Keenfolks正式推出KEENFOLKS X_

news2026/3/24 4:25:30
面向企业增长打造的全球AI原生营销基础设施网络作为一家为Coca-Cola、Diageo、Mars、Reckitt、Nestlé及Merck-MSD等品牌提供营销项目支持的AI转型合作伙伴Keenfolks今日宣布推出全新全球营销网络KEENFOLKS X_。该网络基于共享的AI基础设施构建旨在为企业提供统一、高效且可扩展的营销运营能力。数十年来主导全球营销行业格局的传统控股公司模式正面临日益显著的挑战。资本市场环境的变化、行业整合的加速推进以及客户需求的不断演进均表明行业亟需进行结构性重塑。在此背景下营销行业正加速探索新的发展模式。问题已不再是代理机构是否需要变革而是哪些机构自诞生之初便具备顺应这一转型趋势的能力与基因。Keenfolks——作为一家为“智能时代”原生打造的Integrative AI®合作伙伴——今日宣布推出KEENFOLKS X_。这一全新的全球AI原生营销网络旨在帮助企业摆脱碎片化服务模式迈向以智能系统、可规模化解决方案及可衡量转型为核心的全新运营范式。该网络基于K OS_构建。K OS_是Keenfolks自主研发的营销操作系统可将智能能力、数据、自动化与执行有机贯通沉淀为可复用的营销系统。其目标清晰而明确助力企业摆脱碎片化代理服务交付模式打造以AI驱动、具备规模化能力的营销体系。行业转型趋势过去十年间营销组织不断叠加日益复杂的技术架构形成了碎片化的代理生态及相互割裂的数据环境。尽管这一体系在以营销活动为驱动的时代曾发挥重要作用但在当今以绩效为导向、并日益受以下关键因素驱动的环境中其运行效率正面临明显挑战· 实时数据· AI决策系统· 自动化内容与媒体生产· 持续优化机制在这一环境下企业的竞争优势不再来源于单一、孤立的营销活动而在于能够持续学习、不断优化的整合型营销体系。KEENFOLKS X_正是围绕这一需求而打造旨在支持此类体系的构建与高效运营。“行业正在积极探索新的发展范式但对我们而言这并非停留于未来的构想而是已经在实践中的运营现实。KEENFOLKS X_正是我们将企业级品牌已广泛信赖的AI原生工作方式实现规模化的关键路径通过打通智能能力、平台、工作流程与客户体验构建能够高效运行、持续学习并不断复利式创造价值的营销系统。我们相信下一阶段将属于那些不仅能够交付营销活动更能够构建智能系统与增长引擎、支撑现代营销持续演进的合作伙伴。”——Keenfolks首席执行官兼联合创始人Miguel Machado平台K OS_该模式的核心在于K OS_——Keenfolks自主打造的AI原生营销操作系统。该平台构建于四大基础层之上· 智能层以AI为驱动对营销绩效、消费者行为及市场信号进行深度分析与洞察。· 平台层实现与CRM、媒体、商业及各类营销技术环境的深度集成与互联。· 工作流层通过代理驱动的流程体系自动化推进规划、生产、个性化及优化等关键环节。· 体验层作为执行层支持品牌落地营销活动、构建内容生态并打造数字化体验。通过上述各层的协同运作营销不再是分散的服务组合而是演进为一个能够持续运行、不断学习并持续优化的系统化运营体系。从服务到系统过去数年间Keenfolks持续协助大型企业构建此类系统化能力。其中Diageo的“Whats Your Cocktail”平台即为典型案例。该平台是一套由AI驱动的个性化引擎基于对美国和英国5,100万消费者行为数据的分析在关键决策触点提供鸡尾酒推荐实现了超过行业基准四倍的用户互动表现。更为关键的是该系统具备持续学习与自我优化能力。KEENFOLKS X_正是将这一模式在全球范围内加以延展。商业模式该网络引入了一种全新的商业结构突破了传统代理机构的经济逻辑。KEENFOLKS X_通过三种合作模式开展运营· 转型合作为大型企业打造以AI驱动的营销系统。· 解决方案开发在网络内沉淀并规模化可复用的产品与能力。· 联合创投与客户共同孵化新的数据、技术及营销业务形态。这一模式使Keenfolks及其合作伙伴能够从以项目交付为核心的短期收益模式转向参与长期价值创造。网络拓展Keenfolks创立于巴塞罗那并在伦敦、纽约及墨西哥城设有办公室目前业务已覆盖全球50多个市场。KEENFOLKS X_的推出标志着公司迈入新一阶段的增长周期。未来数月内Keenfolks将陆续在重点市场确认战略合作伙伴持续强化网络的全球交付能力。同时公司亦正积极探索引入风险投资以加速新一代AI驱动营销基础设施与解决方案的开发与落地。关于KEENFOLKS X_KEENFOLKS X_是Keenfolks面向“智能时代”打造的全球AI原生营销网络。该网络基于K OS_构建将智能能力、平台、工作流程与体验贯通整合沉淀为可复用的智能系统与可规模化解决方案助力企业摆脱碎片化的营销交付模式。依托这一模式Keenfolks将转型服务、解决方案开发、联合共创以及审慎设计的风险共担机制有机结合为客户创造更具持续性且可衡量的长期价值。关于KeenfolksKeenfolks是一家面向“智能时代”构建的 Integrative AI® 合作伙伴。公司创立于巴塞罗那在伦敦、纽约及墨西哥城设有办公室业务已覆盖50多个国家。Keenfolks通过打造贯通战略、数据、技术、媒体、CRM及创意执行的智能系统助力全球品牌持续演进其营销体系。其客户包括Coca-Cola、Diageo、Kellanova、Reckitt、Mars、Nestlé及Merck-MSD等。关于Miguel MachadoMiguel Machado是Keenfolks及Og.ai的首席执行官兼联合创始人长期致力于推动AI驱动的营销转型曾为Coca-Cola、Diageo、Mars、Reckitt、Merck-MSD及Nestlé等全球品牌提供相关领导与实践支持。作为AI营销转型领域的常邀主旨演讲嘉宾及《AI Marketing Transformation Podcast》主持人他专注于构建可落地的方法体系将战略、技术、数据与组织能力有机衔接以更好地服务于“智能时代”的发展需求。Keenfolks首席执行官兼联合创始人Miguel Machado

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2431908.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…