昨天,SHEIN上市的消息如一颗炸弹在社交媒体上引爆,冲上了微博热搜。消息称,SHEIN(希音)正在重启在美上市的计划,预计最早将于今年进行IPO。然而,今天SHEIN回应称,这个消息不实。
上市传闻被否认,其实并不意外,毕竟从2020年开始,市面就多次传出SHEIN即将IPO的消息,并称其已经聘请了美国银行、高盛、摩根大通等投行负责IPO工作,还任命了前贝尔斯登投资银行家唐伟为执行副董事长。而SHEIN对此并未正面回应。
低调,神秘,野蛮生长是这家独角兽的标签。根据胡润研究院发布的《2022年中全球独角兽榜》,SHEIN以4000亿人民币的估值位列全球第五大独角兽企业,仅次于抖音、SpaceX、蚂蚁集团、Stripe。在美国市场,更是快时尚的扛把子,一度占据了超过四分之一的市场份额,相当于H&M和Zara的总和。

SHEIN成立于2008年,起初做的是婚纱外贸生意,据当时创始人许仰天说,“很多时候,甚至直接把中国婚纱进价的人民币改成美元就能直接卖。”2012年左右,许仰天将公司从婚纱转型为快时尚女装,采用独立站模式,之后几年便不断开拓欧美、中东、东南亚等市场,并逐渐扩展到男装、童装、家居等品类。到现在,SHEIN已经覆盖了220多个国家和地区,全站注册用户数超1.2 亿,日活3000万以上。
SHEIN的发展速度可谓惊人,2020年GMV(商品交易总额)首次突破100亿美元,2021年这一数字增至200亿美元。今年SHEIN高管曾向投资者透露,2022年SHEIN营收227亿美元,利润为7亿美元,已经连续四年实现盈利,并预计在2025年实现585亿美元的营收。
据第三方数据机构Apptopia统计,SHEIN是2022年全球下载量最大的购物应用程序,安装量达到2.29亿次。在美国、法国、澳大利亚等国家和地区,SHEIN是最受欢迎的服装购物平台之一。
SHEIN的成功得益于其高效的商业模式,主要可以归因为以下三个方面。
• 快速反应的供应链:SHEIN的供应链能力极强,能够快速捕捉和响应市场需求和流行趋势,并将其转化为产品设计和生产。SHEIN每天可上线3000多款新品,从产品设计到上架仅需14天。SHEIN还通过大数据分析和算法优化来预测需求和库存,并根据用户反馈和销售数据来调整产品结构和价格策略。
• 低价高性价比产品:SHEIN以提供低价高性价比的产品为核心竞争力,产品价格普遍低于同类竞品,并且质量和款式也不输给其他品牌。SHEIN能够实现低价策略的原因就在于有效地降低了成本和中间环节。一方面,SHEIN利用中国服装产业集群的优势,与数千家供应商和工厂建立了紧密的合作关系,降低了原材料和生产成本。另一方面,SHEIN主要通过自营网站和第三方电商平台进行销售,省去了实体店的租金和人力成本。
• 精准的用户运营:SHEIN非常重视用户运营,通过各种方式来吸引和留住用户,提高用户黏性和复购率。利用社交媒体、网红、KOL等渠道来提升品牌知名度和影响力,与用户的互动,并收集用户意见。SHEIN还通过举办各种活动、提供优惠券、积分、会员等福利激励用户消费,以及根据用户的喜好和行为推荐个性化的产品和内容。
在快速发展的同时,SHEIN也在不断创新和拓展。近日,SHEIN正式公布了“希有引力”百万卖家计划,根据计划,SHEIN在未来三年将帮助全球1万个卖家,年销售额突破百万美元;帮助10万个中小卖家,年销售额达到10万美元,并推出了卖家全生命周期成长赋能的相关政策。
虽然SHEIN上市的具体时间和细节尚未确定,但其估值已经出现了明显的下调。据《华尔街日报》报道,SHEIN已完成20亿美元的新一轮融资,融资后估值约为660亿美元,较之前的一千亿美元缩水逾1/3。这一下调可能是受到了疫情影响下空运成本上涨、生产成本增加等因素的影响。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。