前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >二手电商暗战:闲鱼、抖音“齐头并进”

二手电商暗战:闲鱼、抖音“齐头并进”

原创
作者头像
刘旷
发布于 2024-01-29 01:32:24
发布于 2024-01-29 01:32:24
1080
举报

配图来自Canva可画

近年来,随着人们的低碳环保意识日益提升,节能减排的理念深入到日常生活中,转卖闲置物品就成为了不少消费者践行绿色低碳行为的重要方式之一。毕竟,在转卖闲置物品后,消费者不仅能够“回血”,还能让闲置物品在真正有需要的消费者手中继续发挥其价值,从而有效避免浪费。

在此背景下,二手电商也趁势而起,进入发展快车道。据“电数宝”电商大数据库显示,2022年二手电商交易规模达4802.04亿元,同比增长20%。随着消费者对于二手商品接受度的提高,二手交易市场也在持续扩大,不少二手电商平台更是争相涌现,成为了消费者常用的软件之一,无论是老牌玩家闲鱼,还是新晋玩家抖音,都颇受消费者青睐。

闲鱼“精进不休”

去年5月23日,二手交易平台闲鱼召开了2023年产品升级发布会。据官方公布的数据显示,闲鱼的用户数目前已经突破5亿,宝贝发布规模近1亿,在线商品数量已超过10亿件。而闲鱼能够成为消费者买卖闲置物品时的优先级选择,收获如此多消费者的认可,则与多方面因素有关。

首先,闲鱼背靠阿里,有庞大的用户基础,用户更容易在平台上找到心仪的商品。众所周知,闲鱼是阿里旗下的应用,而有了大厂背书,闲鱼更容易获得消费者的信任。且电商本就是阿里的核心业务,经过多年的发展,已经积累下了海量用户,其中不少用户都有着销售闲置物品的需求,闲鱼则能够很好地承接这部分需求。比如,用户在闲鱼上使用一键转卖功能,就能够轻松售卖自己在淘宝上面买到的东西,省去了重新发布的时间。另外,由于用户体量庞大,闲鱼上售卖的二手商品也极为广泛,这也让消费者找到心仪产品的可能性大大增加。

其次,闲鱼进一步强化社区属性,以增强用户的参与感,进而实现用户的吸引与留存。如今,布局二手交易赛道的玩家越来越多,如何吸引并留住用户就成为了闲鱼必须要面对的问题,社区化则是增强用户黏性的重要途径之一。一直以来,闲鱼的社区属性都比较明显,前不久,闲鱼更是对社区属性进行了进一步的强化,不仅推出了社区化产品“海鲜市场”,还对原先的“会玩”社区进行了升级,这将再度提升消费者参与感与活跃度,同时增强用户的黏性。

最后,闲鱼不断完善信用体系,以优化用户的购物体验。在购买二手商品的过程中,最让消费者“头大”的应该就是质量问题了,由于买卖双方间存在信息不对等,买家买到假货的可能性极高。而为了让买方识别靠谱玩家以减少踩坑,闲鱼也在不断对信用体系进行完善和升级。在去年,闲鱼上线了新信用评估体系“鱼力值”。据了解,鱼力值会参考大数据模型、用户交易行为、用户交易口碑等多个维度,综合给出评分,帮助用户识别对方的信用状况。

抖音“大步向前”

随着消费者观念的转变,二手电商行业蓬勃发展,诞生了许多二手交易平台。近年来,布局二手电商领域的新玩家也在持续增多,抖音就是其中之一。 早在2020年10月25日,抖音就推出了“抖音二奢好物节”,进军二手电商领域,此后更是频频落子。而在抖音持续加码二手领域背后,也自有其逻辑。

一方面,抖音发力二手电商业务,能够进一步完善自身电商版图。抖音在电商领域打拼已久,也正是得益于长时间的深耕,抖音的电商业务已经取得了相当亮眼的成绩。当前,消费者消费观念发生改变,二手、平替成为其购物关键词,二手电商也展现出了巨大的增长潜力,有很大的增长空间,抖音发展二手电商业务不仅能够完善自身的电商业务板块,或许还能够从中找寻到新的增量。

另一方面,抖音拥有庞大流量资源,可助推其二手电商业务发展。事实上,短视频早已成为人们“杀时间”的第一利器,短视频头部平台抖音也积累下来了海量用户。这些庞大流量也一直是抖音发展新业务板块的重要利器,即便是在二手电商领域也同样适用。有了海量流量加持,抖音发力二手电商业务不仅自带流量优势,还能通过算法实现个性化、精准推荐,从而满足抖音用户二手交易的需求。

除此之外,抖音的直播模式,可让消费者更加直观地看到商品状态。事实上,假货泛滥、货不对板等问题一直存在于二手交易过程中,这也是最为平台、消费者所头痛的问题。直播模式则能够更好地展现商品的新旧程度,让用户更加直观、详细地观看到二手商品的原有面貌,也让隐瞒瑕疵等情况大大减少,做到“眼见为实”。再加上直播模式本就是抖音的强项,其二手电商也能够以此为切入点,迅速建立起与消费者之间的信任,助推自身二手电商业务的发展。

仍有难关待过

种种迹象表明,当前的消费者已经越来越习惯购买二手商品了。在消费者需求的助推下,整个二手电商行业也保持增长态势。各路玩家的纷纷加码,更是印证了二手电商的广阔前景。只是,必须要说的是,尽管二手电商市场潜力巨大,却依然有诸多难题亟待行业参与者去解决。

其一,二手产品质量良莠不齐,消费者体验不佳。虽然消费者开始选择二手商品,但也希望自己入手的二手产品是品质比较高的、成色比较新的。只是,由于二手产品具有较强的非标性,产品与产品之间存在不小的差异。更有甚者,还有卖家为了获得更高的价格,而谎报商品状态、隐瞒瑕疵,这就使得不少消费者在二手商品到手后会遇到这样或那样的问题,导致用户体验不佳。

据网经社电子商务研究中心发布的《2022年度中国二手电商消费投诉数据与典型案例报告》显示,全国二手电商用户投诉问题,退款问题占比最高,达22.08%;其次为商品质量,占比14.61%;排在第三的是网络欺诈,占比11.04%。对平台来说,倘若货不对板、产品质量不佳等问题无法得到解决,长此以往,消费者将会对二手平台逐渐失去信任,从而产生信任危机。

其二,二手电商市场虽大,盈利却并不容易。得益于人们对于二手电商接受程度的日益增长,二手电商平台的用户也不断增多。只是,伴随着用户体量的增长,二手电商平台所要付出的技术、运营、服务等方面的投入也将随之上涨,因此,盈利就成为了摆在各大平台面临的大问题。不过,二手电商市场虽然在不断扩大,但实现盈利的企业却寥寥无几。为了实现更好的经营,各平台也在不断探索着商业模式。比如,此前闲鱼就曾发布公告称,拟对于在平台开展高频且高额交易的卖家收取软件服务费,对于其他卖家及所有买家继续免收软件服务费。

线下店成“解药”?

最近,二手电商头部企业闲鱼又有新动作了。据悉,闲鱼发布公告称,首家闲鱼循环商店将于1月28日在杭州拱墅区开业,提供全品类闲置寄卖服务。事实上,不仅仅是闲鱼,其他二手电商平台也都在线下化,同行业的爱回收、转转都开出了不少的线下门店。那么,究竟是何种原因使得二手电商平台加速布局线下实体店呢?

一来,二手电商市场乱象丛生,线下店可在一定程度上缓解这些问题。前文曾提到过假货、隐瞒瑕疵、货不对板等问题仍然存在于二手电商市场,由于大都为线上交易,因此很难给出鉴定结果,消费者在拿到二手产品时往往存在实物与描述不符等情况。而在线下门店,消费者可以亲眼看到二手商品的真实状态,不用担心货不对板等问题的出现,可有效消除线上二手交易所带来的风险。

二来,线下门店模式,更容易为消费者带来信任感,从而实现交易的转化。闲鱼的社区化建设是其促成交易转化的关键所在。据了解,此前闲鱼曾发布过一份统计数据,在闲鱼社区上有过互动的用户,成交转化率为13.5%,没有互动的用户成交转化率只有0.07%。可见,互动能够为消费者带来更高的信任感,而信任又是二手电商得以延续的核心。通过线下门店,消费者对于所有商品能有一个清晰的认知,更容易构建起信任感,最终促成交易。

就目前情况来看,二手电商市场依旧是大有可为,尽管当前仍然存在诸多问题,但以闲鱼为代表的二手电商平台并没有坐视不管,而是从开拓线下门店、完善信用体系等多方面着手,不断解决痛点问题,重建用户信任。只是,线下门店虽然能在一定程度上解决信任危机,但线下门店同样意味着重投入,压力同样不小。总而言之,前路漫漫,闲鱼们仍有硬仗要打。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
算法大佬看了流泪,为什么这么好的CTR预估总结之前没分享(上篇)
在广告、推荐系统CTR预估问题上,早期的完全规则方法被过渡到以LR为代表的机器学习方法,为了充分发挥组合特征的价值,在相当长一段时间里,业界热衷于使用LR+人工特征工程。但人工组合特征成本高昂 ,在不同任务上也难以复用。2010年FM因子分解方法的出现解决了人工组合特征的困境,2014年Facebook提出的GBDT+LR也给出了一种利用树模型特点构建组合特征的思路。不过随着深度学习的崛起,2015年以后,借助非线性自动组合特征能力的深度模型,开始成为业内的主流。从经典DNN到结合浅层的Wide&Deep,用于CTR预估的深度模型在近些年间百花盛开,各种交叉特征建模方法层出不穷,Attention机制也从其他研究领域引入,帮助更好的适应业务,提升模型的解释性。在这进化路线之下,核心问题离不开解决数据高维稀疏难题,自动化组合特征,模型可解释。我们梳理了近些年CTR预估问题中有代表性的模型研究/应用成果,并对部分经典模型的实现原理进行详细剖析,落成文字作为学习过程的记录。
炼丹笔记
2021/05/14
5.3K0
算法大佬看了流泪,为什么这么好的CTR预估总结之前没分享(上篇)
Facebook 面向个性化推荐系统的深度学习推荐模型
Deep Learning Recommendation Model for Personalization and Recommendation Systems
Datawhale
2019/10/18
9530
DeepFM
特征交叉对于CTR问题的求解有着重要作用,纵观CTR模型的发展可以看出,每一次效果的提升,都伴随着对特征的挖掘,尤其是交叉特征。FM[1]算法在线性模型LR的基础上增加了二阶特征的交叉,对LR效果有着显著的提升;随着深度学习的发展,深度模型天然的特征交叉能力,Google的Wide & Deep[2]通过结合Wide模型的记忆能力和Deep模型的泛化能力,充分利用Deep侧的特征交叉能力,然而由于Wide侧使用的依然是线性模型,依赖于人工特征工程的参与。DeepFM[3]是华为在2017年提出的用于求解CTR问题的深度模型,DeepFM是在Google的Wide & Deep模型的基础上,将FM算法引入到Wide侧,替换掉原始的Wide & Deep模型中的LR模型,可以实现端到端的学习特征的交叉,无需人工特征工程的参与。DeepFM模型一经推出,就受到业界很多公司的关注,并在众多互联网公司的多个场景中落地。
felixzhao
2022/05/12
4740
DeepFM
深度CTR预估模型的演化之路2019最新进展
导读:本文主要介绍深度CTR经典预估模型的演化之路以及在2019工业界的最新进展。
AI科技大本营
2019/11/12
9670
深度CTR预估模型的演化之路2019最新进展
深度学习在CTR预估中的应用
深度学习凭借其强大的表达能力和灵活的网络结构在NLP、图像、语音等众多领域取得了重大突破。在广告领域,预测用户点击率(Click Through Rate,简称CTR)领域近年也有大量关于深度学习方面的研究,仅这两年就出现了不少于二十多种方法。本文就近几年CTR预估领域中学术界的经典方法进行探究, 并比较各自之间模型设计的初衷和各自优缺点。通过十种不同CTR深度模型的比较,不同的模型本质上都可以由基础的底层组件组成。
鹅厂优文
2018/04/20
4.7K10
深度学习在CTR预估中的应用
Wide&Deep、DCN、xDeepFM、DIN、GateNet、IPRec…你都掌握了吗?一文总结推荐系统必备经典模型(三)
 机器之心专栏 本专栏由机器之心SOTA!模型资源站出品,每周日于机器之心公众号持续更新。 本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务,并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA!模型资源站(sota.jiqizhixin.com)即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。 本文将分 3 期进行连载,共介绍 18 个在推荐系统任务上曾取得 SOTA 的经典模型。 第 1 期:DSSM、Youtube_DNN、SASRec、PinSAGE、TDM
机器之心
2023/04/06
1.6K0
Wide&Deep、DCN、xDeepFM、DIN、GateNet、IPRec…你都掌握了吗?一文总结推荐系统必备经典模型(三)
主流CTR预估模型的演化及对比
学习和预测用户的反馈对于个性化推荐、信息检索和在线广告等领域都有着极其重要的作用。在这些领域,用户的反馈行为包括点击、收藏、购买等。本文以点击率(CTR)预估为例,介绍常用的CTR预估模型,试图找出它们之间的关联和演化规律。
数说君
2019/07/17
1.1K0
主流CTR预估模型的演化及对比
网易如何做新闻推荐:深度学习排序系统及模型
深度学习的概念源于人工神经网络的研究。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的有效表示,而这种使用相对较短、稠密的向量表示叫做分布式特征表示(也可以称为嵌入式表示)。本部分主要对于目前使用较广的一些学习算法进行一个简单的回顾。
机器学习AI算法工程
2019/10/28
1.4K0
网易如何做新闻推荐:深度学习排序系统及模型
[源码解析] NVIDIA HugeCTR,GPU版本参数服务器--- (5) 嵌入式hash表
在这篇文章中,我们介绍了 HugeCTR,这是一个面向行业的推荐系统训练框架,针对具有模型并行嵌入和数据并行密集网络的大规模 CTR 模型进行了优化。
罗西的思考
2022/05/09
1.4K0
[源码解析] NVIDIA HugeCTR,GPU版本参数服务器--- (5) 嵌入式hash表
Neural Factorization Machines(NFM)
Neural Factorization Machines(NFM)[1]是在2017年提出的用于求解CTR问题的算法模型,在Wide & Deep模型被提出后,相继出现了一些改进的算法模型,如DeepFM和DCN可以看成是对于Wide & Deep模型中Wide部分的改进,而此处的NFM模型则是可以看作是对Deep部分的改进。从模型的名字来看,NFM包含了两个部分,第一为Neural,这部分与神经网络相关,第二为Factorization Machines,这部分与FM相关。对于FM模型,文章中提到了可以从深度学习网络结构的角度来看待,此时FM就可以看作是由单层LR和二阶特征交叉组成的Wide & Deep模型,与Google提出的Wide & Deep模型的不同之处就是Deep部分是二阶隐向量相乘。从这个角度上来看,NFM是在FM的基础上利用NN模型代替FM中的Deep部分,而这个NN与Wide & Deep中的Deep的不同是NFM中的Deep中包含了Bi-Interaction的层,用于对特征做二阶交叉运算。综上,NFM的优化点主要为:
felixzhao
2022/05/12
6370
Neural Factorization Machines(NFM)
KDD 2019高维稀疏数据上的深度学习Workshop论文汇总
【导读】本文是“深度推荐系统”专栏的第九篇文章,这个系列将介绍在深度学习的强力驱动下,给推荐系统工业界所带来的最前沿的变化。本文简要总结一下阿里妈妈在 KDD 2019 上组织的第一届面向高维稀疏数据的深度学习实践 Workshop[1] 收录的论文。
AI科技大本营
2019/08/29
1.2K0
CTR学习笔记&代码实现3-深度ctr模型 FNN->PNN->DeepFM
这一节我们总结FM三兄弟FNN/PNN/DeepFM,由远及近,从最初把FM得到的隐向量和权重作为神经网络输入的FNN,到把向量内/外积从预训练直接迁移到神经网络中的PNN,再到参考wide&Deep框架把人工特征交互替换成FM的DeepFM,我们终于来到了2017年。。。
风雨中的小七
2020/04/24
1.8K6
CTR学习笔记&代码实现3-深度ctr模型 FNN->PNN->DeepFM
干货|深度学习在CTR中的应用
作者:jediael_lu
fishexpert
2018/11/21
1.4K0
从Wide and Deep、DeepFM到DLRM,现代的推荐系统算法研究
2019年5月,Facebook开放了他们的一些推荐方法,并引入了DLRM(深度学习推荐模型)。这篇文章旨在解释DLRM和其他现代推荐方法是如何以及为什么能够如此出色地工作的,通过研究它们是如何从该领域以前的结果中衍生出来的,详细解释它们的内部工作原理和思路。
deephub
2021/02/12
2.1K0
从Wide and Deep、DeepFM到DLRM,现代的推荐系统算法研究
FNN: Deep Learning over Multi-field Categorical Data
原论文:Deep learning over multi-field categorical data
用户3578099
2020/09/29
1.1K0
FNN: Deep Learning over Multi-field Categorical Data
谷歌、阿里们的杀手锏:三大领域,十大深度学习CTR模型演化图谱
今天我们一起回顾一下近3年来的所有主流深度学习CTR模型,也是我工作之余的知识总结,希望能帮大家梳理推荐系统、计算广告领域在深度学习方面的前沿进展。
AI科技大本营
2019/07/03
1.1K0
谷歌、阿里们的杀手锏:三大领域,十大深度学习CTR模型演化图谱
深度学习基础知识 | 上
MLP网络是一种应用最为广泛的一种网络,其中DNN就是属于MLP网络,它是一个前向结构的人工神经网络,输入一组向量向前传播输出向量,网络结构如下:
昱良
2019/07/04
6790
点击率预测模型Embedding层的学习和训练
​导读:本文将简要介绍推荐模型的发展历史,现状,和下一步的研究趋势。并重点介绍针对embedding数据的模型训练及优化。主要包含以下几大部分内容:
DataFunTalk
2022/05/04
1.4K0
Deep&Cross Network(DCN)
Deep&Cross Network(DCN)[1]是由Google于2017年提出的用于计算CTR问题的方法,是对Wide&Deep[2]模型的进一步改进。线性模型无法学习到特征的交叉属性,需要大量的人工特征工程的介入,深度网络对于交叉特征的学习有着天然的优势,在Wide&Deep模型中,Deep侧已经是一个DNN模型,而Wide侧是一个线性模型LR,无法有效的学习到交叉特征。在DCN中针对Wide&Deep模型的Wide侧提出了Cross网络,通过Cross网络学习到更多的交叉特征,提升整个模型的特征表达能力。
felixzhao
2022/05/12
1.4K0
Deep&Cross Network(DCN)
揭秘Facebook增长引擎——深度学习推荐系统
一些最前沿的研究成果大多来自业界巨头的实践。从Facebook 2014年提出的GBDT+LR组合模型引领特征工程模型化的方向开始,业界迎来了深度学习推荐系统应用的浪潮。
博文视点Broadview
2020/06/10
1.5K0
推荐阅读
相关推荐
算法大佬看了流泪,为什么这么好的CTR预估总结之前没分享(上篇)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档