小线菌
在此基础上,《The Lean Product Playbook》的作者 Dan Olsen 又把 PMF 的概念进行了扩展,把产品和市场更详细地拆分成了金字塔模型中的 5 个不同层级:
产品(Product)
价值定位(Value Proposition)
功能点(Feature Set)
用户体验(UX)
市场(Market)
目标用户(Target Customer)
未被满足的需求(Underserved Needs)
图片来源:Product Coalition
随着产业互联网(Industry Internet)在 2018 年左右的兴起,新兴科技被用来解决产业中亟待优化的问题,致力于将生产效率和客户体验带来 10-100 倍,甚至更高的提升,并转化为商业价值。
当创业公司提供的不再是一款消费品或是 App,而是依托于新兴技术的一项解决方案或企业服务。这个时候,Technology-Problem Fit 策略可能会比 Product-Market Fit 更适合当作突破口,来指导技术创业项目的冷启动。
顾名思义,Technology-Problem Fit(TPF)指的是技术与行业现存问题相契合。类比 PMF 的金字塔模型,笔者也把 TPF 划分为以下 5 个不同层级:
技术(Technology)
成熟的技术(Mature Technology)
技术解决方案(Technical Solutions)
效率与客户体验(Efficiency and Experience)
问题(Problem)
目标行业(Target Industry)
效率尚未最大化的点(Unmaximized Efficiency)
图片来源:线性资本
但两种策略并不是相互替代的二选一,更像是一种前后承接的关系。正如王淮 Harry 在之前的分享中提到的,技术人创业早期要利用 Technology-Problem Fit 作为突破口,之后可以转变为追求 Product-Maker Fit。
而从 TPF 到 PMT 转变的关键正是:
成熟技术在打磨和验证之后变成好产品(Technology → Product)
痛点问题被解决和付费之后形成大市场(Problem → Market)
既然 Technology-Problem Fit 对技术创业如此重要,那么我们要怎样一步步实现它呢?
创业者可以试着从金字塔模型中最底层的需求出发,通过问自己和团队一些关键问题并找到答案,按图索骥地根据 TPF 来推动项目进展,问题可以参考:
目标行业是否足够大?
现存问题是否亟需优化?
相关技术是否成熟?行业准备是否充分?
方案能否带来优化?优化的量级有多大?
解决方案如何进行商业化推广?
下面会以这些问题为基础,对金字塔模型中的每个阶段进行详细解释。
图片来源:Chief Outsiders
大市场的重要性不言而喻,任何微小改善带来的效率或体验提升,一旦乘以巨大的市场规模,都能变成可观的商业价值。
我们在判断市场是否足够大的时候,可以从内、外两个方面来思考:
① 国内相关行业的客群规模
以企业服务 SaaS 领域为例,中国中小企业的数量级为 3000w+,基本和美国持平。虽然在基础设施和管理观念上都稍显落后,但是对企业服务的需求是类似的。
② 国外类似领域的企业市值
美国在 100 亿美金以上的 SaaS 上市公司有超过 50 家,而中国则刚刚出现第 1 家。根据《钛媒体》报道,就在今年一月份,「有赞科技」成为中国第 1 个市值超过 100 亿美金的 SaaS 公司。
通过以上两个视角的结合,我们可以获得关于市场大小的合理推断。大市场是一门好生意的基础,也只有像国内 SaaS 领域这样具有无限增长潜力的市场,才能点燃创业者们深耕掘金的热情。
图片来源:Kanika Modi
对创业者来说,当发现一个行业内存在问题而导致效率低或体验差的时候,可以从这两个方面来判断这到底是真痛点还是伪需求:
① 当下问题是否有新的解决方案
考虑一个问题的解决方案时,其在当下的“时效性”不容忽视,方案太落后或太先进都无法真正落地,是伪需求的一种。但商业环境也不是一成不变的,正如美国未来学家 Mark Penn 提出的“小趋势”概念,1% 甚至 1‰ 人口中发生的新现象,可能帮助之前无法落地的解决方案逐渐突破瓶颈产生质变。
例如在“AI+农业”领域,时间推回到 5 年前,因为遥感技术(Remote Sensing)监测到的图像分辨率过低,统计数据的不准确导致算法模型无法有效建立,智慧决策的生成受阻。同时农村地区的 4G 网络覆盖率和智能手机使用率都不高,农户也无法利用移动设备对智慧决策进行接收。
种种原因导致解决方案在当时无法落地,但当下这个机会窗口因为相关技术的成熟而缓缓打开,也就从伪需求变成了真痛点。
② 行业内客户是否有动力进行优化
这一点也是很多创业者想不明白的,明明自己的解决方案可以提供降本增效的优化,客户却还是不买账呢?这就要考虑到人性的因素,大部分人都没有未雨绸缪的危机意识。所以当一个行业的现金流稳定,竞争环境也较为温和时,客户就没有“焦虑感”来对业务进行优化和转型,这种情况下出现问题的点就还不够“痛”。
正如在消费互联网创业中,需要有创新者(Innovators)和早期使用者(Early Adopters)作为“天使用户”来帮助产品冷启动,直到完成 Geoffrey Moore 所描述的跨越鸿沟(Crossing the Chasm),逐渐进入大众视野并占领主流市场。
所以在 Technology-Problem Fit 策略中,创业者判断一个行业现存问题是否是真痛点的时候,也可以把“是否能从目标行业的客户群中找到创新者和早期使用者?”当作参考标准。
图片来源:Shah Mohammed
当创业者找到了行业中真实存在的痛点,要记得在着手构建解决方案之前,先考虑一下“技术成熟度”和“行业准备度”的问题。
① 所谓“技术成熟度”,就是根据我们要优化的业务场景,来看技术是否成熟并能解决产业实际问题。
这些技术要能有效落地转化为解决方案,而不只是存在于实验室中。所以创业者要多关注这些问题导向的技术栈(Problem-oriented Tech Stack),例如把已经较为成熟的 AI、5G、IoT 等通用技术,与产业中日积月累的 Domain Tech(领域技术)、Know How(技术诀窍)等专有技术进行结合。
Gartner 每年都会绘制著名的技术成熟度曲线(The Hype Cycle),并把技术的生命周期划分为以下 5 个关键阶段:
技术萌芽期(Innovation Trigger):潜在的技术突破即将开始,通常不存在可用的产品,商业可行性未得到验证。
期望膨胀期(Peak of Inflated Expectations):早期宣传产生了许多成功案例,通常也伴随着多次失败。
泡沫破裂谷底期(Trough of Disillusionment):人们的兴趣逐渐减弱,只有幸存的提供商不断改进产品。
稳步爬升复苏期(Slope of Enlightenment):有关该技术如何使企业受益的更多实例开始具体化,并获得更广泛的认识。
生产成熟期(Plateau of Productivity):主流采用开始激增,该技术的广泛市场适用性和相关性得到显著回报。
在笔者看来,Technology-Problem Fit 往往出现在“稳步爬升复苏期”,代表了从技术到解决方案这个从 0 到 1 的试错和优化过程;而 Product-Maker Fit 则紧随其后出现在“生产成熟期”,是解决方案形成标准化的产品和服务并从 1 到 N 开拓市场的阶段。
② 所谓“行业准备度”,是指在解决方案落地前,行业是否满足方案对基础设施和知识储备的基本要求。
对那些发展落后的行业来说,当基础的自动化都还没完成,要实施决策的自动化更是空中楼阁。就像对数字孪生技术(Digital Twin)的应用,可以帮助企业在虚拟世界中模拟生产制造流程,达到优化工作流程和灵活配置资源的目的。
但这项解决方案的落地还有着其它的前提条件,需要比如:
针对设备的嵌入式智能升级,来配合 IIoT(工业物联网)应用进行数据收集;
提供低延迟和快速响应的无线连接,最低标准是 4G/LTE,5G 是更优的解决方案;
边缘云技术来采集和处理数据,可以解决传输和响应速度问题,缓解云端算力压力。
所以说,一个 Technology-Problem Fit 模型即使达到了“大市场”和“真痛点”两个标准,但是当作为锤子和钉子的“技术成熟度”和“行业准备度”无法满足时,解决方案也会如“巧妇难为无米之炊”般无法落地。
图片来源:Siemens
当我们完成对以上几点的深入研究,发现解决方案是切实可行的,这个时候就要对方案的效果进行准确评估,了解在原有问题的哪些方向上产生了优化,以及优化的量级大概是多少。
还是以之前的“数字孪生技术”为例,在第 36 届美洲杯帆船赛中,新西兰酋长队与麦肯锡子公司 Quantum Black 合作打造了帆船的数字孪生模型,利用 AI 进行快速的船体优化和航行测试,这项解决方案就为研发测试带来了 10 倍于以往的效率提升。
不过在刚开始利用机器和技术代替人工的时候,不管是流程还是决策的自动化,效果可能都比人工要差。所以实际应用中往往都是先从“人机协同”开始,接着用“机人协同”进行过渡,最后再考虑用机器完全替代。而在这个相对漫长的过程中,对客户的预期管理就显得格外重要。
我们知道“客户满意度 = 产品和服务效果 - 客户预期”,所以在解决方案应用的初期,要通过管理客户预期来提高他们的满意度。帮助客户拥有更多耐心和信心,直到方案可以产生 10-100 倍,甚至是再也回不到过去的效率提升和体验优化。
PMF 模型中会使用净推荐值(Net Promoter Score,NPS)来衡量消费者满意度,通过他们对产品和服务的推荐值打分,来找到其中推荐者(Promoters)和贬损者(Detractors)的比例,二者的差值也就是 NPS。
虽然 TPF 模型中创业者往往面对的是 B 端的客户,但是也可以引入类似的指标来衡量他们对解决方案的满意程度。
图片来源:Andrew Foot
PMF 策略中有个最小化可行产品(Minimum Viable Product,MVP)的概念,由 Eric Ries 在其《精益创业》一书中提出,指用最快时间、最小成本构建出可用产品原型。
“最小化”帮助产品快速部署并进入迭代流程,“可行”则保证产品可以有效满足客户核心需求。在 MVP 的基础上不断迭代,从而跨越鸿沟达到产品与市场需求相契合。
在我们的 TPF 策略中,创业公司可以通过早期和行业内焦虑的客户们合作,耐心地把解决方案的原型做出来,通过合作在产业里形成最小化标杆案例(Minimum Benchmark Case,MBC)。
“最小化”同样指通过小规模试点来快速打磨和试错,而“标杆”则是通过立体化展现解决方案成功落地后的优化效果,以此给产业带来一定的示范效应。
“最小化标杆案例”不追求对成本、效率和体验进行全方位改进,但是要让客户感受到在核心痛点上的优化空间。早期最好是跟行业内前的几名进行合作,这样的品牌背书会增加解决方案的影响力和说服力,并带动越来越多的客户愿意尝试并为之付费,从而形成良性循环的商业模型。
希望通过本文对 Technology-Problem Fit 概念体系化的梳理,再加上对比 Product-Market Fit 之后对二者异同点和承接关系的分析,深耕产业互联网项目的技术创业者们可以借此更快地完成从 0 到 1 的突破,把解决方案落地并不断创造商业价值。
【2】吴声造物《何帆:用「演化算法」在大平台引爆小趋势》
【3】机器之能《以「数字孪生」重塑工业》
【4】Gartner《技术成熟度曲线》