低配高价的OPPO和vivo如今走性价比路线是形势所迫

在vivo推出性价比品牌iqoo后,OPPO也推出了全新的品牌Reno,据称走的同样是性价比路线,两家手机企业此前饱受诟病低配高价却做到了国产前四,到如今为何要摆脱此前的低配高价,柏颖科技认为这是在市场竞争激烈形势下不得不作出的选择。


640?wx_fmt=jpeg


OV占优势的线下市场日渐被侵蚀

在2011年至2014年间,小米的互联网营销改变了国内智能手机市场的格局,华为随即学习小米的互联网营销模式,线上手机市场趋于激烈,而此时OPPO和vivo两家手机企业并没涌入拥挤的线上手机市场,专注于线下市场。

其时互联网兴起,传统的电视广告受到冷落,但是在三四五线城市由于互联网尚未覆盖到还存在较大的空白;三星、诺基亚的衰落同样让线下渠道处于空白。OPPO和vivo两家手机企业趁这个空档抓住了三四五线城市的机会,重金冠名湖南卫视的多个广受三四五线城市观众欢迎的节目,同时深耕三四五线城市的线下渠道。

到2015年OPPO和vivo开始取得成绩,它们的手机出货量迅速增长,到2016年三季度更一举夺得国内智能手机市场份额前两名,由此与华为、小米形成了国产手机新四强,不过它们在这两个位置尚未坐稳就面临着华为的挑战。

华为对市场的变化十分敏锐,眼见着OPPO和vivo的崛起迅速在2015年底转身宣布强化线下渠道,2016年初推出千县计划,即是要在两年时间内将线下渠道覆盖到1000个县,其计划推进神速,到2016年三季度已覆盖到700多个县,此举帮助它迅速在2016年四季度反超vivo夺回国内智能手机市场份额第二名,到2017年一季度再超越OPPO夺回国内智能手机市场份额第一名并保持至今。

2017年在线上手机市场取得强势地位的小米也开始进入线下手机市场,其计划用三年的时间将小米之家的数量增加到1000家,当年5月其建设的小米之家数量达到100家,小米手机的出货量也从二季度开始取得反弹,至2018年小米之家的数量已超过700家。

据IDC的数据,2018年Q1国内智能手机市场前四名当中,华为、小米的手机出货量均取得正增长,而OPPO、vivo的出货量分别下滑12.6%、4%,该季度vivo领先小米的出货量仅有100万部,显示出其在国内智能手机市场第四名的位置将被小米取代。

OV如今走性价比路线是形势所逼

从上述数据可以看出,在线上线下市场均有布局的华为和小米都取得了出货量的增长,而未有在线上手机市场布局的OPPO、vivo开始逐渐被前两者挤压,此时OPPO和vivo均认识到了线上手机市场的重要性。

面对市场形势的变化,vivo率先出手,其在2018年5月在线上手机市场推出了第一款性价比手机Z1,立即让它获得惊喜的成绩,2018年二季度其手机出货量同比大增长30%,增速在国产前四中位居第一名,2018年三季度vivo更首次超越OPPO夺得国内智能手机市场份额第二名。

OPPO的步伐则较vivo稍慢,其在2018年6月才推出线上手机品牌realme,不过主要针对印度手机市场,并未在国内市场推出性价比手机,这也导致了它在国内市场2018年二季度的增速大幅低于vivo、三季度更出现负增长并被vivo超越,痛定思痛的它在同年10月份在国内推出了性价比手机K1,2018年四季度的数据显示它在国内市场的出货量取得了正增长,并反超vivo夺回了国内智能手机市场份额第二名。

2018年在国内线上手机市场推出性价比手机让OPPO和vivo初尝甜头,自然它们今年势必会进一步加大进军国内线上手机市场的力度。这一次,vivo又走在了前头,在国内市场先于OPPO推出性价比手机品牌iqoo,并在这次抢发高通高端芯片骁龙855的过程中大出风头,iqoo手机与小米9成为当下最受瞩目的性价比手机,在vivo的成绩刺激下,OPPO本次在国内市场推出性价比手机品牌Reno也就在情理之中。

从2018年四季度的数据来看,OPPO和vivo推出性价比手机抢夺的似乎是小米的市场,华为并未受影响,IDC的数据显示华为、OPPO、vivo的出货量分别增长23.3%、1.5%、3.1%,而小米手机的出货量则同比大跌34.9%,随着OPPO和vivo在线上手机市场加大力度,小米今年必然面临一场苦战。

柏颖漫谈 baiyingmantan

640?wx_fmt=jpeg


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