一文读懂 B2B 内容营销

AI赋能B2B营销:全流程智能化的五阶段实践与价值创造 AI重塑B2B营销:从线性漏斗到智能增长生态 文章指出B2B营销正面临深刻变革,传统线性漏斗模型已无法适应复杂的客户决策路径。AI技术正推动营销向"智能增长生态"转型,其核心特征包括:全景数据驱动、前瞻预测能力、规模化个性互动和持续闭环优化。文章构建了一个五阶段AI赋能框架:认知期精准勘探、考虑期个性化培育、决策期赢单加速、留存期主动关怀和推荐期飞轮构建。实施AI营销需夯实数据基础、整合技术栈、打造AI人才团队并再造业务流程。成功的AI营销将实现运营效率提升、营销效果增强和战略价值创造三 阅读详情

在正式开始之前,我们先来看看罗兰贝格的《B2B 销售的数字化未来》报告。

该报告中指出,B2B 买家在首次接触销售人员之前,会独自完成整个购买流程的近 57%。90% 的 B2B 买家会在线上搜索相关品牌、产品或者功能等关键词,70% 的 B2B 买家会在线上观看相关视频内容。

这也就意味着,过去靠销售人员就能撑起半边天的 B2B 销售模式,在如今信息越来越对称的时代下已经快行不通了。打入 B2B 买家购买流程的前 57% 变得尤为重要,而内容营销在这其中就能起到很关键的作用。

除了内容营销的重要性以外,《B2B Content Marketing:2017 Benchmarks,Budgets,and Trends—North America》报告中指出:相比于传统营销,内容营销的成本更低,能节省 62% 的费用,并且能带来 3 倍以上的效果!

一. 国内待崛起的 B2B 内容营销

受限于整个 B2B 行业的发展,国内的 B2B 内容营销整体还处于探索阶段(一方面是整体起步较慢,另一方面是缺少相关数据分析工具衡量内容营销的效果)。根据领英的调研数据显示,在国内:

在这里插入图片描述

  • 仅有 11% 的 B2B 营销人员能够在工作中熟练运用内容营销;
  • 43% 的 B2B 营销人员还在内容营销的探索中;
  • 46% 的 B2B 营销人员从未运用内容营销。

而在国外,B2B 内容营销已经相对成熟。我们来看一组国外的数据,在内容营销协会(CMI)针对北美 650 多名 B2B 营销人员的《2020 年 B2B 内容营销报告》中可以看到,在北美:

  • 68% 的 B2B 营销人员使用内容营销来培养潜在客户(去年为 58%);
  • 63% 的 B2B 营销人员使用内容营销来建立现有客户的忠诚度(去年为 54%);
  • 53%的 B2B 营销人员利用内容营销创造销售/收入(去年为 45%)。

二. 重新认识 B2B 内容营销

2001 年,内容营销之父,乔 · 普利兹,提出内容营销这一概念。但直到 2007 年,乔 · 普利兹创立内容营销协会(CMI)后,内容营销这一概念才开始在营销界流行起来。

对于内容营销,内容营销协会(CMI)给出了如下定义:
“内容营销是一种通过生产发布有价值的、与目标人群有关联的、持续性的内容来吸引目标人群,改变或强化目标人群的行为,以产生商业转化为目的的营销方式”。

相较于 B2C 内容营销不同的是,B2C 内容营销一般着重于品牌知名度、品牌忠诚度和品牌参与度,而 B2B 内容营销则着重于销售和销路拓展。

在这里插入图片描述

在《2020 年 B2B 内容营销报告》中,我们可以看到 B2B 内容营销人员,分别在客户生命旅程各个阶段进行内容营销的占比为:

  • 漏斗前期(产生意识/兴趣):50%
  • 漏斗中期(考虑/意图):22%
  • 后期(评估/购买):14%
  • 售后服务期(忠诚度/品牌宣传):11%
  • 其他:3%

几乎 86% 的内容营销作用在销售和销路拓展(漏斗前期、漏斗中期和后期)上,14% 作用在售后服务期及其他。

B2B 内容营销基本贯穿客户的全生命旅程,并且在不同的生命旅程对应不同的内容营销策略。
企业需要通过生产相关的、有价值的、有吸引力的内容,传递给目标客户,以吸引新客户或增加老客户的复购。

三. 4P 策略开启 B2B 内容营销闭环

对于 B2B 内容营销,我们可以根据前英特尔全球营销战略总裁,帕姆·狄勒,提出的内容营销 4P 策略开展。

该策略由规划(Plan)、制作(Produce)、推广(Promote)和完善(Perfect)四部分组成,重点强调内容营销的计划及企业与消费者之间联系的每个阶段。

在这里插入图片描述

3.1. 规划(Plan):1个基础,3个维度

行路要有方向,做事要有目标。在正式开始 B2B 内容营销之前,最重要的就是做好内容规划。而做好内容规划的一个基础就是要先确定我们的定位。

定位是一个诞生于 B2C 营销,但同样适用于 B2B 营销的重要战略概念。
对于 B2B 企业而言,一个好的定位包含三个要素:目标市场、相关竞争结构和产品独特利益。
用通俗易懂的语言来讲,可以转化为以下三个问题:

  • 我们的产品是卖给谁的?(目标市场);
  • 我们卖的是什么?(相关竞争结构);
  • 客户为什么要买我们的产品?(产品独特利益)。

相对应到内容营销,我们在做规划(Plan)时,也需要至少解决这三个问题:

  • 目标人群是谁?
  • 为什么这个群体很重要?
  • 我们的内容能为这个群体传递何种利益?

有了正确而明确的定位基础,我们再来根据客户生命旅程、客户画像及内容类型 3 个维度规划 B2B 内容营销。

3.1.1.客户生命旅程维度: 从消费者行为分析模型的演变,看 B2B 客户生命旅程

消费者行为分析模型主要经历了从 AIDMA 模型、AISAS 模型再到 SICAS 模型的三个阶段:

在这里插入图片描述

在最新的 SICAS 模型中 ,用户不仅可以通过社会化关系网络、通过分布在全网的触点主动获取信息,还可以作为消费源、发布信息的主体,与更多的好友共同体验和分享。

回到我们的客户生命旅程,引用最新的 SICAS 模型,我们可以将 B2B 企业的生命旅程大致划分为五个阶段,每个阶段与之对应不同的内容营销策略:

▪ Sense(感知阶段):
客户刚有认知;对企业的产品、服务和形象,形成初步了解;

▪ Interest & Interactive(产生兴趣与互动阶段):
客户正在被教育;对企业的产品、服务有兴趣,与企业有一定的互动;

▪ Connect & Communicate(建立连接与沟通互动阶段):
客户正在做决策;对企业的产品、服务有一定的需求和购买欲;

▪ Action(行动购买阶段):
客户已确定购买;正式启用企业的产品、服务;

▪ Share(分享阶段):
客户会主动/被动推荐;对企业的产品、服务得到了超预期的体验。

3.1.2. 客户画像维度: 2 个层面,初步确定 B2B 客户画像

对于 B2B 的客户画像,我们抛开年龄、性别、地域、爱好、职业等细分项,可以简化为 2 个大的层面:「购买决策参与者分类」和「企业购买类型」。

  • 购买决策参与者分类

在企业级服务购买的过程中,除了有购买需求的使用者外,还有一系列的参与者。每一种类型的参与者与之相对应的内容营销策略也不尽相同。我们可以将购买决策的参与者细分为以下 7 个角色:

在这里插入图片描述

一般来讲,对于客单价较低的企业级产品、服务,使用者同时也会兼顾发起者、影响者、决定者的角色;对于客单价很高的企业级产品、服务,基本会囊括以上 7 种角色。

  • 企业购买类型

对于 B2B 内容营销来说,企业不同的购买类型,也需要有不同的内容营销与之相对应。从采购的复杂程度上来看,可以分为新任务采购(New Task)、更新再采购(Modified Rebuy)和直接再采购(Straight Rebuy) 3 种类型。

3.1.3. 内容类型维度: 2 个方面,组合打造多样化内容

鉴于 B2B 高质量内容的难产性,这就需要我们具有内容重复利用的能力。
一个内容可以通过多种方式、多种渠道、多种展现形式转化为多种内容传播。

比如 GrowingIO 北京增长大会某嘉宾的演讲,可以经历线上直播、转编为文章、制作成一图读懂某演讲的知识点、甚至演讲中的某经典片段还可以上传至抖音等一系列的内容。

我们可以从以下 2 个方面对内容类型进行分类,再通过多种组合方式,重复利用好我们的高质量内容:

  • 内容作用方面

从内容的主要作用来看,我们可以把 B2B 的内容大致分为开口型内容、教育型内容、转化型内容、服务型内容、激励型内容五大类。分别对应客户生命旅程的五个阶段。

开口型内容:指与目标客户相关,但与产品无关的内容,用以扩大目标客户转为潜在客户的基数池。

以 GrowingIO 产品分析为例,目标客户是产品经理,对应的开口型内容可能就会有:产品经理升职加薪的 108 个方法、一小时搞定产品经理的年终总结等

  • 教育型内容:指与产品有强相关或者弱相关的,将潜在客户转化为意向客户的内容。像行业/职业白皮书、客户成功案例等
  • 转化型内容:指帮助意向客户下定决心购买,可将意向客户转化为购买客户的内容。像行业解决方案、产品价值、售后服务准则等
  • 服务型内容:指针对购买客户的一系列内容。像产品操作手册、实操讲解视频等。
  • 激励型内容:指除主动分享产品的情况下,通过该类内容促进被动分享产品的内容。像阿里云大使(GrowingIO 注:阿里云的推荐返现计划),就会针对年入百万的推荐者,做一系列的内容,以带动更多的人分享产品获取返现。
  • 内容呈现形式方面

我们根据 NewsCred(GrowingIO 注:全球领先的企业内容营销平台)的总结,可以将内容呈现的形式分为 6 大类,39 小类:

在这里插入图片描述

不同作用的同一种内容,可以通过多种内容呈现的形式,去覆盖多种渠道,以提高我们优质内容的重复利用率。

最后,通过客户生命旅程、客户画像及内容类型三个维度,分别对应 X、Y、Z 轴。创建三维空间,针对性的规划(Plan)我们的内容营销。

在这里插入图片描述

比如针对 Interest & Interactive(产生兴趣与互动阶段),属于新任务采购(New Task)的使用者,我们就需要生产相对应的教育型内容。相对应的教育型内容还可以转化为文章、电子书、图片等多种呈现形式。

3.2. 制作(Produce):全员皆内容

企业级产品、服务,一般来讲,要么深耕于某一业务,要么深耕于某一行业。要想通过内容转化客户,也就需要我们 B2B 的内容极其专业、深度和有价值。这也是原创、高质量的内容难产在 B2B 内容制作中普遍存在的原因。

对于 B2B 内容制作的来源,我们提供了两个大的方向:

▪ 领域 KOL

我们可以通过付费聘请、资源互换等方式,邀请领域内的 KOL,来帮助我们产出权威的、高质量的、并且还是具有吸引力的内容。由于 KOL 本身就自带流量的属性,也能帮助我们的内容得到进一步的传播。

以金蝶集团为例,金蝶集团与超级KOL - 中国著名企业文化与战略专家 - 陈春花女士有长期的合作。金蝶集团会邀请陈春花女士出席大型活动、现场演讲,同时也会把演讲的内容再整理成文章进行发布(内容的重复利用)。

在这里插入图片描述

▪ 全员皆内容

全员皆内容是 B2B 内容制作最理想的状态,通过调动企业内部各部门的积极性,让销售人员、运营人员、技术人员、产品人员等都成为内容专家,不断产出高质量的、符合客户需求的内容。

这种方式是成本最低的,也是既能促进员工成长,又能提高企业内容质量最好的方式,没有之一。

以 Outreach 为例,GrowingIO 之前发布的《16 步,打造市值 11 亿美元的 SaaS 公司》中,对 Outreach 的发展进行了全面的解析。其中就有提到 Outreach 的全员皆内容。

Outreach 在官网上建立了博客,允许每一个员工发布他们所写内容。与此同时,每一篇员工所创作的内容,都可以分享到 Facebook、Twitter 等外部渠道。

在这里插入图片描述

最重要的一点是,员工所创作的每一篇内容页面上都有相关产品的注册按钮。

在这里插入图片描述

试想一下,如果员工创作的每一篇文章都能如此高大上的发布在企业官网,而且还能分享到外部社交平台,不仅如此,还能给员工带来商机、提成!我们全员皆内容的开展就相对容易多了。

3.3. 推广(Promote):有的放矢

为什么内容的推广要强调有的放矢(放箭要对准靶子)?我们通过规划(Plan)、制作(Produce)这两步已经磨利了箭头、丰满了羽翼,接下来就是选对渠道,将我们的箭,精准射到靶心(目标人群)。

GrowingIO 将内容的推广渠道根据媒体属性,分为三大类:

▪ 自有媒体

自有媒体是指企业旗下完全自己拥有,掌握自主发布权利的媒体,像公司官网、产品推送、官方微信公众号、官网微博、Email、手机短信、官方知乎、简书等自媒体号、自建社群、全员营销等。

对于自有媒体,我们如何做到有的放矢?以 GrowingIO《2019 企业级 SaaS 行业增长白皮书》为例。

内容营销人员可以通过 GrowingIO 智能运营 进行用户分群,在网页端、App 应用、短信渠道及自有资源位,对 SaaS 行业的客户进行自定义推送,并且实时跟进推送情况。

在这里插入图片描述

此外,像在知乎渠道,可以通过回答 SaaS 行业的相关问题,对准 SaaS 行业群体;在简书渠道,也可以通过投稿相关 SaaS 行业专题,对准 SaaS 行业人群。总而言之,就是要找准相关渠道进行相关内容的推广,不能广撒网的盲目进行。

▪ 付费媒体

付费媒体是指企业需要通过付费才能进行内容推广的媒体,包括电子媒体、印刷媒体、户外媒体等传统媒体和数字媒体。在网络渠道中最常见的有 SEM、信息流投放等。

像百度、360、谷歌等搜索引擎,我们可以通过投放相关关键词去进行内容推广;信息流投放基于平台的大数据,已经给我们圈定好了我们所需的目标人群,就 B2B 的内容来看,知乎、领英都是不错的选择。

▪ 获得媒体

获得媒体是指通过口碑效应或用户自传播获得免费推广的媒体,高质量的内容都具有很强的穿透力。

3.4. 完善(Perfect):数据驱动度

在国外,有很多专业的内容营销平台,帮助其用数据驱动完善(Perfect)内容营销。

像专门针对 B2B 内容营销人员的 Kapost,可以一站式制作、管理、分发和分析内容。通过数据驱动提高内容营销的效果,以获得更多的流量和目标潜在客户等。

但是在国内,很多 B2B 公司在完成规划(Plan)、制作(Produce)、推广(Promote)前三个步骤后,很少深入的进行第四步 - 完善(Perfect)。

没有对内容的效果进行深入的数据分析,也缺乏相关工具衡量内容的作用。
这是目前国内 89% 的 B2B 公司都还没有系统进行内容营销工作的原因。

一般来说,衡量 B2B 内容营销效果的指标主要有两类:

▪ 第一类:虚荣指标

指的是内容的浏览量、阅读人数、分享与转发数、评论数、收藏数、粉丝及订阅数等与销售额没有强相关的指标。

▪ 第二类:获利指标

指的是通过内容带来的线索数及签单金额。对于 B2B 企业来说,线索又分为:一般线索(注册即算)、SQL(市场认可线索)和 MQL(销售认可线索)。

那么我们该如何通过数据驱动来完善(Perfect)内容,形成 4P 策略的闭环呢?

举个例子,对于 B2B 的内容营销来说,我们会将大部分制作的内容,发送到各个渠道。各个渠道的阅读量、粉丝数等虚荣指标,可以在各分发平台上得到数据,但获利指标往往不能很好的衡量。

这就很容易出现一个问题,渠道 A 的阅读量很高,但带来的注册却不多,渠道 B 的阅读量虽不多,但带来的注册却很多。如果不能很好的衡量获利指标,内容营销人员会很容易迷失方向。

通过 GrowingIO 广告监测,能很好的解决这个问题。同样以 GrowingIO《2019 企业级 SaaS 行业增长白皮书》为例。

在这里插入图片描述

内容营销人员通过输入该下载页的网址,填写推广渠道、广告媒介、广告关键字等信息,我们就可以自定义针对不同的渠道、不同类型的推广活动、软文等生成专属监测链接和二维码。

在正式开始白皮书的推广后,内容营销人员就可以通过数据对该下载页进行分析。很清楚的知道哪些渠道带来的量最多、哪种类型的推广最行之有效,进而优化下一步的推广计划。

在这里插入图片描述

此外,我们还可以建立全局的内容营销看板,实时对每个渠道、每篇文章、每种类型的内容带来的浏览、注册等指标进行监测。通过与企业内部系统打通还能衡量 MQL、SQL、签单价值等获利指标。

通过建立内容营销看板,还能帮助内容营销人员很好的通过数据发现问题。像当我们发现进入某白皮书下载页的人很多,但下载成功的却很少,这时候就急需优化该白皮书的下载页,而不是再去拓展发布渠道。

作为 B2B 公司,进行能节省 62% 的费用,并且能带来 3 倍以上效果的内容营销是非常有必要的。但更重要的是用数据驱动,找准方向,不断优化,通过优质的内容,获取更多的高质量客户。

关于 GrowingIO

GrowingIO 是基于用户行为数据构建新一代业务增长平台,国内领先的数据运营解决方案供应商。GrowingIO 为产品、运营、市场、数据团队及管理者提供产品分析、智能运营、广告分析等一系列产品及咨询服务,从而优化产品体验、提升运营效率、提高广告投放效果,帮助企业用数据精准、高效驱动增长。

AI智能体在B2B营销中的五大应用场景:实践路径与落地案例解析 AI智能体在B2B营销中如何应用?本文系统解析五大典型应用场景:客户洞察、内容生成、营销自动化、预测分析与智能客服,并结合真实企业案例,帮助B2B企业提升线索转化率、客户满意度和营销效率,是营销技术人员不可错过的实战指南。 阅读详情

相关推荐

B2B品牌营销方法论与实战案例解析

深度解析B2B品牌营销方法论与实战路径,结合中网咨询等行业标杆案例,揭秘如何通过价值传递工具链与数字化增长系统缩短40%销售转化周期,构建垂直领域竞争壁垒,解析从战略定位到场景化落地的全链路解决方案。

B2B_Strategic的博客 1670

干货 | B2B企业服务策略人常用这7个模型

存量经营时代,流量红利逐渐消失,B2B企业服务管理者不得不面对流量贵、获客难的现状,将精力集中到如何提高转化率、如何留存客户和促成二次交易。从生产到营销,每个环节都需要适应新环境的新增长模式。以下是B2B企业服务策略人可以应用、会产生实际效果的7个模型。第一性原理的火爆得益于“钢铁侠”埃隆·马斯克。他曾在釆访中提到自己长期推崇的“第一性原理”思考法则:“通过第一性原理,我会回归事物最基本的条件,将其拆分成各要素进行解构分析,从而找到实现目标最优路径的方法。”同样,B2B企业面临多种行业细分和不同业务形态,运

fxiaoke_com的博客 516

营销自动化赋能B2B内容营销

本文通过案例研究探讨了如何利用营销自动化将B2B内容营销与销售流程有效整合。研究表明,通过行为定向和内容个性化,企业可生成高质量销售线索,并提升营销与销售协同效率。研究还提出了‘营销与销售漏斗’框架,揭示了数据驱动的内容策略在客户旅程各阶段的应用机制及其商业价值。

brandy的博客 903

Focussend:B2B企业如何进行内容营销?

编辑:DM 来源:Focussend 自1895年,John Deere发行内容营销杂志第一版《The Furrow》以来,企业逐渐懂得如何通过内容来抓住潜在客户眼球,以达到自然转化,从而带来巨大商机。 近年来,国内B2B企业越来越重视内容营销。研究表明,91% 的 B2B营销商使用内容营销。 但是,在资源匮乏的世界中,内容营销人员除了要有定期的内容产出支持,还需要利用营销自动化工具管理内容运营与营销,并有效管理跨渠道的资源,以有目的地对潜在客户传递观点。 Focuss...

FSFocussend的博客 409

淘宝链接跳转微信全攻略:自建合规中转页实现私域引流

在跨平台运营中,链接跳转是连接不同生态、实现流量引导的关键技术。其核心原理是通过服务器端或前端逻辑,将用户从一个平台的链接安全引导至目标页面,同时规避平台间的访问限制。这项技术的核心价值在于打破数据孤岛,实现跨平台用户沉淀与精细化运营,广泛应用于电商引流、私域流量构建和跨平台营销等场景。本文聚焦于**淘宝短链**与**企业微信**之间的跳转难题,提供了一套基于自建中转页面的完整工程解决方案,手把手教你如何通过合规的技术手段,将淘宝流量高效、安全地引导至微信生态,并实现数据追踪与客户分流。

weixin_34185512的博客 411

Keil5编译报错:ARM Compiler Version 5缺失的完整解决方案

本文提供了Keil5编译报错“ARM Compiler Version 5缺失”的完整解决方案。详细介绍了手动安装ARM Compiler Version 5的步骤,包括下载安装包、配置编译器路径及常见问题排查,帮助开发者快速恢复老项目的编译环境。

bb456的博客 945

B2B电商营销若有十分惊艳,九分在内容营销

由最初的躁动到如今企业把内容营销放置到各类的实践当中,如火如荼的B2B电商平台犹如内容营销的“耶路撒冷”。据相关数据显示:TO B行业中使用内容营销会比传统的营销方式节省62%的成本,在高达91%的内容营销使用率当中有近33%的营销预算被分配到内容营销,并且还伴有持续上升的趋势,可见内容营销在B2B行业大有可观。业界一直盛传一种说法,如果“B2B电商营销...

weixin_34324081的博客 316

芯片封装、功率密度提升及热管理系统优化三个维度分析高功率芯片散热技术挑战

本文探讨高功率芯片散热技术挑战与创新。随着新能源汽车MOSFET用量增至400颗/车,文章聚焦封装技术创新(双面散热、集成模块)、功率密度提升(SGT-MOSFET优化)和热管理系统协同优化三大方向。通过热仿真案例(如CPO散热优化)展示温升改善方案,强调需协同器件级设计、系统级仿真与先进封装技术(混合键合/玻璃基板)来解决高密度互连与散热矛盾,为功率密度跃升提供技术支撑。

莱歌数字的博客 1473

如何充分利用你的B2B内容

具有策略性地控制内容 我们对“ B2B内容的未来”报告的研究发现,超过一半的B2B营销人员没有选择任何内容。对于他们来说,通过让他们轻松地访问内容而成为目标受众的资源,这超过了门控的任何潜在好处。通过查看点击率,可以进一步支持非门内容的情况,与非门内容相比,其门控内容的点击率降低了55%。 最好取消简短的思想领导力内容,例如博客帖子,技巧表和案例研究。通过首先通过这些无功能的部分免费...

Finlaywu的博客 367

企业数字化转型解决方案架构设计:一个五维全景视角

本文系统探讨了企业数字化转型的架构设计框架,提出五维协同模型:企业架构作为战略罗盘,业务架构聚焦价值创造,应用架构实现能力载体,数据架构提供智能燃料,技术架构奠定基础支撑。文章深入分析了各架构域的核心要素、设计原则及相互关系,并指出数字化转型需通过渐进路径,结合战略引领、技术赋能和组织变革,构建有机统一的架构体系。该框架为企业应对数字化复杂性提供了系统性方法论,强调从整体视角实现技术与业务的深度融合。

金牌架构师 1256

Android 14.0 系统设置显示主菜单添加屏幕旋转菜单实现旋转屏幕功能

在14.0的系统rom定制化开发中,在对系统设置进行定制开发中,有产品需求要求增加 旋转屏幕功能的菜单,就是在点击旋转屏幕菜单后弹窗显示旋转0度,旋转 90度,旋转180度, 旋转270度针对不同分辨率的无重力感应的大屏设备的屏幕旋转功能的实现, 接下来就来分析实现这个功能

安卓兼职framework和app工程师的博客 1309

【白皮书分享】2021年B2B内容营销白皮书.pdf(附下载链接)

大家好,我是文文(微信号:sscbg2020),今天给大家分享致趣百川于2021年1月份发布的白皮书《2021年B2B内容营销白皮书.pdf》,B2B行业的伙伴们别错过了呀!本白皮书共9...

m0_37586850的博客 697

Python 爬虫实战:爬取哔哩哔哩知识区,抓取高赞课程信息

哔哩哔哩(Bilibili)是一个广受欢迎的综合性视频社区,其中的知识区汇聚了大量优质的教育、科普、技术等课程内容。本文将指导读者如何使用 Python 爬虫技术从哔哩哔哩知识区抓取高赞课程信息,并进行数据分析。本文深入探究了利用 Python 爬虫技术从哔哩哔哩知识区抓取高赞课程信息的全流程。从前期的环境搭建、模拟登录,到核心的课程数据抓取、存储,再到后续的数据分析与可视化,都详细展开讲解并提供代码支持。通过此方法所获取的数据,能够助力创作者优化内容、用户发现优质课程、平台洞察用户需求。

u014481728的博客 1136

2024年B2B内容营销基准、预算和趋势展望 [研究]

制定内容营销的标准、指南、流程和工作流程并不是一件令人兴奋的工作。但设定标准是了解是否可以改进任何事物(无论是通过AI还是其他方式)的唯一途径。好消息是:所有这些不那么令人兴奋的工作节省了时间和资源(人力和技术),这些资源可以用于将品牌的战略和计划付诸实施。然而,在许多组织中,内容仍然没有被视为一个协调的业务功能。这是我们与MarketingProfs合作并由Brightspot赞助的最新研究报告中的一个重要收获。

拥有自研的知识库,能够根据业务需求定制内容,提供更精准的服务和推荐 2455

腾讯面试——机器学习岗面试总结

先写合并两个有序数组,接着写合并n个有序的数组,假设总共m个数,讲了一个思路两两合并直到只剩下一个数组,分析一下时间复杂度(MlogN),面试官不满意,然后想了一下说了另一个思路,用n个指针开始指向各个数组的首端,用一个优先队列维护他们的最小值,每次拿出最小值的指针然后插入该指针的下一个值。感觉跟二面面试官聊得还是挺开心的,他详细地介绍了他们部门所做的业务,然后问了一下什么时候能来实现,我说只能暑假七八两个月,他觉得有点晚,这样子不利于转正,有些人都实习半年的,回去讨论一下,正式批之前给我答复。

FPGA/MATLAB学习教程/源码/项目合作开发 1231

国科大学习资料--VLSI测试与可测试设计--2020期末考试试题

国科大学习资料–VLSI测试与可测试设计–2020期末考试试题 国科大学习资料–VLSI测试与可测试设计–2020期末考试试题 国科大学习资料–VLSI测试与可测试设计–2020期末考试试题 一、概念题 1简述可测试性测度与两个主要的测度指标的含义; 2以March C-算法为例,说明March算法的构成,以及March C-算法的故障覆盖率; 3“效果-原因”诊断法和“原因效果诊断法”的不同; 4列举四条扫描设计时出现的问 题及解决办法; 5最少写出1149.1与1500的五点不同; = = = = =

无名何许人的博客 1150

完整的B2C营销指南:策略与实例

B2C代表企业对消费者。因此,B2C营销是直接向消费者传达你的品牌,并以销售为目标的过程。这与B2B营销不同,后者侧重于直接面向企业进行营销和销售。任何直接向客户销售产品或服务的组织都被视为B2C。为了成功提高销售,B2C企业需要了解其客户使用的渠道,并以直接吸引和参与其受众的方式与他们联系。

2401_87323031的博客 1947

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

AI营销下半场:B2B选型指南

如何评判2025年AIGC营销内容领域的真正“领军者”?标准已悄然改变。单一功能的工具提供商,都已无法满足企业级AI营销的复杂需求。真正的领军者,必须是能够提供从市场洞察、内容生成、多平台分发到效果评估的全链路、可控化解决方案的体系构建者。在技术实现上,这要求其架构具备高度的智能与协同性。前沿的“多智能体(Multi-Agents)”协同架构,正是实现这一目标的关键。

AIyingxiaokuaixi的博客 1089

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

什么是B2B营销?一文看懂企业数字化获客与增长新模式

B2B营销是企业间通过数字化技术实现高效交易与协作的模式。它通过精准客户画像、多渠道推广、自动化工具、专业内容输出和数据驱动决策,提升获客效率与转化率。

yzm2l01的博客 1496

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

10个必须要知道的 B2B营销工具

从优化搜索引擎(SEO)、内容、社交媒体到电子邮件,线索生成,以及用户体验,成功的 B2B 营销需要考虑的因素有很多。 市面上各种工具总会承诺其令人折服的成效,但挑选合适的 B2B营销工具 包依旧很棘手。 无论你的公司规模如何,本文所介绍的十大高效必备的 B2B营销工具 都可以给你带来新的启发。 01 Finteza – 营销 分析 Finteza 是一个高级且全面的 B2B营销工具 ,它可以跟踪和分析你的网站流量、销售漏斗、转换率、登陆页面、广告活动、重定向分析等等。 当然,谷歌分析可以满足你所有基础.

upskill2018的博客 2514

5大B2B数字营销社群营销标杆案例TOB企业数字化营销内容营销AI营销培训讲师培训师专家顾问唐兴通分享

Salesforce 的 Trailblazer Community 是一个庞大而活跃的在线平台,汇聚了使用 Salesforce 产品和技术的管理员、开发者、顾问、合作伙伴和客户。它是一个集学习、协作、支持和 networking 于一体的综合性社区。

Akibfrycc的博客 1377

【内容策划】B2B内容营销的6种战术

根据大数据调研的结果显示,用户创作内容(UGC)对公司的财务表现有重要影响,市场人员有必要在社交媒体上与客户建立关系,与客户打成一片,这不光指发布品牌专属的信息,而是给客户提供专个人专属信息,客户专属信息可以提高用户粘度,给客户带来惊喜并引发更多的传播。相比B2C的消费者,B2B的买家拥有更强的品牌依恋心理,而且做出的情绪驱动型购买决策也很多,他们媒体都会做出价值百万美金的重要购买决策,如果选择不慎,这些决策就会影响到他们的饭碗,B2B企业需要专业性的内容营销,与客户建立联系,帮助消费者解决问题。

weixin_47052234的博客 369

【报告分享】B2B内容营销指南—制定有效内容策略-领英.pdf(附下载链接)

大家好,我是文文(微信:sscbg2020),今天给大家分享领英于2020年6月发布的报告《B2B内容营销指南-制定有效内容策略.pdf》。本报告共48页,包含如下七大章节:1、找到全球...

m0_37586850的博客 570

AI营销系统如何助力B2B企业构建高效数字化营销体系

本文系统解析AI营销在B2B领域的典型应用场景与技术优势,涵盖客户画像、内容自动生成、智能客服等关键模块,帮助企业打造数据驱动的高效营销体系。适合市场负责人、销售管理者及数字化转型从业者阅读参考。

JINGdigital_的博客 1432

Marketing Agent:多智能体技术如何重塑B2B营销智能化架构

面对复杂多变的B2B营销环境,传统营销自动化工具的局限性日益凸显。本文探讨了基于多智能体(Multi-Agent)技术的Marketing Agent(营销智能体)新架构,解析其AI原生特性如何区别于传统模式,并通过客户服务场景案例展示其应用潜力,并提出一套工程化实施框架,最终展望AI智能体将如何驱动B2B营销迈向智能协作的新时代。

JINGdigital_的博客 1554

少走弯路!B2B 内容营销的黄金法则与致命误区

B2B内容营销的核心策略与误区 B2B内容营销的本质是为商业决策者提供有价值的内容,帮助他们在购买过程中做出更明智的选择。有效的策略包括: 聚焦真实痛点而非泛泛话题 与销售和客户成功团队紧密协作获取洞察 针对高购买意向的SEO优化 多渠道内容分发和再利用 用数据和案例建立信任 常见的误区包括: 盲目追求内容数量而非质量 制作无人阅读的封闭式PDF 注重表面指标而非实际转化 过度设计而忽视内容实质 成功的关键在于建立以收入为导向的内容引擎,定期从成交案例中逆向分析有效内容,并按购买旅程阶段分配资源。建议每月与

SEO_juper的博客 754
上一篇: 三种运营方法,玩转零售小程序
下一篇: 三只松鼠 Kaiser:小程序如何助力品牌营销的“增长思维”?
GrowingIO_
博客等级 码龄8年 56粉丝 61原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值