随着2024年的开启,全球营销行业将迎来新的变革和创新的浪潮。在低增长时代,营销者的预算投入虽然更加谨慎,但他们在开拓和尝试新渠道及效果监测领域的步伐将进一步加快。对于有AI加持的营销行业而言,这不仅意味着降本增效,更意味着无限的潜力和机遇。今天,Adjust首席执行官Simon Dussart,Adjust首席产品官Katie Madding以及Adjust 联网电视与新渠道总监 Gijsbert Pols博士将与营销者深入分享这些全球趋势,揭示营销未来的可能性,并为其业务增长注入新的活力。
预测性分析为跨渠道监测带来光明前景
从移动端、联网电视、电脑和游戏主机,再向网页端回归 …… 无论未来几年哪种渠道会再度流行,又或者哪些隐私法规即将出台,营销者希望实现投资回报率最大化的初衷从未改变。因此,广告主一直不停地追问自己 “到底如何做,才能将营销预算花在刀刃上?”
过去,营销监测的重点往往聚焦于几个主要的数据来源。营销者通过对比不同来源的表现,再决定未来的投资方向。然而,机器学习和人工智能技术让我们能够以90%的准确率预测用户在第3天、第7天、第14天以及第30天的用户终身价值。在用户安装应用的24小时内,营销者就能够确定营销活动是否真正吸引到了高价值用户,进而帮助他们判断是否要在该活动中投入更多资金,或者转向其它渠道。最终,营销者能够更明智的决定如何使用营销预算,进而获得更高的ROAS。
预测性分析和自动化工作流程搭配增量和媒体组合建模(MMM),将使营销者全方位地了解如何更明智地使用营销预算,以及在哪些平台或渠道上投放广告更加有效。这些终将成为现代营销增长和监测的未来。
AI技术将使移动营销更具潜力和竞争力
移动营销行业在人工智能方面取得了重大进展,并为营销者提供了更加有意义的数据。展望2024年,移动应用营销者将采取进一步行动,通过监测合作伙伴所提供的人工智能技术分析这些数据,最终做出更明智的营销决策。
通过持续的数据分析和先进的学习模型,监测合作伙伴能够为营销者提供更具前瞻性的预测和建议。这就意味着营销者能在更短时间内获得更为精准的数据,通过优化广告预算投放高效触达潜在用户并实现目标效果。这也是增长营销人员真正探求的目标。
流媒体服务需要借助更加全面的监测方式
FAST (免费广告支持的流媒体)渠道想要获得广告主的青睐,需要加强对广告效果的监测。这将推动行业的标准化,确保不同平台和推广活动之间的可比性。
品牌主和营销者将摒弃简单的归因模型,采用多触点或跨平台模型了解完整的用户旅程,借此了解不同的用户互动对转化和LTV的影响。
内容与商业的融合将重新定义电视观看体验
零售媒体将成为未来广告的关键部分,因为消费者可以通过电视大屏直接购物。举例而言,烹饪节目能够与商超应用无缝衔接,让观众在观看电视节目时直接购买食材并送货到家。CTV和商超创造了一个互动平台,使每一次点击都产生实际的影响。
CTV将成为家庭的数字中心
2024年,CTV将超越传统界限提供具有变革性意义的用户体验。正如智能手机彻底颠覆了手机的使用习惯一样,数字化电视也将对电视行业带来同样的影响。实际上,CTV有能力将电视从一个单纯的内容观看设备转变为每个家庭的数字中心。传统媒体与社交媒体的融合不仅会提高用户参与度,还会为广告主创造更多的机会并与兴趣各异的消费者建立联系。
如果您想更进一步地了解如何通过Adjust进行高效的营销监测和效果分析,欢迎关注我们的官方微信公众号“AdjustGmbH”。
关于 Adjust
Adjust 是 AppLovin(纳斯达克代码:APP)旗下公司,旨在帮助海量应用实现从移动端到联网电视等多平台的监测和业务增长,深受全球营销者的信赖。无论是快速增长的数字品牌还是试水应用领域的实体公司,Adjust 都能为其应用营销旅程保驾护航。Adjust 强大的监测和数据分析套件能深入洞察营销表现、汲取关键洞见并提供多种必备工具,进而帮助营销者获得卓越的营销效果。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。