大数据相关工作岗位很多，有大数据分析师、大数据挖掘算法工程师、大数据研发工程师、数据产品经理、大数据可视化工程师、大数据爬虫工程师、大数据运营专员、大数据架构师、大数据专家、大数据总监、大数据研究员、大数据科学家等等。
数据分析师：
工作内容：
a临时取数分析，比如双11大促活动分析；产品的流量转化情况、产品流程优化分析，等等；
b报表需求分析--比如企业常见的日报、周报、月报、季报、年报、产品报表、流量转化报表、经营分析报表、KPI报表等等；
c业务专题分析：
精准营销分析（用户画像分析、营销对象分析、营销策略分析、营销效果分析）；
风控分析（策略分析，反欺诈分析，信用状况分析）；
市场研究分析（行业分析、竞品分析、市场分析、价格分析、渠道分析、决策分析等等）；
工具和技能：
工具： R、Python、SAS、SPSS、Spark、X-Mind、Excel、PPT
技能：需掌握SQL数据库、概率统计、常用的算法模型（分类、聚类、关联、预测等，每一类模型的一两种最典型的算法）、分析报告的撰写、商业的敏感性等等；
数据挖掘工程师：
工作内容：
a用户基础研究：用户生命周期刻画（进入、成长、成熟、衰退、流失）、用户细分模型、用户价值模型、用户活跃度模型、用户意愿度识别模型、用户偏好识别模型、用户流失预警模型、用户激活模型等
b个性化推荐算法：基于协同过滤（USERBASE/ITEMBASE）的推荐，基于内容推荐，基于关联规则Apriot算法推荐，基于热门地区、季节、商品、人群的推荐等
c风控模型：恶意注册模型、异地识别模型、欺诈识别模型、高危会员模型、
电商领域（炒信模型、刷单模型、职业差评师模型、虚假发货模型、反欺诈模型）
金融领域（欺诈评分模型、征信评分模型、催收模型、虚假账单识别模型等）
d产品知识库：产品聚类分类模型、产品质量评分模型、违禁品识别模型、假货识别模型等
e文本挖掘、语义识别、图像识别，等等
工具和技能：
工具： R、Python、SAS、SPSS、Spark、Mlib等等
技能：需掌握SQL数据库、概率统计、机器学习算法原理（分类、聚类、关联、预测、神经网络等）、模型评估、模型部署、模型监控；
数据产品经理：
工作内容：
a大数据平台建设，让获取数据、用数据变得轻而易举；构建完善的指标体系，实现对业务的全流程监控、提高决策效率、降低运营成本、提升营收水平；
b数据需求分析，形成数据产品，对内提升效率、控制成本，对外增加创收，最终实现数据价值变现；
c典型的大数据产品：大数据分析平台、个性化推荐系统、精准营销系统、广告系统、征信评分系统（如芝麻评分）、会员数据服务系统（如数据纵横），等等；
工具和技能：
工具： 除了掌握数据分析工具，还需要掌握 像 原型设计工具Auxe、画结构流程的X-Mind、visio、Excel、PPT等
技能：需掌握SQL数据库、产品设计，同时，熟悉常用的数据产品框架
数据研发工程师：
工作内容：
a大数据采集、日志爬虫、数据上报等数据获取工作
b大数据清洗、转换、计算、存储、展现等工作
c大数据应用开发、可视化开发、报表开发等
工具和技能：
工具：hadoop、hbase、hive、kafaka、sqoop、java、python等
技能：需掌握数据库、日志采集方法、分布式计算、实时计算等技术
统计和可视化要想建立一个好的预言模型，你必须了解自己的数据。最基本的方法是计算各种统计变量（平均值、方差等）和察看数据的分布情况。你也可以用数据透视表察看多维数据。数据的种类可分为连续的，有一个用数字表示的值（比如销售量）或离散的，分成一个个的类别（如红、绿、蓝）。离散数据可以进一步分为可排序的，数据间可以比较大小（如，高、中、低）和标称的，不可排序（如邮政编码）。图形和可视化工具在数据准备阶段尤其重要，它能让你快速直观的分析数据，而不是给你枯燥乏味的文本和数字。它不仅让你看到整个森林，还允许你拉近每一棵树来察看细节。在图形模式下人们很容易找到数据中可能存在的模式、关系、异常等，直接看数字则很难。可视化工具的问题是模型可能有很多维或变量，但是我们只能在2维的屏幕或纸上展示它。比如，我们可能要看的是信用风险与年龄、性别、婚姻状况、参加工作时间的关系。因此，可视化工具必须用比较巧妙的方法在两维空间内展示n维空间的数据。虽然目前有了一些这样的工具，但它们都要用户“训练”过他们的眼睛后才能理解图中画的到底是什么东西。对于眼睛有色盲或空间感不强的人，在使用这些工具时可能会遇到困难。聚集（分群）聚集是把整个数据库分成不同的群组。它的目的是要群与群之间差别很明显，而同一个群之间的数据尽量相似。与分类不同（见后面的预测型数据挖掘），在开始聚集之前你不知道要把数据分成几组，也不知道怎么分（依照哪几个变量）。因此在聚集之后要有一个对业务很熟悉的人来解释这样分群的意义。很多情况下一次聚集你得到的分群对你的业务来说可能并不好，这时你需要删除或增加变量以影响分群的方式，经过几次反复之后才能最终得到一个理想的结果。神经元网络和K-均值是比较常用的聚集算法。不要把聚集与分类混淆起来。在分类之前，你已经知道要把数据分成哪几类，每个类的性质是什么，聚集则恰恰相反。关联分析关联分析是寻找数据库中值的相关性。两种常用的技术是关联规则和序列模式。关联规则是寻找在同一个事件中出现的不同项的相关性，比如在一次购买活动中所买不同商品的相关性。序列模式与此类似，他寻找的是事件之间时间上的相关性，如对股票涨跌的分析。关联规则可记为A==>B，A称为前提和左部（LHS），B称为后续或右部（RHS）。如关联规则“买锤子的人也会买钉子”，左部是“买锤子”，右部是“买钉子”。要计算包含某个特定项或几个项的事务在数据库中出现的概率只要在数据库中直接统计即可。某一特定关联（“锤子和钉子”）在数据库中出现的频率称为支持度。比如在总共1000个事务中有15个事务同时包含了“锤子和钉子”，则此关联的支持度为15%。非常低的支持度（比如1百万个事务中只有一个）可能意味着此关联不是很重要，或出现了错误数据（如，“男性和怀孕”）。要找到有意义的规则，我们还要考察规则中项及其组合出现的相对频率。当已有A时，B发生的概率是多少？也即概率论中的条件概率。回到我们的例子，也就是问“当一个人已经买了锤子，那他有多大的可能也会买钉子？”这个条件概率在数据挖掘中也称为可信度，计算方法是求百分比：（A与B同时出现的频率）/（A出现的频率）。让我们用一个例子更详细的解释这些概念： 总交易笔数（事务数）：1,000包含“锤子”：50包含“钉子”：80包含“钳子”：20包含“锤子”和“钉子”：15包含“钳子”和“钉子”：10包含“锤子”和“钳子”：10包含“锤子”、“钳子”和“钉子”：5 则可以计算出： “锤子和钉子”的支持度=15%（15/1,000）“锤子、钉子和钳子”的支持度=05%（5/1,000）“锤子==>钉子”的可信度=30%（15/50）“钉子==>锤子”的可信度=19%（15/80）“锤子和钉子==>钳子”的可信度=33%（5/15）“钳子==>锤子和钉子”的可信度=25%（5/20）
您好，华为Mate 50 Pro是使用深度学习算法进行目标选择的。该算法基于神经网络，通过对大量数据进行训练，可以自动识别和定位图像中的目标物体。在拍摄时，Mate 50 Pro的摄像头会捕捉到场景中的各种元素，并将其转换为数字信号。然后，这些数字信号会被送到深度学习算法中进行处理，以识别和定位目标物体。通过这种方式，Mate 50 Pro可以快速准确地捕捉到用户想要拍摄的目标，并实现自动对焦和曝光控制，从而提高拍摄效果和用户体验。此外，Mate 50 Pro还配备了高性能的芯片和优秀的摄像头，使得其在拍摄质量和处理速度方面都具备很高的水平，成为了一款备受用户喜爱的智能手机。
第一步：统计概率理论基础
这是重中之重，千里之台，起于垒土，最重要的就是最下面的那几层。统计思维，统计方法，这里首先是市场调研数据的获取与整理，然后是最简单的描述性分析，其次是常用的推断性分析，方差分析，到高级的相关，回归等多元统计分析，掌握了这些原理，才能进行下一步。
第二步：软件 *** 作结合分析模型进行实际运用
关于数据分析主流软件有（从上手度从易到难）：Excel，SPSS，Stata，R，SAS等。首先是学会怎样 *** 作这些软件，然后是利用软件从数据的清洗开始一步步进行处理，分析，最后输出结果，检验及解读数据。
第三步：数据挖掘或者数据分析方向性选择
其实数据分析也包含数据挖掘，但在工作中做到后面会细分到分析方向和挖掘方向，两者已有区别，关于数据挖掘也涉及到许多模型算法，如：关联法则、神经网络、决策树、遗传算法、可视技术等。
第四步：数据分析业务应用
这一步也是最难学习的一步，行业有别，业务不同，业务的不同所运用的分析方法亦有区分，实际工作是解决业务问题，因此对业务的洞察能力非常重要，而这个能力是需要在工作之中一点一滴的积累，也许目前是做零售，会用到一些相关回归方法，但转行做电商，又会用到其他的挖掘等方法。业务虽千变万化，但是分析方法却万变不离其宗，所以掌握好技术用到任何一个环境靠的只有是业务经验的积累。
当然考个CDA的数据分析师证就更好啦
问题一：淘宝数据挖掘 完全不可以的 要是这样的 话淘宝整天垃圾短信或者旺旺消息满天飞 这样淘宝也不能能透露客户的私人信息给你的
问题二：电子商务中常用的数据挖掘数据源有哪些 一、 流量1、 搜索流量 工具：搜索诊断助手
A―基础条件：不违规，可在“卖家工作台”-“搜索诊断助手”-“宝贝诊断里”检查。
B―相关性：类目属性相关性、标题关键字相关性。C―人气分：是否橱窗推荐、是否加入消保、DSR评分、支付宝使用率、旺旺效应速度、拍货与发货的时差。
D―：很多卖家在优化主搜流量时，经常会忽略的优化，然而点击率的差距，直接影响了最后的搜索流量。买家不是直接搜索进来的，而是被吸引进来的，优化就显得非常重要。建议可以用直通车来测试(方法下文会介绍到)。
E―价格与销量：销量相当的产品，价格高的有更多展示的机会;价格相同的产品，销量高的有更多展示机会。而检查该项指标主要检查自己与直接竞争对手的差距，尤其是7天销量的差距，以做调整。
F―标题优化：在销量相对低的时候多使用长尾词，销量高的时候多使用泛词、中心词，并反复测试，得出搜索流量 搜索转化率的最大值。
2、 付费流量工具：各付费工具的数据报表、店查查。
―淘客：淘客诊断只要看自己与竞争对手的销量和佣金有何差距即可。
二、 转化1、 转化率 工具：店查查
A― 内页：首先看销量，其次看评价质量，再来看单品转化率、页面停留时间和询单率。如果连基础销量都没有，评价很差，转化率是不可能好的。两个先决条件解决了，再看单品转化率、页面停留时间和询单率是否不低于行业均值(或店内卖的好的宝贝)。若低于，则一一优化USP卖点、逻辑顺序(是否都做到围绕USP)、展现内容多样化、展现方式。
B―访问深度：由于80%的顾客入店都是从内页进来，所以主要优化内页可导流的位置，分别为店招、宝贝页关联、宝贝页侧边栏、店尾进行优化。再优化首页。
C―支付率：是否做到了80%以上。
D―营销活动：定期举办营销活动可提升转化率。
E―客服询单转化率：是否至少做到了行业均值。查看工具：如店查查等第三方工具。优化方法：顾客的每一个问题都建立标准答案。2、 DSR工具：淘宝DSR评分计算器。优化办法：a、淘宝原有服务的升级(7天无理由升级为30天、3天发货升级为24小时发货等);b、淘宝未有服务的创新(围绕客户与商家接触点的创新，如SNS、游戏)。3、 CRM CRM主要查看老客户占比、老客户转化率、二次购买率、客户分组短彩邮的ROI。工具：卖家工作台-会员关系管理、数云、客道等第三方软件。优化的办法：建立老客户分组，根据分组创建老客户的不同特权。越高级的客户拥有越高级的特权。
问题三：数据挖掘为何工资高 现在是大数据时代，需要挖掘数据与数据之间的关系，从而得出一些规律。比如你网购的时候，淘宝通过挖掘技术，发现你的行为喜好，在你只要浏览淘宝相关网页时，就会给你推出你喜欢的物品。
问题四：大数据 和 数据挖掘 的区别 数据挖掘需要人工智能、数据库、机器语言和统计分析知识等很多跨学科的知识。再者，数据挖掘的出现需要条件，第一个条件：海量的数据；第二个条件：计算机技术大数据量的处理能力；第三个条件：计算机的存储与运算能力；第四个条件：交叉学科的发展。
大数据只是数据挖掘的出贰的一个条件。
问题五：数据挖掘工程师一般都做什么？ 职位职责：
1、根据自己对行业，以及公司业务的了解，独自承担复杂分析任务，并形成分析报告；
2、相关分析方向包括：用户行为分析、广告点击分析，业务逻辑相关以及竞争环境相关；
3、根据业务逻辑变化，设计相应分析模型并支持业务分析工作开展。
岗位要求：
1、2年以上行业建模的经验；
2、本科以上，数学，统计，计算机，物理等相关专业毕业；
3、精通统础学，数据挖掘技术，尤其是回归模型、决策树模型。
4、精通SPSS Clementine/SAS EM等各类型数据分析工具，能制作专业分析报告；
5、有金融、通信或互联网某一行业实际数据挖掘项目经验，并对此行业业务有深刻认识；
6、对互联网领域有热情，较强的学习及人际技巧、影响说服能力，喜欢有挑战的工作。
问题六：大数据和数据挖掘哪个更有发展前途 大数据是包含数据挖掘的，数据挖掘是大数据分支中的一项，也是基础，学习BI方向的话，数据挖掘是基础，两者是息息相关的，数据挖掘的概念出来的比较早，啤酒和尿布的典故你应该知道，早期数据仓库建模就已经用到了数据挖掘，而大数据是这几年比较火的，趋势很好，以后都是大数据时代了，目前很多大型企业都在做大数据（如解决方案供应商：IBM、ORACLE、SAP、EMC、华为等等；自研：淘宝、腾讯等等；甲方：移动、电信等等）择业前景还是很好的，大数据内容很丰富，有hadoop、流处理、分布式、NAS/SAN等等，对你以后的发展帮助还是比较大的。我的建议是大数据。望采纳。
问题七：如何利用挖掘大数据对应电子商务 数据挖掘能发现电子商务客户的的共性和个性的知识、必然和偶然的知识、独立和关联的知识、现实和预测的知识等，所有这些知识经过分析，能对客户的消费行为如心理、能力、动机、需求、潜能等做出统计和正确地分析，为管理者提供决策依据。具体应用如下：
1分类与预测方法在电子商务中的应用
在电子商务活动中，分类是一项非常重要的任务，也是应用最多的技术。分类的目的是构造一个分类函数或分类模型，通常称作分类器。分类器的构造方法通常由统计方法、机器学习方法、神经网络方法等。这些方法能把数据库中的数据映射到给定类别中某一个，以便用于预测，也就是利用历史数据记录，自动推导出给定数据的推广描述，从而对未来数据进行预测。
2聚类方法在电子商务中的应用
聚类是把一组个体按照相似性原则归成若干类别。对电子商务来说，客户聚类可以对市场细分理论提供有力的支持。市场细分的目的是使得属于同一类别的个体之间的距离尽可能小，而不同类别的个体之间的距离尽可能大，通过对聚类的客户特征的提取，电子商务网站可以为客户提供个性化的服务。
3数据抽取方法在电子商务中的应用
数据抽取的目的是对数据进行浓缩，给出它的紧凑描述，如求和值、平均值、方差值、等统计值、或者用直方图、饼状图等图形方式表示，更主要的是他从数据泛化的角度来讨论数据总结。数据泛化是一种把最原始、最基本的信息数据从低层次抽象到高层次上的过程。可采用多维数据分析方法和面向属性的归纳方法。在电子商务活动中，采用维数据分析方法进行数据抽取，他针对的是电子商务活动中的客户数据仓库。在数据分析中经常要用到诸如求和、总计、平均、最大、最小等汇集 *** 作，这类 *** 作的计算量特别大，可把汇集 *** 作结果预先计算并存储起来，以便用于决策支持系统使用。
4关联规则在电子商务中的应用
管理部门可以收集存储大量的售货数据和客户资料，对这些历史数据进行分析并发现关联规则。如分析网上顾客的购买行为，帮助管理者规划市场，确定商品的种类、价格、质量等。通常关联规则有两种：有意义的关联规则和泛化关联规则，有意义的关联规则，即满足最小支持度和最小可信度的规则。最小支持度，它表示一组对象在统计意义上的需满足的最低程度，如电子商务活动中的客户数量、客户消费能力、消费方式等。后者即用户规定的关联规则的最低可靠度。第二是泛化规则，这种规则更实用，因为研究对象存在一种层次关系，如面包、蛋糕属西点类，而西点又属于食品类，有了层次关系后，可以帮助发现更多的有意义的规则。
5、优化企业资源
节约成本是企业盈利的关键。基于数据挖掘技术，实时、全面、准确地掌握企业资源信息，通过分析历史的财务数据、库存数据和交易数据, 可以发现企业资源消耗的关键点和主要活动的投入产出比例, 从而为企业资源优化配置提供决策依据, 例如降低库存、提高库存周转率、提高资金使用率等。通过对Web数据挖掘，快速提取商业信息，使企业准确地把握市场动态，极大地提高企业对市场变化的响应能力和创新能力，使企业最大限度地利用人力资源、物质资源和信息资源，合理协调企业内外部资源的关系，产生最佳的经济效益。促进企业发展的科学化、信息化和智能化。
6、管理客户数据
随着“以客户为中心”的经营理念的不断深入人心, 分析客户、了解客户并引导客户的需求已成为企业经营的重要课题。基于数据挖掘技术，企业将最大限度地利用客户资源，开展客户行为的分析与预测，>>
问题八：R语言代编程数据挖掘服务大概需要多少钱，在淘宝上搜到“大数据部落”店铺名价格20元，看评价蛮不错的？ 根据数据服务的难度和工作量来判断的，你要把具体的要求发给什么宝买家，他会跟你评判，一般什么宝上的这类价格都是计量单位，实际都是20元的倍数，
问题九：淘宝网店运营的推广体系是什么？ 淘宝网店运营的推广体系:
一、电商战略规划
以数据挖掘为基础，通过对市场、竞争对手、消费者研究、企业自身的360度洞察分析，规划出公司整体电子商务模式、总体战略目标、发展阶段步骤、投入和预期收益等，理清思路、明确方向。
并将项目职能分解，形成项目进度控制甘特图，落实细分为可执行、可监督、可管控的详细战略实施计划。
二、店铺规划装修
在总体分析规划基础上，组建一流淘宝店铺规划师和一流的UI设计师，通过对网店的整体结构、栏目划分、流程体验、视觉风格的整体融合策划设计，凸显店铺的品牌气质格调和客户购物体验。
三、产品策划
采用USP(独特销售主张)规划+FABE模式+品牌策划的综合体系，结合行业特性和淘宝购物网络文化特征，通过感性和理性两种思路的有机 ，策划设计出最具销售力的产品宝贝页面，从而有效提升产品转化率。
在数据挖掘基础上，通过明星热销产品、金牛利润产品、阻击产品的矩阵规划和定价体系规划，形成完整的产品宽度和产品组合，实现热销和利润平衡统一，以及解决线上线下渠道冲突难题。
四、商品促销运营
利用淘宝各种促销活动，策划创意店铺各种主题活动和关联销售、交叉销售等手段方式，实现商品生动化，提升用户粘性，提升客单价，打造爆款产品，最终实现销售飞跃。
五、推广运营
金砖淘宝推广运营体系以引入目标流量为核心，采取淘宝站内免费推广、淘宝站内工具广告推广、全网辅助推广等方式，系统解决淘宝店铺流量难题，为店铺带来带来大量有效目标购买客户，我们坚持在策略指引下用最小投入实现最大推广效果，决不盲目唯流量是从，更不做无效流量的推广，实现销售和品牌提升双重效果。
六、客服销售
客服销售是实现销售的关键环节、临门一脚，具有核心地位。金砖将从业务、文化、管理、培训四个层面进行标准化和系统化作业，实现销售客服系统流程化和可复制化。
七、数据分析
数据挖掘和分析是电子商务和传统线下商务最明显的区别，电子商务的数据是精准的、即时性的，金砖电商的淘宝运营体系基础就是数据挖掘和分析。
通过对各项数据横向、纵向和交叉分析，制订策略、提升推广效果，提升店铺转化率，从而提升整店的ROI，实现企业利润最大化。
上述关于淘宝项目运营的看法只是从系统层面浅析了下自己的个人建议，金砖认为，淘宝电商运营应以数据挖掘为基础，以提升店铺转化率为核心，从战略策划、网店策划、产品策划、商品促销、淘宝推广、客服销售、数据分析等方面一一着手，系统去构建方能制胜!
问题十：数据分析是“大海捞针” 阿里数据挖掘了么？ 导读：大数据是如何产生价值的，大数据是无所不能的吗，应用边界在哪里？这些问题，似乎人人都有一个模糊的概念，但始终没有一个统一的答案。 今日关于“大数据”的讨论达到了一个高峰，数据就是未来已经不置可否地成为了互联网企业的未来新战略发展的中心。什么是大数据，大数据是如何产生价值的，大数据是无所不能的吗，应用边界在哪里？这些问题，似乎人人都有一个模糊的概念，但始终没有一个统一的答案。 说到大数据，首当其冲的应该是已经围绕数据海洋中耕耘已久并衍生出金融借贷业务的阿里系。马云将集团下的阿里金融与支付宝两项核心业务合并成立阿里小微金融，并将之前呼声最高的接班人彭蕾安排到阿里小微金融掌舵，马云对未来数据战场的重视可见一斑。作为筹备中的阿里小微金融服务集团数据平台，负责人冯春培也对数据有着独到的见解，他向作者表示目前国内对于大数据的讨论更偏重技术方向，即“如何沉淀数据”，对于数据的应用则思考较少。数据如何产生价值？这需要要从大数据的本质说起。 线上数据才是大数据 要搞清楚什么是大数据，首先你要知道什么样的数据才是有用的。按照冯春培的理解，任何行为本身都会产生数据，但只有线上数据有可能被沉淀和利用。“比如不通过淘宝，原本人们的交易行为在线下也是产生数据的，只不过这种交易行为是私密的，除了买卖双方，其他人是不知道我的交易行为的，同时交易双方也是匿名的，从数据的性质上来说无法沉淀，从来源上来说也没有一个方法能有效地收集。” 大数据是什么？冯春培的理解似乎更贴近本质：“拥有数据的本质，是你对这个世界，你对这些人，你对这些企业，你对这个时代，有了一个更全面而清楚的认知，你能理解这些人的需求，你能理解这个世界的任何的变化。” 你可以这么理解，如果你是阿里系的深度用户（比如淘宝卖家），他们掌握了你足够多的数据，对你的信用评估也会更加全面，这个数据不仅可以在金融领域中起作用，比如帮助你在阿里小贷更方便的贷款，在生活中也可以反映你的信用状况，“比如相亲 ，你怎么证明你的收入？你拿出支付宝的账单，女孩子一看一年花了100万，你说你的信用良好，每个月xyk还的都很及时，比你说破嘴皮有用多了吧？” 数据就是生产资料 如果数据仅仅是作为辅助参考信息，也必要投入如此多的精力。从生产要素来说，数据到底是什么角色？冯春培的定义是“生产资料”。“我们部门的名字是‘商业智能部’，数据更多的像是一种业务的辅助决策，作为一个“参谋”的角色，现在我们要逐步的让这个数据融入到我们的业务和产品这个流程里面去，数据和业务就像两个齿轮，能扣在一起转。当我们对数据的挖掘和理解越来越强，最终数据不仅可以产生价值，还可以直接催生产品，比如阿里金融的一些数据，我们把它定义为生产资料。” 这就是阿里系未来要做的事情，把数据变成生产资料。与传统的生产资料不同的是，数据是可以无限次使用的，并且是越使用越丰富的。 近期阿里巴巴在移动互联网市场频频出手，未来也许有可能将数据进行融合，用户的各种信息得以呈现在一个全景图里面，即使在完全陌生的城市，借助这种服务，你也能知道附近哪家店支持支付宝付款，微博上哪个网友刚刚在附近的咖啡店歇脚。 数据分析是“大海捞针” 与大多数互联网产品存在的问题相同，互联网产生的数据是有可能被伪造的，同时也是无序的、碎片化的。 对于这一点，冯春培也毫不讳言，“短期的伪造数据当然是有可能的，用特定的维度去伪造数据也是完全可能的，但是因为我们的业务是基于长期数据进行跟踪分析的，采纳的维度也更广，伪造数据的成本和难度会越来越大。按照我们现在的信用模型，伪造数据的收益是不太可能覆盖成本的，那么我们可以基本判断，数据>>
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）