Readability付费计划失败带给创业者的反思

Readability宣布放弃面向读者收费的模式,其商业模式失败的原因在于忽视了尊重与信任的重要性,导致内容提供商和作者的不满。文章指出,产品开发者应为产品负责,尊重用户与合作伙伴,善于总结经验教训。

编者按:本文原作者Greg Cox,他是youlookfab.com的CTO,本文源自其个人博客Expletiveinserted

上周国外稍后阅读应用Readability在其官博上宣布其不再替内容提供商对读者用户进行收费,这一转型也说明了Readability面向读者收费的模式最终以失败收场。

虽然不少读者用户还是非常喜欢Readability的这种免费模式的,但是又有多少出版商以及内容提供商愿意将内容免费在Readability上登陆呢?Readability之前的商业模式是其代替内容提供商以及文章作者向读者收费,其收入的70%会转给内容提供商,自己只占三成的份额。不过它的这种模式结果证明是相当失败的,一方面Readability上发布的长篇文章的作者甚至都不知道Readability的存在;另一方面即使一些了解Readability的作者对其这种做法也是相当反感,他们认为Readability拿自己的作品去收费甚至有些时候都没有经过他们的同意,这种做法显然是不尊重作者的表现,一些知名作家就曾公开表示对Readability此举的愤慨,科技博客Daring Fireball的博主John Gruber就称Readability的做法是非常“卑鄙”的。

两位互联网重量级人物暨Readability顾问Anil Dash和Jeffrey Zeldman曾经声援过Readability的这种收费模式,并且在业界掀起了一阵稍后阅读的浪潮。这两位在互联网业界享有较高的声誉,Dash的研究方向是互联网对文化潜在的影响,而Zeldman侧重的是推动互联网标准的出台。从他们的工作就不难看出他们为什么对Readability这种稍后阅读的互联网应用相当推崇,他俩认为Readability为内容提供商以及个人作者提供了一种全新的商业模式,而且也能给读者带来更好的互联网阅读体验。

不过他们显然是被Readability的做法给蒙蔽了,很多情况下Readability对于内容提供商以及作者的作品完全就是自行处理,并未征得作者本人的授权,这就引起了内容提供者的极大反感,长此以往愿意在Readability上发布作品的内容提供商以及作者也就越来越少了。从这一点来看Readability给创业者的反思之一就是:

尊重与信任远比利益更重要

Anil Dash曾经一再强调Readability并不是稍后阅读服务的唯一获利者,其竞争者Instapaper和Pocket也在做着相同的事情,而相比来说Readability还有心尝试去补偿内容提供商以及文章作者,Instapaper和Pocket甚至压根都没有过这样的尝试,可是事实真的是这样么?显然不是,事实上,很多时候有些东西是不能但靠金钱来衡量的,很多作者并不在乎钱,他们在乎的是Readability在没有经过他们的允许的情况下私自用他们的作品去收费,作为出版者来说他们有这样的反应无可厚非。而且在Readability和Instapaper的收益和用户体验相当的前提下,更多的出版者则更喜欢Instapaper直接购买应用的盈利模式,而不是让Readability私自替作者“收钱”。

Readability的这一做法的确看起来很不透明,而且还有一种反客为主感觉,尽管我个人认为John Gruber关于Readability“卑鄙”的看法有点言过其实,不过每当我想起Readability的这种私自替作者“收钱”的收费模式的时候,Gruber的评论还是很好地阐释了我的感受的。

对于这类应用来说,用户理所当然是上帝,但是文章作者他们同样不能忽视,文章内容是支撑是骨架,失去了支撑的躯体只不过是一副空皮囊而已,显然Readability就是没处理好收费模式和内容提供商之间的关系,他们私自拿作者的作品收钱的做法触怒了文章作者,失去了对作者最起码的尊重,也就失去了他们的支撑,所以无论是什么应用,和你的支持者以及用户建立最起码的尊重和信任才是根本。

产品开发者要为自己的产品负责

从结果来看,Readability的这种商业模式完全是不可靠的,不然也不会宣布开始转向免费运营的策略了,对于如此多的文章数量以及作者来说,Readability仅仅15万美金的银行账户是不能满足这些作者的,远远不够分配。Readability 曾经许诺要补偿他们的作者,但是现在看来他们恐怕要食言了,都走上了免费运营的路子,本就不富足的资金更难补偿这些作者了。不过在Readability的这种模式走向败落的时候,也有人站出来为其打气鼓劲,Zeldman认为Readability的初衷是好的,他们也是想为作者和读者做点好事,但是结果却是事与愿违。当Readability的团队一心扑到这个为作者和读者做点好事的远大目标上的时候,他们想提升读者的互联网阅读体验并且想为作者找到一种全新的盈利模式,并不是Readability的远大目标惹恼的他们的作者和读者,而是他们这种不尊重作者的做法彻底激怒了他们。

我们从这儿得到的教训就是当你开始尝试某一新鲜事物的时候,不管你的出发点有多好,成功的道路是坎坷的。作为一个产品开发者来说你必须为你的产品负责,即使你的产品失败了,必须要有人站出来承担责任,你也不要一句简单的“不过我会试试别的更好更酷的做法的”,显然这是一种不负责任的回答,对于应用开发者来说切忌对自己的产品不负责任敷衍了事。

要善于总结经验教训

显然,从Readability关闭收费计划来看,他们并没有从自己收费模式的失败中吸取教训。首先,在怎么处理这个无人认领的支付方式上,Readability采取的是单方面的策略,并未征求过读者和作者的意见,不管你怎么看待这个问题,这些钱始终是作者或者读者的,有些作者想通过这种方式赚钱的怎么办?读者想通过花钱来阅读一些更好的内容的时候怎么办?Readability关闭收费模式的做法和之前“代替”作者收钱的做法并没有什么两样,他们选择的是关闭收费模式而并没有从自己的做法上找原因,并没有向未征求同意而收费的文章作者道歉,显然他们认为创业公司可以任意的从他们的消费者手中任意收费而从来不需要履行任何的承诺。

第二,Readability接下来宣称他们会把之前收费所获得的这笔钱转投给致力于研究推广阅读写作体验的一些非盈利组织,此举只有两个目的:一是将钱交给非盈利组织能抵消一些他们单方面取消收费模式所造成的不良后果,二是捐款可以让他们对这一失败的收费模式做出某些补偿。不过事情的结果往往事与愿违,从长远来看投身慈善事业也许是一个比较有实践性的做法,但并不意味着这些做法都是好的,没有一个清晰明确的定位的话,也许原本想通过这种诚挚的做法来平息作者和读者的怒火的做法最后恐怕会让他们的怒火越烧越旺。

从这则声明后面的评论可以看出有不少恶作剧或者比较理性的回复,Zeldman之前对Readability的声援显然减少了Readability将这个事件做得更好的机会。我真的希望Readability的团队能从这次的事件中吸取更多的教训,这是一个很典型的传统危机公关事件:一面矢口否认自己的错误、一面低估事件的严重性再加上愤怒的读者以及作者们继续刨根问底追究资金问题,也许当这种种一切尘埃落定之后Readability恐怕将会是最大的输家。

总结

Readability的收费模式是失败的,他们在处理这失败的收费模式的做法也是失败的,从目前来看Readability并没有总结自己的经验教训。但是对于创业者和应用开发者们来说,从Readability的失败中最少要学会上面提到的这三点:1.尊重和信任远比利益更重要;2.产品开发者要为自己的产品负责,即使你的产品失败了,必须要有人站出来承担责任,而不是敷衍了事;3.要善于总结经验教训。国内的稍后阅读应用也不少,不过主要的还是集成在浏览器当中,对于一些专门针对稍后阅读的应用来说也主要是一些网站内容的整理压缩推送至手机后的稍后阅读,目前并没有类似Readability中的著作作品稍后阅读的功能,当然也就没有涉及到与作者的版权冲突等问题,这些稍后阅读应用一般都是免费的,但是如果他们想要盈利的话就不得不考虑运营模式问题,也许从Readability的模式中也能学到不少东西。

Via Expletiveinserted

流云 供雷锋网专稿,转载请注明!)
内容概要:本文提出了一种基于非合作博弈理论的居民负荷分层调度模型,并结合双层鲸鱼优化算法(Two-level Whale Optimization Algorithm)进行高效求解,模型与算法均通过Matlab代码实现。研究针对电力系统中居民侧用电负荷的复杂调度问题,引入非合作博弈机制刻画各用户之间的利益竞争关系,实现负荷的分层优化分配;同时设计双层优化架构,上层优化资源配置,下层模拟用户自主决策行为,提升了模型的实用性与合理性。通过智能优化算法求解多层级、非凸非线性的博弈模型,有效提高了调度方案的收敛性与全局寻优能力,适用于现代智能电网中的需求侧管理与能源优化场景。; 适合人群:具备电力系统基础理论知识和Matlab编程能力,从事智能电网、能源优化调度、需求侧管理、博弈论应用等方向的科研人员、高校研究生及工程技术人员。; 使用场景及目标:①应用于居民区电力负荷的分层优化调度系统设计与仿真分析;②为非合作博弈在多主体能源系统建模中的应用提供方法论支持;③利用双层鲸鱼算法解决具有嵌套结构的复杂双层优化问题,提升求解效率与调度方案的可行性。; 阅读建议:建议读者结合提供的Matlab代码深入理解模型构建逻辑与算法实现流程,重点关注博弈模型的效用函数设计、纳什均衡求解思路以及双层优化结构的迭代机制,宜配合实际用电数据开展复现实验以验证模型有效性与鲁棒性。
内容概要:本文围绕基于自适应神经模糊推理系统(ANFIS)智能控制器的可再生能源微电网功率管理系统展开研究,结合Simulink仿真实现,深入探讨了微电网中功率的智能调控与经济机组组合调度问题。通过引入ANFIS控制器,有效应对风能、光伏等可再生能源出力的波动性与不确定性,提升系统运行的稳定性与电能质量。研究内容涵盖微电网多源协调控制策略、功率平衡管理、优化调度模型构建及仿真验证,实现了对分布式电源、储能系统和负荷的协同优化,兼顾经济性与可靠性目标,并通过仿真平台验证了所提方法的有效性与优越性。; 适合人群:具备电力系统、自动化或新能源相关专业背景,熟悉Matlab/Simulink仿真环境,从事微电网能量管理、智能控制、能源优化等领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于高比例可再生能源接入场景下的微电网能量管理系统研发与教学实践;②为实现微电网功率稳定控制与经济高效运行提供先进的智能控制解决方案;③支撑高水平学术论文复现、科研课题攻关及实际工程项目的仿真验证与方案优化。; 阅读建议:建议结合提供的Simulink模型与相关代码进行动手实践,重点关注ANFIS控制器的设计流程、规则库构建与参数调优方法,并通过与传统PID或MPC控制策略的对比实验,深入理解其在动态响应与鲁棒性方面的优势。同时可进一步拓展文中提出的优化调度逻辑,应用于多目标、多约束的复杂实际应用场景中。
内容概要:本文档聚焦于“直流电机双闭环控制Matlab仿真”,系统阐述了基于Matlab/Simulink平台实现直流电机双闭环控制系统(主要包括速度环与电流环)的设计与仿真全过程。通过构建直流电机的数学模型,结合PI控制器进行调控,实现对电机转速和电枢电流的高精度动态控制,验证控制策略的稳定性与响应性能。文档详细介绍了仿真模型的搭建流程、关键参数的整定方法、系统动态波形的分析手段以及仿真结果的有效性验证,体现了经典自动控制理论在实际电机系统中的工程应用,是电机控制与电力电子技术相结合的典型研究案例。; 适合人群:具备自动控制原理、电机与拖动基础、电力电子技术和Matlab/Simulink仿真能力的电气工程、自动化、机电一体化等专业的本科生、研究生及从事电机驱动系统研发的工程技术人员。; 使用场景及目标:①作为高校课程设计或实验教学材料,帮助学生深入理解双闭环调速系统的工作机理与工程实现;②服务于科研项目,为新型电机控制算法(如滑模、模糊PID等)的开发与性能对比提供基础仿真验证平台;③作为工业界产品前期设计的仿真工具,用于评估不同控制策略在动态响应、抗干扰能力和稳态精度方面的可行性。; 阅读建议:建议读者在学习过程中紧密结合自动控制理论知识,亲手在Simulink环境中搭建完整的双闭环仿真模型,通过反复调整PI控制器的比例与积分参数,观察并分析转速、电流的阶跃响应曲线,从而深刻理解反馈控制的本质、系统稳定性条件以及参数整定对动态性能的影响,进而掌握电机控制系统的设计精髓。
内容概要:本文研究了基于Benders分解与输电网运营商(TSO)和配电网运营商(DSO)协调机制的不确定环境下输配电网双层优化模型,旨在提升高比例可再生能源接入背景下电网系统的协调性与鲁棒性。模型上层以系统整体经济性为目标进行优化调度,下层采用Benders分解实现TSO与DSO之间的信息交互与协同决策,通过引入割平面迭代机制保障求解的收敛性与全局最优性。研究充分考虑新能源出力与负荷需求的不确定性,构建了具有强适应性的双层优化框架,并基于Matlab完成了模型的编程实现与仿真验证,有效解决了多主体、多层级、多不确定性因素耦合下的电力系统优化调度难题。; 适合人群:具备电力系统分析、运筹学与优化理论基础,熟悉Matlab编程环境,从事智能电网、能源互联网、分布式能源集成、电力市场等方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究高渗透率可再生能源条件下输配电网协同优化调度策略;②掌握Benders分解在电力系统双层优化建模中的应用方法与实现技巧;③构建TSO-DSO多主体协调机制,实现跨层级电网资源的高效互动与决策解耦;④提升对不确定性建模、分解算法设计及大规模优化问题求解能力。; 阅读建议:建议读者结合Matlab代码逐模块剖析模型构建流程,重点理解Benders割的生成逻辑、主从问题的信息传递机制及收敛判据设定,推荐在标准IEEE测试系统上复现实验以深入掌握模型特性与算法性能。
内容概要:本文系统研究了基于灰狼优化算法(GWO)优化Elman神经网络的方法,并提供了完整的Matlab代码实现。研究重点在于利用灰狼优化算法强大的全局搜索能力,对Elman神经网络的关键参数进行智能优化,从而克服传统训练方法易陷入局部最优的缺陷,显著提升模型在时序预测与非线性系统建模任务中的精度与稳定性。文章详细阐述了Elman网络的动态反馈机制及其在处理时间序列数据方面的优势,构建了GWO与Elman相结合的混合预测框架,涵盖了从模型搭建、参数寻优、仿真测试到结果分析的全流程,特别适用于风电功率预测、电力负荷预测等具有强时变性和不确定性的工程应用场景。; 适合人群:具备一定Matlab编程能力和神经网络基础知识,从事智能优化算法、时间序列预测、电力系统分析或新能源出力预测等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握灰狼优化算法在神经网络超参数优化中的具体实施路径与技术细节;②深入理解Elman递归神经网络与群体智能优化算法融合的建模范式;③将其应用于风电、光伏等新能源发电功率预测及复杂动态系统的建模与仿真,提升预测性能。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,重点关注GWO算法与Elman网络的接口设计、适应度函数构建及参数优化迭代过程,可通过调整数据集或迁移至其他预测场景以深化理解和验证模型泛化能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值