挑战不可能第2季_期-理工男巧用万有引力修炼平衡术-综艺-高清正版视频-爱奇艺
更多频道内容在这里查看
爱奇艺用户将能永久保存播放记录
过滤短视频
暂无长视频（电视剧、纪录片、动漫、综艺、电影）播放记录，
按住视频可进行拖动
&正在加载...
请选择打赏金额：
请选择打赏金额：
{{ each data as item index}}
{{ each data as item index}}
{{if item.isLast}}
&正在加载...
{{ each data as item index}}
{{item.playcount}}
&正在加载...
收藏成功，可进入查看所有收藏列表
把视频贴到Blog或BBS
当前浏览器仅支持手动复制代码
视频地址：
flash地址：
html代码：
通用代码：
通用代码可同时支持电脑和移动设备的分享播放
方式1：用手机看
用爱奇艺APP或微信扫一扫，在手机上继续观看
当前播放时间：
方式2：一键下载至手机
限爱奇艺安卓6.0以上版本
使用微信扫一扫，扫描左侧二维码，下载爱奇艺移动APP
其他安装方式：手机浏览器输入短链接http://71.am/udn
下载安装包到本机：&&
设备搜寻中...
请确保您要连接的设备（仅限安卓）登录了同一爱奇艺账号 且安装并开启不低于V6.0以上版本的爱奇艺客户端
连接失败！
请确保您要连接的设备（仅限安卓）登录了同一爱奇艺账号 且安装并开启不低于V6.0以上版本的爱奇艺客户端
部安卓（Android）设备，请点击进行选择
请您在手机端下载爱奇艺移动APP（仅支持安卓客户端）
使用微信扫一扫，下载爱奇艺移动APP
其他安装方式：手机浏览器输入短链接http://71.am/udn
下载安装包到本机：&&
爱奇艺云推送
请您在手机端登录爱奇艺移动APP（仅支持安卓客户端）
使用微信扫一扫，下载爱奇艺移动APP
180秒后更新
打开爱奇艺移动APP，点击“我的-扫一扫”，扫描左侧二维码进行登录
没有安装爱奇艺视频最新客户端？
， 可在设置中重新打开噢！
30秒后自动关闭
：理工男巧用万有引力修炼平衡术
播放量数据：快去看看谁在和你一起看视频吧~
{{each data}}
抱歉，没有“{{feature}}”的其他视频了.
&正在加载...
&正在加载...
&正在加载...
&正在加载...
&正在加载...
&正在加载...
{{ each data as item index}}
Copyright (C) 2017
All Rights Reserved
您使用浏览器不支持直接复制的功能，建议您使用Ctrl+C或右键全选进行地址复制
安装爱奇艺视频客户端，
马上开始为您下载本片
5秒后自动消失
&li data-elem="tabtitle" data-seq="{{seq}}"&
&a href="javascript:void(0);"&
&span>{{start}}-{{end}}&/span&
&li data-downloadSelect-elem="item" data-downloadSelect-selected="false" data-downloadSelect-tvid="{{tvid}}"&
&a href="javascript:void(0);"&{{pd}}&/a&
选择您要下载的《》剧集：
本奖品由提供
红包雨下完了，下次早点来噢~
您使用浏览器不支持直接复制的功能，建议您使用Ctrl+C或右键全选进行地址复制挑战不可能第2季_期-理工男秀炫技徒手变“骏马”-综艺-高清正版视频-爱奇艺
更多频道内容在这里查看
爱奇艺用户将能永久保存播放记录
过滤短视频
暂无长视频（电视剧、纪录片、动漫、综艺、电影）播放记录，
按住视频可进行拖动
&正在加载...
请选择打赏金额：
请选择打赏金额：
{{ each data as item index}}
{{ each data as item index}}
{{if item.isLast}}
&正在加载...
{{ each data as item index}}
{{item.playcount}}
&正在加载...
收藏成功，可进入查看所有收藏列表
把视频贴到Blog或BBS
当前浏览器仅支持手动复制代码
视频地址：
flash地址：
html代码：
通用代码：
通用代码可同时支持电脑和移动设备的分享播放
方式1：用手机看
用爱奇艺APP或微信扫一扫，在手机上继续观看
当前播放时间：
方式2：一键下载至手机
限爱奇艺安卓6.0以上版本
使用微信扫一扫，扫描左侧二维码，下载爱奇艺移动APP
其他安装方式：手机浏览器输入短链接http://71.am/udn
下载安装包到本机：&&
设备搜寻中...
请确保您要连接的设备（仅限安卓）登录了同一爱奇艺账号 且安装并开启不低于V6.0以上版本的爱奇艺客户端
连接失败！
请确保您要连接的设备（仅限安卓）登录了同一爱奇艺账号 且安装并开启不低于V6.0以上版本的爱奇艺客户端
部安卓（Android）设备，请点击进行选择
请您在手机端下载爱奇艺移动APP（仅支持安卓客户端）
使用微信扫一扫，下载爱奇艺移动APP
其他安装方式：手机浏览器输入短链接http://71.am/udn
下载安装包到本机：&&
爱奇艺云推送
请您在手机端登录爱奇艺移动APP（仅支持安卓客户端）
使用微信扫一扫，下载爱奇艺移动APP
180秒后更新
打开爱奇艺移动APP，点击“我的-扫一扫”，扫描左侧二维码进行登录
没有安装爱奇艺视频最新客户端？
， 可在设置中重新打开噢！
30秒后自动关闭
：理工男秀炫技徒手变“骏马”
播放量数据：快去看看谁在和你一起看视频吧~
{{each data}}
抱歉，没有“{{feature}}”的其他视频了.
&正在加载...
&正在加载...
&正在加载...
&正在加载...
&正在加载...
&正在加载...
{{ each data as item index}}
Copyright (C) 2017
All Rights Reserved
您使用浏览器不支持直接复制的功能，建议您使用Ctrl+C或右键全选进行地址复制
安装爱奇艺视频客户端，
马上开始为您下载本片
5秒后自动消失
&li data-elem="tabtitle" data-seq="{{seq}}"&
&a href="javascript:void(0);"&
&span>{{start}}-{{end}}&/span&
&li data-downloadSelect-elem="item" data-downloadSelect-selected="false" data-downloadSelect-tvid="{{tvid}}"&
&a href="javascript:void(0);"&{{pd}}&/a&
选择您要下载的《》剧集：
本奖品由提供
红包雨下完了，下次早点来噢~
您使用浏览器不支持直接复制的功能，建议您使用Ctrl+C或右键全选进行地址复制&h2&&i&&b&前言：&/b&&/i&&/h2&&p&&b&最近研究26262功能安全一段时间，感觉看ISO 26262 标准那从一到十的共十篇文档，无论中文版还是英文版都让我直犯困，浑身无力。baidu资料也比较少，难道就没有些简单易懂的资料分享么，？？？？不过功夫不负有心人，我去马云爸爸的某宝上淘了些培训资料，TUV、恒润啊、SGS、IKV的培训资料都看了，才算是入了门，我就简单的表达一下自己的一些看法建议。请求板砖·········&/b&&/p&&p&&br&&/p&&p&1.&b&先了解大背景，功能安全这个概念的形成与发展&/b&&/p&&p&功能安全概念的形成起源于上个世纪。19世纪70年代到80年代，在世界范围内，尤其是石油化工领域中一些大型项目的生产过程中，多次发生爆炸事故或者严重的污染物泄漏事情。当时业内专家通过系列而系统的分析手段，明确了事故发生的主要原因是因为相关安全控制系统安全功能失效导致的，而造成这些失效的直接原因中，由于电子、电气、可编程逻辑控制器产品自身安全功能不完善导致系统失效的比重是非常大的。&/p&&p&&br&&/p&&p&为了提高电子、电气、可编程逻辑控制器产品的安全性能，从1989年开始，世界范围内的业内专家，对产品安全性设计技术非常重视，并且计划将电子、电气及可编程电子安全控制系统相关的技术发展为一套成熟的安全设计技术标准。1993年，在包含T?V S?D技术专家的专家技术团队的不断努力下，诞生了DIN V VDE 0801标准。之后随着更多业内专家的参与和积极努力，国际电工委员会终于在1998年的时候，正式颁布了IEC61508(功能安全基础标准)标准的第一版，并在2010年正式颁布了该标准的第二版。&/p&&p&&br&&/p&&p&到目前为止，除功能安全的基础标准IEC61508之外，其他相关领域的功能安全系列标准也已经颁布并得到大量的应用。如专门针对过程控制行业的IEC61511标准，专门针对工厂自动化领域的IEC62061和ISO13849-1标准，专门针对铁路信号控制领域的EN5012X系列标准，专门针对核电领域的IEC61513标准…当然，这其中也包含针对道路车辆功能安全领域的专用标准ISO26262。&/p&&p&&br&&/p&&p&ISO26262是从电子、电气及可编程器件功能安全基本标准IEC61508派生出来的，ISO26262标准主要定位在汽车行业中特定的电气器件、电子设备、可编程电子器件等专门用于汽车控制领域的部件和系统，它旨在提高汽车电子、电气产品功能安全性能。另外此前路人皆知的“踏板门”、“刹车门”等事件，其实和功能安全都有很大的关联度。&/p&&p&&br&&/p&&p&ISO26226标准的核心价值在于，它可以通过系统的功能安全研发管理流程，以及针对汽车电子控制系统硬件和软件的系统化验证和确认方法，保证电子系统的安全功能在面对各种严酷条件时不失效，从而保证驾乘人员以及路人的安全。对于汽车厂商而言，贯彻执行ISO26262标准不仅可以提高安全性能，提升产品内在价值，也可以最大程度的控制因为电子部件可靠性问题导致的整车召回风险，避免品牌形象受损，避免蒙受较大的经济损失。&/p&&img src=&/v2-c45fbfae32ee6fe_b.jpg& data-rawwidth=&818& data-rawheight=&561& class=&origin_image zh-lightbox-thumb& width=&818& data-original=&/v2-c45fbfae32ee6fe_r.jpg&&&p&&br&&/p&&p&ISO26262标准在今年刚刚正式颁布，虽然世界范围内，暂时没有出现官方层面的强制执行要求，但该标准的执行，将减少因为电子器件失效造成的交通事故和降低潜在召回风险，所以目前国际大型车企非常重视ISO26262标准的应用和推广。&/p&&p&&b&2、功能安全被定义为：&/b&&/p&&p&根据ISO26262,&/p&&p&“Absence of unreasonable risk due to hazards caused by malfunctioning&br&behavior of E/E systems.”&/p&&p&&br&&/p&&p&所以综合一下、按通俗的理解而言，功能安全就是指汽车即便出现了故障，这个故障也是可控的，不会出现“玩脱了”的情况。实现功能安全是汽车设计的主要目标，也是评价汽车设计的重要标准。&/p&&p&&b&3、ISO/DIS 26262 – 安全生命周期模型&/b&&/p&&p&
做汽车电控的功能安全，主要是在26262 的4 5 6章节&/p&&p&&br&&/p&&img src=&/v2-dd86dc3776d5_b.jpg& data-rawwidth=&880& data-rawheight=&650& class=&origin_image zh-lightbox-thumb& width=&880& data-original=&/v2-dd86dc3776d5_r.jpg&&&p&&br&&/p&&p&&b&4、对一些基础概念的深度理解&/b&&/p&&ul&&li&&b&&u&工程上的Failure, Error和Fault三者之间区别与联系？&/u&（IEC 61508和ISO 26262）&/b&&/li&&/ul&&p&&b&Fault的定义&/b&：可能导致系统或功能&b&&u&失效&/u&&/b&的异常条件（&b&Abnormal condition&/b& that can cause an element or an item&br&to&b&&u&fail&/u&&/b&.），可译为&b&“故障”&/b&。&/p&&p&&b&Error的定义&/b&：计算、观察或测量&b&&u&值或条件&/u&&/b&，与真实、规定或理论上正确的&b&&u&值或条件&/u&&/b&之间的差异（Discrepancy between a computed, observed or&br&measured value or condition and the true, specified, or theoretically correct&br&value or condition.），可译为&b&“错误”&/b&。Error是能够导致系统出现Failure的&b&系统内部状态&/b&。&/p&&p&&b&Failure的定义&/b&：当一个系统不能执行所要求的功能时，即为Failure，可译为&b&“失效”&/b&。（Termination of the ability of an element or an item to&br&perform a function as required.）&/p&&p&&b&三者关系分析：&/b&&/p&&p&· 由于人类试图通过上述3个基本术语来覆盖所有现实中的失效场景，所以就有&b&“Fault&/b& -& &b&Error -& Failure”&/b&。即，&b&故障发生了，会导致错误，错误有可能造成系统功能的减弱或丧失&/b&。&/p&&p&· 当Fault是另外一个组件/系统的失效时，则有Failure (Fault) -& &b&Error&br&-& Failure&/b&；当将Fault说成是某组件状态Error时，则有Error (Fault) -& &b&Error&br&-& Failure&/b&。&/p&&p&· 事实上，这是一种递归循环的关系，递归关系要成立必须有一个明确的结束条件，这个条件就是要找出Root Cause，否则将无法完成一个失效分析。&/p&&p&&br&&/p&&ul&&li&&b&风险评估模型&/b&&/li&&/ul&&img src=&/v2-eaa172aee817edcdd96005a5_b.jpg& data-rawwidth=&1091& data-rawheight=&790& class=&origin_image zh-lightbox-thumb& width=&1091& data-original=&/v2-eaa172aee817edcdd96005a5_r.jpg&&&ul&&li&&b&等级评估&/b&&/li&&/ul&&img src=&/v2-9ebe456b51efff03cb0753e4_b.jpg& data-rawwidth=&928& data-rawheight=&704& class=&origin_image zh-lightbox-thumb& width=&928& data-original=&/v2-9ebe456b51efff03cb0753e4_r.jpg&&&p&&br&&/p&&ul&&li&。&/li&&/ul&&img src=&/v2-2eecfebd1a46_b.jpg& data-rawwidth=&955& data-rawheight=&697& class=&origin_image zh-lightbox-thumb& width=&955& data-original=&/v2-2eecfebd1a46_r.jpg&&&p&。。。。。。。。。。。。。。。。。。。&/p&&ul&&/ul&&img src=&/v2-a11d9ed5f55feb67aefa095bc0d1c0a7_b.jpg& data-rawwidth=&1063& data-rawheight=&768& class=&origin_image zh-lightbox-thumb& width=&1063& data-original=&/v2-a11d9ed5f55feb67aefa095bc0d1c0a7_r.jpg&&&p&&br&&/p&&p&&br&&/p&&h2&先写到这里，Mark 一下，研究好了再来补。。。&/h2&&p&&br&&/p&&p&&br&&/p&&p&&b&5、直接看标准确实很枯燥无味，应很多私信要求就发个福利链接，某宝你懂得，为了汽车安全马云爸爸确实做了贡献很大&/b&&/p&&p&&br&&/p&&img src=&/v2-1556bea1dfc3b084b947c70aa8989052_b.jpg& data-rawwidth=&1006& data-rawheight=&447& class=&origin_image zh-lightbox-thumb& width=&1006& data-original=&/v2-1556bea1dfc3b084b947c70aa8989052_r.jpg&&&p&&/p&&p&&/p&&p&&/p&
前言：最近研究26262功能安全一段时间，感觉看ISO 26262 标准那从一到十的共十篇文档，无论中文版还是英文版都让我直犯困，浑身无力。baidu资料也比较少，难道就没有些简单易懂的资料分享么，？？？？不过功夫不负有心人，我去马云爸爸的某宝上淘了些培训资…
&p&&b&我们是不是正在像15年前迎来互联网泡沫那样，正在迎接人工智能的更大泡沫？&/b&&/p&作者：逍遥小妖&p&&i&应采访者要求，戴维、郑明、麦可、胡进、老邢均为化名。&/i&&/p&&p&五月天，戴维穿着帽衫，瘦瘦高高，里面套着短袖，是最能适应早晚凉中午热的衣着。&/p&&p&作为一个“科技圈人士”，他对热点话题一点感觉也没有，从没听说过共享充电宝，不知道上一轮资本寒冬是什么时候过去的；也不太关心自己的老同学去的那些公司，谁又融了多少钱。&/p&&p&甚至，对自己所在的这个空前热门的行业，他的认识也很模糊——&/p&&p&戴维是国内一家“独角兽公司”的人工智能项目负责人，年薪刚好百万人民币。&/p&&p&这家公司的产品并不是自动驾驶汽车、语音助手和扫脸解锁这种一眼看上去就与人工智能沾边的产品——但在它最新的产品中确实使用了图像识别和自然语言处理，并涉及一些大数据分析的技术。&/p&&p&戴维是部门leader，此前他在一家国际知名的手机厂商做研究员，再之前是清华大学攻读计算机视觉博士学位，还带过博士生。不如那些走穴型的人工智能专家知名，但在学术界，也算是个有点名气的人。&/p&&p&他在这家公司AI部门人不多，差不多10个。但这个部门却撑起了整个公司的可行性方案——尽管用户可能感受不到，但如果没有他们，公司的新产品就完全不可能面向市场。&/p&&p&麦可是戴维的同事，毕业两三年，但年薪也是50万人民币起跳。他的郑明跟他说：“不要谦虚，你自己也说不出国内的OCR（光学字符识别——编者注）谁做的比你更好吧？”——郑明去年自己创了业，在做人工智能方向的猎头。&/p&&p&郑明用了半年多的时间，就把国内能接触到的人才都摸了一遍。不过他也说，这个圈子其实很小，突破几个点后，以一名人才为核心，就能覆盖到他的同学、前后辈和公司同事。&/p&&p&戴维的这份年薪百万的工作是郑明给他找的。郑明也很关心戴维入职后的工作状况，这属于猎头后续工作的一部分。戴维说：“还行，因为这个领域是从零开始，建模、数据搜集和分析，还是有挺多前期工作的。但公司应该已经卖出去一些方案了。”&/p&&p&当然，相比人力投入，这家公司在人工智能业务上还远未回本。&/p&&p&现阶段的人工智能领域，最赚钱的可能是里的“人工”生意了，因为人工智能领域的人才，太短缺了。&/p&&p&“人工智能”是个笼统的概念，企业并不会真的在招聘时招“人工智能岗位”，具体会分为深度学习、自然语言处理、图像识别、推荐算法等不同的职责描述，招的不光是工程师和程序员，而是科学家。&/p&&p&而一个复杂的和人工智能沾边的项目，可能涉及到多种技术的综合应用。&/p&&p&比如要实现“用户拍了一道应用题，智能匹配讲师”这样一个功能，里面会涉及图像识别（识别用户拍的什么题）、自然语言处理（读懂这道题）和推荐算法（按用户数据、题目的类别在导师库里选人）等角色，每个角色都需要对应的职位。&/p&&p&其中每一个环节，都得由至少一名50万年薪起的科学家完成。当然，一个人还肯定不够。&/p&&img src=&/v2-4b6f497bafce6_b.png& data-rawwidth=&750& data-rawheight=&361& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&/v2-4b6f497bafce6_r.png&&&p&以NLP（自然语言处理）算法工程师为例，此刻正在拉钩上招聘的岗位涉及上百家公司386个具体职位。&/p&&p&这乍一看上去并不是一个很高的数字，但该岗位大多要求求职者拥有相关专业的硕士或博士学位，在国内拥有较强自然语言处理实验室的大学仅限北邮、国防科大、北大、清华、中科院、厦门大学、哈工大、复旦、华中科技和苏州大学等少数重点大学。&/p&&p&而以中国科学院计算技术研究所自然语言处理研究组为例，其2014届硕士毕业生4人，博士毕业生2人，已全部被三星、华为等巨头企业收归靡下。&/p&&p&除以上重点研究室之外，其它学校的NLP专业毕业生，都要去微软亚洲研究院、百度、科大讯飞等大公司镀金之后，才有人相信他们的实力——这就将人才输出源锁定到了一个极小的范围内。&/p&&p&这并非是自然语音识别一个细分领域的现象，在整个人工智能领域都是如此。&/p&&img src=&/v2-ce9e9ad8199_b.jpg& data-rawwidth=&386& data-rawheight=&257& class=&content_image& width=&386&&&p&在全球最大的职业社交网站LinkedIn上可以查到的，拥有微软亚洲研究院工作背景的公司创始人高达54人。而从微软亚洲研究院离职后，去创业或互联网公司担任总裁、CTO、总监、项目总监和科学家的人数约为104人。&/p&&p&亿欧网于2016年12月整理的中国企业核心AI人才图谱中，218位人工智能华人高管里，知名大学相关专业毕业的博士生占85%，硕士都排不上号。&/p&&p&在采访过程中，无论是郑明还是那些人工智能创业公司的HR都提到，他们一般会定点蹲守一些自己中意的实验室或公司，一旦这些地方人员有异动，就立刻行动准备挖人。&/p&&p&“（公司）不存在太多的选择，有的公司点名道姓的说只招百度出来的人，或者是只招微软亚研的人。”郑明说，“一旦一个这样的人想要从原本的环境里出来，就会收到很多offer，薪资对他们来说反倒是选择的次要标准了，因为所有公司给的薪酬都很高。”&/p&&p&这样的紧缺，也造就了绝对卖方市场。&/p&&p&在郑明提供的一份内部参考文件中，透露了人工智能领域的大概薪资：职位最低的工程师年薪在30~50万，商业公司中的研究员则在50~100万之间，项目主管或CTO则大多会在年薪80万以上上不封顶，普遍在150万左右。&/p&&p&大公司里的高级职位薪酬会比创业公司更高一些，而基础职位的薪资，创业公司比大公司更高。&/p&&p&一家普通的国内互联网公司，如果想从微软亚研、百度、三星这样的公司挖人，需要拿着他们在原有企业里的职级表按上调二、三级的薪资挖——一家传统招聘网站，甚至曾研究1300万人民币年薪挖一个CTO，过来研发智能人岗匹配的下一代招聘产品。&/p&&p&自然语言、图像、深度学习和自动驾驶等不同领域有一定差距，但差距不大。&/p&&p&“在这个领域里即便是级别低一些的人，也是在学术界有过多年研究的。他们的薪酬往往与学术成果挂钩。就算他们中的一些人之前并没有在企业中有过对应的职业经历，但过去在学术机构中积累的经验和年限被直接对应到了他们现在进入的职场中。当你去实际看这些人（博士或硕士）的年龄，其实也差不多就是互联网公司里中高层的那个水平。所以百万年薪，在这个行业里不算很高了。”&/p&&p&郑明对此见怪不怪，但这确实是一件奇怪的事情。&/p&&p&毕竟，在以商业为导向的企业中，能为企业做出的贡献才应该是薪酬的唯一标准，与学术圈的论资排辈有着巨大的区别。而决定这种薪资制度的并非是因为企业家“不看重科研”，而是现代企业必须以盈利作为主要目的。&/p&&p&换句话说，一个千万年薪的团队，能否为公司创造出过亿的利润，才是它是否真的价值千万的唯一衡量标准。&/p&&p&然而，与人工智能专业人才“奇货可居”的价格形成鲜明对照的是，人工智能公司本身真正创造的价值，却少的可怜。&/p&&h2&&strong&三种人和三种公司&/strong&&/h2&&p&“做人工智能的这些学术派们并没有太大的野心，”猎头郑明说。&/p&&p&这些人从原本的机构或商业研究院的象牙塔走入“凡间”，无论是创业，还是加入创业公司也好，目的基本上是三个：&/p&&p&“一是觉得自己做了这么多年研究，确实想赚一点钱。二是希望能够在商业环境中拿到更好的数据，验证自己的模型和算法，在学术领域再创新高。第三种，也是最少的一类人，是真心希望自己的技术能够转化成一个产品的。”&/p&&p&学术、大公司、创业、被收购，然后重回学术，是大多数人工智能领域的技术大牛名利双收的“职业路径”。&/p&&p&其中的每一步都有着十分明确的考量：如果一个新的环境，能够提供更好的薪资，或更好的数据其中任何一个，那么现有的环境是很难挽留他们的。在郑明看来这不叫没有情怀，叫直率。&/p&&p&在筛选一家公司是否值得去的时候除了薪资，大牛们往往会思考这些问题：“这个公司已有的人工智能人才是否和我在同一个等级上”、“这家公司所涉及的业务是否对我所研究的课题有帮助”、“从这家公司离开后是否能为我回学术圈或创业带来优势”。&/p&&p&对于人工智能人才择业来说，最忌讳的就是来到一家对自己的学术进展毫无帮助的公司。&/p&&p&胡进是业内的一位深度学习专家，在离开原本的大公司研究院后，被一家国内顶尖的汽车媒体聘用。入职之后，胡进发现这家公司的用户数据尽管巨大，但收集维度仅限于用户在汽车领域的消费和浏览偏好，且受限与公司产品形态不容易拓宽。而公司的产品库主要又是游戏和金融产品，数据与推荐品之间无法建立有效的联系，对学术的帮助也收效甚微。若在此恋战，则有可能断绝回到学术圈的道路。&/p&&p&入职六个月，胡进火速离职。&/p&&p&这也是包括百度和Google在内的许多大公司都留不住人工智能人才的原因：&/p&&p&对于有学术抱负的人来说，商业公司只是暂时的落脚点。拿到数据突破学术瓶颈之后，依然要回到学术圈；&/p&&p&对在学术圈“穷怕了”，奔着赚钱的人来说，如果独立创业后可以以更高的估值被收购回去，那么也是一个不错的选择。&/p&&p&前一类人在人工智能创业公司中占了绝大多数，通过抓取LinkedIn数据，在对格林深瞳、旷视科技、商汤科技、思必驰、云知声、第四范式6家不同细分领域AI创业公司的245名离职员工的分析后，PingWest品玩发现有110名员工回到学术研究机构、大学或无明显商业模式的校办企业。&/p&&p&而对那些真正希望自己的技术转化成一个成熟产品的人工智能科学家来说，并不满足在某个大公司中担任技术岗，他们更愿意在大公司中验证自己的模型和算法之后，去创立独立的公司。这些从大公司出走的人工智能创业者往往起点高，对自己的技术实力和市场的空白有充分的把握，坚信自己创办的公司一定能因为掌握某个关键的技术或环节，日后被大公司收购回去。&/p&&p&不过，任何一个人工智能的顶级人才，都不认为自己是泡沫里的裸泳选手，他们甚至对这个行业是否有泡沫并不关心。因为能够进入这个行业的人，真才实学是前提基础，即便是真的有泡沫，回归学术也是他们一条不错的退路。&/p&&p&这恐怕与大多数商业化的公司以及公司背后的资本意志，对他们的预期不太一样。&/p&&p&与人工智能人才各怀心思相同，招聘他们的公司也分为三类，每一类在给出“百万年薪”的同时有着完全不同的诉求：&/p&&p&第一类是互联网巨头，包括“超第一梯队”的跨国公司Google和微软亚洲研究院，以及第一梯队的巨头——大家熟悉的百度、阿里和腾讯；以及第二梯队的今日头条和滴滴等公司。&/p&&p&第二类是人工智能创业公司，以某种人工智能技术为主营业务的创业公司，典型的如自动驾驶领域的Momenta、地平线、驭势科技；视觉识别领域的格灵深瞳、商汤科技和旷视科技等。&/p&&p&第三类是将人工智能融入到自身业务中的其它创业公司，如学霸君、泼辣熊和智齿科技等。&/p&&p&戴维所在的公司就属于第三类，在这类公司，人工智能是用来升级现有的产品或业务的，所有的人工智能研究以产出为导向，实用性强，“泡沫不高”。&/p&&p&但与传统研发领域的许多大牛一样，这类应用驱动的人工智能团队，往往随着新项目的立项而引入，随着新项目的结项而离职。&/p&&p&这样的公司一般有良好但并不过分充裕的现金流，人才和公司都较为明确的知道自己想要什么。一旦人工智能领域上的投入产出比不够好，项目会被立即停掉，原本引入的技术人才也不会恋战。&/p&&p&在人工智能创业公司——第四范式的“范式大学系列课程”第3篇中，也引用了这样一个实例：一个企业招聘了两名机器学习方向的数据科学家，加起来年薪百万。但在合作了一年之后，科学家和企业相看两厌，最终分手。&/p&&p&公司决策层对人工智能的预期是“投入大”、“收益多”，期望聘请一位百万年薪的专家就能撬动整个公司的现有业务流，实现效率的提升，挖掘公司应得的隐形利润。&/p&&p&但立项后，由于将人工智能技术融入已存在行业需要重新建模、收集数据等工作，隐形利润的挖掘需要很长时间，但隐形成本却倍增——人工智能项目的成本不止百万年薪的人才成本，还有配套的数据采集、分析、深度学习云服务的成本。有创业公司因聘请到专家后，买不起深度学习服务器而最终放弃项目。&/p&&p&不过，当我们谈起“人工智能热”的时候，那些巨头公司的研究院，以及把无人驾驶、图像识别和语音识别等技术当成公司核心产品的公司，对人工智能科学家的“容忍度”前所未有地高。由于家底雄厚，它们也是推动人工智能人才高薪的主要原因。&/p&&p&但它们的人工智能产品无论多神奇，似乎永远只出现在新闻里而不是市场上。&/p&&h2&&strong&谁为“高薪”买单&/strong&&/h2&&p&既然人工智能行业并不赚钱，那么人工智能从业人员的高薪是谁支付的？&/p&&p&与所有风口吹泡泡的故事一样，资本再次充当了那个“老好人”的角色，但资本自己并不如此认为。&/p&&p&从年，国内投资过人工智能领域的机构多达145家，而无论是否投资过人工智能企业，几乎所有投资机构在公开场合都认为：人工智能的确是未来，只是在未来有多远，以及如何估值这个问题上存在一定疑问。&/p&&p&以学术水平论估值，是正在布局这个行业的一些VC的基本逻辑。&/p&&p&与投资App和消费升级不同，大多数人工智能创业公司都以To B为主要业务方向，同时有大量的研发支出。“短期内”现金流上巨亏似乎是不可避免的，在业务上也无法找到可以用于衡量的增长指标。&/p&&p&因此，核心团队是否有真才实学，是否能持续的从人才匮乏的学术界挖到人，维持整个公司的研发进度，成为VC衡量人工智能创业公司的一个重要因素。&/p&&p&“业内一些基金的逻辑其实是在投分裂，”一位基金投资经理告诉PingWest品玩，“基金进入每个行业都需要交学费，只不过人工智能和TMT不同，在投TMT的时候你可以找两个实习生，把市面上的项目都用一遍就学会了。但人工智能的学术门槛高，要想判断一个项目好坏，你不可能自己雇一个学术派来做投资经理。&/p&&p&你只能相信一些在学术上有可见成就的人，尽管他的公司可能商业上不成功，但他的学生和人脉会进他的公司。然后一段时间后他的高管和下属会离职创业，与一些商业逻辑更强的行业人结合在一起建立新公司，这个时候你才有机会投到这些公司。”&/p&&p&换句话说，投资人投的就是人，而不是公司，投资人恨不得亲自直接把高额的薪水钞票砸到这些人工智能专家的脸上。这种现象在其它领域的投融资虽然也有，但很少像人工智能创业公司那样，能靠团队撑起上亿美金规模的融资。&/p&&p&商汤科技的汤晓鸥就是在这一逻辑下最值得“被投”的人之一，汤晓鸥1990年于中国科学技术大学获得学士学位，1991年于美国罗切斯特大学获得硕士学位，1996年于麻省理工学院 (MIT) 获得博士学位。在计算机视觉、模式识别和图像处理等人工智能的细分领域上已有200余篇论文。&/p&&p&2014年，汤晓鸥创办商汤科技，背靠香港中文大学多媒体实验室，商汤科技迅速成为业界人才优势最强的人工智能创业公司之一。按照商汤科技官方的介绍，商汤科技主要研究人脸识别、文字识别、人体识别、车辆识别、物体识别、图像处理等技术的应用。在实际业务上，主要深耕金融、移动互联网和安防监控三个方向。&/p&&p&但商汤科技的技术人脉优势，在之后的几年反倒成为了商汤科技的软肋，商汤科技在发展过程中始终没有摆脱研究院式的学术气息，缺乏商业人才导致其在商业化上的探索并不成功。&/p&&p&去年12月，商汤科技引入拥有国资背景的鼎晖投资完成B轮融资，不到半年后又引入国资属性更强的赛领资本作为战略投资方。并与地方政府合作建立人工智能超算中心，强化了自身的技术研究院与基础设施属性。&/p&&p&这意味着商汤科技不再执着于不成熟的商用市场寻找出路，而选择成为现阶段基础服务属性更强的国家队成员。&/p&&p&格灵深瞳是另一家在业内汇聚顶尖人才的创业公司，成立于2013年，其主要业务是计算机视觉和深度学习技术以及嵌入式硬件研发。在成立不久之后，格灵深瞳将这个“技术”转化为一个具体的市场方向——安防。&/p&&p&安防市场是一个相对封闭且对硬件技术要求较高的门槛，目前格灵深瞳主要集中在软件方案上，很难说切入了安防市场的核心地带。2017年年初，格灵深瞳CEO何搏飞的离职也让圈内震惊。&/p&&p&与格林深瞳同样切入安防领域的还有旷视科技（Face++）等以面部识别为核心技术的创业企业。尽管并不否认人工智能技术对安防效果的显著提升，但安防市场一直是以销售为强导向的线下市场，国内长期被海康威视、大华股份、东方网力三家整体方案和硬件商垄断，创业企业很难颠覆。&/p&&p&尽管国内大多数基金的生命周期都是5年以上，也就是说所投公司在5年之内没有回报都是可以“被理解”的。但实际上，如果一家公司在3年内既没有找到合理的商业模式也没有实现批量增长，那么就很难再继续进行正常的下一轮融资了。&/p&&p&无论是为了进一步融资，以获得公司继续生存所必须的救命资金，还是给“裁员”找一个好听的说法，团队出走裂变出新的公司，在人工智能领域都成了一种趋势。&/p&&p&几乎每个成立三年以上的人工智能公司都会存在一次“团队出走，二次创业”的事件。&/p&&p&通过公开资料我们发现：思必驰员工离职创办语音识别公司驰声科技；云知声CMO离职创办人工智能教育公司先声教育；出门问问两位员工离职分别创办大数据冷链公司Meatub、智能硬件公司萌动；商汤科技曹旭东离职后创办自动驾驶公司Momenta；格灵深瞳的丁鹏博士离职创办人工智能医疗公司DeepCare；英特尔的吴甘沙等5人离职创办自动驾驶公司驭势科技……&/p&&p&尽管并不是绝对，但裂变后的公司往往会更为“脚踏实地”，在商业上更努力。&/p&&p&简单来说，从图像识别公司离职的员工，会创办一个在图像识别领域有具体应用场景的公司。比如在自动驾驶领域，从L5（完全自动驾驶）离职的团队则会更倾向于研发L4和L3（辅助自动驾驶）的方案，或者是具体到自动驾驶整个产业链中的某个硬件、芯片或算法上。&/p&&p&只有这样，这些分裂出来的公司才可能在自己重新开启的融资周期内，实现盈利或被收购。&/p&&h2&&strong&差了5年的风口就是泡沫&/strong&&/h2&&p&“你觉得目前国内哪家公司的人工智能水平最高？”（不包括微软亚研等外企）&/p&&p&PingWest品玩把这个问题扔给了很多人工智能科学家，答案的前半部分惊人的高度一致：“技术实力最强的一定是百度，但是……”&/p&&p&后半部分的回答不尽相同。不过大多数指向刚刚离职的百度前首席科学家吴恩达（Andrew Ng）曾经主导的百度人工智能缺乏成功转化并泛用的产品，从外界看起来并不算“成功”，与“水平最高”的实际状况并不相称。&/p&&p&在PingWest品玩的采访过程中，另一个得到高度一致性答案的问题是：“你觉得是什么让人工智能突然热起来的？”&/p&&p&面对这个问题，几乎所有人无一例外的回答“AlphaGo”。&/p&&p&这也与2016年突然爆发的创业和资本曲线恰好吻合，甚至有创业者直言：“我做了这么多年人工智能，没人知道我是做什么的，在AlphaGo之后终于有投资人能正眼看我了。”&/p&&p&然而AlphaGo是Google的一个实验性加上公关式项目，尽管Google通过它更好的理解了深度学习，同时也向外展示了Google的技术实力。&/p&&p&但AlphaGo本身是不具备任何实际意义，也不能产生回报。&/p&&p&将驱动AlphaGo的技术应用于实际的生产场景，可能还需要许多年。而在不同的场景之下，人工智能的实际应用又有着完全不同的实现难度和时间进度。&/p&&p&“人工智能的风口是个伪命题，因为并不存在某个具体的行业叫人工智能。人工智能的技术会落实到具体的应用之下，但每个场景的实现时间是不同的。比如说我们这个领域，不要说风口来临了，其实风口已经过了。”&/p&&p&自2012年开始做非接触式掌纹识别的老邢说，他如果现在创业也一定说自己是人工智能。“掌纹比指纹的安全性更高，而且无需接触，在使用体验上也比扫脸要好一些”——但是老邢的产品目前只在一些密级很高的单位获得认可，在资本市场和消费市场上都是反响平平。&/p&&p&与认为风口已过的老邢不同，专注货运自动驾驶的图森未来科技CEO陈默则认为风口可能还没到：“目前无人驾驶技术最强的就是Google和百度这样的巨头了，但我们认为他们要想实现他们的L5自动驾驶商用，依然也要5年以上的时间。创业公司切L5一步到位这个点是不现实的，我们做封闭或特定环境的L3、L4自动驾驶，目标就是在三年内能商业化，这才是一个公司该考虑的事情。”&/p&&p&而由科学家这样的学术界人士主导的人工智能项目，往往会将学术界“刷论文”的风气带到公司领域。&/p&&p&在媒体中，我们经常能听到某家人工智能公司在图像识别、人脸识别、上路测试中又取得了新的进展。但如果读至内文，这些突破性进展往往是算法对某种特定场景的识别率又提升了百分之零点几。&/p&&p&这或许在技术上确实是一种重大进步，但在实际应用场景下却往往是另一回事儿。&/p&&p&比如面部解锁，98.8%的识别率和99%的识别率在体验上完全没区别。而用过面部解锁的用户都知道，在移动（晃动）中无法解锁才是目前其无法广泛应用的主要原因，而智能手机的前置摄像头采用什么样的参数和防抖技术又是人工智能解决方案公司完全无法控制的。&/p&&p&但这些公司在测试和刷分的时候，会为那百分之零点几的提升兴奋不已，发新闻稿，恨不得开发布会。&/p&&p&类似复杂的环境因素，决定了人工智能在几乎所有需要考虑复杂环境的普通用户使用场景上都显得有些“智障”。&/p&&p&而在企业端，以医疗为例，政策和体制原因导致这个市场目前连互联网产品都没有完整渗透，即便是有商业公司制作出了可行性产品，短期内也很难攻入市场。&/p&&p&同样面临技术和产品之外的商业化问题的还有上问题提到的安防和自动驾驶。&/p&&p&从技术到应用的这段过长的转化时间，理应是在研究机构中完成的，而并不应该让资本和市场过度干预。以百度为例，总裁兼COO陆奇上任后，百度的人工智能迅速向语音助手、智能家居和L3自动驾驶等短期内更容易出现产品的方向调整，这不失为一次中国人工智能的“头部转弯”。&/p&&p&那么，“不是不行，只是时候未到”的人工智能是泡沫么？&/p&&p&一位一级市场分析师告诉PingWest品玩：”你觉得VR是泡沫么？如果是的话，那人工智能确实有泡沫。“&/p&&p&人工智能与虚拟现实（VR）十分相似：随着内容消费的不断升级，VR有朝一日一定会取代现有的载体成为一个巨大的市场——正如我们总有一天会被人工智能包围。但由于技术不成熟，媒体和资本的提前热炒，催生了年VR的非理性繁荣，同时也迎来了今年的VR低谷。&/p&&p&“人工智能比VR的前景更大，它像互联网一样，未来会深入到每个领域中。就像今日头条、像滴滴内部运用人工智能一样。未来小卖铺都像用微信付款一样，利用人工智能来分析客户、库存和SKU。” 老邢告诉我，“但这并不意味着，现在这么热炒就是一件好事。”&/p&&img src=&/v2-f89fcd7cf196cee98f6de4_b.jpg& data-rawwidth=&750& data-rawheight=&592& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&/v2-f89fcd7cf196cee98f6de4_r.jpg&&&p&通过对一级市场数据库IT桔子上，409家人工智能创业企业的公开信息进行分析，PingWest品玩发现人工智能企业的融资次数，与新增公司数呈现明显地平移相关。截止2017年4月底，今年的新增人工智能企业数量仅为5家，预计今年人工智能新增企业将有大幅下滑。&/p&&p&敏感的“人工智能从业者”们已经意识到了这一轮风口来的太早，而资本却并没有及时刹车。到目前为止，今年（2017年）人工智能企业融资事件已发生62次，已完成的融资额比去年多了一倍，全年资产流入量将有望突破700亿。这700亿中，又将有许多以天价年薪的形式，流入人工智能人才的口袋。&/p&&p&人工智能是方向，但当下却并不是风口，它对标的并不是O2O、电商和消费升级这样的具体赛道。而是像互联网一样，提供了一个全产业升级的技术工具——互联网的诞生让O2O、电商和消费升级成为了可能。而人工智能的风口来临的时候，是指在人工智能成熟后，所有行业都可以利用人工智能提升自己的效率和生产力。&/p&&p&但前景越光明，当下的泡沫也就越大，就像2000年前后中美同时发生的互联网泡沫破灭。&/p&&p&1995年至2001年间，由于媒体和资本的过度投机，让普通民众和投资者认为互联网将会改变一切。随之而来的泡沫破灭，让大约5万亿美元IT业市值蒸发，许多知名企业破产。&/p&&p&在之后的不到五年里，互联网确实改变了一切。后来互联网对世界的变革，甚至超过了2000年互联网泡沫最鼎盛时期华尔街的想象。但这并不能挽回那些互联网先烈的命运。&/p&&p&过早的商业关注，也是对人工智能学术进步的一种阻碍。杜克大学电子与计算机工程系副教授，杜克进化智能研究主任陈怡然在人工智能媒体新智元的一篇文章中写道：&/p&&p&“学术界被挖的千疮百孔，现在连写个项目申请都找不到合适的PI来组队……这个需求有明显的炒作痕迹，而且是学术界的人自己炒自己：谁都知道这个溢价不可能长久，赶紧趁热把自己卖一笔，以后的事情以后再说。”&/p&&p&戴维对此有着相同的观点：“整体来说，人工智能这一波技术的天花板很低，如果现在短期内实现不了的需求，再投多少钱也没用，还是要靠学术界有进一步的突破……学术界上一次突破（深度学习算法）带来的应用红利可能马上就要到头了。”&/p&&p&事实上，如果人工智能真的如互联网一样，是一种庞大改革的技术基底。那么人才去泡沫化、民主化，学术的归学术，商业的归商业，才是引爆风口的第一步。&/p&&p&随着更多的人涌入人工智能相关专业，社会性的商业培训机构的出现，以及人工智能技术自身门槛的降低。人工智能人力成本下降，才能让人工智能真正的大众化，泛用化。当任何一家公司可以像招PHP程序员一样招到人工智能工程师的时候，我们才能迎来没有泡沫的人工智能时代。&/p&&p&－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－&/p&&p&更多精彩请关注我们的微信公众号：PingWest品玩&/p&
我们是不是正在像15年前迎来互联网泡沫那样，正在迎接人工智能的更大泡沫？作者：逍遥小妖应采访者要求，戴维、郑明、麦可、胡进、老邢均为化名。五月天，戴维穿着帽衫，瘦瘦高高，里面套着短袖，是最能适应早晚凉中午热的衣着。作为一个“科技圈人士”，他…
谢谢邀请。&br&&br&这个问题问的是如何锻炼出&b&强悍的&/b&分析能力——那我确实蛮适合回答的。&br&&br&先放结论：培养&b&强悍的&/b&分析能力这个事儿，我的建议是：&br&&b&1.学一门学科：信息分析；&/b&&br&&b&2.入门几个关键学科，多了解几种分析范式；&/b&&br&&b&3.掌握信息分析的基本工具与方法；&/b&&br&&br&&b&1.学一门学科：信息分析&/b&&br&有很多人谈到的提高分析能力的方法，大都玄乎其玄，说的跟成功学一样——为什么不好好坐下来，专门学一门讲求分析的非常正规的学科呢？&br&是的，这门正规的、专讲分析的学科就叫做：信息分析。（李彦宏学的“信息管理”这个专业，其核心课程，也就是信息分析）&br&&br&这门学科主要讲什么？&br&如其名，主要讲的就是对信息进行分析，当然，你也可能在别的地方听过它的其它的高大上的名字，包括：经济分析、经济预测、市场分析；情报分析、情报调研、情报研究；社会调查、舆情分析、未来研究等。&br&支撑这门学科的思想，也横贯了逻辑、统计、博弈论、心理学、经济学、管理学、控制论等重要学科。这门学科当然也不是讲玄乎的理论的，而是非常注重方法、术、手段、推理的。&br&&br&为什么必须要学这门学科？&br&因为：&br&（1）.所有的分析过程，总的来说，都是对信息的处理、分析，而这门学科，便是主讲信息分析的；&br&（2）.正规、学术化，有着顶尖专家的研究，集结了前人的智慧，不会像一些成功学一样吹牛逼；&br&（3）.讲求方法、术，稳准狠，但是又注重&b&体系化&/b&，学了不会走火入魔，而是了解到人的局限、世界的复杂，不会跟个中二青年一样，天天觉得自己掌握了趋势。&br&&br&学了之后还可以分析能力还可以进阶吗？&br&当然可以，进阶有两个两个方面：一个是结合别的学科，比如经济学、管理学，国际政治学等，提高自己在特定领域的分析能力；一个是培养自己对纯信息分析的分析能力，比如数据挖掘与分析的能力。&br&&br&&b&2.入门几个关键学科，多了解几种分析范式&/b&&br&一方面：每一门学科都有着自己的研究经验、研究范式，仔细学习，能收获好多关于如何分析的思想和方法；另一方面，每一门学科内有自己的定义架构，了解这个定义架构，有助于理解定义架构下的世界，从而提高自己的分析能力。&br&&br&&b&（1）.“定义架构”&/b&&br&定义架构指的是，每一门学科里面，都有一些既成的组织化的定义，确定了什么现象是什么，区分了事物的边界和联系，好比是一副有色眼镜，戴上它，世界会清晰好多。&br&比如你要去做经济分析，你肯定要了解经济学，不要重复去造轮子，自己再去定义什么现象叫什么，这样得不偿失，而且，往往还会导致：你以为你发现了真理，其实你只是换了个说法说明了一些早已被证明是错误的东西罢了。&br&（如果用编程的说法来说的话，这些定义架构就好比是&b&前人已经写好的库和模块&/b&，已经很好用了，就不要重复去造轮子。（当然，你也可以重造，但是，你认为你是想成为开天辟地的大师还是一个分析者？））&br&&br&&b&（2）.要入门哪些学科？&/b&&br&要入门学科包括：心理学（大多数分析，其核心都是在分析人）；经济学（描述了这个世界的运行）；社会学（有一套自有的话语范式与研究成果）。&br&具体更完整的我推荐看一下我的答案：&a href=&/question//answer/& class=&internal&&对于世界的抽象认识与复杂性研究，你有哪些心得和书籍推荐？&/a&&br&&br&&b&3.掌握信息分析的基本工具与方法&/b&&br&基础打牢了，方法学会了，只会出去跟出租车司机吹会儿牛逼能行吗？我们要做出成果，并且在做出成果的过程中，磨练自己的思想、体会分析的方法，乃至作出创新。&br&&br&&b&（1）.初阶版：脑图工具+文本工具&/b&&br&这些脑图、结构图的工具，各个平台上都有很多，我一般喜欢在ipad与PC平台上面使用：&br&ipad：Mindly，Mindo，iThoughts；&br&PC：Edraw Max，MindManager；&br&这些脑图、流程图的工具很多，你可以自己选择自己喜欢的。&br&&br&文本工具就是说，要培养自己的写写画画的能力，让自己具有结构分析的思维和能力。&br&在这里推荐一本《金字塔原理》&br&&br&&b&（2）.进阶版：Office&/b&&br&进阶版就是excel+ppt+word这些东西，因为一个人的分析，不仅仅是在脑子里面分析了就完了，还要呈现出来，得到反馈。&br&&br&&b&（3）.高阶版：python+各种模块+数据分析与挖掘软件&/b&&br&学会python，结合它的强悍的数据分析能力与各种模块、库、工具（比如ipython，scipy，numpy模块，PyGt等），然后最好系统地学一下统计学，以及SPSS软件，Orange Canvas等，把自己从一个信息分析的票友变成专业的分析人员吧！&br&其中，关于python的一个答案：&a href=&/question//answer/& class=&internal&&大学里 C++ 课程听不懂，但是想当程序员，还有希望么？ &/a&&br&&br&&br&写完了，总结与延伸一下：&br&（1）.如果说只是培养&b&较好的&/b&分析能力，那么你看几本信息分析方面的书就好了，（比如：&a href=&///?target=http%3A///subject/1553489/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&信息分析 (豆瓣)&i class=&icon-external&&&/i&&/a&，&a href=&///?target=http%3A///subject/1184567/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&信息分析与预测 (豆瓣)&i class=&icon-external&&&/i&&/a&，&a href=&///?target=http%3A///subject/1091581/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&信息分析与决策 (豆瓣)&i class=&icon-external&&&/i&&/a&，建议到图书馆里面去找，专业的信息分析书籍有很多）这里面讲了很多直接可以用但又发人深省的方法，好好学习一下，分析能力肯定是可以提升的；&br&（2）.如果说是要培养强悍的分析能力，那么请入&b&专业分析&/b&的大坑。&br&（3）.&b&较好的&/b&分析能力与&b&强悍的&/b&分析能力的差别：&b&较好的&/b&分析就是在脑子里面分析有限的事实与数据，对于大量的数据、超出人类直觉的东西，往往束手无策（这世界上大部分事件，都是超出人脑的处理能力的）；强悍的分析能力则更要求专业化，借助更多专业工具，更讲求稳准狠。&br&&br&目前，我也走在成为分析高手的路上，与诸位共勉！
谢谢邀请。 这个问题问的是如何锻炼出强悍的分析能力——那我确实蛮适合回答的。 先放结论：培养强悍的分析能力这个事儿，我的建议是： 1.学一门学科：信息分析； 2.入门几个关键学科，多了解几种分析范式； 3.掌握信息分析的基本工具与方法； 1.学一门学科…
&p&&b&【写在前面】&/b&&/p&&p&有几个来我们这参加淘车培训的学员问我，为什么这么喜欢车，是不是因为我的工作就是以车为伴？谁是因，谁是果，的确两三句话说不清楚。我因为对车的兴趣而选择了当汽车工程师，这份工作回过头来也大大助长了我对车的热爱。&/p&&br&&p&在继续聊怎么给车友淘宝马之前，我觉得可以借机说说我做汽车工程师的那些事儿，我是怎么更加疯狂地喜欢上汽车的。&img src=&/v2-cdeca_b.jpg& data-rawwidth=&1148& data-rawheight=&646& class=&origin_image zh-lightbox-thumb& width=&1148& data-original=&/v2-cdeca_r.jpg&&&/p&&p&好多人羡慕我“能把兴趣和职业融为一体”，我也不止听一个人抱怨过，自己从事的职业并非所爱，如行尸走肉般痛苦。不过，回头一想，我走过的路的确是这样的，兴趣和事业合二为一，真还是件幸福的事儿，工作起来完全不觉辛苦。&br&&/p&&br&&p&&b&【三个月的“待业期”】&/b&&/p&&p&把时间轴拉回到2007年，那时我还是一名菜鸟级汽车工程师，虽然在德国工作了两年，但大多是办公室和试验台前的工作，试车都是试车员出马，轮不到我，研发人员很少有机会上路体验试验车，更多是扑在产品上，解决技术问题，这也是我眼中德国汽车工业少有的迫切需要改进的地方。&img src=&/v2-a76a4e50db27ec39dcab7c4_b.jpg& data-rawwidth=&1024& data-rawheight=&768& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&/v2-a76a4e50db27ec39dcab7c4_r.jpg&&&/p&&p&（越来越怀念德国的天气，车子好久都不用洗，底盘和车里都超干净）&br&&/p&&br&&p&后来，一些原因让我决定回国找份新工作，顺便也可以夫妻团聚。2007年，我决定回到上海重新找份工作，随后经历了好几个月的“待业期”。&img src=&/v2-fdaf53126e4_b.jpg& data-rawwidth=&1024& data-rawheight=&768& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&/v2-fdaf53126e4_r.jpg&&&/p&&p&（啃给老婆看的玉米）&br&&/p&&br&&p&那段时间，每天吃完早饭后，老婆出去上班，我洗完碗，就闲在家里了。我真的特别喜欢车，哪怕是看着车子发呆。所以为了打发时间，我打算用这些时间逛逛上海的4S店，把自己假想成要买车的准客户，挨家挨户去看车子。&img src=&/v2-a7dfcc9ba61b_b.jpg& data-rawwidth=&768& data-rawheight=&1024& class=&origin_image zh-lightbox-thumb& width=&768& data-original=&/v2-a7dfcc9ba61b_r.jpg&&&/p&&p& （那段时间是我做家务最多的时期…）&img src=&/v2-d5ecb1d47cb5_b.jpg& data-rawwidth=&1269& data-rawheight=&843& class=&origin_image zh-lightbox-thumb& width=&1269& data-original=&/v2-d5ecb1d47cb5_r.jpg&&&/p&&p& (2007年，洋山深水港。我作为待业家属，参加诺嫂公司的出游活动)&/p&&br&&p&舍不得坐出租车，就坐地铁转公交车，当年可没有高德导航、智能手机啥的，每次出门之前，我得在家里电脑上网查好路线，哪路地铁转哪趟公交，再怎么步行，一天要逛哪几个地方，中午在哪吃饭比较方便… 我会把这些都查好，抄在纸上带着。&/p&&br&&p&我逛4S店，就是为了接触各式各样的车子，一款款钻进去体验，前排坐够了再换后排，机舱、后备箱都打开看看，那种过瘾的感觉难以言表，就如同自己真的马上就要拥有它们一样入戏。遇到好说话的销售，我还会申请试驾，开一圈下来，留个电话号码就找理由抽身离开。&/p&&br&&p&我用这种“无耻方法”试驾了好多中低档国产车，但走到豪华品牌4S店，就不大好意思问人家试驾，一方面因为他们服务态度普遍很高冷，另一方面自己没啥底气，实在不像要买豪车的人，仅仅是坐进车里感受一下，我就很知足了。&img src=&/v2-6d794da5ccfe_b.jpg& data-rawwidth=&500& data-rawheight=&375& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-6d794da5ccfe_r.jpg&&&/p&&p&宝山区场中路那边有家奥迪4S店，当年还是A4（B7）在售的年代。一次，我在他们家展厅一辆红外黑内的手动A4里，一直坐到人家下班。我在车里左看右看，心里一直在yy“这车要是能借我开几天就好了”，那一幕至今仍旧历历在目。&br&&/p&&p&一个月下来，我厚着脸皮把上海滩各大4S店基本逛遍了，对于当时国内在售车型的感触非常具象，20万以内的家用轿车，我大多也都开过了。每当朋友同学聊起车来，我都能说上一通，的确给人“海归汽车专家”的错觉（其实，自己几斤几两我也知道，那点谈资都是一个月没事干，闲出来的）。&/p&&br&&p&说说当时印象最深刻的几款车吧。我超喜欢第一代宝马X5，所以当我看到双环CEO的时候，你们可以想象我当时的感觉吧？&img src=&/v2-95437fe4ccb20fabdbf595d1b9d2735b_b.jpg& data-rawwidth=&500& data-rawheight=&347& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-95437fe4ccb20fabdbf595d1b9d2735b_r.jpg&&&/p&&p&外观相似度90%，但人家80万的车子，竟然可以十几万拥有，山寨的魅力无限啊！开上去并不像想象那么差劲，性价比好高！&img src=&/v2-234aef94b89127_b.jpg& data-rawwidth=&1600& data-rawheight=&1200& class=&origin_image zh-lightbox-thumb& width=&1600& data-original=&/v2-234aef94b89127_r.jpg&&&/p&&p&马自达6，外形干练，算B级车里相当好开的了，而且同排量的自动挡里，马6算是相当省油的了，变速箱标定巨舒适。当时就希望这样的车子多被人接纳，结果马6现在才停产，一些4S店里还买得到新车。。。&img src=&/v2-cb0eaed6e2fc95c10a9f01_b.jpg& data-rawwidth=&550& data-rawheight=&286& class=&origin_image zh-lightbox-thumb& width=&550& data-original=&/v2-cb0eaed6e2fc95c10a9f01_r.jpg&&&/p&&p& 捷达1.6 MT，这款车经济实用到爆。动力总成虽然年岁已久，但是就当时的那套发动机+5MT变速箱，换在任何一个外观时尚一些的A级车壳子里，继续热卖10年！可惜大众不解风情。&/p&&p&老婆看我这么痴迷，就说：“你这么喜欢车，那我们买一辆吧，新的买不起，就买台二手的吧！”——哇，我就要有自己的车了！这句话，感动得我当晚一宿没睡好。&img src=&/v2-11ca20b97e35ef3cc0d67e_b.jpg& data-rawwidth=&489& data-rawheight=&433& class=&origin_image zh-lightbox-thumb& width=&489& data-original=&/v2-11ca20b97e35ef3cc0d67e_r.jpg&&&/p&&p&你们知道么，每天看美女，看得再淡定，真要给自己挑一个领走时，那种状态完全是两样的，相比之下，前者简直就是走马观花。&br&&/p&&br&&p&二手车！于是，我又有了新的方向，开始做二手车市场的功课了。。。&/p&&br&&p&我勒个去！接下来立刻发现，逛二手车市场比逛4S店有意思多了，因为一个地方可以看到好多不同的车型，由于二手车经过一段时间的使用，所以一车一况，就算是同一款车，每台细节都不完全一样。无论是平民车还是豪华车，随便你坐进去看，老板们都会很热情地递上钥匙，根本不像4S销售那么冷艳！&/p&&br&&p&当时全上海就5个主要的二手车市场，一天逛一个，周一到周五正好轮一圈。武宁路市场的车最多，档次也最高，每次一逛就是一整天。我那时丝毫没有意识到什么“二手车水深”啊，第一印象就觉得二手车是很美好的事物，比新车便宜那么多，还有这么多选择，而且还不用等，当天刷卡当天开走，车商大哥大姐都好热情，多好啊！&img src=&/v2-032e524d0_b.jpg& data-rawwidth=&705& data-rawheight=&529& class=&origin_image zh-lightbox-thumb& width=&705& data-original=&/v2-032e524d0_r.jpg&&&/p&&p& （我当年的主战场，上海武宁路二手车市场）&/p&&br&&p&当时在上海的便利店有一本二手车导购杂志，是免费取阅的，名字我忘了，就是把上海的二手车车源信息罗列在上面的，我每个月都去取一本，白天逛市场，晚上翻杂志，虽然没有工作，但生活很充实。渐渐地，市场逛多了，车看多了，行情也烂熟于胸了，我前面写到的红色宝来，就是那个时期逛市场买下来的，好像也是自从那时起，4S店对我瞬间丧失吸引力，好几年再没去过了。后来最多也是去4S的二手车事业部买人家置换下来的车子。&/p&&br&&p&&b&【突如其来的工作】&/b&&/p&&p&我就这么度过了“失业”的3个月。平心而论，这几个月，我对汽车的直观认知提升，绝对是强于在德国做研发工作的。&/p&&br&&p&后来有一天，老东家的中国公司HR联系我，说他们要举办一个招聘会，缺一个助手，问我愿不愿意去帮忙，大致就是请我作为曾经在这家公司工作过的过来人，给来投简历的毕业生一些现身说法，应该比HR的角色更有说服力。我在家闲着也是闲着，就爽快地答应了。&/p&&br&&p&那天，好几家分公司的HR都在场，接收简历之余，大家就聊天打发时间。其中一家分公司的HR经理听说我还没找到工作，就说：“我们公司正好缺一名试车员，感兴趣不？”&/p&&br&&p&&b&“就是天天开车，写报告的那种工作么？”我问道。&/b&&/p&&br&&p&&b&“是的！”&/b&&/p&&br&&p&&b&“好啊，我干了！”&/b&&/p&&br&&p&我当场麻溜就答应了，待遇也没问，也没关心学历要求，也没关心公司在哪个区。一是自己当时闲着，二是遇到自己梦寐以求的工作，我根本没考虑待遇的事（就像今天不少想加入我们的诺粉一样，和我当年一样纯粹，这样反而更容易做出成绩，因为你清楚要什么）。&img src=&/v2-9b60ed2aedd4_b.jpg& data-rawwidth=&1268& data-rawheight=&845& class=&origin_image zh-lightbox-thumb& width=&1268& data-original=&/v2-9b60ed2aedd4_r.jpg&&&/p&&p& 后来知道公司远在青浦，的确好远，不过没事，重新找到了工作，我一下子变成了有用的人，很开心。不过说句实话，到岗后拿到的薪水只有我在德国做实习生收入的2/3，就更不好意思跟德国正式工程师的薪资比较了。&/p&&br&&p&和很多应届毕业生不一样的是，薪水倒是没怎么影响我的心情，毕竟是“过来人”了嘛，几年的工作经验，也让我知道了自己喜欢什么，要什么，如果我看中的是薪资，干嘛非得大老远来这家公司呢，离家近的公司应该也有。权当有人给我机会，满足我的兴趣，让我深入蹂躏各种汽车，还能按月发点零花钱，真好！&/p&&br&&p&阿Q心态嘛，人家是国企，薪酬制度比较死，所以收入由公司做主，心态和能力是我做主，两者本来是独立的，做成什么样取决于我的能力，不取决于我拿到的报酬，如果非得把状态跟工资挂钩，大家还能好好做事么？但是，后来我发现公司里很多老同事，并不这么认为，一些刚进公司的年轻人反倒比较理解。&/p&&br&&p&我入职后，公司的测试部工程师数量从1.5人增加到2.5人（原来有个同事是跨两个部门的）。我显然是部门里最Low最Fresh的那个，初来乍到，加上很多东西不懂，都得虚心请教前辈。&/p&&br&&p&记得我第一次接触的试验车是华晨的尊驰，试完后发现一个奇怪的异响，就去问部门里的“老法师”，“老法师”回答问题时，基本是一副爱理不理的态度，绕了个大圈也不正面回答，感觉此问题似乎很玄妙，我还嫩，需要多年修炼才可以自己领悟似的。整个请教过程，老法师几乎是“躺”在自己的办公椅上，眼睛盯着自己的电脑屏幕，我蹲在他身边。&/p&&br&&p&后来听几个年轻同事说起，他们看到我这样请教问题都替我感到不爽。其实，我需要的是知识和信息，对方用什么体位和态度跟我互动，其实并不重要，两者本身就是独立的嘛。&/p&&br&&p&抛开老法师傲慢的体位，他的回答并没带来什么有价值的信息。我后来找设计部的同事要来了产品图纸，下班带回家琢磨。当晚，我写出了一份有自己见地的分析报告，其中一部分结论还只是自己的推断，毕竟我还不熟悉自己公司的产品，只是看了一晚上的图纸罢了。&/p&&br&&p&第二天，我小心翼翼地把报告发给开发总监先过目，生怕我的推断在他看来很幼稚，没想到总监觉得这份报告很有干货，第一次从实车测试的角度，解答了一个让开发人员困惑已久的问题，于是这份报告草稿被整个研发部传阅。&/p&&br&&p&后来才知道，原来德国人也出过两份厚厚的“专业报告”，但对核心问题避而不谈，我的报告只有一页，上来就大胆指出原因，关键还是中文版。公司很多同事，也是因为这件事儿，注意到公司新来了一个试车员，叫诺诺。&/p&&br&&p&后来，我接触试验车的机会越来越多，也慢慢摸索出自己的试车套路。不久，就有开发部、市场部和车间里好几个喜欢车子的小伙子申请要调到我这里来，跟我一起琢磨车子。Waw~，老子的队伍即将壮大啊！&/p&&br&&p&&b&此处略去带领小弟们打拼的若干故事，以后有机会再详聊。&/b&&/p&&br&&p&总之，半年后我获得升迁，负责整个测试中心，队伍扩大到10个人，那个老法师也成为了我的下属。他开始对我们一帮年轻人折腾的东西也发生了兴趣，我也不忘经常教他一些新东西，其实人家本质也是喜欢学习的，只是以前经验多、理论少罢了。&/p&&br&&p&我每天的主要工作之一就是带着试车员们，跟披着黑白条纹伪装的保密试验车泡在一起。这些车子都是以数字和字母作为内部代号的，很多时候我们也不知道它上市后会叫什么名字。&/p&&br&&p&无一例外的是，这些车子都价值连城，因为很多零件都是单件定制出来的，比什么限量版、纪念版还贵。比如2011年给通用汽车测试的XX车型，当时全球就5台，每台价值30万美元，尽管这个车子上市后定价才十几万人民币；有的车子的悬架控制臂，是一大块铝锭在3D铣床上直接雕刻出来的，有的零件则是从100个手工零件中选了5个出来装车的，算上各种摊销，你说这些零件值多少钱？&/p&&br&&p&当然，它们还有一个共性，就是浑身都可能有问题，我们的第一任务就是尽快帮制造商找到这些问题以及根本原因，任何工作内容和车辆细节的泄露，都可能影响车企的商业利益，我们必须守口如瓶。&/p&&br&&p&工程师们通常善于理性地对待车子，不会像网上那样，动不动就大叫“&b&设计缺陷&/b&”啦，动不动就惊呼“&b&质量问题&/b&”什么的，更不会简单粗暴的就定论为“&b&通病&/b&”，这些归纳都得有全面严谨的调查数据作为支撑的，才知道故障占比到底够不够扣这些帽子，&b&不能张嘴乱说&/b&。因此对待车辆的故障和问题，我们的视角完全不同于汽车修理工。&img src=&/v2-d24c7fd00c630974dbb6ab7_b.jpg& data-rawwidth=&1268& data-rawheight=&714& class=&origin_image zh-lightbox-thumb& width=&1268& data-original=&/v2-d24c7fd00c630974dbb6ab7_r.jpg&&&/p&&p&比如车子出现抖动，我们会有一套几乎习惯性的手法，区分是车速诱导还是转速诱导，这样就可以把问题定位在变速箱之前还是之后。资深的测试工程师不但对汽车结构烂熟于胸，而且自身就是一台多功能精密传感器，可以把振动频率、加速度、声音来源探测得八九不离十。&br&&/p&&p&汽车工程师脑子里装着很多零件参数。只要看看发动机转速，我们就清楚发动机的每个部位当前的工作频率，通过问题频率就可以知道问题的大致来源。比如6缸发动机怠速时出现5~6Hz的敲击噪音，那么立刻怀疑某一缸工作出现异常，结听觉和触觉排查，就可以推断出问题存在于配气系统还是点火系统。我听说在维修领域诊断问题，一般是初浅定位后，通过挨个更换零件的方法来查找问题的，因为修理工并不懂得排查推理的逻辑和零件的真正工作原理。&img src=&/v2-a73edbde_b.jpg& data-rawwidth=&1268& data-rawheight=&714& class=&origin_image zh-lightbox-thumb& width=&1268& data-original=&/v2-a73edbde_r.jpg&&&/p&&p&有的问题，在4S店看来“正常”的，我们却知道它“不正常”，而且知道答案；当然，有些抱怨，我们一看便知是“无解”问题，也就是大家说的“娘胎问题”，结果维修站把各种零件换了个遍，才宣告投降，耗时又耗钱。&img src=&/v2-4fa375eeb6c83ccc89a5287a_b.jpg& data-rawwidth=&606& data-rawheight=&445& class=&origin_image zh-lightbox-thumb& width=&606& data-original=&/v2-4fa375eeb6c83ccc89a5287a_r.jpg&&&/p&&p&当然，我们也得经常依靠仪器来工作。仪器比人更灵敏，而且更客观。问题有多糟糕，改进是否有效，通过仪器的测试数据就可以准确表达和传递了。顺便说一下，德国人有很多NB的测试设备，有一定的德语基础，可以帮助你在试车员队伍中脱颖而出的。&/p&&p&我刚回到国内的分公司工作时，发现有一台花60多万买来的德国设备被束之高阁，因为500多页的说明书全是外文，公司里无人会用，每次都是请德国专家飞过来使用。我花了两个星期研究透了说明书，成为公司里第一个会用这个设备的人，从此再也不用请德国人来了。&/p&&br&&p&后来我闲着蛋痛，就把设备的很多硬件拆开研究，很快自己就可以设计出可以兼容使用的前置处理器，性价比远高于德国处理器，还寄了两个给德国总部体验，刷他们的三观！&img src=&/v2-17eb35750fffbcb8b44d04fa76684a33_b.jpg& data-rawwidth=&1269& data-rawheight=&952& class=&origin_image zh-lightbox-thumb& width=&1269& data-original=&/v2-17eb35750fffbcb8b44d04fa76684a33_r.jpg&&&/p&&p& （我把一个十几kg的德国设备，主机copy到一盒避孕套那么大，试车员带着出门很轻松）&/p&&br&&p&总之，这几年来，主要工作就是带着一帮试车员玩车，玩设备。现在回忆起来，真有点怀念当时吃穿不愁的时光，一边玩各种想玩的，一边还得考虑每年800多万的研发经费怎么个花法。&img src=&/v2-13f123f26ee14806de0bedfebf988769_b.jpg& data-rawwidth=&1269& data-rawheight=&952& class=&origin_image zh-lightbox-thumb& width=&1269& data-original=&/v2-13f123f26ee14806de0bedfebf988769_r.jpg&&&/p&&p&（玩过这个军本，才发现原来这么有趣，每个小弟整一个玩！）&img src=&/v2-c8a46e910d0fc_b.jpg& data-rawwidth=&985& data-rawheight=&554& class=&origin_image zh-lightbox-thumb& width=&985& data-original=&/v2-c8a46e910d0fc_r.jpg&&这件事情渐渐地在网上传了起来，引起了不少车友的关注，直到2012年，第一位素不相识的车友找我淘车，拉开了诺诺为网络车友淘车的序幕。&/p&&p&【喜欢请点赞】~~~我再想想，下次聊点啥…… &/p&
【写在前面】有几个来我们这参加淘车培训的学员问我，为什么这么喜欢车，是不是因为我的工作就是以车为伴？谁是因，谁是果，的确两三句话说不清楚。我因为对车的兴趣而选择了当汽车工程师，这份工作回过头来也大大助长了我对车的热爱。 在继续聊怎么给车友…
&img src=&/v2-f0f6ece3a5f0f_b.jpg& data-rawwidth=&640& data-rawheight=&388& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-f0f6ece3a5f0f_r.jpg&&&p&用户画像是一个挺新颖的词，最初它是大数据行业言必及之的时髦概念。现在我们谈及用户画像，它也是和精准营销、精细化运营直接钩挂的。这篇文章主要讲产品运营角度的用户画像。&/p&&p&希望看完后，解决你一切关于用户画像的疑问。&/p&&p&&br&&/p&&h2&&b&什么是用户画像&/b&&/h2&&p&用户画像一点也不神秘，它是根据用户在互联网留下的种种数据，主动或被动地收集，最后加工成一系列的标签。比如猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？ &/p&&p&&br&&/p&&img src=&/v2-246f40f7f98b3e5b04ece0_b.png& data-rawwidth=&1024& data-rawheight=&722& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&/v2-246f40f7f98b3e5b04ece0_r.png&&&p&&br&&/p&&p&我们常把用户标签和用户画像对等。但凡用户画像的文章，类似上文图片都会出现，有用烂的趋势。标签化是最直观的解释，但它不等于用户画像。&/p&&p&用户画像的正式名称是User Profile，大家往往把它和User Persona混淆，后者更恰当的名字是用户角色。是产品设计和用户调研的一种方式方法。当我们讨论产品、需求、场景、用户体验的时候，往往需要将焦点聚集在某类人群上，用户角色便是一种抽象的方法，是目标用户的集合。&/p&&p&用户角色不指代具体的谁。「她是一位25岁的白领，211大学毕业，现在从事于互联网行业的设计工作，居住在北京。单身，平时喜爱摇滚乐」，这段话语，常用来描述产品的典型用户。&/p&&p&本文谈的User Profile，更多是运营和数据息息相关的平台级应用，本质是对任何一个用户都能用标签和数据描述。&/p&&p&&br&&/p&&h2&&b&用户画像的应用&/b&&/h2&&p&它在企业迈大迈强的过程中有举足轻重的作用。以下是主要的应用。&/p&&p&精准营销：这是运营最熟悉的玩法，从粗放式到精细化，将用户群体切割成更细的粒度，辅以短信、推送、邮件、活动等手段，驱以关怀、挽回、激励等策略。&/p&&p&数据应用：用户画像是很多数据产品的基础，诸如耳熟能详的推荐系统广告系统。操作过各大广告投放系统的同学想必都清楚，广告投放基于一系列人口统计相关的标签，性别、年龄、学历、兴趣偏好、手机等等。&/p&&p&用户分析：虽然和Persona不一样，用户画像也是了解用户的必要补充。产品早期，PM们通过用户调研和访谈的形式了解用户。在产品用户量扩大后，调研的效用降低，这时候会辅以用户画像配合研究。新增的用户有什么特征，核心用户的属性是否变化等等。&/p&&p&数据分析：这个就不用多提了，用户画像可以理解为业务层面的数据仓库，各类标签是多维分析的天然要素。数据查询平台会和这些数据打通。&/p&&p&对大部分产品，用户画像用不到推荐系统，个性化推荐也提高不了几个利润，毕竟它需要大量的用户和数据作支撑。所以这些产品，更适合以用户画像为基础去驱动业务。&/p&&p&提了那么多好处，但是据我了解，不少公司，花了一大笔钱招了不少人建设用户画像系统，结果用不起来。或者做了一份用户画像的报告，性别用户地理位置用户消费金额，看上去挺高大上的，看完也就看完了。&/p&&p&归根结底，难以用好。&/p&&p&很多用户画像初衷是好的，但是沦为了形式主义。&/p&&p&举身边的例子，朋友在公司建立用户画像划分了百来个维度。用户消费、属性、行为无所不包。本来这不错啊，但是上线后运营看着这个干瞪眼。&/p&&p&问题包含但不限于，用户有那么多维度，怎么合理地选择标签？我想定义用户的层级，VIP用户应该累积消费金额超过多少？是在什么时间窗口内？为什么选择这几个标准？后续应该怎么维护和监控？业务发生变化了这个标签要不要改？&/p&&p&设立好标签，怎么验证用户画像的有效性？我怎么知道这套系统成功了呢？效果不佳怎么办？它有没有更多的应用场景？&/p&&p&策略的执行也是一个纠结的问题。从岗位的执行看，运营背负着KPI。当月底KPI完不成时，你觉得他们更喜欢选择全量运营，还是精细化呢?&/p&&p&我想不少公司都存在这样类似情况：使用过用户画像一段时间后，发现也就那么一回事，也就渐渐不再使用。&/p&&p&这是用户画像在业务层面遇到老大难的问题。虽然企业自称建立用户画像，应用还是挺粗糙的。 &/p&&p&&br&&/p&&h2&&b&怎样深入理解用户画像&/b&&/h2&&p&画虎不全反类汪，想要用好它，首先得深入理解用户画像。&/p&&p&现在运营按用户生命周期设立了几个标签，比如新用户、活跃用户、流失用户，这些标签当然够细分。但它真的是一个好标签么？不是。&/p&&p&因为这些都是滞后性的。按流失用户的一般定义，往往是用户很长一段时间没有回应和行动，但是都几个月没有响应了，哪怕知道是流失用户也于事无补。它有价值，但太滞后。&/p&&p&聪明的运营会设立一个新的标签，最近一次活跃距今天数，用户有六个月没有活跃，那么天数就是180天。这个比单纯的流失用户标签好，能凭此划分不同的距今天数，设立30天，90天，180天的时间节点。&/p&&p&距今天数也不是最好的。用户有差异，同样两个用户A和B，哪怕不活跃天数相同，我也不能认为它们的流失可能性相等。该问题在低频场景更凸显，旅游APP，半年没有活跃也是正常的，此时距今天数力有未逮。&/p&&p&回过头看流失用户，我们定义它，不是为了设立一个高大上的系统。任何企业，肯定一开始就希望流失用户越少越好，其次才是如何挽回。这种业务前提下，预防性的减少流失用户比已经流失的标签更重要。&/p&&p&所以最好的标签的标签是用户流失概率，流失概率&距今消费天数&流失标签。&/p&&p&不要想当然的归纳一个齐全完备的体系，却忽略了画像的核心价值。用户画像首先得是商业目的下的用户标签集合。&/p&&p&猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？探讨这些是没有意义的。是男是女如何影响消费决策，工资多少影响消费能力，有没有谈恋爱会否带来新的营销场景，剁手购物怎么精准推荐，这些才是用户画像背后的逻辑。&/p&&p&不是我有了用户画像，便能驱动和提高业务。而是为了驱动和提高业务，才需要用户画像。这是很容易犯的错误。&/p&&p&用户画像的标签一般通过两种形式获得，基于已有数据或者一定规则加工，流失标签和距今天数皆是。另外一种是基于已有的数据计算概率模型，会用到机器学习和数据挖掘。&/p&&p&概率是介于0~1之间的数值。拿性别举例，除非能直接获取用户的身份证信息，用户很少会填写性别，填写的性别也不一定准确，网游中性别为女的扣脚大汉一抓一大把呢。&/p&&p&这里就要增加一层推断用户真实性别的算法。中国人的性别和名字是强相关，建国建军，翠花翠兰，很容易判断。算法中常用贝叶斯，通过已有的姓名性别库预测新加入的用户性别。&/p&&p&特殊情况下，不少姓名是中性，男女不辩。像晓晶，可男可女。更特殊的情况，看上去是男性的名字，也有可能是女性，我的初中老师就叫建军，然而是个和蔼可亲的小姐姐。&/p&&p&特殊情况意味着特殊的概率，所以不能用非此即彼的二分法。所谓概率，它更习惯告诉你，通过模型推断，建军有95％的可能是男性姓名，表示为0.95；晓晶有55％的可能是男性，表示为0.55。&/p&&p&虽然为了方便，模型会设立阈值，将50％以上的概率默认为男性，以下默认为女性。但业务部门的同学要清楚，用户标签的本质往往是0～1之间的概率。&/p&&p&概率型的标签很难验证。某位用户被标上学生标签，要么真的哄他上传学籍证明，否则很难知道他是不是真的学生。这种黑箱情况下，针对学生用户进行营销活动，效果好与不好，都受标签准确率的影响。广告、推荐、精准营销都会遇到这个问题。&/p&&p&概率肯定有多有少。90%流失概率的用户，和30%流失概率的用户，虽然是模型建立出的预测值，非真实，我们还是会认为前者更有离开的可能性，凭此设立运营策略。&/p&&p&这带来一个新的问题，如何选择概率的阈值？&/p&&p&我们想要挽回流失用户，选择80%以上概率的人群，还是60%呢？答案已经说过了，要考虑业务，挽回流失用户是手段不是目的，实际目的是通过挽回流失用户提高利润，那么阈值的选择迎刃而解。计算不同阈值下，挽回用户的收入和成本，选择最优解。&/p&&p&推而广之，推荐系统也好，广告系统也罢，它们有更复杂的维度、标签、特征，本质也是找出用户最近想不想买车，用户最近想不想旅游。把最合适的信息在最恰当时机推给用户，获取最大的利益。&/p&&p&我列举的案例，是简化过的。像姓名，在电商和消费行业，除了生理上的性别，还会建立消费模型上的性别标签，有些人虽然是男性，但购物行为是女性，这是要区分的。&/p&&p&看到这里别怕，想要建好用户画像，说简单不简单，说难也不难。&/p&&p&&br&&/p&&h2&&b&如何建立正确的用户画像&/b&&/h2&&p&用户画像首先是基于业务模型的。业务部门连业务模型都没有想好，数据部门只能巧妇难为无米之炊。数据部门也别关门造车，这和做产品一样，连用户需求都没有理解透彻，匆匆忙忙上线一个APP，结果无人问津。&/p&&p&理解消费者的决策，考虑业务场景，考虑业务形态，考虑业务部门的需求…这些概念说得很虚，但是一个好的用户画像离不开它们。本文没有说数据、模型和算法，是我认为，它们比技术层面更重要。&/p&&p&我们从一个故事开始设立用户画像吧。&/p&&p&老王是一家互联网创业公司的核心人员，产品主营绿色健康沙拉，老王和绿色比较搭嘛。这家公司推出了APP专卖各式各样的沙拉，现在需要建立用户画像指导运营。&/p&&p&公司现阶段在业务层面，更关注营销和销售：如何将沙拉卖得更好。下图是老王简单梳理的运营流程。&/p&&p&&br&&/p&&img src=&/v2-732a598e5cee137b1befa_b.png& data-rawwidth=&1010& data-rawheight=&336& class=&origin_image zh-lightbox-thumb& width=&1010& data-original=&/v2-732a598e5cee137b1befa_r.png&&&p&&br&&/p&&p&老王将顾客按是否购买过沙拉，划分成潜在用户和新客。潜在用户是注册过APP但还没有下单，新客是只购买过一次沙拉的用户，除此以外还有老客，即消费了两次及以上的人群。&/p&&p&&br&&/p&&img src=&/v2-5c233e785a7e8c097c36_b.png& data-rawwidth=&878& data-rawheight=&276& class=&origin_image zh-lightbox-thumb& width=&878& data-original=&/v2-5c233e785a7e8c097c36_r.png&&&p&&br&&/p&&p&为了便于大家理解，我用JSON格式表示一个简易的用户画像。&/p&&p&为什么独立出新客标签？因为老王的沙拉针对未消费用户会有新人红包引导消费，万事开头难。这也带来新客一次后不再消费的问题，所以需要潜在、新客、老客的划分。&/p&&p&作为一个有追求的运营人员，划分老客也是不够，这里继续用户分层。&/p&&p&传统的分层用RFM三个维度衡量，沙拉的客单价比较固定，F和M取一个就够用了。老王现在计算不同消费档次的用户留存度差异，譬如某时间段内消费达XX元的用户,在未来时间段是否依旧消费。&/p&&p&沙拉这类餐饮是高频消费，XX应该选择一个较窄的时间窗口，统计365天内的消费意义不大。还有一点需要注意的是，沙拉不同季节的销量是有差异的，冬天沙拉肯定卖的不如夏天，要综合考虑消费分布。&/p&&p&这里姑且定义，30天内消费200元以上为VIP用户。老王的生意如果特别好，也可以继续划分超级VIP。这种标签往往配合业务，譬如VIP有赠送饮料，优先配送的权益。非VIP人群，也需要激励往VIP发展。&/p&&p&画像的人口统计属性，老王靠用户填写订单上的收货人姓名搞定。籍贯年龄这几个，对沙拉生意没有特别大的帮助，难道为四川籍用户提高麻辣沙拉？&/p&&p&用户地址，可以通过收货地设立规则判断，比如某个地址出现X次，可以将其认为常用地地址。再依据送货地在写字楼还是学校，推算用户是白领还是学生。&/p&&p&老王针对不同属性的人群，采取了特殊的运营策略。像学生群体，因为7,8月份是暑假，所以老王提前预估到校园地区的销售额下降。当9月开学季，又能对返校学生进行召回。&/p&&p&白领相关的群体，更关注消费体验，对价格敏感是次要的。如果平台女用户的消费占比高，老王就主打减肥功能的沙拉，并且以包月套餐的形式提高销量。&/p&&p&&br&&/p&&img src=&/v2-d4f36b197a7dfb_b.png& data-rawwidth=&1046& data-rawheight=&966& class=&origin_image zh-lightbox-thumb& width=&1046& data-original=&/v2-d4f36b197a7dfb_r.png&&&p&&br&&/p&&p&以一家沙拉店来看，老王的用户画像已经不错了，但他还是焦头烂额，因为用户流失率开始上升。用户流失有各种各样的原因：对手老李沙拉的竞争、沙拉的口味、用户觉得性价比不高、老王不够帅等。 &/p&&p&流失是一个老大难的预测问题。老王对流失用户的定义是30天没有消费。想要准确预测，这里得尝试用机器学习建模，技术方面先这里略过。所谓建模，最好要找到用户开始不消费的时间点之前的关键因素，可是是行为，可以是属性。&/p&&p&用户历史窗口内消费金额少，有可能流失；用户历史窗口内消费频次低，有可能流失；用户历史窗口内打开APP次数少，有可能流失；用户给过差评，有可能流失；用户等餐时间长，有可能流失；用户的性别差异，有可能流失；餐饮的季度因素，有可能流失…&/p&&p&老王依据业务，挑选了可能影响业务的特征，提交给数据组尝试预测流失。需要注意的是，这些用户行为不能反应真实的情况。大家不妨想一下，流失用户的行为，是不是一个动态的变化过程？&/p&&p&我曾经消费过很多次，但是突然吃腻了，于是减少消费次数，再之后不怎么消费，最终流失。单位时间段内的消费忠诚度是梯度下降的，为了更好的描述变化过程，将时间窗口细分成多个等距段。前30~20天、前20~10天、前10天内，这种切分比前30天内可以更好地表达下降趋势，也更好的预测流失。&/p&&p&从老王的思路看，所谓流失，可以通过用户行为的细节预判。机器学习的建模虽然依赖统计手段，也离不开业务洞察。这里再次证明，用户画像建立在业务模型上。&/p&&p&流失概率解决了老王的心头之患，通过提前发现降低流失用户。挽回流失推行一段时间后，老王发现虽然流失用户减少了，但是成本提高了，因为挽回用户也是要花钱的呀。亏本可不行，老王心头又生一计，他只挽回有价值的，那种拿了红包才消费的用户老王他不要了！老王要的是真爱粉。于是他配合消费档次区别对待，虽然流失用户的数量没有控制好，但是利润提高了。&/p&&p&上述的用户画像，没有一个标签脱离于业务之外。基于业务场景，我们还能想象很多用户画像的玩法。沙拉有不同的口味，蔬果鸡肉海鲜。用户的口味偏好，可以用矩阵分解、模糊聚类或者多分类的问题计算，也以0～1之间的数字表示喜好程度，相似的，还有价格偏好，即价格敏感度。&/p&&p&&br&&/p&&img src=&/v2-8af796d0d89b431ccd7b8fe_b.png& data-rawwidth=&1066& data-rawheight=&936& class=&origin_image zh-lightbox-thumb& width=&1066& data-original=&/v2-8af796d0d89b431ccd7b8fe_r.png&&&p&&br&&/p&&p&再深入想一下业务场景，如果某个办公地点，每天都有五六笔的订单，分属不同的客户不同的时间段，外卖小哥得送个五六次，对人力成本是多大的浪费呀。运营可以在后台分析相关的数据，以团购或拼单的形式，促成订单合并，或许销售额的利润会下降，但是外卖的人力成本也节约了。这也是用画像作为数据分析的依据。&/p&&p&老王的运营故事说完了，现在对用户画像的建立有一套想法了吧。&/p&&p&&/p&&h2&&b&用户画像的架构&/b&&/h2&&p&不同业务的画像标签体系并不一致，这需要数据和运营目的性的提炼。&/p&&p&用户画像一般按业务属性划分多个类别模块。除了常见的人口统计，社会属性外。还有用户消费画像，用户行为画像，用户兴趣画像等。具体的画像得看产品形态，像金融领域，还会有风险画像，包括征信、违约、洗钱、还款能力、保险黑名单等。电商领域会有商品的类目偏好、品类偏好、品牌偏好，不一而足。 &/p&&p&&br&&/p&&img src=&/v2-0c2daaff10b537c993af8f_b.png& data-rawwidth=&736& data-rawheight=&516& class=&origin_image zh-lightbox-thumb& width=&736& data-original=&/v2-0c2daaff10b537c993af8f_r.png&&&p&&br&&/p&&p&上图是随手画的的例子，画一个架构不难，难得是了解每个标签背后的业务逻辑和落地方式，至于算法，又能单独扯很多文章了。&/p&&p&从数据流向和加工看，用户画像包含上下级递进关系。&/p&&p&以上文的流失系数举例，它通过建模，其依赖于用户早期的历史行为。而用户早期的历史行为，即10天内的消费金额、消费次数、登录次数等，本身也是一个标签，它们是通过原始的明细数据获得。&/p&&p&&br&&/p&&img src=&/v2-73e15400ebaeeee37f27baf_b.png& data-rawwidth=&1056& data-rawheight=&780& class=&origin_image zh-lightbox-thumb& width=&1056& data-original=&/v2-73e15400ebaeeee37f27baf_r.png&&&p&&br&&/p&&p&上图列举了标签加工和计算的过程，很好理解。最上层的策略标签，是针对业务的落地，运营人员通过多个标签的组合形成一个用户群组，方便执行。&/p&&p&公司越大，用户画像越复杂。某家主打内容分发的公司进入了全新的视频领域，现在有两款APP，