至顶网CIO与应用频道 08月04日 北京消息:对B2B 营销人来说,强品牌曝光和高转化率就是“鱼与熊掌”,是每一个从业者都力求实现的完美目标。不过,碎片化的时代下消费者注意力变得分散且短暂,有研究表明,当前人们对一份内容的关注时间只有8秒。想要提升营销活动的投资回报率,营销人就必须接受新的挑战:深入了解潜在受众群体,只为合适的用户产出对其有价值的内容。近日,全球最大的职场社交平台LinkedIn(领英)发布的网站分析工具——Website Demographics,让营销人员能清晰掌握网站访问者的职业画像成为可能。
ITSMA的调查发现,品牌定位曾是全球B2B营销人员的首要职责,不过对个性化和数据的逐步重视使B2B营销人员反思他们怎样才能接近消费者、管理收集到的全部信息。希望理解消费者、营销技术工具,以及竞争对手分析,成为最近两年B2B营销人的前三项职责。针对上诉从业者痛点,2017年7月26日,LinkedIn发布了免费的网站用户数据分析工具——LinkedIn Website Demographics,通过该分析工具,营销人可以在领英广告系统实时查看官网访问者的职业背景信息,为营销活动制定更精准的受众定位和内容策略,有效提升企业营销ROI。
“顺应大数据发展的潮流,许多企业都希望通过数据分析来指导营销的发展方向,我们希望Website Demographics能为营销人提供网站浏览者的有价值洞察性信息,同时确保用户隐私不受伤害。”LinkedIn中国广告业务总经理蔡晓丹表示,LinkedIn在全球拥有5亿用户,2014年进入中国后,不仅致力于更好地连接中国职场人士,为其提供全球化平台,还要帮助中国企业与世界相连,与全球的商业机会相连接。LinkedIn在2016年落地了本地化的营销解决方案,开始为中国企业营销人员提供针对高质目标人群的精准化、定制化、互动式社交媒体广告解决方案,也就是LinkedIn Marketing Solution(LMS),帮助企业面向全球打造商业品牌、拓展商机,Website Demographics则是其广告系统推出的大数据分析工具。
据了解,Website Demographics主要从职位名称、行业、职位级别、职能部门、公司、公司规模、地点和国家这八个职业维度来筛选网站访问者。营销人员可以通过LMS广告系统精准地从这些纬度对公司网站进行用户画像分析,从而充分利用大数据洞察优化精准营销策略。此外,LinkedIn的这一工具还能显示网站是否吸引了新的潜在用户访问,查看某个日期范围内的网站访问者信息,使营销人快速获取活动开始前、进行中和结束后的不同阶段的洞察性见解,做出更好的营销决策。
借由数据分析来达到营销活动的成功对于没有经验的营销团队也许是个挑战。《大数据时代》的作者Victor教授曾表示,“过去营销人员只能通过传统的市场调查获取有关消费者和受众的性别﹑年龄﹑家庭收入等极为有限的信息。在今天这个数据采集和管理方式都大有进步的时代,获取信息和数据几乎不受限制,遗憾的是,即便能够获取到大量的信息,许多营销人员对数据的运用仍处于非常肤浅的阶段。”
而合适的营销分析工具,某种程度上将极大提供营销人的数据运用能力。“LinkedIn Website Demographics让我们更容易获取全球网站的不同受众群体洞察,清晰地看出我们的营销策略是否成功地触达到目标受众,以及是否在整个客户生命周期中为他们提供了透明的信息。” Bhanu Chawla(Cornerstone OnDemand数字化战略负责人)如此评价表示。
好文章,需要你的鼓励
随着AI技术不断发展,交通运输行业正迎来重大变革。MIT研究显示,AI将很快自动化价值650亿美元的交通工作,大幅提升运输效率。从陆地到海空,AI正在推动全方位的交通创新。斯坦福专家强调,AI将通过基础模型、合成数据和数字孪生等技术,实现从单一车辆自动化到整个交通网络优化的跨越式发展,同时解决可持续性、安全性和公平性等关键挑战。
香港科技大学团队发表重要研究,开发GIR-Bench测试基准评估统一多模态AI模型的推理与生成能力。研究发现即使最先进的AI模型在理解与生成之间也存在显著差距,无法有效将推理过程转化为准确的视觉生成,为AI行业发展提供重要警示。
波兰研究团队开发ORCA数学基准测试,对五个主流大语言模型进行评估。结果显示ChatGPT-5、Gemini 2.5 Flash、Claude Sonnet 4.5、Grok 4和DeepSeek V3.2的准确率均低于63%。测试涵盖生物化学、工程建筑、金融经济等七个领域的500道数学题目。研究发现模型主要在四舍五入和计算错误方面存在问题,表明自然语言推理进步并未直接转化为可靠的计算能力。
Meta超级智能实验室联合麻省理工学院开发了SPG三明治策略梯度方法,专门解决扩散语言模型强化学习训练中的技术难题。该方法通过上下界策略为AI模型提供精确的奖惩反馈机制,在数学和逻辑推理任务上实现了显著性能提升,为AI写作助手的智能化发展提供了新的技术路径。