拼多多大跌30%,下沉市场的好日子到头了?

文丨郭梦仪

业绩一路高歌的拼多多,市值蒸发了近三分之一。

原因在于,2024年二季度的财报会议上拼多多高管的一系列“硬刚”投资者的发言,给资本市场“泼了一盆冷水”。

抛开资本市场的表现不谈,其实拼多多在二季度的业绩表现本身依然坚挺,在一众电商平台和互联网公司中已算优秀。

第二季度,拼多多实现营收970.6亿元,上年同期为522.81亿元,增长86%,略低于预期的999.85亿元。归属于拼多多普通股股东的净利润为320.094亿元,同比增长144%。

数据显示,二季度阿里巴巴和京东归属于普通股股东的净利润为分别为243.9亿元和145亿元,此次拼多多净利润已经接近阿里+京东两家之和。而拼多多这主要得益于公司各业务板块的显著增长,特别是交易服务板块的大幅增长。

一反其他公司高管猛吹自己上市公司业绩和预期的情况不同,拼多多高管的主动“砸盘”,让不少人大呼不能理解。

看仔细阅读财报电话会议上的发言,就发现,拼多多认为的危机:

不在外界,而在萧墙之内。

就在喊出“几年内不分红和回购”之后,拼多多集团董事长、联席CEO陈磊宣布,未来一年将投入百亿资源包扶持新质商家,并坚决地进行商家生态治理。拿出上年净利润的六分之一的同时,陈磊还表示,“管理层已达成一致共识,做好了牺牲短期利润,长期投入的准备。”

这似乎是对近期爆发的商家矛盾的回应。今年夏天,拼多多海外平台TEMU的商家围攻总部话题冲上了热搜。

这源于今年1月,Temu对5倍罚款调整为“根据产品品质分数划分罚款金额”,被消费者退货的商品,除“不结算该笔订单货款”外,会分别对应承担5倍、2.5倍、1.5倍或免于扣除赔付金等四种处罚。

这让商家苦不堪言,也让拼多多的增长引擎TEMU备受质疑。

显然,拼多多的谨慎,让大家感觉到——下沉市场这个近5年被大家视为新增量的市场,也开始不好过了。

告别粗狂式增长,拼多多开始进入了更加“精细化运营”的时代。

犹如淘宝当年的“十月围城”,这都是成长的代价。

01交易服务再次大涨,或受益海外市场

在电商行业普遍微增的环境下,拼多多的营收依旧亮眼。

其中,营收增长最快的是“交易服务”。这跟很多人对拼多多主要收入来自广告收入和交易服务费的印象有很大差异。

数据显示,拼多多来自交易服务的营收为479.437亿元(约合65.973亿美元),与2023年同期的143.479亿元相比增长234%,占总营收的49.4%。

商业数据派梳理数据看到,交易服务费开始占据拼多多的半壁江山是在去年四季度。而在线营销业务增速一直慢于营收。

拼多多近9个季度交易服务和在线营销服务营收情况

交易服务费用之所以增长如此迅猛,还要从主营业务中来看。

拼多多收入组成主要由三部分:国内主站、多多买菜和海外托管电商TEMU。

国内主站的主要收入来自于广告收入和交易服务费;多多买菜主要收入来自于交易服务费和进销差价;TEMU的主要收入来自于进销差价和交易服务费。

需要说明的是,Temu的营收(前端售价与商家供货价之差)算在拼多多交易服务收入中。所以交易服务收入的变化一定程度上反映的也是Temu收入变化。

商业数据派曾经在《全球“新穷人”,撑起拼多多》中表示,托管业务可能是拼多多“交易服务”大涨的主要原因。

目前为止,半托管体量在美区占比并不高,更多还是来自全托管,但Temu全托管的履约成本一直没有得到有效改善,而能够降本、但运输时间太长的海运进展也比较缓慢。

但毫无疑问,半托管依旧是Temu未来的重点。近日,Temu宣布欧洲本土店正式开放注册,原本定于今年10月才在日本开放的半托管,现已提前开通。

Temu已然在高速增长,成为拼多多增长的第二大引擎。

但从毛利率上可以看到,随着交易服务费占比(TEMU营收)逐渐提升,毛利率上升的确较慢。

随着去年四季度交易服务费营收占比超过45%后,拼多多毛利率从三季度的61%下滑到60.5%。本季度,拼多多毛利率为65.3%,同比微增1.56%,环比微增4.82%,距离2022年三季度79.1%的毛利率差距较大。

虽然拼多多的增长放缓,但效率机器的利润还在疯狂释放。

因为海外投放更加克制,整体公司在运转效率上持续攀升。一个季度超万亿GMV的公司,行政开支不到20亿,而研发开支也就不到30亿,尤其是研发费用的增长只有6%。

因为纯利润型收入还能够多增,再加上克制的销售费用,利润释放还是非常惊人。二季度拼多多经营利润含Temu的亏损在内,已经稳定站上了300亿元,这个季度达到了326亿元人民币,同比猛彪156%。

02拼多多的“黄金天平”,开始倾向商家

财报虽然亮丽,但股价却急转直下,而股民们更多的则是考虑能否抄底,这源于拼多多的成长性还有展望的空间。

拼多多可谓是中概股中为数不多的成长股,发出如此靓丽的财报,股价却暴跌超30%,源于拼多多集团董事长、联席CEO陈磊在财报电话会议中的悲观描述。

在财报电话会上,陈磊表示,全球化业务正在面临更严峻、加速变化的国际环境,业务经营受非正常商业因素的干扰变多,未来业务发展的不确定性显著增加,收入逐渐放缓将是必然的结果。

特别是,在电话会上,投资者问公司是否会增加回购。陈磊非常硬气的回答,“公司仍在加大投入,未来几年不考虑分红和回购。”

本身中概股的买家就严重不足,一旦有利空,就是恐慌式暴跌,因此对于大部分中概股公司来说,最大的买家只能是他们自己。

当陈磊说出近几年不会回购后,股民的心态可想而知的崩盘。

“坦白说,我其实蛮欣赏公司管理层的态度。”一位不愿具名的美股操盘人士向商业数据派表示,对于成长股来说,把资金投入到回购或者分红短期虽然有利于维护股价,但并不是长期最优选择。

就像陈磊所说,“我们已经准备好做出短期牺牲,迎接盈利能力下滑的可能性......往前看,因为竞争加剧和外部挑战,我们必然会面临压力,但我们还是坚定不移地投入,盈利能力也会受到影响。”

不分红不回购,那现金用来干嘛?拼多多:扶持商家。

拼多多从2022年开始规模化盈利,一个显著的原因在于,平台做的轻。现在显著的变化在于,拼多多在变“重”。

二季度以来,消费市场趋于冷静,促使商家端在广告营销支出上做出正常的调整性动作。QuestMobile数据显示,2024年Q2互联网广告市场规模达到1864.9亿元,同比只增长了10.9%。

加之外部平台的竞争还在加剧,头部电商企业加码价格战,新兴的内容电商平台也来瓜分市场,凡此种种,都要拼多多拿出更多应对策略。

而在今年夏天,拼多多和商家的关系似乎越发紧张。TEMU商家因巨额罚款冲击拼多多总部、“仅退款”让商家苦不堪言……这一切都源于拼多多“以用户为本”的平台心态。

不过,商家生态将在未来有所改善。

据《晚点 LatePost》报道,拼多多在今年二季度调整了业务重点,将 GMV、而不是商业化和利润列为第一目标。这家公司转变了自2022年起,以商业化和货币化率、而非GMV作为核心指标的路线。

拼多多决定变革,这也是此次决定拿出100亿元,想要完成的目标。

拼多多创始人黄峥

拼多多表示,未来一年将投入百亿资源扶持新质商家,并进行商家生态治理。“平台的整体规模已经具备了相当的体量,完善生态建设并非一夕之功,管理层已达成一致共识,做好了牺牲短期利润,长期投入的准备。”

拼多多表示,在供给侧,将大幅度地减免优质商家的交易手续费,未来一年预计会减免 100 亿元。比如,最近拼多多已先后向商家推出「资源位技术服务费」、「推广软件服务费」可退权益。以技术服务费为例,用户在活动期间取消、退款的订单,以及确认收货后的退款订单,商家均可享受上述服务费退返权益。

另外,对于不良商家,平台也会加大生态治理。比如,拼多多优化了商家入驻和商品上架的流程,通过技术手段严格把关商品质量,打击不法的作弊商家——通过激励好的、淘汰坏的,拼多多希望打造一个更健康的商家生态,从而提升平台供给侧的质量和效率。

财报显示,拼多多本季度研发投入达到了29亿元,同比增长6%,主要源于在运营和研发上进行新一轮的投入。

此次,拼多多可以说“左手扶持新质商家,右手治理平台生态”。

阿里和京东需要借助新技术寻求新的增长空间,并降低商家在平台的经营成本,获得利润增长。而拼多多则面临更为激烈的国内外竞争和矛盾加剧的商家关系,以及下沉市场的消费升级需求,需要聚焦农产品品类的同时,引进品牌商家提升平台供给质量。

“对于拼多多来说,在转型过程中,投资者们或许会逐渐更加关注企业的收益和成本。”香颂资本创始人沈萌向商业数据派表示,尽快沉淀出自身健康且可持续的盈利模式,是拼多多眼下最重要的课题之一。

从短期来看,眼下拼多多扶持新质商家,继续重仓农业,将牺牲掉不菲的利润,看起来是一笔并不“划算”的账。但从长期来看,优质商家与新兴产业带的崛起,农产品上行效率的提升,将转化为平台的高质量增长引擎,实实在在又是一笔回报极高的投入。

而在下沉市场的好日子结束后,面临主站的放缓以及海外业务的风险因素,对拼多多的经营考验又进入了一个全新高度。

大气污染是影响公众健康与生态环境的重要问题,精准的空气质量时空预测与污染源贡献度量化是精准治污的关键支撑。针对现有研究多源融合不充分、时空关联刻画不足、预测与源解析割裂三方面缺陷,本文设计实现了城市空气质量时空预测与污染源贡献度分析系统,融合监测、气象、工业排放与交通四类数据,构建基于时空注意力的LSTM(STAM-LSTM)预测模型与基于正定矩阵因子分解(PMF)的源解析模型,形成数据融合-特征工程-预测-源解析-可视化闭环。 系统实现四类数据时空对齐与融合,构建时序与空间邻域特征,以普通克里金插值生成1km网格浓度场;STAM-LSTM引入时空注意力自适应学习站点间污染传输时变权重,以72小时输入预测未来24小时逐小时PM2.5浓度;PMF识别交通、工业、燃煤、扬尘与二次生成五个源因子,量化各源全年贡献度并分析时空演变。 实验表明:STAM-LSTM预测RMSE 24.6、MAE 17.8、R² 0.88,相对LSTM基线(30.2)提升18.5%;普通克里金插值误差8.9,优于反距离加权(11.4);源解析显示交通源28.4%、工业源23.1%、燃煤源19.6%为主要贡献源,冬季燃煤源升至27.3%、早高峰交通源达34.8%,下风向工业源贡献高出上风向8~12个百分点;减排情景显示交通源减排20%可使年均PM2.5下降5.7%,与源贡献度排序一致。 系统按五模块14组件实现,功能测试16项用例全部通过,为大气污染预警、源管控与减排政策制定提供了决策依据。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测研究(Python代码实现)内容概要:本文提出了一种基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测方法,旨在通过结合多种先进深度学习模型的优势,提升在复杂工况下的预测精度与鲁棒性。该方法利用iTransformer捕捉长期时间序列中的全局依赖关系,通过BiGRU模型提取双向时序特征,最后引入KAN(Kernel Attention Network)增强非线性映射与关键特征的自适应加权能力,实现对轴承退化过程的精准建模。文中详细介绍了模型架构设计、训练流程及在公开数据集上的实验验证,结果表明该融合模型相比单一模型在预测精度和稳定性方面均有显著提升。; 适合人群:具备一定机器学习与深度学习基础,从事设备故障诊断、工业大数据分析或智能运维相关领域的研究人员及工程技术人员,尤其适合研究生及以上学历或有相关项目经验的专业人员。; 使用场景及目标:①应用于工业设备状态监测与预测性维护系统中,实现对滚动轴承等关键部件剩余寿命的精准预测;②为复杂时间序列回归任务提供多模型融合的设计思路与技术参考;③推动深度学习在智能制造与工业物联网领域的落地应用。; 阅读建议:建议读者结合Python代码实现部分,深入理解各子模型的接口设计与融合逻辑,重点关注特征融合机制与注意力权重的可视化分析,以便在实际项目中灵活调整与优化模型结构。
代码下载地址: https://pan.quark.cn/s/f675b88243cd 《华大HC32L110库函数与例程详解》 华大HC32L110属于低功耗且高性能的微控制器,在众多嵌入式系统设计中具有广泛的应用,特别是在需要电池供电的物联网设备和便携式装置中表现出色。该微控制器的库函数与例程为程序设计者提供了重要的参考资料,包含了丰富的功能接口和示范性代码,从而辅助开发者迅速掌握并运用该芯片。库函数是事先编写完成且可反复使用的代码单元,针对HC32L110的特定硬件特性进行了优化,使得开发者无需深入探究底层机制,仅需调用相应的库函数即可达成预期功能。这些库函数一般涵盖了时钟管理、GPIO操控、ADC转换、串行通信(包含UART、SPI、I2C等形式)以及中断管理等多个方面。比如,若需将一个GPIO端口设置为输出模式并设定其电平状态,开发者可通过调用`HAL_GPIO_Init()`与`HAL_GPIO_WritePin()`函数来实现。 例程则是展示如何运用库函数的应用范例代码,它们具体说明了在实际操作中如何适当地调用库函数及设定相关参数。以HC32L110的串行通信例程为例,它可能涉及初始化UART接口、传输数据、接收数据等环节,借助这些例程,开发者能够清晰地洞察每个功能的具体实现途径。对于新手而言,例程是理解芯片特性及库函数使用的理想途径。 在华大HC32L110的库函数与例程中,通常包含以下核心组成部分: 1. **初始化函数**:诸如`SystemInit()`,其作用是配置系统时钟,作为其他功能的基础。 2. **外设驱动函数**:例如GPIO的`HAL_GPIO_xxx()`系列函数,ADC的`HAL_ADC_xxx()`函数等,用于管理和设定...
【多变量输入超前多步预测】基于CNN-BiGRU的光伏功率预测研究(Matlab代码实现)内容概要:本文研究基于CNN-BiGRU混合神经网络模型的多变量输入超前多步光伏功率预测方法,并提供了完整的Matlab代码实现。该模型结合卷积神经网络(CNN)强大的局部特征提取能力和双向门控循环单元(BiGRU)对时间序列前后向依赖关系的建模能力,能够有效处理光伏发电受光照强度、温度、湿度等多因素影响的非线性、非平稳特性,实现对未来多个时间步长的功率输出进行精准预测。研究涵盖了数据预处理、模型构建、训练优化及结果分析全过程,并通过实验验证了模型在不同天气条件下的预测性能,展示了其在提升预测精度方面的有效性。; 适合人群:具备一定机器学习和时间序列预测基础知识,从事新能源发电预测、电力系统调度或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于光伏发电站的功率预测系统,为电网调度、能量管理和电力交易提供数据支持;②作为深度学习在可再生能源预测领域应用的教学案例,帮助理解CNN与RNN类模型的融合机制;③为进一步研究更复杂的预测模型(如加入注意力机制)提供基础框架和技术参考。; 阅读建议:建议读者结合Matlab代码逐步复现文中实验,重点关注数据预处理流程、模型结构设计细节以及超参数调优策略,同时可尝试在不同数据集上验证模型泛化能力,以深入掌握多变量时间序列预测的关键技术要点。
内容概要:本文提出了一种基于高创新模型MS-TCN-TiDE的短期负荷预测方法,该模型融合多尺度时序卷积网络(MS-TCN)与时间解码器(TiDE)的优势,旨在实现对电力系统短期负荷的高精度预测。MS-TCN能够有效捕捉负荷序列在不同时间尺度下的局部特征与长期依赖关系,而TiDE则通过编码-解码架构建模周期性、趋势性等全局时序模式,二者协同提升了模型对复杂负荷动态的表达能力。研究通过Python代码实现了完整的模型构建、训练优化与预测流程,并在实际电力负荷数据集上进行了实验验证,结果表明该模型在预测精度、稳定性及泛化性能方面均优于传统时序预测方法。同时,文章探讨了模型在周尺度负荷预测中的适用性,验证了其在长期趋势建模方面的潜力,为电网调度、能源管理及电力市场运营提供了可靠的技术支撑。; 适合人群:具备一定Python编程基础和机器学习知识,从事电力系统分析、能源管理、智能电网或相关领域研究的研发人员及高校研究生。; 使用场景及目标:①应用于电力系统短期负荷预测场景,提升电网运行调度的智能化与精细化水平;②为新能源并网规划、需求响应策略制定、电力市场竞价决策等提供高质量的负荷数据支持;③推动深度学习技术在能源时序预测领域的落地应用与方法创新。; 阅读建议:建议读者结合文中提供的Python代码进行实践复现,重点关注数据预处理流程、模型结构设计细节及超参数调优策略,同时可通过消融实验深入理解MS-TCN与TiDE模块的协同机制及其对预测性能的贡献。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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