收购无他相机后,天鸽互动已呈现更大的投资价值

  刚过2018,互联网行业就屡屡爆出巨额收购案,前有陌陌收购探探、今日头条收购Faceu、天鸽互动收购无他相机,后有阿里收购饿了么、美团收购摩拜。表面上看,这些收购案分属不同的领域,但实际上,他们都有一个共性------基于流量和用户等重要指标分析,被收购对象均属于相关领域的领头羊或独角兽。




  以天鸽互动收购无他相机为例,在上述案例中,这起收购耗资最少,只有3亿人民币左右,但无他相机的用户量、下载量却在摄影类APP中排第二。在这种情况下,无他相机将在流量、用户等层面反哺天鸽互动。对比目前天鸽互动的股价、市值来说,其潜力也毋庸置疑。换言之,这是一场非常划算的交易,收购无他相机后天鸽互动已呈现更大的投资价值,在单一直播概念上升级为“直播+相机”。

   一,从横向与纵向看无他相机的价值

  一场收购案是否合理,需要从横向和纵向两个维度来进行分析。横向,就是在用户量、产品竞争力方面与竞品对比,得出正常估值的水平。纵向,就是看这款产品从诞生至今发展状况如何,能否保持高增长,是否已触及行业的天花板。那么在这两个维度上,无他相机到底如何?

  据最新数据,截止2018年3月,无他相机的月度活跃用户数量为2200万,美图公司月度活跃用户约为4.55亿,市值约300亿元人民币。如果以美图公司单个活跃用户65.67元人民币的价值作为参考标准,无他相机的估值应该达到14.45亿元人民币。当然,一般情况下,排名靠前的产品估值更有优势,而即便打个折扣,无他相机估值在10亿人民币以上应该是没太大问题的。更何况,有信息显示无他相机已建立有效的盈利模式,财务状况健康,相反,美图公司去年还亏了一些钱。




  横向对比,无他相机的价值已充分体现出来,那么纵向呢?一个需要注意的问题是,这2200万的月活用户是在没有推广的前提下获得的,充分证明其产品力的强大,同时,无他相机近三个月占据App Store 摄影榜前5,并一直位列总榜前50,口碑极好。因此纵向上看,无他相机不仅发展势头良好,在其所属的细分领域的地位也不容忽视。

   二,收购无他相机不只是一场交易那么简单

  对天鸽互动来说,收购无他相机显然算得上一场划算的交易,但另一方面,天鸽互动又有更深入的战略和计划,相关问题显然不只是交易那么简单。

  首先,无他相机将为天鸽互动带来更大的流量红利。近年来,几乎所有的APP都围绕流量进行布局,在达到一定规模后再寻求变现之法,形成健康、稳定的商业模式。无他相机也不例外,被收购之后,与天鸽互动相关业务的整合将加快,反映在数据上,春节期间,无他相机活跃用户达到了1223万,增长64%。由此看来,并购后无他相机达到了立竿见影的增长,在争夺流量红利这方面必将拥有更大的优势。

  其次,在产品这块,无他相机强调拍好不用P,美得更真实。面对现如今各类配备强大美颜、滤镜功能的产品而言,可谓是一股清流,这种产品定位也获得了市场的认可。被收购后,天鸽互动将对视频技术、图像技术进行深度整合,在拍照、直播等层面推动用户体验大幅提升,打造独一无二的产品优势。




  第三,天鸽互动对标的是今日头条,即通过产品矩阵化“平台+社交+流量+变现+技术”的思路来运营,做大流量APP,未来或推出如无他头条、类探探的社交产品,以及类抖音的短视频,形成“内容+社交”的矩阵。天鸽互动的产品理念是“轻量级、高DAU”,用较少的钱办更多的事情,如今,无他相机已经创造了一个良好的开始,未来这种模式必将持续深化。据相关人士透露,目前已有大公司在与其洽谈无他短视频的合作。

   三,海外市场将提供全新的增长引擎

  与诸多竞争对手所不同的是,天鸽互动很早就在开辟海外市场。从目前的数据来看,天鸽互动来自海外的单月流水超过2000万元人民币,已经小有成就。据此估计,海外市场将是天鸽互动今年的战略重点。




  一方面,天鸽互动将加快在东南亚和港澳台的布局,继续拓宽市场版图;另一方面,由于海外业务尚处于蓝海,所以天鸽互动预计今年海外增长会占到较大比重,而且不止在直播这一领域。

  从上述分析我们不难看出,无论是产品层面、流量层面、用户层面、市场层面,天鸽互动都在朝更好的方向发展,对无他相机的收购、对海外市场的布局意味着天鸽互动将以更积极的姿态应对行业变局。当然,部分价值尚未反映在其股价、市值上。




  此前中银国际曾给出投资建议,无他相机DAU的高速增长将为天鸽的直播、泛娱乐等板块导入优质流量,对天鸽的经营业绩产生积极影响;以无他相机春节期间DAU判断,对比今日头条收购Faceu的3亿美元估值,天鸽收购无他相机的布局无疑是成功的。随着天鸽的生态构建和产品流量战略融合的深入,其具备优势的变现能力有望再次凸显。建议重点关注。(文/王易见 QQ:543415188,微信:543415188)   
    

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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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。
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