至顶网软件频道消息:2017 年8月22日,SAP Hybris大中华区正式发布了《SAP Hybris消费者洞察调查》。通过对超过1000名中国消费者的调查和信息收集,SAP Hybris研究分析了消费者对品牌的看法,包括数据收集、隐私和消费者回应等方面。SAP Hybris将这视为品牌的“交友过程”,并以此来帮助确定寻求“理想伴侣”的战略:了解消费者的好恶。除中国以外,本次调查覆盖了来自整个亚太地区的 7000 多名消费者,包括澳大利亚、新加坡、泰国、印度、日本和韩国。
SAP Hybris大中华区总经理张波表示:“在如今快节奏的数字经济推动下,消费者的自主权正在不断增加。消费者也变得越来越挑剔,忠诚度不断下降。这正是我们展开《SAP Hybris 消费者洞察调查》的原因:帮助品牌更好地了解消费者,并吸引消费者成为回头客。”
目前,中国网民人数已达7.31 亿,其中一半以上使用手机上网,4.69 亿人拥有手机钱包,中国在网上购物和支付上的创新均处于世界领先水平。而这反应到消费者身上,便是不断提高的品牌期望。若品牌无法满足消费者不断增长的期望,将面临失去他们的风险。调查结果显示,在数字时代,中国消费者尤其看重个性化服务,希望品牌提供反应积极迅速的、个性化的客户服务。
在挑选品牌时,中国消费者喜欢收到品牌提供的惊喜福利:三分之二的受调查消费者提及最多的话题是折扣和赠品形式的增值福利。同时,中国消费者的高期望也表现在他们不愿意等候:近一半的消费者希望品牌能够在一小时内对其请求作出回应。随着网上购物越来越受关注,消费者希望品牌能够随时通过各渠道提供优质的服务。
相比中国以外的地区(86%),更多的中国消费者(90%)愿意分享一些个人信息,如电子邮箱地址,以及购物记录和喜好,以帮助品牌收集数据,使品牌更好地了解其消费习惯,满足其需求。然而若品牌在消费者不知情的情况下使用其个人数据,四分之三以上的消费者与品牌的关系将会破裂。
调查发现,为了更好地回应消费者的期望,品牌需确保各种渠道机制能够快速回应消费者需求,且在所有渠道中提供一致的价值,使消费者满意。更重要的是品牌需推动各个部门采用以消费者为中心的业务模式,而非只限于销售和服务部门,从而赢得消费者的喜爱,与消费者建立良好的关系。
通过投资自动化和智能化升级来推动以消费者为中心的业务模式,“端到端”的全渠道解决方案可以利用人工智能和机器学习帮助企业建立回应机制,对各个渠道进行智能化升级,增加联络点,为消费者提供更多服务,改善消费者体验,并以透明、安全的方式管理消费者的数据,赢得消费者的信任。
张波表示:“SAP Hybris专门针对中国商务市场的要求,并基于快速响应市场的机制,打造了完善的全渠道商务解决方案。借助SAP Hybris 服务解决方案,品牌可以覆盖客户服务与互动过程中的每一个用户接触点,重塑业务体验和客户体验,帮助品牌提高整体服务水平。同时,SAP Hybris以道德、透明和安全的方式管理所收集的消费者数据和信息,使消费者逐步建立对品牌的信任,强化积极的品牌声誉。”
了解更多报告信息,请访问http://www.hybrischina.com.cn/lovestory/
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。