調(diào)研 | 凱文 東起

　　撰寫 | 東起

　　學吧課堂創(chuàng)始人&CTO李行武畢業(yè)于清華大學計算機系，在校期間曾在Intel、微軟亞洲研究院和搜狗實習，畢業(yè)后參與兩家公司創(chuàng)業(yè)，后加入奇跡通訊擔任CTO，2013年進入教育領域，創(chuàng)立了博學慎思教育科技有限公司。

　　公司旗下產(chǎn)品學吧課堂，是一款針對中學數(shù)學的練習產(chǎn)品；在積累了約200萬用戶和7億條做題數(shù)據(jù)后，開始推出教學服務，其基于教學導航系統(tǒng)的1對1輔導產(chǎn)品已上線內(nèi)測。

　　在做題庫和教學產(chǎn)品時有哪些經(jīng)驗？面向K12的題庫產(chǎn)品如何積累有效數(shù)據(jù)？現(xiàn)在的數(shù)據(jù)是否能支撐起人工智能在教育領域的應用？1對1教學有哪些問題，要如何解決？近日，李行武接受了愛分析專訪，對這些問題交流了自己的看法。

　　愛分析：14年的時候推出了虛擬老師，當時做這個產(chǎn)品有哪些技術難點？

　　李行武：兩個難點吧，第一個是內(nèi)容生產(chǎn)，一道題能有這么多變化，這些內(nèi)容不可能是合成出來的，所以實際上是在事先錄好了大量的有關聯(lián)的十幾秒到幾十秒的短視頻，組成一個巨大的內(nèi)容樹；第二個是如何帶學生走出一條路徑來，這條路徑拼出來就是這道題，這個過程其實就是人腦思考的過程，需要去模擬這個過程。

　　愛分析：后來是如何解決第二個難點的？

　　李行武：一開始沒有什么特別好的辦法，更多的是像大家說的，你得去理解這個事情。今天AI的概念大行其道，大部分都是偽的。

　　它從中長期來看是靠數(shù)據(jù)驅(qū)動的，但它早期不是，尤其在這個場景中，因為你沒有數(shù)據(jù)驅(qū)動算法，所以它極大程度上是基于策略的，就像教小朋友下跳棋，你說第一步走這個，如果他走了這步，你就走這步，這是最簡單的策略，但實際會復雜很多。這相當于要把人思考的策略用機器實現(xiàn)，所以更多的是基于對上課這件事情的理解，這就是你去上了課才會知道的。

　　愛分析：所以目前AI在教育領域還是偽概念？

　　李行武：看你怎么定義了，這個講起來比較細，要看不同的場景。

　　即使在練習場景，所有的做題產(chǎn)品講的故事都是一樣的，會根據(jù)同學們的做題情況推送適合的題，使做題更加高效，這個故事邏輯是成立的，但不謙虛的講，可能在第一階段只有我們做到了。

　　這其實也是我們轉(zhuǎn)型做做題產(chǎn)品的一個非常重要的原因。

　　15年我們在轉(zhuǎn)型的時候，去看市面上已經(jīng)滿街的做題產(chǎn)品了，但是你會發(fā)現(xiàn)沒有一家起來了，做題產(chǎn)品沒有人用。一個品類都沒有做出來的時候，它只有兩種情況：一個是這個事本身錯了，一個是大家沒找到路。我們的判斷是這事沒錯，因為在線教育真能成立的話，學練測這重要的三大場景，一定都會在線化，所以一定是存在在線做題這樣的事情的。那么問題出在哪？就去找問題，解決。

　　愛分析：那問題出在哪呢？

　　李行武：有一個很簡單的結(jié)論，做題不是小朋友的需求。中國的K12教育整體上是反人性的，這也是K12領域最難的部分之一，就是它是一個反人性的行業(yè)；所有偉大的產(chǎn)品都是順應人性的，你如何在一個反人性的領域做出一個有用戶活躍度的產(chǎn)品。

　　那同學們?yōu)槭裁床粣蹖W習？咱們最終要對學習有幫助其實就是兩件事，傳統(tǒng)行業(yè)早有定論，第一是學習動力問題，第二是學習方法問題。如果優(yōu)先選一個解決，那肯定是學習動力問題。

　　回到大的邏輯，互聯(lián)網(wǎng)對一個行業(yè)產(chǎn)生所謂巨大的影響，一定是解決行業(yè)一些根本性的問題，絕對不是細枝末節(jié)的；如果在線教育這個命題成立的話，它一定是要最終解決大問題，那行業(yè)的大問題也有定論，其中一個就是學習動力問題，影響學習動力的原因其實也有結(jié)論了，叫做累計的挫敗感。

　　這是同學們不愛學習的核心原因，解決它的方案是讓它進入正循環(huán)。所以我們當時就沿著這個思路去做了學吧課堂。

　　愛分析：解決學習動力問題，學吧課堂是怎么做的？

　　李行武：大家都喜歡做的是有成就感的事情，落地到做題上就是這題我剛好會做，所以你要出他會做的題。同時，我們把整個評價體系改了，我們營造了一個“學渣“的結(jié)界。

　　比如我舉一個小的點，我們分很多區(qū)，一萬人一個區(qū)，我們每個區(qū)的排行榜前十名可能只有兩個是“學霸”，剩下八個是“學渣”，為什么呢？咱們一起做題，因為你是學霸，所以你的題是競賽題，而我的是剛好會做的簡單的題，咱倆都做對了，你得5分我也得5分，所以誰在前面真不好說。

　　愛分析：那在產(chǎn)品設計和技術層面，是怎么實現(xiàn)的？

　　李行武：對于練習產(chǎn)品，首先要解決的問題就是有人用，并且能活躍的用起來，核心就是剛才講的動力問題。這靠兩件事，第一是用很特殊的激勵體系，第二是真正能夠出適合學生的題目。

　　對于激勵體系，外界有些聲音說學吧是靠給學生補貼，那這個我們完全不避諱，就是同學們來我們這做題是有收入的，但問題是收入是多少呢，就是一個學生他幾乎天天來做題，而且還要盡量把題做對的情況下一個月最多獲得價值5塊錢的東西。

　　所以我會問大家說，給你5塊錢你愿意每天來做對幾十道題嗎？而且退一步講，對家長來說，我去問家長，你給我5塊錢，我讓你孩子天天做題，你干不干？這件事本身是有價值的，所以不單純是靠激勵。

　　還有另外一件事在輔助它就是出題，你要讓激勵體系配合看不見的出題，才有可能使你的模型最終成立，獲得持續(xù)的活躍用戶，這是我們在2016年所謂寒冬能拿到錢的主要原因，我們在一個大家覺得幾乎已經(jīng)判死刑的賽道上做出一個完全不一樣的產(chǎn)品，雖然看起來是一樣的。

　　愛分析：出適合的題的基礎是打標簽，在這方面有哪些經(jīng)驗？

　　李行武：我們認為這件事的關鍵點在于顆粒度,粗粒度的個性化是偽個性化。比如把“集合的運算”這個考點作為標簽，有教學經(jīng)驗的老師來看就會感覺到它有多粗；如果以這樣的詞作為標簽，那中學數(shù)學大概也就是百這個量級的知識點,我們的知識點是在千這個量級。

　　當顆粒度粗的時候，機器是分辨不出來的。比如大家都知道AI最近的突破都是在視覺領域，最經(jīng)典的例子就是識別貓，機器怎么認識一張圖是貓？因為你給了它10000張圖片去做訓練，但是你想象一下，如果我給的這10000張圖片全是打馬賽克的貓，它能認出來嗎？

　　那問題在哪呢，也有人反問我，如果我給它10000張高清的貓，它會不會認的更好，好像也沒有，所以就是這個度到底在哪里？當你定性分析完，定量去分析，到底什么樣算是正好到這個要求了，這就是應用決定的，應用到什么級別，你的數(shù)據(jù)就要到什么級別。這是很粗層的一個理解。

　　所以打標簽這件事情，關鍵在于能打的多細多準，當你到某個量級以前，打多少都是廢的，過不了那個閾值。

　　愛分析：那目前打標簽有哪些方式呢？

　　李行武：現(xiàn)在行業(yè)通行的做法是找?guī)装賯€大學生，按計件的方式進行，因為你不可能找名師來打標。問題就在于如何保證這些人的輸出是穩(wěn)定的，質(zhì)量可靠的。

　　這件事是需要深刻理解知識，只依靠做工程的人是做不出來的，你要想辦法去把這個標做好的分解。打標的過程其實就是要去區(qū)分，是在多個之中去做選擇。那怎么才能盡量選擇對呢？其實就是你的選項越正交，越容易選出來。

　　再比如說你在流程設計上，比如一個人打是不可信的，通常至少三個人打，其中兩個人一樣就過，這是個簡單有效的策略。那你說我可不可以先讓兩個人打，當兩個人不一樣的時候，再讓第三個人打，這個和剛才那個的區(qū)別就在于人效比差了1.5倍，因為大部分時候會有兩個人打一樣的。

　　所以最終的結(jié)果是，通過對工程以及領域本身的理解，使得你做這件事情的效率遠遠高于別人。

　　舉個例子，我們的查錯成本大概是別人的1/50以下，我們是這么干的：由于我的同學們已經(jīng)相對認真的做題了，題目從老師那邊經(jīng)過初步的過濾之后，會小范圍的推給認真做題的同學，這些人就會有反饋，如果到了一定的閾值，題目會自動打回。

　　如果比如100個人都沒問題，就進入第二階段，再過了，就可以推出去了，這會使整個查錯的過程發(fā)生本質(zhì)的變化。所以在內(nèi)容這件事，核心是你怎么讓效率遠遠高于別人。

　　愛分析：其它公司這么做似乎也不是很難？

　　李行武：所以問題在于這個過程是聯(lián)動的。

　　當我們在講數(shù)據(jù)的時候，除了內(nèi)容數(shù)據(jù)，還有一個很重要的就是行為數(shù)據(jù)，也就是同學們做題的數(shù)據(jù)。

　　做題數(shù)據(jù)有一個重要的指標，叫做正確率，如果正確率很差，那不管是一億條還是十億條，讓機器去訓練，機器只可能有兩個結(jié)論：一是從單題來看，這題很難；二是從任何一個個體來看，全是“學渣”。所以這個數(shù)據(jù)不僅沒辦法讓你判斷這道題是對還是錯，更沒有辦法判斷這道題的難度，更不要說去計算。

　　沒有用戶就沒有數(shù)據(jù)，沒有數(shù)據(jù)就不能很好的給用戶出題，然后就更沒有用戶。我的結(jié)論是說，大家可以用錢先去解決用戶的問題，在跑起來進入正循環(huán)之后，你的出題會比較好，用戶感知就會比較好，然后用戶的做題行為就會相對好，使得數(shù)據(jù)更好。

　　那怎么樣進入正循環(huán)？第一是啟動點，第二個是收斂速度。

　　愛分析：收斂速度怎么理解？

　　李行武：所有產(chǎn)品都會面臨所謂冷啟動問題，就是不了解用戶。關鍵在于你能在多短時間內(nèi)跨過那個閾值，做到還比較適合用戶，使他開始用起來。如果你說要在用戶做100道題之后，才有辦法出適合的題，那大部分人可能還沒到100題就已經(jīng)走了，所以啟動靠外部動力，在啟動那件事情沒有消失之前要收斂。

　　愛分析：在練完成后還有個教的問題，只有教才能實現(xiàn)規(guī)?；杖耄瑢W吧課堂在這方面有哪些考慮？

　　李行武：練是不能完成最后的商業(yè)模式的，只是路徑的一環(huán)，我們已經(jīng)開始從練走向教了。

　　教書從形式上就是班課和1對1。我們認為在線教學這件事情，一定是1對1先起，它有個很重要的邏輯，就是從需求角度來看，大部分家長不相信學生可以在沒有監(jiān)督的情況下，在電腦前聽一個老師講大課聽一個小時；但是1對1他又覺得有戲，因為1對1老師就帶你一個，還有視頻回放和雙方錄音，這是一個看似小但是決定性的點。

　　所以第一個結(jié)論是要從1對1切，而且1對1也正好跟我們的大邏輯一脈相承。

　　愛分析：1對1的問題也被討論的很多了，你怎么看？

　　李行武：傳統(tǒng)行業(yè)1對1的問題，其實也有非常明確的定論就是做不大，從財務角度看它的成本結(jié)構(gòu)很痛苦。

　　成本問題的根源在于三點，獲客，場地和教師。對于在線教學，場地的問題沒有了，現(xiàn)在大家關注最多的就是獲客，那么獲客的問題在我們看來原因只有兩個：上游流量的集中化和服務同質(zhì)化。

　　流量集中化這個事情比較好理解，大趨勢擺在這里，所以流量成本會越來越高，我們今天看到大家的做法都是在流量端做文章，做法有幾種：

　　第一種是沒有自有流量，就是傳統(tǒng)的靠買，新媒體矩陣也好，線下開體驗店也好，都是想嘗試用一些方法去抓流量，但是這種方法最好的結(jié)果是短期有效。因為本質(zhì)上沒解決問題，一旦你找到了一個方法，大家就會立刻蜂擁而上，那你唯一的辦法就是不停的有創(chuàng)新，去抓一開始短暫的紅利。

　　第二種是2B2C，先明確一點這個客是家長而不是學生，家長是一個很神奇的群體，我們把他稱作沒有用戶畫像，因為所有人都是家長，所以不存在一個聚集家長量的地方，但有一個特例是好未來的家長幫，當然這是另外一個故事，我們不展開；除非是母嬰那個特殊的品類，那無非就是，一種是2B通過抓老師影響家長，還有一種是2C通過抓學生再去抓家長。

　　但是各自面臨問題：2B的問題是說，因為走公立校，所以在做商業(yè)化的時候遇到的最大的風險是政策風險，這是一個非常難拿捏的度，如果要轉(zhuǎn)化成家長付費的話，怎么過這關？當然有一些做法，大邏輯的做法就是把這個流量導成另外一個流量，脫離出來。2C的問題是孩子的需求和家長的需求是對立的。

　　而服務同質(zhì)化，因為1對1教學發(fā)展到今天，最大的坑就在于無法做到規(guī)模化的品控，品控的核心是控制下限，你要保證輸出的下限比較高。

　　愛分析：學吧課堂打算怎么做？

　　李行武：我們?nèi)ツ曜鲎鲱}產(chǎn)品，本源的切入點是數(shù)據(jù)；但是我們在商業(yè)化思考的時候，發(fā)現(xiàn)了一個附帶的好處：當做題產(chǎn)品解決了活躍度問題之后，它成為了一種新的流量池，這個轉(zhuǎn)化是比較高的，這就是我們從流量端去解決獲客的一個點。那這還是偏戰(zhàn)術層面，因為當你有了用戶量，開始考慮后端上課服務的時候，會發(fā)現(xiàn)獲客問題的本源還是在服務端。

　　我們在服務端的方法還是靠系統(tǒng)，稱之為教學導航系統(tǒng)。具體形態(tài)比如講義，真的是根據(jù)學生情況來出，因為流量來自我們自己的做題用戶，你對他是非常熟悉的；然后在教的時候這個講義會告訴教師具體的安排。這個東西做出來就可以做過程管控了，你可以很好的去做一些定量的評價，老師這堂課上的好還是不好，有沒有按你的計劃走。

　　無論是做出自己新的流量池，還是做好品控，都會使成本降低。成本的本源其實是你的價值到底在哪里，1對1行業(yè)在傳統(tǒng)中是營銷驅(qū)動的，而機構(gòu)沒有在教學本身這件事上提供價值，所以收不來這個錢。所以如果它能真的往健康的方向發(fā)展的話，一定是對教學這件事情提供了價值，比如說你讓老師借助系統(tǒng)把課上好。

　　愛分析：對于教學產(chǎn)品的未來有哪些期待？

　　李行武：未來教學我們認為是兩個階段走，第一個階段是由于整個系統(tǒng)的介入，使得在不降低服務質(zhì)量的前提下，對服務提供者的要求極大下降，從而使服務提供者極大增加，解決供應問題。

　　第二階段是讓人借助系統(tǒng)，使生產(chǎn)力數(shù)量級的放大。也就是今天一個老師，如果他真的個性化的去教，只能教十幾個孩子；但是未來我們希望可以做到，教師可以個性化的教幾百個孩子。今天老師可以通過大課教幾百個孩子，但是所有的孩子未來一定是個性化的，所以反個性化的大課會一直存在，但不會是主流。

（本文來源：愛分析，作者為東起）