五大增长战略模型-PDF100页

价值主张并不等于需求,他是买方的购买理由,是商业模式的出发点。价值主张更加场景化。一个产品的差 异化不在于满足了不同的用户需求,而在于对用户不同价值主张的满足。用户购买了某个产品,指向的也不 是某个泛泛的需求,而是一组价值主张,真实的决策往往取决于当时某个购买理由占了主导。下一个时刻, 另外一个理由占了主导,用户的决策很可能发生变化。 价值主张决定了用户为何买我们的产品,这也是生意的起点。过去创业者们看到某个商业模式有了机会,自 己就会照着做一个,认为〃他能做的,我也能做〃,这是一种很害人的思路。帮助创业者从这种思路里跳出来 的有效工具就是思考〃我究竟提供了什么不同的价值主张〃,这种价值主张是否被买方所认可。这就是〃价值 破局''的要义,当我们提供了与众不同且被买方所认可的价值,增长的起点便有了。 价值就是买方视角的效用。价值创造是增长的起点,但对价值的感知是主观的,买方视角感受到的效用也不 是恒定不变的,同一种效用是边际效益递减的。一种成功的产品很少是单一价值贯穿始终的,从增长的视角 看,我们既要不断挖掘新的价值,又要不断将原价值显化。将价值显化是为了促进交易的达成。

  • 2023-04-03
  • 阅读376

【InformationSciences】小扰动就足够了:对时间序列预测的对抗性攻击

时间序列数据在现实世界的工业场景中广泛存在。为了在实际应用中恢复和推断信息,时间序列预测问题作为数据挖掘中的一个经典研究课题得到了广泛的研究。深度学习架构已被视为下一代时间序列预测模型。然而,最近的研究表明,深度学习模型很容易受到对抗性攻击。在这项研究中,我们前瞻性地研究了时间序列预测对抗性攻击的问题,并提出了一种攻击策略,通过在原始时间序列中添加恶意扰动来降低时间序列预测模型的性能,从而生成对抗性时间序列。具体地,利用预测模型的梯度信息,提出了一种基于扰动的对抗性示例生成算法。在实践中,与图像处理领域中人类无法察觉的情况不同,时间序列数据对异常扰动更敏感,并且对扰动量有更严格的要求。为了应对这一挑战,我们基于重要性测量制作了一个对抗性时间序列,以稍微干扰原始数据。基于在真实世界时间序列数据集上进行的综合实验,我们验证了所提出的对抗性攻击方法不仅有效地欺骗了目标时间序列预测模型LSTNet,而且还攻击了最先进的基于CNN、RNN和MHANET的模型。同时,结果表明,所提出的方法具有良好的可移植性。也就是说,为特定预测模型生成的对抗性示例会显著影响其他方法的性能。此外,通过与现有的对抗性攻击方法的比较,我们可以看到,对于所提出的基于重要性测量的对抗性进攻方法来说,更小的每次扰动就足够了。本文中描述的方法对于理解对抗性攻击对时间序列预测的影响和提高此类预测技术的稳健性具有重要意义。 关键词:时间序列数据,时间序列预测,对抗性攻击

  • 2024-05-26
  • 阅读375