吕爱国组织大讨论:从微信小程序看技术对零售业的影响

吕爱国拿到主持人的话题,有几点想法,与大家共同探讨。

 

吕爱国觉得对市场而言,是好事情,会推进商业更加快速向全渠道模式转变。但判断对小店的更加有利,对大店则可能负面影响多一些。

 

有以下几点理由:

 

第一点:无论何种生意,移动端一定会成为生意完成流程中不可缺少的环节。也就是说,现有的全渠道模式或多或少地嵌入生意之中。


第二点:大企业有技术能力、资金实力、组织能力搭建并运营APP,小企业则相对差许多。技术供给可以让小企业更得利。


第三点:大企业的生意虽然引人注目,数量更多的小生意却是生态系中最关键的,而现在市场上存在着众多没有被有效供给的细分需求;


第四点:大生意着重于构建平台,聚焦资源,形成流量;小生意却更需要人与人的关系来滋养,也就是说小企业的生意,对社交性要求更多,这是微信最擅长的领域。


因此,此次微信推出的应用号,可能会让小型企业获得一个非常合用的工具性平台。但是大企业却不会马上会跟上来。并且大企业也会担心,这么轻的应用,能不能承载太重的业务,比如超市之类。

 

并且,这次我研究了应用号的内容,有一点我觉得非常好:开放了基于LBS的定位服务。这就为小企业在微信平台上,创造全渠道的业务,提供一个最为基础的条件。这是比之前服务号进步的地方。

 

比如我是小店做饮料的,以前只能接受线上订单,顾客到店拿货,但不能做到按时生产,或者包装,导致要么早,饮料不新鲜;要到要顾客到了现场再等,顾客时间耽误。


这时候,我完全可以根据顾客的位置,在顾客到店前3分钟开始制作,顾客到店的时候,不用等,但拿到的饮料是最新鲜的。类似这样的应用,可以非常多地应用在不同的商店里。

 

所以,我预计随着应用号的推广,可能会出现这样的趋势:大店的服务与功能会被独立出来的小店分解。


小店更多会不依赖其他人,进行垂直化运营;因为,大多数时候的场景化的需求解决方案,应该是小店、专业店里来解决更有优势,而不是集合了众多品类的大店。对于大店而言,会是另外一个考验。


 

吕爱国从技术角度,以及战略运营角度阐述!运营主要讲的百货O2O的做法,与超市O2O不一样。


技术角度:有2个大飞跃。


第一点:跨平台,开发成本大幅降低。小程序实现了跨平台,这个是非常大的飞跃。以前的开发分两个班子,一个是安卓版,一个是IOS版的开发,而现在微信小程序用一套HTML5来开发,开发成本大致减半。如果畅想将来,与没有可能有更大的技术飞跃,关于跨平台; PC端和移动端的跨平台,从技术角度看也是有可能的。


第二点:无需下载APP,体验接近原生APP。之前原生APP的装机基本靠下载,下载很麻烦不利于传播,微信后来推出服务号可以链接APP,但是体验不是很好。微信小程序,比服务号的加载速度更快,功能更多,体验更好,APP从此无需下载,是一个大飞跃。

 

商业直觉下的结论:


1、技术大升级,推进零售O2O发展,可能会高速推动。


2、去中心化的超级APP,移动流量更聚集到微信,可能性很大。

 

战略与运营角度:

 

零售O2O的定义:线上与线下的融合。讲讲零售O2O的定义,这个非常重要,以前在定义不清晰的时候,运营有可能会走形。


百度百科对O2O的定义是从线上到线下,这是不贴切的,也是不对的;线上线下融合才是比较准确的定义。从目前来看,行业基本都才用这个定义,包括阿里的张勇。

 

我们把O2O拆分来看,一个O代表线上,比如:线上的门店;一个O代表线下,比如:线下的门店;最重要的是中间的“2”,有二层意思:链接、融合。

 

链接是什么?包括硬件和软件,移动终端和APP等,属于技术层面。

 

融合是什么?相当于企业管理和业务模式。

 

这个“2”有3大特点:


1、时代性,移动时代的产物,没有移动化是无法实现O2O的;


2、次序性,先有链接,才可能发生融合;


3、推动性,链接推动融合,意思就是技术进步推动零售企业的变革。

 

百货O2O链接场景:有2种场景。

 

第一种:消费者在门店用移动终端,通过APP找到网店,进行商品浏览选购。


第二种:消费者在门店用移动终端,通过APP找到实体商家(商品)位置。


百货O2O有一个重要的共性,就是在门店使用APP,这个APP就非常重要。

 

扩展延伸一下,讲讲APP大战:线上线下的链接器,这场技术服务商的大战,购物APP---淘宝、社交APP---微信、浏览器APP---UC浏览器、搜索APP---百度。

 

移动技术服务商早就明白O2O中那个2的重要性,就是链接器APP,这是技术服务商的大战。百度本来可以参加的,曾经尝试过但是做的不好,UC目前没有尝试,微信布局已久,而淘宝就不用说了。


从目前格局来讲,O2O链接器基本格局已定,微信是老大,定位是万人链接器,前几天推出的小程序,外媒称之为超级APP,可以链接一切。


阿里是老二,阿里与微信战争已久,以前陆兆禧强力发起的来往,现在的淘宝APP,支付宝APP是阿里目前的重点;老三暂时未定,很多探索实践者,包括万达的飞凡等等。

 

购物APP有3方势力:移动端可以参照PC端的历史,自建购物APP(相当于PC端官网),第三方购物平台APP(相当于PC端第三方平台开店),社交APP微信(相当于PC端搜索与导航)。3方势力的竞合关系,导致两种方式,去中心与中心化。

 

2种模式:去中心化(微信),中心化(淘宝APP)。实体门店用微信链接网店(自建APP),;还是实体门店用淘宝链接网店(第三方APP)。最明显区别是:去中心化没有交易扣点。


微信小程序,是否能去中心化?

 

如果微信去中心化比较成功,移动端流量变化:微信超级APP,可能导致大部分O2O购物流量来源为微信。

 

微信的3个行为:扫一扫(扫码),搜一搜(搜索),找一找(导航),这三个行为是跟移动流量相关的,抢占扫码入口,移动搜索入口,移动网址导航入口。

 

最后,讲讲运营相关的,因为有点超时,简略一点。

 

1个核心运营目标:平衡“大而全”和“少而精”的商品问题,提高卖货效率。是线上线下应该都卖货,而不是大多数人讲的线上营销线下卖货。

 

提高卖货能力,还是比较难的,需要做很多准备工作。淘宝提出三通,商品通,会员通,服务通,可以参考一下,具体见下表。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、 5资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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