
北京时间5月13日早间消息,人人公司(NYSE:RENN)今日公布了截至3月31日的2015财年第一季度财务报告。报告显示,人人公司第一季度总净营收为1370万美元,比去年同期下滑41.1%;归属于人人公司的净亏损为2760万美元,相比之下去年同期归属于人人公司的净利润为3230万美元。
主要业绩:
-人人公司第一季度总净营收为1370万美元,比去年同期下滑41.1%;
-人人公司第一季度净营收为820万美元,比去年同期下滑22.9%;
-人人公司第一季度游戏净营收为550万美元,比去年同期下滑56.5%;
-人人公司第一季度毛利润为320万美元,比去年同期下滑72.9%;
-人人公司第一季度运营亏损为2650万美元,去年同期运营亏损为2390万美元;
-第一季度归属于人人公司的净亏损为2760万美元,相比之下去年同期归属于人人公司的净利润为3230万美元;
-人人公司第一季度调整后净亏损(不按照美国通用会计准则)为2140万美元,去年同期调整后净利润为3610万美元。
财务分析:
人人公司第一季度总净营收为1370万美元,比去年同期下滑41.1%。
人人公司第一季度净营收为820万美元,比去年同期下滑22.9%。在人人公司的第一季度净营收中,在线广告营收为230万美元,比去年同期下滑62.9%,主要由于竞争压力加大,以及流量继续从PC平台向移动平台过渡。人人公司第一季度互联网增值服务(IVAS)营收为
590万美元,比去年同期增长35.0%,主要由于来自社交视频平台我秀的营收增长。2015年3月,月度独立登录用户人数约为4600万人,少于2014年3月的约5100万人。
人人公司第一季度游戏净营收为550万美元,比去年同期下滑56.5%。人人公司游戏净营收的下滑,主要由于此前发布的游戏达到了成熟阶段。
人人公司第一季度营收成本为1050万美元,比去年同期下滑8.9%。
人人公司第一季度运营支出为2970万美元,比去年同期下滑16.6%。
人人公司第一季度销售和营销支出为790万美元,比去年同期下滑18.8%。人人公司销售和营销支出的下滑,主要由于在线游戏和人人品牌宣传活动相关的广告和促销支出减少。
人人公司第一季度研发支出为890万美元,比去年同期下滑40.6%。人人公司研发支出的减少,主要由于员工人数的减少以及人员相关支出的减少。
人人公司第一季度总务和行政支出为1290万美元,比去年同期增长19.3%。人人公司总务和行政支出的增长,主要由于股权奖励支出增长。
人人公司第一季度股权奖励支出为620万美元,高于去年同期的340万美元。人人公司的股权奖励支出全部都包括在运营支出中。
人人公司第一季度运营亏损为2650万美元,去年同期运营亏损为2390万美元。
人人公司第一季度已实现短期投资收益为110万美元,相比之下去年同期为2710万美元。人人公司第一季度的这项收入主要来自于衍生金融工具按市值计价的价值变动。
第一季度归属于人人公司的净亏损为2760万美元,相比之下去年同期归属于人人公司的净利润为3230万美元。人人公司在2014年第一季度业绩中计入了5710万美元的处置权益法投资收入。
人人公司第一季度调整后净亏损(不按照美国通用会计准则)为2140万美元,去年同期调整后净利润为3610万美元。
截至2015年5月12日,人人公司根据当前的股票回购计划回购了约1590万股美国存托凭证,回购总对价约为4900万美元。当前的股票回购计划将于2015年6月27日到期。
业绩展望
人人公司预计2015第二季度营收将在1500万美元至1700万美元之间,较去年同期下滑25.8%至34.5%。这一预期反映了人人公司的当前和初步观点,不排除调整变化的可能。
电话会议信息
财报发布后,人人公司管理层将于美国东部时间2015年5月12日晚上9:00(北京时间5月13日早9点)召开分析师电话会议,解读财报要点,回答分析师提问。
电话会议收听号码如下:
美国:+1 845-675-0437;
香港:+852-3018-6771;
中国:+86 800-819-0121;
国际:+ 65-6723-9381
密码为Renren。
电话会议结束后,用户可在约一周后收听录音,号码如下:
国际:+ 61 2-8199-0299
密码为41604347
用户也可访问人人公司投资者关系网站http://ir.renren-inc.com,收听电话会议在线直播。
好文章,需要你的鼓励
这项联合研究发现,将Muon优化器应用于强化学习智能体训练时,搭配合适的步骤级信用分配机制,可使任务成功率提升88%,揭示了优化器与评分机制需协同设计的新方向。
本文介绍了CPO方法,通过让AI将自身回答与参考答案对比,在词级别识别推理对错,从而提供比熵更精准的强化学习训练信号,数学推理性能提升高达8.5%。
RAGU是一个多步骤知识图谱增强生成系统,配套7B参数的Meno-Lite-0.1模型,通过两段式抽取和去重整合构建高质量知识图谱,在综合推理任务上超越HippoRAG 2,成本仅为商业API的百分之一。