圖片來源:ImageFlow / Shutterstock
數(shù)十萬種基于區(qū)塊鏈的技術(shù)方案和項目正快速涌入市場。
比特幣公司Coinbase的聯(lián)合創(chuàng)始人Fred Ehrsam對此表示:“這將使得市場經(jīng)濟領(lǐng)域呈現(xiàn)出寒武紀(jì)時代的爆炸式增長,其中許多方法將快速并行并得到實踐。”
據(jù)他所說,單單在2017年年內(nèi),就有超過442家初創(chuàng)企業(yè)通過首次公開發(fā)幣的方式獲得了融資支持。與生物進化過程中的優(yōu)勝劣汰一樣,當(dāng)下最出色的產(chǎn)品與平臺并不一定就能笑到最后。那么,到底是什么決定了一款產(chǎn)品的最終命運?用達爾文的話來說,核心因素在于適應(yīng)不斷變化的環(huán)境的實際能力。
而在企業(yè)中,負(fù)責(zé)確保業(yè)務(wù)體系能夠不斷適應(yīng)變化的環(huán)境的部門正是——營銷部門。
管理學(xué)大師Peter Drucker曾表示,“考慮到企業(yè)的目標(biāo)在于創(chuàng)造客戶,因此企業(yè)的基本職能只有兩項:營銷與創(chuàng)新。”如果他的斷言無誤,那么企業(yè)的營銷職能應(yīng)當(dāng)與創(chuàng)新職能相匹配并相輔相成。
DMO的目標(biāo)在于協(xié)同去中心化技術(shù)團隊吸引并留住“加密貨幣客戶”。
與傳統(tǒng)客戶有所不同,在去中心化的網(wǎng)絡(luò)體系當(dāng)中,最具價值的客戶是那些能夠深入?yún)⑴c協(xié)議交易并為網(wǎng)絡(luò)帶來更多節(jié)點的人。因此,對于去中心化項目而言,真正有效的營銷策略應(yīng)該實現(xiàn)一系列多層次的需求拉動成效,而這些拉動效果將面向采用該協(xié)議的多種角色,比如開發(fā)人員、設(shè)計師、代幣買家/投資者、社交媒體意見領(lǐng)袖、常規(guī)用戶以及合作伙伴等等。
所有客戶之所以愿意參與到協(xié)議當(dāng)中,是因為他們認(rèn)同代幣的價值。代幣持有者對代幣的未來價值所抱的期望值越高,他們就越有可能堅持持有,并充當(dāng)布道者的角色。
一方面,代幣持有者與項目營銷人員具有相同的動機。另一方面,由于他們也屬于利益相關(guān)者,而非員工,因此不會像傳統(tǒng)員工那樣受到“控制”或指導(dǎo)。
他們的報酬并非來自老板,而是源自加密代幣的價值增長。
這樣的市場營銷方式在組織結(jié)構(gòu)上已經(jīng)遠遠超越了傳統(tǒng)組織的界限。以往的營銷網(wǎng)絡(luò)“邊緣”是指底層員工負(fù)責(zé)執(zhí)行的宣傳活動。如今,邊緣位置由代幣持有者負(fù)責(zé)管理,他們要做的就是將去中心化項目積極推銷給其他潛在客戶。
也就是說,任何人都可以發(fā)布與項目相關(guān)的博文,任何人都可以制作與之相關(guān)的視頻,任何人都可以主持項目相關(guān)活動——這一切都將自發(fā)進行。但與此同時,這些行為也可能帶來風(fēng)險,具體包括:
,即:
此外,代幣營銷人員也可以選擇曾在企業(yè)中經(jīng)驗豐富的營銷人員作為導(dǎo)師,從而了解規(guī)劃、預(yù)算、品牌傳播、上市、產(chǎn)品、社區(qū)、公關(guān)、開發(fā)者關(guān)系、分析師關(guān)系、內(nèi)容以及潛在客戶開發(fā)流程等因素,進而為項目參與者提供最大的發(fā)展機遇。
談到營銷創(chuàng)新,最好的靈感往往源自網(wǎng)絡(luò)邊緣,但資金與執(zhí)行等資源卻仍集中在中心區(qū)域。這意味著整個項目可能會在會議討論、審批流程、溝通渠道以及內(nèi)部銷售等方面引發(fā)摩擦。
如Tom Firedman在《加速時代》中所言,對代幣持有者進行發(fā)現(xiàn)、培養(yǎng)與激勵,在確保其以盡可能快的方式高效推動營銷成果方面發(fā)揮著重要的作用。
那么這一切將如何實際運作并起效?我們可以從DMO的最終發(fā)展目標(biāo)進行回推。DMO技術(shù)堆棧擁有多種元素,以下列出其中一部分:
這些技術(shù)將作為DMO的神經(jīng)系統(tǒng)存在。但是仍然需要注意的是,目前,我們尚無法利用基于區(qū)塊鏈的智能合約實現(xiàn)組織范圍內(nèi)的系統(tǒng)治理能力,而且很多相關(guān)工作也仍處于早期發(fā)展階段。
[本文摘自作者在線書籍《去中心化市場營銷組織》]
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟大學(xué)團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。