京东白条三道坎:“白条”如何吸金?

去年12月京东白条刚“走露风声”时,就有人说:“妈妈再也不用担心我的肾了”,2月12日京东正式公布内测,自然市场又是一片“交口称赞”之声。

不过依本人浅见,京东要想成功地“打白条”,以下三道坎不得不过。

风险如何控制

京东白条其实是一种针对个人的小额信用贷款,从本质上来说和阿里小贷、或者自己的供应链融资“京保贝”做的是同一件事,都是在原有用户交易记录、行为习惯的大数据的基础上作出信用判断并给出一定的贷款额度,只不过阿里着眼的是卖方,而京东着眼的是买方。

然而毕竟“买卖有别”,卖方之于天猫和淘宝,与买方之于京东的忠诚度是完全不同的,天猫和淘宝的卖家的交易记录未必一定为真(可以刷交易数据),但是卖家不会冒着被清除出平台的大不韪而不归还阿里小贷的贷款,因为对于许多中小店家来说,离开了这两个平台往往就是死路一条,因此阿里小贷的坏账率能够控制在1%以下。

而买家的交易记录虽然相对而言都是“真金白银”,但是对京东忠诚度却不会那么高,尤其是价格为王的网购,买家在贷到款、买完东西后完全可以留下一堆欠账和京东说Byebye。这也是阿里早有风声要做买家的信贷服务,而最终却迟迟未动的原因。

融道网创始人&CEO周汉表示,也许正是考虑到这一点,阿里小贷最高额度可以达到300万元,而京东白条则设置了最高1.5万元的额度,以“小额、分散”来控制风险。

周汉认为,这个做法和P2P很类似,而额度更是与拍拍贷的平均单笔1万元的借款额很接近,拍拍贷这个纯线上P2P的所有信用审核工作都在线上进行,对于借款人采用了分级授信的做法,比如说,对于刚注册的借款人,一开始只给3000元的额度,在“有借有还”没有逾期后,逐步提高授信,而京东无疑也会利用之前的用户交易数据来给予相应的额度,相比拍拍贷从零起步要更加容易。

不过,以京东内测提供50万张白条,每张取1.5万元的中位数0.75万元计,京东在测试阶段将一共授信达37.5亿元,而阿里小贷的注册资本金16亿元加上0.5倍的杠杆也不过24亿元,巧的是,阿里小贷的平均放贷额度也只有7000元左右。不过,京东的这步“险棋”能否有惊无险,最终还是要看它的坏账控制,目前一些P2P平台,个人信用贷款的坏账控制在4-5%,京东的收益能否覆盖风险?

“白条”如何吸金

京东白条发布会上,京东消费金融业务总监许凌表示“京东白条有30天的免息期,目前我们的定价是在每一期的收费是千分之五,也就是0.5%的水平。

”这个费用水平,对于用户来说,与银行目前普遍收取的0.6%的分期费率、与消费金融公司不高于银行基准利率4倍相比还是很有竞争力的,从某种程度上,京东已经开始动了银行的奶酪了。

但是对于京东来说,这个收益水平,就远低于阿里的的18%的年息了,这一方面是因为阿里小贷则是一种经营性质的贷款,也不限于只在天猫或淘宝平台上使用,因此贷款的商户能够借鸡生蛋,自然利率的承受能力也更强。

周汉认为,京东白条则是属于个人消费贷款,而且还有“卖方信贷”的意味,获得的贷款必须在京东上消费,因此京东显然更看中的是消费者获得信用额度后对销量的拉动,预计日后不会排除推出一些只能用白条才能购买的商品;或者一些差钱的客户,由于有了授信而提前为京东贡献的销量;而且一定会有一些客户,因为有了低息的贷款,而把消费转到京东平台上来;如果适当提高坏账率却能够带来销售量的极大增长,那么也不排除京东在这白条业务上“战略性亏损”。

而与此同时,京东小额贷款公司也正走注册流程,白条无疑可以先让用户养成上京东贷款的习惯,为小贷培养潜在用户。

从这一点上来看,京东白条的吸金手段,又要比阿里小贷多一点,而也使京东赴IPO的估值,有了更多想像的空间——这才是京东卡在这个节骨眼上“打白条”的原因。

体验如何提升

京东白条的一大吸引就是借款无须再找银行,也无须再通过其它第三方支付——当然,除了京东旗下的第三方支付——网银在线。

京东早在2012年就收购的第三方支付公司网银在线,但是却将它雪藏了一年多时间,据说是这段时间一直在对它进行技术改造。京东高级副总裁李大学曾经表示,支付体验是重要指标,当用户决定用网上支付,点击后支付成功率是多少很关键,在这个指标未做好前,京东不愿大力推广网银在线,因此京东过去不断在做支付实验。

京东白条的公测,则好比让50万个用户给京东做了免费测试的志愿者,虽然在量级上,比不上微信红包一天吸引了500万用户那么多,但是这50万个用户对于网银在线的接受、绑定和日后的使用,效用却将是长期的。

而且相对于微信红包的仓促上马所导致的无法提现、利息争议问题,京东有更多的时间解决:白条的审核还需要有一定的时间,而只有获得了信用额度,才能够在接下来的消费中进行使用。更何况,京东在之前的“京保贝”业务中,已经进行了“3分钟融资到账”的演练。

京东是否能够迈过这三道坎,一切都还需要观察。



智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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