至顶网CIO与应用频道 05月14日 编译:根据IDC的研究,85%的企业决策者表示他们还有2年的时间在数字化转型方面取得重大进展,否则他们就会落后于竞争对手并陷入财务困境。实际上,这两年市场上关于数字化转型的研究报告和预测有很多,下面列举了40个。
到2019年底,三分之二的全球CEO将开始关注数字化战略以改善客户体验。——希捷
34%的企业已经开始进行数字化转型了。——Smart Insights
44%的企业已经开始采用数字优先的方法来提升客户体验。——IDG
有56%的CEO表示,数字化转型带来了收入的增长。——Gartner
对于那些了解客户的姓名和购买历史记录、会根据客户偏好推荐产品的企业来说,75%的消费者更愿意购买来自这种企业的产品。——埃森哲
超过半数的消费者希望在一小时内得到客服的回复,即使是在周末。——Edelman Digital
到2020年,将有204亿台设备连接到物联网。——Vxchnge
在2018年假日购物季,有1/3的购买行为是通过智能手机完成的。——TechCrunch
在过去的6个月,有79%的消费者至少使用移动设备完成了一次产品购买行为。——Out Box Design
80%的消费者在实体店购物时,会通过智能手机查询产品信息、评论和价格。——Outer Box Design
到2020年,有25%的客服运营将使用聊天机器人等虚拟客户助理,高于2017年的2%。——Gartner
到2020年,超过40%的数据分析项目将与客户体验相关。——Gartner
到2022年,2/3的客户体验计划将采用IT技术,高于2017年的50%。——Gartner
60%的企业认为他们提供了良好的移动体验,但只有22%的消费者有同感。——Qualtrics
76%的消费者认为,企业应该了解他们的期望和需求。——Salesforce
电子邮件仍然是最常用的客服渠道,2018年有54%的消费者使用电子邮件与企业取得联系。——Forrester
有34%的企业表示,他们将在未来12个月内全面进行数字化转型。——希捷
去年有33%的消费者因为得到的体验不够个性化而选择与企业结束合作关系。——埃森哲
43%的千禧一代通过移动设备联系企业客服。——微软
40%的客户更喜欢通过电话与真人交谈以解决复杂的问题。——Amreican Express
79%的千禧一代更愿意从那些拥有移动客户端的品牌那里购买商品。——微软
90%的消费者希望企业拥有在线客服门户。——微软
66%的消费者会通过三个或更多通信渠道联系品牌的客服。——微软
超过60%的美国人喜欢通过自助服务网站或者应用来解决基本的客服问题。——American Express
预计2019年人工智能支出总额将达到358亿美元,比2018年增长44%。——IDC
73%的消费者在购物过程中会使用多个渠道。——Harvard Business Review
与单一渠道客户相比,全渠道客户的店内消费会增加4%,在线消费增加10%。他们每多使用一种渠道,客户就会掏出更多的钱。——Harvard Business Review
65%的消费者在进入门店之前会先在网上研究想要的产品。——Retail Dive
71%的消费者希望在所有渠道中得到一致的体验,但只有29%的消费者表示他们确实得到了这种体验。——Gladly
消费者把42%的在线时间花在了移动设备上。——Temple
如果网页打开时间超过3秒,53%的人就会放弃移动网站。——Google Marketing Platform
如果网站设计不适配移动端,57%的消费者就不会推荐该商家。——Sweor
63%的千禧一代是在线上与客服进行互动的。——微软
72%的客户希望企业了解他们的购买历史记录,无论他们使用何种通信方式,是聊天、电话或电子邮件。——NICE
90%的消费者希望获得全渠道的体验以及各种通信方式之间的无缝服务。——UC Today
84%以客户为中心的企业是专注于移动客户体验的。——Vision Critical
63%的消费者对于聊天机器人的服务感到满意,只要他们可以根据需要将对话移交给人类客服。——Forrester
76%的企业正在投资新兴技术。——埃森哲
到2021年,15%的客服互动将完全是由AI处理的,相比2017年增加了4倍。——Gartner
31%的企业投资已经投资了人工智能,希望在竞争中脱颖而出。——埃森哲
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。