人工智能

学霸君同时布局B端C端,工具类产品如何规模化变现?

技术驱动的学霸君尝试规模化变现

2017年03月03日
撰写 | 东起
  • 人工智能
  • 学霸君
  • 教育科技
  • K12

今年年初,学霸君宣布完成1亿美元C轮融资,并将发力“君君辅导”和“考试机器人”两个项目。这家以拍题产品起家的K12代表公司,3年时间积累了7000万用户之后,开始尝试规模化变现。

技术驱动,拍照搜题标杆

由于做题是K12阶段的高频场景,所以拍照搜题作为极好的流量入口,一度吸引了大量创业公司进入。经过三年发展,出现了三家标杆公司,学霸君便是其中之一。

学霸君第一版产品上线于2013年9月;通过产品,用户可以将题目拍摄并上传,等待几秒便可获得答案和解析步骤。

由于智能手机的普及,以及当时市场上无其他竞品,学霸君迅速获得了第一批用户;同时,公司也通过在QQ群等学生常用社区上的推广进行获客。经过不断迭代,其题库基本已覆盖中小学全科,识别准确率也达到了94%。

学霸君始终定位于技术驱动型公司,在近300人团队中,有2/3为技术人员。对于拍照搜题:一是识别,需要大量样本不断对图像识别引擎进行训练;二是搜索,需要题库的不断完善。早期,学霸君在拍题技术方面一直出于领先地位;但目前,三家标杆公司在拍题准确率方面已相差无几,更多的是根据自身的产品逻辑专注于某方面技术开发,比如,学霸君逐渐完成了知识图谱的构建,学生和老师用户画像的建立,并推出了组卷分析和智能解题功能。

随着用户量和技术的积累,学霸君也顺着产品逻辑进行了变现尝试,在2015年9月推出了在线答疑产品。收费标准是一元钱每分钟,老师的审题不计入付费时间。

选择在线答疑服务,部分学生是有主动学习的意愿,也有学生是因为不方便或不敢问老师;产品都在一定程度上满足了这一部分的用户需求,同时也可以给教师带来额外收入。

然而这一模式的难点在于效率问题:对于教师端,由于客单价较低,需要考虑如何给予老师足够的动力,使其在平台提供服务;对于学生端,在于如何缩短其等待时间,提升体验。所以,再加上成本结构问题,在线答疑较难实现规模化收入。

回归教学,尝试规模化变现

学霸君的拍照搜题产品已有7000余万用户,累计了超过70亿次搜题数据;在线答疑产品有近百万付费用户;此外,学霸君也提供闯关做题功能,收集用户学习数据。

在积累了大量用户和数据后,2016年年中,学霸君开始尝试大班课模式的教学产品“不二课堂”,但最终转型到了1对1的模式“君君辅导”。

对于学霸君,1对1模式更符合其技术驱动的定位,可以利用其积累的用户数据和技术优势辅助教师的教学,为用户提供更有针对性的教学服务,从而实现数据闭环;另外,1对1可以更快速实现规模化收入,获得资本市场青睐。

1对1教学很重要的一方面就在于对教学过程的把控。学霸君在以下三方面进行了调整:一是,依赖于技术和用户数据的积累,提供教师讲义和用户课程规划;二是,为师生配备智能笔等硬件产品,使其可以实时交流;三是,在课后提供教学视频回放、学情分析和作业反馈报告,使家长和学生都可以了解教学效果。

目前,“君君辅导”已开始公测,在部分地区提供数学、物理和化学三门学科的教学服务;有近千名兼职教师参与教学,按课时获取报酬。

此外,学霸君推出了进校产品——考试机器人,这是一个用于学校教学环节的智能平台。通过这一平台,教师可以获得学生的学情分析数据,更有针对性的安排教学;系统自动进行作业批改等工作,从而提高教学效率;此外,教师也可以将教学资源分享,获得额外收入。对于学生,平台可根据其学习数据,为其推荐针对性的训练计划。

考试机器人作为学霸君的To B产品,目前已在安徽省的部分学校进行试用,并将参加2017年高考数学考试。

用户量大,但工具类产品变现并不容易

拍题、题库等工具类产品,由于更适用于K12阶段的用户场景,可以积累大量用户和数据;然而,如何将用户流量变现也是行业内一直在探索的问题。几家标杆公司都选择了切入教学服务,对于拍题产品,其中的问题在于:

第一,  能否有效导流?

使用拍照搜题和参加辅导班往往是出于相反的目的;另外,对于K12阶段学生参加辅导班,家长会起到决定性作用。所以,需要考虑如何将积累的用户导流到教学产品。

第二,  在线直播教学竞争已较为激烈。

无论是1对1还是班课,均有先发公司存在;除三好网、掌门1对1和海边直播等直接切入教学服务的公司外,工具类公司也纷纷入场:猿辅导和作业帮都推出了班课教学产品。对于1对1,更是需要营销驱动。此外,还需要面对双师课堂产品的竞争。

第三,  在线1对1前期投入大,成本结构不健康。

在线1对1模式虽客单价较高,但营销和研发成本也居高不下,对运营水平也有较高要求,大多公司并不能依靠单纯的1对1模式实现盈利。此外,还需要考虑如何对教学过程有效控制,降低对教师的依赖。

To B+To C,打造商业闭环

拍照搜题、在线答疑、君君辅导和考试机器人构成了学霸君的业务体系;其中,君君辅导面向C端收费,而考试机器人面向B端。

教学产品方面,君君辅导并没有先发优势,所以关键在于能否将已积累的用户转化为付费用户;同时,学霸君也将扩大销售团队,增加推广力度。

对于教学环节,在于能否利用积累的数据和技术,使教学过程标准化,一方面可以控制教学过程和效果,增加续费率和积累口碑;另一方面,可以降低对于教师的依赖,而这两点都可以间接降低成本。

考试机器人方面,人工智能在教育领域的应用已经有较多提及,进校的平台产品竞争也愈发激烈;能否积累有效数据,为用户提供真正个性化的系统训练,是产品能否存活的关键。学霸君的优势在于,已经积累了大量的用户和用户行为数据,并且可以与另外三款产品互补使用,形成完整闭环。

研发副总裁陈锐锋;市场运营负责人谭静

近日,爱分析对学霸君进行了调研,并和研发副总裁陈锐锋、市场运营负责人谭静进行了访谈,现摘抄部分内容与各位分享。

Q:学霸君在拍照搜题的技术方面经历了哪些优化?

A:我们拍照搜题主体的技术是OCR,即光学符号识别;到现在,我们迭代到了第四个版本,路径是这样的:

一开始我们为了尽快上线,用了一部分传统的技术,刚开始的一次搜索命中率大概在45%,后来传统方式也可以调到60%这样的一个精度。

第二个阶段我们开始切入深度学习这方面的一些技术,这一块跟传统的比较经典的深度学习做法不同之处在于,拍题有大量的这种干扰,比如手写,阴影等等,而且当时手机的性能比现在要差很多;所以在深度学习之外,它有一些比较偏向于版面分析的功能,这块大概也耗费了我们几个月的开发时间,才完成了一个整体的迁移。这一部分做完,就有10几个点的提升。

第三个阶段,我们对题库进行了精度加工,优化了搜索,对于深度学习和版面识别也做了进一步优化,一次搜索命中率也慢慢到了93%。所以这一路过来,我们是一个大概三年左右的研发周期,使识别正确率不断提升。

Q: 在知识图谱的构建过程中,有哪些挑战?

A:在教育领域,它的知识表述更为麻烦,因为教育领域有一个更独特的应用,它需要某种逻辑的严密性,比如说我在知识图谱的其中一种应用是可以用来自动的解答题目,这里面的一些应用,就是逻辑因果关系,是需要非常精确的描述进去;我们很难说通过一些通用处理方式,去提取它的知识图谱里面的知识。

所以,这一块需要人力和机器混合起来做,然后使它要达到一个比较高的精度,这是需要逐步的去积累的。

由于我们做的是教育里面的垂直图谱,所以通用图谱的帮助就比较有限,但是它在一些基础设计上是非常有参考价值的。

至于人力的投放,我们是有比较好的教学经验的老师跟工程师一起来做这个事情;既不能说完全工程师去做,又不能说完全老师去梳理,这些就是要结合起来。

Q: 在线答疑服务中,是如何实现老师匹配的?

A:这也是基于我们的知识图谱和数据挖掘里面一系列的技术。基于知识图谱,我们可以进行分类,然后比如说一个学生,我们通过他的一个能力缺陷,和访问需求,可以预测他对于哪一部分的知识点不是特别熟悉,那我们就推荐那一块讲的好的老师给他。

Q:对于整卷分析有哪些技术要求?

A:这一块技术除了版面分析要加强之外,其他的技术跟我们拍照搜题所提出的需求是比较接近的。比如说公式这块,我们必须把它转成一个可描述的数学语言形态,那在搜索的时候就可以把一个图片把它转成一个可搜索的字符串,再经过渲染,它就变成一个公式的样子;这些实际上是我们OCR技术的一个特殊之处,我们需要很强的这种公式识别的功能模块。

Q:题库产品有哪些技术难点?

A:题库的难点在于里面有大量的分析,如果只是做简单的内容堆砌的话,这个是没有更多的AI技巧在里面,但是如果要往深处去做,就需要去理解题目。

可以分为几个等级:一是能够做一个简单的分类;二是分类能够分的很准;三是能够去解题;四是解题之后,可以用解题的内容去给学生的数据进行自动的订正。所以一路走上去呢,它可以变成非常有挑战性的AI问题,就是说怎么理解学生所做的结果并且跟他互动。

Q:目前业内产品处于哪一等级?

还在门外徘徊,包括我们。我们觉得真正进门之后才有更大的空间,站在门外我们可以看到很多的问题,但是要真正沉下心来做进去。

目前分类这一步就是非常有挑战的问题;题目这一块,正交性要远远比图片差很多,图片的话一个字是什么,基本上是不会识别错的,但对于题库来说,一道题不同老师会认为有不同的知识点侧重,所以较难分的很清楚。

Q:目前,人工智能对于教育领域有哪些应用?

A:我们可以从两个角度来看,一个是从老师角度,一个是从学生角度。

老师角度的好处是说,如果在使用类似的技术的情况下,可以不断的去分析他所能接触的一些学生,比如说他是一个辅导老师,他有几个辅导学生,有这样的系统的话,老师就可以不断去洞悉学生的能力缺陷的数据,然后他在给学生教授内容的时候就非常有针对性。

如果是学生的话,他是一个学的环节,更偏向于自己的驱动,没有老师在身边的情况下,需要有个系统去引导他,这也是非常有帮助的。这相当于一个类似驾驶舱的东西,把所有东西都标注好,然后你只要按这个方向去学,就能够有一个比较精细而且高效的学习的结果。

Q:对于人工智能的应用,达到理想状态还需要多长时间?

A:实际上我们已经部分实现,但是说理想的非常高等级的AI,还是需要很长时间。在教育领域,要做深度AI的时候,需要满足逻辑严密性,它跟简单的自然语言处理还不是同一个级别的要求。

目前,业界也有一些在不同模块使用的自适应学习。它是一个非常有前景的一系列的技术,但各家可能有不同的用法,真正做到非常精准的自适应学习我们在业界还需要有很长的路要走。