简介
58同城是中国领先的本地服务平台，为用户提供广泛的分类信息服务，包括房屋租赁、招聘、二手车买卖等。对于企业来说，58同城推广是一种有效的营销渠道，可以帮助他们触达目标受众并促进业务增长。评估58同城推广对业务的影响
使用58同城推广可以为企业带来以下好处：1. 提高品牌知名度
通过在58同城上展示广告，企业可以提高其品牌知名度并接触到更广泛的受众。58同城拥有庞大的用户群，这为企业提供了接触潜在客户的绝佳机会。2. 产生潜在客户
58同城推广可以帮助企业产生潜在客户。用户可以在58同城上搜索企业的产品或服务，并直接与企业联系。这为企业提供了获取潜在客户的宝贵渠道。3. 促进销售增长
通过产生潜在客户和提高品牌知名度，58同城推广可以最终促进销售增长。在58同城上展示的广告可以激励用户采取行动，如访问企业网站或与企业联系。如何优化58同城推广的使用
为了优化58同城推广的使用，企业可以采取以下步骤：1. 定义目标受众
在开始进行58同城推广之前，企业需要确定其目标受众。这包括确定其人口统计数据、利益和地理位置。通过了解其目标受众，企业可以创建更有针对性的广告活动。2. 选择合适的推广方式
58同城提供多种推广方式，包括展示广告、信息流广告和关键词排名。企业应根据其目标受众、预算和营销目标选择合适的推广方式。3. 创建引人注目的广告
企业的58同城广告应该引人注目且令人难忘。它们应该清晰地传达企业的信息并鼓励用户采取行动。使用高品质的图像、视频和醒目的标题可以提高广告的效果。4. 设置合理的预算
58同城推广的成本因推广方式和目标受众而异。企业应根据其预算和营销目标设定合理的预算。5. 跟踪和分析结果
跟踪和分析58同城推广的结果对于优化活动至关重要。企业可以使用58同城的分析工具来监测其广告的绩效并根据需要进行调整。成功案例
以下是一些使用58同城推广取得成功的案例：1. 房地产公司
一家房地产公司使用58同城展示广告来提高其出租房屋的知名度。该活动成功地增加了潜在客户的数量，并导致了租金收入的增长。2. 招聘公司
一家招聘公司使用58同城信息流广告来吸引求职者。该活动产生了大量合格的求职者，并有助于公司填补了多个职位空缺。3. 汽车经销商
一家汽车经销商使用58同城关键词排名来提高其在搜索结果中的排名。该活动导致了网站流量的增加和汽车销量的增长。结论
58同城推广可以成为企业推广其业务并推动增长的有效营销渠道。通过评估其对业务的影响并优化其使用，企业可以最大化58同城推广的投资回报率。通过遵循本文中概述的步骤，企业可以创建成功的58同城推广活动，从而提高品牌知名度、产生潜在客户并促进销售增长。确认将私有化的58同城，还有更进一步的机会吗
一个带有冒险色彩的故事开头，往往从年轻小伙在异乡落脚开始讲起，而58同城这个故事的开端也同样如此。 根据58同城创始人姚劲波的自述，当年他只身带着5000元刚到北京想要租房时，就被黑中介骗走了1200元的中介费。 尽管这样的事情在当时并不鲜见，但姚劲波不仅从中吸取了教训，更看到了商机。
在对比了海外市场相关的互联网业务后，姚劲波很快发现当时国内的信息分类网站几乎还属于空白，于是在互联网江湖中，很快就出现了一个新的门派“58同城”。 从2005年上线、2013年上市、2014年拿到腾讯投资、2015年吞并老对手赶集网，在度过最高光的时刻后，如今58同城对外面临着财报数据下滑带来的质疑，在内也承受着各领域新兴门派崛起所带来的压力。
在这样的“内忧外患”之下，曾经的江湖大门派58同城则做出一个出乎外界预料的决定——私有化。
【私有化的资金，已经闪电谈好】
9月7日58同城发布公告称，在公司特别股东大会上，私有化协议以超过75%的得票比例获得通过。 需要注意的是，其实早在今年4月，就不断有58同城推动私有化的消息传出。 最早在4月2日，58同城就曾宣布董事会收到鸥翎投资发出的不具约束力收购要约，拟以每股美国存托股55美元的价格收购其所有流通股。
18天后，58同城董事会成立特别委员会，对包括私有化邀约以及公司可能采取的其他替代性战略选项进行评估。 在又过了10天之后，58同城收到了来自华平投资、General Atlantic、鸥翎投资和公司董事长兼CEO姚劲波的非约束性私有化要约。 这样一波又一波的消息，似乎都在催促58同城尽快做好私有化的前期准备工作。
但是在私有化之前，58同城必然要面对收购流通股资金从哪里来的问题。 6月15日，58同城宣布与Quantum Bloom Group签订合并协议，由姚劲波、华平投资、General Atlantic、鸥翎投资组成的买方投资财团，以每股普通股28美元（相当于每股美国存托股56美元）现金购买58同城所有已发行普通股，总的交易估值约为87亿美元。
这一切发生得如此之快，甚至让外界不免猜测，是否58同城内部早已做好相应的打算。但在解决了私有化资金这个重要问题之后，58同城或许还有一个核心疑问没有得到解答，那就是为什么要私有化？
【内有忧外有患，58同城退市是失败的表现吗？】
作为“一个神奇的网站”，58同城在2005年上线之后就实现了快速发展，并在2015年到达高光期，通过陆续收购安居客、中华英才网，以及多年的老对手赶集网，成为了分类信息领域当之无愧的“头号玩家”。 根据当年的公开数据显示，2015年58同城的总营收为44.78亿，付费用户数据也从52.9万猛增至130.6万。
但是已然成为互联网行业中雄霸一方的58同城，接下来却并没有延续这股爆发的劲头，反而在后期逐渐露出颓势。
随着移动互联网的发展，互联网江湖的“后浪”——垂类服务APP逐渐兴起，而58同城这个“前浪”也在各大细分领域中，不断面临新对手的挑战。 在找房领域，安居客需面临贝壳找房的奋起直追；招聘领域则需要与智联、boss直聘、猎聘、拉钩等一众新势力的混战；至于在二手交易市场，58同城孵化的转转，则需要面对一个更强大的对手——闲鱼。
更为严重的是，今年受到此次疫情的影响，58同城在多方面都遭遇挫折。 官方公布的第一季度财报显示，营收达到25.6亿元，同比下降15%，运营亏损达5580万元。 尽管58同城主要的收入来源自会员服务和在线营销，但在第一季度，其会员收入为8.16亿元，同比下滑16.9%，在线营销服务的收入是15.95亿元，同比下滑17.8%。
在这种种因素的影响与衬托下，58同城如今私有化的消息，似乎是其“失败”的象征。这个曾经充满了故事的“门派”，是不是真的到了退出 历史 舞台的时刻呢？
【投资脚步不停，改革已有方向，58同城这是决定“闭关”？】
但需要注意的是，与此前途牛因为股价不足1美元而面临退市危机不同，从58同城今年的种种表现来看，它的实际情况并没有外界猜想的那般糟糕，甚至可以说还保留着相当强的实力。
从58同城今年的动态来看，3月其宣布与二手车电商平台优信集团签订协议，以1.05亿美元的价格收购优信拍业务相关的资产。 4月，58同城与58爱房又宣布向重庆房产经纪企业“到家了”投资5亿元。 在这一笔笔以亿为单位的投资背后，既透露出58同城作为江湖大佬的实力，也反应出了其不甘现状的心思。
实际上，58同城这位互联网行业中的“前浪”，对于未来似乎还有别样的想法。 在今年1月，58同城就宣布将组织架构调整为4个前台事业群，分别为 汽车 事业群、房产事业群、人力资源及职业教育事业群，和本地服务事业群。 而当年那个一手将58同城拉扯大的小伙姚劲波，也宣布“58同城正在从一个以流量收入为主的平台，迈向将来以服务收入为主的时代。 ”
在了解了58同城的这些动态后，再来看其私有化的决定不难发现，由于私有化往往伴随着控股股东将小股东手中的股份买回，从而扩大已有份额等影响。 这就好比门派大会，将话语权集中在几个重点人物身上，从而能够更加高效率的决断问题并提出解决方案。
而从58同城近期的动向来看，如今其所面对最关键的问题，就在与平台是否转型以及如何转型。那么这次私有化有没有可能是58同城全方位改革的开端，决心“闭关修炼”的姚劲波，又能否继续谱写58同城的传奇呢？
多样性算法在58部落的实践和思考
导读 本文在明确“推荐系统个体多样性优化”主题后，由整体架构出发，清楚阐述了在召回层、规则层、多样性层的优化细节。 在MMR 和 DPP算法部分既有原理也有实践，最后用图表方式展示出了效果对比，并且结合自身业务特点做了针对性的距离设计。 背景 在推荐系统中，衡量系统好坏的指标，除了相关性之外，多样性也是重要的指标之一。 但多样性和相关性之间往往存在一些矛盾的地方，本文从业务指标的角度，探讨了多样性和相关性之间如何权衡的思想方法，介绍了多样性算法的落地实践方案，最终达到了通过多样性手段提升业务指标的目的。 1. 多样性算法的意义和难点 推荐系统中，准确度一直是衡量系统好坏最重要的指标，大多数的工作都是在研究如何提高准确度。 然而，推荐结果的质量是通过多个维度来衡量的，越来越多研究表明，仅依赖准确度的推荐已经不能对用户的体验和满意度有所提升，反而容易促进信息茧房的产生。 于是，如何在准确性和多样性之间进行权衡和协同优化，从而提高业务的整体数据指标成为了现在推荐系统的又一个优化方向。 在实践中，我们总结了多样性算法落地的几个难点：1）模型的优化目标模糊 众所周知，各种用户行为（点击、转化、停留、分享等等）都可以作为优化准确度的目标，我们可以明确的收集用户的行为作为模型的目标标签，从而设计模型并优化。 因为多样性本身是一个集合统计量，很难找到直接的用户行为来作为模型优化的目标。 2）业务指标和多样性指标的冲突 业务关注的指标（转化率、停留时长等）和多样性指标并不是简单的正向或者负向的关系。 如果单纯为了提高多样性指标而做多样性，反而会导致最终结果与业务目标偏离，使推荐的质量下降。 综上所述，我们在58部落推荐系统的多样性实践中，排除了单纯使用多样性指标作为评估算法好坏的方法。 结合部落的业务特点，我们定下了这样的目标：把多样性作为一个提高业务指标的手段，通过多个业务指标和多样性指标来综合评估算法的效果，最终达到两种指标共同提升，进而提高用户体验的目的。 58部落的多样性算法实践 在多样性算法的研究中，通常把多样性分成两种： 基于个体用户的多样性，旨在避免给单一用户推荐相似的物品，从而提高用户体验和增加用户满意度； 基于全部用户的多样性，旨在优化长尾的物品分发效果； 因为我们现阶段的主要目标是针对个体用户体验，所以选择了基于个体用户的多样性作为实践方向。 1.推荐系统架构图 推荐系统在线分层架构图 为了保证推荐数据的多元化，我们在三个地方进行了优化： 1）召回层：从数据源提供多样性的候选集合，通过提高粗排候选池中主题、类别和作者的覆盖度来保证数据源的多样化； 2）规则层：在相关性损失不大的情况下，通过提高精排候选池中主题和类别的覆盖度来保证进入精排数据的多样化； 3）多样性层：对数据统一做多样化处理，保证数据输出多样化。 数据决定了效果的上限，而算法只是逼近这个上限。 在多样性层，只是尽可能保证了精排后的数据多样性，由于结果受精排候选池数据多样性的影响，所以如果能在召回层数据源保持候选集合的多样性，效果会更好。 2. 数据源多样化 2.1 召回层多样化的实现 召回层架构图 在召回阶段，我们采用的是多路召回。 为了保证数据多样性，通过增加若干多样性的召回策略来丰富数据源，例如： 通过多样性算法，获取用户个性化和多样化的主题、类别、作者进行召回，以保证召回兼顾多样性和相关性； 通过一些长尾、时间、惊喜的召回分路，来增加数据新颖性和多样性； 通过一些基于关系、属性的协同召回分路，提高数据多样性。 通过增加多样性和新颖性召回，粗排候选池中的数据基于主题的覆盖度提高了120%左右，基于类别覆盖度提高了100%左右。 2.2 规则层多样化的实现 规则层架构图 我们推荐的数据是多种异构类型的实体，因此进入精排前（规则层）会对类型进行分桶处理。 每种类型从粗排到精排都要经过一个数据截取阶段，主要截取指标一般是粗排的相关性分数。 为了防止截断操作破坏召回层对数据源所做的多样性优化，我们通过对该类型的粗排结果先按照类别进行分桶，然后在做多样性控制。 最后对各种类型进行比例调整、数据补充以及一些必要的过滤。 在相关性影响不大的情况下提高精排数据的多样性。 因为规则层多样性算法是按照类型分桶，因此不受多种异构类型的实体混排的影响，适合于各种多样性算法。 规则层添加多样性算法干预之后，精排候选池中的数据基于主题的覆盖度提高了80%左右，基于类别覆盖度提高了70%左右。 规则层加入多样性后的线上ctr和uvctr转化效果，如下图： 规则层算法效果对比 从上图可以看出，就而言，各个算法差异度并不是很大，和表现略好。 就而言，算法表现稍微好一点。 规则层主要是通过多样性算法替换之前的启发式规则，使据源多样性自动化。 3. 基于重排序方法的多样层 算法调参，我们主要参考三个业务指标： pvctr表示pv点击率；uvctr表示uv点击率；avgpv表示人均展示数。 对于多样性算法应用的场景，在规则层单类型上使用了常用的多样性算法，binomal，EE,DPP,XQUAD,PM2,Bayes，MMR，在多样性层多种异构类型的实体上常用算法并不是合适，因为58部落物品类型多样而且异构，很难用单一的向量生成方法把异构物品放在一个稠密空间度量，而且不同类型的实体兴趣分布重叠度并不是很高，所以我们使用了基于自定义距离的MMR,DPP算法以及不是基于距离的EE算法。 3.1 多样性架构图 多样性层架构图 限于篇幅、业务结合的重要性、时效性等原因，下面重点介绍MMR和DPP这两种算法在工程实践中的应用。 3.2MMR的原理 MMR 的原理的全称为MaximalMarginal Relevance，是一种以减少冗余、保证相关的贪心排序算法。 在推荐场景体现在，给用户推荐相关商品的同时，保证推荐结果的多样性。 公式： S是已经选择的文档有序集合,一般是相关性排序结果; R表示下一个候选文档； Di表示下一个候选文档; Dj表示S中的文档; sim函数：是相似度度量函数，例如相似度；表示候选文档与查询文档的相关性；表示该文档与已有文档的相似性最大值； 权重系数，调节推荐结果相关性与多样性。 作为一种贪婪算法，同样是每次计算出公式中最大值，放入有序结果集，同时从候选集中删除选中的物品，然后更新参数，进而进行下一轮继续选择，直到结果集中数据量满足需要或者没有数据可选择为止。 实现流程 MMR算法流程图实验效果 MMR参数效果对照图 我们工程实现上为了算法流程统一，把原始论文中的公式里面的和调换了一下位置，为了保证几个指标在同一张图中对比，图中把和进行一定程度的放大和缩小。 从图上可以看出，逐渐调整多样性参数, 逐渐降低，在的时候达到最高点，因为越小，结果越偏向于相关性。 和人均浏览数稳定提高，说明随着多样性的增加会吸引一些人产生点击行为，并且会使得他们浏览更多的内容，并且在的时候效果最好，在的时候达到最高点。 工程实现问题 距离计算的时候，我们的实现是当前文档与已选文档之间的平均距离，来避免使用最大距离而导致推荐结果中后续加入的文档之间有高的相似性。 物品之间相似度函数的定义，可以根据论文里提到的用相似度。 但是这样就要求候选列表之间必须要有一个统一的物品向量，以保证该向量是anything-to-anything。 因为推荐结果有多种类型，并且是异构的，这种情况下相似度并没有很好的可解释性。 我们的做法是使用和业务结合的自定义距离，下文会详细介绍自定义距离。 3.3 DPP的原理 全称determinantal point process，是在一个离散的点集的幂集上定义的概率分布。 是随机采样得到的一个子集，对于任意，有 公式中变量含义： Y行列式点过程随机采样得到的一个随机子集;是Y的任意子集;表示中所有元素在采样中被命中的概率; k是一个的实对称方阵，也是被称为的核矩阵，每个元素可以认为是集合中第个元素之间的相似度，与采样概率成反比。 可以看做物品与用户的相关性，和采样概率成正比。 Ka是K的主子式，阶数是中元素个数。 行列式点过程，通过下图可以形象的描述： 行列式点过程示意图 表示物品i、j同时被采样出来的概率。 从公式可以看出，越是相似的物品，被同时采样出来的概率就越小。 该算法思路是把重排序问题看成一个子集选择问题，目标是从原始数据集合中选择具有高质量但又多样化的的子集，通过DPP来保持高质量和多样性的平衡。 DPP是一个性能较高的概率模型，通过行列式将复杂的概率计算简单化。 DPP还可以理解为一个抽样的过程，两个元素作为子集被抽取的概率与单一元素被抽取的概率以及这两个元素的相似度有关。 DDP实现方案 第一种是Google提出一种基于窗口的重排序方案，论文中提到的核矩阵构建方案是： Dij表示物品i、j 的距离，是自由变量。 当a=1时，等价于标准RBF内核。 当 时，按比例缩小矩阵的非对角线，这基本上对应于将所有物品更多样化。 当a>1时，按比例放大矩阵的对角线，其相反的效果是使所有项更相似。 随着集合的增长，小集合的概率增大，而大集合的概率减小。 由于a>1时，可能导致L非半正定，为了保证每次计算的核矩阵半正定，论文对核矩阵做了一个映射，计算L的特征分解并用0代替任何负的特征值。 同时也提出了基于深度格拉姆核矩阵的深度学习模型优化方法，减少网格搜索参数的复杂度。 第二种是宾夕法尼亚大学提供的方案，该方案是一个通用的DDP最大后验推断求解方案，但是每获取一个物品，都要经过计算而重新构建核矩阵，延迟不太乐观。 第三种是Huhu视频提出最大后验推断解决方案，该论文提出了一种改进的贪心算法能够快速的求解以解决传统MAP时间复杂度很高的问题： 通过构造 的次模函数把MAP求解问题转化为次模函数最大化为题。 并通过贪心算法来解决次模函数最大化带来的NP-hard问题。 每次选择商品添加到结果集中Yg中，Yg初始化为空集，直到满足条件为止，商品需要满足下面的等式： 由于计算行列式复杂度较高，论文对的进行Cholesky分解，初始化为空，并通过一些列转化得到： 作者又提出了增量更新，通过推导（具体推导过程请参考原论文）得到最终增量更新公式： 我们实现了三种方案，方案二延迟较大，无法应用到线上。 方案一我们实现的简单模式，是直接计算行列式，延迟比方案三大。 方案三没有核矩阵就行修复，会出现排序结果小于预期数据量的情况。 实际应用中，结合数据量的需求以及效率，我们最终选择的是第三种hulu提出的实现方案。 DPP实现流程 DPP算法流程图实验效果 DPP参数变化对应效果图 为了保证几个指标在同一张图中相互对比，图中把pvctr和avgpv进行一定程度的放大和缩小。 从上图可以看出，逐渐调整多样性参数, pvctr在变大，在0.7左右的时候达到最高。 uvctr和人均浏览数稳定提高，说明随着多样性的增加会吸引不点击的人产生点击行为，并且会使得人们浏览更多的内容，并且uvctr在0.7的时候达到最高点，在0.7时的时候效果最好。 DDP每条曲线最后一个参数值都很低，是因为在0.999的时候，在构建核矩阵的时候a的值变得很大，在经过指数变化，导致很多核矩阵的值为最大值，矩阵不满秩，数据只返回几个，属于非正常情况，各种指标都下降，这也是算法调试过程中需要避开的点。 工程实现问题 实现上，我们主要使用EJML这个高效的开源的Java矩阵运算库实现的，这个库是目前尝试过程中效率比较高的库。 工程实现上，主要参考论文中提到的使用 exp(αr_u ) 代替Ru，通过对多样性和相关性进行调节， α=θ/((2(1-θ)) ) 论文中提到的保证半正定性就行修正 S_ij=(1+⟨f_i,f_j ⟩)/2 在我们应用中影响并不是很大，主要是我们的相似度矩阵是自定义的。 DPP主要优化点在效率，我们采用huhu视频的优化方案，通过增量求解的方式代替遍历求行列式的方式，平均100个物品整个重排序过程延迟只有4ms。 核矩阵的构建，因为我们需要一个可解释性比较强并且能和业务结合比较紧密的自定义距离，因此相似度矩阵、核矩阵也是自定义。 采用窗口的方式对整个列表分批排序。 针对次模函数性质，小的数据集排斥性比大的数据集更大，采用窗口效果更好。 针对DPP调参，首先固定自定义距离参数，找到一个合适的，然后固定，循环调节距离参数，网格搜索的方式优化参数。 由于核矩阵不满秩，导致返回数据量可能会小于预期的数据量，在对业务影响不大的情况下，可以正常使用。 如果对返回数据量有严格要求，需要考虑对核矩阵进行修正，可以参考类似google提出的核矩阵修正方式，同时会对延迟有一点影响，延迟大概增加一倍。 3.4 多样性层算法效果对比图 原始算法、MMR和DPP效果对比 多样性层主要考虑稳定性以及时效性，我们主要流量在两个隐式多样性算法MMR和DDP，而我们原始算法是通过启发式规则进行控制的。 通过对比最优参数下的算法，发现DDP整体效果上好于MMR，并且相对于原始算法都有很大程度提升。 下表表示两个算法相比原始算法变化。 指标\算法MMR DDP pvctr+3.4%+5.8% vvctr +5.4%+7.9% avgpv +4.2%+6.0%各算法业务指标变化图自定义距离 为了可解释性更强以及更紧密的融合业务，我们使用了自定义的距离，自定义距离好处如下： 可解释性比较强，自定义的距离偏向于人可理解的目的，使距离更可解释; 和业务结合更紧密，自定义的距离使用业务相关的信息紧密结合业务; 通用性比较强，可以在不同异构实体间使用，其他距离无法做到这一点. 我们实践过的自定义距离如下：1.杰卡德距离/汉明距离 这种自定义距离实现方式，采用汉明-杰卡德距离平铺近似法 自定义距离-杰卡德/汉明距离 就是构造和业务结合的汉明向量,先求出汉明距离，然后通过杰卡德相似度做归一化。 2.自定义距离-树模型距离 自定义树模型的距离是通过树状分层衰减，自顶而下结合业务实现的 自定义距离-树模型 树的叶子节点，就是距离的散点值。 我们尝试了以上三种自定义距离方式，从可解释性、业务结合性以及线上实验效果来看，树模型是目前效果最适合的。 总结与展望 推荐系统多样性的好坏有很多评估的方面，本文不单纯用多样性指标来衡量算法的好坏，同时还基于业务指标综合考虑多样性结果，把多样性和业务关注的指标进行权衡，最终实现了通过多样性算法提升业务指标的目的。 在工程实现上，本文从召回、规则、重排序多个层面分别介绍了为达到多样性的目的而做的算法尝试，特别是最重要的重排序阶段，我们基于MMR和DDP算法，在计算效率上进行了优化，并且针对业务数据的特点，对距离进行定制化改造，满足了从多维度衡量物品相似度的业务需求。 目前多样性的实践就文献中的效果来说，学习式的多样性算法效果大于非学习式的，显式的大于隐式的，然而多类别异构实体的关系并不是那么直观，后续我们会结合业务特点进行尝试。 另外基于强化学习的多样性算法也是多样性研究的一个方向，目前我们已经再做相关尝试。 参考文献： 1.C.-N. Ziegler, S.M. McNee, J.A. Konstan andG. Lausen. Improving recommendation lists through topic diversification. WWW2005 2.J. Carbonell and J. Goldstein. The use ofMMR, diversity-based reranking for reordering documents and producingsummaries. SIGIR 1998 Gillenwater Alex Kulesza Ben Taskar. Near-Optimal MAP Inference forDeterminantal Point Processes. NIPS2012 Wilhelm, Ajith Ramanathan, AlexanderBonomo, Sagar Jain, Ed H. Chi, Jennifer Gillenwater. Practical DiversifiedRecommendations on YouTube withDeterminantal Point Processes. CIKM’18 2018 Chen, Guoxin Zhang, Hanning Zhou. FastGreedy MAP Inference for Determinantal PointProcess to Improve RecommendationDiversity. NeurIPS 2018 ,CSDN博主 process 入门,2019作者简介： 刘发帅，58赶集集团，资深算法工程师 周建斌，58赶集集团，算法架构师，技术委员会委员 推荐阅读： 灵巧无负担的共享云端代理 深度学习在58商业排序的应用实践 58技术沙龙 | 第十五期 走进微前端 万万没想到！在58同城工作居然是这样的？
58同城现在的市值
“58同城，一个梦幻般的网站！”杨幂这句广告说了快11年了，我们也听了10多年了。 近日，58同城发布2020年第一季度财报显示，截至2020年3月31日的三个月，实现营收25.603亿元人民币(3.614亿美元)，较2019年同期下降15%，营业亏损5580万元人民币(0.79亿美元)，非美国会计准则营业利润1.440亿元人民币(0.9万美元)。 扣除58子公司国内业务融资给58同城带来的26.832亿元人民币，按照非美国会计准则，归属于普通股股东的净亏损为4.396亿元人民币(6200万美元)。 6月15日，在美股上市的58同城正式宣布签署私有化协议，将以87亿美元(约合人民币617亿元)的价格完成回购，这也是今年最大的私有化交易之一。 从2005年12月58同城成立，到2013年10月31日在纽交所上市，再到现在宣布私有化，58同城这个从PC时代走来的互联网信息聚合平台，已经走过了第十五个年头。 还记得那时候，租房子，找工作，找兼职，交朋友，买卖二手货等等。 要么去了58同城，要么去了赶集网。 对于在大城市打拼的工薪族来说，这两个网站是宝贝。 与此同时，作为一家在美股上市七年的中国互联网公司，如今宣布退出美股市场。 对于私有化的原因有各种版本的猜测。 有人说是应对美国监管风险的无奈之举，也有人认为其业绩疲软，市场份额逐渐流失，流量红利消退，需要通过私有化重新评估，然后回归。 私有化不代表58失败。 如今，58市值约80亿美元。 然而，私有化后的58将何去何从？未来15年58会值多少钱？抓住信息鸿沟，从钱入手。 2005年12月12日，58同城成立。 当时，姚劲波想打造一个中国版的Craigslist。 Craigslist，美国最火的分类广告网站，发布各种生活信息，卖二手车，发布租房信息，招聘，相亲.曾经是美国人最喜欢的网站之一，流量堪比ebay。 姚劲波想把58同城打造成“本地生活信息第一门户”，刚开始这么做，就获得了软银赛峰500万美元的投资。 最初58同城只做C2C业务，完全模仿美国Craigslist。 但是很难推进，就是个人用户付费。 当时国内互联网普及率和应用程度还处于成长期，没有现在的“付费意识”。 在当时绝大多数网民的认知中，网上所有的信息都是可以获得的，应该是免费的。 所以当时个人用户付费是不可行的。 当时58就想到了一招，靠线上流量线下赚钱。 姚劲波出资创办了一本杂志《生活圈》，但只办了一年就停刊了，因为他发现互联网才是他们应该专注的地方。 重新聚焦线上后，58同城在C2C业务的基础上加入了B2C业务，通过B2C业务向企业用户收费。 随着充电业务的发展，58同城实现了营收的大幅增长，并于2009年实现盈利，随后进行了第二轮、第三轮、第四轮融资，58同城正式进入快速扩张阶段。 和同时期的其他本地生活服务平台一样，同程是在有利的社会和市场环境下起步的：PC的普及率越来越高，网络用户数量快速增长。 人们正处于一个迫切希望熟悉网络并充分利用网络的阶段。 线上线下信息的差异成为本地生活服务平台成长的沃土，尤其是在生活工作节奏比较快的大城市。 获得及时、方便、丰富的信息是非常重要的。 同期，58同城的主要竞争对手。 本质上没有太大区别。 它是一个分类信息平台，但有一些不同之处在很大程度上，58、赶集等本地生活服务平台实际上是把以前在报纸等印刷品上发布的各种信息发布到了互联网上。 作为网络信息载体，58同城和赶集网拥有报刊等不可比拟的优势。 信息的发布不受发布时间和形式的限制，同时让更多的人看到最及时的信息。 但是在互联网还不是很发达的时候，获取流量的成本并不低。 58同城初创公司的市场费用大部分集中在两项费用上：广告和代言，购买流量。 首先是广告和明星代言。 当时除了业务上的竞争，58和赶集网的竞争也是广告营销上的个人搏杀。 几乎所有的渠道都做了大量的营销广告，如公共交通、地铁、电视等。 长期活跃在中央电视台部分频道和各大地方电视台。 相比之下，58同城就有点落后了。 2011年初，吉吉。 com做了一个大广告，签下了已经火了，出演了热播剧《潜伏》的陈瑶做代言人。 有了这个广告，陈瑶把这头驴赶到了市场，尽管它还没有被洗脑。 度，但也是各种霸屏。 当时，姚晨代言的广告一播出，赶集网的网络指数增长了3倍，而同期，58同城的网络指数则远低于赶集。 根据58同城副总裁陈建宁在2017年接受媒体采访时所述，看到赶集网的广告代言取得这样的效果和影响，58同城很着急，急于想出应对之法，一个关键点就是选择明星代言人。 最初考虑过孙红雷，后来考虑58同城的品牌调性等相关因素，觉得有“国民媳妇”称号的海清更匹配，却又由于各种原因，没有达成合作。 当时杨幂主演的《宫锁心玉》刚刚完播不久，人气猛涨，并且80后非常喜欢《仙剑奇侠传》，最后敲定决定请杨幂做代言人。 据陈建宁所称，58从接触杨幂经纪人到正式签约，只用了大概两天的时间。 加上央视、地方卫视和地铁等渠道的广告投放，58同城的投入很庞大，当时一度有传出58的广告费用一度接近5亿元，而姚劲波对此说法也没有否认。 8年，成国内赴美上市分类信息第一股据公开信息显示，从2005年创立，到2013年成功上市，8年时间，58同城先后6次融资，不算姚劲波个人的后续投资，累计融资1.57亿美元。 2013年，58同城在纽交所上市，成为国内赴美上市的分类信息第一股，上市首日股价便大涨41.88%。 招股书上显示，从2012年到2013年，58同城分别亏损1300多万美元、8000多万美元和3000多万美元，亏损最多的2011年，也是烧钱最快的一年，在这一年，58同城签约了杨幂，也铺天盖地打起了广告。 同时，招股书还显示，从2010年到2012年，58同城烧掉超逾1.2亿美元，前三轮融资几乎全部烧光。 终于在2013年第二季度，即上市前，58同城实现了首次盈利。 而之所以能够实现盈利，一方面是58同城在2011年之后明显缩减了广告支出，从2010年到2012年，58同城的广告费支出分别达到820万美元、6850万美元和2510万美元。 另一方面则是付费会员的收入实现了较大幅度的增长，当季58同城会员费营收环比增长了38%，占总营收的59%。 除了会员费，当时的58同城的业务构成中还有在线营销服务和在线交易佣金，只是在线交易部分的占比只有个位数。 然而，上市虽然解决了58同城的资金流需求，但是业务构成决定了其高度依赖于流量的导入。 其实在分类信息赛道，曾经的火热程度并不比“千团大战”低，最多的时候，国内大大小小的分类信息网站有超过两千家，就连人人网曾经也是分类信息网站之一，最后就像团购赛道一样，只剩几家头部。 在58同城创立早期，市场就已经做出判断，要么被大厂收购，要么上市，经过8年的苦心经营，58同城上市了。 而现在，从今年4月2日58同城宣布收到收购要约，到达成私有化协议，仅仅过了两个月。 为什么？优势变成劣势，58的得与失从门户网站到分类信息网站，本身就是信息服务平台从综合型走向垂直类的一个发展路径。 在这个发展过程中，分类信息网站所占据的信息差优势很快便从绝对优势变为相对优势，继而优势全无，尤其在移动互联网时代到来之后，这个过程变得异常迅速。 房屋租赁、二手买卖、求职招聘、交友……虽然每个赛道的市场规模都足够庞大，但是当垂直信息服务网站和SNS社区大量出现，58等分类信息网站如何保住用户流量比怎样向用户收费的问题更现实。 招聘网站，在58同城之前就已经有了智联招聘和51job，到移动互联网时代，又出现诸如Boss直聘、脉脉这类垂直应用，以及上百家主打蓝领招聘的细分公司；房屋租售，2007年安居客成立，2015年出现了爱屋吉屋，还有自如、贝壳等应用；二手市场则被闲鱼牢牢占据；各类交友、社交平台在移动互联网时期多得数不过来……对于每天面对爆炸式快速增长的网络信息的互联网用户来说，垂直信息显然更容易满足用户的切身需求。 当这些平台出现之后，分类信息网站如何保住用户流量是更加现实的问题。 58也已经意识到自身对于流量导入的依赖，就连姚劲波自己也在2014年的时候表达过一种观点：传统信息分类网站已死。 但58同城近年来做过最多的动作其实是买买买和拆拆拆，收购垂类信息平台，进行业务拆分。 1、买买买，靠收购建成的信息帝国从其收购的对象来看，58聚焦于在各个细分领域增加新的流量入口，而并不涉及公司业务本身的转型。 2015年3月，58同城以2.67亿美元并购安居客，同年5月并购了中华英才网，8月增持汽车点评平台莱富特佰股份至70%。 在这一年，58还收购了驾校一点通，入股土巴兔。 最引人注目的一次并购则是对赶集网的并购，他们的结合在分类信息服务领域形成了一家独大的局面。 58对于“买买买”的热衷，很让人吃惊，就在鸥翎资本收购要约发出之前不到一个月，58同城还与优信二手车签订协议，以1.05亿美元收购优信拍业务相关资产。 由此可以看出，58同城的收购对象其实依然集中于58原本的业务范畴之内，通过不断收购垂直平台，加强对各个垂直信息领域流量的掌握。 同时也在此基础上做一定的延伸，先后开展了58到家（家政等生活服务）、转转二手平台、58同镇（“同城”的下沉市场版）等业务。 可以认为58的业务重心体现在业务的覆盖面上，比如在求职招聘领域，有定位高端的中华英才网，有中端的58、赶集招聘，还有斗米兼职。 但是在移动互联网大潮到来的时候并没有及时跟上脚步，没有根据移动互联网的发展特色进行充分的转型升级。 虽然58通过收购建起了一个分类信息帝国，尤其是在收购赶集网之后，似乎有种一家独大的感觉，但却只能说是整体业务体量巨大，但并没有形成合力，面对来自于每个垂直市场的竞争者，缺乏足够的深度和专注度，就意味着58将疲于应对各个细分赛道的竞争压力。 2、拆拆拆，投资行为大于经营业务拆分似乎已经成为58同城的习惯性操作，除了买买买，58做得最多的可能就是拆拆拆。 在58的拆分中，可以分成两个部分，首先是将原有的业务进行垂直化拆分，如前面所说的，在58并购赶集之后，做的第一件事就是两个平台上的兼职业务单独拆分出来，单独打造成“斗米”品牌，这个品牌也先后获得数千万美元的融资。 同样是在2015年，在与赶集并购几个月之后，58和赶集共同宣布拆分“瓜子二手车”股权。 在2019年初，还以7.136亿美元出售了其在车好多集团部分股权。 58同城2019年财报显示，其在2019年全年155.8亿元的营收中，有很大一部分就来自于其出售车好多股权所得。 不断的并购与拆分，而不是在垂直领域专注做深，越来越不像那个曾经让用户很依赖的分类信息网站。 也正是因为这些资本操作，让外界更加清晰地看到，在最近几年里58的财务表现上，尽管营收增长的表现很亮眼，但剔除业务拆分与并购的投资收益，其实其主营收业务、会员营收和在线推广收入增速均呈现下滑趋势，经营业绩持续承压。 甚至还有沽空机构在2019年两次发布报告，认为58是在通过并购与拆分、操控财报，隐藏亏损。 每一个赛道都是一个体量巨大的市场，且在每一个赛道里，都有58的脚印，以团购为例，在团购最火的一两年里，58还曾寄希望于利用自有的商家和用户资源优势，切入团购赛道，包括赶集网也是如此。 但在“千团大战”中活下来的却没有几家，其余的要么转型要么彻底失败，最终，抱着“占坑”心态的58同城连烧钱的机会都错过，只能眼看着美团拔地而起，而今成为一个市值万亿港币的真正巨头。 58同城不缺钱，至少目前来说，并也不愁赚钱，但进入移动互联网以来，流量已然完全转向，58同城虽然涉及诸多赛道，且每一个赛道都有十分庞大的容量，但在每一个赛道中，都有对应的行业巨头存在，他们是在站在专业性和垂直纵深度上对传统的分类信息网站进行降维打击。 这些垂直领域的头部或者小巨头已经成为58的最强对手。 写在最后一路狂奔过来，58同城称得上是分类信息领域的王者，奈何天下已经成为细分领域的天下。 自2013年上市以来，其营收增速便开始下滑，并且从2018年第三季度开始，在线广告和会员服务两大现金牛业务持续下滑，在2019年第四季度出现了首次负增长。 根据最新财报所显示，2020年第一季度，58付费商户数约270万，会员服务贡献8.156亿人民币（1.151亿美元）营收。 而据其2019年Q4财报数据显示，2019年第四季度，付费商户数约330万，贡献营收11.1亿人民币（1.6亿美元），这意味着其会员数量和相关营收出现了负增长。 在线营销业务的营收15.954亿元人民币（2.252亿美元），也比2019年同期下滑了17.8%。 15岁的58同城，如今已经站在了一个十字路口，它还是一个互联网巨头，但却是一个未到中年却显老态的巨头。 不禁令人思考，到底什么是58同城的行业壁垒，58的护城河到底是什么？是品牌，规模，还是在各个细分领域的布局？又或许，行业壁垒已经不存在，护城河也无法没过脚踝。 58确实早已不是那个“神奇的网站”，但对于私有化之后的58同城，无论是否回归A股，都是一个重新启程的大好机会，抛开旧的“肌肉记忆”，PC时代延续下来的门户生态需要来一场自我颠覆。
标签： 以及如何优化其使用 评估其对业务的影响 58同城推广
