Facebook商业模式受损摇摇欲坠?不,它仍受广告商青睐

640?wx_fmt=png&wxfrom=5&wx_lazy=1

点击上方蓝字 关注网易智能

为你解读AI领域大公司大事件,新观点新应用


640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1


网易科技讯 4月15日消息,据《连线》网站报道,虽然Facebook最近遭遇数据泄露危机,首席执行官马克·扎克伯格(Mark Zuckerberg)也因为此事在美国国会连续鏖战两天,但广告商们仍然很青睐该社交网络。


在遭到国会议员长达10个小时的盘问后,扎克伯格看起来就像一个摇摇欲坠的领导者。在本周作证期间,他对公司处理用户数据的过失表示道歉。听证会过后,等待他和他的团队的是多个月的功课和修复工作。


但对于扎克伯格来说,生活并不是那么糟糕。他连续两天受到高强度质询,似乎丝毫影响不了从根本上赋予Facebook影响力的一件事:它在广告商中的受欢迎程度。


| 商业模式未受损


广告公司PMG的社交媒体和影响力营销主管安吉拉·塞兹(Angela Seits)指出,“整个行业对于未来仍然非常乐观,他们相信Facebook仍将会是一个值得信赖的合作伙伴。”


广告公司Nina Hale的效能媒体主管舒曼·萨胡(Shuman Sahu)说,他们不仅认为这个平台是有原则的,“我的几个客户实际上还把更多的钱转移到了Facebook平台。”


由于广告商仍渴望使用Facebook的服务,该公司的商业模式未受损伤,其作为统治性的社交网络和广告巨头的地位依然稳固。市场研究机构Pivotal Research Group的高级分析师布莱恩·威瑟(Brian Wieser)表示,少数几个最近抛弃Facebook的品牌——Pep Boys, Mozilla, Sonos——只是在发表宣言。“他们在想,这里有一个很好的机会来谈谈我们的价值观。”


当然,只要人们继续使用这个平台,Facebook对于市场营销人员就有吸引力。该社交网络的用户大都继续使用。Cowen Equity Research周四发布的一项对Facebook用户的调查显示,在2018年第一季度,人们平均每天花在Facebook平台上的时间为53分钟,低于去年同期的58分钟。该报告的作者指出,尽管下降幅度很大,但仍没有其他社交平台能与Facebook相提并论。Snapchat位居第二,用户每天花33分钟在它上面。紧随其后的是Facebook旗下的Instagram,用户每天平均使用32分钟。


“Facebook上绝大多数人都不清楚该公司广泛的数据收集习惯。”数字营销公司Reshift Media的联合创始人兼首席执行官史蒂夫·布尔斯(Steve Buors)指出,“我们正在谈论它,业内人士正在谈论它。但如果你去看看普通人,你会发现他们并没怎么讨论。尽管‘删除Facebook’(#deleteFacebook)运动吸引了像史蒂夫·沃兹尼亚克(Steve Wozniak)、Cher和伊隆·马斯克(Elon Musk)这样的名人参与,但它并没有冲击到主流文化,这是一个强烈的信号,表明该社交网络的品牌在广告商所关心的群体中仍然没有受到损害。


一个重要的原因是,大多数人都不关心Facebook是如何赚钱的。它不仅通过在平台上收集用户的行为和点赞数据来赚钱,还通过跟踪他们在网络上的活动来赚钱。如果一个人点击了Facebook上某个商店的广告,然后在该品牌的实体店购买商品,Facebook很可能会发现。它的Messenger应用程序的用户将把他们的短信和电话记录存储在该社交网络的庞大数据中心里。


所有这些数据都服务于一个首要的目的:连接全世界的人——但同时也帮助广告商将他们的广告精准投放到能接受的观众面前。Facebook为这项服务收取的费用,为其空前未有的繁荣引擎提供了燃料。2017年,Facebook的总收入为406亿美元,几乎全部来自广告。据分析人士预测,Facebook今年的收入将达到550亿美元左右。


| 大而不倒


不过,由于Facebook和它的同行在隐私问题上引发了强烈的不满,科技巨头们将不得不更改它们处理用户数据的方式。欧盟5月25日生效的《全面数据保护法规》,已促使Facebook修改广告方面的规定,这可能会在短期内削弱其广告的效果。在这些改动中,Facebook已承诺将删除针对特定群体推送广告的一些选项(如根据年龄或种族),以制止歧视行为。ProPublica公司此前的调查发现,营销人员可以选择只向白人用户展示房屋广告,或者将年纪较大的人排除在招聘广告覆盖范围之外。


另一项改动将会打击一款名为“自订广告受众”(Custom Audiences)的产品,该工具曾被美国总统特朗普总统的数字竞选团队娴熟运用。长期以来,市场营销人员一直很喜欢将电子邮件列表嵌入Facebook的广告投放控制面板,并创建类似于电子邮件列表的Facebook用户池,这是一种针对潜在客户的有效方法。很快,规则将会变得更加严格,要求市场营销人员得到用户的明确同意才能使用这些电子邮件地址。因此,许多广告商将不得不缩短他们的电子邮件列表,导致所谓的“类似”用户池大幅缩水。但是,Buors指出,即使有了这些变动,“Facebook在工具组合和专用性上均远远领先于其他的平台,因此它对于广告商来说仍然是最好的选择。”


“它可是有20亿用户。”萨胡说道。在他看来,没有其他的平台能够在覆盖范围和广告格式的多样性上达到Facebook的水平。据市场研究公司eMarketer估计,2018年,Facebook和谷歌将合占数字广告收入的65%以上。萨胡称Facebook当前的危机类似于一年前YouTube遭遇的相对没那么严重的形象危机,当时多家公司在发现自家的产品出现在仇恨言论和极端主义内容旁边以后,对该视频平台予以抵制。但YouTube广告业务的低迷很快就扭转了过来,如今市场营销人员再次乐于把大笔预算花在该视频网站上。“从本质上讲,这些平台都大而不倒。”


扎克伯格摇摇欲坠?在你读这篇文章的时候,他正在慢慢重新站稳阵脚。(乐邦)


网易智能

聚焦AI 读懂下一个大时代

长按扫码关注我们

640?wx_fmt=jpeg

加入社群


AI社群(AI专家群、AI黑板报)火热招募中,欢迎对AI感兴趣的小伙伴,添加小助手微信 kaiwu_club,说明身份即可加入。


往期精华


人物专访  沈向洋 | 于尔根 | 洪小文 | 李德毅 | 尤瓦尔 | 哈萨比斯 | 宋继强 | 杨强 | 余凯 | 邓志东 | 芮勇 | 戴文渊 | 石博盟 | 韦东 | 黄学东


行业特稿  抢滩智能音箱(上) | 抢滩智能音箱(下) | 自动驾驶行业素描(上) | 自动驾驶行业素描(下) | 机器翻译技术与应用


重磅报告  麦肯锡(二) | AlphaBeta & ABC | 埃森哲 |  英国政府 | Internet Society | Forrester | VertoAnalytics 麦肯锡(一) | 苹果公司 | 耶鲁大学 

640?wx_fmt=jpeg
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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