精华内容
下载资源
问答
  • 长周期光纤光栅传感信号解调技术现状与发展,需要的话就下载
  • 医药生物行业深度报告:重申特色原料药行业中长期发展逻辑:3-5年高速成长开启,医药高端制造长周期崛起.pdf
  • 文章目录1 概念介绍1.1 概念介绍1.2 关联指标1.3 计算方式1.4 LTV的价值1.5 应用场景1.5.1 宏观方面的几个场景:1.5.2 一个细分的金融场景:1.5.3 ...广告收入类型产品计算2.3 APP类LTV运营流程3 关联问题3.1 多时间


    目前该系列的几篇:
    用户增长——CLV用户生命周期价值CLTV 笔记(一)
    用户增长 - BG/NBD概率模型预测用户生命周期LTV(二)
    用户增长——Cohort Analysis 留存分析(三)


    1 概念介绍

    1.1 概念介绍

    文章[1] 提及,
    LTV(Life Time Value),也即用户在生命周期中贡献的商业价值,是用户增长中非常核心的一个指标项。快速准确的对LTV进行建模预估,对于产品商业能力衡量、渠道质量优劣评估、甚至产品的商业闭环能否跑通都起着关键作用。本文将主要介绍LTV建模及其场景应用。

    用户的生命周期持续时间很长(几个月甚至到几年),如果等用户经历了整个生命周期再来计算用户LTV,对于绝大多数商业决策是严重滞后的。因此需要对LTV进行预测,通过用户一定时间窗口(例如7天,14天)的实际数据,预估用户整个生命周期的LTV。

    在这里插入图片描述

    对于大多数产品而言,用户在刚开始阶段贡献较多的价值,随着用户逐渐流失,商业价值越来越低,直至归零。

    因此用户LTV过程呈现出图1的走势,很类似幂函数(指数小于1)或者logistic函数(sigmod函数)形状。因此可以采集用户前N天实际产生的数据,通过幂函数、logistic回归、或者神经网络对LTV建模预测未来趋势,从而计算得出用户LTV。这种方式由于没有深入建模产品的收入过程,因此LTV预估准确率相对较为一般。

    文章[1] 提及,
    LTV伴随着整个产品方方面面的决策,最主要应用在以下2类场景:

    • 产品行不行:通过LTV,我们可以清晰计算出用户在产品中的活跃周期,商业价值,再与用户成本进行对比,即可辅助分析产品的商业闭环是否成立,资金周转周期快慢、盈利状况如何。
    • 渠道好不好:通常产品都会从多个渠道去获取用户(预装、store、信息流、SEM……等等),每个渠道获取用户的成本不一样,新用户的质量更是参差不齐。因此需要对每个渠道的新增用户价值进行预估,通过ROI来评估渠道质量的好坏。

    1.2 关联指标

    几个基本的概念:
    LTV:Life Time Value,指用户在整个生命周期中贡献的商业价值;LTV365也即用户在新增期后的365天所贡献的商业价值。
    CAC:Customer Acquisition Cost,指获取一个用户所付出的成本,例如在SEM渠道获取一个激活用户所花费的费用。
    ROI:Return On Investment,投资回报率,ROI=LTV/CAC。

    ARPU DAU( 平均每用户收入 - 日活 Average Revenue Per User Daily Active User):活跃用户日均ARPU值,也即用户活跃一天所能带来的日均收入。
    R:用户日留存率,例如次日留存率、7日留存率等,第t天留存率记为R(t)。
    CPI:Cost per install,按照安装付费

    1.3 计算方式

    文章[1] 提及,
    互联网产品主流盈利模式主要有以下几种:电商、广告、游戏、打赏,不同的盈利模式下用户LTV计算方法均各不相同。
    例如:

    • 电商类型的产品,用户LTV主要与用户日(月)均消费额、商品毛利率、用户日(月)流失率相关;
    • 以广告收入为主的产品,用户LTV主要与用户的留存率和日均贡献广告收入相关。

    1.4 LTV的价值

    DTC 品牌会采用「增长黑客」的模式关注用户增长,这个法则就是:LTV / CAC > 3。

    LTV / CAC 是一个计算效率的工具,LTV(Life time Value)是客户终身价值,指的是每个用户(购买者、会员、使用者)在未来可能购买该产品或服务带来的收益总和,CAC(Customer Acquisition Cost)则是单个客户的平均费用。

    它通过提出一个简单的问题:一个客户的价值(LTV)是否大于获取该客户的成本(CAC)?

    所以,相比传统计算 CPC 和 CPA,DTC 品牌会通过这个公式来解决以下问题:

    • 市场进入战略是否有效、全面以及带来边际效应?
    • 何时/何处投更多的钱到销售和营销中?
    • 应该在销售和营销中投入多少资金?
    • 哪种客户、产品、业务种类等是最盈利的?

    未来品牌指南:DTC 品牌的核心特点 | BrandStar

    客户终身价值(CLV)是从一个关键人物业务。它通常描述了客户在整个“客户生活”期间实现的贡献边际,折扣到分析时。因此,CLV可以理解为客户多年来对公司或未来的平均价值。因此,除历史收入外,未来预期收入也会被考虑(客户潜力)。在确定CLV时,必须将可能的客户价值与实际客户价值区分开来。可能的客户价值考虑了某个区域内客户的总支出,包括竞争对手的支出,而实际的CLV仅考虑了客户对其公司的支出。公司使用CLV更有效地为客户量身定制营销。例如,高CLV证明更高的预算用于照顾特定客户。

    python数据分析:使用lifetimes进行客户终身价值(CLV)探索

    用户生命周期,是一种刻画用户的方法。一般用来解决两类问题:
    用户还有多少价值、用以衡量投入产出比在干预用户后,根据用户生命周期价值的变化,优化资源的投放。

    即用户管理的两个核心问题:用户所具备的价值以及策略的有效性。

    需要注意的是,CLV 的产品形态要求非合约。合约在国内最有代表的是合约手机。一般互联网产品,合约形态较为少见。

    CLV 的用户群体需已经产生交易,未付费用户不纳入考量。当然,概念迁移,将付费换成活跃或内容消费,该模型也能处理。

    • 用户活跃还是流失
    • 用户还有多少付费潜力
    • 用户在未来某段时间会否再次购买

    这三个问题,是用户生命周期价值能够回答的。

    如何计算用户生命周期价值(CLV)

    1.5 应用场景

    1.5.1 宏观方面的几个场景:

    1.5.2 一个细分的金融场景:

    CLV是一个非常重要的概念,因为它决定了获得一个新客户的成本的上限,企业可借助CLV模型来计算其市场和广告花费的回报。CLV与CP(Customer Profitbility)是不同的概念,后者指的是在一定时间内在客户上获得的收益与维系客户关系所付出的成本之间的差,CLV主要关注未来而CP关注历史已发生的事。

    CLV的一个最直接用途就是评价客户的金融价值,也可以用来做客户分段模型(有兴趣可参见本人的另一篇博客customer segmentation model)。基于CLV的客户分段模型可以帮助企业理解不是所有的客户都是同等重要的,预测更具备可盈利的客户群体并了解他们的共同特性,另外可以和SOW(Share of Wallet)模型结合使用来定位那些可以最大化企业利益的客户,即高CLV且低SOW的客户。

    CLV这个指标主要用于关系敏感的业务模型,特别是那些有客户合同的,例如银行、保险、电信和大多数B2B企业。然而,CLV的理念可以延展到属于事务聚焦的业务体系中,例如通过使用个体客户的随机购买模型或集合行为的大众消费品。在这些情况下,留存率都会对CLV产生重大影响,因为低留存率会导致CLV长期不能增长。

    用户存续期价值评估(CLV) 一

    1.5.3 预估成本回收期

    参考:生命周期价值LTV预测

    如以下产品:新用户CAC成本29元,计算出各阶段用户LTV后,可评估出在第24天时可收回成本,90日LTV=32,成本回收期=24天发现回收期太长,或难以收回成本时,则需要改造产品功能及商业逻辑。

    在这里插入图片描述

    1.5.4 判定渠道质量

    参考:生命周期价值LTV预测

    • 渠道评估:分渠道,分注册日期、分人群属性等多维度新用户LTV对比,评估渠道质量。

    • 成本控制:知道每新增用户LTV情况下,可评估单新增最大买量成本,实现成本可控,提升ROI。

    • 投放配比:在游戏中使用广泛,追求用户规模时往往保证不了用户质量,这时可依据渠道用户LTV,实现高低质量用户策略配比,保证游戏氛围活跃又有一定充值用户。

    1.5.5 支持产品运营

    参考:生命周期价值LTV预测

    • 产品功能调整:功能变化后用户价值对比,判定功能效果好坏。

    • 运营策略方向:如电商不同品类下用户价值(女装用户LTV与包包用户LTV对比哪个高,据此调整运营位)。

    1.5.6 UE计算

    获客指标(一):UE模型

    UE(Unit Economics)通常衡量的是收入和可变成本的关系(当然也有企业也会将固定成本折算成单位固定成本进行计算),但通常情况是衡量收入和可变成本关系的。
    在这里插入图片描述
    单用户净收入= 生命周期价值LTV -(获取流量成本+转客成本+后续运营成本…),UE计算需将各项收入、成本逐项计算并体现,如示例图:

    • 用户价值90日LTV:47元;
    • 新激活成本CPA:20元,LTV达20元时需5日,CPA回收期5日。
    • 获客+转客成本:23元,回收期9日。
    • 获客+转客+运营成本:整体成本的回收期为31日。
    • 90日用户净价值8元;

    通过UE模型,可以知道:

    • 用户生命周期价值及增长趋势,并可预估未来价值。
    • 各项成本支出及回收周期,可以判断成本控制范围,能否收回。
    • 单用户在整个生命周期内贡献的净价值。

    其中,成本计算一种方式为:
    60日内每日成本 = 获取新付费用户总成本 / 新用户中转化为付费用户人数
    (新用户中转化为付费用户人数,每天的累计付费人数在增加,所以成本在减缓;
    人数的增长服从logit增长函数)

    1.5.7 投资和企业经营

    用户生命周期LTV的灵魂三问
    在这里插入图片描述
    比如针对一家SAAS公司,投资方会要求你的LTV是CAC的三倍,成本回收需要在12个月内,要不就会判断你无法很好的发展。
    企业内部会根据这个值规划不同企业阶段和客户的营销策略等。


    2 不同LTV计算方式

    LTV = 每日价值(动态) * 存续天数(动态留存)

    这个公式就好比:路程 = 速度 * 时间,,优点就是非常好理解,缺点也非常明显,就是非常理论化。

    一般来说做留存率分析的时候,一般是用cohort analysis,也就是把一群同一时间周期的用户合在一起看他们第N天的留存(再谈LTV模型的构建和应用)。
    在这里插入图片描述

    2.1 几种常见的计算方式

    参考:生命周期价值LTV预测
    在这里插入图片描述

    2.1.1 LT*活跃ARPU

    计算方式:

    • 单用户的在时间范围内的活跃天数(LT),预测LT主要是对留存率衰减趋势的预测,可参考我之前文章:Excel实现:预测产品的未来DAU 里面有详细操作步骤。
    • 单用户活跃天内ARPU:活跃天内ARPU趋势不稳定较难预估,一般直接使用一定时期内均值。这种情况假定不同生命周期用户活跃ARPU值相同,显然是不合理的。

    适用场景:
    被广泛使用,尤其适合功能稳定产品LTV预测

    优缺点
    优点:简单、常用、模型化,适合产品功能稳定后预测。
    缺点:①留存率拟合存在误差 ②忽视了不同生命周期用户ARPU是动态变化的,用户贡献价值是不同的。

    2.1.2 依据交易预测

    计算方式:

    • 新客预测:付费LT*付费ARPU
    • 全量用户预测:付费LT付费ARPU新付费转化率

    预测用户付费生命周期(Pay_LT):幂函数拟合各周付费率衰减趋势

    假定不同阶段用户周付费ARPU值稳定不变
    如需预测全部用户,需加入付费转化率
    在这里插入图片描述
    适应场景
    适合电商、游戏等付费用户价值预估,重视付费转化的行业。

    ** 优缺点**
    优点:简单粗暴、常用、模型化
    缺点:需要预测3个变量增大预测偏差

    ①付费率拟合存在误差
    ②不同付费周期用户ARPU是动态变化的,用户贡献价值是不同的。
    ③付费转化率受产品调整及运营活动影响较大

    2.1.3 历史LTV拟合预测

    依据LTV历史数据,拟合幂函数趋势预测未来LTV。

    优点:只有LTV单变量,预测精度较高
    缺点:①需要足够历史数据拟合函数 ②幂函数数据量越少,预测结果越低,需要人工修正

    2.2 常规LT*ARPUDAU的延申:广告收入类型产品计算

    文章[1] 提及,

    在ARPUDAU稳定不变的情况,全生命周期的价值就等于用户的活跃天(LT)和每天价值(ARPUDAU)的乘积。到此,我们如果只需要计算ARPUDAU和留存率R(t),即可得到用户的LTV。

    在这里插入图片描述

    其中有两个决定因素:

    每天价值(ARPUDAU):

    在这里插入图片描述

    用户的ARPUDAU是相对稳定的,如果已经获得了用户14天真实的行为数据,对这14天的数据直接进行统计然后求平均,即可得到一个相对准确的ARPUDAU数据了。

    • 1.1 从图3仍然可以发现ARPUDAU走势中,会有很多毛刺的现象,某些节点上下波动较大,例如恰逢双11,某几天广告收入异常偏高,与其他时间的广告收入相差很远。为了做出更准确的预测,需要进行异常点检测,过滤掉这些异常数据再求均值。常见的异常点检测算法均可使用,例如Numeric Outlier、Isolation Forest、DBSCAN聚类等算法。

    • 1.2 如果不是全新的渠道,还可以借助该渠道之前的历史数据,进一步增强样本数据。除了已知的14天数据,还可以参考该渠道之前的3个月数据,然后对于对这3个月的ARPUDAU做时间衰减(时间越近,越能反应当前产品的商业收入现状),累积到ARPUDAU计算中,对14天得出的数据结果进行修正。

    • 1.3 更进一步,用户的ARPUDAU还可以建模成用户消费行为、用户活跃程度、产品变现能力三个维度的函数变量,可以用一个更复杂的模型对于ARPUDAU进行预估和修正。

    用户的活跃天(LT):

    在这里插入图片描述

    不难看出用户的留存率走势和幂函数形状很类似,因此可以用幂函数,结合用户前14天已知的留存率数据,对未来趋势进行拟合,得出留存率预估函数y=b*x^a。

    • 2.1 幂函数可以较好的拟合留存率整体趋势图,尤其是趋势的头部可以拟合得非常精准,但对于趋势尾部拟合较差(幂函数尾部过高或者过低)。如图6所示,可以对目标函数进行扩展,除了幂函数之外,还可以通过指数函数簇进行拟合。根据各个渠道的历史数据,针对不同的渠道类型,选择最合适的目标函数。

    • 2.2 幂函数y=b*x^a只会无限接近0,但是不会等于0,因此在实际建模过程中,需要选定一个阈值alpha,当留存率低于alpha时,认为用户生命周期结束。alpha的选择需要根据留存率变化的实际趋势来确定,例如1%,5%等。

    在这里插入图片描述

    2.3 APP类LTV运营流程

    关联关键词:

    • CPI:Cost per install,按照安装付费
    • ARPU DAU( 平均每用户收入 - 日活 Average Revenue Per User Daily Active User):活跃用户日均ARPU值,也即用户活跃一天所能带来的日均收入。

    参考:LTV预测模型:如何实现高质量用户增长

    第一版LTV —— 冷启动环节:

    在这里插入图片描述

    在推量后的第5天,得到一个预估的LTV14、LTV30、LTV60的数值,并且这个数值只要符合商业上的误差容忍度,我们便可以“预知未来”,更快更好地制定下一步的推量策略。
    计算1-7天的ARPU乘以累加留存率预测产生的收入。

    然而结合我们的商业场景,第一版LTV算法实际上线后,我们发现

    • 留存率的预测是相对准确的,虽然存在拖尾过早的现象,预测精度还可以接受,
    • ARPU曲线是前期处于高位的,模型还没学习到下降的趋势,会高估

    第二版:稳定版LTV

    第二版创建了两种模型,最后需对两个模型的预测结果进行叠加得到预测结果。

    一种模型是基于累计收入的非线性回归,
    另一种模型是基于留存率、收入和用户打点数据的预测模型,
    沿用了GBDT算法的核心思想,对预测结果的误差进行多轮迭代以提升预测精度。没有最好的万能的模型算法,只有最适合自身业态和商业场景的模型算法。

    最终,得到的新LTV模型相较于第一版的LTV模型,预测的平均绝对误差率从30%降低到9.5%,更符合广告流量变现的商业场景。

    在这里插入图片描述

    LTV预测模型的输出数据是每批推量用户第7、14、30、60天的预测LTV。

    在这里插入图片描述


    3 关联问题

    3.1 多长时间窗口预估LTV更适合?

    判断渠道质量的时候,选用多长时间窗口预估LTV更适合?

    文章[1] 提及,
    当LTV用于判断渠道质量时,很重要的一件事情是选择时间窗口,也即需要累积多长时间实际样本数据来预估LTV。
    如果时间窗口较长(例如3个月),LTV预估结果与真实值偏差较小,但是意味着我们对于渠道的筛选决策要延后3个月。
    如果时间窗口较短(例如3天),LTV预估结果与真实值偏差较大,但是决策周期可以很短。
    在实际场景中,需要根据模型实际效果来确定合适的时间窗口。对于广告收入为主的产品,一般选择714天,ltv模型预估准确率可达到还不错的一个水平,714天也是产品可以接收的决策周期。

    3.2 完整的LTV数据服务重要性

    除了LTV预估模型的准确率之外,更重要是要构建一个完整的LTV数据服务。

    文章[1] 提及,
    由于产品自身的商业能力的迭代,以及渠道的复杂和不可控性,LTV会经常发生变动,以至于模型准确率也会经常发生波动。因此需要对LTV预估结果做完整的跟踪监控,以便支持产品做更迅速准确的商业决策。

    3.3 LTV如何进行模型修正

    生命周期价值LTV预测

    预测某月新用户价值,在分别使用200天实际数据、90天、30天、7天预测结果如下图:

    在这里插入图片描述
    在这里插入图片描述

    数据结论:预测同样人群LTV,使用数据天数越多预测越准确。

    200天、90天数据R方达到1,基本较精准的预测360天LTV,在数据不充分时使用90天数据可预估全年结果。

    使用30天数据时,比实际值低5.3元,预测值低17%。

    仅使用7天数据时,比实际值低10.6元,预测值低35%。

    当5月仅有7天数据,仍要预估360天数据时,是否可以预测?

    答案是可以的,使用7天数据预测,需要加上后续偏差修正值。

    仅使用7天数据拟合,跟实际值之间的偏差是有规律的,偏差幅度可以拟合出规律函数,可以函数计算出7天之后每一天预测少了多少,实际预测值将偏差修正回来
    在这里插入图片描述

    4月仅使用7天数据预测时,预测360天价值23.69,修正后360天价值为39.40,验证修正后结果更符合实际情况。
    在这里插入图片描述


    4 一些专属模型

    4.1 腾讯微视:数据算法驱动的用户增长

    参考文章:干货篇 | 腾讯微视:数据算法驱动的用户增长

    在这里插入图片描述

    基于新用户的7天甚至是3天这种非常短的时间的用户行为,去预估用户的长期生命周期价值,比如30天、90天或者180天的活跃天的预估。这里会用到一些画像或者消费行为。
    在建模时会考虑前几天的序列信息,用transformer做一个建模,然后也会做一个多任务。

    接下来去分析数据,能看到用户,特别是新用户中有相当多用户的LT的量是比较小的,所以我们引入零膨胀模型,类似于先是分类,然后是一个回归。

    在实际的应用中会发现很多小渠道的用户会被大渠道给淹没掉,所以我们去考虑分渠道建模来解决这个问题。

    我们的模型是用户粒度预估模型,在产品早期阶段,数据量非常少的时候,比较典型的像曲线拟合,就是基于渠道的数据去做一个曲线拟合,这个需要结合业务的发展阶段和需求去做选型。

    用户粒度模型的好处是能灵活的做各种维度聚合,做一些LTV的预估和分析。

    4.2 BG/NBD概率模型预测用户生命周期LTV

    具体可参考:用户增长 - BG/NBD概率模型预测用户生命周期LTV(二)

    数据运营36计(六):BG/NBD概率模型预测用户生命周期LTV,Python实现

    BG/NBD模型又称为贝塔几何/负二项模型。
    他是基于Pareto/NBD模型假设设计的概率预测模型。
    BG/NBD模型是用于描述非契约客户关系情境下重复购买行为。
    即用户可以随时购买产品,无时间约束。
    该模型可利用用户历史交易数据(RFM)来预测未来每个用户的交易次数和流失率

    该模型的几个假设前提:

    (1)【交易假设】用户在活跃状态下,一个用户在时间段t内完成的交易数量服从均值为λt的泊松分布。
    在这里插入图片描述

    (2)【交易假设】用户的交易率λ服从形状参数为r,逆尺度参数为α的gamma分布,PDF函数如下所示。
    在这里插入图片描述

    (3)【流失假设】每个用户在交易j完成后流失的概率服从参数为p(流失率)的几何分布。
    【流失假设】用户的流失率p服从形状参数为a,b的beta分布,PDF函数如下所示。
    用户的流失率p服从形状参数为a,b的beta分布,PDF函数如下所示
    在这里插入图片描述

    (4)【联合假设】每个用户的交易率λ和流失率p互相独立。

    差异点:

    由于该模型只关注时段T内的交易数量和最终交易日期,所以不能表示具有周期性的客户,根据t的设置周期性的客户可能在预期的交易数和实际的交易数之间有很大的差异。
    【参考文献:如何预测(计算)用户价值—BG/NBD模型

    4.3 简单的二项式函数拟合

    参考:详说LTV的业务逻辑、数理逻辑和计算方法
    周留存率数据
    在这里插入图片描述
    周ARPU数据
    在这里插入图片描述

    #这里以留存率数据的处理代码为例,ARPU数据处理过程一样
    #宽窄转换和数值化
    df_r2 = pd.melt(df_r,id_vars=['Date'])
    df_r2['x'] = df_r2['variable'].str.split(' ',1,True)[1].astype(int)
    df_r2['y'] = df_r2['value'].str.split('%',1,True)[0].astype(float)/100
    #描绘成散点图
    %matplotlib inline
    import matplotlib.pyplot as plt
    plt.scatter(x=df_r2['x'],y=df_r2['y'])
    
    # 对留存率曲线,根据业界经验可以用指数函数拟合:
    from scipy.optimize import curve_fit
    import numpy as np
    def fun_r(x, a, b):
        return a**x + b
    popt1, pcov1 = curve_fit(fun_r, df_r2['x'], df_r2['y'])
    #用图像输出结果
    y1 = [fun_r(i,popt1[0],popt1[1]) for i in df_r2['x']]
    plt.plot(df_r2['x'],y1,'r--')
    
    # 对ARPU数据观察后,尝试用二项式函数拟合:
    def fun_a(x, a, b, c):
        return a*x*x + b*x + c
    popt2, pcov2 = curve_fit(fun_a, df_a2['x'], df_a2['value'])
    #用图像输出结果
    y2 = [fun_a(i,popt2[0],popt2[1],popt2[2]) for i in df_a2['x']]
    plt.plot(df_a2['x'],y2,'r--')
    
    

    参考文献

    1 LTV预估,给你的产品算算命
    2 生命周期价值LTV预测
    3 如何计算用户生命周期价值(CLV)
    4 增长策略和LTV基于时间的通用模型
    5 LTV预测模型:如何实现高质量用户增长
    6 再谈LTV模型的构建和应用

    展开全文
  • 论文研究-国际原油价格的长周期波动性.pdf, 为了解释原油价格长周期波动的规律, 利用不可再生资源的定价原理对1946-2008年WTI原油价格进行拟合, 得到原油的长期均衡价格...
  • 海岸地区的长周期地貌...文章从发展概况、时空尺度、计算原理、信息约减技术以及模型应用等方面简述了海岸地区长周期地貌模型的研究进展,并认为模型的理论、技术还可进一步提高,模型的应用范围还可拓展到更大尺度。
  • 理论上详细分析了长周期光纤光栅谐振波长随外界环境...使其从一般光纤光栅谐振波长所处的近红外区转到可见光区,以利于光纤光栅配套仪器系统的调试并使系统成本降低,从而为长周期光纤光栅传感技术的发展和应用奠定基础。
  • 周期》书中的精髓:如何利用周期,掌握世界的发展趋势,实现财富积累。 我们总是在错过千载难逢的机会后才追悔莫及。比如股市会涨到5000点,为什么没在熊市多买一点;比如如今房价高得离谱,为什么不在20年前买房...

    《周期》书中的精髓:如何利用周期,掌握世界的发展趋势,实现财富积累。

    我们总是在错过千载难逢的机会后才追悔莫及。比如股市会涨到5000点,为什么没在熊市多买一点;比如如今房价高得离谱,为什么不在20年前买房;再比如,互联网会这么火,20年前为什么不跟马云干。

    当然,这种想法不过是事后诸葛亮。但如果事先就能预测发展趋势,我们就会像开了上帝视角一样,知道什么时间该做什么事情。

    不过,这世上还真有这么一个人,他就是著名投资人霍华德·马克斯,他是与巴菲特齐名的投资大师。为什么霍华德会这么厉害呢?最大的原因在于他非常了解周期,也懂得如何利用周期,他曾多次准确判断了资本市场的重要趋势变化,预警了好几场金融危机。正是因为霍华德觉得周期实在是太重要了,所以写了我们今天要介绍的《周期》这本书。

    那么我们到底该如何认识周期?以及如何运用周期呢?

    我将从两部分为您讲解,第一部分是我们常见的重要的周期有哪些?第二部分是我们如何应对周期?

    第一部分 常见的重要的周期有哪些?

    好,我们先了解一下什么是周期?

    对于周期的定义比较多,不过霍华德认为:周期就是一组事件按照一个特定的顺序发生,一个接一个,而且这种顺序经常重复。

    比如说春夏秋冬四个季节的更替就是周期。经济上最典型的莫过于繁荣、萧条、衰退、复苏这四个阶段循环往复的周期了。

    《周期》这本书讲了9个周期,其中有2个周期特别重要,它们分别是信贷周期和情绪周期,我们今天就来讲这两个周期。

    先说信贷周期。信贷周期其实说的就是贷款门槛的高低,以及利率高低的周期变化。

    比如我们说“钱松”,就说明市场上可以流动的钱比较多,这个时候也比较好借钱,贷款利率也比较低;当我们说“钱紧”的时候,我们想跟银行贷款,就特别难,而且利率也比较高。

    所以,当钱松的时候,普通人能贷款提前住上房子;企业可以贷款扩大经营,赚更多的钱。可见信贷周期的一个微小的变化,就能给市场带来巨大的影响,所以霍华德认为,信贷周期是经济社会中最重要、影响最深远的周期。

    再说情绪周期。我们的情绪也是在乐观、贪婪、悲观、怀疑和恐惧之间来回摆动的,相应地就造成了我们在风险忍受和风险规避的态度之间来回摆动,从而形成了情绪周期。

    乐观的时候,投资者相信未来会有更多的收益,所以他会愿意承担更多的风险;而悲观的时候,出于规避损失的态度,投资者就一点风险也不愿意承担了。

    那我们来看,信贷周期和情绪周期是怎样影响市场的?马克斯举了一个次贷危机的例子。

    2007年的时候,美国爆发了次贷危机。这场危机产生的根本原因是银行把钱贷款给了那些还款能力比较差的人,也就是我们所说的“次级抵押贷款”,这也就是“次贷危机”名字的由来。

    于是,大量本来买不起房的人买了房子,但一旦利率提高一点,市场上钱紧一点,这些人就还不起房贷了,你看这就是信贷周期在起作用了。但那时候,好多像雷曼兄弟等百年投行,对这种风险熟视无睹,过度参与次贷市场,一夜之间走向破产。

    根据情绪周期,银行的破产引发市场的恐慌。次贷危机中,一些并未受到实质性影响的投资品也出现了大跌。然而,在别人不敢再投资的时候,霍华德却利用了情绪周期,在别人恐慌时他大胆,买了很多价格被低估的股票,做了他一生中最赚钱的交易。

    通过这个例子,相信你也感受到信贷周期和情绪周期带来的巨大影响了,那么霍华德究竟是如何利用周期,做出正确的决策的呢?我们来看第二部分内容,我们如何应对周期?

    第二部分 我们如何应对周期?

    虽然事情的发展遵循着周期变化的规律,市场有涨就有跌,但是这并不意味着我们可以预测市场什么时候涨,什么时候跌,但我们可以通过判断我们在周期中的位置,从而做出最佳决策。

    就像霍华德说的,预测未来毫无意义,他每次做判断,从来不会认为自己能够百分之百预测正确,他做的不过是在正确的时候多赚一些,在错误的时候少亏一些,对的资产买多一些、错误的资产买少一些而已。

    那么具体该怎么做呢?这就涉及到了两个步骤。

    首先第一步是发现周期的极端,并利用极端。我们仔细回顾霍华德的投资生涯,我们会发现他只在周期走到极端的情况下做出判断,所以我们会有一种他做的判断都是正确的错觉。

    这就好像,一个140斤的成年人,他是不是有点胖呢?这个不好判断,但是如果是300斤的人,那么我们可以肯定地说他挺胖的了。

    霍华德正是如此,他说作为投资者,我们不要过于关注每天市场短线的涨跌,而要关注一生一次或几次的周期极端,并利用走到极端的周期,这是我们能找到的最好的实现财富增长的机会了。

    比如看到互联网泡沫非常大,就远离互联网股票,而去买一些传统行业的股票;看到次级贷款风险巨大,就去投资与之相反的债券。正是因为这些判断非常正确,又能从容地利用周期,霍华德获得了巨大回报。

    那如何判断我们是否处在周期的极端位置呢?这就涉及到第二步了:定量判断,定性观察。

    首先定量判断,就是用一定的测量标准去判断市场。比如,我们要判断市场现在是过冷还是过热,就可以用市盈率这一指标来判断。市盈率是一个常用的估值标准,代表了一家上市公司利润能回本的能力。一般来讲,如果大众很乐观,整个市场的市盈率就会特别高;如果很悲观,市盈率就会很低。

    比如说,20世纪60年代,美国股市有一个“漂亮50”的公司组合,这50家公司包括IBM、宝丽来、柯达、惠普、可口可乐等50个投资者热捧的公司。市场最热的时候,“漂亮50”整体的市盈率达到九十倍,相当于你买入之后,光靠公司利润,要九十年才能收回成本。也就是说,这时候“漂亮50”的股价偏高,泡沫比较大,市场非常疯狂。

    果不其然,5年之后,当时看上去完美的50家公司中,甚至有好几家都破产了。股市变得非常低迷,这时“漂亮50”公司的市盈率跌到了八九倍,这又说明它们的估值又变得很便宜了。

    再说定性观察,就是看周围的人在做什么。当周期达到极端位置的时候,就会出现一些信号。

    比如牛市的时候就有两个信号。其中一个是,当你发现几乎所有人都在谈论股票,刚入市的股民也推荐你买股票,就连不看好股市的人都动摇了,那么这时候股市也就见顶了。

    另一个信号是,人群出现了一句魔咒一样的话,五个字,“这次不一样”。这五个字被称为是投资中最危险的五个字,在周期极端位置,人群中往往会弥漫这种言论。投资人在极端情绪下,很容易找到理由,认为“这次不一样”,对重要市场指标的异常视而不见。

    讲到这里,本书的内容就已经基本结束了。我们再来从头梳理一下今天分享的要点。

    首先我们介绍了两个重要的周期,它们分别是信贷周期和情绪周期;

    接着我们介绍了应对周期的方法,霍华德告诉我们预测未来是不现实的,最重要的是判断当下我们在周期中的位置,这就涉及到两个步骤,第一步是发现极端,并利用极端;第二步是定量判断,定性观察。

    展开全文
  • 1、中国快递行业生命周期理论假设 基于传统行业生命周期理论以及“S曲线”理论,长江交运团队提出“中国快递生命周期”这一理论假设:中国快递将依次经历完全竞争、龙头竞争以及寡头 竞争共三轮生命周期。完全竞争...

    目录

    1、 中国快递行业生命周期理论假设

    快递龙头竞争时代

    快递寡头竞争时代

    2、快递业未来发展

    3、投资视角看快递行业

    4、龙头竞争看卡位,寡头竞争重盈利


    1、 中国快递行业生命周期理论假设

    基于传统行业生命周期理论以及“S曲线”理论,长江交运团队提出“中国快递生命周期”这一理论假设:中国快递将依次经历完全竞争、龙头竞争以及寡头 竞争共三轮生命周期。完全竞争阶段拼网络覆盖和产能扩张,龙头竞争阶段拼运营效率和卡位布局,寡头竞争阶段拼品牌力及物流生态圈

    快递龙头竞争时代

    随着线上流量红利渐尽,电商增长趋缓,快递增速面临下行拐点。行业分化加剧,企业开始转型综合物流服务商,积极拓展快运、跨境物流、仓储、冷链等其 他物流细分市场。龙头竞争时代后期,随着综合化转型的深入推进,龙头在细分市场的渗透也将基本到位,价格战或将难以避免。龙头竞争时代,企业比拼的是运营 效率以及卡位布局。对卓越的快递企业而言,当前电商快 递业务增长拐点已至,拓展电商快递以外的业务领域,转型综合物流服务商,将是跨越至下一条S曲线的必经之路。

    快递寡头竞争时代

    经历了龙头竞争时代后期的洗牌,快递将进入寡头竞争时代。竞争格局的大幅改善将使得企业盈利水平稳步提升。寡头竞争时代,企业比拼的是品牌力以及物流生态圈。

    2、快递业未来发展

    1)中国网购发展仍处半程。实物商品网上零售额5.48万亿元,增长28.0%,占社会消费品零售总额的比重为15.0%。从趋势上来看,中国网络零售占社会零 售总额的比重仍有较大提升空间

    2)农村地区电商发展潜力巨大。根据中国互联网络信息中心的数据,截止到2017年12月,我国农村网民规模达到2.09亿人,较2016年底增加 793万人,体量规模难以忽视;从互联网普及率来看,中国农村地区互联网普及率仅为35.4%,远低于城镇71.0%的普及率。近期,定位低端电商市场的拼多多表现出的市场爆发力,便是对三四线城市及农村地区电商潜力 的有力佐证。

    3)快递对接“中国制造2025”。国家邮政局提出快递要对接“中国制造2025”,不断延伸快递服务领域。目前已经形成入厂物流、仓储配送一体化、末 端配送、供应链管理、嵌入式电商快递等多种服务模式,并涌现出比亚迪、小米、上汽通用等一批龙头项目,服务领域涵盖航天、汽车、电子、制药、服装、酒、食 品等多个领域。快递业与制造业协同发展促进制造业逐步从规模化标准化的传统生产方式,向个性化定制化的新型生产方式转型,有助于推动制造业升级。

    4)国外。 90年代末以来的国际快递巨头发展史是一部并购史。90年代末,美国快递业整体增速放缓,巨头主要通过兼并收购方式,迅速成为领先的综合物流服务商。1984-1998 年,三大国际快递巨头(DHL、UPS和FedEx)年合计并购案例平均不到1例,而1999-2016年,每年合计并购案例平均超过3例。纵观国际快递 巨头并购史,其并购路径基本可概括为:快运->整车->供应链;国内->国际。FedEx和UPS通过收购迅速实现综合化和全球化,并 带来此后近半的营收增长。

    美国现代快递行业发展至今,依次经历了:通信需求(第四次信息技术革命)、制造业需求(19世纪80年代)、经济全球化与国际贸易需求(20世纪70年代)以及电子商务需求(21世纪)共四个驱动阶段。

    梳理美国物流行业整合案例不难发现,在快递企业参与的收购中,快递企业通常作为收购主体,而并没有发现较多快递 企业被其他物流企业成功收购的案例。

    顺丰控股与德邦股份作为中国快递和零担行业的龙头。在龙头竞争时代,快递企业将以整合为主、自建为辅的形式转型综合物流服务商。资本驱动下,由快递主导的物流行业整合已悄然到来,圆通速递收购先达国际物流、申通快递与快捷快递合资设立控股公司、顺丰控股与夏晖合资设立冷链公司便是最佳佐证。

    3、投资视角看快递行业

    当前处于完全竞争阶段的衰退期与龙头竞争阶段的萌芽期的叠加期,重点投资运营效率高且加盟商风险管理较好的企业。 鉴于通达系尚未有一家具备寡头竞争的护城河,同时考虑到未来综合物流市场的巨大潜力,我们看好一线快递公司在龙头竞争阶段成长期的投资机会,重点关注战略 布局领先、具备卡位优势的企业,推荐:顺丰控股、韵达股份和圆通速递;建议关注:德邦股份和申通快递。

    根据传统的行业生命周期理论:

    • 处于成长期的行业,收入和利润规模快速上涨,尽管面临较大的竞争风险,但行业景气度持续向上,业绩与估值有望迎来双 升;
    • 处于成熟期的行业,渗透率逐渐饱和,销售规模趋于平稳,资本开支下降,竞争格局稳固,行业竞争将从价格手段转向非价格手段,行业整体盈利水平回升,主 要挣业绩增长的钱。
    • 处于衰退期的行业,市场开始收缩,收入和利润增长停滞,部分企业开始积极转型。

    中国快递生命周期是由三轮传统生命周期(依次是完全竞争阶段、龙头竞争阶段和寡头竞争阶段)相衔接的全生命周期。当前中国快递业正处于完 全竞争阶段的衰退期与龙头竞争阶段的萌芽期的叠加期,重点投资运营效率高且加盟商风险管理较好的企业。我们判断,中国快递将进入龙头竞争阶段的成长期,综 合物流业务将呈现爆发式增长,行业景气有望持续维持高位,重点关注战略布局领先、具备卡位优势的企业。

    4、龙头竞争看卡位,寡头竞争重盈利

    鉴于通达系尚未有一家形成寡头竞争的护城河,同时考虑到未来综合物流市场的巨大潜力,我们看好一线快递公司在龙头竞争阶段成长期的投资机会。

    快递行业是物流行业中值得长期关注并寄予期待的赛道。

    对于长期投资,我们的排序逻辑:

    1)战略具有前瞻性的公司先发优势显著;

    2)网络管理优良的公司执行力强;

    3)善于学习、迅速纠错的公司存在弯道超车的可能

    推荐:顺丰控股、韵达股份和圆通速递,建议关注:德邦股份和申通快递。

    展开全文
  • 详细介绍了长周期光纤光栅的各个方面的应用,基本理论及其发展方向
  • 早期的模型考虑了产品生命周期的五个阶段,持续时间更。 这里考虑的数学模型只有生命周期的三个阶段,与电子产品的生命周期相匹配,电子产品的需求在增长阶段Swift增加,而在下降阶段则呈指数下降。
  • 浅谈软件以及软件的生命周期 自1946年第一台计算机发明以来,对人类的生产活动和社会活动产生了极其重要的影响,并以强大的生命力飞速发展。计算机硬件、软件、操作系统等纷纷应运而生,并发展壮大,时至今日,...

    软件生命周期漫谈

    自1946年第一台计算机发明以来,对人类的生产活动和社会活动产生了极其重要的影响,并以强大的生命力飞速发展。计算机硬件、软件、操作系统等纷纷应运而生,并发展壮大,时至今日,计算机已经成为人类社会不可或缺的,无可替代的强大工具之一,被看做是20世纪以来最伟大的发明之一。其中,计算机软件在现代社会和经济生活中占有极其重要的地位,在各个领域中发挥着越来越重要的作用。
    谈到软件,就绕不开软件生命周期这个永恒的话题,作为软件工程专业的学生,我个人认为,软件工程就是按照工程学的管理方式,有组织、有计划的,在一定的质量基础、时间限度和成本范围内,实现功能明确,符合用户主观要求的软件。开发软件,就必须去熟悉一整套的开发流程(也就是软件的生命周期),以此来更好,更合理,更专业地开发软件。
    软件生命周期
    同任何事物一样,一个软件产品或软件系统也要经历孕育、诞生、成长、成熟、衰亡等阶段,也就是软件的生命周期。概括来讲,软件的生命周期大体上分为3个主要阶段:软件定义时期,软件开发时期和软件运行和维护时期。这三个时期紧密联系,缺一不可,可以说牵一发而动全身。在软件定义时期,主要任务包含:问题定义,可行性分析和需求分析。软件开发时期包含系统设计和系统实现,系统设计主要是指概要设计和详细设计,系统实现主要包括编码和单元测试与综合测试。软件运行维护时期的主要任务是使软件持久地满足用户的需要。
    软件不同于硬件,软件作为一种逻辑产品,看不见,也摸不着,由于软件缺乏“可见性”,在写出程序代码并在计算机上试运行之前,软件开发过程的进展情况往往较难衡量,软件的质量的较难评价,因此,管理和控制软件开发过程相当地困难。此外,软件在运行过程中不会因为使用时间过长而被“用坏”,如果运行过程中发现错误,很可能是遇到了一个正在开发时期引入的在测试阶段没能检测出来的错误,因此,软件维护通常意味着改正或修改原来的设计甚至整个架构,这就在客观上使得软件在一定程度上较难维护。
    同时,软件作为一种知识产品,它并不像是工业加工产品那样可以实现规模量产,软件的这种特性使得它很容易被复制粘贴,知识产权较难得以保护。另外,软件是一种团队行为,尤其是那种规模较大的软件,为了在有效时间内开发出来,必须要求开发团队之间有一个很好地合作,并且紧密贴合软件生命周期,使用合适的生命周期模型,尽可能用最短的时间,最低的成本,最优的人员配置高效率地进行开发。
    在实际的软件开发过程中,软件规模,种类,开发环境及开发时间和开发时所用的技术方法等等,都会在不同程度影响阶段的划分。在软件的生命周期里,每一个步骤可以说都是至关重要,尤其是在开发前期,设计上错误或缺陷如果到了后期才慢慢发现的话,对整个开发过程来说将是一个毁灭性的代价。据统计,大约百分之六十以上的软件失败的原因都归结于前期的需求分析阶段和设计阶段的失误。可以说是一步错,步步错。软件开发过程的种种问题,不论是人员配置不合理,需求分析不全面,还是系统架构不合理,开发经费利用不当等等,都会直接导致软件危机的产生。
    那么究竟怎么样开发软件,才能够尽最大可能降低开发的错误和风险呢?
    首先,既要有技术措施(方法和工具),又要有必要的组织管理措施。在技术层面,技术水平的高低往往体现在开发团队中个人的技术水平和专业修养。因为软件的开发工作,说到底,还是看人。例如,你组建一个5人的小型团队,团队里全是技术大牛,甚至是高级架构师,顶级黑客那种,可想而知,他们之间通过密切合作,很可能会在最短时间内高质量完成一个中型项目。这得益于他们每个人的技术涵养。当然,对他们而言,因为每个人掌握的知识都比较全面且有深度,因此大大降低了他们之间的沟通成本,实现了效率最大化。相反,一群刚入职的新人,他们项目经验很少,技术涵养不够,同时也不能够做到知识全面,你学的前端,他学的后端,所谈论的内容风马牛不相及,沟通成本巨大,开发效率低,可想而知,必然做不出一款出色的软件。这就要求公司的面试官提高门槛,提高对面试者的要求,积极为公司引进高技术人才。另外,公司自己的开发工具也应该规范化,一致化,降低版本冲突,必要的时候开发出一整套属于公司自己内部使用的工具和框架,方便工作小组的开发,减轻软件协调的负担,使成员们更多地把注意力放到算法和架构设计上,避免被开源软件的繁琐设计而焦头烂额。接下来就是组织管理措施方面了,不论什么行业,最最难管的就是人了。尤其在软件开发方面,参与开发的成员过少,会严重影响到软件的整体进度,开发人员过多,又会大大增加各个成员之间的沟通成本,我们知道,点越多,两点之间的连线个数会呈指数方式增长,开发小组之间的沟通亦是如此。因此开发组的管理者务必要做到:让最合适的人去干最合适的活,要学会识人、用人、管人。开发小组的成员必须做到:各司其职,做好本职工作,拥有集体意识,不拖后腿,不搞独立。
    接下来我们对软件生命周期的各个步骤进行详细的讨论。在问题定义阶段,需要详尽的了解需要解决的问题是什么,也就是说,作为软件的开发者,在这个阶段系统分析员必须弄清用户“需要计算机解决什么问题”。如果在问题尚未明确的情况下就试图解决这个问题,那么就会白白浪费时间和精力,结果也毫无意义。因此,该阶段的基本任务就是分析要解决的问题,撰写并提交问题定义报告。一般情况下,我们做完问题定义,需要再进一步跟客户确认,如果客户觉得满意,那么该问题定义报告即可作为下一步工作,可行性研究的依据。同时我们也应该认识到,客户对于问题定义的过程往往是模糊的,这就要求系统分析员通过深刻了解客户需求,搞清楚用户的实际需求,对用户的目标了如指掌。在撰写问题定义的书面报告时,要确保一针见血,条理清楚,确保开发人员,客户都能够看懂并拥有一致的看法。该阶段是软件生命周期中最简短的阶段,一般建议1天甚至更短时间内完成。
    然后进入可行性分析阶段,按照定义,可行性分析是通过对项目的主要内容和配套条件,如市场需求、资源供应、建设规模、工艺路线、设备选型、环境影响、资金筹措、盈利能力等,从技术、经济、工程等方面进行调查研究和分析比较,并对项目建成以后可能取得的财务、经济效益及社会环境影响进行预测,从而提出该项目是否值得投资和如何进行建设的咨询意见,为项目决策提供依据的一种综合性的系统分析方法。必须记住,可行性研究的目的不是解决问题,而是确定问题是否值得去解。要达到这个目的,不能靠主观猜想而只能靠客观分析。可行性研究的最终要提交可研报告。
    软件定义阶段的重点是需求分析,需求分析也称为软件需求分析、系统需求分析或需求分析工程等,是开发人员经过深入细致的调研和分析,准确理解用户和项目的功能、性能、可靠性等具体要求,将用户非形式的需求表述转化为完整的需求定义,这个阶段的任务仍然不是具体地解决客户的问题,而是准确地回答“目标系统必须做什么”这个问题。我个人认为这个阶段最难的是准确了解用户的实际需求,但用户并不具备我们的专业素养,很多情况下,与用户沟通是一件非常困难的事情,因为我们说人类的自然语言虽然容易理解,但同时也存在着许多二义性,用户想要表达的内容和我们所理解的很可能不在一个层面,这就要求我们尽可能多的与用户交流,了解用户的实际需求,确定软件的目标和方向。有时,因为每个人的表达能力有限,客户甚至都不能够准确表达自己的实际想法。这就更要求我们的系统分析员切身的从用户的角度和利益出发,但不是绝对的服从用户,因为有时连用户也不明确自己的实际需求,这一点上就需要加上我们的主观判断,最好是使用一些开发周期模型比如快速原型模型,它可以及早提供有用产品,及早发现问题,及时改错。通过快速原型模型,我们花费较少的时间成本做出产品的原型,然后采集客户的满意度,这样一来就降低了风险,减少了开发的时间,提高了开发的效率。同时呢,用户也可以实时参与进来,增加了沟通,明确了需求,降低了风险,提高了效率。这一阶段的会形成一个需求规格说明书,它是一个十分重要的文档,对于后期的开发,运行与维护起着举足轻重的作用。
    然后就到了软件开发阶段,它包括系统设计和系统实现两大部分。设计阶段是架构师和设计师的主要任务,而系统实现是开发师的主要任务。如果要设计出一个软件,工作量庞大而且复杂,而且我们很难找到一个切入点去下手。这时我们可以先做出概要设计,我们的设计师应该设计出目标系统的几种可能方案,然后再综合经济成本,软件可能的规模与复杂度进行优胜劣汰。最终我们再根据方案制定出详细的设计方案。在设计程序时,应该遵循高内聚,低耦合和面向对象、面向抽象的原则,充分采用的模块化的编程思想,将程序的健壮性,可扩展性和可维护性都体现到位。蓝图绘制好了,接下来我们就开始盖大楼。在编码与测试阶段,程序员应该根据目标系统的性质和实际环境,选取一种适当的高级程序设计语言(必要时采用汇编语言),把详细设计的结果翻译成用选定的语言书写的程序,并且仔细测试编写出的每一个模块。综合测试阶段的关键任务是通过各种类型的测试使软件达到预定的要求,最基本的测试是集成测试和验收测试。
    最终到了软件的运维阶段。为了使软件的功能持久地满足用户的需要,必须进行各种维护活动,包括改正性维护、适应性维护、完善性维护和预防性维护。软件的维护往往繁琐且枯燥,作为一个长期性的工作,它通常占据了整个软件开发费用的一半以上。从结构层次来看,软件维护其实可以看做前面生命周期的小循环,他对于软件的维护人员提出了更高的要求,并且会特别依赖前期设计好的架构和文档。
    以上就是我对于软件生命周期的粗浅认识,直至今日,软件危机依然没能够得到有效解决,几乎所有的软件都不同程度地存在软件危机,究其原因,是因为软件开发的工程方法学和软件生命周期模型没有利用好,我相信在不久的将来,软件开发的过程将进一步完善和发展,软件危机将会进一步的削弱。技术是不断进步的,谁也无法阻止科技前进的步伐,在人工智能和大数据、物联网的冲击下,未来的软件,路在何方,答案托付在了我们这代年轻,富有朝气的年轻程序员们,我们,将不辱使命!

    展开全文
  • 如何计算用户生命周期天数?

    万次阅读 2018-03-03 00:00:00
    作者:Kitty全文共 2991 字 3 图,阅读需要 7 分钟此文写在去年了,当时是给老板的一个汇报,针对用户的生命周期长度一直有争议,查阅了网站上一些达人的分享和自己的一些经验理解后,有以下内容,欢迎各位探讨。...
  • 一个互联网完整的项目周期

    千次阅读 2019-09-17 10:35:52
    项目启动会(项目简单介绍)(分配模块) 架构+前端(构建原始项目框架) 开发人员熟悉前后端接口以及模范开发 禅道或者其它项目管理工具把控开发人员进度(每个人预估工时) 开发人员每天更新代码,每周开会...
  • 最近看了一本投资大佬霍华德 马克思写的书《周期》,又发现了一本值得写读后感的书籍,也是一本只恨自己没有早点看过的书。同时阅读方式也采取了思维导图拆解阅读的方式,这里把自己总结的思维导图贴出来,希望对...
  • 项目生命周期 项目的生命周期是描述项目从开始到结束所经历的各个阶段。由阶段组成(通常包括项目规划阶段、实施阶段和完成阶段等,每个阶段确定了开始和结束点,每个阶段都有质量保证QA/质量测试QC人员对阶段的里程...
  • 元素周期表是根据什么排列的?

    千次阅读 2021-02-05 05:27:01
    展开全部元素周期表是...元素周期表有很多种表达形式,目前最常用的是维尔纳周期表(见书末附表)。元素周期表有7个周期,有16个族和4个区。元素在周期表中的位置能反映该元素的原子结构。周期表中同一横列元素...
  • 产品的四个生命周期

    千次阅读 2020-01-22 10:32:24
    典型的产品生命周期一般可分为四个阶段,即投入期、成长期、饱和期和衰退期 1.投入期。新产品投入市场,便进入投入期。此时,顾客对产品还不了解,只有少数追求新奇的顾客可能购买,销售量很低。为了扩展销路,需要...
  • 如何判断产品的生命周期

    千次阅读 2021-11-17 00:34:41
    1.什么是生命周期?事物从开始到结束,从出生到死亡的过程就是生命周期。从萌芽,到生长,到绽放,到枯萎,到零落成泥,是花朵的生命周期。从相识,到相交,到深爱,到热情减退或升华为婚姻,是恋爱的...
  • 计算机类期刊审稿周期

    千次阅读 2016-06-14 17:46:22
    审稿周期:四个月 (不固定)  发表周期:一年半(不办理加急业务)  审稿费:100元(初审通过后才要求作者寄审稿费,这个要赞一下!)  服务态度:极好  投稿方式:邮寄打印稿,交付审稿费后可在...
  • 四大经济周期理论

    千次阅读 2019-08-30 16:20:50
    早在300年前,经济学家就观察到经济波动,但他们所有人都认为每一次经济危机都是由特定的冲击或者政策错误造成的,没有人意识到经济发展存在着周期性。直到1862年,法国人朱格拉首次论述了经济周期的原因源于内在的...
  • 软件测试的生命周期&测试流程

    千次阅读 多人点赞 2019-04-29 21:47:16
    一、软件的生命周期 二、开发模型 三、测试模型 四、测试流程 五、缺陷管理流程 六、软件和质量 一、软件的生命周期(基于瀑布模型的生命周期) 软件的生命周期:是指从产生到淘汰的过程 包括:计划(开发方与需求...
  • 用户生命周期价值及产品运营策略

    千次阅读 2019-07-02 14:07:47
    在电商运营中,常常会听到用户生命周期价值。 为什么要了解用户生命周期价值?这要从推广渠道价值说起。 做SaaS的都知道除了CAC(客户获取成本)之外,LTV(用户生命周期价值)也是十分重要的——比如支出2000元营销...
  • 软件项目的全生命周期

    万次阅读 多人点赞 2018-10-12 16:52:05
     根据不同的项目形态,一般项目运作的周期也不大相同,下述以笔者所在公司数通畅联SOA集成项目的生命周期为例进行阐述,在步骤上与传统项目生命周期存在细微差别。 2.1 IT咨询 2.1.1 具体内容  此类项目...
  • 产品的生命周期分为起步期、发展期、成熟期和衰退期(见下图),不同时期的产品价值和意义有所不同。产品在起步期如初生的婴儿,如果有良好的环境就会茁壮成长,但这个时期的产品也要不断调整和升级以适应外部环境;...
  • 游戏中的生命周期

    千次阅读 2019-08-09 21:01:52
    生命周期一词,相信很多人都非常熟悉。当然,对于不同的行业,具体的...生命周期理论,实际上是用来衡量事物发展的不同过程,熟练掌握和使用生命周期理论,一方面可以让我们知道事物发展所必须经历的阶段,另一方...
  • (1)项目生命周期  项目要交付特定的产品、成果和完成特定的服务,项目生命周期定义项目的开始与结束,也明确了在项目结束时所包括(或不包括)的移交行为。  项目的规模和复杂性各不相同,但不论其大小繁简,...
  • 分享电商用户生命周期价值知识

    千次阅读 2019-07-05 18:24:43
    618购物节在即,剁手党们已经迫不及待,大大小小的电商平台也开始早早策划筹备活动...生命周期指的是一个主体从产生到结束的发展过程。网站用户的生命周期可以理解为用户从认识网站到喜欢网站到与网站关系破裂的整个...
  • 产品生命周期战略

    千次阅读 2019-07-16 17:21:02
    因为一种产品在市场上的销售情况和获利能力并不是一成不变的,而是随着时间的推移发生变化,这种变化经历了产品的诞生、成长、成熟和衰退的过程,就象生物的生命历程一样,所以称之为产品生命周期。产品生命周期...
  • 企业发展理论(三):生命周期理论

    千次阅读 2010-05-20 10:54:10
    1.生命周期理论的流变  自1972年美国哈佛大学教授拉芮·格雷纳(LarryE.Greiner)在《组织成长的演变和变革》一文中首次提出企业生命周期概念以来,来自生物学、心理动力学、经济学与管理科学等领域的学者和企业...
  • 从1947年的第15个高峰期到2008年的第23个高峰期,航运市场共经历了9个短周期,历时61年。纵观66年的市场走势,总共经历了10个高峰期。与前二个时代相比,高峰期的时间明显缩短了。据马丁统计,在1947-2007年期间,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 176,372
精华内容 70,548
关键字:

发展周期长