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
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。