
6月6日下午南京消息,在2015年紫金之巅互联网高峰论坛现场,途牛旅游网CEO于敦德作为压轴嘉宾出场,他分享了几点服务业借助互联网进行在跨行业发展的看法。主要观点有:第一,利用互联网打通线上与线下是趋势;第二,在O2O领域进行跨行业服务或成竞争优势;第三,未来客单价需进行差异化竞争并形成品牌效应。
途牛CEO于敦德
O2O领域进行三条腿竞争很关键
从产业格局的角度讲,途牛的旅游属于第三产业,而从13年起,中国的第三产业产值达到了26万亿。仅生活服务就占据90%的市场。目前,包括外卖、上门服务、金融、医疗、教育、房产等在内的生活O2O领域都发现相对较快。这一方面和城镇化建设分不开,另一方面,中国的人口基数大,人们对生活的需求是刚需。
而生活与互联网的结合主要有广度和深度两方面。从广度上看,用户基数是关键指标。中国的移动互联网用户达到5亿多,一方面,从途牛自身而言,目前用户数量呈指数级增长,并且所用时间越来越短,这对服务业来说是机会。另一方面,在覆盖范围上,由于经历了跨地域连锁和全国连锁等过程,因此这种线上与线下的不断融合,使得中间过程不断缩短,这对服务业既是机遇也是挑战。
在深度上主要指客单价格水平在互联网上的销售。从目前的情况看,高客单价格的商品越来越常见,并且在互联网上由于价格更透明,地域差异在缩小,所以于敦德表示:互联网“拉平了一、二、三线的差距”,这样就使得“二三线可以享受贴近一线城市的服务。从而促进互联网的发展以及线上线下的融合。”
由于目前的互联网大融合背景,多领域竞争成趋势。并且传统意义上通过集聚效应形成的高毛利在服务行业很难实现。于敦德认为:互联网金融以及产业的结合是非常关键的三条腿竞争。
他表示“拿旅游行业来讲,为什么我们要去做互联网金融,因为现在我们也看到在未来竞争的不仅是互联网+旅游,还需要具备金融的能力,才能够给我们客户提供他所出游需要完整的服务,而不具备这方面的能力,在我们竞争过程中可能会处于劣势,这样的跨领域的结合我们也发现不仅存在领域行业,在房子、车子,一些大件消费方面。互联网金融以及产业的结合是非常关键的三条腿竞争。”
当然,从反向的角度,于敦德提出:通过两个领域或者三个领域的结合,可以使得在不同的领域上实现不同的目标,有的领域是获取客户,有的领域是变现,有的领域是工具。
他认为这种变化不仅对创业者提出了更高的要求,对创业团队的学习能力也是一种挑战。
差异化竞争并形成品牌效应是出路
“我们发现越高客单价的品类对服务和品牌的要求是越高的,客单价越低的话对产品的要求是越高的。”于敦德表示。因为,“生活服务卖旅游产品,它的成本没有到零,尽管毛利可以到零,但通常不是零”。
比如说卖房子,1%的佣金,卖150万元的房子,所有经纪人愿意拿五千元做服务。另外一方面,我们知道获取一个免费产品的用户,它的成本较低,所以完全可以尝试用一下产品,但是买房子的话,找到客户,成本是非常高的,因为他们的货客成本不一样,所以运营方式不一样。
途牛的解决方案是:对高客单价,给用户提供好的服务,对低客单价产品,则尽量降低边际成本。于敦德认为,传统意义上,支撑客单价的发展提升关键是信任人,现在的思路是通过差异化竞争,在避免同质化的同时,进行品牌建设并形成品牌效应,因为“互联网公司的优势在于可以结合线上与线下,打通关键环节并进行更好的融合。”
某种程度上,服务行业的工作就是围绕品牌等资产,进行区域网络建设形成规模效应后,然后不断地完善供应链并进行创新。所以于敦德认为,“领先者要不断地创新,差异化竞争,如果面临同质化的竞争,要毫不犹豫的应对。”
如果要延伸产业链,于敦德认为,服务行业的品牌产业链的时间会被压缩。因为原来从生产者到中间商再到零售商,但在互联网思维下,众多服务型平台可以直接和生产者合作,并建立消费品牌,这是一种从端到端的合作,由于省略了中间环节,因此未来的消费者或许会记住产品和零售两个品牌。
于敦德举例说:比如说用户买电视应该会记住京东,然后还会到到京东买海尔,如果去旅游的话,就会记住途牛。因此他发现,通过将生产商和零售商结合在一起,既可以省略中间环节,还可以为企业创造价值,他预测这可能会成为趋势。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。