想象未来IT专业人员可以转变为客户科学家,这听上去可能有些牵强,但下一代IT的确需要走上更严格、更系统的客户分析之路,以制定客户行为的因果理论。
每个组织都声称自己是以客户为中心的,有些组织甚至坚称自己以客户为中心。事实上,对于大多数企业来说,“以客户为中心”只是一个话题和愿望,而不是一种差异化能力。
想一想,在日常生活中,有多少产品或者服务交互超出了你的预期?有多少人见过这种产品或者服务?自2010年以来,客户满意度水平一直趋于平稳。自此之后,根据美国客户满意度指数显示,有近80%的企业无法提高客户满意度评级。因此,尽管组织可能正在关注客户体验问题,但他们并没有取得太大的进展。
客户科学案例
美国亚利桑那州立大学W.P.服务领导中心凯里商学院会定期进行全国客户愤怒调查,跟踪客户满意度、投诉处理以及客户不文明行为(即愤怒)的惊人发生率。客户体验/满意度领域有一个新兴的关键绩效指标是“愤怒点击”——例如,由于网站加载缓慢或冻结,用户有时会点击按钮五六次。减少或消除客户愤怒是否应该成为一项IT指标?
很多人把科学定义为对现象的严格且系统的识别和测量。在营利性和非营利性板块中,最重要的现象就是客户行为和心态。
客户科学将客户的行为和心态置于显微镜下。你的组织擅长客户科学吗?你的组织是否衡量了客户体验?你的组织是否聘请了“科学家”根据收集的数据观察和解释客户行为?
在每个客户都有广播平台的这个世界中,未能满足或超出客户期望可能都会带来重大的影响。
2018年2月21日,凯莉·詹纳 (Kylie Jenner)在推特上表达了对Snapchat应用新布局的不满之后,Snapchat的市值在一天内损失了13亿美金。她只是说了:“还有人打不开Snapchat了吗?或者只是我……唉,这太悲伤了。”2016年,美国企业因服务质量差而导致客户流失,其损失高达1.6万亿美金。
实践中的悖论
通往客户科学的道路充满了悖论。组织型的悖论是,如果“客户为王”,为什么企业中没有人有权确保每一次交互都达到或超出预期。这就是现在非常流行的首席客户官的角色吗?还是首席体验官?
Glenn Laverty曾任理光加拿大公司总裁兼首席执行官,现在他已经退休。他巧妙地解决了这种责任/权力悖论,将每位员工的薪酬与客户体验/满意度指标联系起来。
衡量什么以及奖励什么会驱动行为。在波音公司,有迹象表明,生产吞吐量补偿指标胜过安全考虑。客户科学可以为每个人的薪酬与客户体验指标之间的校准和细致联系提供信息。
美国客户满意度指数创始人Claes Fornell、密歇根大学商学院荣誉教授Donald C. Cook描述了客户科学的数据悖论。组织收集到的客户信息比以往更多,但“矛盾的是,企业收集的客户数据越多,他们似乎就越不知道如何满足客户的需求。”这个情况这必须有所改变。
“客户科学”这个术语几乎是一个矛盾的说法。有几位诺贝尔奖获得者——例如Herb Simon(1978年)和Daniel Kahneman(2002年)——已经消除了大多数主流经济学所基于的错误假设,即顾客总是理性的。
品牌研究人员、客户体验专家和客户满意度研究人员一致认为,真正的客户忠诚度取决于企业/品牌与买家建立情感联系。虽然科学和人类情感当然不是同义词,但我们相信,科学可以影响情感,而且客户是可以理解的。
不少商学院撰写的经济史认为,在1967年左右(参见Philip Kotler的《营销管理》,现已出版第16版)组织发现,应该由客户而不是产品来推动决策。客户、客户体验和客户满意度应该是管理者努力的焦点。战略成为识别目标客户和制定指导所有战术活动(包括产品设计、定价、促销和分销)价值主张的一个过程。
管理大师Peter Drucker说过:“企业的目的是创造客户。”CIO必须确保系统到位,以确保我们了解企业正在创造的客户。
好文章,需要你的鼓励
这篇研究介绍了KVzip,一种创新的查询无关KV缓存压缩方法,通过上下文重建机制为大型语言模型提供高效存储解决方案。该技术能将KV缓存大小减少394倍,同时提高解码速度约2倍,在各种任务上性能几乎不受影响。不同于传统查询相关的压缩方法,KVzip创建可在多种查询场景下重用的通用压缩缓存,特别适合个性化AI助手和企业信息检索系统。研究在LLaMA3.1-8B、Qwen2.5-14B和Gemma3-12B等多种模型上进行了验证,处理长度高达17万词元的文本,并能与KV缓存量化等其他优化技术无缝集成。
腾讯与上海交通大学联合推出的DeepTheorem研究突破了大型语言模型在数学定理证明领域的限制。该项目创建了包含12.1万个IMO级别非形式化定理的大规模数据集,开发了专门的RL-Zero强化学习策略,并设计了全面的评估框架。研究表明,通过使用自然语言而非传统形式化系统,即使是7B参数的模型也能在复杂定理证明上取得显著成果,超越许多更大的专业模型。这一成果为AI数学推理开辟了新途径,使语言模型能够像人类数学家一样思考和证明。
MAGREF是字节跳动智能创作团队开发的多主体视频生成框架,能从多张参考图像和文本提示生成高质量视频。该技术引入了区域感知动态遮罩机制,使单一模型灵活处理人物、物体和背景,无需架构变化;并采用像素级通道拼接机制,在通道维度上运作以更好地保留外观特征。实验表明,MAGREF在身份一致性和视觉质量方面优于现有技术,能将单主体训练泛化到复杂多主体场景,为内容创作者提供了强大而便捷的视频生成工具。
这项研究揭示了大型语言模型(LLMs)偏好决策的内在机制。以色列理工学院和IBM研究院的团队开发了一种自动化方法,不需人工预设即可发现和解释影响AI判断的关键概念。研究横跨八个领域(从一般问答到安全评估),分析了12种偏好机制,发现人类评判者重视权威性和清晰度,而AI评判更关注事实准确性。他们提出的层次多领域回归模型不仅能准确预测偏好,还能清晰解释判断过程,为构建更透明、更符合人类价值观的AI系统提供了新途径。