展开

关键词

框架|

时代和经济里面的“硬实力”,有一套系统的科学的方法论,简称为“框架”。是什么?为什么要掌握和应用呢?每一位人在玩的路上,都可以问问自己。 关于是什么,可以阅读这篇文章《到底是什么》1 框架,的方法论和指南针。?2 流程,的思考路线和工作步骤。? 说明:这两图片摘录埃森哲方法论看了框架和流程图,人很容易想到IBM公司的挖掘标准:CRISP-DM,标准如下图所示: ? 这个标准就是框架和流程的源泉,关于这个标准简要说明如下。 ,评价结果,重审过程部署(deployment):结果应用俗话说“实践出真知”。

68740

(一)——思维

上篇文章我们初步介绍了的概要,大概从现在的应用现状、的概念、方法、为什么要学习以及的结构层次等几方面给大家介绍了,让大家初步对有一个大概的了解 这篇文章具体的给大家介绍中最为核心的技术之一—— 思维 的相关内容。 接下来给大家介绍的三种核心思维——结构化、公式化、业务化。1、思维——结构化  在日常的生活中,当我们针对一个问题进行时,的思路总是一团乱麻? 6、对比法  有一位师曾经说过:“好的指标,一定是比例戒者比率。好的,一定会用到对比。”,这也说明对比法在中的重要性。 总结  从上篇文章开始,我们开始了介绍,本篇文章主要是为大家介绍了思维,主要给大家介绍了的三种核心思维方式:结构化、公式化以及业务化。

51032
  • 广告
    关闭

    最壕十一月,敢写就有奖

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    报告制作指

    相信很多朋友们都接触过,如何写一份报告?!??

    28660

    中的六脉神剑

    了解1定义 · 是什么?简单地说就是利用有限的通过发散的思维,利用相关关系来解释你想知道的问题。2目的 · 干什么? 把隐藏在一对杂乱无章的背后的信息集中、萃取和提炼出来,以找出来被研究对象的内在规律。 3类·怎么划??中的六脉神剑? 2收集区别于挖掘的第一点就是来源。中的可能来源于各种渠道:库、信息采集表、走访等等各种形式,只要是和目标相关,都可以收集。 3处理由于来源相比于挖掘的直接从库调取,更加杂乱无章,你可能是从别人的报告里找,从百度上搜索,这些的格式、字段都不统一,在这里你需要根你的目的进行归类 4是全局中最重要的过程,选用适当的方法及工具,对处理过的进行,提取有价值的信息,形成有效结论的过程。

    44980

    场景 -- 异常

    对于异常,相信每位师都不陌生,对于业务部门来说同样很希望了解的思路。 去年同期也写过类似的一篇异常文章,过了一年后有了更进一步的思路和想法,因此再次享一下,对于师常见的“异常”。 思路包括以下5个步骤: 1. 确定这是不是问题? 2. 具体问题具体,找出原因 4. 拉齐业务,对症下药 5. 形成SOP或产品 下面来细说下每个步骤的内容: 1. 确定这不是问题? 一般来说,业务下降这类问题会是业务方主动提出的。 当然作为师也可能凭借敏感,发现异常。这个步骤主要思考4个小问题:什么叫异常?异常真的是问题吗?对比标准是什么:KPI?去年同期?竞争对手等等出口、指标计算口径是一致的吗? 小结:异常属于“事后诸葛亮”式的后验,做得好也是可以发现业务中存在问题的,但同时提需要提醒一定要形成闭环,即从业务中来,更需要回到业务中去,落实到业务执行,才不会白费 附1:异常流程

    63210763

    敏感性?|

    摘要:什么叫敏感?怎样做? 一、从维度做拆,让目标更加落地。我做过近两年的电商运营,其中感触很深的一个点就是从的维度对目标做拆。 四、一篇完整的报告应该包含哪些内容?前面讲了一些理论层面的,最后给一个模板给大家,供参考。1、首先你需要根活动目标确定你的目标达成率,完成百比,提升百比。 3、转化率,也就是漏斗模型。前文提到了,漏斗模型需要对比的,所以在此处的,我们需要列两个漏斗模型。? 我们常做的,是建立在海量的情况下,但往往在初创公司,系统还不完善,量不够的情况下,只能作为参考,过相信往往会导致做出错误的判断。 做,重点不在,而在,对敏感,就是能清楚异常背后的原因,这需要经验,也需要你的思考和执行力。希望你可以成为一个对敏感的互联网人。来源:酥酥说----

    1.3K70

    】TalkingData:游戏流程

    文 于洋 TalkingData高级咨询总监1.3 游戏的流程游戏整体的流程将为几个阶段,这几个阶段则是反映了不同企业的水平,从另一个角度,也是在解作为一名人员究竟该如何参与到游戏业务中 如图1-2所示,对于游戏系统及的利用,我们为了五个阶段,方法论、加工、统计,提炼演绎、建议方案。从工程技术、统计挖掘以及用户营销几个方面进行了覆盖和研究。? 图1-2游戏流程1.3.1方法论方法论是的灵魂,是解决问题的普遍原则,贯穿始终的思想指导。这个阶段决定了我们如何埋点,如何设计指标,如何采集,如何组织。 统计是商业智能的一方面,商业智能应用还包括决策支持系统(DSS)、查询和报告、在线处理(OLAP)、预测和挖掘,统计则是整理的综合。 所有的师不是为了,崇尚,信仰,但不要盲目。

    1K81

    也要讲究打组合拳

    联系到过程中,引申为采取一连套的方法实现一定的目标,而每一拳就是一种方法。 【我们遇到这样一个问题】美国洛杉矶 12 个地区的 5 个经济指标调查(总人口、学校校龄、总雇员、专业服务、中等房价),为对这 12 个地区进行综合评价, 请你出出主意,我们希望看到这12个地区中的某几个区属于同一类型 【单拳出击:聚类——山重水复疑无路,柳暗花明又一村】多个评价指标,希望而治之,聚类无疑是非常棒的选择,类变量为总人口、学校校龄、总雇员、专业服务、中等房价:执行聚类过程:? 【组合拳:左手因子,右手聚类,组合拳更具挖潜力】我们已经意识到一直困扰我们的其实是评价指标过多,这就需要降维,因子算是不错的选择,尝试是突破瓶颈的最好实践办法。 因子是基于相关关系而进行的技术,是一种建立在众多的观测的基础上的降维处理方法。其主要目的是探索隐藏在大量观测背后的某种结构,寻找一组变量变化的“共同因子”。?

    33070

    】CRM的六大关键

    越来越多的企业通过挖掘客户提升客户关系,了解客户需求。 今天的CRM能力已经不止局限于客户邮件、电话等,而是能够识别客户购买行为,了解客户情绪。 在某些情况下,能够揭示顾客的需求,以及接下来的购买计划。这正是CRM的卓越之处,通过把为外部,如社交媒体,购买历史,产品趋势和最新发布等,与内部结合起来以提升洞察力。 与外部集成。互联网包含大量的。客户信息就在互联网上。 随着大技术和技术的成熟,现在的系统可以根现有预测顾客未来的需求。通过预测模型,销售人员可以更好地了解客户需求。CRM的预测模型还能够更深入地了解充满足客户需求的产品。 大和云计算为销售和市场人员带来了福音。更多的挖掘和技术会融合进来,为企业提供洞察力。随着越来越多的系统走向云端,开放其他线上服务和,CRM会获得更多信息,提供更有意义的成果。

    43270

    】零售O2O如何做

    通过可以知道商业模式是否可行,评判那种推广渠道效率最高,能发现网站、商品结构、物流等各个环节的问题,能评估改进效果。  有哪些?   以上相互关联,比如促销活动效果时,需要访问量的变化,注册下单转化率的变化,促销商品和正常商品销量的变化。  怎么?   有的公司成立专门的部门,部门不仅提供,还要完成工作。这种工作方式,虽然基础准确,但结果可能有较大偏差。 更合理的方式是,由专员提供基础,由相关部门骨干人员共同,比如转化率降低,应该由市场部、运营部、商品部共同,得出是由哪些方面的因素造成的。   推广方面的包含流量,停留时间,流量页面,转化率。流量的增减(新UV)代表市场部推广工作是否有效,新客停留时间浏览页面量和转化率等,一定程度上代表了市场部推广是否有针对性。

    41980

    Python实战(1)概述

    人才方面的需求主要包括:师 统计预测流程优化大工程师 平台开发应用开发技术支撑架构师 业务理解应用部署架构设计之所以要学习,是因为正变得越来越常见和廉价,可以为提供稀缺且附带额外价值的服务 师的三大任务:历史预测未来优化选择师要求的8项技能:统计学 统计检验、P值、布、估计基本工具 PythonSQL多变量微积和线性代整理可视化软件工程机器学习科学家的思维 3.成为师之路成为师的自我修养:敏感探究细致务实师需要具备的技能如下:熟悉Excel处理敏感度较强熟悉公司业务和行业知识掌握方法 基本方法 对比法交叉法结构法漏斗图法综合评价法因素法矩阵关联高级方法 相关法回归法聚类法判别法主成法因子法对应法时间序列在不同行业从业人员的工作内容和职责:从事的工作 学做日报日销、库存类的表产品销售预测库存计算和预警流量相关表复盘挖掘工作人员 的准备工作:了解清洗与初步绘图与可视化聚合与组处理挖掘挖掘的常用算法:线性回归时间序列类算法聚类算法降维算法学习和从事工作的方法为:勤思考多动手多总结二

    21320

    Python实战(1)概述

    人才方面的需求主要包括:师统计预测流程优化大工程师平台开发应用开发技术支撑架构师业务理解应用部署架构设计之所以要学习,是因为正变得越来越常见和廉价,可以为提供稀缺且附带额外价值的服务 一名好的师是一个好的产品规划者和行业的领跑者;在IT企业,优秀的师很有希望成为公司的高层。师的工作流程如下:? 师的三大任务:历史预测未来优化选择师要求的8项技能:统计学统计检验、P值、布、估计基本工具PythonSQL多变量微积和线性代整理可视化软件工程机器学习科学家的思维驱动问题解决师要求的三大能力 3.成为师之路成为师的自我修养:敏感探究细致务实师需要具备的技能如下:熟悉Excel处理敏感度较强熟悉公司业务和行业知识掌握方法相关法回归法聚类法判别法主成法因子法对应法时间序列对比法交叉法结构法漏斗图法综合评价法因素法矩阵关联基本方法高级方法在不同行业从业人员的工作内容和职责 的准备工作:了解清洗与初步绘图与可视化聚合与组处理挖掘挖掘的常用算法:线性回归时间序列类算法聚类算法降维算法学习和从事工作的方法为:勤思考多动手多总结结语以上就是这篇文章的全部内容了

    7720

    】一位资深师的享—初入行业

    基本技术怎么强调都不过。这里的术更多是(计算机、统计知识), 多年做挖掘的经历来看、以及业界朋友的交流来看,这点大家深有感触的。 库查询—SQL师在计算机的层面的技能要求较低,主要是会SQL,因为这里解决一个提取的问题。 例如:多元统计:回归、因子、离散等,挖掘中的:决策树、聚类、关联规则、神经网络等。 师其实是一个细活,特别是在前文提到的例子中的前面二点。而且在过程中,是一个不断循环迭代的过程,所以一定在耐心,不怕麻烦,能静下心来不断去修改自己的思路。三、形成自己结构化的思维。 希望对新进的朋友有帮助,行业绝对是一个朝阳行业,特别是互联网的不断发展,一个不谈的公司根本不叫互联网公司,师已经成为一个互联网公司必备的职位了。

    39070

    案例:以星巴克为例,如何做好

    在做的时候,很多同学在面对一堆会无从下手,觉得从哪个角度都可以得到很多结论,导致的战线越来越长,但是却始终得不到想要的结果。 但是,这些都是基于层面的非常浅层面的,作为师是绝不能止步于此的。那么接下来自然就需要考虑如何评估效果明显?有多明显?如何量化? 通过交叉,得到了第4条事实:支付入口UV和支付入口ctr交叉后发现,ctr几乎没有变化,暴涨的流量难道都是来消费星巴克的吗?UV和ctr是否真的如所示毫无关系吗? 了这么多,基本上把能拿到的的七七八八了。面对这些历史,自然也会问:后续情况会怎样发展呢?这就需要在历史的基础上着手了趋势预测,看一看未来可能的发展趋势。? 但是还没结束,因为的目的和结果是要落地到业务,最终能够实打实的在业务层面上产生效果,那接下来就可以带着从获得的所有结果和困惑和业务同学沟通,尽可能的找到造成这些问题的原因,并且形成最终的报告

    1.4K20

    R

    0列的框df_empty = data.frame()# 创建和df有同样多的列,0行的框> df_r = dfdata frame with 0 columns and 4 rows# 创建一个行为 0,列、列名和df相同的框> df_c = df one two three (或0-长度的row.names)创建非空框# 指定列名> df = data.frame(one=c(1,2,3,4 ),two=c(12),three=c(9))) one_t two three9 1 4 322 2 5 213 3 6 344 4 0 321 5 12 9当框的列名不一致、列目不一致时,都会失败 #框的长度是列的目> length(df) 3 # 列> ncol(df) 3 # 行> nrow(df) 43、基本统计函> sum(c(1,2,3)) 6> mean(c(1,2,3)) 2> var(c(1,2,3)) 1> sort(c(2,1,3)) 1 2 33、常用函、变量# 查看结构和类型> mode(df) list > class(df) data.frame>

    67120

    qPCR

    Hi, I recently inherited a set of real-time PCR data for which there are two gro...

    38520

    (四)

    组的拼接在numpy中使用+号是不能进行拼接的。其次拼接为竖直拼接和水平拼接。 可以写其他值np.random.seed(1) t2 = np.random.randint(0,30,(3,4))# 同时还可以生成服从正态布或者均匀布的随机# rand,randn,uniform numpy中的nan和inf1)nan:在之前00会显示nan,其实nan表示不是一个字inf:inf表示正无穷,-inf表示负无穷,当不对的时候(比如10)就会出现这个值2)两个nan是不相等的 11 22 33 44 55 66 77 88 9dtype: int64# 第一列表示索引,第二列才是我们的,同时还输出了dtype,不同的电脑可能是int32。 值得注意的是我们的索引长度需要和我们的长度相同。

    15531

    Python

    Python 工欲善其事,必先利其器“,Python是目前为止做最常用的编程语言,我们可以站在巨人的肩膀上,高效完成。 我们现在要使用Python来做,主要从两个方面来考虑问题:第一:选择什么开发工具。第二:学习哪些知识来解决的问题。开发工具我推荐使用Anaconda。 本公众号中有详细的anaconda的安装流程,文章链接如下:anaconda安装流程大斌哥,公众号:山谷Python之Anaconda安装使用Python中的知识点和常见的科学计算库也需要给大家列举出来 Python做主要是解决清洗及可视化的问题,掌握Python基本的语法规则,会调用第三方模块对于提高能力非常重要。 而NumPy和Pandas就是清洗最好用的工具,Matplotlib和Seaborn是解决可视化的工具包。我们可以从实用的角度来学习Python,提高的能力和效率。

    25110

    ——matplotlib

    xy轴上下限64 pt.xlim(-np.pi, np.pi)65 pt.ylim(-1, 1)66 # 设置x轴每个显示刻度67 pt.xticks()68 # 设置某点坐标的文字:x坐标,y坐标以刻度为基准 )31 # ax_cos.set_xlabel(X)32 # ax_cos.set_ylabel(Y)33 # pt.plot(Y_cos, r-)34 #35 # pt.show()36 37 # 类柱状图 :位置列表,参2:列表,参3:柱宽,参4:图例61 # pt.bar(range(len(a)), b_14, width=bar_width, label=u9月14日)62 # pt.bar 小案例学生成绩导入类库1 from matplotlib import font_manager2 import numpy as np3 import matplotlib.pyplot as pt准备 int)2 courses = 3 students = 4 5 myfont = font_manager.FontProperties(fname=uC:WindowsFonts时尚中黑简体.ttf)提取

    15620

    ——pyecharts

    Timeline2 import random make_point:标注,类似于matplotlib的text is_stack:堆叠,将同一图表中的不同图像堆叠显示 is_label_show:显示每个的标注 is_datazoom_show:缩放显示 地图1 value = 2 attr = 3 map = Map(uMap 结合 VisualMap 示例, width=1200, height=600 60%)24 grid.add(line, grid_top=60%)25 grid.render(grid.html)时间线 1 attr = 2 pie_1 = Pie(2012 年销量比例, 纯属虚构 3 pie_1.add(秋季, attr, , 4 is_label_show=True, radius=, rosetype=radius) 5 6 pie_2 = Pie(2013 年销量比例, 纯属虚构 pie_2.add(秋季, attr, , 8 is_label_show=True, radius=, rosetype=radius) 9 10 pie_3 = Pie(2014 年销量比例, 纯属虚构

    22320

    相关产品

    • 智能数据分析

      智能数据分析

      智能数据分析( IDA)基于安全、低成本、高可靠、可弹性的云端大数据架构,帮助企业客户实现从数据采集、建模、挖掘、效果分析、用户标签画像到自动化营销等全场景的数据服务,快速实现数据驱动业务增长的目标。

    相关资讯

    热门标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      扫码关注云+社区

      领取腾讯云代金券