财务数据和关键指标变化 - 第一季度GMV为9470万美元，同比增长3%，受闰年影响增速有1个百分点的拖累；净收入为2250万美元，同比增长2%；调整后EBITDA亏损170万美元，去年同期亏损180万美元，调整后EBITDA利润率为-8%，与去年持平 [22][27][30] - 平台平均订单价值近2600美元，中位数订单价值约1250美元，均同比增长4%；订单中低于1000美元的占比从去年的46%降至44%，低于1000美元的订单同比减少5%，超过1000美元的订单增长4% [23] - 总运营费用为2260万美元，同比增长6%；交易损失拨备约90万美元，占收入的4%，高于去年的2%，预计未来保持在4% [29] - 第二季度GMV预计为8500 - 9200万美元，同比下降7%至增长1%；净收入预计为2120 - 2250万美元，同比下降5%至增长1%；调整后EBITDA利润率预计亏损14% - 10% [31][32] 各条业务线数据和关键指标变化 - 消费者GMV实现中个位数增长，贸易GMV持平；除新定制家具外，各垂直业务GMV均增长，珠宝和时尚业务表现最强，均实现两位数增长 [25] - 第一季度末活跃买家约64800人，同比增长7%，环比增长1%，连续四个季度实现绝对数量的环比增长 [25] - 第一季度末平台 listings 超过180万，同比增长5%；独特卖家约5900人，同比下降23%，环比持平，卖家流失率因订阅定价优化而升高，但对GMV和 listings 影响极小，预计第二季度流失率正常化，全年 listings 持续增长 [19][26] 各个市场数据和关键指标变化 - 2024年，50%的GMV来自美国卖家与美国买家之间的交易，约30%来自欧盟或英国卖家与美国买家之间的交易；美国买家对中国、加拿大和墨西哥的GMV敞口低于1.5%，对其他亚洲市场的供应敞口几乎为零 [6] - 第一季度末超过70%的流量来自有机来源，有机流量因SEO和直接流量改善而恢复增长，但付费流量增长放缓，整体流量略有下降；转化率同比连续六个季度增长，与第四季度相比增速放缓但仍保持健康，新买家和回头客转化率均有提升 [24] 公司战略和发展方向和行业竞争 - 公司以产品驱动增长，2025年路线图围绕加速有机流量增长、竞争性定价、漏斗优化和提升服务水平四个主题，为市场双方创造价值 [11] - 在有机流量方面，通过改善网站性能、优化SEO和电子邮件注册流程等措施，推动高效买家获取 [12] - 竞争性定价上，机器学习定价模型已在所有垂直领域上线，通过提供定价透明度和将定价建议融入买家体验，增强买家信任和信心，目前正探索向买家展示建议的最佳方式并提高准确性以促进卖家采用；同时在运输方面，3月向所有卖家推出包裹自助服务，提高包裹预报价覆盖率至近100% [13][14][15] - 漏斗优化上，在漏斗各阶段进行改进，包括使产品发现更直观高效、突出卖家信誉以增强买家信任、简化结账设计以提高结账完成率 [16][17] - 公司通过与在线家具和奢侈家具市场的综合信用卡数据对比GMV变化来衡量市场份额，已连续五个季度实现市场份额增长 [50] 管理层对经营环境和未来前景的评论 - 贸易政策演变及其宏观经济影响使奢侈品家居非必需消费需求背景更具挑战性，但公司在新关税制度下相对处于有利地位 [5] - 宏观不确定性带来负面财富效应、抑制非必需消费欲望和房地产市场疲软等影响，但公司将专注于可控举措，推动GMV和收入增长、改善利润率和获取市场份额 [5][8] - 第二季度GMV和调整后EBITDA利润率指引反映了当前环境下消费者对高非必需消费的谨慎态度，公司将谨慎管理成本，专注关键举措以实现长期成功 [32][33] 问答环节所有提问和回答 问题1: 关于有机流量和转化率的持续驱动能力以及对70%有机流量率的看法 - 有机流量在过去一年多下降，第一季度恢复增长，这由产品和工程驱动，预计全年持续增长 [37][38] - 第一季度业务整体相对稳定，4月转化率较3月下降，主要源于消费者家具业务，这是宏观因素导致，公司将继续关注业务长期价值驱动因素 [38][39] 问题2: 卖家流失率在第二季度正常化的原因 - 目前已度过订阅定价计划调整期，流失率已恢复正常水平，且按历史正常水平新增卖家的进度也正常 [40] 问题3: 活跃买家的新来源以及持续增长的可持续性 - 活跃买家来源无重大变化，付费流量在第一季度有所放缓；活跃买家数量的变化直接取决于转化率，转化率受宏观经济环境影响，公司将继续采取现有措施并关注宏观环境变化 [44][45] 问题4: 第一季度市场份额增长的衡量方式 - 通过将公司GMV变化与在线家具和奢侈家具市场的综合信用卡数据对比来衡量市场份额，已连续五个季度实现增长 [50] 问题5: 机器学习定价模型的进展和情况 - 第一季度机器学习定价模型已在所有类别全面推出，价格低于9000美元的商品卖家采用率极高，超过90%，价格高于9000美元的采用率较低，原因是高价商品数据点少，模型预测难度大 [52] - 公司正将机器学习应用于计算商品和路线的运输价格，以提高预报价覆盖率，还在开发基于机器学习的客户服务代理 [53][54]