中国电子商务的十年发展历程(二)

2006--混战升级

2006年,中国的电子商务市场继续上演混战,远没有格局定板的样子。

这年11月,阿里巴巴完成与中国邮政的合作,解决了马云担忧已久的物流问题。“我好久都没有这么兴奋过了”,马云说。借助中国邮政遍布全国的脉络,无疑将可进一步延长马云旗下产品的覆盖率。

但就在马云忙于铺设未来的平台之路时,身边已危机四伏。

坐在B2B第二把交椅上的慧聪,与阿里巴巴之间的斗争已远非口水战那么简单。这年5月,环球资源购买了慧聪10%已发行股本,二者宣布结成了“国内最大的B2B联盟”。

当时的eBay在中国已被淘宝逼到了一个墙角,而现在腾讯的拍拍网正在用相同的策略对淘宝构成威胁。2006年3月13日,腾讯在京宣布拍拍网正式运营。

与拍拍“便捷的进入门槛”相比,马云的优势在于其完整的电子商务平台架构之间的完美整合。5月,阿里巴巴正式对外宣布,在淘宝上推出B2C业务淘宝商城。而早在2004年,马云就曾表示,“未来的电子商务,将没有B2B与B2C的界线,最大的好处就是电子商务将像身边的自来水一样方便。”

实际上,这一论调在2006年颇为流行。这一年,当当网引入5000万美元风险投资大举进军C2C市场。然而,李国庆夫妇很快遭遇重创。3月后,运行不久的当当宝就遇到了大量因卖家欺诈而引起的用户投诉,当当宝被迫紧急叫停。而这一挫折,也让李国庆夫妇看清了当当网未来的发展方向。

中国电子商务注定要走一条不同于国外的道路。但是,业内的参与者们正各自沿着不同的路线去实现这一目标。

2007--群雄崛起

马云和他的阿里巴巴是2007年中国电子商务最耀眼的明星。这年11月6日,阿里巴巴在香港挂牌上市,其中有几项纪录可以载入港股上市的史册:香港联交所上市融资额的最高纪录、香港历史上IPO认购冻结资金额的最高纪录、香港历史上首日上市飙升幅度的最高记录。这也意味着,中国人第一次独创了一种为国际所认可,并且可以和Google、Amazon、eBay相比肩的商业模式。

9月15日的网商大会上,马云语出惊人:“未来我们将投资100亿打造电子商务生态链!”一个半月后B2B上市的意义也落在了“100亿”和“电子商务生态链”这两个关键词上。

这一年6月,“曲线”进入中国的亚马逊创始人贝索斯来到中国,宣布3年前收购的卓越网正式更名为“卓越亚马逊”。贝索斯表示,此次更名是为了让中国客户知道,卓越网背后一直有亚马逊给予的有力支持。

在贝索斯访华之前,竞争对手当当网联合总裁李国庆曾表示,“卓越网2006年亏损9000万元,卓越网已落后于当当网”。对此,贝索斯回应道:“我们对中国市场有长期打算,将持续增加投资。亚马逊是把时间放在客户身上,而不是竞争对手身上。”

在现任总裁王汉华的带领下,卓越亚马逊复制亚马逊“大而全”的商业模式,连续在北京、苏州和广州成立仓储中心,总面积达3.5万平方米。与竞争对手当当进行的价格战,仍在持续。

此时,从卓越离开两年的陈年在经历了一次并不成功的创业之后,将目光投向了衬衫网络直销品牌PPG。“PPG的品牌定位非常好!”这是陈年对PPG最早的评价,至今他仍认为PPG以自己的实践为他指明了Vancl的方向--网络和呼叫中心可以将衬衫和男装的生意做大,而且,毛利更高。2007年10月,模仿PPG的凡客诚品正式上线。如今的PPG早已关门,而陈年创办的凡客成为中国最大的互联网服装销售品牌。

这一年,刘强东将京东商城做得有声有色。2007年7月,京东建成北京、上海、广州三大物流体系,一个月后,京东赢得国际着名风险投资基金今日资本的青睐,首批融资千万美金。

2008--“寒潮”来袭

2008年,电子商务迎来里程碑式的发展。数据显示,这一年中国网络购物交易规模突破千亿,达到1281.8亿元,仅淘宝一家就实现999.6亿元。同样是2008年,大洋彼岸的一场金融风暴迅速升级并席卷全球,中国经济也不可避免地受到波及。

2008年7月23日晚,一封阿里巴巴集团董事局主席马云写给员工的内部邮件在网络曝光。这封题为《冬天的使命》的信件中,马云表示尽管手头已有20多亿美元的“现金储备”,但阿里巴巴为了“过冬”,还是从今年年初开始就拿掉了所有的投资项目,目的就是为了保存实力:“如果我们的客户都倒下了,我们同样见不到下一个春天的阳光”。他告诫员工,这个冬天可能“更长”、“更寒冷”。

马云的过冬论并非杞人忧天。受中小企业生存环境恶化的影响,当时阿里巴巴会员的续签率正在降低。慧聪网的二季度财报也显示,公司亏损7.5万元人民币,而去年同期的净利润为39.3万元。

正如互联网泡沫破灭磨砺了三大门户一样,每个冬天的到来,都在常态的生死幻灭中,蕴含了下一次浪潮和生命力的春天。面临冲击和变革,电子商务低成本沟通、易参与、对需求反应迅速等优势,将有助于中小企业发展内贸市场、降低交易成本、获得更多的定单。而这也是 “过冬”的真正意义所在。阿里巴巴、慧聪、敦煌网等众多的B2B企业选择“降价”,帮助中小企业度过这个寒冷的冬天。

不过,这一年北京市工商局“网店新规”的出台,无疑让电子商务行业“雪上加霜”。2008年,北京市工商局下发了“关于贯彻落实《北京市信息化促进条例》加强电子商务监督管理的意见”,意见称网络商店应在工商局注册后方才合法,否则将以无照经营予以取缔。新法规的出台成了千千万万在北京从事C2C网上零售业务的“C”们的一块心病。互联网资深专家吕伯望认为这不是在促进而是阻碍甚至扼杀信息化,他在博客中写道,“此举意味着我们的大多数卖家将不得不向人告贷借来注册资金来进行工商注册,履行一道道繁琐的、长达月余的工商注册、银行开户、税务登记等程序。”

该规定一经发布,引起各方激烈反应,最后不得不搁浅。

尽管“寒风瑟瑟”,2008年年底,搜索巨头百度还是将自己的触角伸向了电子商务,正式推出了网络购物平台百度“有啊”。“有啊”上线前,百度高调宣称“有啊”将在3年内打败淘宝,成为中国最大的个人网络购物平台。彼时淘宝已经营了5年,根据易观国际的数据,当时淘宝在线商品规模已占网购市场的 85%,达到1.4亿件。如今3年大限过去了近一半,“有啊”要实现自己的豪言壮语已不可能。

而“疯狂疾驰”的PPG面临着急剧下滑的局面。这一年PPG不但丢掉了行业老大的地位,而且官司缠身、高管流散,更传出创始人李亮卷款潜逃一说。一年后,PPG的商业神话终于还是像肥皂泡那样破碎了。

2009--传统品牌“触电”

传统品牌加网络销售,会碰撞出怎样的火花?

2009年,受金融危机影响以及电子商务的发展,越来越多长期主攻线下的传统企业们,不约而同开始深耕细作网络购物的虚拟平台。制造领域如方正、联想、海尔,家电零售业如苏宁、国美两大巨头,食品类如中粮,服装类如李宁、七匹狼等,一起带领中国传统企业开启了电子商务营销的篇章。

未来,渠道扁平化、从传统渠道向新渠道渗透将是大势所趋,由此催生的网络购物具有巨大的发展空间与潜力。一个典型的例子是,2009年8月,联想宣布其淘宝的旗舰店7月份销售额居于所有淘宝5000余家B2C之首;而如果将联想在淘宝、当当、官网商城全部的销售量统一,联想每月从网上卖出超过11000台电脑。数据表明,联想打造的在线商城等网络销售方式,已经成为联想复苏卓有成效的一招。而从李宁公司发布的2008年业绩看,李宁淘宝商城官方店成为李宁全国所有店铺中的销售冠军,足以验证网络销售带给传统企业的爆发式增长。

B2C领域同样处于市场的“风口浪尖”。2009年,今日资本、雄牛资本等向京东商城联合注资2100万美元。此时,卓越与当当的B2C之战同样热闹。2009年5月,当当网宣布盈利,毛利率达20%,成为国内首家实现全面盈利的网上购物企业;卓越亚马逊则将触角伸向“汽车”、甚至是海外品牌商品领域。9月卓越亚马逊再次推出全场免运费与当当网相持,这是两大行业竞争者多年来首次同时免运费,标志着“免运费”将开始成为B2C行业标准规则。

在B2B领域,2009年12月,中国制造网在国内A股市场上市,成为B2B市场中除阿里巴巴、环球资源、网盛生意宝、慧聪网外的第五家上市公司。

经济学家普遍预测,2010年全球经济将迎来缓慢复苏。随着经济的复苏,国内电子商务行业在经历了2008-2009年的转型与升级期后,将迎来更大的发展。

2010--梦想照进现实

2010年,在电子商务迈向下一个十年的节点上,“图书新规”的出现给这个迅速成长的行业产生的影响不亚于一场地震。1月8日推出的《图书公平交易规则》中的新规定:对出版一年内的新书(以版权页出版时间为准),进入零售市场时,须按图书标定实价销售,网上书店或会员制销售时,最多享受不低于8.5折优惠幅度。

公布伊始就遭遇强烈反对的《图书公平交易规则》在沉寂5个月后传出消息,这个被称为“图书限折令”的规则已经名存实亡。

波折过后,电子商务的创业者们开始在与风险投资的拥抱中实现自己的梦想--在美国上市似乎成为众多电子商务公司的终极目标。

2010年伊始,京东商城几手大动作,开始让竞争对手们的神经紧绷。年初,京东商城获得老虎环球基金领投的总金额超过1.5亿美元的第三轮融资;3月11日,以大约四五百万美元的价格收购了SK电讯旗下的电子商务公司千寻网。这一年,刘强东的目标是打造销售额百亿的大型网购平台。

在B2C市场上,京东商城并不是第一个从垂直向综合类转舵的企业。卓越亚马逊的定位早已改变,开始朝百货商城进发,同时当当网、红孩子都已从垂直向综合转型,而传统家电卖场苏宁的B2C易购也开始销售部分化妆品和家纺等百货商品,卓越亚马逊对于3C家电领域的涉足使得一场厮杀不可避免。

伴随着经济复苏,大量海外风险投资再次涌入,拨动着每一个电子商务创业者大干一番的热望。今年6月,国内专营女性内衣的B2C网站梦芭莎获得金沙江创投2000万美元风险投资;网上鞋城乐淘网宣布获得老虎基金、德同资本千万级美元风险投资;10月,英特尔投资联合德丰杰投资和红杉资本共同注资好乐买1700万美元……2010年,几乎每个月都有一笔钱投向电子商务。

良好的发展势头下,当当网、京东商城即将赴美上市的传闻不绝于耳。而依靠邮购、互联网和实体店三重销售渠道的麦考林先行一步,成为国内第一家海外上市的B2C企业。

这一年,团购网站的迅速风行也成为电子商务行业融资升温的助推器。受美国团购网站Groupon影响,国内在今年4月之后涌现出上百家团购网站,其低成本、盈利模式易复制的特点受到投资机构关注,而这必将带动团购网站新一轮的洗牌。


  • 0
    点赞
  • 3
    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学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
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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学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
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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