Ola和Snapdeal 资产再遭减记,软银能否保住印度市场?

简介:

日本电信和互联网巨头软银集团于周一宣布,再次减记它在印度的两个旗舰投资——打车应用 Ola 和电商平台 Snapdeal 的资产。

截至9月30日的两季度内,该公司因优先股投资的公允价值下降导致金融工具损失了 581 亿日元(折合5.55亿美元),包括对 Ola 和 Snapdeal 所属两家公司 ANI Technologies Pvt. Ltd 、Jasper Infotech Pvt. Ltd 的嵌入式衍生品投资的损失。而在这些损失中,近一半是由于日元升值造成的。

截至6月30日的第一季度,同样也是因为日元兑卢比升值,造成Snapdeal 和 Ola 公允价值下跌,软银因此损失了约302亿日元(折合2.95亿美元)。

数据意味着软银上一季度投资的账面损失价值多了一倍。但它并没有给出 Snapdeal 和 Ola 公允价值减少的具体数目,也没有披露其他投资价值减少的数目。

有趣的是,上一年,软银在同一金融工具上获得了预期盈利: 1,143亿日元(2015-16全年),1,216亿日元(2015年4 - 9月)和842.7亿日元(2015年4 - 6月)其中很大程度上取决于 Snapdeal和Ola。Ola的估值在去年4月至11月期间翻了一番,约为50亿美元。

Snapdeal 投融资情况

软银持有Snapdeal的一小部分股权。它在2014年底领投Snapdeal 6.27亿美元的融资轮,并在2015年又追加了5亿美元的投资。在今年年初的新交易中,Snapdeal估值为65亿美元。

Snapdeal目前已经从20多个投资者那募集了大约16.5亿美元。投资方包括软银、阿里巴巴、富士康、eBay,媒体公司 Bennett Coleman&Co. Ltd 的印度广告股权投资子公司和风投公司 Bessemer Venture Partners 、Intel Capital,Kalaari Capital 等。

此前盛传 Snapdeal 与其竞争对手 Flipkart 和亚马逊进行商讨探索合并事宜,但被 Snapdeal 否认了。

目前 Snapdeal 正同现有投资方和新的投资者就为其钱包 FreeCharge 融资一事进行谈判。

Ola 投融资情况

过去几个月,有关 Ola 下轮融资的消息引发持续关注,因为它的主要竞争对手 Uber 表示要放弃中国转战印度市场。

Ola 迄今已经融资约 13 亿美元,现估值约 50 亿美元。 在去年 11 月的最后一轮融资中,它获得了Baillie Gifford 和滴滴领投的 5 亿美元F轮融资。Falcon Edge Capital,Tiger Global,软银和 DST Global等跟投。

2015年4月,Ola获4亿美元E轮融资,DST Global领投。2014年10月,它获得由软银领投的2.1亿美元,作为其D轮融资的一部分。

事实上,Snapdeal 和 Ola 并非第一家被认定为实际价值不如此前估值的印度互联网公司。此前,印度独角兽电商公司Flipkart 被至少6家国际公共市场投资基金下调了估值。

而许多较小的公司或已经经历 down-round 融资或为融资调低估值,引起了印度科技公司业内广泛的关注。因亏损或营收增速缓慢等原因,投资者已经开始对投资一般的技术创业公司特别是互联网创业公司持谨慎态度。

今年以低估值出售的一些知名互联网企业也让投资者开始冷静思考这些公司的实际估值。

虽然互联网领域的大型融资交易已经减少,但有些人从软银身上看到希望。

上个月,软银与沙特阿拉伯主权财富基金—公共投资基金组建了软银愿景基金(SoftBank VisionFund),该基金五年内在科技领域的投资预计可能达1000亿美元。

这对于包括Snapdeal,Ola,Grofers,Housing,Hike和InMobi在内的很多互联网初创公司来说,无疑是个好消息。此前由于软银资金收紧,它所投资的一些公司也面临资金紧缩的问题。

尽管软银集团曾在上月该基金成立后表示,未来几年仍会遵守向印度投资100亿美元的承诺。但有行业专家指出,如果制约软银投资的某家科技初创公司发展的唯一约束是资金,软银当然会提供一定的资源支持,但如果资金不是唯一的约束,软银并不会保证把钱都砸在这样的公司上,毕竟对于刚成立的愿景基金来说,印度并不是其关注的唯一市场。

本文转自d1net(转载)

目录
相关文章
|
监控 安全 网络性能优化
|
算法 物联网 开发者
【手把手教程】无限场景风格LoRA与固定人物LoRA的融合-酷蛙FaceChain0826周记(GitHub已4K Star!)
酷蛙FaceChain项目计划后续联合社区的力量不断打磨该开源项目,解锁更多高阶玩法(比如人物表情包、人物连环画故事、虚拟试衣间……),并进行更深层次的算法创新,发表相应顶会论文。
|
24天前
|
机器学习/深度学习 算法 数据可视化
近端策略优化算法PPO的核心概念和PyTorch实现详解
本文深入解析了近端策略优化(PPO)算法的核心原理,并基于PyTorch框架实现了完整的强化学习训练流程。通过Lunar Lander环境展示了算法的全过程,涵盖环境交互、优势函数计算、策略更新等关键模块。内容理论与实践结合,适合希望掌握PPO算法及其实现的读者。
216 2
近端策略优化算法PPO的核心概念和PyTorch实现详解
|
Kubernetes 监控 Docker
Docker Compose与Kubernetes的比较
【6月更文挑战第11天】本文探讨了Docker Compose与Kubernetes在容器编排中的角色。Docker Compose适合简单部署和开发环境,提供一键启动多容器的便利;而Kubernetes则适用于大规模生产环境,具备自动化运维、集群管理和负载均衡等功能。Python在容器编排中扮演重要角色,示例代码展示了如何使用Python的Docker SDK和Kubernetes客户端进行部署、扩展和日志管理。通过Python,开发者可以实现自定义监控、自动水平扩展和实时日志监控等高级功能,增强了容器编排的灵活性和自动化。
Docker Compose与Kubernetes的比较
|
11月前
|
机器学习/深度学习 自然语言处理 PyTorch
LLM-Mixer: 融合多尺度时间序列分解与预训练模型,可以精准捕捉短期波动与长期趋势
近年来,大型语言模型(LLMs)在自然语言处理领域取得显著进展,研究人员开始探索将其应用于时间序列预测。Jin等人提出了LLM-Mixer框架,通过多尺度时间序列分解和预训练的LLMs,有效捕捉时间序列数据中的短期波动和长期趋势,提高了预测精度。实验结果显示,LLM-Mixer在多个基准数据集上优于现有方法,展示了其在时间序列预测任务中的巨大潜力。
281 3
LLM-Mixer: 融合多尺度时间序列分解与预训练模型,可以精准捕捉短期波动与长期趋势
六个好看实用的html简单登录页面源码
六个好看实用的html简单登录页面源码
1974 0
六个好看实用的html简单登录页面源码
|
存储 JSON 关系型数据库
1688订单详情对接及实现方案
1688作为中国最大的B2B电子商务平台之一,提供了丰富的商品信息和订单详情。通过与1688订单详情接口的对接,电商企业可以实时获取订单详细信息,以便更好地了解客户需求、优化运营策略以及提高服务质量。本文将详细介绍如何实现1688订单详情的对接,包括注册与获取API密钥、环境准备、接口调用与数据解析等步骤,并提供示例代码供参考。
|
人工智能 算法 自动驾驶
PSA-Det3D:探究3D目标检测小尺寸解决方案
作者提出了PSA-Det3D网络提升3D小尺寸目标检测精度,包含PSA (Pillar Set Abstraction),FPC (Foreground Point Compensation)和point-based detection模块。PSA模块是基于SA (Set Abstraction)设计,通过pillar query operation扩大感受野,有效聚合点特征。FPC模块利用前景点分割和候选框生成模块,定位更多的遮挡物体。前景点和预测的中心点被整合在一起,用以预测最终的检测结果。在KITTI 3D检测数据集中,PSA-Det3D取得了较好的性能,尤其是对于小尺寸目标。
PSA-Det3D:探究3D目标检测小尺寸解决方案
|
达摩院 Cloud Native 安全
数智洞察|阿里云发布《企业数字化咨询服务白皮书》
数智洞察|阿里云发布《企业数字化咨询服务白皮书》
766 1