一张图看懂小米千亿美金生态链产品

一张图看懂小米千亿美金生态链产品

小米上市近在眼前,最快5月初提交IPO申请,再到小米IPO股指不断攀升,估值直奔1000亿美金以上,小米用了7年时间,这在整个互联网的发展史上,也算是火箭般的发展速度。

今天我们一起复盘看看小米的千亿美金生态链。


小米整个生态链

一张图看懂小米千亿美金生态链产品

公开数据显示,2017年,小米因此扩张的生态链的年销售额突破200亿,雷军:小米平台联网设备已超过8500万台,日活设备超过1000万台,合作伙伴超400家,已是全球最大的智能硬件平台。而小米的下一步是全面开放生态链和小米开发者计划,将生态链延展到更多领域。

雷军实施复制100家小米的庞大计划:从移动电源到空气净化器、手环、净水器、代步工具、智能机器人….小米生态链庞大似巨人。


小米生态链是一个基于企业生态的智能硬件孵化器。

一张图看懂小米千亿美金生态链产品

小米又以小米手机为核心,着力打造一个生态体系,周边产品包括智能白电、可穿戴设备、手机配件、路由器、机器人、笔记本电脑、电视、机顶盒、儿童智能等。


一张图看懂小米千亿美金生态链产品

其中,小米手环销量在中国排在第一,在全球排在第二,累计销量已经突破了3000万只。

空气净化器,去年一年卖了200万台,市场份额遥遥领先,排在第一位。

前阵子,国内研究机构亿欧对28家小米智能硬件生态链公司进行了简单梳理:

一张图看懂小米千亿美金生态链产品


一张图看懂小米生态链所有产品

一张图看懂小米千亿美金生态链产品

作为个人,除了见证了小米火箭般的发展速度以外,我比较关心的是如此复杂的这个产品生态,当初小米是通过一个什么样的突破口来布局整个生态链的呢?


小米火箭系统的第一加速器

一张图看懂小米千亿美金生态链产品

最早小米是先从手机系统下手,在做小米手机系统(MIUI)时,雷军下达了一个指标:不花钱将MIUI做到100万用户。于是,主管MIUI的负责人黎万强只能通过论坛做口碑:满世界泡论坛,找资深用户,几个人注册了上百个账户,天天在手机论坛灌水发广告,精心挑选了100位超级用户,参与MIUI的设计、研发、反馈等。借助这100人的口碑传播,MIUI迅速得以推广。

那时,雷军会每天也花一个小时回复微博上的评论,即使是工程师也要按时回复论坛上的帖子。据统计,小米论坛每天有实质内容的帖子大约有8000条,平均每个工程师每天要恢复150个帖子。而且,在每一个帖子后面,都会有一个状态,显示这个建议被采纳的程度以及解决问题的工程师ID,这给了用户被重视的感觉。


核心种子用户获取过程

一张图看懂小米千亿美金生态链产品

1

第一步:你的种子用户是哪些人

所谓的你的种子用户是哪些人,就是用户画像,在我们开始寻找用户之前,要建立临时的用户模型,用户模型指的是,你的产品是什么人用,在什么时候什么地方用,要清楚这些人的基本属性,比如年龄、职业、爱好等等。

小米用户模型的建立

一张图看懂小米千亿美金生态链产品

2

快速找到极具影响力的用户

小米是做手机的,他们要找的不是一般用手机的人,而是手机发烧友,不仅仅把手机当成通讯工具,而是很乐于研究手机里的每一个应用程序。

3

这些骨灰级的用户经常出没在哪里

手机发烧友,通常都是手机论坛的资深用户,当时为了找到核心的用户,小米联合创始人黎万强和研发团队,各种马甲埋伏在手机论坛里不停的发帖回帖,以及各种QQ群、QQ空间,微博等等比较大的社交平台。

埋伏在各大手机论坛(安卓网、机锋论坛等)。

4

如何和这些资深用户产生关系

制定对应的营销与传播策略:微博制造话题

找到用户栖息地,小米联合创始人和整个产品的研发团队,通过不断和坛友互动,回答坛友的问题,发表关于小米的帖子,持续性的做互动,一个一个的把核心用户挖过来了。利用微博这个大平台,制造话题,炒热产品,比如“转发微博,赢取小米手机或者精美礼品”等诱惑力极大的活动。

5

成功勾搭用户,完成产品的冷启动

从论坛、bbs、QQ群等挖掘用户,挖到了100个种子用户,这100个优质的种子用户,为小米带来源源不断的用户,一直到现在几个亿用户。

事实证明,优质的种子用户能够成为具有号召力的团队,为产品或者平台滚雪球般的效应。


money.jpg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/479782.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Pycharm使用远程服务器运行代码

pycharm下载专业版,然后用学生邮箱申请个激活码(我这里申请了个账号,更方便)。 连上厦大VPN,再用pycharm高级版可以直接连到学校的GPU服务器,这样平时不在学校也能调试服务器了。 厦大VPN设置 pycharm下载…

吐槽贴:用ELECTRA、ALBERT之前,你真的了解它们吗?

文 | 苏剑林单位 | 追一科技编 | 兔子酱在预训练语言模型中,ALBERT和ELECTRA算是继BERT之后的两个“后起之秀”。它们从不同的角度入手对BERT进行了改进,最终提升了效果(至少在不少公开评测数据集上是这样),因此也赢得…

LeetCode 56. 合并区间(优先队列)

文章目录1. 题目信息2. 解题2.1 报错的答案2.2 优先队列解题1. 题目信息 给出一个区间的集合,请合并所有重叠的区间。 示例 1:输入: [[1,3],[2,6],[8,10],[15,18]] 输出: [[1,6],[8,10],[15,18]] 解释: 区间 [1,3] 和 [2,6] 重叠, 将它们合并为 [1,6]. 示例 2:输入…

论文浅尝 | 基于复杂查询图编码的知识库问答

论文笔记整理:谭亦鸣,东南大学博士生,研究方向为知识库问答。来源:EMNLP 2018链接:https://www.aclweb.org/anthology/D18-1242文章表示,复杂问答所面对的问题往往包含多种实体和关系(来自知识库…

阿里Java架构师精通资料:性能优化+亿级并发架构汇总+架构选型

分布式并发架构 微服务、Docker容器的基本原理、架构设计,以及应用场景。 缓存:Redis、Memcached、CDN、本地缓存 搜索引擎的选型:Lucene、Solr等选型与比较 应用服务器雪崩:长事务、SQL超时、同步接口引起的雪崩场景&#xff…

Google Cloud TPUs支持Pytorch框架啦!

文 | Sherry在2019年PyTorch开发者大会上,Facebook,Google和Salesforce Research联合宣布启动PyTorch-TPU项目。项目的目标是在保持PyTorch的灵活性的同时让社区尽可能容易地利用云TPU提供的高性能计算。团队创建了PyTorch/XLA这个repo,它可以…

LeetCode 231. 2的幂 LeetCode 338. 比特位计数(2进制1的个数)

文章目录1. 题目信息2. 解题拓展:求一个数n的2进制有多少个1?LeetCode 3381. 题目信息 给定一个整数,编写一个函数来判断它是否是 2 的幂次方。 示例 1:输入: 1 输出: true 解释: 20 1 示例 2:输入: 16 输出: true 解释: 24 16 示例 3:输…

最全阿里架构师P系列解读:P5-P8的技能要求和薪资结构

2018年持续一整年的架构设计分享,2019年我希望持续分享的同时,能真正意义上帮助到部分读者成为一名架构师。 学习的同时请千万别:只见树木,不见森林。 所以我会让大家先俯瞰完整的森林,我们再从树木开始,…

NeurIPS’20 | 长尾问题太严重?半监督和自监督就可以有效缓解!

文 | Yuzhe Yang源 | 知乎来给大家介绍一下我们的最新工作,目前已被NeurIPS 2020接收:Rethinking the Value of Labels for Improving Class-Imbalanced Learning。这项工作主要研究一个经典而又非常实际且常见的问题:数据类别不平衡&#xf…

论文浅尝 | 知识图谱中的链接预测:一种基于层次约束的方法

论文笔记整理:张良,东南大学博士生,研究方向为知识图谱,自然语言处理。链接:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp&arnumber8450054本文主要关注KG上的 Link prediction 问题,以往的方法在…

阿里P8架构师谈:架构设计经验汇总

架构设计更多的是实践经验总结,以下架构设计经验,我会陆续补充完整。 一:数据库拆分原则 阿里P8架构师谈:架构设计之数据库拆分六大原则 二:缓存选择原则 阿里P8架构师谈:分布式缓存的应用场景、选型比较…

陈丹琦“简单到令人沮丧”的屠榜之作:关系抽取新SOTA!

文 | JayLou娄杰大家好,我是卖萌屋的JayJay,好久不见啦~最近在「夕小瑶知识图谱与信息抽取」群里和群友交流时,JayJay发现了来自陈丹琦大佬(女神)的一篇最新的关系抽取SOTA《A Frustratingly Easy Approach…

肖仰华 | 知识图谱落地的基本原则与最佳实践

本文转载在公众号:知识工场。肖仰华博士,复旦大学计算机科学与技术学院教授,博士生导师,知识工场实验室负责人。此文内容取自肖仰华教授在华为、CCF等场合所做报告,完整内容见书籍《知识图谱:概念与技术》的…

预训练模型应用工具 PaddleHub情感分析、对话情绪识别文本相似度

文章目录1. 预训练模型的应用背景1.1 多任务学习与迁移学习1.2 自监督学习2. 快速使用PaddleHub2.1 通过Python代码调用方式 使用PaddleHub2.1.1 CV任务原图展示人像扣图人体部位分割人脸检测关键点检测2.1.2 NLP 任务2.2 通过命令行调用方式 使用PaddleHub3. PaddleHub提供的预…

NIPS’20 Spotlight | 精准建模用户兴趣,广告CTR预估准确率大幅提升!

源 | 京东零售技术在以人工智能技术为支持的推荐、搜索、广告等业务中,点击率预估(CTR)一直是技术攻坚的核心,同时也是人工智能技术在业务落地中最难实现的技术方向之一。第一期介绍了视觉信息使用帮助提高点击率预估的准确度&…

史上最强大型分布式架构详解:高并发+数据库+缓存+分布式+微服务+秒杀

分布式架构设计是成长为架构师的必备技能,涵盖的内容很广,今天一次打包分享,文末有:最全分布式架构设计资料获取方式~ 负载均衡 负载均衡的原理和分类 负载均衡架构和应用场景 分布式缓存 常见分布式缓存比较:memcac…

论文浅尝 | 面向多语言语义解析的神经网络框架

论文笔记整理:杜昕昱,东南大学本科生。来源:ACL2017链接:https://aclweb.org/anthology/P17-2007论文训练了一个多语言模型,将现有的Seq2Tree模型扩展到一个多任务学习框架,该框架共享用于生成语义表示的解…

LeetCode 46. 全排列(回溯)

文章目录1. 题目信息2. 解题2.1 利用hash map解决2.2 改用bool数组判断是否出现过1. 题目信息 给定一个没有重复数字的序列,返回其所有可能的全排列。 示例:输入: [1,2,3] 输出: [[1,2,3],[1,3,2],[2,1,3],[2,3,1],[3,1,2],[3,2,1] ]来源:力扣&#xf…

谷歌师兄的刷题笔记分享!

高畅现在是谷歌无人车部门(Waymo)的工程师,从事计算机视觉和机器学习方向。他在美国卡内基梅隆大学攻读硕士学位时,为了准备实习秋招,他从夏天开始整理某 code 上的题目,几个月的时间,刷了几百道…

【深度揭秘】百度、阿里、腾讯内部岗位级别和薪资结构,附带求职建议!

“ 最近很忙,文章没有及时更新。。 最近被问得最多就是想进入BAT等一线互联网公司,应该怎么办? 我先从BAT等这样的公司看看他们的招聘需求谈起,再结合这样的公司需要对技术的要求是什么,最后结合我的建议&#xff0…