中年新东方“谋变”

在这里插入图片描述

配图来自Canva

新东方作为教育行业最老一代的前辈,近来却难保过去的荣光。10月13日,教育行业的老大哥新东方发布了截止至2020年8月31日的2021财年第一季度业绩报告。财报发布之后,新东方股价应声而落。显然,中国合伙人的故事,已经难再打动资本市场。

教育行业兴起早期,新东方凭借着留学热潮收割了一波红利,在教育领域里占据大片江山。然而,当行业内涌入更多玩家的时候,老大哥新东方却越发被动。

疫情影响未解

得益于国内疫情的有效控制,苦陷停摆的各行各业正在慢慢恢复。

作为教育巨头的新东方同样也在尽力摆脱疫情的影响,从新东方上一财季发布的营利双失业绩报告中可以看出,尽管疫情使线上教育得到了前所未有的发展机会,但是对于倚重线下教育的新东方而言,疫情无疑是一次重压。

在新东方上一次的业绩报告里,其预计2021财年第一季度的营收将在9.112亿美元-9.535亿美元之间,同比减少11%-15%。

万幸的是,在新东方最新公布的财报数据显示,新东方2021财年第一季度其整体情况要好于预期。

新东方创始人兼董事长俞洪敏表示,“新冠疫情给全球企业的发展带来了一定的阻碍,2021财年第一季度的业务运营以及财务状况同样不可避免的受到影响。不过,在报告期内公司还是取得了令人鼓舞的结果。”

只是,尽管新东方的表现好于预期,但依然是营收与利润双双下降。

新东方财报数据显示,在2021财年第一季度,新东方实现净营收为9.86亿美元,和去年同期的10.72亿美元相比,下降8.0%;净利润为1.75亿美元,和去年同期的2.09亿美元相比,下降16.4%。新东方应占的每股美国存托凭证基本和摊薄收益分别为1.10美元、1.09美元,和去年同期1.32美元、1.31美元相比均同比下降20%。

在新东方财报发布之后,10月14日,其股价出现5.17%的跌幅,收盘162.10美元。显然,资本市场对新东方好于预期的财报也并没有特别买账。同时,吃到了成人英语培训市场螃蟹的新东方,开始头疼相关的成人英语业务。

起家业务陷难

在很长一段时间里提到学英语,大众必然会想起新东方。不过现在新东方的成人英语培训相关业务,却难以再成就一个新东方。

新东方财报数据显示,在2021财年第一季度,新东方的海外考试业务直接面临收入腰斩下降幅度达到51%的局面,海外咨询及游学业务的下降幅度也达到了31%。

对此,新东方的CFO杨志辉表示,由于疫情的因素,许多国家取消了海外考试、海外学校和旅行也陷入了停滞,在下一季度海外业务预计将会下滑35%,也就是意味着在第二财季海外相关业务情况将会有所好转,同时,国内一些城市已经开放了托福、GRF等考试。

尽管杨志辉认为在第一财季已经是海外相关业务最遭的情况,之后会反弹恢复,但是疫情对于成人英语培训市场的打击并不轻,同时成人英语培训市场的战场严酷早有征兆。

艾瑞咨询统计测算显示,2019年成人英语市场规模约在953亿元左右,同比增长为10.5%。而在2020年由于为了疫情防控应试类的英语培训和线下实用英语培训都有所减少,所以预计2020年的市场规模将会减少37.6%至595亿元。

其实在疫情之前,已经有迹象表明成人英语培训市场淘金难。

2019年9月28日,已经成立了21年的老牌英语培训机构韦博英语倒闭,旗下众多门店纷纷跑路。还有当初依赖成人英语培训的51Talk,已经早早转向K12赛道。在大势面前,新东方也不得不加入了K12的潮流。

转身K12赛道

新东方2021财年第一季度的整体情况好于先前的预期,离不开K12相关业务的增长。

财报数据显示,在2021财年第一季度新东方来自于K12全科目课后辅导业务的收入,实现同比约8%的增长。当中,优能初中和高中的全科课后辅导业务收入增长了约9%,泡泡儿童计划的收入增长约4%。

而经过了疫情之后,K12教育洗牌加速。原本进入K12赛道就已经迟了一步的新东方,为了增进自身的竞争力,在7个新的城市成立了线下培训学校,截止至本季度末,教室的总面积同比增长了23%,环比增长1%。

同时,尽管今年暑假时长缩短将近一个月,但是在新东方的夏日促销活动中,暑期促销班报名的学生依然达到了108万名,同比增长达到31%。不过新东方入局K12也并不轻松,因为K12市场早已经是高手云集。

为了增添突围的砝码,新东方不得不想更多的办法。近期有媒体消息爆料,新东方拆分了旗下的成人培训业务,同时成立大学事业部。

大学事业部是新东方的一级机构,当中包括了国内大学项目事业部、地方培训学校的国内考试相关业务(如四六级、考研等)和8所试点培训学校的留学考试部等成人培训业务。不难看出新东方聚焦K12业务的意图越来越明显,同时认识到光凭线下难以取胜的新东方开始加码线上。

加码OMO

2017年李开复首次提出OMO,即Online-Merge-Offline(线上与线下融合)。

到了2019年教育OMO的概念就甚嚣尘上,多家教育机构将OMO模式作为发展的主要战略,新东方也不例外,而为了使OMO战略发展的更好,新东方在逆势的情况下依然选择扩张。

在报告期内,新东方的学校以及学习中心总数达到1472个,和去年同期的1261个相比,增加了211个。目前新东方大概在20个城市推出了OMO在线课程,投资了3900万美元对OMO集成教育生态系统进行改善和维护。

新东方CFO杨志辉表示,OMO战略将能够有效增加今年的招生人数以及促进业务的恢复。OMO战略将会是未来新东方增长的引擎之一,在OMO模式下,新东方杭州学校的留存率超过了50%。

可以看到,为了能够走得更加长远,新东方也正在做出改变。不过随之而来的也有不断攀升的成本。和众多K12的玩家一样,在竞争激烈的K12市场里,高额的营销费用成为抢占市场不得不付出的成本之一。

新东方财报数据显示,在报告期内其营业成本和费用达到8.36亿美元,同比增长1.3%。当中销售及市场推广费用为1.17亿美元,同比增长达到15.5%。截止至2020年8月31日,新东方的现金以及现金等价物为10.48亿美元,在2020年5月31日则为9.15亿美元。

虽然俞洪敏认为,教育机构必须保证账上的现金储存充分,不管新东方规模做多大,必须能够随时随地将学员的学费全部退回。不过在目前疫情影响仍未消除的情况下,新东方又面临着教育行业里各种新老势力的竞争,谋求转变的新东方势必要面对一场恶仗。

文/刘旷公众号,ID:liukuang110

内容概要:本文围绕“基于分布式模型预测控制的多个固定翼无人机一致性控制”展开,利用Matlab代码实现相关算法的仿真,旨在通过分布式控制策略实现多架固定翼无人机在复杂动态环境中的协同飞行与一致性控制。研究结合模型预测控制(MPC)方法,构建适用于多无人机系统的分布式优化框架,重点解决了通信受限、信息延迟及无中心化指挥条件下的协同稳定性问题。内容涵盖固定翼无人机的动力学建模、分布式MPC优化求解机制、一致性协议设计、通信拓扑结构分析以及仿真验证全过程,确保多机系统在保持队形一致的同时完成协同任务。; 适合人群:具备自动控制理论、无人机系统建模或多智能体协同控制基础,从事智能无人系统、集群控制、自动化与机器人等领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于多无人机协同编队飞行、集群侦察、分布式任务执行等实际工程场景;②为分布式MPC算法在多智能体系统中的一致性控制提供可复现的Matlab仿真案例,推动先进控制理论向工程实践转化;③服务于科研论文复现、算法验证、控制系统课程设计与毕业课题参考。; 阅读建议:建议读者结合文中提供的Matlab代码逐模块运行与调试,重点关注分布式MPC在不同通信拓扑下对一致性收敛性能的影响,并可通过调整预测时域、权重矩阵与噪声参数等方式深化对算法鲁棒性与适应性的理解。
内容概要:本文提出了一种基于变分模态分解(VMD)、麻雀搜索算法(SSA)优化与长短期记忆网络(LSTM)相结合的光伏功率预测模型(VMD-SSA-LSTM),旨在提升光伏发电预测的精度与鲁棒性。该方法首先利用VMD对原始非平稳光伏功率序列进行自适应分解,获得一系列具有更稳定特征的本征模态分量(IMFs),有效降低数据复杂性与噪声干扰;随后引入麻雀搜索算法(SSA)对LSTM网络的关键超参数(如学习率、隐层节点数等)进行全局寻优,克服传统试凑法效率低、易陷入局部最优的问题,显著提升模型收敛速度与泛化能力;最后,构建多个LSTM子模型分别预测各模态分量,并将结果重构得到最终的光伏功率预测值。该混合模型充分融合了VMD在信号预处理中的优异分解性能、SSA在参数优化中的高效搜索能力以及LSTM在捕捉时间序列长期依赖关系上的强大建模优势,实现了对复杂气象因素影响下光伏出力波动的高精度拟合与预测。; 适合人群:具备一定电力系统、新能源发电或时间序列预测基础知识,熟悉MATLAB编程环境,从事光伏功率预测、智能电网调度、可再生能源集成、负荷预测等领域研究的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①应用于光伏电站的短期与超短期功率预测,为电网安全调度、电力市场交易、储能系统配置及需求侧响应提供精准数据支撑;②解决传统单一预测模型(如ARIMA、BPNN、单一LSTM)在处理非平稳、强波动性光伏数据时存在的精度不足、稳定性差等问题;③为风电、负荷等其他非平稳时序预测问题提供一种有效的“分解-优化-预测”混合建模范式与技术实现路径。; 阅读建议:建议读者结合文中提供的完整MATLAB代码,深入理解VMD信号分解、SSA优化算法流程及LSTM网络构建的每一个技术环节,通过实际历史数据进行模型复现与对比实验(如与VMD-LSTM、SSA-LSTM等模型比较),掌握参数调优技巧与模型性能评估方法,从而真正掌握该先进混合预测模型的核心思想与应用精髓。
代码转载自:https://pan.quark.cn/s/a4b39357ea24 在当代信息技术行业,深度学习技术的应用已经全面渗透到众多实际情境中,其中生成对抗网络(GAN)以及深度卷积生成对抗网络(DCGAN)被视为促进人工智能领域发展的核心技术之一。接下来将具体阐述如何借助Pytorch框架与MNIST数据集来完成基础GAN和DCGAN的开发,并解析过程中涉及的关键概念。 ### Pytorch框架与MNIST数据集概述 **Pytorch** 被视为一种广受欢迎的开源机器学习平台,其具备动态计算图与高度适应性等特性,因此在学术研究领域备受推崇,能够支持多种类型的深度学习架构。 **MNIST数据集** 是一个包含手写数字的图像集合,常用于训练各类图像识别系统,涵盖从0至9的数字图像,每张图像的尺寸为28x28像素。由于其入门级难度,MNIST数据集特别适合用于教学演示和实验操作。 ### 基础生成对抗网络(GAN)核心概念 **基础GAN** 是一种由生成器(Generator)和判别器(Discriminator)构成的无监督学习框架。生成器的核心任务是创造足以乱真的图像数据,而判别器的关键职责在于精确辨别真实图像与生成图像之间的差异。 1. **生成器**:该模块以随机噪声为输入,通过深度神经网络进行转换,最终输出接近真实图像的数据。其根本目的在于迷惑判别器。 2. **判别器**:对输入数据(无论是真实图像还是生成图像)进行评估,并输出其属于真实样本的概率。判别器的训练重点在于提升识别的精确度。 3. **训练机制**:GAN的训练过程涉及两个网络之间的交替训练,即在锁定一个网络参数的情况下对另一个网络进行训练。首先优化判别器以增强其区分能力...
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