ZDNet至顶网软件频道消息:笔者上周参加2014易观数字营销大会,印象最深的是海尔家电产业集团数据运营总经理孙鲲鹏说:“海尔30年熟悉的是工人、销售、渠道等,但互联网时代来临我们最需要熟悉的是用户。那在用户精准营销方面,我们认为’无交互不海尔、无数据不营销’,要通过与用户交互创新和用户行为数据挖掘为用户找产品,而不是为产品找用户。”
虽然海尔身为传统企业,但凭借转型和全新营销战略,站在了互联网化的风口浪尖上。
再见传统硬广开启互联网思维
今年一月初,海尔集团战略调整宣布停止在杂志投放硬广。当时的海尔内部年会上,张瑞敏宣称,在未来的海尔,无用户全流程最佳体验的产品都不应生产;无价值交互平台的交易都不应存在。
“2000年,海尔已经强烈地感受到,互联网已经开始改变我们的生活,我们也开始意识到熟悉用户在互联网时代的行为和需求的必要性。”孙鲲鹏在易观大会上表示,“我们在2012年的时候启动了网络化战略,按需设计、按需制造、按需配送,这是我们在网络化时代最大的思考。”
传统观念中的制造型企业,先设计再开发,先生产再销售、配送。但海尔想做的是一件颠覆整个流程的事情:先销售产品,再设计、生产。“甚至不仅仅是逆流程,”孙鲲鹏介绍说,“生产的时候可能就是销售,在销售的时候可能就是生产,在服务的时候就是设计。”
这也是孙鲲鹏所说的“无交互不海尔”,通过全流程的用户交互,也可以向部分用户进行自我营销,形成一定的口碑宣传效应,同时了解用户内心想要什么样的产品。了解用户的刚需,这也是制造业乃至所有企业需要做到的,毕竟“知己知彼方能百战百胜”。
玩转大数据 目标用户精准营销
对于大数据的挖掘,海尔认为“海尔能为用户贴上标签,比如说你是白领,你爱好美食,那你身上就会有这方面的数据标签。”
海尔是怎么做到这样的数据挖掘,并确定用户标签的呢?
孙鲲鹏介绍了一个很高大上的概念,就是SCRM,既社会化客户关系管理。说起来高大上,其实也不难理解。海尔目前线下实名用户达1.4亿,线上匿名用户2.3亿。SCRM数据按照搜集的数据,给用户贴上数据标签,可以形成最基本的10种用户模型。比如科技爱好者模型、环保主义者,基于购买可能性的模型,海尔可以找到那些马上有需求的人,进行精准营销,不会再有广告不知投给谁的困惑。
有了户模型和庞大的数据库,接下来就是给用户带去精准营销,海尔采用的准营销手段主要包括RTB(实时竞价,精准投放)和CT(协同定向营销)。以协同定向营销为例,陈先生购买海尔某一款空调后注册成为会员,系统把陈先生个人资料加密后输出至新浪进行匹配。找到其ID后,新浪再输出陈先生的兴趣标签至SCRM,制成某款空调目标用户数据模型。并利用整个模型在新浪平台找到更多像陈先生一样的目标用户,并进行交互。
以上两种精确营销方式的局部尝试,让海尔尝到了甜头。一般家电营销费的ROI(投资回报率)能达到1:100就实属不易,而试点期间精准营销ROI超过了1:2000,给海尔品牌带来的产出是1:2178。
海尔的分享,给我很多惊喜的同时也让我看到传统企业在数字化营销方面的成功尝试。海尔公然不在杂志上投放硬广不仅仅是一次颠覆,也是互联网化转型决心的体现。
互联网时代,取代硬广的是,靠挖掘用户交互背后大数据的精准营销,找到用户群。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。