跟谁学盈利神话已破,烧钱大战没有赢家

332 篇文章 0 订阅

在这里插入图片描述

配图来自Canva可画

疫情催化了在线教育行业的发展,在持续爆火一年后,2021年在线教育依然保持着活力。不但猿辅导、作业帮等独角兽企业相继跑出,也有一起教育等平台成功踏入资本市场。而新品牌的加入,无疑给老牌企业带来一些冲击,比如近来颇受争议的跟谁学。

自从跟谁学赴美上市以来,其运营模式和投资潜力一直饱受美国资本市场诟病,并遭到了多家做空机构的围攻,对此跟谁学一直表示自己有信心可以应对这些不良指控。而时隔一年后,跟谁学终于打消质疑,沉冤得雪。

3月2日早间,跟谁学发布公告称,公司的内部独立调查已基本结束,没有发现对公司历史财务报表有重大不利影响的证据。就在公告发布后不久,跟谁学也公布了2020财年第四季度及2020财年全年未经审计财务报告,为其跌宕的2020年“结课”。

营收增长,喜忧参半

根据财报显示,2020年全年,跟谁学总收入为71.3亿元,同比增长236.9%;第四季度总收入为22.1亿元,同比增长136.5%。其中,高途课堂为整体营收做出的贡献尤为突出。

2020年第四季度,跟谁学将K12业务、成人业务、少儿教育业务三大板块进行品牌整合,将旗下所有K12业务集中到高途课堂品牌。换言之,2020财年第四季度财报是跟谁学将K12业务全部合并至“高途课堂”后的首季成绩单。

从财报来看,第四季度跟谁学K12在线课程收入为19.75亿元,同比增长155.6%;而2020年全年跟谁学K12在线课程收入为62.37亿元,同比增长265.5%。

不难看出,跟谁学将资源整合的确带来的一些好处。不但减少了一些重复投入,而且能形成更大的品牌融合力,进一步为用户提供更好的服务,这无疑是跟谁学令人惊喜的战略提升。然而从整体营收来看,跟谁学也面临一些问题。

首先,营收增长乏力。跟谁学一直以超高的营收增长率为人熟知,历史上甚至有最高473.8%的增幅,并且引起了一些做空机构的注意。然而根据跟谁学近来的财报数据来看,其营收增速已经在逐步下滑,第四季度营收同比增长仅为136.5%,年度增长也没有超过250%。

其次,过度依赖K12业务。即便K12业务目前是在线教育最火热和最赚钱的业务,但K12业务在跟谁学的整体营收中占比过重,无论是第四季度季度还是2020全年,其营收占比均占据总营收的85%以上,这对跟谁学来说并不是一个好的信号。

因为跟谁学目前K12业务的主打模式“双师大班课”泯然众人,既无法打出差异化,也容易使跟谁学陷入业务单一的风险中。

盈利神话破灭

不难看出,即便跟谁学的营收仍然保持增长趋势,但自身已然受到了一些影响。作为在线教育整个行业中为数不多能够保持盈利的平台,自2020年第三季度首次亏损之后,四季度依旧没能逃过亏损的命运,这给跟谁学持续增长的营收蒙上了一层阴影。

根据财报来看,2020年全年净亏损达13.9亿元,去年同期净利润为2.3亿元;第四季度净亏损为6.3亿元,而去年同期净利润为1.75亿元。即便第四季度较第三季度9.33亿元的亏损有所收窄,但亏损对跟谁学来说并不是好信号。

而跟谁学亏损的原因也显而易见。对于跟谁学来讲,独有的低成本获客方式是盈利的最大因素,然而随着各大平台对私域流量的管控逐渐严格,跟谁学的获客来源也愈来愈少。因此,跟谁学也不得不通过烧钱的方式去进行获客。

根据财报显示,2020年第四季度,跟谁学销售费用从去年同期的4.42亿元增至17.984亿元;全年的销售费用也从去年同期的10.409亿元增至58.162亿元,均占据总营收的80%以上,此举严重挤压了跟谁学的利润空间。

“烧钱”大战没有赢家

目前为止,在线教育的战火已经燃烧至每一个角落,无论是深耕已久的老牌企业还是已然崛起的新贵们,都纷纷用烧钱来武装自己,其中营销大战更是格外火热。照此前的形式来看,营销大战是长期的,更是难以避免的。

除了跟谁学以外,其它在线教育企业的营销数目同样惊人。根据已经公布财报的在线教育机构来看,2020年网易有道的营销费用超过26.9亿元,好未来过去4个财季的营销费用达到12.6亿美元,都是一笔不小的开支。

值得注意的是,仍未上市的猿辅导和作业帮其营销程度更甚。虽未公布具体数字,但从学员人数、融资情况、广告投放规模来看,两者在营销方面的投入并不在上市企业之下。对于整个行业来讲,整个赛道都陷入烧钱模式并非是个好现象,难以让行业良性发展,

首先,营销难以中止。营销大战之所以烧钱,不仅因为投放成本越来越高,也是由于营销是一个长期行为,没有占据绝对地位就不会中止。再者,一旦中止营销,其前期的付出就极有可能白费,这也是在线教育营销停不下来的原因之一。

其次,爆雷几率高,行业乱象频出。不是每个在线教育企业都能斥巨资去参与营销大战,而随着资本逐渐回归理性,融资近8成都落在的头部企业头上,许多腰部企业已然是强弩之末,其爆雷的几率也尤为高,比如优胜教育。

而在整个行业都在踌躇不前时,行业乱象也频频出现。前有在线教育平台的盗版资源满天飞,后有虚假营销广告被锤出。不但难以实现“基业长青”,也会导致在线教育失去了教育的本质意义。

在线教育如何良性发展

无论是跟谁学还是整个在线教育行业,为了跑赢市场从而不管不顾的投入是不可取的。长期主义并不代表长期亏损,“规模不经济”是在线教育最大的误解。而未来,想要持续向好,在线教育无疑需要进行良性发展的改革,而各大平台应当将重心方在何处呢?

首先,找到收支的平衡点。虽然巨资投入营销是不可取的,但销售对于多数行业来说都具有一定的必要性,只要将成本控制在一定范围内,根据用户来源和资料寻求最有效的营销方式,降本增效不失为一种好的方式。

其次,内容才是硬道理。目前许多平台都将重点放在了营销上,反而忽略了在内容方面的创新和改革。对于消费者来说,教学质量、方式、效果才是最为重要的,因此在线教育企业更应重视后端的筑基,加强教研水平和服务体系。

正如跟谁学的创始人陈向东表示,尽管过去的一年行业竞争加剧,跟谁学也不断在坚持聚焦战略,狠抓教学质量和教学服务。教育应当是循序渐进的,譬如跟谁学等行业的头部企业,更应当完善自身而非是涌入恶意竞争的洪流,从而以身作则去带领行业良性发展。

文/刘旷公众号,ID:liukuang110

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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