设为首页

    构建一家教育公司壁垒的,是技术还是数据?

    07-27更新人看过

      原标题:构建一家教育公司壁垒的,是技术还是数据?

      无论是真人教师还是 AI 教师,课后辅导的终点在哪儿?中小学在线 1 对 1 辅导品牌掌门 1 对 1CEO 张翼的答案很明确,就是提高成绩。这也是他当初偏执地选择「1 对 1 模式」的原因——能更好地引导学生,快速提高成绩。

      现在,他发现技术的进步能让这件事儿更上一层楼。于是张翼选择重金下注人工智能,来进一步提高学生的学习效率,要知道,在此前他已经在这上头花了 3 亿元。

      2014 年,张翼赶上在线教育创业红海。有的创业公司选择从数学或英语这些单一学科切入,有的选择与公立学校合作,还有的选择接管学生的课后作业场景,各家打法都不尽相同,但共同点是满足了学生的「刚需」并且相对较「轻」。课后的 1 对 1 辅导看起来并不明智,特别是张翼坚持要用高学历学生做老师。

      然而,「顾客们」好像认可了张翼的做法。截止 2018 年 5 月,掌门 1 对 1 总注册学员已超过 600 万人,覆盖全国 600 多个省市县,教师数量首都突破 5 万。投资人们也渐渐看懂了张翼。2017 年 12 月,掌门 1 对 1 在京召开 2018 年度战略发布会正式宣布获得 D 轮融资,融资数额 1.2 亿美元,在此之前其已经完成了五轮融资。同年,掌门 1 对 1 公布了全年总营收数据:10 亿元,正式跻身教育独角兽行列。

      张翼设想,课前可以运用测评来实现学生和老师的精准匹配;课中可以运用技术来观察学生在课堂上的整体表现;课后可以根据学生的学习反馈来切割上课的视频素材,将来用于智能答疑。这些科技进步所赋予的想像的确为未来的辅导教育绘制了一幅令人期待的蓝图,但如何实现这些设想、大数据如何赋能教育等问题都有待进一步解答。在极客公园 Rebuild 大会上,张翼给出了他的答案。

      以下是张翼在极客公园Rebuild 2018科技商业峰会上的演讲实录(经过极客公园编辑,略有删减):

      技术不是核心壁垒,数据才是

      我们不断思考,从过去到未来教育模式的演变到底会沿着什么样的路径?大家会发现,我们已有的教育模式延续了几千年,大部分还是大班课的模式。这个模式延续至今,为什么无法改变呢?第一,没有办法解决连接的问题。第二,没有办法解决规模化的问题。但随着整个互联网支付、通信系统,网络 wifi、4G、5G 的发展,我们现在可以跨越很多城市寻找更好的资源。现在,在我们的平台上,每天都有很多的学生和老师在我们的平台上进行 1 对 1 的辅导。

      像掌门 1 对 1 这样在国内排名第一的在线学科 1 对 1 辅导公司,未来进一步的发展到底靠什么?人工智能带来的力量,会远远的超出我们固有的想象。我们觉得有人工智能可以解决两方面问题。第一个方面,内部的管控问题。像掌门 1 对 1,今年我们预计会超过 10 万的这个老师。如何随着规模的扩张,保证教学品质不断的提高,这里面必须用人工智能的方式去解决。第二,AI 所解决的是如何将学生的学习效率提升 10 倍。很多的孩子,要大量刷题去提升他自身的水平,但他很难去识别哪些题值得做,哪些不值得。智能解决的问题就是针对不同孩子给他最值得上的课,这能够把效率提高 10 倍的一个根本原因。

      我们强烈感觉到「智能+教育」的时代已经来临。大家会发现,技术本身并不是最核心的壁垒,最核心的壁垒是这个技术下方巨大的冰山,也就是数据。你的数据成熟以后,要用大量的数据训练系统,才能够提升效率。

      大数据的价值,赋能三个应用方向

      掌门 1 对 1 累积有 600 万的注册学生,超过五万的老师,还有三大教研院,营收规模占全行业垂直品类的 70%。未来在学生教学中的运用,应该分成下面三个方面。

      第一个方面,用户学习画像的大数据。你会发现一个孩子,比如说他的语文学得不好,很多的原因是因为他不喜欢他的语文老师。你帮他找老师的时候,要找什么样的老师,是不是因为喜欢这个老师,所以对语文的态度有所改变。我们会把学生分成 80 多种维度,生成画像后的下一步是生成学生的学习路径,根据历史下沉的数据清楚的知道,应该给学生匹配什么样的老师,做什么样水平的题是最合适他的,这是用户数据大画像的升级。

      第二是标签题目的升级。很多人在做题目的时候,只是希望去推送给学生一个他不会的题,所以学生永远会做他不会的题,这是以往很多逻辑的基本假设。但其实对于高效性来说,我们不应该推荐学生不会的题,而应该推荐给学生他最值得做的题。一个 80 分水平的学生,他应该做 85 分的题,这就是数据标签、未来的一个极大的方向。你会发现,可能市场上有 1000 万的题目,其中只有 10 万才是值得作为例题的题目。所以题目的标签化,也是未来非常大的方向。

      第三个是视频学习场景的大数据化。大家会发现在我们的平台上每天有几十万节课,高峰期甚至有上百万节课,这些视频非常的有价值,因为你可以精准的知道每一位老师怎么讲同一道题。不同老师的学生是不同的水平,有人听懂,有的没有听懂。这么多大数据的结合,可以让我们清楚的知道哪一类学生、听到哪种讲法的时候最容易听懂。我们的素材沉淀了大量的视频,这将是未来进行答疑的一个重要方向。

      三个阶段,实现师生芯片级匹配

      整个智能化的运用可以分为三个阶段:第一个阶段,识别分析;第二个阶段,学习痛点;第三个阶段,智能推送。

      第一个阶段是识别分析。在一个孩子的学习过程中,其实你可以通过他的表情就清楚知道这个学生某道题听懂了没有,他走神了多长的时间,以及他对于老师讲的话题是否感兴趣等。通过这样的方式,我们可以精确地知道每一道题匹配的老师和学生之间的反应,这对我们来说非常重要。为什么?因为传统教育里,我们没有办法去评判一节课到底是讲得好还是不好,没有办法进行监控分析。正是如此,导致了很多教育机构在进行扩张的时候,尤其是跨地域扩张的时候,品控严重下降,最后影响到了品牌。

      第二块及第三块是基于学习程度的掌握和画像的生成来实现。通过测评推荐题目是我们以往数据分析的一个大逻辑。但未来不仅仅是做简单的推送,学生不一定有时间天天做测评题。要尽可能的让学生做更少的题,并达到一样的效果,甚至我们认为这个测评就是应该在上课的过程中实现。一个学生在整个上课的过程中,很自然的抓取所有数据。根据他属于学生模型里面的哪一个模型的判断来精准化定制、推送相应课程。

      智能化也是对老师极大的一个帮助,极大的降低老师的负担。一个老师为什么没有办法带很多的学生,其实有两个原因:第一个,是因为确实备课的负担太重;第二,是因为一个老师带的学生太多了,容易忘记哪一个学生的水平到底怎么样。而 AI 正在改变这些事情,成为老师最得力的助教。

      一个学生他一周五天在学校里一直学都没学好,但周末在掌门 1 对 1 学了两个小时就能有效果。这是为什么呢?其实根本的原因是这两个小时做的不是加法,是乘法。老师具备的个人魅力可以影响了学生,让孩子喜欢上了所学的科目,或者让这个孩子找到了一些学习方法、学习乐趣。让师生实现芯片级的匹配,我们觉得这是未来教育的一个根本。

×
×
×
×