Group items tagged

如果你打算投资某个项目或采购某种设备，在做决定之前，好好地做一下ROI分析是很有必要的。但是，很少有人真正懂得如何使用这个工具，或者是到哪儿去找“正确”的数据。ROI分析能给我们带来许多好处，可惜其中有不少是无法用钱来衡量的。而且，要达到公司定下的回报率通常很难。

ROI分析的目的就是要把分析出来的投资回报结果作为投资决策过程中的一个主要考虑因素，而不是在已经做出决策后，才用它来为这个“既成事实”做辩护。

Target建立了一个非常规范的大数据管理系统，它拥有一个数据分析团队，在查看准妈妈们的消费记录之后，找出了20多种关联物，通过这些关联物对顾客进行“怀孕趋势”预测，并寄送相应的优惠券，为消费推波助澜。只要有可能，Target的大数据系统会给每一个顾客编一个ID号。你刷信用卡、使用优惠券、填写调查问卷、邮寄退货单、打客服电话、开启广告邮件、访问官网，所有这一切行为都会记录进你的ID号。而且这个ID号还会对号入座的记录下你的人口统计信息：年龄、是否已婚、是否有子女、所住市区、住址离Target的车程、薪水情况、最近是否搬过家、钱包里的信用卡情况、常访问的网址等等。Target还可以从其他相关机构那里购买你的其他信息：种族、就业史、喜欢读的杂志、破产记录、婚姻史、购房记录、求学记录、阅读习惯等等。

线上实时优化渠道

因此在传统营销时代，品牌经理经常都会质疑他们的代理商的一个问题是：“我知道我的广告费有一半是浪费掉的，问题是我不知道是哪一半”，从Target的故事来看，大数据可以非常精准地锁定甚至预测用户的下一个消费行为，这让在传统营销时代摸不清用户需求的品牌经理拥有了一个利器。

人们越来越讨厌现场登记和重新申报的每个朋友。 ，而且： 开展“社会应用”的工作太多了 。

目标： ¶ 最终使社会图一个社会的资产 ，利用不同地点的数据，从所有的，但不依赖于任何公司或业主组织“这个”中央图。 ¶ 建立一个非盈利性和开放源码软件 （与利润版权持有的非），收集，合并，并重新分配图的图表汇总成一个由全球所有其他社会网络网站。 background-image: initial; background-attachment: initial; background-origin: initial; background-clip: initial; background-color: transparent; border-top-width: 0px; border-right-width: 0px; border-bottom-width: 0px; border-left-width: 0px; border-style: initial; border-color: initial; font-size: 1

非目标： ¶ 我们的目标是 不 更换注册。 事实上，大多数注册Facebook！人，我已经谈过恋爱，只是想多一点资料他们已经公开更方便，并希望减轻对任何单一的数据网站所有者的恐惧/平台锁定。 与Facebook的早期谈判有关项目参与对此一直非常看好。 ¶ background-image: initial; background-attachment: initial; background-origin: initial; background-clip: initial; background-color: transparent; border-top-width: 0px; border-right-width: 0px; border-bottom-wi

数据来源 通过GDS还是航空公司开放API获取航空公司数据？ 可选的GDS有哪些？ 通过GDS获取单程、往返程数据需要几步？处理的细节是怎样的？ 使用什么规则匹配航班？怎样获取票价、税费等信息？ 100,000个用户通过GDS查询平均需要花费多长时间？ 除API外，可否通过爬虫从OTA处获取数据？ 定义统一的API还是使用OTA自定义的API？ 航空公司提供的API与OTA提供的API有哪些区别？ 数据存储 使用文件、数据库还是其他方式存储数据？ 是否需要独立存储起飞、到达时间、机场、飞行时间等固定数据？ 数据存储的结构和格式是怎样的？ 数据获取 由用户驱动还是设定高级的数据获取计划？ 数据获取计划是如何设计的？ 如果是用户驱动，如何保证获取到实时的数据？ 如何使用缓冲？使用文件、数据库还是内存？失效策略怎么设置？是否需要为不同的航空公司或OTA设定单独的缓冲时间？按照航线还是销售季节设置缓冲？ 数据搜索 处理用户搜索的后台程序是什么？ 搜索引擎的结构和层级如何设置？ 搜索引擎是否对数据存储的方法有特殊的设计？ 竞争情况 竞争对手有哪些？ 他们的专长是什么？区别于他们的核心竞争力又是什么？ 用户需求 处理国外用户机票搜索最核心的需求是什么？ 如何通过产品流程的设计来满足此类需求？ 怎样的展现方式最能获得用户的青睐？ 效果评估 产品设计评估的标准是什么？ 怎样的产品才算是成功的产品？

下面是一些比较重要的算法，原文罗列了32个，但我觉得有很多是数论里的，和计算机的不相干，所以没有选取。下面的这些，有的我们经常在用，有的基本不用。有的很常见，有的很偏。不过了解一下也是好事。也欢迎你留下你觉得有意义的算法。（注：本篇文章并非翻译，其中的算法描述大部份摘自Wikipedia，因为维基百科描述的很专业了）

A*搜寻算法俗称A星算法。这是一种在图形平面上，有多个节点的路径，求出最低通过成本的算法。常用于游戏中的NPC的移动计算，或线上游戏的BOT的移动计算上。该算法像Dijkstra算法一样，可以找到一条最短路径；也像BFS一样，进行启发式的搜索。 Beam Search束搜索(beam search)方法是解决优化问题的一种启发式方法，它是在分枝定界方法基础上发展起来的，它使用启发式方法估计k个最好的路径，仅从这k个路径出发向下搜索，即每一层只有满意的结点会被保留，其它的结点则被永久抛弃，从而比分枝定界法能大大节省运行时间。束搜索于20 世纪70年代中期首先被应用于人工智能领域,1976 年Lowerre在其称为HARPY的语音识别系统中第一次使用了束搜索方法，他的目标是并行地搜索几个潜在的最优决策路径以减少回溯，并快速地获得一个解。 二分取中查找算法一种在有序数组中查找某一特定元素的搜索算法。搜素过程从数组的中间元素开始，如果中间元素正好是要查找的元素，则搜素过程结束；如果某一特定元素大于或者小于中间元素，则在数组大于或小于中间元素的那一半中查找，而且跟开始一样从中间元素开始比较。这种搜索算法每一次比较都使搜索范围缩小一半。 Branch and bound分支定界(branch and bound)算法是一种在问题的解空间树上搜索问题的解的方法。但与回溯算法不同，分支定界算法采用广度优先或最小耗费优先的方法搜索解空间树，并且，在分支定界算法中，每一个活结点只有一次机会成为扩展结点。 数据压缩数据压缩是通过减少计算机中所存储数据或者通信传播中数据的冗余度，达到增大数据密度，最终使数据的存储空间减少的技术。数据压缩在文件存储和分布式系统领域有着十分广泛的应用。数据压缩也代表着尺寸媒介容量的增大和网络带宽的扩展。 Diffie–Hellman密钥协商Diffie–Hellman key exchange，简称“D–H”，是一种安全协议。它可以让双方在完全没有对方任何预先信息的条件下通过不安全信道建立起一个密钥。这个密钥可以在后续的通讯中作为对称密钥来加密通讯内容。 Dijkstra’s 算法迪科斯彻算法（Dijkstra）是由荷兰计算机科学家艾兹格·迪科斯彻（Edsger Wybe Dijkstra）发明的。算法解决的是有向图中单个源点到其他顶点的最短路径问题。举例来说，如果图中的顶点表示城市，而边上的权重表示著城市间开车行经的距离，迪科斯彻算法可以用来找到两个城市之间的最短路径。 动态规划动态规划是一种在数学和计算机科学中使用的，用于求解包含重叠子问题的最优化问题的方法。其基本思想是，将原问题分解为相似的子问题，在求解的过程中通过子问题的解求出原问题的解。动态规划的思想是多种算法的基础，被广泛应用于计算机科学和工程领域。比较著名的应用实例有：求解最短路径问题，背包问题，项目管理，网络流优化等。这里也有一篇文章说得比较详细。 欧几里得算法在数学中，辗转相除法，又称欧几里得算法，是求最大公约数的算法。辗转相除法首次出现于欧几里得的《几何原本》（第VII卷，命题i和ii）中，而在中国则可以追溯至东汉出现的《九章算术》。 最大期望（EM）算法在统计计算中，最大期望（EM）算法是在概率（probabilistic）模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variable）。最大期望经常用在机器学习和计算机视觉的数据聚类（Data Clustering）领域。最大期望算法经过两个步骤交替进行计算，第一步是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值；第二步是最大化（M），最大化在 E 步上求得的最大似然值来计算参数的值。M 步上找到的参数估计值被用于下一个 E 步计算中，这个过程不断交替进行。

快速傅里叶变换(FFT)快速傅里叶变换（Fast Fourier Transform，FFT），是离散傅里叶变换的快速算法，也可用于计算离散傅里叶变换的逆变换。快速傅里叶变换有广泛的应用，如数字信号处理、计算大整数乘法、求解偏微分方程等等。本条目只描述各种快速算法，对于离散傅里叶变换的性质和应用，请参见离散傅里叶变换。 哈希函数HashFunction是一种从任何一种数据中创建小的数字“指纹”的方法。该函数将数据打乱混合，重新创建一个叫做散列值的指纹。散列值通常用来代表一个短的随机字母和数字组成的字符串。好的散列函数在输入域中很少出现散列冲突。在散列表和数据处理中，不抑制冲突来区别数据，会使得数据库记录更难找到。 堆排序Heapsort是指利用堆积树（堆）这种数据结构所设计的一种排序算法。堆积树是一个近似完全二叉树的结构，并同时满足堆积属性：即子结点的键值或索引总是小于（或者大于）它的父结点。 归并排序Merge sort是建立在归并操作上的一种有效的排序算法。该算法是采用分治法（Divide and Conquer）的一个非常典型的应用。 RANSAC 算法RANSAC 是”RANdom SAmpleConsensus”的缩写。该算法是用于从一组观测数据中估计数学模型参数的迭代方法，由Fischler and Bolles在1981提出，它是一种非确定性算法，因为它只能以一定的概率得到合理的结果，随着迭代次数的增加，这种概率是增加的。该算法的基本假设是观测数据集中存在”inliers”（那些对模型参数估计起到支持作用的点）和”outliers”（不符合模型的点），并且这组观测数据受到噪声影响。RANSAC 假设给定一组”inliers”数据就能够得到最优的符合这组点的模型。 RSA加密演算法这是一个公钥加密算法，也是世界上第一个适合用来做签名的算法。今天的RSA已经专利失效，其被广泛地用于电子商务加密，大家都相信，只要密钥足够长，这个算法就会是安全的 并查集Union-find并查集是一种树型的数据结构，用于处理一些不相交集合（Disjoint Sets）的合并及查询问题。常常在使用中以森林来表示。 Viterbi algorithm寻找最可能的隐藏状态序列(Finding most probable sequence of hidden states) 　　附录 关于这个世界上的算法，你可以看看Wikipedia的这个网页：http://en.wikipedia.org/wiki/List_of_algorithms 关于排序算法，你可以看看本站的这几篇文章《一个显示排序过程的Python脚本》、《一个排序算法比较的网站》

BI系统来说，大概的架构图如下：

大部分BI系统都基于关系型数据库，关系型数据库使用SQL语句进行操作，但是SQL在多维操作和分析的表示能力上相对较弱，所以Cube有自己独有的查询语言MDX，MDX表达式具有更强的多维表现能力，所以以Cube为核心的分析系统基本占据着数据统计分析的半壁江山，大多数的数据库服务厂商直接提供了BI套装软件服务，轻易便可搭建出一套Olap分析系统。

从数据仓库升级到大数据架构，是不具备平滑演进的，基本等于推翻重做。大数据下的分布式存储强调数据的只读性质，所以类似于Hive，HDFS这些存储方式都不支持update，HDFS的write操作也不支持并行，这些特性导致其具有一定的局限性。

人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。大数据驱动知识学习、跨媒体协同处理、人机协同增强智能、群体集成智能、自主智能系统成为人工智能的发展重点，

芯片化硬件化平台化趋势更加明显，人工智能发展进入新阶段。

正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。

IHS的数据显示，2016年全球专业安防摄像头的出货量超过一亿台，比2015年增长约14%。但相比2015年30%的增长率，增速放缓了不少。王玉君对此分析称，一方面，面对国内外市场的长期增速预期下行，各大视频监控厂家都在寻求多元化和差异化发展；另一方面，随着视频监控行业不断的技术革新和数据积累，从视频监控的上游芯片厂商，到视频智能分析算法的软件开发公司，再到视频监控设备厂商和下游的系统集成商都在围绕智能分析、物联网和大数据技术来布局安防行业，以求在产品日趋同质化的竞争中占领未来视频监控技术发展的高地：  从产品来看，虽然视频监控行业整体增速不如预期，但某些产品线会远高于市场的平均增速。2017年消费类视频监控产品、移动视频监控产品和视频监控企业级存储产品的销售额在全球范围都会保持15%以上的增长。  从服务来看，2017年全球视频云服务(VSaaS)的销售额会突破9亿美元(不包括安保远程监控服务)，未来5年VSaaS销售额的平均年复合增长率将超过18%。  从技术来看，支持H.265技术的网络摄像机在2017年会有爆发式增长。视频智能分析会因为深度学习技术的应用又一次成为行业发展的热点。

通过几年的市场培育，用户意识到视频智能分析确实可以为城市交通治理、公安刑侦和商业管理带来很大价值，因此市场对具备高性能的优秀的视频智能分析产品是充满期待的，深度学习技术在视频监控领域的应用也正是在这样的背景下开始蓄势待发。

深度学习技术从长期来看会降低智能分析应用的成本，也会拓展带有智能分析功能的视频监控设备的应用外延。除了价格因素外，从短期来看深度学习技术在视频监控领域应用的最大挑战就是如何将那些优秀的算法根据实际的应用情景进行二次开发，实现真正的技术落地。

依托平台大数据、通过人工智能技术和创新金融产品，提升一级股权市场投融资效率。

科技金融的核心包括三个部分：数据源、人工智能(机器学习)、使用场景，三者缺一不可。因此，因果树将从数据源获取、人工智能技术预测行业走势以及科技金融的应用场景三个方面来具体操作。

上线BI商业智能系统的企业，占据受访企业的22.47%。

企业应用BI产品，最期待获得的数据价值，一是数据整合方面，二是数据展示效率，三是辅助管理决策。

运营管理、营销、财务是企业应用BI最广泛，也是最为成功的三个领域。

“软件定义世界，数据驱动未来”，

技术、数据在传统营销中很稀缺，与如今的技术、数据爆炸形成巨大反差，让人既兴奋又害怕，难以适应，要想自然使用数据和技术，必然要熟悉对应的心法套路。

通过调研消费者情绪来了解消费者对该企业的认知，并利用相关数据点和研究，最终将AT&T重新定位成一家公共事业型企业。Arthur Page这一利用数据，成功驱动品牌营销的创举，更是开启了公关业的黄金时代，同时也将传播专业人士的职业定位提升至企业战略领导层的高度。

但时值今日，支持决策制定的那些重要传播数据反而缺失严重。

曾深受尊重的公关专业人士，为何现今却被董事会和高管会议拒之门外？传播专家的预算又为何会被付费媒体、自有媒体夺走？

“技术型营销人”有时会被泛泛地解释为“在营销领域使用各种科技的人”。然而，在这个时代，所有营销人员都要或多或少的在营销活动中使用现代科技（尤其是信息技术），如何区分技术型营销人就变得很重要了——他们在技术领域到底走得比普通的营销人远多少呢？

邮件自动化&营销自动化——半自动化的“客户培养基”平台的配置及操控，请见Email Insider,MarketingAutomationSoftware.com,Propelling Brands以及Eloqua 客户关系管理——客户关系管理系统，如Salesforce，以及现代化营销的中流砥柱——全新的社会化客户关系管理方法，详见CustomerThink以及Destination CRM 内容管理系统&数字资产管理——（网络）内容管理系统和数字资产管理，组织元数据，请看CMS Wire, Digital Asset Management, Drupal以及Nimble report 付费点击广告管理&竞价管理——针对谷歌，必应和Facebook的点击付费广告管理策略及工具,请看PPC Hero,Clix Marketing,WordStream, Click Equations 以及 this post 行为定向——受众定位/市场细分以及广告网络内部的数据交换，再营销或者兴趣导向广告，请看Behavioral Insider,BlueKai及Quantcast

他们应当了解这八个领域中的专业化知识，并且精通其中至少两或三个领域。 数据收集与分析——数字化营销驱动力的管理、测量和处理 营销应用——营销软件的配置、操作和整合 广告网络——整个数字化广告系统的管理和优化 社交&移动平台——Facebook, Twitter, LinkedIn等等，以及这些网站使用的工具和应用程序界面 内容营销——管理内容营销过程的整个生命周期，尤其是搜索引擎优化方面。 网络机制——对于网络和浏览器平台的完整详尽而又清晰的理解 软件设计——如何陈述、阅读、编写技术领域的通用语言 IT运营——利用云计算和IT强大的联络关系网

85%的家长主要通过网络查询获得亲子游产品信息，并会通过旅游网站预订机票、酒店、门票等旅游产品，仅有10%的家长依然通过旅行社报名参加跟团游，此外，仅有5%的用户自行前往酒店、景点进行实时购买。

6-12岁的孩子成为亲子游的主角，占比接近60%。

60%的用户选择周边亲子游，出行时间多以双休日和小长假为主。

悟空数据由此推出了一套全流程营销SaaS平台。悟空数据的功能包括内容制作和文档管理、一键多平台内容分发、内容集客工具、潜客营销自动化工具、全流程数据分析，并将客户内容偏好与公开数据对接，帮助企业进行潜客购买可能性预测。

当企业使用悟空数据的产品时，悟空数据会提供获客，营销自动化的工具。企业可以使用二维码、表单、落地页等传播方式，对企业原有的crm，进行重新抓取，同时获取新的客户，再对这部分客户进行行为轨迹的检测，并对其打分，用户行为对应的分数可以由企业自己设置，例如：客户收到企业活动的H5，填写了个人信息，可以设置这个行为得1分，客户由H5页面链接访问到企业官网，可以设置这个行为得5分等等，最后得出一个综合得分，得分高即活跃度高，由此抓取这部分客户，进行营销自动化。其中方式除了可以定时批量地向客户发送edm邮件和短信，还可以进行跨屏追踪，悟空数据CEO宗瑞兴表示，跨屏追踪的逻辑会运用在未来的广告投放上，具体来说，客户在PC端打开企业发送过来的H5时，后台将其IP贴上gs标签，同时在企业官网上贴上一段标签识别代码，当这个客户在某一天访问到官网，甚至是点击到相关产品时，后台可以实时捕捉这一信息，识别出他是以前触达过的客户。进而进行二次触达。此外，悟空数据还会提供给企业筛选客户的工具。举个例子来说，假设某个理财产品要求客户流动资产有600万以上，悟空数据则会对客户信息进行评价，销售根据评价对客户进行筛选，去除不符合要求的客户。另外，对一些面相企业的客户，悟空数据还会跟第三方数据打通。

通过“调研”的方式去了解客户，改善客户体验，采用的调研方式主要有两种：一种是在马路上向行人发放回收问卷，一种是借助在线调研软件进行。

“洞察真实态度 成就美好体验 驱动商业增长”