近年来,互联网金融日益火热,继阿里金融初试并问世之后,京东、腾讯等互联网企业也陆续进军互联网金融领域。2015年5月8日,58同城正式对外发布58同城金融发展战略。发布会上,58同城CEO姚劲波表示,58金融的出现对58同城整个“生态圈”的平衡和完善起到了至关重要的作用。
58金融将平台生态一线贯通
互联网公司做金融,不仅可以留存付费用户、介入交易、形成交易闭环;还可以形成整个平台的业务闭环。但是,不是所有公司都有资本进军互联网金融,如果本身不具备非常大的平台效应,很难顺利进入金融领域。
2013年10月31日58同城上市,上市18个月,投资并购企业14家,总投资金额约16.66亿美元(包括换股价值);除此之外,在58神奇日当天,58同城又宣布完成了对中华英才网的资产并购。凭借原有汽车、房产、招聘、本地生活等优势业务领域纵向进行垂直拓展,同时基于生活服务新市场空间横向扩展平台边界,借助优质合作伙伴构建泛产业链合作,逐步形成生活服务领域大“生态圈”。
58金融的出现,充分促进58同城生态体系“双重闭环”的形成:首先,通过贷款和理财服务,能够直接介入到用户和商户交易环节,真正实现58同城平台的交易闭环;其次,基于58同城生态体系多远生活服务场景,58金融将在整个平台各生活场景中贯穿始终,形成真正的业务闭环,将整个平台生态体系一线贯通。
平台型互联网公司都怎么做金融?
平台型互联网公司做互联网金融, 首要必须具备的条件除了自己海量用户和庞大的平台效应,就是依靠自己平台的数据体系形成自己的信用体系。
例如,阿里金融微贷根据小微企业在阿里巴巴平台上积累的信用及行为数据,对企业的还款能力及还款意愿进行评估,来控制贷款风险;京东金融主要把购物消费、资产管理、理财投资、信用贷款等业务块贯穿在一起,构建自己的支付生态。
阿里、京东以电商数据为信用体系,腾讯则可以依靠社交数据为信用体系。但在互联网浪潮中电子商务的热潮基于过去后,生活服务无疑将是未来最具潜力的大战场。
基于“过去的金融缺交易,未来的金融缺场景”这样的观点,可以看到58同城恰恰就是一个巨大的场景平台,58金融则完全可以凭借58同城如今在租房、二手房、新房、商铺转让、二手车、新车、装修等平台的具体场景,掌握用户的信用状况,并获知用户贷款的目的,最终把贷款无缝融入到交易场景里。
场景数据为金融提供可靠信用依据
在58同城大生态体系之中,金融服务不仅只是对部分业务覆盖。每一个跟用户、商户生活服务需求直接相关的场景,都可以有58金融的存在。而场景数据则对58金融的信用体系起到至关重要的作用。可以说,场景数据让58金融在整个生态体系的每一个业务模块中,非常流畅、自然地贯穿始终,并且为58金融提供可靠信用依据。
针对场景数据怎样让金融实现更好服务,姚劲波举例说:“58同城可以说是国内最大的租房平台,海量的、百分之八九十的房源信息通过房东或经纪人发布在平台上。在这样一个条件下,我们希望用户租房可以按期付款,可以不用向房东交押金,58金融帮客户交第一个月或者第一个季度房租,客户可以先拿到钥匙,再分期付款。而我们将钱直接付给的服务方,通过场景数据的验证,他可能是与58合作的某个可靠的经纪公司或者一个连续多年在58平台发布租房信息的老房东等等。”
在互联网金融原有电商数据、社交数据、信用卡数据、公开服务数据等征信体系之后,场景数据将作为新的征信体系,更具象的代表用户和商户清晰地告诉你他们的需求,并判断某一场景内资金的流向。随着场景数据进一步完善,金融服务将会发展更好、风险更低。
“我们希望58同城平台上的场景数据,未来不仅向58金融开放,也向整个社会和58同城的合作机构开放,共享这些数据。”姚劲波表示。
好文章,需要你的鼓励
Adobe研究院与UCLA合作开发的Sparse-LaViDa技术通过创新的"稀疏表示"方法,成功将AI图像生成速度提升一倍。该技术巧妙地让AI只处理必要的图像区域,使用特殊"寄存器令牌"管理其余部分,在文本到图像生成、图像编辑和数学推理等任务中实现显著加速,同时完全保持了输出质量。
香港科技大学团队开发出A4-Agent智能系统,无需训练即可让AI理解物品的可操作性。该系统通过"想象-思考-定位"三步法模仿人类认知过程,在多个测试中超越了需要专门训练的传统方法。这项技术为智能机器人发展提供了新思路,使其能够像人类一样举一反三地处理未见过的新物品和任务。
韩国KAIST开发的Vector Prism系统通过多视角观察和统计推理,解决了AI无法理解SVG图形语义结构的难题。该系统能将用户的自然语言描述自动转换为精美的矢量动画,生成的动画文件比传统视频小54倍,在多项评估中超越顶级竞争对手,为数字创意产业带来重大突破。
华为诺亚方舟实验室提出VersatileFFN创新架构,通过模仿人类双重思维模式,设计了宽度和深度两条并行通道,在不增加参数的情况下显著提升大语言模型性能。该方法将单一神经网络分割为虚拟专家并支持循环计算,实现了参数重用和自适应计算分配,为解决AI模型内存成本高、部署难的问题提供了全新思路。