精华内容
下载资源
问答
  • 本文参考:http://blog.csdn.net/better_space/article/details/53523353http://blog.csdn.net/u012730299/article/details/51840416最近做java服务端程序,...如下:Failed to Connect to MySQL at 127.0.0.1:...

    本文参考:http://blog.csdn.net/better_space/article/details/53523353

    http://blog.csdn.net/u012730299/article/details/51840416

    最近在做java服务端程序,理所当然的安装了Mysql。但是连接出现了问题。

    如下:Failed to Connect to MySQL at 127.0.0.1:3306

    原因:可能是密码不正确。

    解决办法:重置密码。

    准备工作:(1)配置环境变量。因为配置了环境变量才能用命令行,也就是说要让系统系统知道你的mysql.exe在哪里。

    方法:开始--计算机--右键--属性--高级系统设置--环境变量--系统变量--Path(或path)--添加环境变量(比如默认的是:C:\Program Files\MySQL\MySQL Server 5.7\bin;)

    (2)找到my.ini。不知道是权限的问题还是什么,我找不到my.ini。因为网上的方法是要编辑my.ini才能实现连接。

    方法:打开C:盘。一般mysql安装在C:盘,要是你自定义了安装在了别的盘,就打开相应的盘。然后在(搜索)里面输入my.ini。系统开始搜寻my.ini了。

    找到了以后(一般路径是C:\ProgramData\MySQL\MySQL Server 5.7\my.ini)就可以下一步了。

    开始操作:

    (1)编辑my.ini

    方法:打开找到的my.ini--在[mysqlId] 后面或下面加在 skip-grant-tables--保存

    注明:skip-grant-tables的意思是启动mysql服务时不启用授权表。这样就可以不如数如密码登录了。(但用完了后要记得删除skip-grant-tables,不然每次重启服务都会执行。这个后面会说明)。

    (2)重启服务

    方法(在这里介绍最基本的,还有其他的办法):开始--控制面板--管理工具--服务--MySql57(版本不同后面的数字不同)--重启

    (3)已root身份登录mysql(root只是个名字而已,不代表权限)

    方法:开始--输入cmd--回车--输入mysql -u root - password--回车--再回车

    要是效果如下表明成功:

    mysql -u root - p 回车

    passsword          回车

    welcom to mysql Monitor......

    .......

    .......

    mysql->_

    要不是如上效果而是:"mysql" 不是内部命令,也不是.....。表明系统环境变量没有配置好(请看准备工作(1))。

    (4)修改密码

    方法(假如登录成功,红色代表你要输入的):mysql->use mysql

    mysql->Database changed

    mysql->update user set password=password("新密码") where user="root";

    如果有如下效果:就表明修改成功。

    Query OK,0 rows affected,.......

    Rows matched:1..........

    如果不是,而是如下效果:

    Unknown column 'password' in 'field list';

    方法:把 第一个字符串password换成authentication_string(就是要输入:update user set authentication=password("新密码") where user="root";)。

    因为数据库管理系统不能识别password(原因是没有password标识符了,而换成了authentication_string)。

    (5)把skip-grant-tables 删除

    方法:参考 开始操作(1)。

    (6)重启服务

    方法:参考 开始操作(2)

    这样就可以登录本地服务器了。有什么不懂的可以问我。18844141934@163.com

    展开全文
  • 这是一篇GAN做文本生成图像(Text to Image)的综述阅读报告。 综述名为:《An Introduction to Image Synthesis with Generative Adversarial Nets》,发表于2018年,其围绕的主题是GAN做图像合成,分为两个...


    这是一篇用GAN做文本生成图像(Text to Image、T2I)的综述阅读报告。
    综述名为:《An Introduction to Image Synthesis with Generative Adversarial Nets》,发表于2018年,其围绕的主题是用GAN做图像合成,分为两个部分text to image和 image to image,这里仅讨论text to image 部分。
    本文是阅读这篇文章text to image 部分的阅读报告。

    一、摘要

    在过去的几年里,关于生成性对抗网络(GAN)的研究急剧增长。GAN于2014年提出,已应用于计算机视觉和自然语言处理等各种应用,并取得了令人印象深刻的性能。在GAN的众多应用中,图像合成是研究最为深入的一个,该领域的研究已经显示了GAN在图像合成中的巨大潜力。在本文中,我们对图像合成中使用的方法进行了分类,回顾了文本到图像合成和图像到图像翻译的不同模型,并讨论了一些评价指标以及GAN图像合成中可能的未来研究方向。

    二、关键词

    Deep Learning, Generative Adversarial Nets, Image Synthesis, Computer Vision

    三、主要内容

    3.1 GAN的研究路线

    关于GAN的研究有两条主线。一个是试图缓解GAN的不稳定性和模式崩溃问题的理论线索,或者从信息论和基于能量的模型等不同角度对其进行重新表述。另一个主题关注GAN在计算机视觉(CV)、自然语言处理(NLP)和其他领域的应用。

    3.2 GAN的基本原理

    GAN框架图:
    在这里插入图片描述
    GAN损失函数:
    在这里插入图片描述

    3.3附加辅助分类器的GAN

    带辅助分类器(Auxiliary Classifier)的GAN框架图:
    在这里插入图片描述

    3.4附加编码器的GAN

    因为GAN缺乏将数据映射为潜在特征的能力。在原始GAN框架中,加入了一个Encoder(E),Encoder编码器通过把数据x转换成特征E(x),一起输入到D(x)中。
    附加编码器的GAN框架图:
    在这里插入图片描述
    附加编码器的GAN损失函数:
    在这里插入图片描述

    3.5附加变分自编码器(VAE)的GAN

    GAN可以生成清晰图像但是往往错过一些模式,而VAE生成的图像模糊,但种类多,将VAE与GAN组合起来,即VAE+GAN:

    encoder的作用是编码,也就是将输入的图片image1转换成向量vector
    decoder的作用是解码,也就是将向量vector转换成图片image2

    其中,image1和image2要尽量相同,原因是我们希望对同一个东西进行编解码后的产物仍然是自己。
    GAN:包含generator和discriminator
    generator:就是VAE的decoder,将向量vector转化为image
    discriminator: 评判generator产生的image是realistic还是fake,给出一个scalar
    在这里插入图片描述
    在这里插入图片描述

    3.6模式崩溃

    模式崩溃:GAN产生的样本单一,例子数据集MNIST包括0-9,在极端情况下,生成器只需学习完美地生成十个数字中的一个,以完全愚弄鉴别器,然后生成器停止尝试生成其他九个数字。即每个数字都有许多书写样式,但生成器只学习为每个数字生成一个完美样本,以成功愚弄鉴别器。
    解决:
    minibatch features:这样可以让鉴别器在小尺度上通过选定的distance衡量两个生成的样本是不是太像了,但存在的问题是这个方法的实际表现很依赖于选取的feature。
    MRGAN:提出添加一个编码器,将数据空间中的样本转回潜在空间
    WGAN:用Wasserstein distance代替Jensen-Shannon divergence,理论上避免了mode collapse,但训练要更慢
    WGAN-GP:用梯度惩罚gradient penalty代替weight clip

    3.7GAN的一般框架

    在这里插入图片描述
    Direct Methods:传统一个生成器一个鉴别器:GAN、DCGAN、ImporvedGAN、InfoGAN、f-GAN、GAN-INT-CLS;

    Hierarchical Methods: 两个生成器和两个鉴别器,每组的GAN内核不同,不同的生成器有不同的用途。方法背后的思想是将图像分为两部分,如“样式&结构”和“前景&背景”,两个生成器既可以串行也可以并行。例子:SSGAN将Structure-GAN和Style-GAN结合,取得不错成果,LR-GAN选择使用不同的生成器生成前景和背景内容,但仅使用一个鉴别器来判断图像,LR-GAN的实验表明,分离前景和背景内容的生成并生成更清晰的图像是可能的。

    Iterative Methods多个生成器和鉴别器,每组G的结构是相似的甚至是相同的。这些G从粗糙到细致逐渐产生出最后的输出图像。不同的G之间还可以参数共享。LAPGAN第一个使用iterative methods的GAN网络。除了第一个G只接收噪声输入外,其他的G都接收一个噪声输入和上一个G生成的图像,最后一个G输出生成的结果。这种方法可以比direct method构建出更加细节的图像。StackGAN使用两层G,第一层G接收z和c输出一个比较模糊的图,第二层G接收z,c还有上一层产生的图片,输出一个更大的、细节更加丰富的图片。

    Other Methods: PPGN使用激活最大化来生成图像,它基于使用去噪自动编码器(DAE)的事先学习的采样,PPGN运行一个优化过程,在生成器中找到一个输入,使输出图像高度激活另一个预训练分类器中的某个神经元,ProgressiveGAN从训练4×4像素的发生器和鉴别器开始,然后逐渐增加额外的层,使输出分辨率加倍,达到1024×1024。

    3.8 文本生成图像的发展

    GAN-INT-CLS:第一个尝试使用GAN进行text-to-image。类似于conditionalGAN,G输入一个图片和编码后的语义,G与DCGAN的G结构相同。D中,text embedding向量会先被转换成[W x H x K] 的张量(K是text embedding的长度)。而后这个张量会和图像的特征张量[W x H x C]组合成一个新的张量[W x H x (K+C)]。而后这个张量会通过D后面的网络层。这样操作的目的是使的每个pixel都具有text的全部信息。manifold interpolation(流形插值):可以使得模型能够学得训练集中没有的可能的文本描述。GAN-INT-CLS还提出区分两种错误来源:带有任何文本的不切实际图像和带有不匹配文本的真实图像。为了训练鉴别器区分这两种错误,在每个训练步骤中,将三种类型的输入-输入鉴别器:{真实图像,正确文本},{真实图像,错误文本}和{假图像,正确文本}。这种技术不仅告诉模型如何生成真实的图像,而且告诉模型文本和图像之间的对应关系。之后的TAC-GAN是GAN-INT-CLS和AC-GAN的组合

    带位置约束的文本生成图像:GAN-INT-CLS和StackGAN无法捕获对象的定位约束,GAWWN中提出的第一种方法:生成器通过边界框对对象的位置提供了约束,通过边界框裁剪,边界框外面的赋值为0。鉴别器将文本嵌入向量通过空间复制成M x M x T的特征图。同时图片经过本地和全局操作处理。在本地操作中图片经过步幅为2的卷积下采样操作成M x M的特征图与文本嵌入向量复制后的特征图相结合,又经过边界框的裁剪后,经过卷积操作后称为1 x 1的向量。而全局操作则是经过简单的下采样操作又与文本嵌入向量结合后。最后本地和全局操作后的两个输出向量经过处理后得到判别分。提出第二种方法:人工标出关键点,使用用户指定的关键点来约束图像中对象的不同部分(例如头部、腿部、手臂、尾部等),对于每个关键点,生成一个掩码矩阵,其中关键点位置为1,其他位置为0。机器可以根据一些人标注的keypoints来推断其他没被观察到的keypoints,但仍然需要很多额外的人工。但是GAWWN只能对单个对象的图像有效。

    带Stack的文本生成图像:StackGAN使用两个不同的生成器进行文本到图像的合成,而不是只使用一个生成器。第一个生成器负责生成包含对象的粗糙形状和颜色的低分辨率图像,而第二个生成器接收第一个生成器的输出并生成具有更高分辨率和更清晰细节的图像。 StackGAN++使用更多的生成器和鉴别器对,而不是只有两个。AttnGAN是StackGAN++的扩展,每个句子都嵌入到一个全局句子向量中,句子中的每个单词也嵌入到一个单词向量中,第一阶段,使用全局句子向量生成低分辨率图像,然后,第二阶段使用前一阶段的输入图像特征和单词向量作为注意层的输入,并计算单词上下文向量,该向量将与图像特征相结合,并形成将生成新图像特征的生成器的输入。此外其还提出了一个深度注意多模态相似模型(DAMSM),该模型使用注意层计算图像和文本之间的相似性,同时使用全局句子向量和细粒度单词向量,这为训练生成器提供了额外的细粒度图像文本匹配损失

    带迭代采样的文本生成图像:PPGN提出使用激活最大化方法以迭代采样方式生成图像。该模型包含两个独立的部分:预训练图像字幕模型和图像生成器。通过近似Langevin采样方法,使用马尔可夫链来产生图像。 Langevin采样器的梯度通过使用一个降噪的(denoising) 自动编码器来估计。 这个降噪自动编码器使用几个损失函数来进行训练,其中包含一个GAN的损失。

    文本生成图像模型目前的局限性(2018):在只有一个对象的数据集上表现良好,在涉及多个复杂对象情况下不能很好工作,因为模型一般仅能学习图像的总体特征,不能学习到其中每种对象的具体特征,它看到的只是一些形状和颜色的图案应该放在合成图像的某个地方。换句话说,模型并不真正理解图像,只记得在哪里放置一些形状和颜色

    我们需要找到新的方法来教模型理解事物的概念。一种可能的方法是训练可以生成不同类型对象的单独模型,然后训练另一个模型,学习如何根据文本描述将不同对象(即对象之间的合理关系)组合成一幅图像。然而,这种方法需要针对不同对象的大型训练集,以及另一个包含这些不同对象的图像的大型数据集,这是很难获得的。另一个可能的方向可能是利用Hinton等人提出的囊思想,因为囊的设计是为了捕捉对象的概念,但如何有效地训练这种基于囊的网络仍然是一个有待解决的问题

    3.9 图像合成的度量指标

    一个常用的主观指标是使用AMT,它雇用人类根据他们认为图像的真实程度对合成图像和真实图像进行评分。然而,人们往往对什么是好的或坏的有不同的看法,因此我们也需要客观的指标来评估图像的质量。

    Inception score(IS):在将图像放入预先训练的图像分类器时,基于熵对图像进行评估。图像质量越好,条件分布p(y|x)的熵应该越低,图像多样性越好,边际分布p(y)=∫p(y | x=G(z))dz的熵应该越高,IS得分体现两熵的差值。

    FCN-SCORE:采用的概念是:如果合成图像真实,则在真实图像上训练的分类器将能够正确地对合成图像进行分类。

    FID-SCORE: 首先,将生成的图像嵌入到初始网络选定层的潜在特征空间中。其次,将生成图像和真实图像的嵌入作为两个连续的多元高斯分布的样本处理,以便计算它们的均值和协方差。然后,生成的图像的质量可以由两个高斯之间的Frechet距离来确定。 其中(µx,µg)和(∑x,∑g)分别是来自真实数据分布和生成器的学习分布的样本的均值和协方差。FID与人类的判断是一致的,并且FID与生成图像的质量之间存在强烈的负相关。此外,FID对噪声的敏感度较低,可以检测类内模式崩溃。

    初始分数IS是定量评估合成图像最广泛采用的指标,FID也被证明更为合适。
    在这里插入图片描述

    3.10其他

    鉴别器作为一个学习损失函数对一般人工智能具有重要意义。传统的模式识别和机器学习要求我们定义要使用的特征,我们设计特定的损失函数并决定要应用的优化方法。深度学习使我们从精心设计的功能中解脱出来,通过在培训期间学习低层次和高层次的功能表示(例如CNN内核),但我们仍然需要努力设计工作良好的损失函数。GAN让我们在迈向人工智能的道路上向前迈出了一步,因为它学会了如何评估数据样本,而不是被告知如何评估,尽管我们仍然需要设计对抗性损失,并将其与其他辅助损失相结合。

    相关链接

    论文阅读路线:2016~2021 文字生成图像 Text to image(T2I)论文整理 阅读路线和阅读指南

    展开全文
  • 做dataframe 导入oracle db时报的错'ascii' codec can't encode characters in position 0-3: ordinal not in range(128),网上找了很多资料都无效,代码中的df是我自己的dataframe数据conn_string = 'oracle+cx_...

    在做dataframe 导入oracle db时报的错

    'ascii' codec can't encode characters in position 0-3: ordinal not in range(128),

    网上找了很多资料都无效,

    代码中的df是我自己的dataframe数据

    conn_string = 'oracle+cx_oracle://username:password@ip:port/dbname?charset=utf8'

    engine = sqlalchemy.create_engine(conn_string, echo=False)

    df.to_sql(table_name, con=engine.connect(), if_exists='append', index=False,

    dtype={'id': sqlalchemy.types.NVARCHAR(length=255),

    'ddc_id': sqlalchemy.types.Integer(),

    'tbl_name': sqlalchemy.types.NVARCHAR(length=255),

    'tbl_comment': sqlalchemy.types.NVARCHAR(length=255),

    'owner': sqlalchemy.types.NVARCHAR(length=255)

    }

    )

    to_sql的参数说明可查看官网http://pandas.pydata.org/pandas-docs/version/0.18.1/generated/pandas.DataFrame.to_sql.html

    这里只说一下比较常用的几个:

    1.table_name : 字符串类型,表名(大小写均可)

    2.con:数据库连接池,用来封装数据库连接的信息,像java中有odbc-driver连接oracle,jdbc-driver连接mysql,

    python中也提供了多种连接包,我用的时oracle,所以import cx-oracle包。另外,engine数据库连接对象可以使用sqlalchemy,当然如果是传统模式DBAPI2 的话只有sqlite3 可支持。记得要同步编码格式charset

    3.if_exists:有三个可选项:  ①None(如果表已存在,则不做任何事)  ② append(如果表存在,则往表后添加数据,如果表中有索引约束、外键之类的 一定要注意传入数据是否可行,无法从to_sql来控制数据库的约束级别) ③ replace(见文思意,在插入数据前,drop该表,根据表名重新create,insert数据)

    4.index: 指的是dataframe中的索引列(从0开始的唯一指代dataframe的行号),这里代表是否将该索引列当做数据库表中的column,一般都是False,具体还是以需求为准

    5.dtype:指定dataframe的列类型,哪怕df中的某列是int类型,也可以强制转换成string类型,

    问题来了,在.py文件头部加上

    # -*- coding: utf-8 -*-

    在数据库连接engine 中也加上了charset=utf8的编码格式(库编码、表编码都是utf8)

    run 后还是报:

    'ascii' codec can't encode characters in position 0-3: ordinal not in range(128)

    看到这个错误就能知道是编码问题,但是一时不知哪里编码出错,仔细看了下 position0-3,对应的是我dataframe df中的tbl_comment列,而这一列的数据均是 中文,尝试将该列全部改为英文,正常入库,

    但是,文件头部,数据库引擎,数据库编码格式都统一了,哪里还有问题呢?

    对了,就是 NLS_LANG:系统的环境变量,关于NLS_LANG的介绍https://www..com/justuntil/p/5636574.html

    可以通过两种办法让你的程序跑起来

    方法1. 在函数的开始

    import os

    os.environ['NLS_LANG'] = 'AMERICAN_AMERICA.AL32UTF8' # 或者(CHINESE_CHINA.AL32UTF8)

    中文utf8和美式英语utf8我都试过可以,

    方法2. 在你的系统环境变量中增加NLS_LANG的配置,同样两种value均可,但是在你执行程序前要重启一下电脑。。。

    最后:

    这个编码问题同样也会在数据库中捞数据出现。解决方法一致

    展开全文
  • 对于ToB市场的价值,我认为主要三个方面: 1、一是众所周知的获客,为产品和服务源源不断的带来潜在购买者。 2、二个是促进转化,通过销售工具箱、市场活动、内容等方式,对注册到成单的全生命周期的潜客进行影响...

    一、ToB市场的价值:获客、促进转化、品牌
    对于ToB市场的价值,我认为主要在三个方面:

    1、一是众所周知的获客,为产品和服务源源不断的带来潜在购买者。

    2、二个是促进转化,通过销售工具箱、市场活动、内容等方式,对注册到成单的全生命周期的潜客进行影响,促进潜在客户转变成付费客户,好的市场可以大大缩短销售周期。

    3、三是品牌建设,就这个点之前也听到过很多有趣的讨论,拿toB和toC企业的品牌建设相比较,认为toC市场人更懂品牌。

    对待这个问题,我的看法是toC企业品牌建设和toB是完全不一样的。对toC企业来说品牌即流量,流量即销量,品牌建设是可以快速带来成交的市场行为,势必会投入大把预算。

    ToB因为决策链条的复杂,单纯市场曝光带来的品牌声量大部分时候是不能直接带来成单的,因为还需要产品和服务,售前及售后的各个环节的配合,一个环节不过关,都会影响最终采购。

    ToB的品牌建设不仅仅是市场行为,更是企业文化的建设。在市场占有率还不算太高的时候,能够快速带来商机的市场行为是优先级最高的。可以看到很多成熟的五百强ToB企业,一般都会有社会责任方面的投入,其实就是在塑造一种责任感和信任感的品牌形象。

    而对大部分早期或成长中的toB企业来说,需要思考企业的远景和价值,并融入日常的运营过程,等待时间的慢慢发酵。

    在这里插入图片描述

    在这里先自我介绍一下,我是青岛艺形艺意文化传媒有限公司联合创始人、首席新媒体商学院创始人,资深新媒体运营人,腾讯网、百度网、今日头条、搜狐网、网易新闻、凤凰新闻等网站知名专栏作者胡耀文。

    本次分享主要阐述的是获客和转化两个层面的精细化运营,也就是常说的市场运营的部分。

    那么市场的精细化运营是运营什么?是客户。

    在这里插入图片描述

    我们来看下ToB企业最底层的运营逻辑,我把它归纳为“招”“育”“转”“留”。

    “招”也就是获客,通过付费推广、内容、活动和品牌给公司带来流量和关注。引流到品牌站点之后,通过丰富的CalltoAction的引导,吸引留资。要知道再简单的ToB产品,也无法做到客户看完介绍或者文章,就直接采购,后续势必还会有一定时间的关注和引导,所以留下联系方式,对客户进行免费的随时的二次触达,至关重要。

    然后是“育”,传统的市场部一般只对线索负责,拿到的名单直接扔给销售,但现在这种情况会相对少,更多的情况是通过市场部也通过人工和自动化的方式,对线索进行筛选、培育。当客户符合一定的标准,比如公司职位符合画像,需求可以被我们的产品或服务满足,并正在考虑采购等类似条件下才给到销售部门进行进一步的转化。条件的严苛程度取决于销售人员的吞吐量。

    在这里插入图片描述

    “转”是指跟销售部门的协同配合。也就是说哪怕客户已经交接给销售了,但市场部仍然有责任和义务对这个线索进行孵化和教育。从这里大家可以看出来,我今天讲的是市场无法关单的ToB市场,现在也有不少SaaS产品是直接市场关单的,玩法不太一样,他们的市场运营还要兼顾产品运营。

    最后是“留”,客户完成采购,需要通过不断的服务让客户成功,最终实现复购甚至是口碑推荐。这个部分是客户成功部门主导,市场部门辅助。

    在上面的用户运营的底层逻辑之上,就有了ToB企业市场运营的框架,这里我以自己的运营框架给大家阐述。

    在这里插入图片描述

    第一个环节是营销获客,主要的获客渠道百度SEM/SEO、信息流广告、文章内容、展会、自办沙龙,我们也采购了一些第三方的数据产品进行拓客,形成了我们的获客矩阵。

    客户注意到我们之后,我们会引导到官网和微信,相信这也是大家最常用到的两个品牌站点。通过试用和咨询吸引留资,成为企业可反复触达的第一方客户数据,通过有价值的内容以及丰富的形式不断影响客户,我们常用的培育内容是行业方案、客户案例、营销干货等,通过文章、线上课堂、邮件、社群等方式和渠道进行分发。

    满足关键事件发生或活跃度等达标等条件,再由SDR对客户进行人工跟进与沟通,再次判断需求和意向。符合条件的在CRM中创建线索,不符合条件的继续孵化,循环往复。线索创建进CRM之后,客户仍然会接收到市场的影响,并产生交互行为,这时候市场部需要将客户的关键交互事件,及时告知相关销售,共同促进付费转化。

    二、营销获客
    营销获客的本质,就是在精准的渠道通过有价值的内容,吸引目标客户的关注,成为企业的潜在客户营销获客简单说是4个方面的考量。

    在这里插入图片描述

    首先是需要明确客户画像。就是我们要营销的目标是谁?知己知彼方能百战不殆,市场所有动作的基点是基于对客户画像的理解上,否则做得再多也是徒劳。然后是内容的规划,什么样的内容和形式能传达我们的价值,能打动我们的目标客户?

    不同的客户阶段,对内容的需求也有明显差异。有了内容就看在什么平台上进行分发,需要知道我们的目标客户习惯在什么渠道获取资讯。最后,对我们感兴趣的客户我们引导到哪里进行承载和消化。

    很多复杂专业性的ToB产品,我们做市场的这辈子都可能用不上,LinkflowCDP是一款Martec领域产品,理解客户画像对我来说会好很多。一般要去理解客户画像可以通过以下访谈和调研的方式:

    1、对客户进行问卷调研

    2、对客户进行一对一访谈

    3、公司内部访谈:针对销售、客户成功团队、公司高层

    4、根据历史数据分析和判断

    5、第三方数据分析报告

    通过上述的调研和访谈,获得的关于客户画像的信息,尽量包含以下内容:

    1、人口统计数据

    2、公司/职位描述

    3、行为特征

    4、预算范围

    5、沟通渠道和方式偏好

    6、内容形式偏好

    7、痛点、挑战、需求和欲望

    当然,不是一定要所有的数据都完备才能称之为客户画像,只要获取的信息,在现阶段能够支撑后续的运营决策即可。Linkflow更关注的是公司/职位描述,内容偏好,痛点、挑战、需求和欲望等。

    在这里插入图片描述

    有了客户画像的大致信息,就可以为目标客户设置角色卡片,以一种真实好理解的方式,把客户画像具体化。让市场运营的同事们都能构建对目标客户的认知,这样在自己的工作环节上,产出的东西不会出现偏差。

    客户的角色卡片的信息大致如下:

    在这里插入图片描述

    第二步是根据客户画像指定内容策略。那内容又包含哪些?艾琳·凯撒恩在《内容营销策略的要素》里有一句话说得很好,分享给大家,就是在网络领域,任何有价值的信息都可以被称为内容。

    在这个理解下,我简单的梳理下可能的内容形式:

    在这里插入图片描述

    有了内容,就要分发,企业需要通过不断的运营和探索,积累自己的内容分发矩阵。

    自有渠道:常见的是自己的官网/blog、微信公众号、自办或者联办的活动,邮件营销、微信客服号、社群,在知乎、简书、今日头条等资讯平台、短视频平台开设的企业账号等等。

    外部渠道:推广平台、垂直媒体的免费投稿和付费软文,现在行业峰会展会、跟垂直机构的合作定向邀约闭门会,行业意见领袖合作,资源互换的合作伙伴等等。

    在这里插入图片描述

    接下来就可以把上述内容和分发渠道进行组合,为不同阶段的目标客户匹配合适的内容,并通过他们喜欢的方式和渠道进行触达。这里我把客户大概分成以下几个阶段。

    在关注阶段,市场部需要通过各种事件营销、软文、文章投稿、具备传播性的书籍或者白皮书,甚至演讲,对广泛的公域流量进行触达和影响。这阶段的内容需要具备传播性,更多是价值输出。这里的公域流量也是经过筛选的,目标客户会关注的平台和渠道,拿Linkflow来说,知乎/简书、行业峰会、其他行业垂直媒体等都是比较好的渠道。

    访问和注册阶段,主要集中在我们官网和微信公众号,内容主要是我们的方案、产品、场景的阐述,通过免费试用、申请演示、资料下载等吸引注册。

    从活跃到商机阶段,通过更聚焦的行业方案、案例介绍、产品演示等内容,通过沙龙、直播、邮件、社群等方式进行触达影响。

    最后成单到推荐更多的是通过产品操作、最佳实践等内容,让客户对产品快速上手,获得成功。如之前所说,这块主要是客户成功部门的影响,市场做配合。

    在这里插入图片描述

    内容大量产出和铺设,同步要做的是内容的效果追踪。

    一方面通过追踪的数据,了解哪些内容和渠道是目标客户所喜欢的。另一方面当领导质疑内容的作用时,虽说不能立马带来成单,但如果能追踪到带来的流量甚至线索,也是极好的。这点其实已经有非常成熟的UTM体系,来标记和管理来源。

    使用相关工具或者请IT帮忙应该都可以。而我们自己在追踪上,确实得益于Linkflow本身就具备设置带参二维码和带参链接的功能,可以给投放出去的内容设置追踪链接,就能清晰记录到流量、注册的来源。

    获客环节的最后一步,就是吸引过来的流量要在哪儿承接和消化的问题。

    常见的官网、微信公众号以外,还有社群、客服个人微信号等,是ToB比较常见的前端流量池了。尤其是客服微信号,承载着优质活跃客户的一对一沟通工作,随着潜在客户越来越多,这个微信号也是非常精准的内容分发平台,用更直接的方式对客户产生影响。

    在这里插入图片描述

    但流量池多了,你就会发现客户很分散,且数据记录不全,需要一个后台客户管理系统。承载着企业所有渠道的潜客,并记录完整的客户转化路径,有最全的客户信息和交互数据。并在这个平台上进行精细化管理和触达。这就是Linkflow对ToB企业的最大价值。

    在这里插入图片描述

    三、运营转化:针对不同标签客户提供个性化的运营策略
    讲完营销获客,再来讲讲客户精细化运营,也就是针对不同客户提供个性化的运营策略。如何区分不同的客户,这就是标签能够帮助我们的。ToB企业一般可以按照以下几个类别去制定客户标签:行业标签、职位标签、需求标签、价值标签、生命周期阶段等。

    这里具体要做到多细致,取决于企业自身的资源,可以选取最具区别性的标签进行设置。比如行业标签、需求标签。我记得之前服务某个ToC客户的时候,提到客户标签,当时客户反馈说,这个东西很好但是我们没有那么多内容运营支撑。

    以前做微信推送只要做一篇,现在要同步产出最少3-4篇。我们的资源跟不上。这种情况对ToB来说倒是没那么尖锐,我们针对同一类型客户的内容不用篇数多,几篇精华足矣,而且内容也不会频繁变化,随着积累的内容库越来越多,只需把针对性的文章打包推送即可。

    在这里插入图片描述

    除了标签以外,还有很多关键事件,比如申请试用、一定时间内多次访问报价页面等等,也是需要被记录的,是体现客户意向性程度的关键信息。

    有了对客户的了解,就可以把每个环节的运营和孵化流程梳理出来,并通过Linkflow让其自动化。一般企业市场部人数不会太多,而运营本身就是一件需要人力扑上去的活儿,如果不能部分流程自动化,那也就不可能做到精细了。

    这里是我们自己会涉及到的一些运营流程。大家可以根据自己公司的情况,梳理相关可能的流程。下面举几个例子:

    注册跟进流程
    这是我们官网上一直在运行的流程,如果客户提交试用表单,通过企业微信通知相关客服,同时给客户发送反馈短信,告知试用申请已收到,我们会尽快与他取得联系。延时一天,再发送一封欢迎邮件,抓住蜜月期,加深品牌印象。

    在这里插入图片描述

    邮件精准营销,巧用AB测试
    这是针对不同标签的客户的邮件营销,比如对品牌零售行业客户,发送案例方案。我们还会对标题、内容进行AB测试,通过返回的数据,去了解目标客户的内容喜好,不断优化内容,提升打开和点击率。

    在这里插入图片描述

    销售协同,提升客户响应率
    对接CRM,符合线索画像的客户自动在CRM中创建线索,同时,市场关键行为也会及时同步至CRM中,创建跟进任务。

    在这里插入图片描述

    1所谓客户的精细化运营,就是被一个个运营流程和细节承载着。我们日常自动化在运转的积累下来也有二十多条,活动期间就更多了。

    四、不会数据分析的运营不是好市场
    精细化运营的闭环是数据分析,以前营销界有一句很有名的话,“我知道我的营销预算有一半是浪费的,但我不知道是哪一半”现在这句话已经不那么准确了,通过数据溯源,我们可以非常清楚的知道每一笔营销预算到底带来了什么价值。

    在这里插入图片描述

    这里简单列举了ToB市场运营一般会看的一些数据报表,有针对客户画像的,有针对营销活动的,还有针对不同平台的比如官网和微信的分析等。

    我相信每个市场都在维护自己的报表,这里面有很多共性也会有差异,但现在数据分析是市场必备的技能。通过数据可以不断的调整运营策略,同时向内部证明市场的价值。这部分内容深入讲述又是一个大课题,这次就不展开了。

    最后想说,市场运营的魔鬼,都在细节里。市场人要有持续学习的态度,不断优化更新自己的认知,多交流多探讨。

    本文为基于多年经验和观察得出的个人观点,如果内容对你有帮助,记得分享给你的朋友。如果大家有什么看法,欢迎大家在下边评论区留言,最后非常感谢大家的阅读

    展开全文
  • 而ToC的运营逻辑在ToB中是不适用的。 由于ToB产品的特性,公司也很难招聘很多人组建一个庞大的运营团队,一般的运营团队有三五个人,多则七八个人。 而且大多数的ToB的公司有成熟的市场团队和客户成功团队,市场团队...
  • 博客文章链接:A Gentle Introduction to Graph Neural Networks 这篇博客中,很多图都是交互图,可以由读者自行操作演示。非常感谢李沐老师11月4日发的【论文精读】视频。本文是结合原文和李沐老师的讲解总结...
  • 以往 To B 公司想要和每一位顾客进行联系很是困难的,不知道用户在哪里,做什么,也不可能同一时间内与每个客户进行沟通,但是我们把用户添加到企业微信中,我们和用户的联系是不受空间范围限制的
  • From Image to Imuge: Immunized Image GenerationBrief Introduction of myselfIntroduction of this workRelated WorksImage Self-EmbeddingMethodExperimentsConclusion and Contact Brief Introduction of ...
  • Windows To Go是一个运行移动设备上的系统(例如U盘、移动硬盘),其简写为“WTG”,他不是一个微缩版的Windows,而是你实实在在使用的一个完整版的Windows系统,和普通Windows的区别大概也就是一个安装了电脑...
  • 《Introduction To Modern Cryptography》读书笔记 本笔记纯粹个人读书习惯与相应见解,内容归纳完全出于个人需要与个人局限,如有修改意见(比如哪儿应该是值得加粗的重点),欢迎斧正,QQ:2570101165 一、 ...
  • python中使用C的库编译一个模块mydemo,使用python setup.py install编译安装时失败,实际上是编译阶段失败,提示:Unable to find vcvarsall.bat 初始python版本(解决问题的过程中更换版本了) Python 3.6.1 ...
  • 我们迫切需要一种能够代替ipv4的技术,满足ipv4功能的前提下,还能满足未来产业对于IP地址的需求。ipv6能从根本上解决这个问题,各行各业,从政府到市场对下一代互联网技术的迫切需求,推动了ipv6技术的出现与发展...
  • amd64 grub-efi-amd64-bin grub-efi-amd64-signed sudo apt-get -y install grub-efi-ia32-bin grub-efi-ia32 grub-common grub2-common 执行下面这个命令查看硬盘信息: sudo fdisk -l 查看你的Ubuntu安装在哪里。...
  • java 8 hashMap 和 concurrentHashMap 都使用 3为什么redis skiplist没有使用 ? 看看作者怎么说吧? 1They are not very memory intensive,lessmemory intensive than btrees 内存不敏感 2 A sorted set...
  • Unit 6 - The Way to Rainy Mountain The Way to Rainy Mountain N·Scott Momaday A single knoll rises out of the plain in Oklahoma, north and west of the Wichita Range. For my people, the Kiowas, it ...
  • QT学习记录:编译错误“no matching function for call toXXX
  • 对于我来讲,我本身是学的软件工程,后来从事产品经理,作为toB端的产品经理,可能最爽的点在于设计软件的过程中,能把业务吃透,面对庞大的业务体系和复杂的逻辑,很难让自己专业方面没有提升。 但是经历面向...
  • DSNet: A Flexible Detect-to-Summarize Network for Video Summarization GitHub地址:https://github.com/li-plus/DSNet.git DS网络:一个从检测到生成摘要的流畅产生视频摘要的网络 1.思路 1.1 DSnet 本文针对有...
  • 文章目录方法1:安装epel-release方法2:更新yum源...repo 文件是 Linux 中yum源(软件仓库)的配置文件,通常一个 repo 文件定义了一个或者多个软件仓库的细节内容,例如我们将从哪里下载需要安装或者升级的软件包,
  • 比如To B产品是靠产品费用,用户license费用,升级费用,SaaS产品还可以按租户费用等 ⑦战略规划:竞品将来的规划路线图,下阶段的工作重点在哪里,为此做了哪些准备。 (3)团队 ①团队背景:为了更好的摸清竞品的...
  • 做开关电源,一般用什么仿真软件?[复制链接]常见的仿真软件很多,但是对于开关电源来说,因为对参数的要求性更高,简单的仿真模型往往得不到正确的结果,甚至仿真结果和实际相去甚远。那么,有什么仿真软件会更能...
  • 我已经Java编程了大约两年,我已经涵盖了异常,但从未正确理解它们.我目前的情况下,我有一个初始化类的main方法WikiGraph wiki = wiki = new WikiGraph(getFile());Wikigraph构造函数采用getFile()方法中通过...
  • 某企业累计折旧科目的年初贷方余额为600万元,假设该企业累计折旧,当年的借方发生额为200万元贷方发生额为300万元则该企业累计折旧年末余额为( )健康的最高层次反应( )CYP1A2的检测方法有哪些(多选)If it took ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 125,152
精华内容 50,060
关键字:

to一般用在哪里