这家来自中国的电商平台与墨西哥金融科技公司Stori合作,在《Sourcing Journal》发布的声明中宣布推出Shein x Stori Mastercard信用卡。
根据Stori的介绍,持卡人在购买Shein产品时将获得双倍积分,并且首次购物时会额外赠送250 Shein积分。该卡可在全球超过2400万个接受Mastercard的商户使用,且同时提供实体卡和数字卡两种形式。公司表示,Shein和Stori将在墨西哥的全国购物节(如“Buen Fin”)期间为用户提供特别折扣。
Shein选择在墨西哥首度推出联名信用卡,显示出其对该市场的重视。消息称,Shein正考虑在墨西哥建立一个卫星生产基地,以便更接近西半球的消费者,特别是美国市场。
Shein全球支付负责人Ted Wang表示:“与Stori的合作是Shein迈出的重要一步,旨在为用户提供更多和更好的支付选项,改善购物体验,整合金融解决方案,帮助建立信用历史,这必将受到客户们的欢迎。”
墨西哥的电商正经历快速增长。根据墨西哥在线销售协会(AMVO)的数据,2023年该国在线购物大幅增长,推动销售增长24.6%。这一增速超越了巴西等邻近国家,以及菲律宾和印度等成熟市场。
美国国际贸易管理局(ITA)去年末表示:“在Covid-19大流行期间,墨西哥电子商务迅速发展。”如今,墨西哥在全球电子商务零售增长率中排名前五,预计到2027年,电子商务市场的总值将达到704亿美元,这得益于更好的连接性、金融包容性、物流改进和数字素养提升。
ITA还指出,拉美的电子商务平台Mercado Libre是墨西哥消费者偏好的零售商之一,此外,Amazon、Walmart和Shein也在其中。
墨西哥的信用卡市场同样在增长。根据GlobalData的报告,2024年该国信用卡交易的年交易总额将达到2141亿美元,并预计到2028年将以超过10%的年复合增长率(CAGR)增长。
尽管信用卡的使用在增加,AMVO数据显示,74%的在线购物者仍偏好使用借记卡,这显示出转换的潜力。墨西哥政府及中央银行也在推动信用卡和电子支付的发展。
这些趋势让墨西哥金融科技公司Stori获得了成功,它也是Shein在信用卡领域的新合作伙伴。此次合作发生在Stori完成了2023年8月的一轮融资后,融资总额达2.12亿美元。Stori表示将利用这笔资金加速增长,并继续推动其“为拉丁美洲常被忽视的中产阶级群体提供优质金融服务”的使命。
Stori联合创始人Marlene Garayzar表示:“这款新产品不仅得益于Mastercard的支持,提供了全球范围内的使用灵活性和安全性,而且还特别设计了旨在提升购物体验的优惠。”
她补充道:“我们非常自豪成为Shein全球范围内第一个与之建立此类合作关系的伙伴。我们创造了一种帮助用户轻松获取信用、奖励日常使用的工具,并始终确保用户能够了解如何负责任地使用信用卡。”
Garayzar表示,Stori的成立旨在填补墨西哥传统金融体系中的空白,作为一个金融教育平台,同时帮助墨西哥消费者建立信用。自2020年发布首张信用卡以来,Stori自豪地宣布自己是墨西哥唯一一家拥有99%审批通过率的信用卡公司,目前在墨西哥有约300万用户。
此次信用卡的推出与Shein的全球扩展和市场渗透计划形成对比,因为Shein正面临着来自国际关于其社会和环境影响的争议。
好文章,需要你的鼓励
2025年人工智能在企业中实现突破性应用,从实验阶段转向实用阶段。八位代表性CIO分享核心经验:AI工具快速进化、需保持快节奏实验思维、重视工作流程而非组织架构、数据质量成为新挑战、采用前瞻性指标管理项目、无需等待完美时机、AI既是技术也是社会文化现象、需严格项目管理、变革重在人员而非技术、多智能体架构成未来趋势。
这项由加州伯克利分校等机构联合完成的研究开发了MomaGraph系统,首次实现了机器人对空间关系和功能关系的统一理解。该系统通过强化学习训练,能够同时识别物品位置和操作方法,并具备状态感知能力。在综合测试中达到71.6%准确率,超越同类开源系统11.4%,在真实机器人平台上验证了实用性,为智能家庭机器人的发展奠定重要基础。
日本科技投资巨头软银需要在年底前筹集225亿美元,以履行对AI合作伙伴OpenAI的资金承诺。软银是OpenAI价值5000亿美元Stargate数据中心计划的主要资助者之一。为筹集资金,软银CEO孙正义可能动用多种手段,包括利用其持有的英国芯片设计公司Arm股份作为抵押贷款。软银已清仓英伟达股份为该项目提供资金,目前可通过Arm股份借贷115亿美元,还持有价值110亿美元的T-Mobile股份及270亿美元现金储备。
MIT研究团队提出了突破性的双向归一化流(BiFlow)技术,通过训练独立的逆向模型替代传统的精确逆向过程,解决了归一化流方法架构受限和推理缓慢的核心问题。该方法采用创新的隐藏对齐策略,让逆向模型学习高效的生成路径,在ImageNet数据集上实现了高达697倍的速度提升,同时将图像质量提升到新的技术水平,为生成模型领域带来了重要的思路突破。