@Lenciel

PMF

上周有留言,说什么是 PMF。

这可能是创业的时候会经常听到,但绝大部分人都搞错了的概念。

PMF 在我看来,就是精益创业(Lean StartUp,现在已经是不仅仅是一个成熟的方法论,还是一个庞大的咨询公司了)的前两个阶段相结合:MVP + Pivot。

99% 的创业公司会死。一个有效的减少损失的办法,就是早点儿死。

这是精益创业的核心思想。

第一步是做 MVP(Minimum Viable Product),验证自己的核心假设。

这里特别容易犯的错误有两个。

很多人会以为 Minimum 是只做部分的方案,或者做得不那么精美。

并不是。MVP 验证的是你的核心假设:用什么样的产品解决了什么用户的什么问题。这个核心路径上的所有东西都要实现,而且要有足够好的用户体验,才能得到比较准确的结果。

还有很多人,知道这个道理,但其实没有梳理出自己核心假设的产品能力。比如,你觉得共享单车可能是个好生意,这个 MVP 究竟怎么设计?你要做什么拿什么数据来验证?

当数据不错,(在过去,这些数据往往可以让你融到天使轮),你就面临第二步 Pivot,它也很关键。

这个过程往往会发生两件事,首先要确定主增长渠道。然后,通常会发生比较大的产品上的改动,来适应这个主渠道。

因此,有一些人形容这两个阶段就像打篮球时中锋的篮下动作:你首先需要一个验证了的产品,作为支撑脚。这只脚站稳后,你的 Pivot 就像另一只脚,往往需要在各种渠道里面来回腾挪,最终找到一个可以得分的突破口。

YC 统计,有一半左右的公司会倒在这个阶段(剩下的一般会融到 A 轮)。因为前面有产品力就够了,后面则涉及经营。

举个具体的例子可能好理解一点。

你觉得牛黄可以用来解毒,于是购买原料,招募患者,做双盲实验,最后发现确实有效,这是 MVP 成功了。它距离做出一个九芝堂,还有很远路要走:涉及到怎么做供应链,怎么做渠道,怎么定价,怎么配套组织架构等等。

当然,如果是成熟点儿的创业者,肯定是两个步骤综合考虑的。

另外一个有点意思的事情是,最近两年,好像有挺多的人出来抨击精益创业(123)。我自己觉得,除开有一些人有前面我说的对 MVP 的误会之外,还有一个很重要的原因是软件的开发和部署成本大幅度降低,让 MVP 变得没有门槛很低了。

也就是说,十年前,MVP 往往是上线的第一个版本,然后根据用户的反馈,再慢慢进行迭代,因为软件开发和部署的成本那么低。

但现在,因为软件开发和部署的成本进一步降低了,你的 MVP 上线并得到验证之后,马上会有二十个一样的产品出来(特别是现在很多 AI 套娃应用)。实际上并不是 MVP 或者精益这些方法论失效了,而是 Pivot 变得非常难了。

解决的办法可能只有两个。

一是做一个足够有壁垒的产品。还是得提醒,你做的还是 MVP,只是解决的用户问题就非常困难:比如 Figma 要解决设计团队内部以及和其他团队协作问题,并且要基于浏览器来解决,这几乎等于在各种浏览器的基础上实现一个统一的浏览器。于是它需要花好些年先做类似于 WebGL、asm.js 这样的东西,最终这些都成为了壁垒。

另外一个,就是积累渠道能力。当拥有了某个渠道里的壁垒之后,Pivot 会变得容易很多。换句话说,在这个流量红利消失,获客成本高企的时代,PMF 过程里对渠道的理解甚至是控制的重要性,往往超过了产品力。这也是为什么有一些做增长的人,在 PMF 之外,专门独立出了 PCF(Product-Channel Fit)。

以上。

我在看什么(14) - 《Behind the Startup》

最近在看一些 AI 和 Crypto 的东西,这是过程里看过的几本书之一。

作者 Benjamin Shestakofsky,用了 19 个月时间到一家硅谷的独角兽(估值超过十亿美金的意思)企业卧底。因为他是一个读社会学的 PhD,所以从副标题你大概可以看出他要表达什么样的观点。

但我想这里的分享的是跟他的观点不太相关的一些东西。

和作者那样圈子外的读书人不同,创业圈的人(可能)都知道,现在 VC 的逻辑变掉了。

反正我认识的,出手变得很小心,最好已经是已经验证了商业价值的项目。如果不是,宁愿不投,做做 portfolio 的管理,甚至干脆去炒币:反正都是赌,不如自己赌,好歹是在牛市里面赌。

在这种没有人接下一棒的大环境里,还有哪些事情可以做?

这本书里的独角兽 AllDone(不用去搜,书里面的公司和员工名字都是作者起的假名),做的业务是非标服务的线上撮合:清洁工、水管工、数学家教…经历了国内 O2O 那一波的人应该对里面的难点很清楚。

AllDone 做出不错的增长率的同时,保持比较高的利润,核心其实是靠外包:他们在美国一共只有四五个工程师,但是用了一个两百人的菲律宾外包团队来做包括「AI 撮合」、「AI 反欺诈」、AB 测试等工作——几乎是所有工作。

比如,你在平台上想要找一个中餐厨子上门给你做一顿生日宴,平台看起来是通过算法推荐一个服务提供商给你。实际上,菲律宾的员工会在用户附近大量联系服务提供商并最终完成推荐。

比如,菲律宾员工负责对线上发布的需求进行人工审核,包括检查发布方是否有合法身份、支付能力,也包括对不合法的需求进行屏蔽等等。这些工作,AllDone 对投资人讲的都是靠算法完成的。

甚至,公司想要测试一个新功能,比如把 Yelp 评价导入作为服务提供商评价指标提供转化率。AllDone 的做法是先不开发软件功能,让菲律宾外包人工搬运 Yelp 的评价和评语给一些服务提供商,观察转化率变化之后再做决定。

我不知道还有多少做 AI 特别是做 agent 方向的公司其实是这样玩的。但整体上感觉,其实每个外包业务都可以用类似的模式重新做一次。

比如,你可能现在经营的是个 4A 公司,那么有没有办法通过工具把里面一些东西交给灵活用工的团队来做掉,从而系统性地减少固定员工并提高效率和利润?

真正有生产力的 AI agent,不知道还要多久才能出现。所以,这种半人半机器甚至主要是通过工具统一管理的人类 agent,会长期存在。

准备搞个类似的业务试试。