慕尼黑大学公开课 Competitive Strategy(竞争策略)总结
第一章博弈
同时的博弈:双方同时定制策略
如果有显著的次优策略总是不如另一个,则剔除它.
如果一个策略组合中没有一方可以单独改变其策略以提高回报,则称为Nash均衡.一个游戏可能没有也可能有多个Nash均衡。
囚徒困境在双方都是自私的的时候会出现,通常其均衡点不是最大化总体回报的。
序列化博弈:双方交替制定策略,只有有限个回合
可以用博弈树来建模分析,然后使用逆向归纳法逆推找到对单方最合适的策略。
如果一方进行有保证的威胁,则可能可以改变另一方的最优策略选择。
第二章合作
合作的理由:
竞争可能不能使利润最大化,如囚徒困境;有的公司可能需要其他公司的配合,例如制定一种统一的业界标准,合作才能双方利益更大。
如何保证合作:
重复博弈
双方的博弈可以是多次重复的。可以是有限次或者无数次的,采取威胁合作的方式有限次不能保证任意一次合作,无限次的情况下给出每次之后重复博弈的概率可以决策是否合作,只有合作带来的收益大于不合作的收益才行。如果改变对于一方不合作的惩罚策略,可以改变此方决策。竞争者数量和惩罚程度/年限、利率一样都会造成影响。
承诺
竞争承诺通常把博弈从同时的变成序列化的。合作承诺如提高自己公司的信誉,向用户保证未来不讲价。
第三章互补商品
定义:
如电脑操作系统和软件。替代品也会有互补效应,如一个商品降价造成总的市场增加。
针对互补效应的策略:
支持互补方,更高的质量和销量是对自身有好处的。
自己生产互补品,对自己是有意义的。
外部经济效应,生产互补品可以交叉补贴(为其中一种定价极低来促进另外一种定价高的的销量),捆绑销售,增加锁定(增加用户转移成本)
战略伙伴关系:
组织集成关系:跨公司的团队
金融集成关系:互换股份,结成利润联盟
如果两者是互补的,就已经有了合作的动机,无需金融集成
第四章进入新市场
市场的吸引力:
供应商、消费者数量,可能的竞争对手,市场的税收和监管(轻了好),代用品
进入障碍:
结构性障碍:行业特性和已进入者的地位
战略障碍:已进入者的恶意举动
进入市场采取的策略:
承诺进入;柔道经济,定价低,保证自己的市场份额小;专业市场,保证市场很小;
防止对手进入的策略:
掌握资源;降低成本和价格;增加品牌忠诚和转换成本;威胁对手说要价格战。
限制性定价和掠夺性定价
先发制人,占领所有市场;
第五章研发
研发分类与阶段:
基础研究,基础科学的研究,成果难以保护;
应用研究,如手机原型;
产品开发。后两类可以用专利和版权保护,造成专利竞赛
创新的分类:
产品创新,提升现有产品,增大购买意愿;过程创新,减少成本。
也可分为重大创新和增量创新
创新的动机:
竞争市场;达成垄断,垄断企业更少的动力创新,有可能的进入市场者时创新动力更大。
竞争下的研发动力:
和研发成功的概率有关
沉睡的专利
第六章 产品设计
BertrandModel
产品差异化:
水平和垂直
通用的策略:
成本领先;差异化(品牌,技术,服务等);专注特定用户群、区域市场
中间困境:
即三种策略都不占优势,但可以采取混合策略,可能取得比单一策略更好的效果
慕尼黑大学公开课 Competitive Strategy(竞争策略)总结的更多相关文章
- 斯坦福大学公开课:iOS 7应用开发 笔记
2015-07-06 第一讲 课务.iOS概述 -------------------------------------------------- 开始学习斯坦福大学公开课:iOS 7应用开发留 ...
- 斯坦福大学公开课机器学习:advice for applying machine learning | diagnosing bias vs. variance(机器学习:诊断偏差和方差问题)
当我们运行一个学习算法时,如果这个算法的表现不理想,那么有两种原因导致:要么偏差比较大.要么方差比较大.换句话说,要么是欠拟合.要么是过拟合.那么这两种情况,哪个和偏差有关.哪个和方差有关,或者是不是 ...
- 第19月第8天 斯坦福大学公开课机器学习 (吴恩达 Andrew Ng)
1.斯坦福大学公开课机器学习 (吴恩达 Andrew Ng) http://open.163.com/special/opencourse/machinelearning.html 笔记 http:/ ...
- 斯坦福大学公开课机器学习: machine learning system design | error analysis(误差分析:检验算法是否有高偏差和高方差)
误差分析可以更系统地做出决定.如果你准备研究机器学习的东西或者构造机器学习应用程序,最好的实践方法不是建立一个非常复杂的系统.拥有多么复杂的变量,而是构建一个简单的算法.这样你可以很快地实现它.研究机 ...
- 斯坦福大学公开课机器学习:machine learning system design | data for machine learning(数据量很大时,学习算法表现比较好的原理)
下图为四种不同算法应用在不同大小数据量时的表现,可以看出,随着数据量的增大,算法的表现趋于接近.即不管多么糟糕的算法,数据量非常大的时候,算法表现也可以很好. 数据量很大时,学习算法表现比较好的原理: ...
- 斯坦福大学公开课机器学习:machine learning system design | trading off precision and recall(F score公式的提出:学习算法中如何平衡(取舍)查准率和召回率的数值)
一般来说,召回率和查准率的关系如下:1.如果需要很高的置信度的话,查准率会很高,相应的召回率很低:2.如果需要避免假阴性的话,召回率会很高,查准率会很低.下图右边显示的是召回率和查准率在一个学习算法中 ...
- 斯坦福大学公开课机器学习:machine learning system design | error metrics for skewed classes(偏斜类问题的定义以及针对偏斜类问题的评估度量值:查准率(precision)和召回率(recall))
上篇文章提到了误差分析以及设定误差度量值的重要性.那就是设定某个实数来评估学习算法并衡量它的表现.有了算法的评估和误差度量值,有一件重要的事情要注意,就是使用一个合适的误差度量值,有时会对学习算法造成 ...
- 斯坦福大学公开课机器学习: machine learning system design | prioritizing what to work on : spam classification example(设计复杂机器学习系统的主要问题及构建复杂的机器学习系统的建议)
当我们在进行机器学习时着重要考虑什么问题.以垃圾邮件分类为例子.假如你想建立一个垃圾邮件分类器,看这些垃圾邮件与非垃圾邮件的例子.左边这封邮件想向你推销东西.注意这封垃圾邮件有意的拼错一些单词,就像M ...
- 斯坦福大学公开课机器学习: advice for applying machine learning | deciding what to try next(revisited)(针对高偏差、高方差问题的解决方法以及隐藏层数的选择)
针对高偏差.高方差问题的解决方法: 1.解决高方差问题的方案:增大训练样本量.缩小特征量.增大lambda值 2.解决高偏差问题的方案:增大特征量.增加多项式特征(比如x1*x2,x1的平方等等).减 ...
随机推荐
- 6.6.2 自己主动泛型化(automatic generalization)
6.6.2 自己主动泛型化(automatic generalization) 在这一章,我们已经实现了几个 F# 的高阶函数.也看到了在 F# 和 C# 中并排的实现.F# 实现的非常重要方面,是我 ...
- Study notes for Sparse Coding
Sparse Coding Sparse coding is a class of unsupervised methods for learning sets of over-complete ba ...
- oracle exp实例
exp nam/pwd@ip:1521:databasename log=/tmp/export.log file=/tmp/oracle_database.dmp ./exp cmsuser/x ...
- 使用MDK将STM32的标准库编译成lib使用
1 .使用MDK将STM32的标准库编译成lib使用[图文] http://www.cnblogs.com/zyqgold/p/3189719.html
- javascript笔记整理(数组对象)
1.属性 a.length--设置或返回数组元素的数目 var a=[1,2,3,45,5]; alert(a.length=6) 结果:6 alert(a[5]) 结果:undefined b.co ...
- QT之深入理解QThread
QT之深入理解QThread 理解QThread之前需要了解下QThread类,QThread拥有的资源如下(摘录于QT 5.1 帮助文档): 在以上资源中,本文重点关注槽:s ...
- 列举一些常见的Python HTTP服务器
要使 Python 写的程序能在 Web 上被访问,还需要搭建一个支持 Python 的 HTTP 服务器.下面列举一些常见的 Python HTTP 服务器,以及它们目前的大致发展情况,以便用户的对 ...
- android的单元测试
1.新建android Test project 2. 选择针对测试的项目 3.新建类继承AndroidTestCase即可: package com.howlaa.sms.test; import ...
- xxx==null和xxx.equals(null)的区别
如果xxx不是null的话,xxx==null将返回false,如果xxx是null的话,xxx将返回ture 而对xxx.equals(null)而言,他将永远返回false,因为如果xxx不是nu ...
- 在Python中使用正则表达式同时匹配邮箱和电话并进行简单的分类
在Python使用正则表达式需要使用re(regular exprssion)模块,使用正则表达式的难点就在于如何写好p=re.compile(r' 正则表达式')的内容. 下面是在Python中使用 ...