BAT小程序均已开放,开发者如何选择小程序平台


除了局外人看看BAT正面大战的热闹,对于小程序开发者而言,选择什么平台入驻、侧重在什么平台运营,恐怕成为头痛的问题。不过,从小程序的玩法规则及各大佬玩转小程序的风格看,开发者倒不必面临选择恐惧症。

小程序平台的开发者偏好,以及合作方式,已经或多或少决定了小程序真正运营后究竟如何建设和拓展市场的问题。

(1)微信小程序:“时间”

靠社交对时间的占有形成无缝粘合,高频、全时段、小额占领全天候各个时间段的场景,是微信的主要优势,“时间”成为微信小程序占领市场的最好方式。

红极一时的跳一跳,虽然是利用社交的几何式发散快速形成现象级产品,但其本质也就是在“时间维度”占据通勤、午休、睡前等全天候各个时间段。

这种时间占领场景的逻辑,与短视频十分类似。也即,在微信平台上开发小程序,开发者或需要以短视频为标杆,思考如何在各种闲散时间段占领用户的手机屏幕。从这个角度看,游戏之所以占据了微信小视频1/3的江山(来源:阿拉丁小程序数据平台《2018年小程序生态进化报告》),原因之一也在于此。

(2)支付宝小程序:“空间”

B端商业场景与现实的结合最为紧密,这意味着支付宝小程序占领场景的方式,以“空间占领”为主。

民生、政务、出行、医疗、生活服务等板块是当前支付宝小程序主打的领域,例如:“最美证件照”、“e城e家”、“哈罗单车”等,都是线下实实在在的空间占领。

如果是微信小程序需要的是无时无刻的用户“时间场景”占领,那么支付宝小程序需要的就是无处不在的“空间场景”占领。在小程序开发思维上,这是截然不同的,一个是用户刺激导向(让用户付出更多时间,例如:游戏带来的娱乐感、刺激感或精神归属感),一个商业服务挖掘导向(贴合或找出现实场景实际的需求,例如:共享单车便捷的无需押金扫码即走)。

(3)百度智能小程序:“流量”

搜索服务既不像微信那样占据用户时间(用户不可预期地会使用搜索服务),也不像支付宝那样直接与空间场景接触(只承担分发与导向功能)。

大型平台都不差流量,但百度的“流量”却有些不同,能够支撑它成为开发者拓展场景的主要手段。或者说,百度在智能小程序上做对了一件事,那就是“大流量刺激+闭环”带来的“全场景拓展”来对抗微信、支付宝的“时间”和“空间”。

百度的流量是带有“属性”的“肥水”(搜索广告的营收价值是最好的证明),而不是支付与社交那样的“清水”。其价值或在于,百度的“流量”不需要太多刻意的运营,开发者不需要去“创造”,其要做的是如何利用百度提供的入口进行挖掘,“找到”并利用入口导入。


微信、支付宝是先有庞大的泛流量,再有各种费尽心机的导流,百度的流量逻辑是相反的,流量带着场景需求进入,再通过分发带给开发者流量导入,两种方式各有所长。值得注意的是:对于小程序中许多工具类产品来说,“用完即扔”的窘境让它们更需要定向的大流量进行刺激,而不是数据漂亮的泛流量(往往没有留存)。

在此基础上,百度做对的另一件事是,用“开源联盟”的方式,让这种流量入口足够大(B站、快手等的加入,对抗微信、支付宝更大的泛流量入口),另一方面又为这种流量做“收口”,有承载的依托和导流的去向,让开发者建设和拓展小程序市场有更多选择,形成闭环。


转载于:https://juejin.im/post/5bbb0af7f265da0ab719c5a8

  • 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