从段子手到中年潮男,我们的副总裁,他经历了什么?

之前的文章中,我们采访了CTO王亭,揭秘了他是如何决定回国加入TalkingData。这次,我们和执行副总裁林逸飞坐下聊了聊,请他亲自讲述了与TalkingData并肩奋斗四年中格外难忘的一段经历。

林逸飞,是现在带领TalkingData大客户业务团队征战天下的那个男人,也是因高大威猛、风趣幽默而备受女同事(划掉)爱戴的那个男人。TalkingData转型企业级服务以来,遇到了很多难磕难啃的重量级客户;2017年TalkingData又创新性的提出了“成效合作”模式,需要他带头攻坚。今天,就由他来讲述说服零售业大鳄一起吃螃蟹的幕后故事。

万万没想到2017年的某一天,TalkingData获得了与知名服装零售集团沟通深度合作的机会。摆好阵仗准备迎接客户考察团队的林逸飞,没曾想迎接到的却是独自坐地铁前来的管理着全国几千家门店、曾登上胡润富豪榜的集团CEO本人。

新零售转型这是一家来自欧洲的服装集团,也是全球最大的快时尚集团之一,入华发展20多年来,已经建立起了自己的快时尚品牌矩阵。但中国移动互联网近年来的急速发展,对零售企业的传统经营模式产生了巨大挑战,这也使得集团CEO亲自出马,希望找到对的合作伙伴帮助向“新零售”转型。

重视与诚意这位CEO北欧风味的英语,给沟通过程带来了一些难度,让身经百战的林逸飞也难免有些焦虑。但是从对方在企业管理上的丰富经验和对细节的关注中,林逸飞也看出了对方对寻找合作伙伴的重视和诚意。

第一家成效合作伙伴如此重要的合作,并不会轻易握手。沟通做了一轮又一轮,竞争局面也一次次改变,林逸飞洞察需求、制定战略,在提供整体解决方案的同时,也提出了创新的合作模式,形成真正能让数据产生价值的闭环。过五关斩六将,几次从希望到失望再到希望之后,终于成功“牵手”。这家服装零售集团也成为TalkingData的第一家成效合作伙伴。

携手渡难关万事开头难,并不代表后面就不难。一方面客户公司规模大、业务多,需要对接企业等多方数据源,并为其搭建定制化的数据化运营平台体系,以支撑线上、线下业务需求;另一方面,这次全家桶式的合作涉及TalkingData几乎所有产品,以及商务、咨询、产品、研发等多个部门的协调和配合。合作后的第一次阶段性汇报便被迫延期,但林逸飞和团队齐心协力解决问题,经过努力终于让项目走上了正轨。

私域流量运营从工具和平台,到数据资产,到数据分析和运营,再到流量运营,在TalkingData帮助该服装零售集团构建了私域流量运营闭环。通过几次异业合作的营销尝试,在拉新、老客激活以及最终成交额上都获得了亮眼的效果。同时,实现了对所有可追踪流量的有效监控,以往像双十一这样的大促后1个月才能知道是赚了还是赔了,现在几天之内就可以看到不同渠道的详细效果数据。

转型成潮男

经此一役,为了更好的了解快时尚行业,更是为了给客户提供更专业的服务,林逸飞钻研起了时尚圈,明星、网红、潮牌如数家珍,从枸杞花茶保温杯的中年男子,一跃成为了公司管理层中里最懂时尚的人。

细节决定成败,不放弃、不服输,就会带来改变!——林逸飞

总结这次“很南”的合作历程,林逸飞分享了上面这句话。坚持初心、保持信心,不仅是与这家服装零售集团的合作,TalkingData还在努力进行更多尝试,探索数据与科技相结合能为新零售带来怎样的价值。

为什么说大数据是新零售的引擎?

新零售,就是以消费者体验为中心的数据驱动的泛零售形态,依托大数据技术,使得零售商获得大量用户的精准数据,驱动“人”、“货”、“场”三者关系的重构。在《让人、货、场重构的新零售是什么?》这篇文章中,我们已经简单的给大家说明了什么叫做“人”、“货”、“场”三者关系的重构,今天我们就来讨论讨论,大数据在新零售领域中的作用。

大数据一词,想必大家已经习以为常了,但你能说出它的精准含义吗?大数据是英文单词Big Data的直译,我们看看百度百科当中对大数据的定义:指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

其实这里面包含了两个层次对大数据的定义,一个是可利用的大数据,第二个是大数据价值的定义。大数据是海量数据的集合,但是大数据不是说数据越多越好,而是着重于对那些含有意义的数据的专业化处理,也就是说利用价值的大数据才是信息资产。麦肯锡全球研究所给大数据的定义当中有这么四个特征:海量的数据规模、快速的数据流转、多样的数据类型和价值密度低。

海量的数据规模

很久以前大家都听过这么一句话,互联网时代是信息大爆炸的时代,但是具体是一个什么概念呢?早在2012年的时候,IBM的研究称,人类文明所获取的所有数据,90%都是近两年产生的,而到达2020年,也就是明年,全世界所产生的数据规模将达到今天的44倍。

我小的时候用的移动储存介质是软盘,其容量不过1.44MB,后来使用的是几百兆的U盘,再到十多G的U盘,到现在用的是2T的移动硬盘。而大数据的数据量也在跃升,从TB到PB到EB到ZB,每个的差距是1024。人类产生的数据量越大,从中可以分析的也越多,所以大数据一定是有海量的数据规模的。毕竟一个人一天的数据当中,有太多的偶然性,也分析不出什么来。

快速的数据流转

社会的飞速发展,数据的产生和传播的速度也越来越快,而技术的飞速发展,数据的处理和储存的速度也越来越快,能够赶得上数据产生和传播的速度。比如在过去,我们用信件传达信息,需要几个月去等待,而现在用电子邮件,几乎可以秒速送达。

而我们过去在图书馆里寻找一本书当中的一句话,我们需要花几个月的时间去查找,但是现在我们有计算机的帮助,分分钟就可以找到。而大数据也是如此,如果需要花几百年去处理某些数据信息的话,这个将毫无意义,已经过了时效性了。

多样的数据类型

社会的多样性导致了数据的多样性的,文本,图片,语音,视频等等不同格式类型的数据。来自网页,搜索,社交平台,马路边的摄像头的不同渠道的数据,多元化的数据交叉,才能构建一个大数据库。

价值密度低

数据本身并不产生价值,海量的数据,混乱,无序,价值密度低,大数据的关键在于如何从这些数据当中提取出有价值的东西。比如通过安全合规的方式获取了一组数据,记录了一个人一个月的出行数据,饮食数据,购物数据,社交数据。但是这些数据大部分都是对我们来说是没有价值的,或许可以从中分析出一些东西,但它是没有价值的,需要对这些含有意义的数据进行专业化处理,,通过“分析”实现数据的“增值”。

接下来说说大数据的应用场景,以我们身边接触的比较多的为例:

  • 电商的推荐系统:现在很多的网购平台,因为商品的类目很多,用户挑选起来也很费劲,为了抓住用户的痛点,促成交易,及时给用户推荐他们所需要的商品才是王道。怎么知道用户需要什么呢?这个就是要大数据了,根据用户的浏览行为,购买行为,同时匹配相同属性的用户的行为,进行分析计算,得出用户的兴趣偏好,为用户推荐他们可能感兴趣的商品,经过时间的推移,用户的画像也就越来越精准,推送的也就越精准,这对于商家和用户来说都是一个互利共赢的过程。
  • 广告精准投放系统:我们经常在朋友圈或者在一些新闻APP等等浏览的时候,会看到一些的广告,比如“30-40岁的人必看”“XX城市的人看过来”等等类似于这样的正好符合用户条件的广告出现,这个在行业中一般被称之为是信息流广告。而信息流广告投放当中就有选择用户包,选择用户的年龄段、地域、可能的收入水平、男女、爱好、使用的手机类型等等。这些都是通过大数据整合以后提供的选项,也是对大数据的应用。

大数据一方面为大家提供了便利,但同时也是一柄双刃剑,因此一方面我们需要加强自己的隐私管理,另外一方面,企业也需要通过安全合规的方式去收集数据,让大数据真正做到,对人类生活有所裨益。

而大数据对现在的商业模式产生了非常大的影响。在大数据的加持下,未来的商业模式会是什么样的呢?其实不要说未来了,大数据对零售业的改革已经发生在当下了,从一个商超的选址,商品陈列,商品供销,客户关系管理等等各个方面都产生了影响,我们就简单的说一下。

1.店铺选址

在过去,大家开店在选址的时候,会出一套的选址方案,在什么地方,准备多大的面积,预估有多少的客流,客户的属性,消费能力,周边的竞争对手,城市的规划,物业条件大概是什么等等。不但需要大量的时间去调查,调查结果是否有偏差,选址确定后是否能达到预期的效果,只能凭借经验和运气了。毕竟在过去,做这种调查只能去现场看,和周边的人打听,找同行了解,半推测,半猜测。

在现在大数据的变革下,选址就更加精准和方便了。依托于强大人本数据、地理信息数据和商业经济数据,结合经典模型和预测算法,从商圈区位洞察、潜客浓度探索、职住通勤研究,以及商圈配套与经济研究等多种角度,就能帮助企业高效量化推动基于位置商圈的经营决策。

2.商品陈列

传统的零售当中,店主通过纵向陈列法,垂直陈列法,集中陈列,端头陈列等等陈列方式对商品陈列进行调整。同时通过销售情况去决定进货数量等,总体上来说,这种方式不会有太大的问题,但是想要提高商品销量的话,肯定是需要调整陈列方法的。

有一个比较著名的数据挖掘案例,某世界知名连锁超市,他们对顾客的购物篮进行分析的时候发现,和尿布一起购买最多的东西是啤酒。原来是因为美国的年轻父亲下班给孩子买尿布的时候,会有30%-40%的人会顺手买上自己喜欢的啤酒。于是该超市将尿布和啤酒两个不相搭的东西陈列在一块,两者的销量都提升了。这个就是一个很显著的大数据指导下的商品陈列案例。在现在,结合人工智能的智能化门店,能够做到的更多,可以根据店内的人流量热力图,计算出将热销品或者滞销品放置在更合适的位置。

3.用户画像

在传统的零售当中,想要实现导购一对一服务、对用户实行个性化服务是很困难的。其中一个原因就是店铺的客流量大,顾客流动频繁,基本上可以说没有哪一个导购能够记住用户是否来过这家店,顾客的喜好是什么。

但是在现代的零售当中,智能化门店能够比较容易的实现这一点了。智能化门店通过面部识别等功能可以检测到顾客来过多少次。同时通过店铺当中的门店管理系统,根据以往的购物数据反馈,顾客在不同的商品前的停留时间,猜测用户的喜好等等,智能为用户推荐商品,又或者将信息推送到导购端的移动管理系统当中,让导购更好的为客户服务。这个就是因为用户的购物数据,行为数据等等大数据勾勒出了一个用户画像。

当然,大数据在新零售领域中的作用肯定不仅仅是这三点,还有更多的优势这里就不一一例举了。未来的商业模式已经在逐步走向现实,高新技术正在改变我们的生活,零售业也正在改革,让我们一起见证吧。


作者:布衣紫竹

版权声明:本文为布衣紫竹原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。

本文链接:https://blog.csdn.net/ldt1993/article/details/88976995

封面图来源于网络,如有侵权,请联系删除

TalkingData携手加和科技助力广告主精准投放

​​移动互联网用户群体增速放缓后,品牌主通过加大广告投放额提升用户覆盖的成本日趋增加;消费者触点的碎片化、多变的市场需求给品牌营销增加了极大的难度,精细化营销成为了品牌主的关注重点。近日,TalkingData与加和科技达成数据合作,携手助力广告主提升TA浓度与TA精准触达,从而提升广告效果,降低推广成本。同时,在双方还将发挥各自领域优势,共同为广告主打造更具商业价值的解决方案。

TalkingData副总裁高铎表示:2019年可以讲是MarTech越来越深入人心的一年,广告主更多关注品牌有质量的增长,所以有了设立CGO,建设CDP,部署私域流量等多元化举措。媒体则更多关注有限的流量如何通过多元数据融合创造最大价值,加和科技和TalkingData的合作,就是在这个背景下诞生,双方携手,连接优质媒体流量,融合多元化精准数据,洞悉品牌广告主真实需求,帮助品牌建设差异化增长优势。

加和科技CTO 王可攀表示:连接,是加和科技创业之初就已经具备的基因。加和科技一直以来十分看重与行业里其它类型To B类服务厂家的良性互动,在To B市场,一家企业很难做好所有的事情,营销层面的创新最重要的部分就是流量和数据,我们希望能够去跟像TalkingData一样专业的数据公司一起探讨合作,共同助力企业营销创新,推动营销的数字化升级。形成一种良性的合作关系,并最终推动服务企业的数字化升级。

TalkingData全流程数据支持 实现营销闭环

通过此次双方数据合作,广告主在加和科技ReachMax平台可结合TalkingData数据进行“TA构建”与“TA营销投放”:

TA构建”广告主可通过使用人口属性、应用兴趣、游戏偏好、消费兴趣、地理位置等8大分类和900+数据标签,进行交、并、差灵活组合,快速定位与构建目标人群。除此之外,还支持多种构建方式,比如一方ID、POI(地理围栏)和Lookalike(基于已有人群拓展相似人群)等。

TA营销投放”广告主基于TalkingData数据构建的目标人群,可以在ReachMax平台进行“推送量”式曝光,帮助广告主挑选媒体和优化广告,以实现媒体和广告主双方共赢。

同时,在“TA营销投放”的过程中,合理评估营销效果与分析客群行为反馈,“TA效果评估”是营销中不可或缺的关键环节。广告主在投放过程中还可使用TalkingData Brand Growth 品牌效果监测产品,进行营销效果分析。

另一方面,TalkingData与加和科技在为全方位的营销闭环的数据合作而努力,后续还将加入“TA洞察”的用户画像功能,以及“TA迭代”通过对营销数据进行回流,在下一次营销活动中,可作为种子人群扩展相似人群,帮助广告主更精准投放提高营销转化。

实战案例: 社交电商TA精准度大幅提升

以国内某知名社交电商为例,由于社交电商的特殊属性,传统的“人口属性”无法精准定义品牌消费者,这为他们营销策略的制定制造出了不小的难题。兼顾TA精准度与人群覆盖力是解决问题的关键。针对此次营销,加和科技联合TalkingData,基于品牌第一方CRM数据,识别真实消费者的实际行为,对人群标签的定义与组合进行了优化,大幅提升了TA精准度。

在投放环节,加和科技在常规PD模式的基础上,结合定制化人群标签,采用了“人群分层PD模式”。即:先基于人群标签通过PD模式仅选择自身目标受众、确保人群精准度,再通过叠加多个人群包的形式确保覆盖量;达成TA精准度与人群覆盖力的兼顾;并对单日最高曝光量及投放过程进行全面把控,确保品牌信息的均匀覆盖。

此次投放结束后获取到的数据显示,品牌曝光量和下载量呈正相关,且1,000CPM/下载量整体呈上升趋势,点击成本与转化成本皆优于常规活动。

TalkingData还将继续发挥数据+科技的能力,与更多合作伙伴共同探索并构建基于大数据和领先智能技术的场景商业应用,帮助更有效的实现商业价值。​​​​

TalkingData Ad Tracking推出七大行业专属监测方案

近年来垂直行业移动应用风声水起,各领域的移动应用随之被不断拓展与衍生,为了给垂直行业开发者提供专属监测服务,TalkingData Ad Tracking不仅推出了金融借贷、小说阅读、旅游出行、在线教育,全新的四大行业推广监测方案,还升级了已有的游戏娱乐、电商零售、标准通用,三大行业监测能力。

TalkingData Ad Tracking全新推出的以上七大行业专属监测方案,不仅能帮助开发者建立针对自身行业的转化指标分析体系,还能精准评估各渠道广告推广效果、精细解析用户流失原因和客观分析用户行为兴趣偏好。现在,我们就一起了解吧~

全新四大行业推广监测方案

  1. 金融借贷:支持从广告展示、用户注册、申请授信、提现到账等层层递进的全流程转化跟踪,还提供定期、出借、转让、贷款等多类交易数据分析。
  2. 小说阅读:支持以应用激活或完成试读作为有效转化事件,并提供文章阅读、书单搜索、作者收藏等定制化指标体系。
  3. 在线教育:支持完成试听、预约课程、学习课程等专属事件分析,并附有平均学习时长等计算数据,使用户粘性一目了然。
  4. 旅游出行:支持渠道来源与深度转化事件的串联,并提供预定酒店、搜索航班、联系领队等专属行业事件,协助开发者分析不同时段、不同群体的行为偏好。

升级已有行业推广监测方案

  1. 游戏娱乐:增加解锁成就、通过关卡等深度行为分析,在此基础上支持游戏开发者根据自身业务需求定义多类成就或关卡内容。
  2. 电商零售在提供了订单、支付订单、退单等通用电商类指标的基础上,增加首次付费、新增付费等精细化指标运营体系,无论是新客、老客、还是首单、复购,都让开发者了然于心。
  3. 标准通用:针对新兴或小众行业移动应用,提供常用的注册、登录、唤醒、付费等通用事件体系,并支持十项开发者自定义事件。

点此即刻使用全新移动广告效果监测方案

活动邀请 |《思变·数驱营销闭环》北京站

在日常与开发者的合作及沟通中,我们发现在广告营销及投放的三个阶段(前期投放、执行准备、投放)中大家有着相同的困扰,比如:

  • 前期投放策划阶段,不清楚如何通过需求分析全面了解目标投放人群画像及特征?
  • 执行准备阶段,不了解如何通过数据分析,制定渠道投放策略及图文创意策划?
  • 投放阶段,不知通过营销数据如何辨别假量数据?又如何通过数据进行持续优化再次投放?

9月25日,TalkingData将于北京举办主题为《思变·数驱营销闭环》线下沙龙。此次沙龙我们将分享如何借助数据在“TA选择→TA分析→TA触达→TA评估→TA迭代”这五大环节中进行闭环营销。以及如何在不同阶段进行数据监测与分析,帮助开发者解决各阶段所遇到的困扰。同时,TalkingData也邀请到多位合作伙伴为来宾现场分享营销案例与行业见解。

活动详情

时间:9月25日(周三)13:30~16:30

地点:北京市·东城区  东直门外大街39号院2号楼航空服务大厦502A腾云大学

报名方式

名额限量,即刻扫码报名

分享内容

①《思变·数驱营销闭环》

分享人:李晶 TalkingData移动应用业务负责人

数驱营销  实战案例

②《易境:数据中台赋能品牌营销》

分享人:孙磊 网易传媒资源策略副总监

品牌营销  实战案例

③《巨量引擎效果营销能力》

分享人:于书浛 巨量引擎营销中心高级策略经理

品牌营销  实战案例

④《从0到亿级用户背后的推广秘籍》

分享人:孟蕊 B612 渠道负责人

营销推广  实战案例

嘉宾介绍

点击此处进行报名

营销秘技 | 路边一块钱你爱答不理,抢五毛红包却沾沾自喜?

最近,每个人都耳熟能详的儿歌“我在马路边捡到一分钱”,因为“涨价”成了“捡到一元钱”而爆红网络。从另一个角度看,也说明现在的一元钱已经被认为和曾经的一分钱一样不值钱。我们在路边看到一元钱,可能都不会去捡。

之前的文章中,咱们聊过红包在营销领域的应用。今天咱们再聊一聊关于红包的另外一个有意思的点:来自灵魂深处的拷问——与捡到一块钱相比,为什么抢到五毛钱红包更能让你开心?

在讨论这个问题之前,我们先来看两个场景:

  • 场景一:坐车出门的时候,你发现丢了50元钱。这时你还会按照原计划去花50元钱买票看电影吗?
  • 场景二:坐车出门的时候,你发现几天前花50元预购的电影票丢了。这时你还会继续去电影院重新花50元钱买票吗?

第一种场景下,大部分人会选择继续买票看电影;而第二种场景下,可能大部分人就选择放弃不看了。

从价值上看,丢了50元钱和丢了50元的电影票,损失的钱是一样的。但为什么不同场景下会做出不同的选择?

行为经济学中有一个称为“心理账户”的重要概念——人们在认知中设置了多个心理账户,会把不同的收入和支出分类列入到不同的账户内,而不是像会计账户那样统筹管理所有的收入和支出。

50元现金和50元电影票,分属于不同的心理账户,它们在心理上没有叠加效应,因此丢了现金并不影响你继续观影;而丢了的电影票和再买电影票的钱属于同一个心理账户,它们有叠加作用,这种作用带来的感受就是“为了看这场电影花100元钱,太不划算了吧”,结果就是很多人放弃了观影。

了解了心理账户,大家就明白了为什么会把意外之财快速散尽,而把辛辛苦苦挣来的钱精打细算了。

同理,大家还可以思考一个问题:作为子女,到底是每年一次性拿一大笔钱孝敬父母,还是分若干次以小额的形式给他们,更能促使他们真正使用这笔钱?

咱们再回过头来看营销领域,这几年比较火的“预付金”膨胀券,为什么比普通优惠券对用户的吸引力更大?

普通的优惠券或者打折给用户的体验是还价或者降价的感觉,属于对商品价格的影响;而所谓的“预付金”膨胀券就不一样了,它给用户的感觉是资金杠杆,以小博大。在营销效果上,满100-20的优惠券可能还不如10元“预付金”膨胀券代20元的效果更好。

当然,膨胀券还有其他的好处,比如让商家能够对营销活动的效果进行预估,打消用户选择的疑虑,甚至在大型活动中可以提前备货、提前发货,给用户更好的体验。

综上所述,这也是为什么各类商家都喜欢设置预付卡和储值类会员卡。

举个例子:小明经常去家附近的某家水果店,最近这家店对面新开了另一家水果店。老店的老板为了绑定更多的忠实用户,于是开启了储值卡的模式,一次性充值500送200,对于这种小额高频的交易,储值是非常适合的一种运营方式。对面的新店为了应对该情况,也推出了自己家的会员卡,只不过这张会员卡是赠送的,只要来消费就送,然后每消费50元即可返现10元到会员卡账户中,当然了返现的钱只能在店里消费而不能提现。

如果两家店的水果品质和服务水平都是一样的,聪明的各位看官觉得选哪家更划算?

另外,像金钱一样,时间也有这方面的特性,固定做什么的时间就不会轻易改变去做其他的事情。

生活中有很多关于心理账户的应用,感兴趣的你可以回想一下身边的事情,会发现不少以前没有注意到的场(套)景(路)。

我是小明,一个集才华与美貌于套路中的营销小学生,咱们下篇文章再见!


相关阅读:

营销秘技丨宁发100张优惠券也不降1块钱,为什么?

营销秘技 | 卡券套路深,连接地球村

营销秘技丨被薅羊毛还能皆大欢喜?卡劵+红包就完事儿了!

营销秘技丨人肉地推已经过时了,数字卡劵了解一下?

营销秘技 | 人见人爱的红包你真的会发嘛

作者:TalkingData岳小明

封面图来源于网络,如有侵权,请联系删除

新零售的终极奥义是什么?(上)

本文转载自:石基商业评论
作者:石基商业评论专栏作家 师天浩

注:本文仅代表作者观点,非TalkingData立场。


传统太极拳谚语里有“三年一小成,九年一大成”的说法,自2016年马云提出新零售概念,按理说2019应是新零售革命的小成之年,可业界的实际感受却喜忧参半。

盒马鲜生作为阿里新零售样板,于2018年12月12日迎来第100家店,用不到三年时间完成从0到100的蜕变。作为对标前者的超级物种就略显失意,以及地球港、美团的小象生鲜,与京东的7FRESH似乎都陷入发展不利的怪圈。

新零售这场三年革命中,“新物种”们并没有摧枯拉朽地战胜“旧势力”,即使是发展良好的盒马鲜生,光环褪去后一些弊端也浮出水面。

此时此刻,再来回答新零售究竟是什么,曾经自信满满的一众新零售玩家或许也会陷入迷茫。甚至已有媒体开始“炮制”新零售退潮的报道,加之接二连三失败案例的“助攻”,新零售概念已不再是零售界的“政治正确”。在这样的大背景下,重新审视新零售已迫在眉睫。

新零售冰火两重天

2018 年曾经风光一时的无人零售最先阵亡;砍掉“人力”成本在竞争中就能更具优势,这种思维让无人便利店、无人货架等无人零售业态快速崛起。无人便利店方面,包括亚马逊、阿里巴巴、京东和苏宁等电商巨头都进行了相关布局,知名的有亚马逊的Amazon Go、阿里巴巴的“淘咖啡”,创业品牌里有F5未来商店、缤果盒子。

然而,新鲜感过后,无人便利店的体验相比传统超市并没有什么提升,加之预想中的成本优势是个“伪命题”,无人便利店虽然减少了“店员”开支,可后期运营和维护的成本并不比雇人更低。喧嚣过后,无人便利店很快熄火。

作为无人零售的另一个衍生,无人货架火爆一时后也归于沉寂。相比于无人便利店的“整体设计”,只需要一个智能化货架就能“搞定”的无人货架入局门槛低很多。

可低成本布局的弊端却也在同一时期暴露,货架故障频发、商品维护不善、此起彼伏的盗窃、供应链低效、高成本等问题不断积累,最终压垮这个看似“前景无限”的风口。在资本加持下的无人零售急速扩张,可随着资本的趋冷,也很快也陷入了倒闭潮。

去年掀起的生鲜零售+餐饮的新零售经营模式,也陷入“哑火”的尴尬。

相比于推出“淘咖啡”的玩票态度,盒马鲜生已成为阿里新零售的重要一个落子。作为阿里系的“明星品牌”,阿里为盒马鲜生配备包括三江购物、新华都、大润发、居然之家、银泰等在内的传统商超豪华阵容,加之不“差钱”,做出一些成绩也在情理之中,可盒马鲜生的一众“学徒”命运就坎坷了许多。

地球港曾被称为新零售领域的黑马,被业界视为盒马鲜生强有力的对手。自2018年初进入新零售行业,不到半年,地球港便在北京、青岛和大连连续开出五家门店,几个月后受资金链断裂影响,这匹黑马似乎一夜之间就轰然倒塌。同样被称为盒马鲜生重量对手的超级物种,虽然背靠腾讯、永辉两大巨头的强资源,可运气却不如前者。陷入同样困境的还有美团的小象生鲜和京东的7FRESH。

用“一半海水一半火焰”来形容新零售再合适不过,很难想象在巨头的加持及无数线上线下零售平台的集体发力下,发展三年的新零售并没有想象中“推枯拉朽”地改变世界,反而一而再再而三的出现“坏消息”,不断吞噬着外界对新零售的信心。那新零售真的只是一个虚无的概念吗?什么是新零售的根本?无人零售、生鲜零售的双双折戟,是否宣告了新零售概念的破产?

一系列问题皆需要一个“完美”的答案。

什么才是新零售根本?

想要探寻新零售的根本,要先重温一下零售的根本,因此我们才能够徐徐深入,还原新零售背后的真相。

所谓零售,即向最终消费者个人或社会集团出售生活消费品及相关服务以供其最终消费之用的全部活动。所以说零售中包含三个关键因素,人(买方卖方)、货(商品或服务)、场(交易场景)。零售的本质是流通业,是买卖。也就说产生交易,产生流通才是零售的根本。

新零售概念最先由马云提出,其中的“新”,即在新的技术、新的场景和新的消费理念下零售。在零售的本质上,新零售与传统零售并无差别,这是新零售玩家中经常会搞混的一个问题。许多新零售的入局者将无人便利店、无人货架或盒马鲜生等等案例作为“标杆”,舍本逐末,忘却了零售最终还是回归商品或服务的交易,而非外在的形式。

几年前,在回答一位投资者关于“阿里巴巴如何理解新零售”的提问时 , 马云表示 , 所有的线上线下从业者应该向同一方向努力 , 即让消费者快乐。

至今的历史中,零售业经历了两次大的变革。

第一个时代,依托于商业地产的零售时代。最早可追溯到几千年前,随着近现代工业革命的带动,零售业愈发多元化。

在20世纪之前,人们购买生活用品是一件很麻烦的事情,由于彼时商业地产概念尚未出现,无论是买粮食、油盐,还是牛肉、酒水,要去不同的杂货铺、街边小店、专营店等场所。上世纪50年代,美国西尔斯公司首创了郊区型购物中心,这种融商业、服务业、娱乐业为一体的购物中心很快遍及美国。

自此之后,逐渐衍生出百货店、超级市场、大型综合超市、便利店、专业市场(主题商城)、专卖店、购物中心和仓储式商场等零售业态。在互联网时代之前,这些零售业态承担着这个世界大部分商业交易的重任。

从中我们能够总结出一个规律,这个时代是“场”的时代,也就说零售的整体发展受限于“场”的天花板。彼时,WalMart(沃尔玛)、Target(塔吉特)、Kmart(凯马特)等零售商为零售业链条中的核心,消费者与生产商的态度并不重要。生产商想要销售商品必须要打入这些零售商渠道,消费者也只能在零售商们所提供的有限选择的 SKU 里选择商品。

2010年沃尔玛供货商曾向《时代周报》诉苦,因为沃尔玛的“压榨”利润薄如“刀片”,而这一现象背后正因为在“场”时代里零售商过于强势所造成。

进入90年代,随着互联网的普及,亚马逊、阿里巴巴、京东、当当等电商平台的崛起,让零售进入品牌时代。

电商相比传统零售有一个巨大优势,那就是可选择性更多,并且因为不用“缴纳”昂贵的租金,在产品售价上电商平台相比传统商超也有着巨大的优势。但从零售业态的根本变化上,电商带来的“无限选择权”才是真正的“杀器”。在传统零售时代,每个消费者都有自己的活动半径,而你的活动范围决定了你对商品的选择范围。

举个例子说,过去,“羽绒服”在南方是稀缺商品,因为即使是南方温度骤降,如果没有零售商“倒卖”羽绒服来到消费者的所在地,那么无论这个消费者多么需要一件“羽绒服”,受限于零售商没货,消费者根本无法购买到自己最需要的产品。电商时代,无处不在的物流快递线路,让商品交易突破了地域限制。在互联网时代层出不穷的“爆款”,正是在互联网的商业逻辑下才会出现。打破“场”的限制之后,品牌的重要性就开始凸显,也就是进入了“货”的时代。

以互联网手机小米为例,每一代上市都会瞬间被“抢光”。2018年7月30日,10万台小米8探索版仅0.1秒瞬间秒光,这是传统商超无法想象的销售速度,就算传统商超里有10万人同时在等待某款产品,也不可能在0.1秒的时间里瞬间售光。在电商时代,商品品牌的效应被无限放大,消费者再也不用被实体商超有限的SKU所局限,在互联网上喜欢什么品牌直接购买即可,自主权大大增加。

从“场”到“货”的变革是零售业服务理念上的巨大提升,然而这两种模式仍有自身的缺陷:

首先,以电商为例,在标品的售卖中,电商具备非常大的优势,而在非标品上却短板明显。比如说,每一个款式的衣服穿在不同人身上效果不一样。完全在虚拟场景中交易的电商,很难为用户提供“极致”的消费体验。无论电商平台商品页上的宣传画多么精美,介绍视频多么细致入微,相比于“亲自”触摸或试用都存在巨大的差距。无法提供实物体验,是电商至今没有逾越的鸿沟。

其次,线下商超由于屋里空间的局限,永远无法突破“SKU”上的短板。由于数字化程度较低,缺乏对用户消费心理的有效“洞察”,在商业地产租金越来越贵的当下,即使沃尔玛、家乐福、永辉超市这样的实体商超巨头,在选择店址和商超面积上都会精打细算。虽然,线下商超通过选择繁华的地段、采用精美的装修,以及精挑细选的商品将场景氛围烘托到极致,可永远无法满足所有用户的需求。

新零售应运而生,它的本意是要结合线上线下的优势,围绕消费者的真实需求,也就是“人”来重构零售。所谓的新零售,即“人”零售时代的到来。

免费学习资源 | 这一波精神食粮,你吃不吃?

​​

筒子们!童鞋们!烙铁们!2019年只剩最后三分之一啦,不知道前几个月努力工作学习的你,是否获得了长足的进步呢?8月贴了秋膘,9月就更要有一些精神的食粮,今天,小编就为大家推荐一波学习资料!

今天的项目来自GitHub,是一份免费的书籍大集合。

项目地址

https://github.com/EbookFoundation/free-programming-books/blob/master/CONTRIBUTING-zh.md

在项目介绍中提到了这个项目的历史,最初是在stackoverflow上发起的,由Karan Bhangui和George Stocker贡献。

后来项目由Victor Felder迁移到了GitHub进行协作更新和维护。现在已经有12万+star,超过31000个fork。现在这个库由Free Ebook Foundation基金会管理,该基金会是一个促进免费电子书的创建,分发,存档和可持续性的非营利组织。

书籍中文列表地址

https://github.com/EbookFoundation/free-programming-books/blob/master/CONTRIBUTING-zh.md

在贡献的时候,项目就会要求贡献者确认书籍是免费的,也不能是留邮箱才能获得的书籍,这样极大的方便了大家的获取。

所有书籍分为两大部分:与语言无关的:如IDE、分布式、函数、编译原理;与语言相关如Python,R,Scala等。

1. 语言无关

  • IDE
  • Web
  • WEB服务器
  • 其它
  • 函数式概念
  • 分布式系统
  • 在线教育
  • 大数据
  • 操作系统
  • 数据库
  • 智能系统
  • 正则表达式
  • 版本控制
  • 程序员杂谈
  • 管理和监控
  • 编程艺术
  • 编译原理
  • 编辑器
  • 计算机图形学
  • 设计模式
  • 软件开发方法
  • 项目相关

2.语言相关

  • Django
  • AngularJS
  • Backbone.js
  • D3.js
  • ExtJS
  • impress.js
  • jQuery
  • Node.js
  • React.js
  • Vue.js
  • Zepto.js
  • Android
  • AWK
  • C
  • C#
  • C++
  • CoffeeScript
  • Dart
  • Elasticsearch
  • Elixir
  • Erlang
  • Fortran
  • Golang
  • Haskell
  • HTML / CSS
  • HTTP
  • iOS
  • Java
  • JavaScript
  • LaTeX
  • LISP
  • Lua
  • Markdown
  • MySQL
  • NoSQL
  • Perl
  • PHP
  • PostgreSQL
  • Python
  • R
  • reStructuredText
  • Ruby
  • Rust
  • Scala
  • Scheme
  • Scratch
  • Shell
  • Swift
  • TypeScript
  • VBA
  • Vim
  • Visual Prolog
  • WebAssembly

每一项下都会再有具体的资源列表,比如:

这简直就是个小型的电子图书馆嘛!需要的时候根据首字母定位资源再去查阅就可以了。

好了!可以收藏学习了,有好的免费书籍也可以去贡献呀。

作者:TDU

本文转载自:TalkingData数据学堂

封面图来源于网络,如有侵权,请联系删除​​​​

逐鹿十五年,Java宝刀未老,Python青出于蓝!

 

哪种编程语言最火爆?

在不同的时代,这个问题也有着不同的答案,而一部编程语言的使用人数变迁史,实际上也是一部计算机世界的成长编年史。

一位名叫PYPL的油管up主很尽心地统计了从2004年到2019年,每个月使用人数最多的15种编程语言,并将这15年来的变化,制作成了一个4分钟的视频。

在这部TOP15的编程语言榜单中,我们可以看到各种不同编程语言的流行度起伏。除了今天主流的Python、Java、JavaScript、C++、R外,在这个榜单曾拥有姓名的还包括C#、PHP、Objective-C、Matlab、 TypeScript、Go这些不那么熟悉的名字。

而细细推敲每一次的榜单变动,在感叹各种编程语言更新迭代之快的同时,也看到了一幅完整的计算机和编程世界变迁史:比如2004年JavasSript语言的一度火爆,得益于网游产业的兴起;而11年左右Objective-C的流行归功于iPhone的成功,编写iPhone应用程序的主要编程语言是Objective-C。

下面,请随我一起,沿着时间线,回顾各种语言的变化史。

故事开始:位居榜首的四大金刚

故事开始于2004年8月,这一年,Java用户量最多,其次是PHP,C/C++,JavaScript。Python在这时候还是个比较小众的编程语言,用户量并不多,排在第九位。

 

位于榜首的这四大金刚是怎样的语言,它们各自又有什么样的特点呢?文摘菌带大家先来科普一下:

Java最初由Sun Microsystems开发和支持,而在2010年1月Sun Microsystems由Oracle收购,因此这之后开发和支持工作由Oracle完成,Java创建的宗旨是WORA,“Write Once Run Anywhere(代码运行无边界)”,Java的平台独立性是其在企业界取得成功的支柱之一。

PHP最初由Rasmus Lerdorf于1995年创建,PHP广泛用于构建动态网页和服务器端开发。

Dennis MacAlistair美国计算机科学家Ritchie于1967年至1973年间在AT&T贝尔实验室创建了C编程语言,C非常流行并广泛用于系统编程,它比Java的历史更久远,但它仍在编程语言中占据一席之地。C++被开发为C的下一代语言。它具有面向对象的编程功能,与更结构化的C语言相比,这一功能是十分令人惊叹的,因为它非常接近本机系统和而且具有面向对象特性,在金融的高频交易领域被广泛使用。

JavaScript是一种广泛运用于客户端的解释性脚本语言,由Brendan Eich设计,并由Netscape Communications Corporation开发,在浏览器中可解释运行,跨平台性能良好,几乎每个主要网站都在使用这个语言。

在视频开始,这四种语言在2004年初居榜首,实力地位不可撼动,而后随着各大编程语言的迅速崛起,这种形式逐渐发生着变化。

2004.09-2004.10:网游市场下的JavaScript vs VB

2004年9月到10月,JavaScript一直在与Visual Basic(简称VB)语言争高下,2004年网游市场风起云涌,包括JavaScript在内的很多编程语言开始兴起,使得JS一度超越Visual Basic位居第四。

2004年,《三国策Ⅲ》于9月25日由皓宇互动开发,《武林外史》是2004年11月28日由韩国CR-SPACE公司耗时2年时间开发完成的全3D纯武侠网络游戏,除此外还有《传奇》等经典网游,这些游戏产业的兴起,使得游戏开发中需要使用到的JavaScript语言一度火爆,用户人数增长直逼Visual Basic,有一段时间甚至超越Visual Basic。

三国策游戏主页

三国策游戏主页

武林外史游戏截图

武林外史游戏截图

当然Visual Basic(简称VB)也不甘示弱,Visual Basic 是Microsoft公司开发的一种通用的基于对象的程序设计语言,其在发展过程中的第三方控件和GUI极大方便了数据访问和程序开发。在引入.NET Framework 后,2004年,微软开放了Visual Studio 2005的测试版本(代号Whidbey),包含了.NET Framework2.0的测试版本有关,使用Visual Basic的用户上升,再一次超越JavaScript,出现了上图中两者“争执”的局面。

2004.12-2005.01:争执不休的Python和Delphi

Delphi是Windows下的开发平台,其最初原型是DOS时代盛行一时的“BorlandTurbo Pascal”。

“真正的程序员用C++,聪明的程序员用Delphi”,这句话是对Delphi最经典、最实在的描述。Delphi被称为第四代编程语言,它具有简单、高效、功能强大的特点,和VC相比,Delphi更简单、更易于掌握,而且在功能上丝毫不逊色;和VB相比,Delphi则功能更强大、更实用,可以说Delphi同时兼备了VC功能强大和VB简单易学的特点。

而我们现今广泛使用的Python,这一解释型脚本语言,于1991年发行,Python 2于2000年10月16日发布,稳定版本是Python 2.7,自从2004年以后,Python的使用率呈线性增长。

这一时间区间,Python和Delphi“争执不下”主要是由于Delphi9.0版本于2004年末发布,在语法方面:加入了inline及for in loop等功能;IDE方面:把Borland Delphi. Net、Borland Delphi Win32、Borland C#、Enterprise Core Objects等环境和功能集成成一个开发工具,因此可以在Win32和.NET开发环境中切换或同时进行,这些功能的优化使得Delphi的用户数动态变化,与Python展开激烈“争执”。

C#的两次“跃进”

​2006年年初,C#超越Perl,位居第6:

 

Perl是一种高级的、通用的、解释的、动态的编程语言,Perl由LarryWall在20世纪80年代中期设计和开发,因其出色的文本处理能力而声名鹊起,被广泛用于CGI、数据库应用程序、网络编程和图形编程。

2006年5月,C#成功超越Visual Basic位居第5。

 

C#为什么能在2006年来两次绝地反杀呢?它是一种怎样的语言?

C#是微软公司在2000年6月发布的一种新的编程语言,是第一个面向组件的编程语言,它借鉴了Delphi的一个特点,与COM(组件对象模型)直接集成,并且新增了许多功能及语法,而且它是微软公司.NET windows网络框架的主角。

那么为什么在一年内,它能超越其他两种语言?2006年又有哪些不平凡呢?

文摘菌将时间定位到2006年1月1日到2006年12月31日,在必应中搜索C#语言,搜索得到的结果如下:

 

点击此处添加图片说明文字

站在后人的角度看当时人们对于C#语言的理解还挺有意思的,2006年人们对于C#语言还是充满了疑问,产生了C#与C语言的区别,C#.NET的前景如何诸如此类的问题,同样的在百度搜索引擎中输入C#语言得到的结果如下:

 

 

2006年web2.0的兴起,同年,网络游戏免费模式继续得到了大规模推广,像盛大公司的《传奇II》和《梦幻国度》,C#和与Unity结合的敏捷游戏开发,使得那段时间的C#开发一度火热,抛却时势使然,还有C#搭建桌面应用的便捷性以及C#3.0的发布。

在2005年9月份的PDC大会(Professional Developers Conference微软专业开发人员大会)在大会上,发行了C#3.0(研发代号“Orcas”——魔鬼)的技术预览版。

C# 3.0则是率先实现了LINQ的语言,可以用类似于SQL语句的语法从一个数据源中轻松地得到满足一定条件的对象集合。例如要查找一个字符串数组names中所有长度大于5的字符串,就可以写:var longname = from n in names wheren.Length > 5 select n;

这些原因加起来,使得C#在2006年成为程序员的“宠儿”。

2007.04-2007.05:Javascript 与C/C++持续叫板

​2007年4月到2007年五月,Javascript一直在与C/C++叫板,不过最后还是JavaScript稳居第三,JavaScript做为门户网站的必备语言,2007年5月开始,千龙网、新浪网、搜狐网、网易网、TOM网、中华网等11家网站举办“网上大讲堂”活动,旨在通过网上授课的形式与网民互动,传播科学文化知识,C/C++短期内的火爆还是没有撼动Javascript在网站开发方面的地位。

 

2008年C#和Python的攀升

​08年除了C++和JavaScript相持不下外,也同样见证了Python的两次逆袭和C#第一次超越C/C++。

2008年年初,Python超越Perl:

 

2008年10月,Python超越Visual Basic,仅次于C/C++:

 

同年7月,C#超越C/C++位居第四:

 

2008年到底发生了什么?使得这两种语言能够脱颖而出呢?

08年,汶川大地震、北京奥运会等重大事件促进网络媒体提升主流媒体价值,同时中国网民跃居世界第一,虽然受到金融危机的影响,互联网的浪潮已经是大势所趋。

Python的Web开发,只需要下载引入一些成熟的包,这些便利性是Python的优势所在,同时3.0版本在后续的发布,也吸引了一批开发者,使得Python在一年内两次攀升。

至于C#的攀升,不难理解,游戏市场和桌面应用的持续发酵,腾讯于2008年新推出的《穿越火线》等一系列游戏在催生着C#的发展。

Objective-C的开挂历程

​2011年11月到2012年1月,Objective-C一路开挂,超越Ruby和Matlab居第8位。

 

Matlab是商业级别的数学建模软件,这个语言我们耳熟能详,那Objective-C和Ruby又是什么语言呢?

Ruby最初是由日本的Yukihiro“Matz”Matsumoto在20世纪90年代中期设计和开发的,主要用于Web应用程序开发,被Twitter、Hulu和Groupon等各大网站所使用。

Objective-C看到这个语言的标识,就知道和苹果有点关系了,它是扩充C的面向对象编程语言,主要使用于Mac OS X和GNUstep这两个使用OpenStep标准的系统。

2011年10月4日,苹果发布了第五代iPhone,即iPhone 4S,这款手机采用了iOS 5系统,并与Twitter进行了整合。

 

Objective-C的流行归功于iPhone的成功,编写iPhone应用程序的主要编程语言是Objective-C。

Python的大反击!这匹黑马如何逆袭?

​2013年5月,Python第一次超越C/C++成为排名第四的语言。

 

到了2013年12月的时候,Python已经超越C#,跃居第三。

 

2013年再一次见证了Python这匹“黑马”的实力,时代造就英雄,这背后是时代使然,也是必然。

12年到14年,“云计算”这个词出现在大批创业公司和巨头的耳中,大家都在做IAAS,很多著名的云计算开源平台都是基于Python开发的(如OpenStack),催生出不少的Python岗位,Python的开发者和用户普遍增多。

OpenStack链接:https://www.openstack.org/

 

2014年到2015年“大众创业,万众创新”的口号响彻祖国的大江南北,什么语言最适合快速搭建原型呢?Python再一次展露头角,在2015年末成功超越PHP成为用户量最多的第二大语言,紧逼之前一直稳居第一的Java,在这以后,Python用户量逐渐增长。

小插曲:被R超越的Objective-C

2017年9月到10月间Objective-C和R语言一直争执不下。

 

Objective-C之前有了解,那R语言又是怎样的语言呢?

R是属于GNU系统的一个自由、免费、源代码开放的软件,它是一个用于统计计算和统计制图的优秀工具,R是受S语言和Scheme语言影响发展而来,其最主要的特点是免费、开源、各种各样的模块十分齐全,在R语言中,提供了大量的第三方功能包,其内容涵盖了从统计计算到机器学习、从金融分析到生物信息、从社会网络分析到自然语言处理、从各种数据库各种语言接口到高性能计算模型,可以说功能十分齐全。

Python人数在快速增长的同时,为什么有R语言超越Objective-C这一局面呢?

2016年3月,阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战,以4比1的总比分获胜,这足以使人们意识到“人工智能”不再是概念,解决一些此领域的问题,难免需要对数据做统计,运用机器学习的算法解决问题,R语言做为优秀开源的统计工具,也是在这一时期内用户量波动攀升的原因。同样Python中大量的科学计算包,也使得用户量一度紧逼Java,Python有可能超越Java吗?别急,时间会告诉我们答案。

Python终得桂冠

​2018年2月到5月,使用Python语言的人数不断增多,大有赶上Java的趋势。

 

到了2018年6月,Python已经超越Java成为用户量最多的语言。

点击此处添加图片说明文字

2018年7月到8月,Python居榜首后,Java用户量不断减少,而其用户量的不断活跃增多,这其中可能是一部分Java工程师投入了Python的怀抱。

 

一份2017年来自Python Developers Survey的数据显示如下图:

来源:Python Developers Survey

来源:Python Developers Survey

Python开发者占比比较多的依次是美国、印度、中国(2017年的调查数据,仅供参考)

而到了2018年8月的时候已经成为用户量最多的编程语言。

 

Java的跨平台性和稳定性,一直让其成为编程界的第一把交椅,实力地位不可撼动、但其冗长的语法让很多开发者诟病,这也是Java开发者减少的原因。

Python在很多领域都能扎根,如:Web开发、金融、运维、机器学习、AI等,从来没有一个语言能涉及如此多的领域,其他因素包括:

  • 世界科技巨头喜欢它,谷歌、Youtube、Facebook、IBM、NASA、Dropbox、雅虎、Mozilla、Quora,Instagram和Reddit只是技术领域的一些巨头,它们将Python用于各种用途,并且一直在寻找Python工程师。例如,谷歌使用Python从AI算法到App Engine Cloud。同时,99.9%的Dropbox代码采Python,包括服务器后端,桌面客户端,网站控制器逻辑,API后端和分析工具;
  • Python广泛用于机器学习,随着数据科学的兴起,Python作为科学语言的普及程度已经飙升,有许多用Python编写的机器学习库,以及大量的工具,可以轻松地进行机器学习;
  • Python对于初学者来说是完美的,它是初学者程序员的绝佳选择,因为它的语法简单灵活,使用Python,您可以轻松地开始使用,并立即着手构建可用的东西,早期的这种成就感是学习编码的一个非常重要的因素,近五分之四的Python开发人员将其用作主要语言;
  • 它可能只是你需要的唯一语言,这是可能的,因为Python是一种多功能语言。根据Skill Up 2018开发人员技能报告,Python是一种脚本语言,它为从笔测试者到DevOps工程师的每个人提供了很大程度的控制—它允许他们解决问题,您可以使用Python来构建网站,开发GUI,分析数据,将其他语言“粘合”在一起,这意味着您可以使用这种语言来满足您的开发需求。

Python如此受广大开发者欢迎,那么具体Python开发者的薪酬有多少呢?会不会很诱人呢?

美国各州Python开发者平均薪酬大起底

到了2019年,美国哪个州Python程序员工资最高呢?daxx网站大起底,如下图所示:

来源:daxx.com

来源:daxx.com

来源:daxx.com

来源:daxx.com

研究显示:

  • 根据Gooroo的说法,美国平均Python开发者薪水为110,021美元。纽约和加利福尼亚拥有最高的Python开发人员薪水——相应的122,135美元和121,443美元。
  • 另一个有趣的事情是加利福尼亚州,纽约州,马萨诸塞州和弗吉尼亚州在美国拥有最多的开放Python职位。

有一个大趋势表明专门研究稀有技术的开发人员比那些知识更广泛的语言的人提供更多的工资,是不是相比Python,其他偏冷门的编程语言工资更高呢?事实并非如此,下面两个图表告诉你答案,Python是一个例外。

Python与其他编程语言薪酬对比

​根据Gooroo的说法,Python开发人员的平均工资是每年110,021美元,这使得Python成为该国第三大收入最高的编程语言,只有Java和Ruby领先。

Python开发人员的薪水与其他编程语言比较图

Python开发人员的薪水与其他编程语言比较图

观察上图可以发现,Python开发者的薪酬在2017到2018年之间一直水涨船高,遥遥领先,不过到了2018到2019年有下降的趋势,这也和上面Gooroo的调查一致,虽然如此,Python也居薪酬前列,Python做为现今人工智能领域的工具,其火热程度可见一斑。

以上从2004年到2018年,回顾了15年来各大语言的沉浮史,下面将对这些变化做总结,以古为镜,可以知兴废。

总览语言浮沉史

 

上面这幅图,将2001年到2018年,各种语言在TIOBE的排名绘制成了折线图,不难看出,从2004年起,Python一路披荆斩棘,走上神坛,而其他语言,Visual Basic、C#等排名有下滑。

正如《琅琊榜》中的诗句所言:“遥映人间冰雪样,暗香幽浮曲临江,遍识天下英雄路,俯首江左有梅郎。”时势造就英雄,现今AI有Python。

相关报道:

  • https://www.daxx.com/blog/development-trends/python-developer-salary-usa
  • https://www.youtube.com/watch?v=yL704C1PI4o

作者:宁静

本文转载自:大数据文摘

营销秘技丨宁发100张优惠券也不降1块钱,为什么?

接到读者私信,问:“为什么各个快餐品牌日常在发各种各样的优惠券,而不是直接打折呢?搞得好麻烦,好混乱”。嗯,小明觉得这个问题很有代表性,今天就从这个角度讲讲卡券的魅力。

在讲卡券之前,先讲一个经济学的概念——“消费者剩余”。它指的是,消费者消费一定数量的某种商品愿意支付的最高价格,与实际支付价格之间的差额。作为商家,做到消费者剩余越小,那么消费者所付出的价格就越高,利润也就越大

实际场景中,假设一个汉堡的成本为5块钱,小红是个收入稳定的人,他愿意为这个汉堡支付的最大金额为20块钱;而小明是个学生党,他对这个汉堡愿意支付的最大金额为15块钱。如果汉堡定价为10块钱,那对于这个商家,小红的消费者剩余为10块钱,而小明的为5块钱。

简单的想要减少消费者剩余只需要提价,然而当价格提到超过15块钱的时候,商家就会损失小明这个消费者,而超过20块钱的时候两个消费者都会失去。

计算一下:当这个汉堡的价格分别定为10块、15块、20块、25块的时候,商家从两位消费者处获得的总利润分别为:(10-5)*2=10、(15-5)*2=20、20-5=15(小明因为价格高而没有买)、0(两位消费者都因为价格高没有买);

(图:随着价格增长之后利润的趋势变化)(图:随着价格增长之后利润的趋势变化)

这时候你会发现,合理的定价才能带来利润的最大化,而不是价格越高越好。但是没有一个消费者会直接向商家说明自己意愿支付的最高价格,这时候卡券就横空出世了。

你会发现很多快餐品牌常年在发优惠券。还是在之前假设的场景,汉堡定价为20块钱,同时可使用一定额度的优惠券。最高愿意支付20块钱的小红选择了直接购买,而最高只愿支付15块钱的学生党小明开始全网四处寻找优惠券,当他找到5块钱优惠券的时候便开心的去店里下了单。这时这个汉堡在小红和小明两人的消费者剩余都为0,商家实现了利润的最大化(20-5+15-5=25)。

在经济学中,这种把相同的商品用不同的价格卖给不同的消费者做法叫做“价格歧视”,也就是区别定价。商家根据消费者不同的身份、位置、购买量、时间等收取不同的价格,它可以帮助商家从不同的消费者身上赚取不同的差额利润。比如航空公司,我们坐飞机时环顾四周,虽然我们和身边其他旅客收获的服务完全一样,但每个人支付的机票价格却不尽相同。

价格歧视是一种能够促进生产、减少浪费、增加消费者满足感的商业行为。谈到这里你可能会想,大家都不傻,为啥不都用优惠券买汉堡。老话说得好:“天底下没有免费的午餐”,如果想获得优惠券,你往往需要花费很多时间和精力来搜索这些信息,或者你需要牺牲自由选择权——商家可能会限制优惠券只能用于相应的组合套餐。像比较富裕的小红,就不太会选择为了这一点点的优惠而耗费自己的时间和精力,或者购买自己不喜欢的套餐,所以这部分消费者不会选择使用优惠券。

你以为优惠券只能通过区别定价来实现商家利润的最大化?不止如此,回到本文主题:为什么快餐品牌会发放优惠券而不是直接降价?

因为优惠券还可以降低消费者对价格的敏感度。你会发现商家的优惠券价格或者商品套餐在不停的变换更新,这样变来变去的会让消费者逐渐失去对优惠券价格的敏感度,最后只记得使用优惠券比直接门店消费要便宜。

你可能又会问了,变来变去那么麻烦,直接降价不是更省事?直接降价可以带来销售额的上升无异于饮鸩止渴、竭泽而渔。降价是很爽,一直降,一直爽;但之后的提价难,难于上青天啊。而且这种刺激也只是暂时的,很快消费者就会忘记原价,甚至认为商品可能本来就不值钱,拉低商品的定位。在消费过程中,消费者往往不喜欢买便宜货,而是喜欢占便宜的感觉。这时候如果再想重新拉回原价,消费者恐怕就不愿买单了。

我是小明,一个集才华与美貌于套路中的营销小学生,咱们下篇文章再见!


相关阅读:

营销秘技 | 卡券套路深,连接地球村

营销秘技丨被薅羊毛还能皆大欢喜?卡劵+红包就完事儿了!

营销秘技丨人肉地推已经过时了,数字卡劵了解一下?

营销秘技 | 人见人爱的红包你真的会发嘛

作者:TalkingData岳小明

封面图来源于网络,如有侵权,请联系删除