产品经理不再纸上谈兵——微信公众号PK原生App

原生APP和微信的关系

课程目标

1.了解APP发展的整体趋势;

2.认识原生APP和微信公众号的关系;

3.掌握用微信公众号做产品的条件。

前言

最近一阶段H5技术被推到高峰,很多人认为借助H5就能利用微信公众号取代APP原生应用了,而事实是怎么样的?

原生APP总体趋势

1.智能机大盘(日活跃设备)规模

这里写图片描述

2.用户规模Top20的移动应用和PC站点中的BAT三家所占数量

这里写图片描述

根据百度移动趋势报告显示,2014年国内智能机大盘增速已明显放缓,季均增长率仅为6%。这一持续多年的人口红利即将于2015年终结。与此同时,移动互联网的发展也进入了格局相对固化的阶段。在PC领域占据优势的BAT继续在移动互联网时代占据统治地位,甚至优势比PC时代还要明显。所占据的媒体时长近60%。

原生APP与微信的关系

现在从用户数和打开频率来讨论下原生APP的四象限,这四象限代表着已经存在的需求,这里的用户多少以BAT的矩阵产品为基准线,我们从这四个象限出发来看下微信公众号与之对应的关系。

这里写图片描述

1.用户多,频率高

这类APP是BAT矩阵产品,要在微信服务号里面做是不可能的,BAT也不会考虑,而下一个BAT级别的公司一定不会在微信服务号中诞生,必须另辟山头。所以没有任何机会。

2.用户少,频率低

这类APP就是我们常见的在应用商城中那些小而美的产品,一些小创意产品,这类APP产品本身就没太大机会,所以放到服务号中更没机会。因为需求已经被验证过了。

3.用户少,频率高

这类APP类似滴滴打车,上门洗衣,上门按摩等等。这类APP可以利用微信的服务号把自己放到里面,为用户提供服务,这样既省去了高昂的开发成本,又减少了高昂的用户获取成本。

目前微信服务号里面已经出现了大量的O2O服务。微信自身一方面也在做,在微信钱包中就把滴滴打车融入其中,所以与微信竞争的O2O产品未来存在一定风险,但前提是做大。

再说垂直社交类产品,垂直社交本质上是论坛,而微信内部已经介入微社区,很多公众号也在利用微社区做垂直论坛。但一切的前提是这个公众号自身有极为强大的影响力,否则一切都是空谈。

而当这些微社区的用户体积到达一定规模后,就可以脱离微信。微社区毕竟只是BBS,可以延展的功能不够,并且用户没有掌握在自己手中,这也是投资人不想看到的。所以微社区可以作为跳板存在。

4.用户多,频率低

这类型的APP基本都是工具类APP,比如手机自带的计算器APP,日历APP,便签APP,闹钟APP等等,这些APP在用户规模上是与BAT矩阵产品差不多甚至还要多的。但是这些APP在使用频率上就不高了。

所以要讨论的是这些有一定用户基数但是不高频的需求迁移到微信是否可行。一个可行的需求就是“备忘提醒”,不过微信团队也早就发现了这个需求。但并不是所有的需求都适合用微信公众号实现。

工具类产品迁移微信公众号的条件

1.条件一 原生操作

从产品层面来说一定要在更方便,更有效率的基础上去实现。比如“记账软件”这种主动操作的产品,就不适合,因为用户使用微信反而增加了操作成本,而一旦一个产品的操作成本增加,那就必死无疑。

原生打开:找到手机界面的APP固定位置->直接打开APP->对应操作

原生切换:系统层切换->对应操作

2.条件二 推送大于主动

根据条件一推出,很多原生工具APP用户的主动操作在微信服务号的操作是增加成本的,所以这类原生工具APP迁移到微信行不通,原生工具APP迁移到微信更多的是需要满足用户的被动需求,也就是“推送大于主动”这类APP才可能有一定机会。

3.条件三

根据微信自身限制推出,必须满足微信开放接口条件,推送可以做到,但类似WIFI助手,清理内存的服务就无法做到,因为微信没有提供对应接口。但是提醒类就可以,服务号微信提供日50万次指定用户推送的客服回复接口。

微信公众号操作

1.微信公众号打开

微信顶部搜索或逐行找到服务号->进入服务号->点击底部菜单或推送消息链接进入H5页面->对应操作。

2.微信公众号切换

退出服务号->*用户有可能跳出微信,所以还可能需要切换至微信->微信顶部搜索或逐行找到公众号->进入公众号->点击底部菜单或推送消息链接进入H5页面->对应操作。

小结

借力微信服务号和H5技术可以做三类产品

1.低频O2O服务类;

2.以某个公众号为核心的垂直社交;

3.推送逻辑的产品。

App固然很火,但技术门槛和获取用户门槛都很高。微信公众号固然简单,但毕竟是看别人的脸色,要时刻提防腾讯的“过河拆桥”。因此两者需要权衡,从目前看,微信引流,时机成熟为App倒流才是万全之策。

思考

1.寻找一个优秀的微信公众号的产品,分析其合理性?

2.重新评估自家的产品是否应该迁移至微信公众号?

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值