AR+Nike天猫欢聚日:阿里新零售的驱动力是创新与想象力

来源:壹观察(ID:guancha01)

今年天猫双11,除了创造1682亿元的全球电商平台单日成交额新纪录,阿里“新零售”与“新技术”的结合同样令人深刻。

比如天猫双11晚会上的“明星到你家”AR互动活动,用户通过天猫/淘宝 App中的“明星到你家”界面,将光标对准地面或平面,就会将范冰冰、卢靖姗等明星从天猫双11晚会现场“邀请”到自己家中。这可不是一张平面动画,用户可以围着明星拍一圈,甚至可以通过走进自己手机摄像头的拍摄范围,与范冰冰、卢靖姗一同“合影”。

“明星到你家”AR互动活动引发了用户在朋友圈和微博的各种“刷屏”,成为天猫双11晚会上的一大亮点,背后则是天猫AR团队面向客户需求与用户体验提升的长期投入与创新。

在消费升级趋势下,中国企业和商家开始从追求销售额向提高用户品牌忠诚度转型。

聚划算平台根据客户需求变化推出了“天猫欢聚日”,目标通过结合新零售和新技术,汇聚各品牌的力量,快速打造有影响力的热门事件和热门IP,提升天猫用户尤其是年轻用户的购物体验。天猫AR技术就是这种需求驱动下的创新代表,并且赢得了越来越多的国际知名品牌认同。

在11月30日Nike Air Force 35周年庆中,天猫欢聚日联合耐克推出了Nike欢聚日活动,而天猫AR成为耐克用更炫酷的方式提升与年轻用户的交互体验的创新方式。用户通过手机淘宝/天猫的扫一扫,选择AR BUY+就能进入Nike天猫欢聚日的AR体验,可在AR虚拟与现实互动中了解Nike Air Force的经典历史。

天猫AR还成为Nike欢聚日打通线上+线下用户连接的重要方式。耐克将35周年庆场地作为天猫欢聚日活动的线下最终落地,而天猫欢聚日则承载了Nike Air Force 35周年面向年轻用户品牌传播的重要渠道,众多耐克用户通过天猫AR了解到了Nike Air Force 35周年的历史,了解到Air Force 1所代表的潮流文化,并将焦点倒流到耐克线下35周年庆活动现场,并带动了整个耐克线上+线下零售渠道的联动。

值得关注的是,面对天猫欢聚日带来的巨大线上影响力,耐克为参加天猫欢聚日的用户专门预留了36张稀缺门票,并宣布为天猫欢聚日用户推出定制版Air Force 1“猫头鞋”等诸多福利。

耐克是全球第一运动品牌,对品牌联合营销极为慎重,上一次在中国地区的联合营销还是星巴克发起的NIKE & Sartbucks活动。耐克此次与天猫欢聚日联合举行线上+线下活动,同时力推天猫AR互动,充分证明了天猫欢聚日+AR技术给商家品牌营销和新零售变革带来的赋能与创新力量。

实际上,天猫AR互动技术首先应用于2016年的淘宝造物节,当时主要展现方式是淘公仔AR导航,是AR技术首次面向用户进行场景化应用展示。2016年的双11推出的“AR抓猫猫”,是首款真正的AR营销产品,用户可通过抓到的猫猫身上携带的活动碎片,收集兑换商品优惠券。

进入2017年,随着AR技术成熟,以及越来越多的商家认识到了AR技术带来与用户的全新营销互动方式,天猫AR开始获得规模应用。比如2017年1月,AR Detail应用在极有家类目中,用户即使没有购买商品,也可以通过AR技术将商品虚拟展示在家中,看到实际效果后再决定是否购买,解决了单纯线上购买缺乏场景化体验的问题。2017年9月,AR BUY+平台上线,开始为商家提供整套AR营销体系,在商业化上日趋成熟。

由此来看,依托全球最大的在线零售平台,天猫AR经历了从创新尝试到成熟商业化,从对内提升天猫平台能力到对外赋能商家品牌的快速成长,也是阿里新零售+新技术对商家赋能的真实体现。

天猫欢聚日 + 阿里黑科技

铸就技术和商业“护城河”

全球互联网巨头和主要硬件企业都将AR视为新一代革新交互技术,苹果在新一代iPhone发布会上也一口气演示了四款AR内容。其中,电商、游戏、视频被认为AR首先大规模商业应用的重点领域。

在天猫快速进军AR商业化前后,全球主要电商巨头都纷纷加大了AR技术投入和商业化探索。那么已经探路成功的AR+天猫欢聚日又有哪些创新,是否能够建立其足够宽广的技术和商业“护城河”?

《壹观察》分析认为,在以下四个方面,AR+天猫欢聚日拥有明显优势:

AR BUY+数据:淘宝+天猫有全球最丰富的商品体系,也有海量的用户与商品的浏览、评价等互动大数据,而这些数据都可以通过AR BUY+整合到线上+线下的场景中,成为新零售的重要的技术创新互动方式,助力品牌商更高效的向新零售转型。


热门IP:热门IP就是用户关注度的流量池,淘宝+天猫上聚合的大量商家就自带各种热门IP,阿里在优酷、虾米音乐等也聚合了大量明星资源。从天猫欢聚日近一年来的成绩来看,其中有其中7个品牌均破亿,超过30家达到全年次高峰,同时超过100位当红明星与粉丝互动,线下同步门店超过25000家。这些知名品牌、明星资源和线下渠道,都为天猫欢聚日的AR创新提供了大量的跨界热门IP资源和新零售场景。

AR快速迭代的技术创新能力:从2016年7月淘宝造物节“试水”,到今年双11“明星到你家”AR互动大获成功,再到Nike天猫欢聚日得到世界第一运动品牌认可,天猫AR表现出了明显超越同行的技术迭代和创新能力。而商业化的成功,无疑会加大阿里在AR方向上的战略投入,相信在明年双11之前,天猫AR技术对天猫欢聚日商业营销模式的创新还将带来更为明显的推动作用。

AR BUY+开放平台:苹果iOS的成功,很大程度上是建立了以开发者为中心的应用和内容生态体系,这也是中国移动互联网创新超越美国的重要驱动力,AR也同样如此。阿里于今年10月宣布推出AR开放平台,将积累三年的AR技术能力赋能给商家与开发者。AR BUY+开放平台优势在于,电商是一个强转化率的商业平台,对于商家和开发者而言具备更强的创新驱动力。

总结

新零售的核心是线上线下的结合,强调的是人、货、场景的优化体验,其最大的魅力是没有固定套路,需要每个企业结合自身的优势打造不同的差异化发展模式。

而新零售的最大驱动力,是通过技术革新和想象力为商家创造价值,真正提升用户体验和乐趣。

每个消费品牌现今都在担心用户认为自己品牌“老了”,“不酷了”,这也是新零售+新技术要首先解决的现实商业问题。Nike天猫欢聚日采用的AR互动技术创新,以及线上+线下给用户创造的全新体验方式,给了业内足够的创新想象力。

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。
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