同程是我比较尊敬的一家公司,特别是执行力方面值得肯定,发文章骂骂我们也能理解,今年刚刚战略转型门票,现在又再度战略转型出境游,心态比较焦虑、压力比较大。同程的发展伴随着行业的几次转折,作为在线旅游行业的鲶鱼,从它不断的战略转型中,我们也能够看到一些行业发展的脉络。
起家旅行社在线管理平台
同程早期主要面向旅行社提供软件服务,并不直接接触客户,为旅行社提供信息化方案,提升管理效率,旅行社客户也很放心的把客户资料放在同程的服务器上,直到同程战略转型进入ToC市场。这一阶段消费者还没有开始在互联网上购买旅游产品,同程选择了服务比较成熟的企业市场,途牛选择了没有人关注的大众休闲旅游。
战略转型酒店机票
2008年同程战略转型,进入ToC市场,提供酒店服务,后来又进入机票领域。同程选择了比较火、比较成熟的酒店机票,途牛继续折腾起步晚、不起眼的在线休闲旅游。
在线机票、酒店领域从1999年就开始发展,到2008年的时候已经发展相对成熟,有携程、艺龙两家上市公司和Qunar准上市公司,行业发展总体良行竞争、快速平稳发展,同程进入后行业很快进入到了恶性竞争阶段。同程被如家等酒店集团拒绝合作,后来与艺龙战略合作然后爽约,退出了酒店、机票领域的主战场。
战略转型门票
一般的公司碰到这么大的挫折就挂了,但是同程凭借着超强的执行力和忍耐力活了下来,再度战略转型门票。门票火起来的过程和团购同步,因为它们的客单价类似,发展水平类似,近几年正是发展的高峰时期。同程又一次选择了发展阶段比较成熟的品类,用大半年的时间投入大量资金发展一元门票,再次取得不错的成绩;与此同时,继续专注休闲旅游的途牛上市了。
门票和休闲游是两码事,在门票业务上,同程的主要竞争对手是美团。门票均价在100块左右,与团购、电影票、外卖的客单价水平几乎在一个水平上,而且都是服务类领域。从频率上来讲,门票的消费频率要远远低过团购、电影票、外卖。现在美团的重点还没有发力门票,但是一旦哪天发力,相似的客户群,相似的客单价,同程将会面临巨大的压力。
这一点我们能看的到,同程的管理层也慢慢看到了:要转型,在门票业务上做了巨大投入,无法割舍;不转型,未来面临美团的巨大挑战,出路在哪里?目前看下来,同程管理层决定再次转型,进入出境游领域,毕竟从品类上来看,都属于旅游行业,还有更重要的一点,休闲旅游很火!途牛上市了!
战略转型出境游
我们的世界观是:客单价划分行业,客单价差距越大的品类客户相互转化率越低,品类拓展应该向类似客单价品类横向拓展。同程的逻辑是:把100块客单价的门票的客户转化到10000块客单价的出境游上面。但实际上从我们内部的数据上能够非常清晰的看的出来,门票的客户群与出境游的客户群重叠程度较低,更不用说一元门票。所以大量的门票客户并不能转化到出境游,要是能转化的话同程也不用这么着急了,但是为了融钱故事还是要讲的。
分散的库存风险管理是未来
库存的管理我认为未来一定的分散的,而不是集中的,因为集中的库存一定无法管理好这个风险,只有充分分散的管理,每个团队都如履薄冰的对待库存,才有可能把库存的价值最大化,风险最小化。所以我们不会有太重的库存,而是通过与合作伙伴合作,而我们专注零售。同程选择的道路是自产自销,自己控制大量的资源,并且进入分销批发市场,与批发商直接竞争,这也是被很多批发商抵制的原因。
我们欢迎行业开放的竞争,任何一个零售商进入、退出我们都非常欢迎,但这次实在是不忍心看到合作伙伴再次遭遇风险,同程的转型历来都是一阵风,万一过两天又变了前期投入就白白浪费了,历史上的合作案例值得借鉴。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。