|
通过将所有这些数据与我们现有的方法相结合，我们的人工智能模型能够产生比以前更出色的结果，现在识别的流量总体上增加了 。 这与账户识别的覆盖范围或准确性无关，而是两者兼而有之。 虽然匹配率的提高是好事，但同时提高匹配率和准确率则更好。如上文所述，信号能力的提高使准确率提高了 以上，更令人欣喜的是，新信号的广泛覆盖范围将这些准确率提升扩展到中端市场和小型企业领域。 匹配率是衡量匿名账户识别产品整体覆盖率的有效方法，但为了提高匹配率，很容易牺牲准确性。为了获得最佳的 ABM 结果，我们的方法一直是保持较高的准确性标准。
例如，在我们的定位产品中，如果，那么花在广告上的 印度数据 钱就浪费在了那些可能对您的产品毫无兴趣的账户上。而这一直是我们关注的重点。 凭借我们最近的成就，我们的广告产品（我们的准确性标准最高）在已识别的广告机会方面已经增长了 .。我们预计，随着模型的发展，这一增长还会进一步增加。 通过提高覆盖率和准确性，我们为客户提供了更多机会，让他们能够在网络上瞄准关键客户，同时确保不会浪费任何资金。 Demandbase 在 ABM 账户识别方面打破行业标准 Demandbase 利用数据和技术来提高账户识别性能。
账户匹配的改进仅仅是一个开始。 在一次更新中同时扩大覆盖范围和准确性通常是机器学习中难以实现的成就。正是通过现有 Demandbase 和 Engagio 数据的独特协同作用，我们才实现了这一壮举。 即使 Engagio 集成仍在继续，我们的数据仍是 ABM 平台的核心。此更新为我们正在构建的下一代平台的许多未来改进奠定了基础。敬请期待。 LinkedIn 旨在与志同道合的同事和行业领袖建立联系，并发展您的品牌。那么，为什么我们每天都在 LinkedIn 收件箱中收到越来越多的垃圾邮件呢？ 不言而喻，向潜在联系人发送垃圾邮件并不是交朋友的正确方式，但我们还是这么做了。
| 
发表于