關(guān)于互聯(lián)網(wǎng)平臺問題的熱搜已經(jīng)持續(xù)有一段時間,本周明星則非「美團(tuán)」莫屬。
一位剛注冊了VIP會員的美團(tuán)用戶發(fā)現(xiàn),自己成了VIP之后,不但沒有享受到什么福利,反而運(yùn)費(fèi)啥的都漲價了,VIP的待遇還不如小白。
當(dāng)然,后來美團(tuán)說,這不是我們在套路用戶,而是用戶的手機(jī)緩存定位問題。
但無論美團(tuán)說什么,相信都不會改變業(yè)界已經(jīng)建立的認(rèn)知,那就是——互聯(lián)網(wǎng)平臺確實很會殺熟。
這其實倒讓我想到「傳統(tǒng)商業(yè)」和「互聯(lián)網(wǎng)商業(yè)」的本質(zhì)問題。
在傳統(tǒng)商業(yè)中,消費(fèi)者的名字叫顧客。對于顧客,傳統(tǒng)商業(yè)最喜歡講的只有兩句話,叫“顧客就是上帝”,或者“顧客永遠(yuǎn)是對的”。
互聯(lián)網(wǎng)平臺沒有顧客這個說法,只有用戶。但是對于用戶,互聯(lián)網(wǎng)平臺一般不講“是上帝”或“永遠(yuǎn)是對的”那一套。它們最喜歡說的話叫“用戶增長”,或者“用戶留存”,再或者“用戶拉新”。
當(dāng)然,我做這個對比,不是說傳統(tǒng)商業(yè)哪哪都好。否則,中關(guān)村電腦賣場也不會那么快倒閉了,線下宰客也不見得比線上少。
不過其中區(qū)別在于,線下宰客的店,往往都是小店,或者黑店,秉承的規(guī)則是宰到誰算誰,你很少聽說哪個線下大店以宰客著稱。
但與互聯(lián)網(wǎng)平臺對比就不同了,小店不具備長期宰客的資格,往往是大平臺才經(jīng)常搞出這種殺熟的新聞出來。
這說到底就是「傳統(tǒng)商業(yè)」和「互聯(lián)網(wǎng)商業(yè)」的業(yè)務(wù)區(qū)別了。
傳統(tǒng)商業(yè)講究做社區(qū)熟客生意,回頭客越多,營銷成本越低。生意做得久了,商家和社區(qū)居民還能做出感情來。
同時,在沒有資本介入的時期,傳統(tǒng)商業(yè)的擴(kuò)張欲望較低,你家樓下的小賣部,如果能持續(xù)開上五年,你會發(fā)現(xiàn)它的規(guī)模會一直這么“小賣部”。
即使是沃爾瑪和家樂福商超時期,它們的擴(kuò)張往往是地域間的橫向擴(kuò)張,而不是垂直一體化擴(kuò)張,一個超市的營業(yè)面積不會總變化。
但是互聯(lián)網(wǎng)平臺講究的是持續(xù)擴(kuò)張,停止增長是絕對不可能的。它同意,背后的資本也不同意。
所以互聯(lián)網(wǎng)平臺雖然怕用戶流失,但是最避諱的就是一直做熟客生意,沒有用戶能拉新了還了得,用戶增長停止就意味著死亡的開始。
對于資本主導(dǎo)的互聯(lián)網(wǎng)來說,現(xiàn)在的問題就在于,當(dāng)互聯(lián)網(wǎng)已經(jīng)成為主流商業(yè)入口之后,當(dāng)十億國民都成了網(wǎng)民之后,地主家也沒有新流量了。而沒有新的流量,就意味著增長的停止。
對平臺來說,選擇就很簡單了。一方面沒有用戶可以拉新,一方面增長的資本壓力不停,那剩下的唯一方法就是對老用戶下手了——讓熟客花更多的錢就是大數(shù)據(jù)殺熟的理論基礎(chǔ)。
本質(zhì)上,美團(tuán)殺熟,和“視頻網(wǎng)站充了VIP還要再充值才能解鎖提前看三集”是一個道理,都是資本壓力的體現(xiàn)。
平臺殺熟不講武德,因為它們遵循的是資本擴(kuò)張之道。
傳統(tǒng)商業(yè)“顧客是上帝”那一套“舊商道”,伴隨傳統(tǒng)商業(yè)的死亡,過時了。而互聯(lián)網(wǎng)統(tǒng)一認(rèn)可的“新商道”,目前還沒看到。
作者 | 高飛
編輯 | 晚晚
配圖 | www_slon_pics
來源 | 奇客故事(cybergushi)
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(jì)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(jī)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(jī)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(qiáng)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(qiáng)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(jī)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。