降本增效——券商们为什么必须布局小程序?

文章主旨:此篇文章,主旨是指在监管十分严格的背景下,券商如何利用小程序的技术优势,搭建自己的小程序生态。同时,为以后监管层开放做好准备。

受限于合规性要求,券商在“互联网思维”这一点上历来给人慢半拍的印象。

回顾券商的互联网化进程,完全收益于上一轮牛市。2013年起,证券公司互联网业务逐步试点放开,而那时的券商还只是停留在佣金战的层面,华泰证券和国金证券率先点燃佣金战的战火。这两家券商也是早期转型互联网的券商,从开户到交易都能够在券商APP上操作。

真正让各家券商都意识到互联网带来商机,是在2014年牛市意味渐浓后。当年,具有互联网基因的券商普遍取得了业绩的迅速增长,实现了创收方式的灵活转型。国泰君安、海通证券这些国内重量级券商开始推出自己专属的APP;另一方面,各券商开始与金融类的互联网公司合作,推广自己的业务。

回顾历史,券商的数字化创新,往往来自于用户习惯的倒逼。回到当下,数字时代用户的行为习惯显然已经发生了转变。

截至 2018 年 6 月,中国手机网民 7.88 亿,占整体网民的比例高达 98.3%;2017年,全国移动支付月活跃用户群已超过6亿,移动支付达到105万亿,占M2总量的60%。客户的数字化移动习惯已经形成。而传统券商却非常缺乏多维度、高频化的交易场景,如何在线上运营多维度的非金融类业务场景,并引流到金融服务成为券商关注重点。

建立自有小程序生态:打造“超级APP”

大多券商有不止一款软件对客户端的APP,不仅有集中“开户、投资、决策”为一体的APP,更是有社区、股吧、论坛这样丰富的产品线,如果再细分点,还有营销、投顾人员、经纪人客户移动客户端,PC端上的软件和产品更是眼花缭乱。

每一款APP的上线都需要大量的推广,付出人力、财力后,大部分APP收获的流量依旧寥寥无几。摆在运营面前的问题是,用户究竟应该下哪一款软件,他们是否能分清其间的差别?对此,股民们可能没有答案,产品经理或许也没有答案。这种让股民来试错,由市场来决定的成本过于高昂。所谓的用户体验也沦为一句口号。

将不同的功能做成不同的app,让用户来试错的运营方式显然成本太高。券商app间往往彼此割裂很难形成合力,而小程序的出现为券商统一功能、形成新生态提供了新的可能。

1、APP里的任何按钮,均可以是:

2、一个小程序入口,使用效果与本地应用无异

3、一个聊天房间(里面是机器人或者真人 – 例如投顾)

4、客户可以在与投顾交流过程中,被分享一个小程序(“活的内容”而非静态网页)

5、机器人可以向客户推荐、推送小程序,就像推荐任何信息一样。甚至连MOT事件都可以是小程序

6、APP的首页或者任何页,本身可以是小程序(因此首页等等永远可以动态更改,依照运营需求而变)

7、小程序里可以跳转聊天房间或者其他小程序

8、从业务应用把界面以小程序方式分享出去(业务应用本身支持小程序分享按钮)

独立交付的业务载体:小程序

1、在线热更新 – 服务器端上架,比传统开发商所谓的“热更新”(下载ZIP包本地解压)优异可控

2、渲染性能高 – 不用DOM,性能远高于SPA(单页应用)

3、本地加载

4、一个新业务,一个小程序。持续添加,不断增强

5、100%兼容微信小程序 – 可以利用腾讯及各种小程序的开发工具,开发人员水平要求降低

未来属于有准备的人

1、极度松散耦合–交易、行情、资讯、网厅服务等等,基于用户当前场景的“上下文”自由组合

2、预防未来的信息孤岛–唯一解决办法是架构上支持外部模块的简单接入

3、支持快速迭代–服务器端热更新,在线修复缺陷、在线满足运营需求

4、降低技术开发难度–业务功能让一般水平的技术人员也能开发

5、构建与隔离稳定“内核”,尽量让新功能(尤其是周边服务)无法“破坏”核心功能

6、一切第三方技术,均应以组件、SDK方式提供。对第三方组件进行安全沙箱里的生命周期管理

文章来源:凡泰小程序开放平台

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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