Netflix超过预期,广告支持的会员人数增长了34%

币界网Dipublikasikan tanggal 2024-07-18Terakhir diperbarui pada 2024-07-18

币界网报道:
Netflix周四公布了第二季度收益,显示了这家媒体巨头在流媒体竞争中的领先地位,因为它增加了更多的全球用户,并看到了其广告业务的蓬勃发展。该流媒体表示,与去年同期相比,其广告支持的会员数量增长了34%。广告已成为媒体公司提高流媒体盈利能力(或在某些情况下实现流媒体盈利)的一种越来越重要的商业模式。最近几个季度,Netflix的股价有所上涨,除了打击密码共享外,它还努力在更便宜的广告支持层吸引用户。以下是该公司截至6月30日的表现,与华尔街的预期相比:每股收益:4.88美元,而LSEG预期的每股4.74美元。收入:95.6亿美元,而伦敦证交所预期的95.3亿美元。根据StreetAccount的数据,全球付费会员总数:2.7765亿,而预期的2.744亿。收入约为96亿美元,比去年同期增长17%,主要是由于平均付费会员数的增加。Netflix表示,目前预计全年营收增长14%至15%,而此前的预期为13%至15%。该公司报告的净收入为21.5亿美元,每股4.88美元,高于2023年第二季度的14.9亿美元,即每股3.29美元。Netflix的全球付费会员数量同比增长16.5%,达到2.78亿。这是Netflix将发布的关于其会员号的最后一次更新之一。上个季度,该公司警告投资者,从明年开始,它将停止提供季度会员数或每用户平均收入,并指出该公司“将收入和营业利润率作为我们的主要财务指标,将参与度(即花费的时间)作为我们客户满意度的最佳指标。”
股价图图标股价图图标Netflix的股价因打击密码共享和增加更便宜的广告支持层而上涨。
2022年,流媒体用户增长放缓后,Netflix开始专注于不同的业务战略来推动收入增长。今年5月,Netflix表示将推出自己的广告平台,不再与微软合作。该公司还开始增加现场体育赛事,例如未来三年圣诞节的NFL比赛,此举可能会为流媒体吸引更多的广告收入。Netflix联合首席执行官Ted Sarandos在周四的电话财报会议上表示:“我们之所以参加电视直播,是因为我们的会员喜欢它,它带来了大量的参与和兴奋……好的是广告商喜欢它的原因完全相同。”。甚至在与美国国家橄榄球联盟达成协议之前,网飞就已经开始涉足直播内容,萨兰多斯指出,网飞专注于“时髦、独家的直播娱乐”。尽管如此,《布里杰顿》和《小鹿宝宝》等原创节目仍在继续推动流媒体的参与度。
该公司周四表示,其更便宜的广告支持层在其基础用户中越来越受欢迎,在提供该选项的市场中,这些用户占注册人数的45%以上。然而,Netflix周四指出,广告支持业务仍然很年轻,预计广告收入不会成为“2024年或2025年我们收入增长的主要驱动力”。该公司在财报中表示:“短期挑战(和中期机遇)是,我们的扩张速度快于我们将不断增长的广告库存货币化的能力。”这意味着流媒体尚无法满足广告商的需求。Netflix联合首席执行官Greg Peters周四在电话财报会议上表示,到目前为止,Netflix一直专注于扩大其广告支持的用户群。他说,随着该公司有望实现2025年的用户目标,Netflix现在正将重点转移到广告库存的货币化上。彼得斯周四表示,随着该公司加强广告业务,它正在为“广告商提供更有效的购买方式……这是我们从广告商那里听到的一个重要反馈点”。在这一点上,Netflix补充说,它相信自己有望在2025年“为我们的广告商实现关键的广告订户规模”,从而在2026年及以后进一步增加其广告层会员资格。

Bacaan Terkait

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

Meskipun harga Ethereum (ETH) turun 20-45% sejak awal tahun, minat institusional terhadap aset kriptu terkemuka ini tetap kuat. SharpLink, setelah jeda delapan bulan, kembali membeli 5.000 ETH senilai sekitar $7,88 juta, diikuti penambahan 26.324 LSETH senilai $45,54 juta. Total kepemilikannya kini mencapai 876.285 ETH, menunjukkan keyakinan pada utilitas jangka panjang dan pendapatan staking Ethereum, meski menghadapi kerugian belum terealisasi hampir $1,71 miliar. Tren akumulasi ini juga tercermin pada aktivitas "paus" (whale), dengan satu dompet baru mengakumulasi 18.361 ETH senilai $28,9 juta dalam sembilan hari terakhir, menandakan persiapan untuk pergerakan harga di masa depan. Namun, kepercayaan yang kembali bangun ini belum sepenuhnya tercermin dalam permintaan institusional yang lebih luas. ETF Spot Ethereum justru mencatat arus keluar bersih, dengan penarikan $12,85 juta pada 26 Juni. Meski demikian, total aset yang dipegang penerbit ETF masih signifikan, senilai lebih dari $8,38 miliar, yang mengindikasikan penyesuaian posisi berkelanjutan daripada pelepasan total. Pada intinya, akumulasi oleh treasury perusahaan dan paus mendukung prospek jangka panjang Ethereum, tetapi pemulihan berkelanjutan masih bergantung pada membaiknya sentimen pasar dan arus masuk ETF yang lebih kuat untuk mengimbangi tekanan penjualan institusional yang masih ada.

ambcrypto4j yang lalu

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

ambcrypto4j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

Baru-baru ini, DeepSeek V4 diperbarui dengan framework *Speculative Decoding* baru bernama **DSpark**, yang diklaim meningkatkan kecepatan inferensi hingga 80%. Pembaruan ini, yang juga disertai open-sourcing framework **DeepSpec**, berfokus pada optimasi teknikal dan peningkatan performa, bukan perubahan arsitektur model inti. DSpark mengimplementasikan **Semi-Autoregressive Generation** untuk menjaga throughput tinggi dan meningkatkan akurasi token yang dihasilkan oleh model draf (*draft model*). Inovasi utamanya adalah **Confidence-Scheduled Verification**, yaitu sistem penjadwalan yang cerdas dan adaptif. Sistem ini menggunakan *Confidence Head* untuk memperkirakan probabilitas penerimaan setiap token kandidat dan secara dinamis menyesuaikan panjang verifikasi berdasarkan beban kerja sistem (*hardware-aware*), sehingga mengalokasikan daya komputasi hanya ke token yang paling potensial. Dalam pengujian di berbagai domain (penalaran matematika, generasi kode, percakapan), DSpark menunjukkan peningkatan signifikan dibandingkan model *state-of-the-art* seperti Eagle3 dan DFlash. Pada kondisi *throughput* yang setara, DSpark meningkatkan kecepatan respons pengguna sebesar 57%-85% untuk model DeepSeek-V4 Flash dan Pro. DeepSpec, yang dirilis bersamaan, adalah *codebase* lengkap untuk melatih dan mengevaluasi model draf *speculative decoding*. Framework ini menyediakan pipeline standar (persiapan data, pelatihan, evaluasi) dan mendukung beberapa algoritma (DSpark, DFlash, Eagle3) serta model target (Qwen3, Gemma), memudahkan peneliti dan insinyur untuk mengembangkan dan menerapkan teknik percepatan inferensi pada model bahasa besar mereka sendiri.

marsbit5j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

marsbit5j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

Sejak bergabung dengan Anthropic, aktivitas Andrej Karpathy di komunitas terbuka berkurang drastis. Baru-baru ini, sebuah dokumen bernama CLAUDE.md yang diklaim sebagai panduan penggunaan Claude milik Karpathy beredar di komunitas. Isinya berisi sejumlah prinsip ketat untuk memandu AI dalam menulis kode, yang bertujuan mengurangi kesalahan umum model bahasa besar (LLM). Prinsip-prinsip utama mencakup: 1) **Baca dahulu sebelum menulis** – pahami struktur dan gaya kode proyek yang ada. 2) **Berpikir sebelum menulis kode** – klarifikasi asumsi, pertimbangkan trade-off, dan uraikan rencana. 3) **Tetap sederhana** – hindari desain berlebihan, abstraksi prematur, dan fleksibilitas yang tidak diperlukan. 4) **Modifikasi terarah** – lakukan perubahan minimal yang sesuai dengan gaya kode asli, jangan melakukan reformatting atau pembersihan yang tidak relevan. 5) **Verifikasi dan uji** – pastikan kode berfungsi seperti yang diharapkan dengan pengujian yang tepat. 6) **Debug secara sistematis** – jangan menebak, selidiki akar masalahnya. 7) **Hati-hati dengan dependensi** – hindari menambah dependensi yang tidak perlu. 8) **Komunikasi yang jelas** – jelaskan apa yang dilakukan dan alasannya. Dokumen ini juga menyoroti pola kegagalan umum seperti abstraksi yang salah, "optimistic path", dan "halusinasi pengetahuan". Meskipun keaslian dokumen ini diragukan, isinya sangat selaras dengan pemikiran Karpathy yang telah banyak mengkritik kelemahan LLM dalam pemrograman. Prinsip-prinsip ini, yang juga telah dijadikan template populer di GitHub, dianggap dapat meningkatkan efektivitas dan mengurangi kesalahan saat menggunakan asisten AI seperti Claude untuk pengembangan perangkat lunak.

marsbit7j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

marsbit7j yang lalu

Trading

Spot
活动图片