谈谈共享经济

在未上市的所谓互联网牛角兽企业里,估值最高,影响力最大的,大概就是uber和airbnb了,而这几年,基于此的共享经济概念也越发成为投资圈的新宠。


那么,共享经济,到底是不是我们所理解的,美好的未来?


回到分析问题的基本思想,一切脱离应用场景的概念都是耍流氓。我们从具体应用场景来看这个事情。


以uber为代表的共享租车模式,极大挑战传统出租车市场,这个背后的逻辑是,传统出租市场,不论中国,还是其他国家,大多涉及一些与牌照和特许经营有关的垄断资源,所以整体来说,通常,就存在较高的利润率和较差的服务水平。uber之所以能崛起,就在于这个领域,存在太大的利益空间,而利用互联网裹挟民意,倒逼主管机构被迫承认其合法性,将原属于出租公司和寡头的垄断利益挤出来。所以这个模式,危险而又性感。


而airbnb则又不同,虽然宾馆行业也多存在政府监管许可制度,但竞争强度远超出租车行业,所以平均来说,服务水平并不低,利润率也并不是特别的高,但这里的需求在于,旅行者多样化的选择,以及想象空间。


对很多旅行者而言,出行住宿并不仅仅是需要一个睡觉的地方,他们还会有更多的期盼和诉求。千篇一律的连锁酒店缺乏新鲜感和想象力,而背包客文化在西方的旅行者中也早已成为流行。


当然,即便如此,airbnb的发展也并非一帆风顺,开始启动的时候,有相当长时间是没有什么成交和用户的。


我在以往的文章里提过创业项目冷启动的一些概念,单点启动,单边启动,双边启动,多边启动,共享经济属于典型的双边启动,既需要大量的分享提供者,也需要大量的用户,任何一边的规模达不到,这个模式都无法持续,所以对运营能力和用户导入的诉求是非常高的。 这也就是最近几年大量以共享经济为名义的创业项目,但却难得有成功案例的原因。


今天要分享的观点,关于共享经济,可行性的要素。


第一条,是诉求的应用场景

说出来有点老生常谈,不要空想需求,不要无中生有的创造需求,我们在寻找一个共享经济的应用目标时,要看现有应用场景,现有的服务商和服务环境,对现有用户的诉求满足度,以及竞争充分度,这一条是非常重要的前提。


第二条,是运营能力和启动的条件

双边启动,需要大量的服务提供者,和大量的用户,缺任何一边,这个模式都无法持续,因此在用户导入,流量运营上有很高的需求。


几点建议是,首先,摊子不要铺的太大,集中在一个地区,一个领域,确保在预算内实现足够的覆盖度。如果一下子铺开区域和范围,可能每个领域或每个地区都只有很少的服务商,或很少的用户覆盖,这样就没法持续下去。 


其次,启动期最好能掌握一定的启动资源,比如说,在这个领域和这个地区,已经掌握了一些靠谱的服务商或者服务人才,可以随时接单提供服务。这样启动时只需要考虑另一边的覆盖度就可以了,启动难度就会降低很多。


第三条,是信用成本


这可以说是共享经济最大的难题,作为用户,如何相信这些来自业余的,没有经过监管机构授权的服务者?而作为服务者,如果遇到流氓用户,又如何保护自己的权益乃至安全?


airbnb在保护房东权益上还是做了不少工作,包括巨额的损失保险,以及简单的索赔手续,这一点也是很多同行容易忽视的竞争门槛。


前段时间神州租车主打安全的系列广告,虽说很没品,但是确实是打到了对手的痛点上,这也是共享经济所遇到的一个尴尬,当共享经济的创业者成功的倒逼监管部门放开权限出让利益的时候,新的专业服务商过来收割利益了。


我们最初说,共享经济是利用闲置资源,利用互助的精神,来实现资源共享的一种经济模式,但是发展起来一看,新的专业服务商借助共享经济的名义发展起来了。


专车司机取代了兼差司机,而越来越多专业的房东也逐渐占据了airbnb的位置。 我们还记得淘宝么,最开始都是业余小卖家的平台,到后来,对不起,全部给专业卖家让路。


我没有数据,但是我真的很好奇,在airbnb里,专业靠此谋生的房东比例和所占交易的比例是怎样的,以及发展趋势是怎样的。我相信,至少从趋势看,应该是非常快的增长的。


非专业的服务者会带来什么问题呢?也许你会得到超出预期的体验,但也许你会有非常糟糕的经历,你既不知道上限在哪里,也不知道下限在哪里。风险偏好性的用户,年轻人,喜欢尝试新事物的人,愿意去尝试不同的服务体验;但对于本能拒绝风险的人群来说,选择传统品牌的服务商,标准化的服务平台,虽然大家都知道惊喜不到哪里去,但至少会有一些基本的保障。


所以,认为共享式经济会彻底颠覆现有的服务平台和现有的服务标准的观点,我认为是不现实的。后者对风险拒绝人群来说,依然有极大的信任感优势;但必须承认,这种竞争也会带来后者的进步和调整,毕竟用户拥有了新的选择,总不是坏事。


第四条,是社会成本


简单说就是,如果你真的利用了闲置资源,提升了在该领域的社会运营效率,降低该领域的社会运营成本,这个事情就是成立的。


有些创业想法,所谓的需求满足,是以增加社会整体开销,降低社会运营效率为代价的,我个人认为,非常不足取,也很难持续有效发展。


这是我对共享经济的项目的看法和观点,当然,很多人会问一个更具体的问题,怎么看uber和airbnb的发展。


这两家公司的估值都高的吓人,我的理解是,如果按照他们所处领域的市场地位,估值已经遇到了天花板,很难继续提高,uber将面临各种专车服务和本地类似服务商的挑战,比如中国的滴滴专车,神州租车,东南亚的grabtaxi等,而airbnb是无法完全颠覆传统酒店集团市场地位的,所以投资人对未来增长的信心和冲动,来自于他们是否可以拓展新的领域,带来新的市场容量梦想,比如uber介入餐饮和包裹速递,比如airbnb开始试水旅游。


但我认为,新的领域拓展,其实相当难,在现有估值上冒险投资,至少我是没有这个胆量的,当然,就投资决策而言,我看走眼的频率相当高。



最后发个关于自己的广告


很多人都好奇我到底是做什么的,为什么经常写公众号。


其实我有个自己的小公司,做游戏的海外发行,以前我写过东南亚的游戏市场,相信很多朋友都看到过,这个公司目前我操心的事情不多,当然,赚的钱也不多,不过好歹不赔钱,总算是可以吃饭养家。但真的很有限,整个公司的年利润比不上airbnb女神angela zhu的年薪,所以看到她那篇硅谷薪酬的文章特别的伤感。


那么现在的问题呢,纯粹做游戏发行,我们虽然有了一些经验,对一些海外市场有了认识,也在一些小地区市场做到过畅销榜第一第二的位置,但是受制于国内开发商的一些思维习惯和开发架构,我们有一些本地化的想法也很难落实;此外,作为小发行商,而且是小区域的发行商,我们也很难拿到一线的产品,所以基于此,我做如下广告征集。


1、如果您是自由游戏开发者,或者是小的游戏开发室,有产品想发海外,烦请跟我联系。


2、如果您是游戏前端程序员或者游戏策划,或者游戏设计师,想要找新的机会,也请跟我联系,我们团队在厦门,工资水平不能说有多高,不过从我的角度来说,只要能做出赚钱的产品,利益分享的机制一定是给承诺的,股权,分红,这些都可以书面保证。


3、如果您拥有游戏发行的独特资源或者独特的能力,希望与我们合作,也请联系。但这点要额外说明一下,我们只做正规的流量运营,类似刷榜,刷粉,黑卡自充,黑产带量的事情,抱歉,概不合作。


4、联系方式,caozheng#gmail.com ,另外,我自己真的,特别不敬业,所以基本上我都会转相关负责同事处理,请恕我不能一一亲自回复接待,提前抱歉。



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值