移动互联网—电子商务的下一个”战场

              从年销售额过亿的立即购、买卖宝,到AppStore里“生活”类目下淘宝、京东、凡客、1号店等各种App软件,继工具类应用和社交游戏之后,移动电子商务已经开始成为越来越多人心目中的“下一块”大蛋糕。

  与应用场景相当有限的PC (个人电脑)相比,生而具备便携属性的手机给了电商们更大的想象空间:上下班等公车地铁途中“随手”逛一逛;在坐车时顺便“下个单”;购物完成后,再立即将产品及购物信息分享到社交网络,间接地帮商家做了口碑营销;甚至在平时逛商场时,都能通过“比价”、“查询网上店铺是否有货”等方式“拦截”住消费者,将他们重新拉回到线上———这无疑会在更大程度上加剧线上电子商务对线下传统零售的冲击。

  但知易行难,对于大多数传统电商来说,以何种方式进入移动电商领域,如何玩转这个新的集推广、销售、用户关系管理等为一体的新渠道,仍然需要一个不断学习和反思的过程。

  平台商成为“试水”先锋

  2010年12月21日圣诞节前夕,在淘宝网惯例举行的年末促销活动“全民疯抢”中,手机淘宝乘势推出了一项P C、手机相呼应的“新玩法”,即用户在淘宝网“全民疯抢”中完成1笔超过10元的交易,就可以用手机登录手机淘宝,在对应的商品专区中获得60秒免费购物时间。

  换句话说,按一天可分成1440分钟来算,参加“全民疯抢”的用户总共拥有1440次通过手机免费抢拍10万件逾千万元商品的机会。“那次活动,瞬间创造出了单日手机下单量的全球最高纪录。”淘宝无线事业部市场总监卢中涛告诉南都《创富志》记者。

  淘宝网副总裁、手机淘宝总经理邱昌恒在接受南都记者采访时曾表示,并不想简单地把淘宝在PC上的成功经验搬到手机上,而是想尝试一些新的基于手机的购物模式和购物体验。对他来说,这并不意味着可以选择去做的事更少了,而是更多了。

  从年初到现在,手机淘宝除了不断添入新功能,对主应用“淘宝”进行迭代,同时开发和完善基于H T ML 5技术的网页版手机淘宝之外,也推出了淘宝旅行、淘宝彩票、一淘优惠、淘宝求购等按功能细分的分类应用。

  按照淘宝无线事业部运营总监尚文的说法,优先选择在这些方向上试水移动电子商务,最主要的原因是要先培育用户养成使用手机淘宝的习惯,因此必须让一些围绕着购物的增值服务(例如二维码扫描、比价等)先行于卖货本身。

  其次,当这类习惯初步被养成,但手机因为自身属性而无法做过多的文字输入及IM(即时通讯)交流时,例如话费充值、彩票、机票酒店预订等更适合于“沉默”销售的标准化产品就会首先成为移动电子商务市场上的热销产品。

  但同时,他也表示,就淘宝商户在手机淘宝上的表现来看,仍未达到一个令人满意的程度。大多数商户并没有专门针对手机的特性对产品展示页面进行优化,这也造成了目前尚未出现在移动电子商务领域异军突起的淘宝卖家。

  毫无疑问,对于平台商来说,转战一块“新战场”必定面临着“是先有用户,还是先有商家”的两难。站在商户角度,一边是年交易额逾4000亿的PC端市场,一边是去年交易额仅18亿、今年上半年破60亿的成长性移动市场,两者的悬殊程度尚不足以刺激平台上的卖家调转方向,主攻新市场。

  因此,无论是主动还是被动,受战略驱使还是外界环境所迫,电子商务平台商都会率先成为移动电子商务的“试水”先锋。

  B2C电商的实用主义

  “手机卖货?再等等看吧,最好有人先做出来了,我们再跟着学”、“我们在用某某B 2C商城的二维码,算是移动电子商务吗?多少有些订单,但还没占到一个相对重要的地位”……不仅是淘宝平台内的卖家,许多独立B 2C品牌电商也将移动电子商务当作一项“重要但不紧急”的事情来对待。

  “就像很多淘品牌想‘出淘’一样,这看似是个必然的趋势但做起来却很难,而且谁也不知道到底该怎么做。到现在,你可以去看一下,反而是那些在细分行业里排二三名的淘品牌、淘宝卖家‘出淘’得比较成功,第一名容易形成路径依赖。”说到移动电子商务,一位独立B 2C品牌电商这样类比道。

  不仅如此,即便是京东、凡客、1号店等国内B 2C电商第一集团军,目前在移动互联网上所做的布局,在更大程度上,仍只是起到了一个“卡位”作用。

  以1号店为例。在启动“掌上1号店”和“虚拟超市”项目之前,于刚所提出的“网上沃尔玛”概念一直因其客单价、商品毛利偏低,难以在原本已属微利的行业中建立起新的赢利模式而饱受外界质疑。因此,移动电商对他来说,更像是一个能够立即加分的机会(提升重复购买率、增强用户黏性等)。

  2010年中下旬,原媒体人于丽丽加盟1号店,出任无线事业部总监,并开始着手筹备“掌上1号店”的项目。今年1月“掌上1号店”推出。

  几个月后,于刚又偶然看到一则名为“H om ePlusSubw ayV ir-tual Store”的韩国广告,介绍韩国实体超市H om ePlus利用地铁广告与二维码结合形成可以直接用手机拍摄下单的“虚拟超市”的做法,他立即通知于丽丽学习借鉴。

  于是,“虚拟超市”的项目在1号店内部仅经过三周讨论研究就开始落地执行。第一阶段,于丽丽将上海作为试点城市,利用地铁广告墙、包柱广告以及公交站台广告进行商品及二维码展示,测试消费者的接受程度和不同的地铁、公交站点所贡献的用户及成交单量。第二阶段,试点城市扩大到上海、广州、北京,同时处于更“划算”的考虑,“于丽丽”们也将包柱广告按产品类别进行了区分,用代表类目的二维码取代仅代表某一件商品的二维码,并时常更换手机页面上的展示商品,以提高更多商品的展示几率和用户转化率。

  不过,尽管已试点近两个月,1号店无线事业部至今尚不愿透露相关数据。于丽丽告诉南都记者,目前,注册用户数、客单价、成交额均不是考核无线事业部业绩最重要的K PI,而是品牌曝光率。言下之意,即便是按照最保守、最实用主义的理解,基于二维码的手机应用也能让原本粗放投放、效果无法统计的地铁、公交站点广告“互联网化”,变成直接可以产生流量、新用户以及新订单的广告形式。但由于缺乏数据支持,我们尚无法对这一做法的R O I作出预计。

  “卖货”的魔咒

  新客获取成本、推广R IO、客单价、购买频次……由于整个基于PC的网购市场已相对成熟,那些了解和掌握消费者需求及习惯的K now -H ow也已经历了多年积累,越来越多的传统电商将主要精力集中到对数据的深度挖掘与分析之中。

  这种做法本身并无可厚非,但在转战新领域时,这些K now -H ow能否被顺利移植过去,会否对在新领域中开辟新玩法造成局限,如何放弃过去的路径依赖重新摸索新路,也许都是意欲在现在或将来转战移动电子商务领域的电商必须首先破除的“卖货”魔咒。

  Frost& Sullivan首席顾问王煜全(微博)曾在分析未来移动互联网上热门应用开发方向时向应用开发者指出,真正能被引爆的热门应用必定是面向未来的需求,而非当下甚至过去的需求所做的开发。在移动电商领域,亦是如此。

  如果仅仅是将现在或者过去在P C互联网上积累的“卖货”经验搬到移动互联网上,移动电子商务或许的确仅仅是P C互联网的一个补充渠道;但如果将未来两三年内移动互联网主流使用人群的喜好、习惯与更多更新的技术、功能相结合,在单纯“卖货”的基础上,加入更多分享、实景增强(A R )、位置定为等等社交、游戏、L B S类元素,移动互联网上的电子商务就将成为一个真正有别于PC互联网的新战场。

  就目前发展的情况来看,诸如蘑菇街、美丽说等电商导购网站,已先于传统电商一步,在移动互联网上进行摸索和尝试。蘑菇街的A pp目前不仅能分享服饰搭配、逛“街”(浏览商品图片)、晒货之外,也可以自动抓取商品在淘宝上的交易信息,用户不用在A pp间进行切换,就能完成整个下单过程。

  这类应用的先行走热,也将给处于观望中的电商们以更多的启示。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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