至顶网CIO与CTO频道 02月04日 编译:我们都听说过“数字化转型”一词。这是这一代代理商和营销商的营销流行语。现代的代理商会发挥自己的优势,而传统的代理商则会捍卫旧的方式,而客户(在许多情况下)却很难理解。
首先,我们需要了解什么是数字化转型。数字化转型是一种以数字和客户为中心的经营方式。这是一条通往客户洞察之路,依赖数据和分析,指导下一步的客户群拓展并触达那些参与最为积极的人群。它使用技术快速解决客户的问题。请注意:是客户的问题,而不是企业的问题。
为了说明这一点,让我们以肯德基(KFC)为例。(是的,上校已经做到了。)在我看来,肯德基的数字化转型方法以客户为中心的。几年前,该品牌即将退出市场。它以惊人的速度关闭门店,库存却在下降。产品没有问题——炸鸡已经成为广受欢迎的快餐食物。客户与品牌互动以获取产品的方式存在问题。该公司从上到下推行了一个“点击收集”的平台,并采用了一种更加面向全渠道的方式营销自己的产品。
“点击收集”平台让现代消费者可以快速下订单并在自己方便的地方取餐。新的平台与更好的自助服务亭相结合,成为一种催化剂,为精通数字化方式的客户提供能够与之共鸣的体验。
结合“点击收集”平台和更好的自助服务终端,肯德基可以利用数据做出更好的广告支出决策:更明智的决策,面向市场提供有针对性的广告——无论是大市场还是小市场。最好的客户买了什么?新客户买了什么?该品牌使用自己的第一方数据创建了一个忠诚计划,并且以个性化的方式,跨渠道地向客户发送信息。
此外,肯德基在更大的范围内实施了地理围栏,以便在消费者饥饿时吸引他们。据报道,该公司每六个小时就会开设一家新店。不久之后,它希望在其所到之处拥有的自助售货终端数量能够超过美国银行拥有的ATM机的数量。只要做法正确,数字化转型工作就会发挥作用。
那么,回到本文开篇的话题:数字化转型的路径和绝大多数企业采用的路径(企业效率)。很多企业从自己业务流程以及能够如何使用技术简化业务流程的角度来看待数字化转型,希望提高盈利能力,并为下一个更加以客户为中心的阶段定义运营工作。
这种想法的缺陷在于,如果没有消费者真正支持需求,企业就不需要提高效率。如果没有消费者的购买需求,企业能够多么高效地将工具X交付给实体商店就毫无意义。这种思维真正危险之处还在于,你的竞争对手有可能从相反的角度思考数字化转型,然后等到你回过神来,他们已经将客户牢牢地抓在手里了。
数字化转型的正确途径——尤其是对于可能处于危险之中的企业而言,是首先考虑消费者的问题。了解他们通过什么途径进行采购。找出消费者在做出消费决定时最重要的事情。并且找到在消费者做决定的时候出现在他们面前的方法。查看你的数据,并且据此定义你的组织应该采用的一系列核心策略。理解你在运营方面的局限性。了解你所处的市场和竞争情况,并且确定自己所处的位置。一旦你了解了自己所处的位置,并且设定了前进的目标,如何实现目标的战略就会浮现出来。
具有持久力的品牌是那些可以清晰地看到客户的企业,他们利用自己的数据并用技术定义体验,吸引客户。数字化转型并非易事,而且不是一蹴而就的,但是最终它可以将组织带到之前从未想到的地方。
好文章,需要你的鼓励
这项研究由德累斯顿工业大学等机构的研究团队完成,旨在解决主动学习未被广泛应用的问题。研究者构建了包含460万种超参数组合的实验网格,系统分析了各参数对主动学习性能的影响。研究发现,不同策略实现间存在显著差异,基于边缘的不确定性策略整体表现最佳,随机选择约4000个超参数组合即可获得可靠结果。这些发现为设计可重现、可信赖的主动学习实验提供了明确指导,有助于降低入门门槛,促进技术在实际应用中的普及。
这项由英国爱丁堡大学和上海人工智能实验室研究者共同完成的工作提出了LongBioBench,一种用于评估长文本语言模型的新型基准测试框架。通过使用人工生成的虚构人物传记作为测试环境,该框架在保持可控性的同时,提供了更真实的评估场景。研究对18个长文本模型的测试表明,即使最先进的模型在检索、推理和可信任性方面仍存在显著挑战,特别是上下文长度增加时。研究还揭示了现有合成基准测试的设计缺陷和长上下文预训练的局限性,为未来模型开发提供了重要指导。
SuperWriter是一项来自新加坡科技设计大学和清华大学的突破性研究,通过模仿人类"先思考后写作"的过程,彻底改良了AI长文生成能力。该研究团队开发的框架包含三个关键阶段:规划、写作和修改,使AI能像专业作家一样进行结构化思考。实验结果表明,经过训练的SuperWriter-LM模型不仅超越同等规模的所有AI模型,甚至在某些领域表现优于规模更大的顶级模型,为AI辅助写作开创了新的可能性。
香港大学与阿里巴巴达摩院合作开发的LayerFlow是一种突破性的层级视频生成技术,能同时生成透明前景、完整背景和混合场景视频。该技术通过创新的框架设计将不同视频层级作为子片段连接,并引入层级嵌入使模型区分各层级。面对高质量训练数据稀缺的挑战,研究团队设计了三阶段训练策略,结合Motion LoRA和Content LoRA,实现了图像和视频数据的联合训练。LayerFlow不仅支持多层视频生成,还能实现视频分解和条件层生成,为视频创作领域带来革命性变革。