ZD至顶网CIO与应用频道 01月27日 北京消息(文/王聪彬):去年的12月我第一次接触到增长黑客的概念,这是一个说起来有点神秘的词。它有别于中国在营销上的“烧钱投入”和“体力劳动”,增长黑客正在逐渐引领和重塑互联网行业营销和增长的理念。
在一个号称30年来最冷的一天,我还是选择来听听在过去两年内互联网行业已经非常火热的增长黑客,尤其是其推动了美国Facebook等公司的快速发展让创业企业趋之若鹜。
“这一切不外乎是利用数据驱动增长的过程,了解用户的行为和需求是增长的基础中的基础。”
峰瑞资本技术合伙人、前Facebook工程师覃超在Facebook任职时就在鼓捣增长黑客这个东西,从数据中发现有用的东西,用一些启发性的办法实现增长。
增长黑客可以带来马上上手、快速搞定、持续迭代三大好处。Facebook的增长黑客是和文化绑定在一起的,在Facebook里你只要看到数据里的问题你就要赶快动起来,这是公司内部文化的驱使。
Facebook总结出用户留存是最重要的,这样就可以实现将用户拉进来,实现用户的再分享。其实在覃超看来增长黑客的本质是产品更好的满足用户核心需求,因为需求是内因,增长黑客是外因,外因必须通过内因起作用。
通过分析的手段来帮助公司实现增长是GrowingIO名字的由来,这和增长黑客的理念可以说是相辅相成。
GrowingIO创始人张溪梦的个人经历已经不用再过多赘述,因为在分析圈大家应该都略有知晓。在他看来增长黑客的职责是三个角色的混合体。第一他是市场营销人员,第二他是一个工程师,第三他是一个数据分析师。但产品生命周期的4个阶段分别是获取、使用、转化、留存,增长黑客则是把留存提前。
GrowingIO创始人张溪梦
尤其在度过了流量为王的时代,精细化运营让增长黑客更具有价值。
用GrowingIO自身举例,在1月19日之前注册转化率8%左右,这并不是一个很高的数字,在简化了操作之后,转化率提升了将近50%。
第二个例子是用数据来进行产品迭代,GrowingIO的产品是一个跨平台产品,用户在各种平台混合用户的行为。在设计上GrowingIO将界面进行了颜色的优化,使用户停留时间提升了15%-20%。
最后一个案例是提高用户留存,在界面优化的同时还添加了新建按钮,因为从数据看到不使用“创建新指标” 的用户隔日留存率在10%左右,而使用“创建新指标”功能的用户隔日留存率在30%左右。
GrowingIO做的就是帮你利用数据实现增长,这不同于分析流量类的工具,精细化的运营要针对每一个个体来进行分析。关注用户与内容之间的细节交互,在什么时间,什么地点,和哪个内容进行了哪种程度的交互可以分五个维度,通过对五个维度进行全量数据的分析精益化到每个人,所有KPI一到两个指标来衡量用户的转化,多维度、多角度的方式来分析。
而且这件事还是无埋点的,这就需要在所有事件发生时记录并传送到GrowingIO服务端,之后就是一个匹配过程,可以看到实时序列的产生,也就带来了和传统埋点带来了完全不同的体验。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。