360防丢卫士会重蹈智键的覆辙吗?

简介:

 

360防丢卫士会重蹈智键的覆辙吗?

关于蓝牙防丢器,我们已经讨论得足够多了。尤其在2013年,同类产品层出不穷,仿佛大家一时找到了通往未来的风口。但一年多的时间过去了,这个市场并没有像人们预期的那样全面推广开来。360此时推出“防丢卫士”,难道蓝牙防丢器的春天就要来了吗?

这样一类产品,的确是有存在的必要。因为我们经常会有找不到东西的情况发生。就在昨天,宅客君(微信公众号:letshome)还在为找不到钥匙而抓狂,最后发现是被夹在一本书里,要不是晚上回去翻了一下书,怕是如何也找不到了。

需求是存在的,但解决方法并没有那样尽如人意。一方面是被割裂的蓝牙4.0,主要是Android手机蓝牙4.0普及率不高,而且标准不统一,需要做大量兼容适配工作;另外一方面,这种依靠接收蓝牙信号的强弱来判定相隔距离的做法受干扰因素很多,很容易出现误报或者不报的情况。比如,你用防丢器绑定了一个钥匙,回家后就放在桌子上,很有可能你去一趟洗手间,手机就会发出警报。类似这样糟糕的体验只会让用户越来越感觉到厌烦。

360为什么要做防丢卫士

防丢卫士的负责人张章告诉宅客君,一是看到用户有这个需求,另外他们预计在接下来半年到一年的时间里,蓝牙4.0的普及将有实质性的突破。“但又不能等到时机完全成熟以后再去做”,因为硬件产品的更新迭代会有一个比较长的周期。

团队十几个人都是第一次做硬件产品,从设计到最终量产这中间经历了各种各样的“坑”。而且很多问题事先无法预料,只能等到模具做出来以后才会发现。比如,产品的结构容易影响到信号,比如薄厚程度会影响实际的观感等,一环一环的流程下来,有时候只能全部推倒重来。

即便如此,张章认为,他们的进度还是很快的,从5月份真正开始做这个产品,到7月中旬内测,不到三个月的时间。内测期间,他们招募了360个用户,从内测到正式销售中间也仅隔了几周的时间,内测期间“主要是为了验证市场,看用户对这类产品的认识程度怎么样,以及有哪些使用上的障碍”。但是产品上基本没有什么改进(要想改进也要等几个月后的下一版)。

培育用户仍是个难题

不知道我们会有多少次找不到某个东西的情况出现,每到这个时候,我们就会想,要是能给它打个电话问它躲在哪里就好了。所以,蓝牙防丢器的使用场景肯定是有的,关键是,如何让更大范围的用户接受它。

在这之前,已经有那么多家公司在培育市场了,但它仍是一个小众产品。除了等待蓝牙4.0标准的普及之外,360还能做什么?

实际上,让用户打开蓝牙这个功能就是一个很大的门槛,需要整个行业一起来努力。具体地说,就是给用户一个可解决实际问题的产品。为适应更多的场景需求,防丢卫士被设计成小巧的圆形,再加上附赠的挂件,可以用于钥匙、公交卡、遥控器、钱包等常用物品。

在初期用户场景需求不明的情况下,做一款通用的标准版也是一种很稳妥的策略,张章说道,以后可能会推出专用于宠物等特定场景的版本。

除此之外,防丢卫士还有一个远大的规划:搭建一个寻物的公益平台。通过拥有4到5亿装机量的360手机卫士激活更多的蓝牙热点,然后提供互助查找的功能。如果你丢了东西,可以将它标记为“丢失”,如果有人感知到设备的存在,系统将会把物品的地址发送给你。

这当然是个很好的概念,而且已经有其他团队在做了。但要想真正达到实质的效果,还得等到用户数量达到一定规模才行,否则,那就只能停留在概念阶段。

360防丢卫士会重蹈智键的覆辙吗?

产品体验不好一切免谈

目前,防丢卫士还仅提供Android客户端的下载,iOS版本暂未推出。是不是很奇怪?在苹果手机基本全部支持蓝牙4.0的情况下,居然不优先支持苹果用户。张章解释道,这是因为苹果系统应用审核机制的问题,他们需要把硬件寄过去给苹果方面做测试,“不过也快了”。

事实上,一定会有用户没留意到它支持什么机型,而一旦买回去发现用不了就开始吐槽。宅客君此前经常在其它产品的评论页面看到这种情况,这是短期内无法避免的。另外,其他同类产品曾遇到的信号连接问题,防丢卫士也同样会遇到。张章表示,他们也会引入场景模式,以减少误报的次数,但他们考虑到用户的接受程度,初期并不会引导用户去设置这些场景,还有一个过程。

宅客君翻看了这款产品的论坛,发现很多的内测用户都写了详细的体验报告。有几个用户都指出了蓝牙连接不顺畅、警报声音过小、定位不够精确的问题。这其中有的属于行业性难题,有的则是考虑不周所致,还得更新迭代,只能通过下一个硬件版本的改进才能逐渐完善。

低价推广,行业“蝗虫”?

防丢卫士售价29.9元,符合条件的360会员用户只要24.9元。跟市面上已有的90块钱起价的产品相比,自是便宜了不少。这当然是360一贯推行的策略,宅客君首先想到的是会否打压在这领域长期耕耘的创业团队。

张章表达了他的看法:这个市场还远没有被拓展开来,如果360通过低价的方式“把用户群做多几十倍几百倍”,让用户养成了打开蓝牙的习惯,那今后一定会有更多的应用场景出现,会有更多的可能,会产生更大的实际价值。首先打出免费旗号的360杀毒软件就是个很好的例子。

实际上,360公司一直在谋求在智能硬件领域的突破,但是几次尝试都没能如愿。本次借势切入蓝牙防丢器领域,他们自己对销量也没有一个预期,还得看市场的反馈。即将销售的第一批也只有不到10万台,而且需要分批次供货。

整个行业的现状基本是很萧条的景象,国内外都有很多家创业公司在做,通过众筹平台或者自家网站小批量的销售。蓝牙的低功耗特性有着很多的应用空间,人们对于防丢设备也很有需求,但至少在现今看来,这或许不是完美的解决方案。正如智键这类产品,能解决一部分需求,却又无法全面应用,大部分情况下只能沦为鸡肋。

 
 
 
  本文作者: 白腾飞

本文转自雷锋网禁止二次转载, 原文链接
目录
相关文章
|
JavaScript 前端开发 API
uniapp的优势与劣势
uniapp的优势与劣势
608 1
|
9月前
|
人工智能 搜索推荐 量子技术
AI联网搜索时的prompt小技巧
本文详细介绍了如何利用AI工具,特别是那些具有深度联网搜索能力的大模型,来提高信息检索的效率和准确性。
AI联网搜索时的prompt小技巧
|
12月前
|
机器学习/深度学习 分布式计算 数据挖掘
MaxFrame 性能评测:阿里云MaxCompute上的分布式Pandas引擎
MaxFrame是一款兼容Pandas API的分布式数据分析工具,基于MaxCompute平台,极大提升了大规模数据处理效率。其核心优势在于结合了Pandas的易用性和MaxCompute的分布式计算能力,无需学习新编程模型即可处理海量数据。性能测试显示,在涉及`groupby`和`merge`等复杂操作时,MaxFrame相比本地Pandas有显著性能提升,最高可达9倍。适用于大规模数据分析、数据清洗、预处理及机器学习特征工程等场景。尽管存在网络延迟和资源消耗等问题,MaxFrame仍是处理TB级甚至PB级数据的理想选择。
256 6
|
9月前
|
算法 关系型数据库 测试技术
WHQL微软驱动签名方案,让驱动程序在Windows系统流畅运行
WHQL认证(Windows徽标认证)是微软设立的严格测试标准,旨在确保驱动程序的兼容性、稳定性和互通性。本文介绍了三种WHQL微软驱动签名方案:单系统签名、多系统签名和硬件兼容性测试方案,分别满足不同开发商的需求。通过WHQL认证,不仅能消除Windows安装警告,提升用户体验,还能获得“Designed for Windows”徽标授权,入列全球Windows Catalog及HCL产品表,提升品牌权威性和采购优先权。此外,访问微软OCA可获取错误反馈,助力产品质量改进。选择合适的签名方案,让驱动在Windows系统中流畅运行!
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
1180 4
数据分析的 10 个最佳 Python 库
|
12月前
|
消息中间件 Kafka 应用服务中间件
仙讯畅通无阻:探索MQ阵法的强大功能
MQ(消息队列)起源于1993年IBM推出的MQSeries,后更名为WebSphere MQ和IBM MQ。常见的MQ系统包括:IBM MQ、Apache ActiveMQ、RabbitMQ、Apache Kafka、RocketMQ和Amazon SQS。这些系统广泛应用于异步通信、系统解耦和削峰填谷等场景,确保消息的可靠传递。在修真界,MQ阵法如同神秘的传信工具,能在仙人修炼时安全传递重要信息,保障仙讯畅通无阻。
210 4
|
算法 计算机视觉 索引
【OpenCV图像处理12】特征检测与匹配(下)
【OpenCV图像处理12】特征检测与匹配(下)
502 0
|
监控 Linux Shell
rsync + inotify 实现文件实时双向自动同步
随着应用系统规模的不断扩大,对数据的安全性和可靠性也提出更好的要求,rsync 在高端业务系统中也逐渐暴露出了很多不足。
2357 0
|
Linux 数据库
在Linux中,什么是冷备份和热备份?
在Linux中,什么是冷备份和热备份?
|
机器学习/深度学习 存储 算法
【强化学习】常用算法之一 “Q-learning”
Q-learning算法是一种基于强化学习的无模型学习方法,通过学习到目标系统的Q值函数来解决智能体在给定环境下的最优决策策略问题。Q-learning算法是基于后验策略方法,即学习出目标系统的价值函数Q之后,通过使用某种策略来最大化该价值函数,称之为后验策略。Q-learning算法是偏差-方差权衡的算法,在偏差较高的情况下可以在基于模型的强化学习中找到一个接近最优策略的解决方案。同时它也具有较高的收敛速度和广泛的适用性,因为其只需要存储一个值函数,不需要存储模型。
1292 0
【强化学习】常用算法之一 “Q-learning”