被满足，网络才会自己长。B 端的权重逻辑不一样——签字的人和每天用的人不是同一个，两边的意见要分开称。 11. 客户提的个性化需求，默认不做，除非它是通用的。 见一个客户改一次，最后会得到一个谁都不好用、还到处是 bug 的产品。判断标准只有两条：很多客户都在要，或者它能推广到其他客户身上。都不是的话，礼貌拒绝比勉强答应更负责。差异放在配置层，主干保持一套。 12. 分人群做不同的界面，要先算代价。 一个平台上同时坐着冲着行业来的、冲着合作来的、冲着本地生活来的，想同时服务好确实难。但切分不是免费的：多一套界面就多一套要维护的东西，而且有些价值恰恰来自"不同的人混在一起"。所以动手之前先确认——这些人群之间真的没有连接，还是我们只是还没找到那个连接点？ 四、推出去之后：adoption 是设计出来的 13. 人天然抗拒工作流被改变，哪怕新东西确实更好。 一线用户看到的不是"效率提升"，是"多了两步要学"。所以 B 端常见的打法是自上而下：先说服决策层，让这件事变成公司决定，再往下推。代价是销售周期变长，而且要让对方亲眼看到、亲手摸到才会信。 14. 最有效的销售动作，往往是让对方自己发现价值。 有些客户一开始顾虑很重，但看完实地演示、看完它在别处已经跑出来的效果，自己就开始盘算能用在哪，甚至主动说"现在不行，但晚点一定要做"。这时候我们其实没有在卖。把力气花在"能不能让他亲自体验到"，比花在话术上回报高得多。 15. 上线第一天陪着，不是长久之计。 功能少的时候，派人现场带一遍效果最好；功能一多就带不动了。接下来要靠能自己生长的东西：一份用户随时能查的文档；检测到某个功能多少天没被点过就弹一次提示；以及一个专门放更新的入口，新功能上线时讲清楚它在哪、给谁用、怎么用。adoption 从来不是用户的素质问题，是我们有没有把"被发现"设计进去。 写在最后 这场聊下来的一个共识是：0 到 1 阶段最稀缺的不是想法，是判断的依据。把数字定在前面，把反馈当证据而不是指令，复杂的地方舍得花时间、简单的地方舍得冲——剩下的交给迭代。
