精华内容
下载资源
问答
  • 那么做数据分析的目的是什么?  1:分类  检查未知分类或暂时未知分类的数据,目的是预测数据属于哪个类别或属于哪个类别。使用具有已知分类的相似数据来研究分类规则,然后将这些规则应用于未知分类数据。  2...

      数据分析是指用适当的统计分析对收集来的大量数据进行分析,提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。在实用中,数据分析可帮助人们作出判断,以便采取适当行动。那么做数据分析的目的是什么?

      1:分类

      检查未知分类或暂时未知分类的数据,目的是预测数据属于哪个类别或属于哪个类别。使用具有已知分类的相似数据来研究分类规则,然后将这些规则应用于未知分类数据。

      2:预测

      预测是指对数字连续变量而不是分类变量的预测。

      3:关联规则和推荐系统

      关联规则或关联分析是指在诸如捆绑之类的大型数据库中找到一般的关联模式。

      在线推荐系统使用协作过滤算法,该协作过滤算法是基于给定的历史购买行为,等级,浏览历史或任何其他可测量的偏好行为或什至其他用户购买历史的方法。协同过滤可在单个用户级别生成“购买时可以购买的东西”的购买建议。因此,在许多推荐系统中使用了协作过滤,以向具有广泛偏好的用户提供个性化推荐。

      4:预测分析

      预测分析包括分类,预测,关联规则,协作过滤和模式识别(聚类)之类的方法。

      5:数据缩减和降维

      当变量的数量有限并且可以将大量样本数据分类为同类组时,通常会提高数据挖掘算法的性能。减少变量的数量通常称为“降维”。降维是部署监督学习方法之前最常见的初始步骤,旨在提高可预测性,可管理性和可解释性。

      6:数据探索和可视化

      数据探索的目的是了解数据的整体情况并检测异常值。通过图表和仪表板创建的数据浏览称为“数据可视化”或“可视化分析”。对于数值变量,可以使用直方图,箱形图和散点图来了解其值的分布并检测异常值。对于分类数据,请使用条形图分析。

      7:有监督学习和无监督学习

      监督学习算法是用于分类和预测的算法。数据分类必须是已知的。在分类或预测算法中用于“学习”或“训练”预测变量和结果变量之间关系的数据称为“训练数据”。从训练数据中学到算法后,将该算法应用于具有已知结果的另一个数据样本(验证数据),以查看其与其他模型相比具有哪些优势。简单线性回归是监督算法的一个示例。

      随着数据的重要性的凸显,越来越多的公司已经认识到数据对于公司的经营是十分重要的。所以绝大部分企业都有专门的BI部门进行初步的数据加工、分析,以周报表的形式汇总给管理层做为日常数据所需以及企业决策使用。

    展开全文
  • 一个行业做的越久,问题越多,之前并不在意问题也会拿出来思考。“数据解决企业什么问题?”这问题一定难不倒各位,甚至张口即答,例如通过数据可以对自身企业情况有着准确和科学把握,避免老板拍脑袋;数据...

    一个行业做的越久,问题越多,之前并不在意的问题也会拿出来思考。“数据解决企业什么问题?”这问题一定难不倒各位,甚至张口即答,例如通过数据可以对自身的企业情况有着准确和科学的把握,避免老板拍脑袋;数据可以实现对市场环境快速的反应和决策;数据可以区分客户个性化需求,提高服务价值等等。

    比如:

    以上,针对每一条都可以理解,但将全部的答案都拉出来站在那,让我感到困惑。以上的每个回答,都要怎样实现呢?每一条回答又有着什么样的联系呢?甚至是每条回答的实现方式又有着怎样的联系呢?这些问题解答不了。

    也是接触过一些客户,大家同处一个行业,业务模式以及数据类型也相差不多,但是各自所完成的内容相差很多。有些面向领导,做了些dashboard;有些面相业务人员,做了商品分析模块;有些面向基层员工,做了数据查询的报表。为什么每家企业做的内容不一样呢?这些企业是根据什么而选择这些模块的数据进行分析的呢?

    进一步需要解答的,每家企业所分析的数据不同,但为何感觉不出这对他们产生了不同的影响?拿上面的几个回答来看,老板是否拍脑袋决策、是否可以对是市场快速准确的决策、是否可以区分客户需求,这些都非常重要啊,可有没有这样的数据分析,并感觉不出什么区别呀。这些东西想多了,让我经常怀疑自己,是不是个骗子。

    今天的高铁上,我将上面的问题都拿了出来,同时也回想自己所遇到的各种业务场景、分析场景,经过成套成套的梳理,我发现了这样一个问题。这些企业所做的数据分析(无论是bi还是报表),并没有去发现未知的东西,而是为了可以更容易的按照标准的方法来判断一件事。对于所有的群体、所有的业务都可以这样去理解。下面我从简单到复杂的来说明。

    对于基层员工,以货架商品管理员举例,超市货架上的商品要怎样管理?标准的方法是不是某一商品即将卖光,就需要从仓库中取出该商品补到货架上。没有数据,他需要一遍一遍的去巡查,也自然会有时会漏掉。有了数据,他就可以浏览数据来查看商品的售卖情况,以此来及时补货了。这么对于这个商品管理员来说,数据所解决的问题,就是让他可以更容易的按照标准的工作方法来决定补什么货,补到哪。

    对于部分业务人员,比如品类经理,他需要决定采购哪些品牌的商品,从哪一家供应商来采购,如何规划商店的商品。标准的方法是什么,是采购卖的好的品牌,把卖的不好的品牌剔除,并且选择价格更加低廉按时送货率高的供应商(真空环境下)。通过数据,我们可以列出我们店中品牌的销售情况,对比上其他门店同类商品品牌销售情况,以此来发现哪些其他门店卖的好而我们没有的品牌;我们也可以列出在过去一段时间我们门店卖的非常不好的商品,以此来考虑是否可以对这些商品进行促销并且从此不再需要这些品牌;以上,数据所解决的问题,也是让品类经理可以更加容易的按照标准的决策方法来进行判断,优化商品结构,选择供应商。

    对于企业管理层,我们做dashboard进行指标的监控,做企业的业绩分析(时间、地区纬度等)。我们做的内容很多,因为管理层所要决定的范围很广,他并不像某一业务人员只负责一项工作为了一个目标。但是将内容分解后,我们发现,我们为管理层所做的数据分析,也是为了让他们可以更方便的按照标准的管理方法进行管理。当然,这个标准,并非是业内的通用标准,而是企业自己的标准,甚至是老板他本身的标准。比如,老板要通过胡萝卜加大棒的方式来促进每个店铺的销售额,给做的好的店长奖励,做的不好的店长惩罚,通过数据就可以很容易的执行,而避免拍脑袋的奖惩。而这一过程,也是通过数据使管理层可以更容易的按照标准的管理方法进行决策(员工是判断,领导就是决策了。。。)

    针对管理层的,很难说的更细,他们看哪些指标,会给他带来怎样的思考,这是旁人说不准的,但是这一套体系一定是在他心里有数。相比于员工,他们的工作内容更具备发散性,思考也更具备发散性,所以我们做移动端分析平台,做实时监控平台,做定时报送平台,目的都是一样,可以让领导更容易看到这些数据来进行决策。欢迎加入大数据学习交流分享群: 658558542   一起吹水交流学习(☛点击即可加入群聊

    以上内容,如果没有数据会怎样呢,不同的群体,即使没有对应的数据分析,也是会按照这样的方法进行工作和管理,但是面对未知情况,基层员工会花费更多的时间来填补数据,工作效率就会变低。对于管理层,他们没有那么多精力去找到他们想要的所有依据,所以在工作或者决策中,就出现了模糊决定,缺失的依据多一些,便成了拍脑袋决策。

    有些人,不需要很多数据,就可以对市场对公司有着准确的判断,有些人,就需要很多数据来填充他脑子里的空格,才能做出准确的判断。人与人的思考方式有所不同,但大多数情况,数据或许并没有改变他的决策方式,而只是让他脑子里某个模糊的参数变得准确,从而进行判断。

    综上,erp、oa等it系统让工作流程更加规范,而数据则是让决策更加规范

    这也让我清楚了一个问题,我接触的很多客户,都会像我询问其他客户是怎样做数据分析的,很多企业参加行业交流,也是希望更多的了解分析应用场景,大家真的是对数据分析的方法感兴趣吗?更深一步的去看,是对其他公司的管理和工作方法感兴趣,当然,这一点如果不去深究,可能他本人也想不通。

    上面解释了很多,得到了这样的一个结论:数据可以让我们更容易的以规范的方式进行判断和决策,也就是数据可以让决策更加规范。我为什么要花这么多时间来解释这样一个结论呢。

    一、希望企业少被忽悠

    数据分析这样解释一下,已经变的很土,很简单。很多企业会规划做数据分析的项目,会找一些做数据的公司进行交流,而乙方公司则必然会拿出大量的概念进行渲染,什么高效管理、预测风险、智能决策之类的,听起来牛逼哄哄,然而扒开表皮,实质要怎么解释呢。一个巴掌拍不响,很多企业的it人员也乐于听到这些牛逼哄哄的概念,喜欢源于业务高于业务,要让领导耳目一新才好通过项目审批。

    举个例子,有企业还没有理顺运营人员看用户数据的时候,思考哪些问题,进行怎样的决策,上来就要做用户画像做挖掘做聚类,可是人家明明就只看个地区然后分配给对应的销售。你知道用户画像做出来之后,价值怎样落地么?你要根据什么样的用户属性进行怎样的判断与决策呢?这都没想清楚,做出的画像是要挂到墙上么?(如果是想通过用户画像为运营带来更先进的管理和决策水平,也是从运营的角度出发,也要和运营打好招呼吧)

    作为一个企业来讲,最好先清楚,做数据分析是为了谁而做,是为了什么样的决策而做。这些东西想清楚,项目做起来也不那么复杂,因为这个项目已经有章可循,没必要动不动就上来个大概念,花钱不说,能不能解决问题也不确定。以目前大部分的企业,以现在的信息化水平,还没到拼科技的地步。欢迎加入大数据学习交流分享群: 658558542   一起吹水交流学习(☛点击即可加入群聊

    二、希望帮助企业规划数据分析体系

    很多企业要做数据分析项目,但并不知道该如何规划,需求做的一塌糊涂,没有需求就开始项目的也不少见,全权委托乙方来进行需求规划,我只能说是一种逃避和懒政,以我这样正直的乙方来看,必须要合作,如果只能选择一方,也是甲方。否则就是碰运气的事,70%都被使用,“项目做的很好,大家辛苦了”;30%被使用,“项目没白做还凑合”;10%被使用,“你们怎么做的项目啊,都没人用”。(当然,不排除在过程中需求不断的改改改,改到完美)

    当然,需要补充一下的,项目完成后的使用率高低,原因不只是需求做的好与差,还有很多因素,是否对业务进行了合理的培训和引导,项目易用性是否达到了标准等等,上面的例子只是表达需求不明很容易造成项目系统利用率不高的情况。

    根据上面的结论,我们怎样来做数据分析,甚至是从什么地方开始做?首先,我们看哪一个群体的决策最不规范,出的问题最多,就从那个群体下手(真空环境下)。比如,我们发现商品经常断货或者积压,那么就从品类管理员下手。通过数据展示出来可能挤压的商品或者即将断货的商品。这个群体的问题解决后,再看其他群体,以人为本,逐个击破。核心理念就是:我先了解你是怎样决策的,再去为你开发你的数据模型。

    最后总结一下,今天和客户聊天,客户表示自己公司有很多存量数据,知道这些数据很有价值,但不知道这些数据如何变现。从本文的角度去看,暂不需要把变现想的过于复杂,我们如果通过数据实现了员工决策的标准化,就减少了在各个环节出现判断失误的概率,什么提高工作效率、降低采购成本、提升销售额之类的,都在这一系列对问题的准确判断之中,对于员工是如此,对于领导也是如此。这样,就实现了数据的变现。同样,即使你是提供对外的数据服务,当你所做的数据分析能够让客户实现决策的规范化,那么相信客户也会为此买单。

    我们做数据分析,或许不在于分析,而是为了规范。首先数据的背后,是大大小小的管理与决策。

    结语

    感谢您的观看,如有不足之处,欢迎批评指正。

    如果有对大数据感兴趣的小伙伴或者是从事大数据的老司机可以加群:

    658558542    (☛点击即可加入群聊

    里面整理了一大份学习资料,全都是些干货,包括大数据技术入门,海量数据高级分析语言,海量数据存储分布式存储,以及海量数据分析分布式计算等部分,送给每一位大数据小伙伴,这里不止是小白聚集地,还有大牛在线解答!欢迎初学和进阶中的小伙伴一起进群学习交流,共同进步!

    最后祝福所有遇到瓶颈的大数据程序员们突破自己,祝福大家在往后的工作与面试中一切顺利。

    展开全文
  • 本人作为一名程序员,开发的目的是为了什么? 以前本科生时一直想的是技术上要学好,技术上要精通,要会多少多少工具。 就像我读研时,为了研究,旁边的一些同学,说是为了研究某个点的问题,就去学学这个模型,...

    本人作为一名程序员,开发的目的是为了什么?

    以前本科生时一直想的是技术上要学好,技术上要精通,要会多少多少工具。

    就像我读研时,为了做研究,旁边的一些同学,说是为了研究某个点的问题,就去学学这个模型,那个算法,其实是为了找工作时,能多坚持个几分钟罢了。而我就是看我的课题,面向问题,思考方向,思考算法,思考程序的框架,思考数据的采集。最后,临毕业时,导师说我可以去读博士,而其他同学论文做得很烂,工作面试倒是不错。

    做开发后,如果是做一个模块,想的就是这里有几个关键问题,用不用插件,用什么插件,解决这些问题,然后写完下班。

    做组长之后,就是多个模块之间思考,协调项目里的同事,用好这些东西,还是在解决问题。

    如果是做架构师,就要想想整体的东西,解决更大的问题,小问题让组长去想,去思考,最后做集成。

    各种软件工程里的方法论,各种流程都是扯淡,为了忽悠学生,忽悠老板。

    做开发,就是为了解决人与计算机之间的沟通问题、计算机与计算机之间的沟通问题。

    如果问题很大,需要做分解问题。

    如果项目组人员多,需要做协同问题。

    如果项目使用频率大,需要做模式,需要便于测试,便于维护。

    如果项目需要在多个终端进行使用,需要解决兼容性的问题。

    说到底一份工作而已,专注于当下项目的问题,心无杂念。不要被工具束缚。

    不要被人忽悠,被人骗。

    这个世界骗子很多,傻子更多。

     

    展开全文
  • 数据标注是做什么的

    2020-07-08 15:14:43
    数据标注的目的 近年来,人工智能发展这个话题如火如荼,作为人工智能三大决定性影响因素:算法,算力和数据,再过去的几年中野取得了很大的突破, 数据是人工智能的血液,而数据只有加上标注才有意义 数据标注的...

    数据标注

    数据标注就是数据加工人员借助类似于BasicFinder这样的标记工具,对人工智能学习数据进行加工的一种的行为,通常数据标注的类型包括:图像标注,语音标注,文本标注,视屏标注等种类,标记的基本形式有标注画框,3D画框,文本转录,图像打点,目标物体轮廓线等等。

    数据标注的目的

    近年来,人工智能发展这个话题如火如荼,作为人工智能三大决定性影响因素:算法,算力和数据,再过去的几年中野取得了很大的突破,
    数据是人工智能的血液,而数据只有加上标注才有意义
    数据标注的公司
    https://www.appen.com.cn/services/data-annotation/
    http://www.awkvector.com/

    1 图像边框
    图像边框是一种对目标对象进行标注的简单处理,常用于自动驾驶等应用场景,根据提供的的数据的质量和数量,在图像边框的帮助下,机器模型通过训练就能沟识别出你所需要的目的对象
    2、分类标注
    分类标注,就是我们常见的打标签。一般是从既定的标签中选择数据对应的标签,是封闭集合,如下图,图,一张图就可以有很多分类/标签:成人、女、黄种人、长发等。对于文字,可以标注主语、谓语、宾语,名词动词等。
    适用:文本、图像、语音、视频
    应用:脸龄识别,情绪识别,性别识别
    在这里插入图片描述
    3、多边形标注
    对图形中目标对象进行检测和定位,相较矩形框标注,多边形标注更贴合识别对象的轮廓,不会包含与识别 对象不相关的噪音,因而更加精确。常见游泳馆包括:航天影像,医药影像登。

    4、区域标注
    相对的边框标注,区域标注更加精确,边缘可以是柔性的,如:自动驾驶中的道路识别。
    在这里插入图片描述
    5、描点标注
    一些对于特征要求细致的应用中常常需要描点标注,人脸识别,骨骼识别等。
    在这里插入图片描述
    6、5.其他标注:标注的类型除了上面几种常见,还有很多个性化的。根据不同的需求则需要不同的标注。如自动摘要,就需要标注文章的主要观点,这时候的标注严格上就不属于上面的任何一种了。(或则你把它归为分类也是可以的,只是标注主要观点就没有这么客观的标准,如果是标注苹果估计大多数人标注的结果都差不多。)
    在这里插入图片描述
    数据标注员可以说是AI消灭了一部分工作又创造出来的一种工作。在未来AI发
    展良好的前提下,数据的缺口一定是巨大的。可以预见3-5年内数据标注员的需求会一直存在。
    至于发展,其实所谓一些熟能生巧的工作,都是有被替代掉的风险的。深度学习解决的一件事情就是熟能生巧。在这个岗位上,其实你的一些想法就代表了AI的想法,AI会根据你标注的数据进行学习,想想还是有点成就感的。
    数据标注可以说是AI的入门级岗位,未来可转向其他AI岗位。如项目实施顾问等,这就要求更多的工作技能,需要再工作中积累。
    数度智慧,自主研发,自主产权,牢记先创精神,牢记科学价值观。 围绕不同的需求自主研发第三方辅助分析标注工具。
    标注工具支持图像、文本和视频等多种标注形式
    图像分类,矩形框,多边形,曲线定位,3D定位
    文本 分类,文本实体标注,视频跟踪等
    可扩展性插件设计
    通过插件形式支持自定义标注,可根据具体需求开发不同的标注形式
    导出支持主流数据集格式
    支持PascalVoc(与ImageNet采用的格式相同)和CoreNLP等标准。
    跨平台,多语言,兼容不同操作系统
    支持Window/Mac/CentOS/Ubuntu,支持中/英文,满足所有团队需求。
    数度智慧官方网址:https://www.shudu-ai.com

    展开全文
  • 6000字跟你讲清数据运营到底是做什么的

    千次阅读 多人点赞 2017-10-24 15:38:59
    从广义来讲,数据反映产品和用户状态最真实的一种方式,通过数据指导运营决策、驱动业务增长。与数据分析师的岗位不同,数据运营更加...做数据分析,必须要有一个明确的目的,知道自己为什么做数据分析,想要达到什
  • 数据清洗(Data cleaning)– 对数据进行重新审查和校验的过程,目的在于删除...因为数据仓库中的数据面向某一主题的数据的集合,这些数据从多个业务系统中抽取而来而且包含历史数据,这样就避免不了有的数据错误...
  • 那到底什么是数据分析呢?  说说数据理解:数据分析是基于商业目的,有目的进行收集、整理、加工和分析数据,提炼有价信息...商业目的是什么?要解决什么业务问题?数据分析师对这些都要了然于心。  基于商...
  • 答:数据仓库是一个可以存储海量数据的数据库,目的是专门应用于数据分析进行决策的数据仓库的输入数据源是各种格式的。那么从数据仓库处理后的数据可用于数据挖掘,数据分析. Two.数据仓库的特点 第一点:数据仓库...
  • 数据库设置主从库,主库用来写数据,多个从库...B、设一个key记录着一次写的数据,然后设置一个同步时间,如果在这个时间内,有一个读请求,看看对应key有没有相关数据,有话,说明数据近期发生过写事件,这样key...
  • 数据可视化都有一个共同的目的,那就是准确而高效、精简而全面地传递信息和知识。可视化能将不可见的数据现象转化为可见的图形符号,能将错综复杂、看起来没法解释和关联的数据,建立起联系和关联,发现规律和特征,...
  • 盐雾试验标准对盐雾试验条件,如温度、湿度、氯化钠溶液浓度和PH值等做的明确具体规定,另外还对盐雾试验箱性能提出技术要求。盐雾试验结果判定方法有:评级判定法、称重判定法、腐蚀物出现判定法、腐蚀数据统计...
  • 在PCB设计中,等长走线主要针对一些高速的并行总线来讲的。 由于这类并行总线往往有多根数据信号基于同一个时钟采样,每个时钟周期可能要采样两次(DDRSDRAM)...等长走线的目的就是为了尽可能的减少所有相关信号...
  • 一些用例使用generator和send()带有send()生成器允许:记住执行内部状态我们在做什么?我们的数据目前状况如何?返回值序列接收input序列这里有一些用例:看着试图遵循食谱让我们有一个配方,它需要按照某种顺序...
  • 在PCB设计中,等长走线主要针对一些高速的并行总线来讲的。由于这类并行总线往往有多根数据信号基于同一个时钟采样,每个时钟周期可能要采样两次...等长走线的目的就是为了尽可能的减少所有相关信号在PCB上的传输...
  • 首先我们要明确一点,数据分析最终目的是帮助企业实现业务增长,这就需要我们有良好业务能力,平时需要多与销售、运营以及管理人员沟通,才能对公司整体业务有正确、准确地把握。所以有这一
  • 目的是让大输入,大信号映射到小范围里面解析: (1)假设一个神经元有两个输入分别是x1和x2,权重分别是w1和w2,那么该神经元信号加权求和为x1w1+x2w2。再假设x1属于[0~1],x2属于[100~1000],那么x2远远...
  • 什么是ETL?ETL是做什么的

    万次阅读 2019-11-10 12:53:28
    ETL,是英文 Extract-Transform-Load 缩写,用来描述将数据从来源端经过抽取...其目的是将分散、零乱、标准不统一的数据整合到一起,为企业决策提供分析依据。 可以看出,ETL要三部分工作,数据抽取、数...
  • 如今,围绕数据展开的讨论并不少。...首先,数据分析师并不了解数据是如何得来的、有何种用途以及分析的目的是什么。企业希望通过数据来获取信息,但由于数据的不被信任,导致领导者们无法通过有根据的数据洞察力
  • BIM是一种应用于工程设计建造管理的数据化工具,其根本目的是实现所有人、所有专业、建筑全生命周期信息共享。全周期BIM功能,主要包括建模、方案分析、管线综合、指导施工、施工备料统计、施工管理、以及后期...
  • 那么数据分析究竟是什么呢?数据分析就是指用适当的统计分析方法对收集来的大量数据进行处理分析,提取有用信息并形成结论,从而对数据加以研究和概括的过程。也就是说数据分析的目的在于将一些看来杂乱无章的数据...
  • 数据可视化可以理解为将单纯的数据通过适合的可视化图表类型表现出来,直观展现数据的变化趋势、峰值、对比等信息,目的是为了辅助决策。为什么做数据可视化在企业的经营管理中,我们通过会遵循“二八原则”,重要...
  • Webpack是做什么的

    2020-07-14 21:54:34
    webpack会从启点文件开始,寻找启点直接或间接依赖其它所有依赖,包括JS、CSS、图片资源等,作为将来打包原始数据 输出(output) 出口一般包含两个属性:path和filename。用来告诉webpack打包目标文件夹,...
  • 举个简单的例子,以前我们上学时柱形图这种类型的图时,如果大部分数据集中在某个区间而一两个数据离得很远,如果不去除这一两个有问题的数据,那整体的图画出来就会有问题,不能反映数据的情况。 二、数据科学的...
  • 1 基本思想之什么是分库分表?从字面上简单理解,就是把原本存储于一个库...数据库中的数据量不一定可控,在未进行分库分表情况下,随着时间和业务发展,库中表会越来越多,表中的数据量也会越来越大...
  • 首先说一下DTO的作用,表现层与应用层之间通过数据传输对象(DTO)进行交互的,数据传输对象没有行为的POCO对象(POCO就是简单CLR对象(Plain Old CLR Object),概念来源于Java中的POJO),它 的目的只是为了对...
  • 很多刚开始做数据分析朋友,不知道数据分析该如何下手,更不知道一个完整数据分析流程有哪些环节。数据分析流程比较简单,主要包括以下六个环节:明确分析目的、数据获取、数据处理、数据分析、数据可视化、...
  • 如果从概念去推演什么是数据分析,数据分析本质是什么? 1.推演目的 迷迷糊糊,每天都在这件事,而没有去思考这件事件背后定义和本质,走了很远路,忘记了当初为什么出发,自己已经习惯性往前冲,忘记了...
  • {"moduleinfo":{"card_count":[{"count_phone":1,"count":1}],"search_count":[{"count_phone":7,"count":7}]},"card":[{"des":"提供基于开源Elasticsearch及商业版X-Pack插件,致力于数据分析、数据搜索等场景服务...
  • 做用户画像工作量很大,我们做数据分析最终目的是为了解决业绩瓶颈问题,提升业绩。而用户画像中最核心、与业绩最直接相关指标是什么呢?是用户消费特征。RFM模型就是根据消费特征对用户进行分层。 一、什么是...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,453
精华内容 981
关键字:

做数据的目的是什么