传统电视营销的深层变革推动了整个营销版图的发展进程。随着数字平台的强势崛起,很多人觉得传统电视广告已成为夕阳产业。不可否认,我们正身处革新的浪潮之中。但是,仅凭营销预算从线性电视( linear TV)到联网电视 (CTV)的转移来预测线性电视的未来未免过于武断。

Adjust 联网电视和新渠道总监Gijsbert Pols 博士表示,广告支出从线性电视向 CTV 转变的过程微妙且复杂。首先,从广告支出的角度来看。近年来,线性电视的广告支出呈现了衰退的趋势,目前已经下滑到了 2008 年的水平。然而,CTV广告的出现绝不是取代线性电视广告市场这么简单。
目前,许多广告主在不断削减线性电视、数字和移动视频广告方面的营销预算。这种行为释放出了一个强烈的信号:CTV广告凭借其卓越的创意潜力,更高的用户交互和可监测性力压线性电视并获得了越来越多广告主的青睐,成为与移动端和电脑端等营销渠道媲美的一匹黑马。
此外,"代际思维" 也成为决定线性电视命运的一大要素。很多业内人士认为,不同代际放弃线性电视的速度也存在差异。例如,婴儿潮一代人不太愿意改用联网电视,而 Z 世代人则只青睐数字设备,一些人甚至表示从未使用过线性电视。在触达潜在消费群体方面,目前很多叙事性广告主会仅通过线性电视尝试覆盖婴儿潮一代人,而针对 Z 世代人群的广告主则会倾力押注在 CTV 上,这样做未免太过肤浅。
其实,留住婴儿潮一代人群的要素并非设备本身,而是内容。例如,为了方便婴儿潮一代人观看过往的节目,BBC 等传统电视公司已快速完成了档案数字化。而 Z 时代人的观看习惯则大不相同,不会像老一辈人那样将家庭的娱乐中心集中在电视上。更加复杂的是,当下越来越多的 Z 时代人干脆彻底放弃了数字端。
对比线性电视和 CTV 的广告支出,以及用户在这些设备上花费的时间,二者呈现的失衡现象并不能用简单化的叙事和假设来解释,例如:
● 用户在线性电视端花费的时间从 2012 年的 4 小时 37 分钟下滑到 2024 年 (预测) 的 2 小时 46 分钟,降幅近 50%;但同期广告支出下降幅度不足 5%,2022 年甚至提高了 10 亿美元。
● 过去 4 年中,用户在 CTV 端所花的时间提高了 1 倍,但同期广告支出翻了三番。
换言之,CTV 观众规模的增长并不能解释高速的营销增长。要理解这一现象,我们就要认识到CTV 能为广告主带来的全新可能性。例如,广告主能够监测 CTV 端的投资回报率 (ROI)。
CTV 是与生俱来的数字平台,广告主可以根据实时监测数据分配预算。诸如 tvScientific、Vide.co和The Trade Desk 等需求方平台 (DSP) 进一步推动了自动化,并实现了 CTV 广告位的程式化购买。
不过,这一切才刚刚开始!2022年,多家公司开始在多个平台上尝试特定电视节目内的产品直销。预计在未来几年里,数字商务领域还会继续发展并取得长足进步。从长期来看,CTV 影音功能俱全并有能力将电视变为整个家庭的购物中心,甚至可能成为最强大的产品 "先试后买" 媒介。
不过,我们很难预测上述趋势将以怎样的具体方式呈现,以及哪个代际能成为最强的发展推动力。老一代人或许会对电视内容和功能的拓展喜闻乐见,而针对年轻一代,CTV 可能会成为多设备获客旅程中的一环。无论如何,CTV 不仅能替代线性电视,更能超越传统并激发行业的创新和进步。
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
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。