ZD至顶网CIO与应用频道 10月12日 北京消息:互联网的不断发展,使得创业的浪潮从信息化转变到服务化,本地服务、消费、出行等服务成为互联网产品的主力军,同时也让传统商业变得更快捷、更显活力。各个领域的企业,或游轮、或舰艇、或快船,在互联网+的蓝海上全速前进,而企业数据正是一颗隐藏于轮船之下的强大引擎。
如今,绝大多数企业已经意识到了数据的重要性,通过有效的数据挖掘分析,感知到最终用户的习惯、偏好、需求,从而优化自身产品和服务,推动业务加速发展。“工欲善其事必先利其器”,在启动“数据分析”这颗强大引擎时,首先要找到合适的工具,才能激发出引擎源源不断的动力。可喜的看到,目前已有超过10,000家企业正通过诸葛io精细化数据分析工具获得数据洞察。
不同于统计工具,诸葛io关注用户生命周期全流程,帮助客户捕获颗粒度极细的最终用户数据,并使之相关联,活跃度最高的用户在关注什么?用户流失前经历了哪些环节?每一次创新尝试的效果如何?基于诸葛io平台,企业可以透过数据表象,抽丝剥茧出背后隐藏的有效信息,从而有针对性的进行优化和改版,提升用户活跃度、留存率、转化率等。
从第一代产品上线至今,在不到20个月里,诸葛io已经积累了来自不同行业不同领域的10,000+客户使用,其中月活跃用户达2,000+,付费用户近百家。能被广泛客户认可,与诸葛io与生俱来的数据基因和自身数据优化实践密不可分。
与生俱来的数据基因
诸葛io的核心团队来自于37 degree,一个基于社交网络、大数据、兴趣图谱和语义分析的社会化网络营销服务平台,是微软加速器3期成员,也是创新工场投资的第一家大数据公司。因此,数据分析的基因早在5年前就已经写入了诸葛io的脉络,多年技术、算法的积累使得诸葛io可以用最简化的方式,直观的呈现出每一个微小事件背后的数据逻辑。
诸葛io不仅是一个有效的数据分析工具,更像是一个以用户为中心的人性化的数据教练。凭借多达10,000+的客户沉淀,诸葛io面向不同行业的不同场景,围绕用户行为,帮助其自定义用户分层、留存,找出行业用户的共性和特性,直击数据分析核心。比如资讯、娱乐类客户,非常关注最终用户的访问频率;在线教育等类型客户关心用户的访问时长;而电商类客户更关注用户的成交量、购买频次等等,长时间的页面浏览却未产生购买事件的用户需要被重点关注。不同的场景有不同的关注指标和优化方向,诸葛io面向资讯、社交娱乐、金融、电商、医疗、教育、工具应用等不同行业均落地成熟的解决方案。
每一次迭代都是有的放矢
正因诸葛io从数据起家,对数据的敏感性自然不言而喻,每一次微小迭代都是有的放矢。能在20个月快速成长为服务10,000+客户的数据服务平台,诸葛io自身就是数据分析的受益者。
作为以数据技术为驱动力的企业,诸葛io始终保持着每周至少一次迭代,每月优化2~3个细分功能点的更新频率,点滴积累起来的“诸葛智慧”汇聚了面向多行业的成熟的解决方案,如“诸葛连弩”般多面开花。在服务上万不同类型客户中稳步创新、反复验证后得来的宝贵经验,帮助客户踏平前人踩过的“坑”,避免“走弯路”,快速开启数据分析的大门,让数据即刻为我所用。
“一千个人眼中的一千个哈姆雷特”
很多在数据分析领域先行一步的企业部署了BI系统,然而,由于BI过多的依赖分析经验,数据分析从行业、角色、部门和场景都具有差异化。进入大数据时代,传统BI系统很难支持公司所有角色的分析决策,但是诸葛io可以。在诸葛io平台中可以自定义若干“看板”,CEO、产品经理、市场、运营……不同的角色可以设置不同看板,了解自身所关注的部分数据变化。以电商行业为例,CEO关注订单数量、人均订单量、重复购买率等等;产品部门关注哪些功能更活跃、新功能的留存情况、注册转化率等等;运营部门关注热门产品分类、热门品牌、不同商品转化率等等;市场部门关注投放转化、各渠道情况等等。这些不同的视角在诸葛io平台都可以完美支持,轻松实现同一数据的不同解读。
从细分场景到细分看板,诸葛io月事件处理量超过百亿,其一站式的数据采集&分析平台可实现智能化分析,生成分析报告:产品评估报告、用户流失分析……在纷繁的数据中发现奥妙,这正是10,000+客户与诸葛io不断努力的结果。
当然,诸葛io取得如此成绩与大数据分析市场的成熟相得益彰,在数据分析被普遍认可的今天,企业启动“数据引擎”只是时间的问题。是时候增强动力,让数据驱动业务发展,诸葛io就在你身边。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。