互聯(lián)網(wǎng)的興起,給很多行業(yè)帶來新的思路,其中也包括餐飲行業(yè)。從團(tuán)購大戰(zhàn)、pc預(yù)定、外賣配送、餐飲O2O,餐飲的互聯(lián)網(wǎng)之路不斷演變,每次互聯(lián)網(wǎng)的模式熱潮都能燃起餐飲行業(yè)的新的爆點。隨著互聯(lián)網(wǎng)的普及,傳統(tǒng)餐飲行業(yè)欲依托互聯(lián)網(wǎng)求更好更快的發(fā)展,互聯(lián)網(wǎng)也拼命尋找與餐飲行業(yè)更好的切入點,實現(xiàn)全行業(yè)互聯(lián)網(wǎng)化。然而餐飲行業(yè)在互聯(lián)網(wǎng)的發(fā)展中仍存在不少問題。
餐飲行業(yè)的服務(wù)意識不高,服務(wù)質(zhì)量參次不齊。人們對餐飲服務(wù)的價值認(rèn)可度也不高,一味打折、優(yōu)惠導(dǎo)致服務(wù)品質(zhì)下降,商家利益受損。同時餐飲行業(yè)的互聯(lián)網(wǎng)思維欠缺也是個不容忽視的問題。移動互聯(lián)網(wǎng)的發(fā)展和興起,衍生一種新的模式,M2M。該模式或許是餐飲行業(yè)在移動互聯(lián)網(wǎng)發(fā)展道路中的新方向。
(餐飲M2M)
M2M模式
M2M模式首次由外賣超人創(chuàng)始人兼CEO劉凱(Lucas Englehardt)先生提出,他于2015年1月23日參加2014年第十一屆中國營銷領(lǐng)袖年會時,在主題演講中表示M2M是一種更注重服務(wù)的新移動互聯(lián)網(wǎng)模式。M2M, Mobile to Mobile,指用戶通過移動端獲取商家在移動端提供的服務(wù),用戶在移動端進(jìn)行消費、支付和社交,商家在移動端完成經(jīng)營、收費和管理。這是基于移動互聯(lián)網(wǎng)的新模式,它的的核心就是未來商家、企業(yè)對大眾提供私人訂制且移動的服務(wù)。
該模式一提出便得到了廣大關(guān)注,新模式新理念顛覆了以往很多關(guān)于O2O行業(yè)和模式的認(rèn)識,不少人認(rèn)為M2M模式或是移動互聯(lián)網(wǎng)發(fā)展的未來。隨著社會發(fā)展進(jìn)程加快,人們的物質(zhì)生活水平提高,對各類生活服務(wù)的需求越來越高,M2M模式會慢慢出現(xiàn)在各行各業(yè),應(yīng)用也更加普及,醫(yī)療、健身、美容、美發(fā)、美甲、服裝、家政等行業(yè)都會走向M2M模式。
M2M模式的出現(xiàn),為餐飲行業(yè)的發(fā)展也同樣帶來了新啟示,餐飲行業(yè)目前所遇到的一些也能在新模式下得到改善和解決。
提高對餐飲服務(wù)的價值意識
國內(nèi)對服務(wù)價值的意識不高,普遍認(rèn)為服務(wù)就和產(chǎn)品一樣,可以通過比價格高低來選擇。而隨著人們經(jīng)濟能力和消費水平的提高,人們對服務(wù)的要求也越來越高,之前對服務(wù)的理解和認(rèn)識會已經(jīng)越來越不符合現(xiàn)實狀況。服務(wù)的售賣思維不能和產(chǎn)品一樣,每個人對服務(wù)的品質(zhì)要求不一,產(chǎn)品可以規(guī)?;a(chǎn)出來,而服務(wù)是經(jīng)由個人來生產(chǎn)的,同樣的服務(wù)要求出來的效果也可能不一樣。
發(fā)達(dá)國家的服務(wù)業(yè)很發(fā)達(dá),他們對服務(wù)的價值意識也很高,支付服務(wù)類的費用比產(chǎn)品類的費用高出很多。為了保證服務(wù)的高質(zhì)量,有些服務(wù),比如去餐廳吃飯,他們大多會支付小費。小費用英文就是tips,是“To Insure Prompt Service”的縮寫,意思是“用來得到及時服務(wù)的保證”,足以見得小費是作為提高服務(wù)質(zhì)量的激勵機制而產(chǎn)生的,按照這種思維,小費給或不給、多給或少給應(yīng)當(dāng)完全視服務(wù)質(zhì)量而定,他們認(rèn)為高質(zhì)量的服務(wù)是值得花更多成本去擁有的。
M2M模式下的餐飲服務(wù)是可以任何時間、任何地點、任何餐飲都可以依照用戶需求來定制滿足的。這種服務(wù)是高價值的,會顛覆以往人們對餐飲服務(wù)的認(rèn)識,局面會由原來的誰的菜品價格低就被爭先搶購變?yōu)檎l提供的餐廳服務(wù)最好最受歡迎,人們也愿意花更多成本去購買符合自己心意的服務(wù)。這種意識的轉(zhuǎn)變對餐飲行業(yè)的發(fā)展是有利的。
餐飲服務(wù)定制移動化
M2M模式的核心就是未來商家、企業(yè)對大眾提供私人訂制且移動的服務(wù)。這個核心有兩個重點,缺一不可。一是私人訂制的服務(wù),商家可以根據(jù)用戶的各種需求提供個性化服務(wù),是基于不同需求基礎(chǔ)上的供應(yīng)。二是該服務(wù)是移動的,移動是雙方面的,即用戶通過手機移動端獲取服務(wù),商家、企業(yè)通過手機移動端提供服務(wù),服務(wù)的獲取和提供是以手機移動端為載體,即Mobile to Mobile。
傳統(tǒng)的做餐飲的思維已經(jīng)不能滿足人們對高品質(zhì)服務(wù)的要求,餐飲行業(yè)必須有所改變。加入移動互聯(lián)網(wǎng),做移動端的餐飲服務(wù),移動端的用戶數(shù)量與日俱增,基于移動端的服務(wù)也是勢在必行。當(dāng)用戶不想叫外賣,也不想去餐廳吃飯,可以在移動端預(yù)定專業(yè)大廚到家中來做一頓美味的大餐,也可以租用別人家中閑置的廚房客廳、花園頂樓享受大廚上門服務(wù)。這種定制移動化的餐飲服務(wù)就是M2M模式的餐飲。走向定制化移動化會是餐飲行業(yè)新的發(fā)展契機。
互聯(lián)網(wǎng)思維很重要
很多餐飲企業(yè)都努力在互聯(lián)網(wǎng)上求得更好更快的發(fā)展,然而最重要的不是互聯(lián)網(wǎng)而是互聯(lián)網(wǎng)的思維。經(jīng)歷過團(tuán)購、預(yù)定、O2O的餐飲企業(yè)對互聯(lián)網(wǎng)能帶來的效果似乎不再那么讓人期待,尤其是做過團(tuán)購的企業(yè)。團(tuán)購實際上不能說是企業(yè)的營銷方式,而是企業(yè)的讓利方式,據(jù)相關(guān)數(shù)據(jù)得悉,70%的用戶是到了餐廳之后,才開始打開團(tuán)購平臺,查看是否有團(tuán)購有優(yōu)惠再使用的。O2O也是如此,O2O平臺并沒有做到采用差異化的服務(wù)去滿足不同餐廳老板的需求,注重對商家的服務(wù),O2O的思維并沒有改造餐飲行業(yè)。
M2M模式下餐飲行業(yè)和M2M平臺之間的關(guān)系應(yīng)該是I型的,這個I型是支撐M2M模式的重要框架,也是由外賣超人創(chuàng)始人兼CEO劉凱先生首次提出。I模型是T模型的衍生和發(fā)展,T模型比較常見于當(dāng)前O2O企業(yè)中,橫為平臺,豎為業(yè)務(wù),而I模型下面多出來的一橫是“商家和服務(wù)”,I模型更注重和商家的合作以及商家的利益,突出對商家的服務(wù)。
餐飲M2M對餐飲行業(yè)的思維改變會是全新的、顛覆的,同時也不會影響餐飲行業(yè)本身價值。真正的餐飲人做的餐廳是有文化與傳承的,重視的是口碑與品牌,載體就是菜品和服務(wù)。M2M模式會保留和重視餐廳文化和價值,而不是以低價、促銷等手段來獲得更多關(guān)注。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟大學(xué)團(tuán)隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。