第 2 步——我们必须变得独一无二
Posted: Mon Mar 24, 2025 9:00 am
我们知道，独特性、卓越性、与众不同、与众不同是非常重要的。
因此，当我们集思广益，寻找解决该用户问题核心的不同方法时，我们可能会说，“好吧，电影评级，我们可以做一个总结吗？”
嗯，Metacritic 等网站已经实现了这一点。他们汇总了所有内容，然后将它们放在一起，告诉我们许多不同网站上评论家和观众的想法。所以这已经完成了。
奖项与人气的对比，同样，这在很多地方已经做过了，比较了票房最高的电影与获得某些奖项的电影。好吧，这并不特别独特。
那么评论家与观众的对比呢？同样，每个网站基本上都会这样做。每个人都向我展示用户评分与评论家评分。
那么按可用性如何？嗯，实际上现在有很多 巴哈马 电话数据 网站都这样做，它们会显示这个在 Netflix 上，这个在 Hulu 上，这个在 Amazon 上，这个可以在 Comcast 上观看或点播，这个可以在 YouTube 上观看。好吧，这也不是独一无二的。
那么我可以信任哪些评分呢？等一下。这可能还不存在。这是对这个问题的一个很棒的独特见解，因为当我想说“我应该决定看什么”时，我面临的挑战之一是我应该信任谁，我应该相信谁。我可以去 Fandango 或亚马逊或 Metacritic 或 Netflix 吗？谁的评分真正值得信赖？
好吧，现在我们得到了一些独特的东西，现在我们有了核心见解和独特的视角。
步骤 3-发现提供答案的强大方法。
现在我们想要找到一种强大、难以复制、高质量的方法来回答这个问题。
在这种情况下，答案可能是：“嗯，你知道吗？我们可以进行统计分析。”我们获得了足够大的样本集，足够多的电影，大概是去年的 150 部左右的电影。我们查看每项服务提供的评级，看看我们能否找到规律，例如：谁的评分最高，谁的评分最低？有些人对类型有不同的偏好吗？哪一个是值得信赖的？哪一个与奖项和评论家有关联吗？哪些是异常值？所有这些实际上都在试图回答“我可以信任哪一个”的问题。
我想如果我们进行统计分析的话，我们就能回答这个问题。这真是太麻烦了。
我们必须访问所有这些站点。我们必须收集所有数据。我们必须将其放入统计模型中。然后我们必须运行我们的模型。我们必须确保我们有足够大的样本集。我们必须看看我们的相关性是什么。我们必须检查异常值和分布以及所有这类东西。
因此，当我们集思广益，寻找解决该用户问题核心的不同方法时，我们可能会说，“好吧，电影评级，我们可以做一个总结吗？”
嗯，Metacritic 等网站已经实现了这一点。他们汇总了所有内容，然后将它们放在一起，告诉我们许多不同网站上评论家和观众的想法。所以这已经完成了。
奖项与人气的对比，同样，这在很多地方已经做过了，比较了票房最高的电影与获得某些奖项的电影。好吧，这并不特别独特。
那么评论家与观众的对比呢？同样，每个网站基本上都会这样做。每个人都向我展示用户评分与评论家评分。
那么按可用性如何？嗯，实际上现在有很多 巴哈马 电话数据 网站都这样做，它们会显示这个在 Netflix 上，这个在 Hulu 上，这个在 Amazon 上，这个可以在 Comcast 上观看或点播，这个可以在 YouTube 上观看。好吧，这也不是独一无二的。
那么我可以信任哪些评分呢？等一下。这可能还不存在。这是对这个问题的一个很棒的独特见解，因为当我想说“我应该决定看什么”时，我面临的挑战之一是我应该信任谁，我应该相信谁。我可以去 Fandango 或亚马逊或 Metacritic 或 Netflix 吗？谁的评分真正值得信赖？
好吧，现在我们得到了一些独特的东西，现在我们有了核心见解和独特的视角。
步骤 3-发现提供答案的强大方法。
现在我们想要找到一种强大、难以复制、高质量的方法来回答这个问题。
在这种情况下，答案可能是：“嗯，你知道吗？我们可以进行统计分析。”我们获得了足够大的样本集，足够多的电影，大概是去年的 150 部左右的电影。我们查看每项服务提供的评级，看看我们能否找到规律，例如：谁的评分最高，谁的评分最低？有些人对类型有不同的偏好吗？哪一个是值得信赖的？哪一个与奖项和评论家有关联吗？哪些是异常值？所有这些实际上都在试图回答“我可以信任哪一个”的问题。
我想如果我们进行统计分析的话，我们就能回答这个问题。这真是太麻烦了。
我们必须访问所有这些站点。我们必须收集所有数据。我们必须将其放入统计模型中。然后我们必须运行我们的模型。我们必须确保我们有足够大的样本集。我们必须看看我们的相关性是什么。我们必须检查异常值和分布以及所有这类东西。