:::: MENU ::::

TalkingData's Blog

现在开始,用数据说话。

Blog

  • Jan 04 / 2018
  • 0
Ideas

锐眼洞察 | 2018年电子商务10大趋势(翻译)

作者:Absolunet

原文:10 eCommerce Trends for 2018

译者:TalkingData架构师 郑晓红

本译文禁止商用,转载请注明来源与译者!

译者注:

该文是Absolunet的一份调研报告,对电子商务在2018年的发展趋势进行了总结,主要有以下几个方面:

  1. 线下实体店将更加注重用户体验,提供各种高科技和交叉业态的体验手段,比如服装店提供咖啡,理发等服务。
  2. AR技术在销售中的利用,使得购物非常方便,提高转换率和用户体验。
  3. 机器学习使电子商务具有更加个性化,更加理想的用户体验。
  4. 语言搜素和图片搜索将改变购物体验,进一步提升转换率。
  5. 从购买渠道上来说,以浏览器为主的购买方式,将被弱化,用户可以通过更多的渠道进行购买,比如:智能设备等。
  6. 通过数据和实体店的归因模型,能够知道数据化的投入和产出比。

今天,电子商务/数字化对到店购买的影响达到56%,而电子商务本身占美国零售总额的10%,而这个数字每年增长近15%。数字商务已经不仅仅是“在网站上购物”,而是为了购买商品,通过技术手段进行的一系列互动。

正如这些数字所暗示的那样,如果不是顾客首选的渠道,商店就无法生存;零售商需要充分整合数字商务才能繁荣起来。同样,B2B接近电子商务的引爆点,2018的变化将更加频繁。

作为北美洲领先的电子商务机构与零售和B2B客户如Fujifilm、Structube、Grimco、Stokes、Garneau、La Vie en Rose、Birks and SAIL,这里仅仅举几个例子,Absolunet对电子商务的发展趋势进行了总结排名。为了让公司能够更好的发展,需要注意2018年的这10个趋势以确保线上和线下的销售增长。

1. 线下实体店的重生

基于数字化的新型零售店和亲身体验,将开始取代传统的零售商店。

店面零售不是在消亡,而是已经开始进行痛苦的转型。

根据以往实体店的经验,现场互动比以往任何时候都更重要。商家必须把线上展示、线下展示、活动、产品演示、店内体验甚至更多因素结合起来。

纯在线商家需要付出更多的线下工作,因为消费者会继续关注线上购物的多样性和深度,以及在线下购买、取货和退货的便利性。

实体店的商家将会对他们的物理设施进行数字化,并为了顾客的体验和便利在实体店中推出一些新的功能,这些都具有很强大的数字化特征。

网上男装品牌Frank And Oak在北美洲开有16家实体店。在这些实体店内,可以品尝到优质咖啡和享受理发服务。

Nordstrom百货开了一家3000平方英尺的商店,该商店没有商品,而是专注于服务和品牌体验,例如:剪裁、试穿、设计等。另外,还提供鲜榨果汁和美甲的服务。该商店也是在线商店的取货和退货点。

Casper是线上床垫的领先品牌,它于2017年在美国开设了15家快闪商店(pop-up shops)。

波特兰的Velo Cult在一个城市拥有80家自行车行,它突出的特点是在商店中融入各种其他文化元素。他们带来了精选的新款、定制和老式自行车,提供至少12种工艺啤酒、现场烘焙品和咖啡,并为当地音乐家提供舞台。

Home Depot在线上赚了50亿美元,但它的首要任务仍然是一流的店内体验,为客户的旅行提供DIY业务和专业承包的服务。

IRL(In Real Life)在芝加哥的水塔广场大厦的快闪店,只是一个用来展示线上商品的陈列室。

Kanuk‘s是加拿大标志性的皮衣品牌,它独特的店内体验包括:一个-25˚C (-13˚F) 冷冻室用来试穿皮衣在真实的寒冷冬天的效果。

2. B2B的消费化

B2B电子商务的困境。

这场完美风暴(注:独立发生时没有危险性但并发时会带来灾难性后果的事件组合)即将席卷近1万亿美元的B2B电子商务部门。

不断变化的B2B买家的期望推动了类似B2C的功能需求,此时,商业能力中对B2B的投资是大多数B2B首席执行官需要优先考虑的。擅长数字化的90后员工的增长、移动设备的无处不在、电子商务技术不断优化,推动着缓慢发展的传统B2B行业。

随着许多B2B买家和用户继续将产品的发现和购买行为转向在线和移动端,他们将在2018年体验到第一次流畅的、类似B2C的购买和订购。从打印目录到电话销售的所有(销售方式),正在被数字化优先的发现和以买方为中心的简化订购流程所取代。

这种易于订购/易于互动的业务将会增加订单量,也会增加把用户作为购买体验核心的供应商的预算。这样的购买体验,是他们从20年的B2C和零售电子商务的经验教训中总结出的。

* 完美风暴的解读

  1. 到2019年,B2B企业比电子零售商在电子商务技术上花费更多。
  2. 在2017年,56%的B2B买家希望将在线上购买的比例占到一半或更多,而在2014年只占到30%。
  3. 美国的B2B电子商务市场可能达到1.1T,占到所有B2B销售额的12.1%,到2020年将达到6万亿美元。
  4. 电子商务平台供应商(Magento,Insite,Sitecore,Oracle,Hybris等)正在推出与复杂的B2B业务规则(部分订单,批量定价等)共存的B2C类功能。
  5. 现在B2B购买者/研究人员的平均年龄小于35岁。
  6. 89%买家在B2B购物过程中使用在线搜索,74%的人购买超过50%的商品。
  7. B2B研究人员中,有71%的人开始使用通用非品牌搜索,在与特定供应商的网站进行交互之前,平均进行12次在线搜索。

在多个B2B市场中,市场巨头Amazon和阿里巴巴已经成为“购物领域的谷歌”,他们模糊了B2B和B2C之间的界限。

  • 2017年10月,Amazon推出了商业级航运,这是面向美国和德国企业的年度付费会员计划。
  • Amazon Business在5年内积累了超过100万个“Amazon Supply”用户。
  • 作为Amzon汇集了包括自身在内的30000多卖家的集市(marketplace),Amazon Business在第一年实现了10亿美元销售额,并每月增长20%。
  • 在中国,阿里巴巴占据了在线销售市场80%的份额(没错,80%),它的核心是一个用于连接西方企业和中国制造商的B2B门户。

3. 在你家里的AR

从“它看起来是什么样子”到“在你家里看起来是什么样子”。

在2018年,AR(Augmented Reality)将会被大量使用于品牌的推广,让消费者能够在购买之前通过移动设备在家里或办公室对所购买的商品进行可视化操作。

从沙发,到搅拌机,再到像家具或浴缸这样的大型商品,消费者将能够在订购之前确切了解该商品在实地中的样子。这将会增加“大商品”以及相关运输和服务的订单数量。AR也有助于减少退货——在电子商务行业中价值2600亿美元的问题。

苹果CEO库克称苹果为“具备AR(能力)的市场领导者,并指出在App Store上已经有1000多个带有AR功能的应用。据此,他说,AR首先引起营销人员兴趣是来源于现已成为‘主流’的类似Snapchat的应用和虚拟游戏口袋妖怪的游戏的成功,并指向那些零售、游戏、娱乐、教育类应用以及无论大型还是小型的企业。”

Houzz’s应用程序可以让你从500000种商品图片中进行挑选,让后将多个商品“放到”你的房屋中。数百万的顾客在没有使用Houzz应用程序之前,需要使用2.7倍的购物时间。

Amazon将AR直接添加到其现有的、聚焦转化的应用程序的搜索功能中。AR视图功能让你能够在购买之前,查看包括电子产品和工具在内的成千上万个产品在你家中和办公室中的效果。

宜家的Place是一个AR应用程序,可以让消费者添加宜家产品到任何空间并体验、试用和分享。产品是3D并成比例的,所以消费者可以看到家具或配件是否合适,以及在实际环境中看起来是什么样子。

4. “ROPO”: 零售商数字化成功的新措施

终于,对数字广告的店内ROI进行统计。

零售商现在能够了解店内销售额中有多少来源于在数字化上的投入,这归功于连接数据和商店的可靠的归因模型——ROPO Ratios (ROPO: “Research Online, Purchase Offline”)

82%的移动用户会搜索本地的商业,而18%的本地搜索会在24小时内带来销售。

衡量一个零售商的ROPO占比——即数字化运营和投资对商店的影响,对零售商来说更加先进并将更加容易获取。

结合移动设备和支付、社交媒体、个性化、定位/移动追踪,使用先进分析工具的实时库存、ERP、CRM和POS系统,零售商将能够找出哪些广告、列表和网站访问为实体店带来了到访和购买。

加拿大自行车零售商Primeau Velo有9:1的ROPO比例,即每在线上投入1美元将会产生9美元的实体店销售额。

英国零售商Matalan发现,在AdWords上每花费1英镑,将能带来46英镑的销售额,其中有31英镑是实体店的销售。

5. 移动支付方式超过桌面支付

移动电子商务的最大挑战将成为其最大的资产。

从购买产品和更新服务到实际支付和在店购买,移动支付将成为一种任何消费者都希望能够使用的便利,所以商家也不可忽视。

包括指纹识别和面部识别在内的移动支付技术的进步,将提高移动支付的交易比例。

随着谷歌、三星和苹果在支付技术方面的进步(他们的用户基数翻了一番),移动支付可能开始成为零售购买的首选支付方式,到2018年底移动支付将达到所有支付手段的70%。

星巴克有10%的订单是通过其移动订单和支付应用程序完成的。支付平台如此受欢迎,以至于2月的手机订单量超过了员工服务能力,导致了史上最长的等待时间。

美国银行Wells Fargo允许客户使用5000多台自动柜员机取款。

中国创纪录的90%,2017年“双十一”的销售额达254亿美元,其中移动和手机购物占总销售额的97%,大部分由阿里巴巴支付处理平台支付宝处理。

电子商务巨头的无货商店原型店Amazon Go可以让顾客轻松购物并离开商店。 购物将被自动扫描并记入他们的账户。

Paypal支持Android Pay、三星Pay、Apple Pay、Visa,万事达卡、Facebook和几家主要银行,使得其成为很多商家和消费者在移动支付方面的首选(和首次体验)。

6. 机器学习×电子商务

机器学习+人工智能将创造理想的客户体验。

人工智能将创造完美的、定制化的客户体验。这意味着千禧一代将有可能成为接受推销的最后一代。这标志着,2018年大多数零售商和品牌的目标市场定位,将从市场营销转向预定义的、相对较大的和多样化的人群,如千禧一代或婴儿潮一代。

随着品牌和零售商更好地利用消费和行为数据,电子商务的计划将更加目标明确、更接近一个不可思议的构想:一对一营销。就像店主知道客户的名字和喜好那样。

“在电子商务的背景下,喜欢‘星球大战’的人不需要被归类为广义的人口统计群体,他们的行为和偏好已经非常丰富。”——Charles Desjardins, Absolunet Associate

在Dynamic Yield进行个性化测试4个月后,斯托克斯的销售额增长了10%,这要归功于实时的、基于用户行为和每个类别中畅销产品的由AI提供的建议。

以其推荐引擎闻名于世的Netflix现在放弃了地理分割,而是将其9300万全球用户划分为1300个具有相似电影和电视节目偏好的“品味社区”,并根据这些社区中的流行趋势进行推荐。

Westfield正在努力说服其自有商场、甚至是竞争对手商场中的33个零售商与品牌来共享消费者行为和购买数据,以便大家都能更好地针对潜在客户进行相关的销售和促销活动。

7.Amazon与集市(marketplace)成熟的一年

作为一个典型的集市,预计Amazon将继续其野蛮发展。与它的中国同行阿里巴巴一样,Amazon将成为2018的电子商务计划中无处不在的组成部分。

55%的美国人开始在Amazon上进行产品搜索,其销售额几乎达到美国电子商务总销售额的一半(44%,而eBay是7%),几乎占美国所有零售销售的4%。 这些数字将在2018年继续增长。

  • Amazon几乎在其涉足的每个垂直市场中都会继续增加市场份额,而这是以牺牲许多零售商为代价的。 尽管Amazon本身并没有导致破产,但他们将已倒下的零售商的消费者。
  • 在线广告是Amazon发展最快的业务之一,Amazon在2018将升至(这一领域的)第三位,仅次于Google和Facebook。
  • 通过收购Whole Foods Markets,Amazon迅速成为一家拥有超过400家商店的实体商店,同时进入7700亿美元的杂货/食品领域。
  • Amazon是加拿大最值得信赖的零售品牌之一,赢得了23个电子商务类别中的15个,同时在另外4个类别中获得第二位。
  • 当Amazon流行的语音服务Alexa在加拿大推出时,它带来了超过10,000个本地技能和国家特色功能,集成了加拿大航空、TD银行、CBC、theScore、黄页等等。

8. 语音技术将彻底改变Google/SEO和电子商务

如果消费者从不访问你的网站,你如何进行在线销售?

在2018年,消费者会以前所未有的方式与他们的设备交谈并使用语音进行互动(会话式AI)。 零售商、商家和品牌将不得不改变他们的传播方式。

对于搜索引擎优化(SEO),期望一个Wild West-like land来抓取语音关键字,因为语音往往提供一个单一的答案,而不是多个结果。不够好就等于太差。

对于广告来说,展示广告的概念必须适应这种变化,因为现有的一对一的交互可能不再允许这种流行了50年的打扰性的广告模式。

对于电子商务,最大的影响将围绕着以下两方面产生:可兼容/优化语音搜索的深度产品信息、商品库存实时化。

Domino的技术允许用户通过语音命令订购比萨,甚至可以检查订单状态。

Lyft用户可以直接通过支持Amazon Alexa的设备叫车。

Staples计划在它的“Easy Button”中推出支持语音激活的订购服务。

沃尔玛在谷歌快递电子商务平台(Google Express eCommerce Platform)上通过语音获取到数十万的订单,并很快添加了通过Google Home订购而店内提货的功能。 Target、Costco、Kohl’s、Bed Bath&Beyond、Staples、Walgreens等公司也有类似的协议。

9. 图片购物

一张图像(搜索)顶千言万语。

许多用户在2018中第一次使用基于图像的搜索,而不是用文字搜索。事实上,以图像和语音为主的搜索在2020年会占到50%。

随着图像分析自动化在移动设备中成为标准,消费者将能够拍摄一个物体的照片,然后搜索该商品或类似的商品。

将这种能力融入其数字战略的商家将获得丰厚的回报。 首先,他们的产品信息管理投资的投资回报率水平(ROI)将达新高。 其次,由于语言、产品名称、错误或未知的属性不再是搜索的障碍,他们将能够基于其产品提供的图像的质量和多样性进入新的市场。

通过Kim Kardashian的ScreenShop,消费者可以将社交媒体、网络和街边看到的喜欢的搭配拍摄或截图下来,然后转换为不同零售商提供的各种价位的可购买商品,轻松地购物。

eBay的可视化搜索工具允许用户使用他们自己的照片或在线搜索的照片(比如一个最喜欢的博客或网站),在eBay中搜索类似产品。

Pinterest已在视觉搜索技术上投入巨资,将智能手机摄像头变成一个搜索引擎产品。

Target将整合Pinterest的视觉搜索技术——镜头,使购物者可以拍摄任何产品的照片,然后找到类似的商品。

Houzz的视觉扫描匹配(Visual Match)能扫描平台上的照片,并且匹配到可在Houzz Shop购买的商品,覆盖超过800万家居装饰品。

10. 接近顶峰的浏览器

“录像带、录音带、旋转拨号电话…互联网浏览器。”

在物联网(IoT)世界中,我们对浏览器的依赖将开始减弱。浏览器与移动应用程序、AR界面和语音交互混合在一起,将成为众多渠道中的一个渠道,而不再是我们以数字方式购买产品或服务的关键手段。

虽然浏览器仍然是一个必不可少的入口,但是寻求便利的消费者和购买者将会使用其他手段来完成交易。 可以通过移动设备、对话式AI、AR和互联设备以及所运用的数据来实现。

从2018年开始,许多平台不再对浏览器流量有绝对的依赖。 移动支付的改进、从非PC设备购买的便利性、Google的本地存储和地图以及社交媒体等的整合,将创造以用户为中心、流畅、无浏览器的购买体验。

B2B供应商可以直接从应用程序提供给终端用户(例如在屋顶上工作的现场技术人员)提供具备诊断工具、技术信息、安装指南、产品信息、本地库存可用性和订购能力的应用程序。

基于应用程序的购物:无论是基于图片(趋势#9)还是语音驱动(趋势#8)的产品发现、(产品)本地库存与购买(趋势#4)、还是包括账户、付款和快递信息的移动支付,都变得更容易和互联,流畅的交易方式将为无浏览器购物体验提供巨大驱动力,取代对浏览器的需要。

已经到了为容易重复购买和补充的大众商品和基本日常消费品提供自动补货功能的时候;牛奶、灯泡、电池、打印纸、咖啡,这样的商品不需要浏览器也很容易补货。这也是沃尔玛和Amazon之间数字化消费者争夺战的核心战场。

  • Jan 03 / 2018
  • 0
Data

锐眼洞察 | 数据仓库的过去和现在(翻译)

作者:Amber Lee Dennis 

原文:The Data Warehouse: From the Past to the Present

译者:TalkingData数据工程师 孙强

本译文禁止商用,转载请注明来源与译者!

“数据仓库之父”Bill Inmon将数据仓库(Data Warehouse,DW)定义为“支持管理决策过程的面向主题的、集成的、随时间变化且非易失性的数据集合”。在他的白皮书“现代数据架构”中,Inmon补充说,数据仓库代表“传统智慧”,现在是企业基础架构的标准组成部分。

数据挖掘教科书作者Han、Kamber和Pei在KDnuggets的数据科学家Matthew Mayo的一篇题为“大数据关键术语解读”的文章中引用了数据仓库的概念,他将数据仓库定义为一种数据存储架构,允许“企业管理人员系统地组织、理解和使用他们的数据来制定战略决策。“当然,数据仓库是许多现代企业中已知的架构。

数据仓库已经成功地用于多种不同的企业用例,尽管数据仓库也已经转变,但如果他们想要跟上当代企业数据管理不断变化的需求,就必须继续。

Bin Jiang在“Inmon的数据仓库定义仍然准确吗?”一文中 重新解释Inmon的数据仓库定义,称之为“一种基于基础架构的信息技术,用于组织定期整合、收集和准备数据,以便于分析”。

Oracle的数据仓库指南将数据仓库定义为关系数据库:“专为查询和分析,而不是交易处理。 它通常包含来自交易数据的历史数据,但可以包含来自其他来源的数据。 它将分析工作量与事务工作量分开,并使组织能够整合来自多个来源的数据。

Oracle的数据仓库指南以多种方式扩展了Inmon版的四个特点:

  • 面向主题:数据仓库旨在帮助分析数据。 例如,要了解有关公司销售数据的更多信息,可以构建专注于销售的仓库。 使用这个仓库,可以回答“谁是我们去年这个项目的最佳客户?”这样的问题。这种按主题定义数据仓库的能力(在这个例子中是以销售为主题),使得数据仓库以主题为导向。
  • 整合:整合与学科定位密切相关。 数据仓库必须将来自不同源的数据转换成一致的格式。必须解决诸如计量单位之间的冲突和不一致之类的问题。 当实现这一点时,才被认为是一体化的。
  • 非易失性:非易失性是指一旦进入仓库,数据不应该改变。 这是合乎逻辑的,因为仓库的目的是使人能够分析发生了什么。
  • 时间变量:为了发现业务趋势,分析师需要大量的数据。 这与在线事务处理(online transaction processing,OLTP)系统形成鲜明对比,在这种系统中,性能需求要求将历史数据转移到归档。 数据仓库关注随时间推移产生的变化,是时间变量一词的含义。

数据仓库结构

Oracle将数据仓库体系结构分解为三个简单的结构:基础层、具有分段区域的基础层、以及具有分段区域和数据集市的基础层。 基本结构中,操作系统和平面文件提供原始数据、存储数据以及元数据和摘要数据,最终用户可以访问它进行分析、报告和挖掘。 添加一个位于数据源和仓库之间的分段区域,为进入仓库之前要清理的数据提供了一个单独的位置。 Oracle表示有可能“为组织内的不同团体定制仓库架构。 可以通过添加数据集市来实现这一点,这些数据集市是针对特定业务领域而设计的系统。”例如,可以在仓库中为销售、库存和采购单独设置数据集市,终端用户可以从一个或所有部门数据集市访问数据。

数据仓库是如何搭建的?

Eckerson集团首席顾问Wayne Eckerson在一篇名为“构建数据仓库的四种方法”的文章中比较了创建数据仓库最常用的方法。

他说:“数据仓库管理人员需要了解这些方法,但是不要依赖这些方法。 “这些方法论形成了有关数据仓库最佳实践的争论,并构成了由咨询顾问开发方法论的基石。

Eckerson讨论的数据仓库的四种主要方法是:

自上而下法的主要特点:

  • 强调数据仓库。
  • 从设计数据仓库的企业模型开始。
  • 部署由临时区域、数据仓库和“依赖”数据集市组成的多层架构。
  • 暂存区是持久的。
  • 数据仓库是面向企业的;数据集市是功能特定的。
  • 数据仓库具有原子级数据;数据集市拥有摘要数据。
  • 数据仓库使用基于企业的规范化模型;数据集市使用主题特定的维度模型。
  • 用户可以查询数据仓库和数据集市。

自下而上法的主要特点:

  • 强调数据集市。
  • 从数据集市设计维度模型开始。
  • 使用由分段区和数据集市组成的“扁平”架构。
  • 暂存区在很大程度上是不持久的。
  • 数据集市包含原子数据和摘要数据。
  • 数据集市可以提供企业和功能特定的视图。
  • 数据集市由单个星型模式组成,按逻辑或物理部署。
  • 数据集市逐步部署,并使用一致的维度“集成”。

混合法的主要特点:

  • 强调数据仓库和数据集市;融合“自上而下法”和“自下而上法”。
  • 从同步设计企业和本地模型开始。
  • 花2-3周的时间创建一个高层次、规范化的企业模型;通过初始集市来充实模型。
  • 通过非永久性中转区域填充原子和摘要数据。
  • 模型作为一个或多个星型模式的集合。
  • 使用ETL工具填充数据集市,并在ETL工具和数据集市之间交换元数据。
  • 当用户需要在原子级上查看各个集市的视图时,在数据仓库后面填充数据仓库;实例化“充实”企业模型,并将原子数据移动到数据仓库。

联合法的主要特点:

  • 强调需要整合新的和现有的异构BI环境。
  • 由多个架构组成的架构。
  • 承认组织和系统发生变化的实际情况,导致难以实施正式的架构。
  • 合理使用任何可能的方式来实施或整合分析资源,以满足不断变化的需求或经营状况。
  • 鼓励组织尽可能分享维度、事实、规则、定义和数据。

通过理解这些不同的方法,Eckerson说,组织可以根据最佳实践模型的基础创建一个满足其独特需求的方法。

数据仓库:主题的变化

Bin Jiang在根据分类定义数据仓库变量中,基于四个变量和八个类来分类数据仓库。

第一按数据源端特征分类。 如果数据仓库只有一个源应用程序,那么将其视为“单一来源”,如果它不是单一来源,则将其归类为“多来源”。

第二是基于组织或前端分类。专用于组织一部分的数据仓库被认为是“部门数据仓库”,整个组织所使用的数据仓库被分类为“企业数据仓库”。

第三是基于时效性或新鲜度。 如果内容每隔一段时间更新一次,例如每天或每周更新一次,Jiang将其归类为“周期性数据仓库”。如果内容在生成或更改后很快更新,则将其归类为“实时性数据仓库”。

第四个分类是基于地理或地理位置。 如果仓库的主要数据对象在不同的地理位置进行存储和处理,则数据仓库被分类为“分布式”;如果所有的数据对象都保存在同一个位置,则数据仓库被分类为“集中式”。

数据仓库的演进

历史上,数据仓库已经发展到使用在进入数据仓库之前已被过滤的结构化重复数据。 Inmon说,近年来,由于使用了可以附加到非结构化数据并可以存储入数据仓库的上下文信息,数据仓库得以演进。 Inmon说:

 “之前,结构化的关系数据不能和非结构化文本数据混合匹配分析。 但随着情境化的出现,这些分析类型可以自然且容易的完成。”

在数据仓库中,诸如调研反馈、电子邮件和对话等非重复性数据的处理方式,与例如点击流、计量或机器或模拟处理这样重复出现的数据不同。Inmon说: “非重复性数据是由书面或口头文字产生的基于文本的数据”,进行阅读和重新格式化,更重要的是,现在可以进行语境化。 为了从数据仓库中使用的非重复数据中获得意义,必须具有所建立数据的上下文。

Inmon还表示:

“在很多情况下,非重复性数据的上下文比数据本身更重要。 无论如何,在建立上下文之前,非重复的数据不能用于决策。”

数据湖和数据仓库:相互排斥还是完美伙伴?

在“来自Gartner的警告:不要混淆数据湖与数据仓库”一文中,Gartner的研究总监Nick Heudecker认为,近年来数据湖已经出现在数据管理领域,但数据湖不一定能代替数据仓库。数据湖不是现有分析平台或基础架构的替代品,相反,其是对现有努力的补充,并帮助发现新的问题。他说,一旦发现这些问题,就会通过”优化“来获取答案。而优化可能意味着放弃数据湖,进入数据集市或数据仓库。

在“数据湖vs数据仓库的关键差异”一文中,SAS Institute新兴技术总监Tamara Dull概述了数据湖和数据仓库之间的一些主要差异。

  • 数据:数据仓库仅存储已建模/结构化的数据,而数据湖则不要求数据格式。 它将其存储为全结构化、半结构化和非结构化的。
  • 处理:在企业,将数据加载到数据仓库之前,首先需要对数据进行一些加工和结构化——即数据建模。 这就是所谓的写模式(schema-on-write)。 使用数据湖,只需按原样载入原始数据,然后当确定数据形状和结构的时候就是做好数据使用准备的时候。 这就是所谓的在读模式(schema-on-read)。 两种截然不同的方法。
  • 存储:像Hadoop这样的大数据技术的主要特点之一,是与数据仓库相比,存储数据的成本相对较低。 这主要有两个原因:首先,Hadoop是开源软件,所以许可证和社区支持是免费的。 其次,Hadoop被设计成安装在低成本的硬件上。
  • 敏捷性:根据定义,数据仓库是一个高度结构化的存储库。 改变结构在技术上并不困难,但考虑到所有与之相关的业务流程,这可能会非常耗时。 另一方面,数据湖没有数据仓库的结构化要求,这使开发人员和数据科学家能够轻松地配置和重新配置模型、查询和应用程序。
  • 安全:数据仓库技术已经存在了数十年,而大数据技术(数据湖的基础)相对较新。 因此,在数据仓库中保护数据的能力比保护数据湖中的数据要成熟得多。 但是,应该指出的是,现在大数据行业正在大力开展安全工作。一切只是时间问题。
  • 用户:长久以来,大家一直在呼吁BI和分析。数据仓库已建立并欢迎“每个人”来使用,但他们来吗? 平均而言,有20-25%的人使用。对于数据湖来说,是否有相同的需求? 数据湖是否也对每个人开放? 不,如果你够明智。 Tamara Dull说,数据湖在这个阶段更适合数据科学家。

数据仓库不断发展

Bill Inmon看到了数据仓库的巨大发展潜力并正在向前推进。 他认为:

基于事务的数据的经典分析处理是一如既往在数据仓库中完成的。 这没有什么改变。 但是现在可以对情境化数据进行分析,而且这种分析形式是全新的。 以前大多数组织都不能根据非结构化文本数据做出决策。现在有一种新的分析形式可能运用于数据仓库,这是混合分析。 混合分析是使用结构化事务数据和非结构化上下文数据的混合来完成分析。

他补充说:“还有许多其他形式的分析也是可能的。”这些形式包括预测和规划分析,以及各种机器学习技术和其他正在改变数据管理和分析方式的技术。 数据仓库一直是企业数据架构的主要组成部分,根据像Inmon这样的专家所讲,数据仓库在大数据和高级分析的新世界中拥有强大的未来。

数据仓库就像其他传统的数据管理工具一样, 在未来多年中,其重要性仍将是有效的数据管理的关键。

  • Jan 03 / 2018
  • 0
Ideas

锐眼发现 | 城市感知,城市智能化背后隐藏的五个度

作者:张栋

转载于:雷锋网

本文转自雷锋网,如需转载请至雷锋网官网申请授权。

城市感知,城市智能化背后隐藏的五个度

本质上来说,AI自始至终都只是一种手段、一种技术,它被用来帮助人们解决自身难以克服的业务难题。

在安防行业,人们用其去识别人脸、识别车辆,去感知更多图像中的信息,而这也的确为甲方解决很多棘手问题。

在此背景下,智能化摄像头越来越多,视频数据量也越来越大,但老生常谈的问题也随之出现:人们并不能真正去理解、分析这些数据;另外,这些数据被播放或者被人们看过的连万分之一都没有达到。

因此,人们都在利用AI等技术去感知这些信息,并将这些信息加以应用。那么,如果将城市作为一个单位,如何去感知这个城市?在这其中,什么才是最重要的?

在旷视CTO唐文斌看来,五个度可以总结之:维度、精度、密度、关联度、集成度。

维度

维度可以表述为数据的丰富性,有多少数据的类型和对象,就决定应用的实用性。

举例来说,一个视频中,最容易感知的部分是“人脸”,如今很多厂商都在谈人脸识别,具体来说,可以感知某人的年龄、性别、表情等一系列面部信息;针对车辆识别,可以对车上的细分品类进行识别,包括年检标、纸巾盒、遮阳板等标志物。

以上这些,都是在用户不知情的情况下,通过物理的方式,做的被动感知,也可以称之为可见光下的场景识别。

除此之外,还可以通过多光谱的方式,类似于毫米波或者太赫兹的方式,去获取视频中的数据:包括像WIFI的MAC地址,RFID等信息。

以上种种,都是为了增加感知的维度,能够从城市中获得什么样的数据、数据的多少,就决定了应用的丰富性。

精度

精度决定数据的可用性。早在十几年前,就有厂商在人脸识别算法上做出努力,但由于当时技术并不成熟,精度不够,在实战中应用效果不佳;如今随着算法的进一步提升,现在的人脸识别做预警的成功率已经非常高。以前的人脸识别技术,报十次警可能有九次是误报,现在报十次警可能只有一次是误报,这是一个本质的飞越。

但与此同时也会出现一个问题,比如某场所内穿西装、穿西裤的人非常多,做行人的匹配,能否通过对这个人更细化的特征,比如领带的颜色,鞋子的款式做更加精准的识别、分析。

从感知的角度来看,除了有更多的纬度,每个纬度上都要追求更好的精度,精度决定最后的应用效果。

城市感知,城市智能化背后隐藏的五个度

密度

密度是指后期带来的数据应用价值。如今很多城市都已经建设了非常密集的感知型前端摄像机,通过对这些摄像机产生的数据进行分析,能够带来两点价值:

一、通过不断修炼算法能够使得识别率得以提升,但精度的天花板并不高,易受到时空限制,如果通过一些高密度的传感器,其实可以弥补精度上的不足;

二、行人的ReID。在某一位置、时间点发现了一个可疑人员,摄像头只看到了其局部特征,在以往都会通过全局检索去发现线索,其实这是种错误的做法;只需要在对该人员接下来的十分钟内,100米范围内的高密度布置的摄像机视频数据进行检索,通过这种方式便可确定该人的具体位置。

通过视频接力、人机交互的方式,可以帮助警方使用非常低的代价去追查视频中的人的轨迹。高密度的传感器不仅能解决信息精度的不足,也能带来更多的应用价值。

关联度

如果所有的数据能够关联起来,那么其带来的价值更为可观。

如今AI圈谈到的最多的、落地最多的便是人脸识别。但很多时候,摄像机只能看到人脸,不能看到身体;或者看到身体,看不到人脸。如果两者数据关联起来,就可以看到该人员的全部信息。

再比如车辆识别,在很多实际场景中,在场景A可以拍到车牌,还知道它是什么车型;换到另一个场景B中,只能拍到是什么车型;紧接着在场景C中,看到一个行人从车辆中走了出来,但没有拍到车牌。如果数据相关联,车、人的所有信息都可以联系起来,从何做更便捷、高效的追踪。

集成度

如果按照上文所提,去做高密度、强关联度感知时,会需要非常多的传感器。因此,如何做到低成本、高算力是非常重要的一步。

值得注意的是,成本的合理化不应该建立在牺牲效果的前提下。以人脸抓拍为例,一些具备反侦查意识的人,看到摄像头会马上低头,好的抓拍机要满足要非常高的抓拍率、足够的抓拍量,同时具有较高的性价比。

智慧城市的前提就是城市感知,而城市感知需要多维度、高精度、高密度、数据之间的关联度、高集成度。通过这样的感知方式,城市也许会变得更加智能,而相关厂商可以根据这五个方向去做更进一步的探索及数据应用。

  • Jan 02 / 2018
  • 0
Ideas

锐眼洞察 | 驱动业务AI数字化转型的4大因素(翻译)

作者:Felipe Sanchez

原文:The drivers of AI Business Transformation

译者:TalkingData研发副总裁 闫志涛

本译文禁止商用,转载请注明来源与译者!

译者注:

随着大数据和AI的发展,传统的商业模式都在面临数字化转型的挑战。无论是金融、零售还是传统的制造业,都需要从以产品为中心转变为以客户为中心,这就需要真正的用更丰富的客户数据来了解客户,用更密切的与客户的交互来使得客户参与到产品的实现中,最终实现个性化的客户的服务和产品。在2018年,让我们真正的能够将大数据和AI的价值带给客户。

在这个数字化转型的时代,AI将会为所有类型的组织带来变化,从汽车驾驶(计算机视觉技术)到制造业(吴恩达刚刚宣布他的新的公司将会用AI改变制造业)。这些变化将使得以数据科学为核心战略的现代组织出现创新的业务模式和项目管理方式。

在这篇文章中,我将会列出新的数字化转型的主要驱动因素,以及其对社会商业模式和就业的潜在影响。在数据驱动管理决策为组织带来助力、面对新的敏捷方法而言旧方法论(高度官僚主义、僵化的边界和时间表)已经过时的背景下,组织应在保持个性的前提下尽可能迅速的适应这个浪潮。

1. 以客户为中心的产品计划

数字化转型的核心是将核心商业战略的重心从以产品、能力或者市场为中心转变为以客户为中心。企业应该以客户为中心,这是Amazon在不同领域取得成功的核心理念。以客户为中心意味着产品按需定制、连接以及共享。为了实现这一点,客户应该被视为价值创造者。公司应该意识到每个客户是整体客户网络的一部分,而不是孤立的个体。新组织的目标是更贴近客户的期望并且对这些期望进行预测,这些可以通过在社交网络或者应App中保持实时的交互,并且研究客户的行为来实现。

这个客户网络需要与产品保持持续的接触,这意味着全渠道的体验(无缝的在桌面电脑到平板电脑、手机和IoT设备之间移动),这意味着数据存在云端且可以通过每个设备进行访问,并且可以按需来访问服务。客户需要保持与公司的联结,例如公司利用产品演示或者讲故事来使得用户感觉到一直在做正确的选择。

客户应该能够按照自己的需要来定制产品。推荐引擎对于为客户提供所需的建议是非常有用的。个性化的界面、消息以及内容使得新涌现出来的品牌与经典的品牌大不相同。因此,访问、参与和定制是使得客户与公司联系在一起的必须的方法。有几种策略可以与客户建立融洽的关系:社交倾听、社交化客户服务、向网络征集想法和内容或者运营一个社区(例如iOS或者安卓开发者社区)。

让客户助力企业迈向成功的最后一步是,让客户合作参与到其所需产品的开发当中。通过如开放写作平台、众筹或者竞赛,从被动的贡献变为积极的贡献。

例如,很多金融机构通过数字化转型来推动内部生产力,主要聚焦于提高效率和降低成本。然而,这没有考虑到日益复杂化的客户对丰富、直观或者超个性化客户体验的期待。这些机构需要改变前端和后端系统,来为客户提供多样的选择和足够的价值,在几乎实时的环境中提供安全的交付。

2. 平台:赢者通吃

naCuuVhg46Q.jpeg

平台商业模式能够流行是由于采用了通过直接交互创造价值的方式。因为网络上存在给予者和获得者(例如买方和卖方),平台商业模式能够凭借大范围的迭代接触到不同类型的客户。在这种类型的平台上,网络效应会有更大的回声,并且更容易被放大。这也有附带收益,比如按需流程、速度和信任的产生(比如区块链)。

因为能够在一个地方提供所有的服务,因此不需要中介。一个主要的配送中心可以领导所有的竞争甚至可以在不同的竞争者之间合作(合作竞争)。另外随着传统的市场边界的扭曲,非对称竞争对手会产生,例如一个在线书店(Amazon)变成老牌IT公司比如IBM的竞争对手,或者在web服务领域与一个搜索引擎公司例如Google产生竞争。

但是这种新的商业模式的结果就是赢者通吃。由于轻资产、易于升级、经济高效以及梅特卡夫定律,获胜的平台将会变成市场的帕累托的头部:通过降低边际成本,数字化增加了积极的规模经济并且有利于集中生产。集中生产意味着市场落入了少数人手中,导致寡头垄断甚至是由少数玩家占主导的寡头结构。

clipboard8.png

这是一个公司将自己从一个线性供应链钢铁制造商重塑为一个金属分销的数字化平台的例子。

这导致了被称之为“超级巨星”经济的产生。这些经济体的特点是更少的就业、更少的资本资产、不平等现象加剧、大小企业之间的差距拉大以及国内和国家之间的收入的不平等。数字商品和服务的更低的分发成本进一步加深了集中化的程度。当一个新鲜事物产生,只需要生产(编写、书写或者计算)一个数字化拷贝就可以满足全球的需求。通过互联网的拷贝和交付的边际成本接近于零,然后复制、3D打印即可完成。

nQki9kggzouQ.png

Stan Shish微笑曲线

新的公司需要走到Stan Shish曲线的最后才能继续产生价值,否则他们将会分崩离析。

3. 数据是关键资产

充分挖掘新技术潜力的能力始于一家公司能够快速了解和预测客户的需要,这也是数据成为公司重要资产的原因之一。“机构或者行业越依赖于信息作为他们的核心产品,带来的变化就会更彻底”(Clay Shirky)。由于知识工作和认知过程的本质,专家预计数字化和大数据分析会严重打击基于知识的商业模型以及知识工作者,甚至比基于非知识的商业模型和体力劳动者更快。数字化和大数据分析与通常由公司和知识工作者进行的自动化信息处理任务相关,高利润和工资带来的经济刺激加速了替代的发生。

数据是知识的原材料。一些经济学家说:数据是新的石油。今天我们生活在一个非结构化数据爆炸的时代,明天将会有更多的数据产生。用户参与、交换数据、创造数据,而且他们的物品也在创造数据,因此围绕数据的交换协议将会指数级的增长(例如区块链智能合约)。

LI0q5_M9cc_g.png

数据是新的商业价值,它可以带来洞察,帮助更好的定向,在特定场景中提供个性化内容。简而言之,它是以客户为中心的战略的燃料。因此企业需要一个基于以下内容的数据战略:收集不同类型的数据,确保数据质量,利用数据做决策(数据驱动的管理决策将替代在过去被视为法则的等级决策制或者“老大说了算”),企业可以在合适的时间向合适的人提供正确的建议,这归功于云计算的价格和灵活性使得将孤立数据整合起来成为可能。

4.创新和新价值产生

“商业模式描述一个组织创造、交付和获取价值的原理”,它捕捉了任何公司的核心商业逻辑。在实践中,数字化和大数据分析挑战了许多传统行业的商业模式。数字化转型是一个文化转型。服务新的数字化客户需要新的技术。例如,快速进行实验和模拟。这个转型意味着不同部门工作人员的习惯、信仰、激励和经验的持续改变。例如将IT和市场部门混合在一起可以产生能尽快提供新服务的应用。创新生态系统概念的产生是在数字化时代交付价值的关键。正因为如此,公司需要灵活的组织结构,使用云提供的灵活平台整合能力去降低市场交付的时间。

F3-0WiW3VSlA.png

这篇文章的灵感来自于David Rogers的数字化转型手册(MIT发布的关于传统企业数字化转型的报告)、以及Cagemini发布的报告“百亿组织的发展路线图:Klöckner & Co的数字化转型报”。

  • Jan 02 / 2018
  • 0
Tech

锐眼发现 | Geoffrey Hinton、Andrew Moore、吴恩达等人总结 2017 AI 大事件

作者:Steve LeVine

原文:The biggest AI stories of 2017

译者:天诺

转载于:雷锋网

雷锋网 AI 科技评论按:

近年来,人工智能似乎成为了业内讨论最广泛的科学技术,尤其是在 2017年,人工智能已然是业内关注的焦点。有的人认为,具有超级智能的机器人可以威胁人类、接管世界;也有的人觉得,人类对人工智能的恐惧被夸大了。

因此,当 2017 年即将过去的时候,外媒 Axios 对人工智能圈内的一些知名人物进行了一次采访,看看在他们的眼里,今年最重要的人工智能大事件都是些什么吧。雷锋网(公众号:雷锋网) AI 科技评论把他们的呈现介绍如下。

 Geoffrey Hinton、Andrew Moore、吴恩达等人总结 2017 AI 大事件

配图: Rebecca Zisser / Axios

Rodney Brooks,Rethink Robotics 公司创始人

对我来说,今年最重要的人工智能时间,其实是我在电视上看到的一个广告。那是在2017年12月17日礼拜天,当时电视上正在播放美国橄榄球大联盟比赛,其中一个广告是该联盟自己拍摄的,说他们正在使用机器学习技术来分析球迷的想法。广告的结尾,美国橄榄球大联盟展示了自己在亚马逊 AWS 服务上部署的机器学习技术。这是大约三个礼拜之前的一个事情,我觉得它的意义在于,现在机器学习和人工智能技术已经被「炒」的很多了,预计很快就能给橄榄球球迷带来一定影响了。

吴恩达,Landing.AI 首席执行官

AlphaGo 展现出了强大的计算和数据处理能力,但是卡纳基梅隆大学开发的德州扑克人工智能程序 Libratus 则感觉更具创新。从技术观点来看,这个结果令人感到很惊喜。

Andrew Moore,卡纳基梅隆大学计算科学学院院长

Libratus AI 战胜了四位顶级德州扑克选手,这次胜利是非常重要的,因为这意味着人工智能技术有了极大的提升,已经可以考虑对手可能故意采用误导等手段了。在一个对信息真实性审查越来越严格的世界里,我们看到新一代人工智能对原始事实开始表现出怀疑,这真的是太神奇了。

Geoffrey Hinton,多伦多大学

我认为,2017年,人工智能在很多方面都取得了很大的进展,但是却没什么突破,比如 2014 年就开始说要在机器翻译里应用神经网络,而 AlphaGo 其实也是2016年的。

在我看来,令人印象最深刻的事情有这么几个:

  1. 神经架构搜索:它使用神经网络实现自动化设计神经网络的「黑魔法」,现在已经开始应用了;
  2. 使用注意力的机器翻译,无需循环神经网络或卷积;
  3. 围棋领域里的 AlphaGo 升级版 AlphaGo Zero,它很快就学会了如何以人类的方式下围棋,而且已经成为了目前最好的人工智能围棋引擎。

Greg Diamos,百度高级研究员

今年,给我印象最深刻的就是斯坦福大学的研究人员团队,他们开发出了首个人工智能「放射科医生」,它可以检测心律失常,然后告知人类医师检测结果。我认为,随着技术的发展,人工智能在医疗领域里的应用会越来越多,这令我感到非常惊讶。

Azeem Azhar,Peer Index 创始人 The Exponential View 策展人

2017 年的人工智能大事件,我会选择两件事,他们都非常重视人工智能技术的应用,而且也都能解决一些过去被人们忽视的问题。

第一个是微软研究院的凯特•克劳福德(Kate Crawford),她介绍了机器学习算法是如何出错的,这个问题会加强和扩大现有的人工智能偏见。

第二个是由剑桥大学阿德里安•维尔德(Adrian Weller)发表的一份论文,其中提到了如何建立算法系统,这些算法系统可以反映出人类对公平的直觉如何。我们必须对凯特•克劳福德和阿德里安•维尔德所提到的问题加以重视,并且刺激科技行业接受。

Terah Lyons,Partnership on AI 执行董事

今年,人工智能还是给我们带来了一些令人心痛的时刻,因为在某些边缘化问题上,人工智能的表现似乎并不太好。比如最近,Kristian Lum 就表示从事机器学习的同事有性骚扰行为,这需要在人工智能领域里引起重视,而且多样性问题绝不是一个侧面表现。

科技行业里的性别歧视似乎越来越猖獗,这对人工智能领域也非常有害,甚至会带来灾难性的后果,其中最重要的原因,就是很多排他性的设计会带来比较严重的问题,而人工智能可以很容易地把问题进一步扩大,并且延伸很多糟糕的人类偏见。

我们所有人都有义务把包容性作为创新首选,特别是在人工智能这样一个有潜力带来巨大利益的领域。2018 年,在人工智能尝试解决的所有重大挑战中,包容性应该是要排在第一位的。

Been Kim,谷歌大脑研究科学家

今年,我认为比较受欢迎的最大趋势,是人工智能可以尝试应对一些可解释性的问题,这意味着我们有了一种可以帮助人类理解人工智能模型的方法。

在今年举办的 ICML 上,就设置了人工智能解释性教程和一些相关的研讨会。此外,在 NIPS 大会上,也有研讨会和人工智能解释性的介绍,明年 CVPR 大会和 FATML 会议也都会有相关议程。

Richard Socher, Salesforce首席科学家

也许,2017年最令我感到印象深刻的事情,就是来自于本月初召开的 NIPS 大会上。伦理,成为了人工智能研究领域里最令人印象深刻的核心主题之一。我有必要提醒大家,人工智能是否能够获得成功,重点在于信任、透明和平等的价值观。

 

  • Dec 29 / 2017
  • 0
Ideas, Tech

锐眼洞察 | 学了这么久机器学习,你真的了解它的概念吗?

作者:TalkingData 杨慧

本文为TalkingData原创,未经授权禁止转载。申请授权请在评论中留言联系!

导语:

本文是对 TalkingData腾云大学执行校长杨慧分享的两个专题的总结,分别介绍了国内外知名学者、媒体对 Machine Learning 和 Business Intelligence 的定义,也谈了杨慧个人的理解。

 

什么是机器学习?

导读:

学习一直是生物具有的特性,在人类身上的表现尤为明显。机器学习,顾名思义,就是让机器(计算机、程序)也具备学习的能力。更精简点来说,就是通过经验提高性能的某类程序。

卡内基梅隆大学(Carnegie Mellon University)的 Tom Michael Mitchell 教授在 1997 年出版的书籍 Machine Learning 中对机器学习进行过很专业的定义,这个定义在学术界内被多次引用。

在这本书中对机器学习的定义为:

假设一个程序能够在任务 T 上,随着经验 E 的添加,效果 P 也能够随之添加,则称这个程序能够从经验中学习。

在大部分情况下,在训练数据达到一定数量之前,越多的训练数据能够使逻辑回归算法的推断越精准。但是如果数据的特征值,也就是描述一条数据的维度越少,那么即使有再多的训练数据,逻辑回归算法也无法非常好地利用。

因此,机器学习的效果与数据的维度密不可分。怎样数字化地表达现实世界中的实体,一直是计算机科学中一个很重要问题,维度越多,描述得越清楚,机器学到的经验越多。

因此,工欲善其事必先利其器,机器学习这种手段不是大数据的价值所在,更广泛的数据维度,占有更多有多维度价值的数据集,才是大数据的价值所在。

 

 

机器学习(ML)是探索学习算法的构建和研究(DAMA DMBOK)。

此外,“机器学习建立具有适应性参数的程序,参数可根据程序收到的数据自动调整。通过适应已经看到的数据,程序能够改善他们的行为。另外程序还对数据进行了概括,这意味着这些程序可以在以前不可见的数据集上执行功能。”(Alejandro Correa Bahnsen)

据 Keith D. Foote 介绍:最基本的机器学习就是使用算法来解析数据,从中学习,然后对世界上的事物做出决定或预测的实践。因此,机器学习使用大量的数据和算法对机器进行“训练”,赋予其学习如何执行任务的能力,而不是用一些特定的指令手工编写软件程序来完成特定的任务。

机器学习同以下概念相结合(DMBOK):

  • 监督学习:基于广义规则;例如,将垃圾邮件从非垃圾邮件中分离出来。

  • 无监督学习:基于识别隐藏模式(即数据挖掘)。

  • 强化学习:基于实现目标(例如,在象棋中击败对手)。

  • 机器学习还包括编程机器,来快速从查询中学习,并适应不断变化的数据集。

机器学习的其他定义还包括:

先进的算法“由许多技术组成(如深度学习、神经网络和自然语言处理,以现有信息的经验为指导)”(Gartner IT 术语表)

“基于数据经验的结果而更新知识库的系统。”(Adrian Bowles)

“数据分析的一种方法,可自动建立分析模型。”(SAS)

内置智能的算法,使用可用的数据来回答问题。(Paramita Ghosh)

“通过解读我们周围的世界的数据,分类以及从成功和失败中学习这些方法,教计算机和我们同样的学习方式。”(Forbes)

人工智能的一个子领域,或是机器使用数据和自学的 AI 领域。(TechRepublic)

用于数字化转换的人工智能。(哈佛商业评论)

企业使用机器学习来:

  • “大幅缩短回答时间,指导组织洞见”(DMBOK)

  • 处理计算机系统的威胁或安全问题

  • 预测或执行预测分析(McKinsey)

  • 赶上数据量的增长(ComputerWorld)

  • 开发 AI 算法中复杂问题自动化(MIT Technology Review)

  • 在提高员工敬业度和提高客户满意度的同时扩大一线增长(Harvard Business Review)

  • 提高编程的效率和速度(James Kobielus)

  • 在多个行业中提升和开发众多不同的用例 (Paramita Ghosh)

什么是商业智能?

导读:

BI 有两层含义:一层是工具类含义-做分析的技术集;一层是职能类含义,做分析的过程。这两者缺一不可。

如果只看到了 BI 的工具类含义,就会误入“工具至上”之路。BI 说到底还是为了业务服务,只有解决了业务痛点问题的 BI 才是 Smart BI。从业务角度来说,BI 解决的问题包括了:决策的正确性(effectiveness)和决策的即时性(efficiency)。

 

 

商业智能(BI)包含了分析、报告不同业务操作的技术和工具。商业智能使用存储在不同数据仓库、数据集市、数据湖泊和其他存储平台中的原始数据,将其转换为可操作的知识/信息资产。内容包括仪表盘,电子表格,数据可视化,报告等等。

“在其更为详尽的用法中,BI 是在指定组织内收集、存储、回收和分析数据资产所必需的所有系统、平台、软件、工艺和技术。因此,BI 是用于战略规划、决策制定、市场调研、客户支持、库存分析、统计报告以及企业在整体运营洞察机制等其他方面的程序和流程。”(Kelle O’Neal&Charles Roe)

如 DAMA DMBOK 所述:

“商业智能有两个含义:首先是指一种旨在了解组织活动和机会的数据分析。这类分析结果用来提高组织的成功;其次,商业智能是支持这种数据分析的一系列技术。商业智能工具可以实现查询、数据挖掘、统计分析、报告、场景建模、数据可视化和仪表盘。 ”

商业智能的其他定义包括:

“包含应用程序,基础架构,工具和最佳实践的一个统称,可以访问和分析信息以改进和优化。”(Gartner IT 词汇表)

 

“BI 的重点在于:在正确的时间基于正确的信息快速高效地做出决策。”(Keith Foote)

软件和服务的杠杆作用,将数据转化为可行的运筹情报、以及组织的战略战术业务决策。(Mary Pratt,CIO)

一个“总括术语,涵盖了围绕商业数据收集,处理和分析的一系列活动。”(美国东北大学 Mikal Khoso)

“一套利用信息管理流程输出进行分析、报告、绩效管理和信息交付的方法,流程,架构和技术。”(Forrester)

“这个术语是指将原始数据转化为企业可以用来做出更好的组织决策的信息的想法、实践和技术。”(BusinessIntelligence)

组织/公司使用商业智能来:

  • 支持操作功能

  • 执行监管要求

  • 获得关于公司、客户和产品的洞见

  • 获得竞争优势

  • 实践描述性,预测性,规定性和实时分析

  • 做出决策或监控进度(Kelle O’Neal)

 

  • Dec 29 / 2017
  • 0
Ideas

锐眼发现 | 2018 年开源技术 10 大发展趋势

作者:

原文:10 open source technology trends for 2018

译者:wangy325

转载于:Linux 中国

技术始终是不断发展着的。OpenStack,Progressive Web Apps,Rust,R,认知云,人工智能(AI),物联网等新的发展正在把我们传统的认知模式抛弃。以下 2018 开源技术 10 大发展趋势。

1、 OpenStack 认可度持续高涨

OpenStack 本质上是一个云操作平台(系统),它为管理员提供直观友好的控制面板,以便对大量的计算、存储和网络资源进行配置和监管。

目前,很多企业运用 OpenStack 平台搭建和管理云计算系统。得益于其灵活的生态系统、透明度和运行速度,OpenStack 越来越流行。相比其他替代方案,OpenStack 只需更少的花费便能轻松支持任务关键型应用程序。 但是,其复杂的结构以及其对虚拟化、服务器和大量网络资源的严重依赖使得不少企业对使用 OpenStack 心存顾虑。另外,想要用好 OpenStack,好的硬件支持和高水平的员工二者缺一不可。

OpenStack 基金会一直在致力于完善他们的产品。一些功能创新,无论是已经发布的还是尚处于打造阶段,都将解决许多 OpenStack 潜在的问题。随着其结构复杂性降低,OpenStack 将获取更大认可。加之众多大型的软件开发及托管公司以及成千上万会员的支持, OpenStack 在云计算时代前途光明。

2、 PWA 或将大热

PWA,即 增强型网页应用Progressive Web App,是对技术、设计和网络应用程序接口Web API的整合,它能够在移动浏览器上提供类似应用的体验。

传统的网站有许多与生俱来的缺点。虽然应用(app)提供了比网站更加个性化、用户参与度更高的体验,但是却要占用大量的系统资源;并且要想使用应用,你还必须提前下载安装。PWA 则扬长避短,它可用浏览器访问、可被引擎搜索检索,并可响应式适应外在环境,为用户提供应用级体验。PWA 也能像应用一样自我更新,总是显示最新的实时信息,并且像网站一样,以极其安全的 HTTPS 模式递交信息。PWA 运行于标准容器中,无须安装,任何人只要输入 URL 即可访问。

现在的移动用户看重便利性和参与度,PWAs 的特性完美契合这一需求,所以 PWA 成为主流是必然趋势。

3、 Rust 成开发者新宠

大多数的编程语言都需在安全和控制二者之间折衷,但 Rust 是一个例外。Rust 使用广泛的编译时检查进行 100% 的控制而不影响程序安全性。上一次 Pwn2Own 竞赛找出了 Firefox C++ 底层实现的许多严重漏洞。如果 Firefox 是用 Rust 编写的,这些漏洞在产品发布之前的编译阶段就会被发现并解决。

Rust 独特的内建单元测试方式使开发者们考虑将其作为首选的开源语言。它是 C 和 Python 等其他编程语言有效的替代方案,Rust 可以在不损失程序可读性的情况下写出安全的代码。总之,Rust 前途光明。

4、 R 用户群在壮大

R 编程语言,是一个与统计计算和图像呈现相关的 GUN 项目。它提供了大量的统计和图形技术,并且可扩展增强。它是 S 语言的延续。S 语言早已成为统计方法学的首选工具,R 为数据操作、计算和图形显示提供了开源选择。R 语言的另一个优势是对细节的把控和对细微差别的关注。

和 Rust 一样,R 语言也处于上升期。

5、 广义的 XaaS

XaaS 是 “一切皆服务anything as a service” 的缩写,是通过网络提供的各种线上服务的总称。XaaS 的外延正在扩大,软件即服务(SaaS)、基础设施即服务(IaaS) 和平台即服务(PaaS)等观念已深入人心,新兴的基于云的服务如网络即服务(NaaS)、存储即服务(SaaS 或 StaaS)、监控即服务(MaaS)以及通信即服务(CaaS)等概念也正在普及。我们正在迈向一个万事万物 “皆为服务” 的世界。

现在,XaaS 的概念已经延伸到实体企业。著名的例子有 Uber 、Lyft 和 Airbnb,前二者利用新科技提供交通服务,后者提供住宿服务。

高速网络和服务器虚拟化使得强大的计算能力成为可能,这加速了 XaaS 的发展,2018 年可能是 “XaaS 年”。XaaS 无与伦比的灵活性、可扩展性将推动 XaaS 进一步发展。

6、 容器技术越来越受欢迎

容器技术,是用标准化方法打包代码的技术,它使得代码能够在任意环境中快速地 “接入并运行”。容器技术让企业可以削减经费、降低实施周期。尽管容器技术在 IT 基础结构改革方面的已经初显潜力,但事实上,运用好容器技术仍然比较复杂。

容器技术仍在发展中,技术复杂性随着各方面的进步在下降。最新的技术让容器使用起来像使用智能手机一样简单、直观,更不用说现在的企业需求:速度和灵活性往往能决定业务成败。

7、 机器学习和人工智能的更广泛应用

机器学习和人工智能指在没有程序员给出明确的编码指令的情况下,机器具备自主学习并且积累经验自我改进的能力。

随着一些开源技术利用机器学习和人工智能实现尖端服务和应用,这两项技术已经深入人心。

Gartner 预测,2018 年机器学习和人工智能的应用会更广。其他一些领域诸如数据准备、集成、算法选择、学习方法选择、模块制造等随着机器学习的加入将会取得很大进步。

全新的智能开源解决方案将改变人们和系统交互的方式,转变由来已久的工作观念。

  • 机器交互,像聊天机器人这样的对话平台,提供“问与答”的体验——用户提出问题,对话平台作出回应,成为人机之间默认的交互界面。
  • 无人驾驶和无人机现在已经家喻户晓了,2018 年将会更司空见惯。
  • 沉浸式体验的应用不再仅仅局限于视频游戏,在真实的生活场景比如设计、培训和可视化过程中都能看到沉浸式体验的身影。

8、 区块链将成为主流

自比特币应用区块链技术以来,其已经取得了重大进展,并且已广泛应用在金融系统、保密选举、学历验证等领域中。未来几年,区块链会在医疗、制造业、供应链物流、政府服务等领域中大展拳脚。

区块链分布式存储数据信息,这些数据信息依赖于数百万个共享数据库的节点。区块链不被任意单一所有者控制,并且单个损坏的节点不影响其正常运行,区块链的这两个特性让它异常健壮、透明、不可破坏。同时也规避了有人从中篡改数据的风险。区块链强大的先天优势足够支撑其成为将来主流技术。

9、 认知云粉墨登场

认识技术,比如前面所述的机器学习和人工智能,用于为多行业提供简单化和个性化服务。一个典型例子是金融行业的游戏化应用,其为投资者提供了严谨的投资建议,降低投资模块的复杂程度。数字信托平台使得金融机构的身份认证过程较以前精简 80%,提升了合规性,降低了诈骗比率。

认知云技术现在正向云端迁移,借助云,它将更加强大。IBM Watson 是认知云应用最知名的例子。IBM 的 UIMA 架构是开源的,由 Apache 基金会负责维护。DARPA(美国国防高级研究计划局)的 DeepDive 项目借鉴了 Watson 的机器学习能力,通过不断学习人类行为来增强决策能力。另一个开源平台 OpenCog,为开发者和数据科学家开发人工智能应用程序提供支撑。

考虑到实现先进的、个性化的用户体验风险较高,这些认知云平台来年时机成熟时才会粉墨登场。

10、 物联网智联万物

物联网(IoT)的核心在于建立小到嵌入式传感器、大至计算机设备的相互连接,让其(“物”)相互之间可以收发数据。毫无疑问,物联网将会是科技界的下一个 “搅局者”,但物联网本身处于一个不断变化的状态。

物联网最广为人知的产品就是 IBM 和三星合力打造的去中心化 P2P 自动遥测系统(ADEPT)。它运用和区块链类似的技术来构建一个去中心化的物联网。没有中央控制设备,“物” 之间通过自主交流来进行升级软件、处理 bug、管理电源等等一系列操作。

开源推动技术创新

数字化颠覆是当今以科技为中心的时代的常态。在技术领域,开放源代码正在逐渐普及,其在 2018 将年成为大多数技术创新的驱动力。

此榜单对开源技术趋势的预测有遗漏?在评论区告诉我们吧!

  • Dec 29 / 2017
  • 0
Tech

锐眼洞察 | 你不知道的前端算法之热力图的实现

作者:TalkingData 李凤禄

本文为TalkingData原创,未经授权禁止转载。申请授权请在评论中留言联系!

 

inMap 是一款基于 canvas 的大数据可视化库,专注于大数据方向点线面的可视化效果展示。目前支持散点、围栏、热力、网格、聚合等方式;致力于让大数据可视化变得简单易用。

GitHub 地址:https://github.com/TalkingData/inmapinmap 

热力图这个名字听起来很高大上,其实等同于我们常说的密度图。

image_(3).png

如图表示,红色区域表示分析要素的密度大,而蓝色区域表示分析要素的密度小。只要点密集,就会形成聚类区域。 看到这么炫的效果,是不是自己也很想实现一把?接下来手把手实现一个热力(带你装逼带你飞、 哈哈),郑重声明:下面代码片段均来自 inMap。

准备数据

inMap 接收的是经纬度数据,需要把它映射到 canvas 的像素坐标,这就用到了墨卡托转换,墨卡托算法很复杂,以后我们会有单独的一篇文章来讲讲他的原理。经过转换,你得到的数据应该是这样的:

WX20171229-115317

好了,我们得到转换后的像素坐标数据(x、y),就可以做下面的事情了。

创建 canvas 渐变填充

创建一个由黑到白的渐变圆

WX20171229-115345
  • createRadialGradient() 创建线性的渐变对象
  • addColorStop() 定义一个渐变的颜色带

效果如图:

Kapture_2017-12-25_at_16.08_.33_.gif

那么问题就来了,如果每个数据权重值 count 不一样,我们该如何表示呢?

设置 globalAlpha

根据不同的count值设置不同的Alpha,假设最大的count的Alpha等于1,最小的count的Alpha为0,那么我根据count求出Alpha。

let alpha = (count - minValue) / (maxValue - minValue);

然后我们代码如下:

WX20171229-115408

效果跟上一个截图有很大区别,可以对比一下透明度的变化。

image.png

(这么黑乎乎的一团,跟热力差距好大啊)

重置 canvas 画布颜色

  • getImageData() 复制画布上指定矩形的像素数据
  • putImageData() 将图像数据放回画布:

getImageData()返回的数据格式如下:

WX20171229-115425

返回的数据是一维数组,每四个元素表示一个像素(rgba)值。

实现热力原理:读取每个像素的alpha值(透明度),做一个颜色映射。

代码如下:

WX20171229-152527WX20171229-153113

创建颜色映射,一个好的颜色映射决定最终效果。

inMap 创建一个长256px的调色面板:

WX20171229-152614

inMap 默认颜色如下:
WX20171229-152630

将gradient颜色设置到调色面板对象中:

WX20171229-152643

返回调色面板的像素点数据:

WX20171229-152702

创建出来的调色面板效果图如下:(看起来像一个渐变颜色条)

image_(2).png

最终我们实现的热力图如下:

Kapture_2017-12-25_at_15.21_.01_(1)_.gif

 

  • Dec 28 / 2017
  • 0
Data

锐眼洞察 | 2017年大数据分析市场调研报告(翻译)

作者:Dresner Advisory Services

原文:2017 Big Data Analytics Market Study

译者:TalkingData CTO 肖文峰

本译文禁止商用,转载请注明作者与来源!

译者导读:

这份报告是由Zoomdata赞助Dresner Advisory Services制作的大数据分析市场洞察。

从报告中可以大致看到,对于企业来说,大部分依然处于有数据、但是没有有效手段进行展示的阶段。“大数据”对于他们来说还是更加遥远的未来的事情。

亚太用户距离北美来说有一定差距,未来会使用的群体会更大一些,尚无计划使用大数据的更少一些,说明企业基础比较好,更容易接受新生事物,只不过需要有一定的过程。亚太地区的企业引入大数据会更加急迫一些。

IoT并非想象中那么受到追捧。数仓优化是对于企业已经投入的资产的优化。客户和社交分析依然具有持续的高需求。

这里只是翻译部分内容,详细报告请点击原文下载PDF版。


摘要:

  • 大数据采用率在2017年达到53%,高于2015年的17%。
  • 电信和金融服务是早期采用者(第19-24页)。
  • 行业对大数据的态度略有下降(第68页)。
  • 在亚太受访者的带领下,40%的非用户期望在未来两年内采用大数据(第25-30页)。
  • 在商业智能战略的技术和举措中,大数据分析在我们研究的33个主题领域中排名第20位(第18页)。
  • 数据仓库优化仍然是最大的数据使用案例。客户/社会分析和预测性维护是最有可能的用例。物联网大数据势头放缓(第31-36页)。
  • Spark是领先的大数据基础设施选择,其次是MapReduce和Yarn(第37-42页)。Spark、MapReduce和Yarn拥有最高水平的供应商支持(第69-70页)。
  • Spark SQL是大数据访问最流行的手段,其次是Hive和HDFS(第43-48页)。对于Hive / HiveQL,行业支持是最大的,其次是Spark SQL。行业大数据访问支持正在增加(第71-72页)。
  • 在大数据搜索机制中,ElasticSearch领导Apache Solr和Cloudera Search,尽管用户需求不大(第49-54页)。大数据搜索正在获得一些行业投资,但不是高优先级(第73-74页)。
  • 最流行的大数据分析/机器学习技术是Spark MLib,其次是scikit-learn(第55-60页)。行业对机器学习的投资正在显着增加,特别是Spark MLib(第75-76页)。
  • 在大数据分布中,Cloudera是最受欢迎的,其次是Hortonworks MAP/R和Amazon EMR。

对于BI最重要的措施和技术排名:

在被认为对商业智能具有战略意义的技术和举措中,大数据分析在我们目前研究的33个专题领域中排名第20(图5)。 这一排名与我们的2016年大数据分析市场研究相同。 我们应该补充说,2016年是提升大数据采用率和重要性的分水岭。 尽管我们仍然认为,不同组织的大数据收益差异很大,但是在过去的24个月中出现了更为广泛的势头。从本质上讲,我们也观察到大数据距离主流BI实践(如报告、仪表板和终端用户自助服务)的重要性依然很远。

00.png

在2017年的样本中,北美地区(55%)大数据采用率最高(图8)。亚太地区的受访者大部分标识“将来可能会使用大数据”。但是北美和EMEA地区(欧洲、中东、非洲)的受访者两分化也比较严重,也有很多标识“根本没有使用大数据的计划”。

01.png

就地区分布而言,在那些还没有采用大数据的国家中,北美地区受访者在本年度引入大数据的比例最大,同时明年之后引入的也同样最多。亚太受访者大多准备明年采用。

02.png

按行业来看,目前大数据的使用在电信方面是最大范围的,87%的受访者表示他们已经采用(图9)。同样令人印象深刻的是,76%的金融服务机构也已经采用了。相比之下,技术行业受访者中虽然61%已经采用,但是却也有20%并没有计划采用,分化比较严重。医疗保健受访者中只有不到60%的人使用大数据。高等教育目前使用大数据的可能性最小(25%),但是有67%的受访者未来可能会使用。

03.png

大数据用例

2017年最大的数据使用案例是数据仓库优化,对于大约70%的受访者来说,这被认为是“关键”或“非常重要”(图18)。“客户/社会分析”和“预测性维护”(2017年新增条目)是下一个最有可能的用例,至少对大多数受访者来说是“非常重要的”。 值得注意的是,大量讨论的IoT(大数据可能的用例)在我们的抽样中是最低优先级。

04.png

 

  • Dec 27 / 2017
  • 0
Ideas

锐眼洞察 | 大吉大利,预约吃鸡——解析吃鸡游戏推广套路

作者:TalkingData解决方案工程师  Aaron Yue

本文为TalkingData原创,未经授权禁止转载。申请授权请在评论中留言联系!

由于大学同学在开发腾讯正版的吃鸡游戏,在他不停的安利下,开始接触腾讯的吃鸡游戏,发现这套路还真是深啊,同一款正版拉了两个队伍同时开发(光子工作室的绝地求生:刺激战场和天美工作室的绝地求生:全军出击)。

吃鸡游戏首页.png

今天不说如何吃鸡聊一聊这两款吃鸡游戏推广背后的套路逻辑。

1. 你的好友在这里:

在社交的世界里,两者之间最好的距离是折线距离,如果想影响一个人不要直接去影响他,而是通过影响他身边的2~3个好友来间接影响他。好友口碑所形成的社会压力和“好友都在用”的从众心理可以促成高转化率,这也是你经常会收到一些营销短信告诉你,你的某位好友在某个平台,等待你的加入等等……

“绝地求生:刺激战场”直接标注了已有72位好友进行预约,直接形成了好友的口碑效应,微信的朋友的券也正是这个逻辑,你的好友在线下或者线上消费之后共享了优惠,邀请你也参与。

刺激战场好友.png

“绝地求生:全军出击”这方面表现的更加突出,不但显示了你有多少好友预约,还会显示这些好友的头像,拉近了与潜在用户的关系。

全军出击好友.png

而右上角的微信专属,同时给平台用户有了特殊的荣耀体验。这局全军出击胜出。

2.分享即获取:

还记得当年的“滴滴红包”么,满满朋友圈的红包是不是都拿到了手软,打车比公交车还便宜的日子过去了,“滴滴红包”甚至一举改写了当年“滴滴打车”和快的打车微焦灼的竞争格局,为滴滴在胜利的天平上增加了一个重要的砝码。微信读书,又一现象级产品,这款产品最开始运营了一个小活动——“赠一得一”,当用户不想付费购买一本新书时,可以通过赠予好友的方式来免费获得,正所谓“赠人玫瑰,手留余香”。

朋友圈赠书.png

这无疑解决了新产品“冷启动”的问题。两款游戏在宣传上都标出了邀请好友给予的奖励,并明确了目标,达到什么样的程度给予什么样的奖励。

“绝地求生:刺激战场”的“你苟我苟 天长地久”;

刺激战场好友邀请.jpeg

“绝地求生全军出击”则直接标明了目标和奖励。

全军出击邀请奖励.png

两者都在下方标明了目前完成的进度,也就是集结的好友数。若果直接在任务奖励的下方直接标明进度是不是更好呢?不过本身两者都指向一个逻辑也就是分享即获取,每一次分享,用户都可以获取相应的“利益”。

3.小群效应:

徐志斌老师有个观点“人人都想进大群,人人活跃在小群”。随着社交app的发展,大家可以使用的工具越来越多,群的人数越多,噪声就越大,对用户的骚扰也就越大。进群直接关闭消息提示无疑是这一现象最好的证明,群里都是沉默的大多数。透过历史,咱们去看“滴滴红包”传播的去向会看到一个有意思的变化。最开始朋友圈和微信群中可以看到大量的红包分享,一段时间之后,红包在朋友圈消失,转而更多地出现在了微信群中,慢慢的又开始在一些强关系的群里(闺蜜群,家庭群)出现,现在除了我媳妇儿分享给我之外,群和朋友圈几乎看不到红包的分享了。分享的变化反映了用户在社交网络中的变化。开始大家对新鲜事物好奇,随后觉着可以帮助到朋友开始在微信群中维系,随着红包的普及,再分享到群或者朋友圈反而会对好友造成困扰,影响自己的形象,这时就变成了家人间的强关系分享,这也颇具有汇报的意思:媳妇儿,我回来了!媳妇儿,我又省钱了。回来看这两款游戏利用社交关系进行传播推广的时候采取了一些策略,

“绝地求生:刺激战场”直接标明了:查找最合适跳伞的密友;

刺激战场好友邀请.jpeg

下面罗列了一些最近和你有经常聊天互动的好友,或者你们在某一个特别活跃的小群的好友,甚至我一度怀疑是你们之间有过关于“吃鸡”内容对话的好友。

再看“绝地求生:全军出击”,也是同样的逻辑选择了好友,并且在刺激战场中的“邀请他”换成了“带TA飞”。

全军出击好友邀请.jpeg

更加拉近了关系,不是在做广告传播,而是我发现了好东西,要带你去看看。一键邀请,直接发送链接也是极大方便了用户的操作。

邀请链接.png

并且这两款游戏的一键邀请也并不是可以无限制的邀请你所有的好友,我看了一下基本上只有三页:

邀请页面.jpeg

也就是你只可以邀请一些固定最近有交往的好友,这也是为了对大多数“好友”(不是好友关系的“好友”)不打扰是你最大的温柔。当然,你也可以直接转发链接进行邀请,他们是不会拒绝交际花的你帮助他们做大量宣传的。

4.KOL效应:

想要证明自己下一步做出来的好其实有一个捷径,就是证明我从前做过很多这方面的好东西,于是双方工作室的明星产品开始齐贺首发,疯狂打电话。

明星产品.png

也是想在用户那里找到认同感,通过以后的认知来影响即将发布的产品。

5.圈子建立:

产生了初次的接触之后,为了持续的对用户产生粘性,务必用一定的规则或者方法两款游戏都通过了三种方式,分别是:进入圈子、关注公众号和进入微信群(明星产品1)。圈子更像一个论坛,大家可以在这里交流攻略和交友组队。通过去中心化的方式,让用户彼此愉快的消耗对方的时间,产生粘性。

圈子.png

“绝地求生:全军出击”更加突出了微信群的进入(明星产品),去中心化的弱运营方式被越来越多的采用。

群.png

6.触达落地:

前面所有的工作做完之后一定要考虑最后的触达,这次两款游戏都是通过的微信普通卡券,直接放入了卡包里面,只是我有点儿傻傻分不清楚。

两张卡券.jpeg

邀请链接1.png

你要问什么是微信卡券,那我送你一道传送门吧《一个做社交的搞了个卡包:我们不一样!(文末附传播流程图)》

最后,不得不佩服这两款游戏的推广宣传,游戏未上线,预约早已破千万。

游戏宣传.jpg

吃鸡已预约,老司机开车求带。

明星产品1.png

两张卡券1.png

页面:1234567...44
随时欢迎您 联系我们