FreshFresh: An Online Fresh Food Supplier as a Lean Startup
Notice bibliographique
Résumé
This case describes how FreshFresh, a Shanghai-based online fresh food platform, worked to develop a sustainable business model by following the lean startup approach. After coming up with the idea to create FreshFresh at the end of 2013, Bin (Leo) Shen and Baiyuan Fang conducted round after round of hypothesis formulation and testing. After 2 years of efforts, FreshFresh became a online fresh food platform well regarded by both customers and investors. As of June 2016, FreshFresh had 700,000 registered users, and the majority had a repeat purchase rate (i.e., making two or more purchases) of around 45%. In March 2016, FreshFresh announced that it had raised USD 20 million in Series A round financing. On June 30, FreshFresh won the 2016 TopDigital award, making it the only fresh food e-commerce platform recognized at that year's innovation publication ceremony among all the TMT players. However, like 99% of companies in the online fresh food industry, FreshFresh hasn't built a profitable business model yet. In 2015, it lost about RMB 20 million, accounting for 20% of its total revenue. After a series of adjustments carried out in the previous years, Shen saw signs of hope that FreshFresh would make a profit in the following months. Yet looking at FreshFresh's performance report in July 2016, Shen decided to change the expansion strategy and give up entering other cities. In his mind, working in the online fresh food industry would be a marathon. Looking into the future, how should FreshFresh lay out its strategic resources? How could this new startup develop a profitable and sustainable business model?
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,022 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».