同程是我比較尊敬的一家公司,特別是執(zhí)行力方面值得肯定,發(fā)文章罵罵我們也能理解,今年剛剛戰(zhàn)略轉型門票,現(xiàn)在又再度戰(zhàn)略轉型出境游,心態(tài)比較焦慮、壓力比較大。同程的發(fā)展伴隨著行業(yè)的幾次轉折,作為在線旅游行業(yè)的鯰魚,從它不斷的戰(zhàn)略轉型中,我們也能夠看到一些行業(yè)發(fā)展的脈絡。
起家旅行社在線管理平臺
同程早期主要面向旅行社提供軟件服務,并不直接接觸客戶,為旅行社提供信息化方案,提升管理效率,旅行社客戶也很放心的把客戶資料放在同程的服務器上,直到同程戰(zhàn)略轉型進入ToC市場。這一階段消費者還沒有開始在互聯(lián)網(wǎng)上購買旅游產(chǎn)品,同程選擇了服務比較成熟的企業(yè)市場,途牛選擇了沒有人關注的大眾休閑旅游。
戰(zhàn)略轉型酒店機票
2008年同程戰(zhàn)略轉型,進入ToC市場,提供酒店服務,后來又進入機票領域。同程選擇了比較火、比較成熟的酒店機票,途牛繼續(xù)折騰起步晚、不起眼的在線休閑旅游。
在線機票、酒店領域從1999年就開始發(fā)展,到2008年的時候已經(jīng)發(fā)展相對成熟,有攜程、藝龍兩家上市公司和Qunar準上市公司,行業(yè)發(fā)展總體良行競爭、快速平穩(wěn)發(fā)展,同程進入后行業(yè)很快進入到了惡性競爭階段。同程被如家等酒店集團拒絕合作,后來與藝龍戰(zhàn)略合作然后爽約,退出了酒店、機票領域的主戰(zhàn)場。
戰(zhàn)略轉型門票
一般的公司碰到這么大的挫折就掛了,但是同程憑借著超強的執(zhí)行力和忍耐力活了下來,再度戰(zhàn)略轉型門票。門票火起來的過程和團購同步,因為它們的客單價類似,發(fā)展水平類似,近幾年正是發(fā)展的高峰時期。同程又一次選擇了發(fā)展階段比較成熟的品類,用大半年的時間投入大量資金發(fā)展一元門票,再次取得不錯的成績;與此同時,繼續(xù)專注休閑旅游的途牛上市了。
門票和休閑游是兩碼事,在門票業(yè)務上,同程的主要競爭對手是美團。門票均價在100塊左右,與團購、電影票、外賣的客單價水平幾乎在一個水平上,而且都是服務類領域。從頻率上來講,門票的消費頻率要遠遠低過團購、電影票、外賣。現(xiàn)在美團的重點還沒有發(fā)力門票,但是一旦哪天發(fā)力,相似的客戶群,相似的客單價,同程將會面臨巨大的壓力。
這一點我們能看的到,同程的管理層也慢慢看到了:要轉型,在門票業(yè)務上做了巨大投入,無法割舍;不轉型,未來面臨美團的巨大挑戰(zhàn),出路在哪里?目前看下來,同程管理層決定再次轉型,進入出境游領域,畢竟從品類上來看,都屬于旅游行業(yè),還有更重要的一點,休閑旅游很火!途牛上市了!
戰(zhàn)略轉型出境游
我們的世界觀是:客單價劃分行業(yè),客單價差距越大的品類客戶相互轉化率越低,品類拓展應該向類似客單價品類橫向拓展。同程的邏輯是:把100塊客單價的門票的客戶轉化到10000塊客單價的出境游上面。但實際上從我們內(nèi)部的數(shù)據(jù)上能夠非常清晰的看的出來,門票的客戶群與出境游的客戶群重疊程度較低,更不用說一元門票。所以大量的門票客戶并不能轉化到出境游,要是能轉化的話同程也不用這么著急了,但是為了融錢故事還是要講的。
分散的庫存風險管理是未來
庫存的管理我認為未來一定的分散的,而不是集中的,因為集中的庫存一定無法管理好這個風險,只有充分分散的管理,每個團隊都如履薄冰的對待庫存,才有可能把庫存的價值最大化,風險最小化。所以我們不會有太重的庫存,而是通過與合作伙伴合作,而我們專注零售。同程選擇的道路是自產(chǎn)自銷,自己控制大量的資源,并且進入分銷批發(fā)市場,與批發(fā)商直接競爭,這也是被很多批發(fā)商抵制的原因。
我們歡迎行業(yè)開放的競爭,任何一個零售商進入、退出我們都非常歡迎,但這次實在是不忍心看到合作伙伴再次遭遇風險,同程的轉型歷來都是一陣風,萬一過兩天又變了前期投入就白白浪費了,歷史上的合作案例值得借鑒。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(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,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓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等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速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練效率,已在多個任務上驗證有效性。