

MODISTA的特色不在它賣的鞋,而是它賣鞋背後的「陳列架」,它有一個直覺式的「商品瀏覽」系統
,
創立MODISTA的是兩個柏克萊加大電機資訊學系的研究生Arlo Faria與AJ
Shankar,用上了兩個技術,一個是判斷照片相似度的技術,另一個是機器學習(machine
learning)的演算法,靠這兩招,可以聰明的整理出旗下所有的商品的各種細節,然後讓消費者可以一進MODISTA,它直接先給你48雙鞋
,然後,按下去,它又給你另外48雙
和你剛剛點擊的類似的鞋,再點下去,它再給48雙
其它「更類似」的鞋。
這是什麼意思?意思就是,讓線上購物體驗更進一步的接近實體的購物體驗。實體的購物體驗,我們都是先到一個mall,女裝在二樓,男裝在三樓;找到
一家不錯的店面,褲子全部吊在一個架上,上衣全部擺在一個台子上,皮帶也全部掛在同一個桿子上,外套也全都陳列在同一面牆附近……我到了那一區,慢慢的在
這麼多外套中試穿、挑選,慢慢的、慢慢的,知道自己喜愛什麼,也愈來愈窄化最後挑中一個。
妙的是,假設MODISTA做得真的很好,那當你點到第五、六、七、八層以後,就會慢慢發現,好像在實體百貨公司也沒這麼方便!它將實體購物的體驗,又加入了線上才有的尊貴體驗──一個小小的滑鼠點擊,MODISTA潛在的可以不斷的調來48雙新的鞋
,其他地方、甚至其他商店的類似的款式,讓你繼續的永無止境的挑選、挑選、挑選、挑選、挑選……。
而整個流程,都是在一個「視線所達」範圍所可以涵蓋的,MODESTA會偵測你的視窗大小,然後只給「一頁」,能放幾雙鞋就放幾雙,不會太少,也不會超過,從來不需要動到旁邊討厭的scroll bar。譬如我的視窗小,只能塞48雙鞋,視窗拉大一點,我看到96雙鞋毫無任何矯飾的出現在我面前
,一覽無遺。MODISTA是一個選擇的網站,是消費者的簡化機!
MODISTA所暗示的是一個「瀏覽系統」的大變革。目前網路上的缺點就是,你的腦袋不能放鬆,網路是一個「找資料」的地方,買鞋,輕鬆一下,竟也
像在找資料、做報告,點進去找,腦子要記得「來自哪裡」,等一下找不到再退回去,奇怪,我們平常逛百貨公司,從一樓逛到三樓、再逛到五樓,逛到七樓,也沒
有說一定要回到五樓、三樓,才可以再回到一樓啊!就是這點,讓我們逛網站,舒服的是自己的身體,忙碌著自己的大腦;這不是一個「問題」,卻是阻礙我們花更
多錢、更多時間在網路上遊遊逛逛的一個重點。若網路的「瀏覽習慣」可以做出像MODISTA之於買鞋的這種「大轉變」,那現在的網路商機可能會因此硬是擴大了五倍、十倍
。
在經濟不景氣的此時,MODISTA也沒想要怎樣,它直接把這些鞋子,透過Commission Junction
所提供的「夥伴計畫」,直接連到美國最大線上鞋店Zappos
,每買一雙,它就抽一點,先撐一下。接下來,他們將這玩意弄到其他商品,又會很有趣味。
有趣的是,想想,MODISTA的難度並沒這麼高,雖然我們沒有「比圖」的引擎,我們依然可以用「作 弊」的方式,如果,每個商品旁邊都可以下了十個tag左右,用這些標籤來分類,就可以營造出類似MODISTA的效果。想想,現在最紅的購物網站是什麼類型的
?利用tags,把它做成像MODISTA,我想,就算只是挖個牆角,或許也會是一個一個月上千萬台幣的「大牆角」!
分享到:
相关推荐
TAC顶刊报告:'多智能体分布式自适应一致性控制(含纯一致性与leader-follower一致性)'及其Matlab复现代码.pdf
SVPWM仿真与基于DSP28335的PIL(处理器在环)仿真模型验证算法可行性与实时性的实践研究.pdf
VSG仿真、并网与离网运行仿真、预同期并网控制及虚拟同步机逆变器仿真.pdf
SSA-RF与RF神经网络多元回归预测(Matlab 程序及运行指南).pdf
Simulink微网多逆变器下垂控制仿真模型:固定与可调的下垂系数、SVPWM与算法控制的并联运行.pdf
电磁场与电磁波28
SSA-CNN-LSTM时间序列预测(Matlab)_ 麻雀算法优化卷积长短期记忆网络.pdf
C++知识点汇总.md.zip
T型逆变器仿真(SPWM)Matlab 2021a:LCL滤波器下纯阻性负载的五电平波形仿真.pdf
STM32G431 FOC线性磁链观测器无感FOC驱动资料(非VESC、非ST电机库生成,支持直接零速闭环启动及电位器转速控制)”.pdf
STM32F103 SAE CAN开放协议源码(含半年咨询费+中文注释及原理说明).pdf
Java项目springboot基于springboot的课程设计,包含源码+数据库+毕业论文
Simulink导弹制导系统仿真模型文件使用指南及视频讲解.pdf
内容概要:本文深入介绍了Caffe深度学习框架,涵盖其历史背景和发展、安装配置、卷积神经网络(CNN)的基础理论及其实现。具体内容包括CNN各个层级的工作原理、Caffe中的网络模型定义和训练方法、LeNet与AlexNet的实际运用、迁移学习及模型的性能优化等。通过详细的实战操作演示,文章帮助开发者掌握在Caffe上搭建CNN的方法和技术。 适合人群:从事计算机视觉领域的研究人员和工程师,尤其是想要深入了解卷积神经网络和掌握Caffe框架的人群。 使用场景及目标:本文适合作为学习材料用于理解卷积神经网络的概念和工作机制,指导初学者和有经验的开发者如何利用Caffe实现图像识别、目标检测等任务;并且帮助读者掌握模型训练和性能优化的相关技能。 其他说明:文中提供了大量代码片段与实例讲解,方便读者理解和实践;此外还对比了几款主流深度学习框架的优势,辅助决策选用合适的开发工具。
1、文件说明: Centos8操作系统vim-editorconfig-1.1.1-1.el8.rpm以及相关依赖,全打包为一个tar.gz压缩包 2、安装指令: #Step1、解压 tar -zxvf vim-editorconfig-1.1.1-1.el8.tar.gz #Step2、进入解压后的目录,执行安装 sudo rpm -ivh *.rpm
VMD信号分解算法:VMD功率分解与滚动轴承故障检测.pdf
STM32 IAP固件升级程序源代码(串口环形队列接收模式实现固件升级程序).pdf
VSC直流输电仿真案例:两电平结构换流站与双环控制的应用.pdf
STM32高压无感FOC全功能版本:风机控制与独特处理方式.pdf
STM32单片机指纹密码锁仿真:键盘解锁、指纹识别及多功能安全控制程序.pdf