Getting Things Done应用的下一个方向?仍然是“数据”

相信不少人手机上都装有Getting Things Done的应用,不管是Clear、Any.DO还是各式日历应用,它们共同的特点都在于提醒你接下来要做的事情,并督促你完成它。不过,这些应用并不想仅仅停留在这个层面。

在PingWest于旧金山举行的SYNC2013大会上,Everest的创始人Francis Pedraza和Temo的创始人Raj Singh就谈到了这一点:如何利用数据,帮助用户更好地完成要做的事。

SYNC

用Francis的话说,Everest是一款帮助“实现梦想”的应用。用户可以写下近期或者长期要实现的目标,比如“准备考试”或者“减10磅”甚至“让自己维持良好的生活态度”,然后分解成不同的步骤,利用强大的社交网络获得别人的督促、鼓励和帮助。

比起有点类似于梦想实现工具的Everest,Tempo则是一款更加强大的功能性日历,它强调每天的日程安排和完整的工作流程,用完善的系统帮你为下一个步骤做好准备,提高你的效率。

尽管产品定位和形态上都有很大的差异,但是Everest和Tempo的下一步目标都是——数据。

在Francis看来,数据并不是越多越好,而是要正确的信息,有的时候,“Dark data is more important than big data。”而这里面所谓的Dark Data,就是指还没有好的途径来接触、收集的信息。比如说,虽然现在地理位置信息已经成为了最重要的数据之一,但是在FourSquare出现之前,它就属于“Dark data”,并没有被发掘利用;而对于Big Data来说,收集不是关键,但是发掘内在价值就成为了一件非常难的事。

“Everest遇到的最大问题就是发掘Dark data的问题。每个人都有自己想做的事,诸如环球旅行或者成为网球选手什么的,但是他们不会分享出来。所以我们现在最关注的事情就是怎么找到途径去发掘它们。”

Francis说,一旦他们找到好的方法获取这些数据,比如成千上万的用户们到底有甚么目标、他们是用什么样的步骤来实现这些目标的,Everest就可以做比现在多得多的事,比如生成建议、基于这些目标建立社交网络等。

Tempo的思路显然就和Everest的不一样。他们更看重获得数据后怎么进行处理。因为他们认为,海量的数据单独看是没有意义的,需要建立好的机器学习模型来处理。

Raj举例说,早年的翻译服务Babel Fish就是给每个词都单独翻译,然后组成句子,但是这样完全不符合语法,通篇看下来也没意义。但是Google Translate的做法就不一样,它不是逐字逐句地翻译,而是基于机器学习来进行,比如把英文和法文版维基百科对某一事件的描述进行对比,了解这句话在英文和法文中的不同表达方式,然后建立机器学习模型进行比较,并建立内在词库。在收集到足够多的数据后,比较成熟的翻译结果就会出现。

Raj说,这正是数据和正确处理方式匹配后能够做到的事。不过,现下的挑战是,机器学习是在数据的积累和处理过程中不断完善的,这将需要比较长的时间。但是如果能够真正运用到“Getting Things Done”的应用里,就可以自动理解用户当下的需求,比如用户想去哪里、在哪个上面花时间、需要做什么,甚至产生预见性,不用再完全被动地等待输入任务。

不过,除了数据之外,“社交”会不会也是“Getting Things Done”应用的另一个出口呢?Francis和Raj的答案仍然不一样。

Everest显然是坚定的社交图谱支持者。由于主要关注人们的目标与梦想,来自社交网络的力量就会成为一个重要的动力。比如把每天的达到的成就发到Facebook上,如果获得好友的称赞,用户就会更加有动力,遇到问题还可以向朋友求助,甚至邀请对方一起完成。

而Temo的Raj就谨慎得多。他直接说,“加入社交?这我们还在想,还不确定。”

订阅更多文章