2018届毕业生已经走上工作岗位，在新的转折点开始打拼。2018年2月份，梧桐果出炉2018届中国校园招聘蓝皮书，历数了2018届校园招聘秋招的行业、专业、地区招聘现状。现今，在2018届校招全面结束，梧桐果再次用数据为大家解读2018届校招之最，带领大家一起来看哪些毕业生荣登榜首？

企业所属城市分布，北上深招聘需求最大

从招聘企业所属区域来看，东南沿海和北上广招聘需求最大，其中北京企业招聘需求最多，占比9.47%；上海和深圳企业招聘需求分别位列二、三名，占比为7.81%、6.24%；杭州企业招聘需求排名第四，超越了一线城市的广州。北上广深地区作为一线城市，经济实力强，企业数量多，招聘需求也相对较大。一线城市人才争夺比较激烈，在抢人大战之中更多企业开始展开校招补充人才储备，为组建人才梯队提前抢人。

毕业生求职之最，新一线城市实力冲刺

根据2018届校招毕业生就业流向分析，北京和上海最受毕业生求职青睐，占据第一、二的位置，其次武汉位居第三，再次是深圳和南京。毕业生对一线和新一线城市比较喜爱，大城市经济发达，工作机会多，符合毕业生到大城市实现自身价值的追求。

武汉和南京对毕业生的吸引力超越了深圳和广州，一线城市不再是求职首选。近两年各大城市开始抢人大战，新一线城市更是出台各种给钱、给房、给户口的政策，显示出了城市包容性和吸纳力，受到毕业生求职青睐。

学历就业之最，硕士成最难就业群体

学历是永不褪色的话题，硕士就业难也成了热点新闻。根据梧桐果样本数据计算，硕士成最难就业学历，就业难度指数为3.21，平均3个人抢夺一个职位；其次是本科学历，就业难度指数为1.78；博士生就业难度指数为0.87，成最容易就业的岗位。现在大专院校注重校企合作，毕业生直接输送企业进行实习、就业，就业难度指数大大降低。硕士学历毕业生拥有高等学历，属于社会精英，而企业需求高等学历的岗位较少，因此出现硕士就业难的状况。

行业就业之最，互联网行业成毕业生求职首选

互联网成为2018届毕业生求职最青睐行业，投递量占全部行业的11.83%；建筑/建材/工程和教育行业分别位列于二、三名，占比分别为10.68%、9.01%。近几年互联网+模式不断开启，信息化带动传统化的发展，互联网行业的人才需求量也在不断的增加，为毕业生迎来了更多的就业机会。90后成长在互联网时代下,其思维和行为深受网络影响,对互联网行业更加熟悉喜爱，因此毕业生在找工作时更倾向于互联网行业。

专业就业之最，医学、军事、教育学专业最易就业

2018届校园招聘毕业生就业暗度指数中，经济学成最难就业专业，就业难度指数为2.16；工学作为供需最多的学科，其就业难度指数为1.28，排名第五；医学就业难度指数为0.39，成最容易就业学科。

医学作为最易就业专业，其原因有两个，一方面：近年来医患关系紧张，学生普遍不愿报考临床医学等学术学科，导致企业需求供不应求；另一方面，现在人们更加注重养生，进而医药公司和疗养保健类企业兴起，也加大了对医学类相关人才的需求。

专业薪资之最高，计算机类专业拔得头筹

互联网行业成最受青睐的行业同时，计算机类专业也成为了高薪专业，2018届校招薪资排名前五的专业均为计算机相关专业，软件工程以平均薪资7210元荣登榜首；信息安全平均薪资为6764元，排名第二；网络工程平均薪资为6639元，排名第三。金融学作为金融行业必选专业，其平均薪资为6389，不敌计算机相关专业薪资。IT业属于高新技术行业，符合经济转型升级的方向，相关人才相对来说供不应求，因而其工资水平和增速能保持较快增长；另一方面，金融业近两年来处于整顿和调整之中，业绩总体不太理想。总体来看，IT业工资超金融业是一种好的变化，凸显了收入分配重点转移到高新技术和实体经济中的正确导向。

一、什么是行为事件分析？

行为事件分析法来研究某行为事件的发生对企业组织价值的影响以及影响程度。企业借此来追踪或记录的用户行为或业务过程，如用户注册、浏览产品详情页、成功投资、提现等，通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等。

在日常工作中，运营、市场、产品、数据分析师根据实际工作情况而关注不同的事件指标。如最近三个月来自哪个渠道的用户注册量最高？变化趋势如何？各时段的人均充值金额是分别多少？上周来自北京发生过购买行为的独立用户数，按照年龄段的分布情况？每天的独立 Session 数是多少？诸如此类的指标查看的过程中，行为事件分析起到重要作用。

二、行为事件分析的特点与价值

行为事件分析法具有强大的筛选、分组和聚合能力，逻辑清晰且使用简单，已被广泛应用。简单的说，行为事件分析法一般经过事件定义与选择、下钻分析、解释与结论等环节。

事件定义与选择

事件定义包括定义所关注的事件及事件窗口的长度，这也是事件分析法最为核心和关键的步骤。这里需要了解“Session”的概念，Session 即会话，是指用户在指定的时间段内在 APP、WEB 上发生的一系列互动。例如，一次会话可以包含多个网页或屏幕浏览、事件、社交互动和电子商务交易。当用户想了解“访问次数”、“平均交互深度”、“平均使用时长”、“页面平均停留时长”、“跳出率”、“页面退出率”等指标时，都需引入 Session 才能分析。因此，创建和管理 Session 是事件定义的关键步骤。

多维度下钻分析

最为高效的行为事件分析要支持任意下钻分析和精细化条件筛选。当行为事件分析合理配置追踪事件和属性，可以激发出事件分析的强大潜能，为企业回答关于变化趋势、维度对比等等各种细分问题。同时，还可以通过添加筛选条件，可以精细化查看符合某些具体条件的事件数据。

解释与结论

此环节要对分析结果进行合理的理论解释，判断数据分析结果是否与预期相符，如判断产品的细节优化是否提升了触发用户数。如果相悖，则应该针对不足的部分进行再分析与实证。

三、行为事件分析应用场景

场景一：互金行业常见的行为事件分析

某互联网金融客户运营人员发现，4月10日号来自新浪渠道的 PV 数异常标高，因此需要快速排查原因：是异常流量还是虚假流量？

企业可以先定义事件，通过“筛选条件”限定广告系列来源为“新浪”。再从其它多个维度进行细分下钻，比如“地理位置”、“时间”、“广告系列媒介”、“操作系统”、“浏览器”等。当进行细分筛查时，虚假流量无处遁形。下图为来源为“新浪”的各城市浏览页面的总次数。

图1 来源新浪的各城市浏览页面的总次数

在剔除虚假流量后，运营人员可进行其他用户行为分析。通过“投资成功”事件，查看各个时段的投资金额。若想知道每个产品类型的投资金额，此时再按照“产品类型”进行分组查看即可。如图2。

图2 不同产品投资成功的支付金额的总和

当用户投资到期后，后续行为可能是提现或继续投资，运营人员可以实时关注“提现率”的变化趋势。

图3 用户投资到期后提现率的变化情况

值得强调的是，行为事件分析方法是多种数据分析模型之一，它与其他分析模型存在无法割裂的关系。只有各分析模型实现科学互动和配合，能够科学揭示出用户个人／群体行为的内部规律，并据此做出理论推导，不断在工作实践中优化商业决策和产品智能。

作者：乔一鸭，神策数据运营一枚

本文由 @乔一鸭 原创发布于人人都是产品经理。未经许可，禁止转载。

大数据，英文名big data。因为传播已经成为习惯，我们并没有过多的去思考为什么用big data去描述，但是现在我们仔细回味一下，会发现大数据这个大为什么不用large为什么不用海量vast呢？归根结底我们可能就需要从语法上，来分析一下，它们三个之间的区别。big形容大小。更多的时候，是一种比较行为上的大，是种相对来说的感觉，而large和vast更多的时候形容的是的是一种形体上的巨大。

那么现在来推敲一下big data这个词，大数据这个大其实是一种相对的说法是相对于传统的数据体量来说的，过去任何时候的数据相对于现在来说都显得太过于渺小，而现在我们所说的大数据是一种量变最后达到了质变的概念。

数据这个词最早在媒体上风靡应该是2007年左右。往上追溯应该就是05年谷歌参加有美国官方举办的一个机器翻译大赛，最终由于使用了海量的相关数据而夺得第一，在那之后大数据这个概念渐渐的被业内人士所传播。那么到底什么是大数据呢？

大数据顾名思义，最表象的特征就是数据量够大。但是仅仅数据量够大，并不能构成大数据整体的含义。如果是海量杂乱无章，互之间没有关联的数据，即便再怎么定义，它也算不上是大数据。就譬如一个人体内的基因图谱，详细的基因图谱数据如果记录出来是一个很大体量的，但是没有意义。

大数据而且还有个概念，那就是多维度。在十年前，如果说国内哪一家公司最有资格说大数据的，那无疑是百度了。作为一个独占13亿用户专属的搜索公司来说，百度对于用户画像的记录，无疑是多维的。百度搜索，至今记录了无数用户每天在互联网上搜索的问题，或者说知识。在时间维度上用户对某些词汇搜索的频次高低这些都是数据。它可以通过对注册用户的甄别就可以知道搜索这个词汇或者是这个问题的用户是男生还是女生？年龄分布是是小孩、青年抑或是一个中年大叔？再到后来个人电脑开始普及，通过记录ip等信息，根据ip搜索的百度的问题的分类，可以判断中国各个区域，是南方富裕一点，还是北方富裕点？是江苏人更爱吃，还是闽南人更喜欢谈论吃？百度完全可以根据自己的数据生成得到国内各种关于此类的数据，普查之后所能得到的答案这就是因为百度所具有的数据是一个多维度的数据。他的数据收集过程，是一个长期的持续性的工作。

除了百度之外，腾讯的qq确实每年都会有一个关于qq的城市报告。它会根据qq的用户数据，甚至于至于活跃地点。在一个大的范围内青年QQ用户的占比，最终可以得到中国城市年轻度排行榜。可以根据这些数据判断，哪一个城市是，年轻人毕业之后最愿意去的。可以判断哪一个城市的，年轻人毕业之后，是回归率最高的。也可以判断哪一个城市的人才流失率更低，更容易留住外来人才。这些都是大数据多维度的应用。

大数据还有一个非常重要的特点，那就是全面性。经常在某些大型活动之前我们都会遇到。某些公司对于这件事情，会做出预测。然后最终的结果让我们大失所望。预测无疑是需要基于数据基础的预测，如果这个数据不够全面的话，最终的预测结果肯定相差甚大。

关于数据全面性有一个最经典的案例这是12年美国大选大选事件。一个名叫斯威尔的年轻人，利用大数据预测。成功预测出了51个州的选举果，要知道这在之前是从来没有发生过的事情。美国大选在之前就一直有专业的预测机构做预测，但是就连这种长期做数据，分析的公司都从来没有如此成功的预测过。那是因为斯威尔将网上所有关于选举的数据，包括新闻稿，以及facebook和推特上面人们关于选举的言论，所有的数据都做了甄选处理。这份数据反映的是网民全面几乎没有遗漏的想法，最终得到了某种程度上来说，比较具有完备性的数据，所以能够如此成功的预测13年美国大选的结果。

关于大数据的科普我们就到这里了，有任何问题可以留言咱一起交流，本文由玩机丧志原创，欢迎关注，带你一起长知识！

数据越来越多的影响并塑造着那些我们每天都要交互的系统。不管是你使用Siri，google搜索，还是浏览facebook的好友动态，你都在消费者数据分析的结果。我们赋予了数据如此大的转变的能力，也难怪近几年越来越多的数据相关的角色被创造出来。

这些角色的职责范围，从预测未来，到发现你周围世界的模式，到建设操作着数百万记录的系统。在这篇文章中。我们将讨论不同的数据相关的角色，他们如何组合在一起，并且帮你找出那些角色是适合你自己的。

什么是数据分析师？

数据分析通过谈论数据来像他们的公司传递价值，用数据来回答问题，交流结果来帮助做商业决策。数据分析师的一般工作包括数据清洗，执行分析和数据可视化。

取决于行业，数据分析师可能有不同的头衔（比如：商业分析师，商业智能分析师，业务/运营分析师，数据分析师）不管头衔是什么，数据分析师是一个能适应不同角色和团队的多面手以帮助别人做出更好的数据驱动的决策。

深度解析数据分析师

数据分析师拥有把传统的商业方式转换成数据驱动的商业方式的潜质。虽然数据分析师是数据广泛领域的入门水平，但不是说所有的分析师都是低水平的。数据分析师不仅仅精通技术工具，还是高效的交流者，他们对于那些把技术团队和商业团队隔离的公司是至关重要的。

他们的核心职责是帮助其他人追踪进展，和优化目标。市场人员如何使用分析的数据取帮助他们安排下一次活动？销售人员如何衡量哪种类型人群能更好的争取？CEO如何更好的理解最最近公司发展背后潜在原因？这些问题就需要数据分析师通过数据分析和呈现结果来给答案。他们从事的这些和数据打交道的复杂工作能够为他们所在的组织贡献价值。

一个高效的数据分析师能够在商业决策的时候摒弃臆想和猜测，并且帮助整个组织快速成长。数据分析师必须是一个横跨在不同团队中的有效桥梁。通过分析新的数据，综合不同的报告，翻译整体的产出。反过来，这也能帮助组织对于自身的发展时刻保持警觉。

公司的不同需求决定了数据分析师的技能要求，但是下面这些应该是通用的：

清洗和组织未加工的数据

使用描述性统计来得到数据的全局视图

分析在数据中发现的有趣趋势

创建数据可视化和仪表盘来帮助公司解读说明和使用数据做决策

呈现针对商业客户或者内部团队的科学分析的结果

数据分析师对公司科技和分科技的两面都带来了重大的价值。不管是进行探索性的分析还是解读经营状况的仪表盘。分析师都促进了团队之间更紧密的连接。

什么是数据科学家？

数据科学家是使用他们在统计学和建设机器学习模型方面的专业技术去进行关键商业问题预测的专家。

数据科学家也需要像数据分析师一样去清洗、分析、可视化数据。然而一个数据科学家需要在这些技能上更深入也更专业，他们还可以去训练和优化机器学习的模型。

深度解析数据科学家

数据科学家能产生巨大的价值，他们处理更多开放式的问题并且利用他们专业的统计学和算法知识发挥更大杠杆的作用。如果说数据分析师专注于从过去和现在数据层面来理解数据的话，那么数据科学家就是专注于做出对未来更可信的预测。

数据科学家通过有监督学习（分类、回归）和无监督学习（聚类，神经网络，异常监测？）机器学习模型来揭开隐藏着的规律。本质上来说他们是训练那些能让他们更好的识别模型和产出精确预测效果的数学模型的人。

下面是数据科学家完成的一些例子：

评估统计学模型来决定分析有效性

使用机器学习来建设更好的预测算法

测试和持续提升模型精确度

进行数据可视化来概括分析的结论

数据科学家为预测和理解数据带来了一种完全崭新的方式。虽然数据分析师可能也可以去描述趋势和为商业团队传递这些结果。但是数据科学家能剔除新的问题并且可以去建模来做出对新数据的预测。

什么是数据工程师？

数据工程师建设和优化系统。这些系统帮助数据科学家和数据分析师开展他们的工作。每一个公司里面和数据打交道的人都需要依赖于这些数据是准确的和可获取的。数据工程师保证任何数据都是正常可接收的，可转换的，可存储的并且对于使用者来说是可获取的。

深度解析数据工程师

数据工程师建立了数据分析师和数据科学家依赖的基础。数据工程师对构造数据管道并且经常需要去使用复杂的工具和技术来管理数据负责。不想前面说的两个事业的路径，数据工程师更多的是朝着软件开发能力上学习和提升。

在比较大的组织中，数据工程师需要关注不同的方面：比如使用数据的工具，维护数据库，创建和管理数据管道。不管侧重于什么，一个好的数据工程师能够保证数据科学家和数据分析师专注于解决分析方面的问题，而不是一个数据源一个数据源的去移动、操作数据。

数据工程师往往更加注重建设和优化。下面的任务的示例是数据工程师通常的工作：

为数据消费开发API

在现存的数据管道中整合数据集

在新数据上运用特征转换提供给机器学习模型

持续不断的监控和测试系统保证性能优化

你的数据驱动的事业路径：

现在你已经了解了这三种数据驱动的工作了，但是问题还在，你适合哪一种呢？虽然都是和数据相关，但是这三种工作是截然不同的。

数据工程师主要工作在后端。持续的提升数据管道来保证数据的精确和可获取。他们一般利用不同的工具来保证数据被正确的处理了，并且当用户要使用数据的时候保证数据是可用的。一个好的的数据工程师会为组织节省很多的时间和精力。

数据分析师一般用数据工程师提供的现成的接口来抽取新的数据，然后取发现数据中的趋势。同时也要分析异常情况。数据分析师以一种清晰的方式来概括和提出他们的结果来让非技术的团队更好的理解他们现在在做的东西。

最后，数据科学家更倾向于基于分析的发现和在更多可能性上的调查来获得方向。不管是训练模型还是进行统计分析，数据科学家试图去对未来要发生的可能性提出一个更好的预测。

不管你的特殊的路径是什么，好奇心都是这三个职业最本质的要求。使用数据来更好的提问和进行精确的实验是数据驱动事业的全部目标。此外，数据科学家领域是不断的进化的，你必须要有强大的能力去持续不断的学习。

有一句话叫做三人行必有我师，其实做为一个开发者，有一个学习的氛围跟一个交流圈子特别重要这是一个我的大数据交流学习群531629188不管你是小白还是大牛欢迎入驻，正在求职的也可以加入，大家一起交流学习，话糙理不糙，互相学习，共同进步，一起加油吧。

一、数据机房简述

数据中心（集成）是一种环境技术它包括温度、湿度、防尘、有害气体、电磁干扰、屏蔽、防静电、防漏水、隔热、保温、防火、美学、光学、噪声、振动等方面综合的考虑设计，数据中心同时是一种综合性产业，它涉及到多种专业：空调、配电、照明、自动检测与控制技术、抗干扰技术、综合布线技术、净化、消防、建筑、装潢等。

二、数据中心设计理念及系统架构

三、数据中心的总体设计原则

3.1安全性

建立安全等级；按照安全等级建立安全分区； 按照目的和人数建立交通动线 按照安全分区选择安全功能

3.2可靠性

选择适当的地点，以规避灾难的发生；采纳较高的规范，以避免二次灾难；建立高规格的结构建筑；建立足够的电源和空调设备，并考虑备份；市电的供给需不间断并有备份；双回路的供给，包括电源、管线及通讯线路；标准化的设备系统。

3.3可管理性

考虑维修动线；完善的环境管理系统；采用市场标准设备

预先考虑设备更换以及维修所；需的空间和备份

3.4灵活性

考虑模块化设计；采用移动式办公设计；采用高架地板方式装修；采用容易更换及扩充的设备。

3.5实用性及先进性

创造舒适的空间；建立24小时皆适用的设备功能； 建立方便的人机界面

采用先进的技术；兼顾当前需求与业务发展

四、数据机房节能环保的要求

4.1电气

照明采用高效三基色荧光灯具，发光效率高，发热量小；

房间内灯具分区控制，多回路设计，可减小不必要的能源浪费；

用电设备均匀的接在三相电网上，降低三相电压不平衡度，减少能源的损耗

4.2装饰

装饰材料均为绿色环保材料；

空调区地板下做保温处理；

机房外窗封堵（无外窗设计）。

4.3空调

空调采用环保型制冷剂；

新风系统采用温、湿度预处理的新风机组

新风系统安装消声器，减少风管产生的噪音

五、数据机房抗干扰措施

防静电地板下设置等电位铜排网络， 并与等电位箱的引出接地点相连接。机房等电位网格与结构钢筋连接；机房动力设备地线PE、设备外壳、金属管、槽外壳；墙、顶龙骨，地板 支架、金属墙体等均与等电位铜排网络可靠相连，机房内形成法拉第笼接地网；

为防止混凝土内预埋的电力配电线产生的电磁干扰，在墙内埋设的各种电气配线穿金属厚壁管，金属管接头采用螺丝接头连接；

机房内UPS末端布线采用阻燃电磁屏蔽线缆，并穿金属管；

放射式配线，而不作环形配线；

设置联合接地系统：变压器中性点工作接地、UPS输出端中性点工作接地、电气设备保护接地、等电位接地、电梯控制系统的直流接地、弱电系统直流接地及其它电子设备的直流接地共用大楼接地体；

灯具选用节能型电感镇流器加补偿电容的方式，不对机房产生电磁干扰，灯具自身的谐波分量小于10％。

六、数据机房抗变形设计、抗震设计

6.1抗变形设计

一是材料材质：装饰材料（吊顶材料、墙面材料、地面材料等）、其他材料（管槽、吊架、风管等）具有一定的机械强度，地板的机械性能应符合《防静电活动地板通用规范》中的规定；

二是整体结构系统的抗变形设计：吊顶结构中的吊件、龙骨设计，墙面结构中的龙骨设计，地板结构中的地板支架，隔墙结构中的龙骨设计，风管结构中的吊架设计，各种管线（强电、弱电、冷媒等）敷设中的固定结构等，在这些结构设计中，要充分考虑结构的抗变形能力。

6.2抗震设计

建筑结构本身的抗震设计；

6.3其他

根据机房设备情况，对楼板荷载进行负荷计算；

机房内所有设备均采用支架式安装。

七、数据机房防尘、防水、防火等设计

1、防尘设计

机房密封处理：门、窗、结构墙体孔洞等的处理；

2、防水设计

各专业设计上放置水患的产生（消防、取暖等）；

注意防水、排水设计；

在可能产生水的地方采用漏水报警系统。

3、防火设计

装饰材料防火等级（吊顶、地板、墙面、隔断、电缆等材料）；

电力电缆管槽内敷设、不裸露；

火灾自动报警系统、自动灭火系统设计；

动力电源、通风、安防等系统与消防联动。

4、保温、隔热、隔音，机房结构保温、隔热、隔音。

八、机房配电系统

九、数据机房防雷接地系统

机房电源实行三级的电源防雷保护。对直击雷的防护可凭借大厦相关措施。机房电源防雷主要针对感应雷、电力系统各种操作过电压进行保护。

一级防雷：采用开关型SPD产品，在机房配电室低压配电柜中进线总开关处安装。

二级防雷：采用限压型SPD产品。在机房UPS输入端和机房所在楼层的分配电柜处安装。该防雷器的设计目的：依据VDE-0675标准对1000V以下的低压负荷设备依据标准实行保护。它保护电气设备不受雷电和开关操作所引起的瞬态过压损坏，将电源防雷器置放在配电柜中总开关前端，这样既节省空间，又起到了美观、易维护的作用，防雷器中的地线就近接到防雷地上。

三级防雷：对于机房内的重要设备（如小型机、服务器、交换机等）可以加装防雷插排为设备供电。

设置以下几种接地：

计算机系统的直流工作地

安全保护地

交流工作地

防雷接地

机房静电防护系统（静电散流网）

十、数据机房环境监控系统

设计综合监监控和管理的区域主要包括：机房各功能区

机房集中监控系统主要包括六个子系统：配电监测子系统、UPS监测子系统、空调监控子系统、漏水检测子系统、温湿度监测子系统、消防报警监测子系统等。通过RS485总线将各个子系统连接起来，形成一个智能型机房动力与环境集中监控系统。

十一、数据机房消防系统

机房是重要资料电子信息的保护场所。所以必须设计一个安全、可靠、先进的消防系统确保机房的安全运行。

根据消防设计规范以及招标要求，机房采用七氟丙烷管网式气体消防系统。系统控制方式： 具有自动、手动、机械应急操作三种启动方式。

1) 灭火速度快、效率高、主动性强

2) 洁净

3) 安全

4) 环保

5) 经济

相信这么努力的你 已经置顶了我

老九学堂 你身边的IT导师

程序员这个职业究竟可以干多少年？大多数程序员都认为程序员是个吃青春饭的职业，编程这个事只能干到30岁，最多35岁吧。每每听到这样的言论，都让人感到相当的无语……

今天，我们又来谈这个老话题……

首先，我们先来看一篇论文《Is Programming Knowledge Related to Age?》(英文版)，这篇论文是两个北卡罗纳州立大学计算机科学系的两个人对StackOverflow上的用户做了相关的数据挖掘得出来的一些数据。

(StackOverflow上的数据是公开的，任何人都可以用来分析和统计，所以这篇论文的真实性是没问题的)

数据采样和清洗条件如下：(数据全量是1694981用户，平均年龄30.3岁)

年龄分布图

我们来看一下他们的年龄分布图：我们可以看到程序员年纪的正态分布(高点在25岁左右，但是中点在29岁左右)

能力和年龄分布图

然后，计算每个人每个月的Reputation，这样可以找到这个用户的真正的活跃时间，这样便于计算这个程序员的真实能力。(总声望 / 活跃时间)，可以得到他平均每个月得来的Reputation。

我们来看看程序员的能力和年龄段的分布图：

上图中我们可以看到，程序员的能力在从25岁左右开始上升，一直到50岁后才会开始下降。所以说，程序员吃的不是青春饭。

只有码农，靠蛮力，用体力而不是用脑力的程序员才是吃青春饭的人。

年纪大的人是否跟不上新技术

论文的作者用了最近5年内比较流行的技术Tag，然后用了一套比较严谨的算法来查看那些所谓的“老程序员”是否在新技术上跟上不了，所谓跟不上，也就是这些老的程序员在回答这些新技术上并不活跃。所谓老，就是37岁以上的程序员。

得到了下表：可以看到，老程序员和年轻的程序员对于一些新技术的学习来说也是差不多的，甚至有些项还超过了年轻的程序员。

结论：论文的结论是：

1、程序员技术能力上升是可以到50岁或60岁的。2、老程序员在获取新技术上的能力并不比年轻的程序员差。

结语

由上面的数据可以看出，由于如今许多的年轻程序员太浮燥了，才会说30岁是程序员的顶峰。其实，对于大多数人来说，如果还没有编程到30岁，还不能成为一个“合格”的程序员。所以，并不是编程编到30岁就玩完了，而是编程编到30岁才刚刚入门。

在老九君身边，就有一些年龄在40以上，并且还对技术保持热衷的“老程序员们”，他们无一不是身怀绝技，在公司身居要职或高管，成为公司最宝贵的技术保障。

通知：

老九学堂2018年全年的线下全栈就业班开放预定中，

就业班零基础学习六个月，全国推荐就业，做游戏开发、前端、后端、数据库等都可以。

有兴趣的小伙伴可以加老九君进行咨询。

随着公司业务的增长，大量和业务、流程、规则相关的半结构化数据也爆发式增长。但数据分散在公司的各个系统中，如何将它们汇总并形成统一的企业级数据仓库，使企业灵活，高效的运用成了难题。

如需将分散的各个底层数据汇总则需建立完整的体系，支撑风控的大数据框架则是重中之重。

拥有5000万+注册用户；13亿+设备标签；100亿+行为数据；1500万+行业关注名单等海量多维数据的拍拍信则是从这几个方面落实：

1. 数据采集

面对来源各异、以结构化/半结构化为主的数据，我们使用linkedin开源的camus来采集消息类数据，使用kettle来采集RMDB的数据。

2. 数据储存

将采集到的原始数据存储到hadoop集群的分布式文件系统中。此外，基于hdfs文件系统对小文件并不是很友好的前提下，定期对历史文件进行合并、压缩、归档的操作也很有必要。

3. 离线处理

数据的离线处理则是一个非常大的话题，相当多的工作量都在这里，但它的价值却往往不会马上得到体现，从而被企业忽视。不仅仅包含以下这些内容：

l 构建并不停地丰富数据仓库

参照传统的ODS，DW，DM将数仓分层，对数据进行加密、去重后分门别类，持续不断的坚持做这件事。

l 管理元数据

建立数据字典，统一数据编码，描绘数据血缘等。

l 检测数据质量

从众数、少数、中位数、平均值等多维度来检测和把握数据的质量。

4. 流式处理

我们使用spark streaming将特征工程、模型结果计算与流式处理相结合，提供秒级的输出。甚至成功的将类似RNN（循环神经网络）这样的深度学习计算添加到整个流式处理的过程中。

5. 数据可视化

使用不同的工具以满足不同场景、不同职责的人员对数据的使用。不仅仅包含以下这些内容：

l 数据的即席查询

懂SQL、随意组合查询条件，进行自助查询，可以忍受分钟级的耗时。

l 多维分析

不懂SQL的情况下，在给定的维度和指标下，随意组合，并在秒级得到查询结果。

l 静态报表

只关注关键性指标。

l 数据分析挖掘

会使用像python、R这样的语言，结合集群的Spark、hive这样的分布式处理工具，对数据进行更深层次的利用。

经过处理的底层大数据相对于以往，在实际业务中使源数据种类更丰富，数据量更多， 借助集群的助力，处理速度更快，回溯时间更久远。

实际运用：

模型训练：风控模型是互联网金融，传统金融等行业在风控流程中不可或缺的环节。

模型应用：将模型与流式计算相结合，提供秒级的风控决策。

数据产品：对数据加工处理，产生像多头、风险名单一类的数据产品。

常用业务：企业在日常工作中各个环节都涉及到数据如：处理数据，更新数据，数据调用，查询日志等。

运用大数据架构前后比对：

在进行大数据框架搭建时还需注意以下几点：

现在即使在同一细分领域，也有很多开源技术可供选择，请尽量选用相对成熟，社区活跃的；能选用开源的，尽量避免自研；另外代码如果要维护自己分支，请特别要谨慎，避免与社区越走越远；hadoop最初并没有太多的考虑数据安全方面，这点要自己加强；高稳定性和高性能往往一个是鱼，一个是熊掌，请考虑好取舍。

本期对大数据底层架构的分享就到这里，欢迎大家联系探讨。

本文为拍拍信原创，未经许可，禁止转载，侵权必究。申请授权，请联系我们。

感谢您对拍拍信的认可与支持

我们一直在路上

据某第三方平台近期调研结果显示，在金融创业领域，2013年一家互联网金融创业公司的投资获客成本区间为300-500元，而2016年则涨为1000-3000元；在电商领域，新用户的获取成本，是维护一个老用户的3倍到10倍……

如今，高居不下的获客成本让互联网、移动互联网创业者们遭遇新的“天花板”，甚至陷入“纳不起”新客的窘境。而花费极高成本所获取的客户，可能仅打开一次APP、或完成一次交易，就流白白流失。随着市场饱和度上升，绝大多数企业亟待解决如何增加客户黏性，延长每一个客户的生命周期价值。因此留存分析分析模型备受青睐。

一、什么是留存分析

留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。留存分析可以帮助回答以下问题：

一个新客户在未来的一段时间内是否完成了您期许用户完成的行为？如支付订单等；

某个社交产品改进了新注册用户的引导流程，期待改善用户注册后的参与程度，如何验证？

想判断某项产品改动是否奏效，如新增了一个邀请好友的功能，观察是否有人因新增功能而多使用产品几个月？

有人会疑惑：为什么要做留存分析，直接看活跃用户百分比不行吗？当然不行！如果产品目前处于快速增长阶段，很有可能新用户中的活跃用户数增长掩盖了老用户活跃度的变化。按初始行为时间分组的留存分析可以消除用户增长对用户参与数据带来的影响。通过留存分析，你可以将用户按照注册时间分段查看，得出类似如下结论：“三月份改版前，该月注册的用户 7 天留存只有 15%；但是四月份改版后，该月注册的用户 7 天留存提高到了 20%。”

二、神策分析留存分析模型特点与价值

神策分析留存分析根据实际需求灵活配置条件。可针对事件属性，根据具体需求筛选初始行为或后续行为的细分维度。另外，还可以针对用户属性筛选合适的分析对象。那么，留存分析有哪些价值呢？

第一，留存率是判断产品价值最重要的标准，揭示了产品保留用户的能力。

留存率反映的实际上是一种转化率，即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程。随着统计数字的变化，运营人员可看到不同时期用户的变化情况，从而判断产品对客户的吸引力。

第二，宏观上把握用户生命周期长度以及定位产品可改善至之处；

通过留存分析，可以查看新功能上线之后，对不同群体的留存是否带来不同效果? 可以判断产品新功能或某活动是否提高了用户的留存率？结合版本更新、市场推广等诸多因素结合，砍掉使用频率低的功能，实现快速迭代验证，制定相应的策略。

三、神策分析留存分析应用场景

场景一：游戏行业提升活跃、留存——如何精准找到玩家“流失点”？

游戏的生命周期的时长差异、玩家的游戏粘度，直接体现了游戏的竞争能力和盈利能力。玩家对游戏的直观感受、游戏难度曲线、游戏节奏的松弛、游戏福利等游戏内涵都能够导致游戏玩家流失。正确找到玩家流失原因，是促进玩家、活跃挽留玩家的第一步。《迷城物语》是如何在神策分析做到这一点的？下面为《迷城物语》在删档测试期间的相关应用情景。（注：以下配图所涉及的数据，均为模拟真实应用场景下的虚拟数据）

在神策分析的平台上，可统计流失玩家的等级分布，判断玩家流失与关卡设置的相关性。

图1 玩家在首次登陆游戏之后的8周流失情况分析

上图显示，100～110级、80～90级是玩家流失较多的关卡。为精准导致玩家流失的关键因素，需要每个环节、具体场景进行深入追踪与分析，下略。

场景二：了解新用户的留存

运营人员可以根据新用户启动 App 的时间按日或按月进行分组，得到同期群，观察该群体用户发生投资的7日留存、14日留存或30日留存(可自由选择)，通过比较不同的同期群，可以获知，从总体上看用户留存的情况是否越来越好了。也可以点击“曲线标识”按钮，就可以看到每天留存率的变化趋势了。

图 2 新用户群体七天留存趋势变化

对于 7 日或者 30 日仍留下来做投资的用户，显然是一批忠诚度非常高的用户，什么样的用户群体有这么高的留存率？以 4 月 10 号这天的新用户为例，一共有 1931 个新用户，在第 7 天有 68 人留下来了，点击“68”这个数字，我们进入了用户列表界面。

这里值得强调的是，神策分析支持用户路径分析结果的人群明细查看。迄今为止，神策数据所有用户行为分析中的人群明细均可查看，如下图。

图3 第 7 天用户留存 68 人基本信息明细

这里我们能够看到留存下来的用户的一些详细的基础信息，比如借款次数，借款金额、年龄等，通过总借款次数以及借款金额，可进行用户质量评估；通过年龄可以分析到金融平台吸引的群体用户的年龄分布。

若想深度挖掘高留存用户有哪些共性特征、具体操作流程，以作为后序产品优化与改进的借鉴，则可使用用户分群功能，命名为“ 4-10 号 7 日留存用”然后通过用户路径等其他分析模型进一步深度分析。

现代营销观念认为：“营销管理重在过程，控制了过程就控制了结果。”用户行为分析之漏斗分析模型是企业实现精细化运营、进行用户行为分析的重要数据分析模型，其精细化程度影响着营销管理的成败，以及用户行为分析的精准度。粗陋的漏斗分析模型因为过程管理不透明、数据分析不精细、用户行为分析不科学而造成结果失控。因此，我们经常能够听到一些产品经理的抱怨不绝于耳：从启动 APP 到“支付成功”，用户转化率为何仅仅 0.8 %？

一、什么是漏斗分析？

究竟什么是漏斗分析？漏斗分析是一套流程分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。

漏斗分析模型已经广泛应用于流量监控、产品目标转化等日常数据运营与数据分析的工作中。例如在一款产品服务平台中，直播用户从激活APP开始到花费，一般的用户购物路径为激活APP、注册账号、进入直播间、互动行为、礼物花费五大阶段，漏斗能够展现出各个阶段的转化率，通过漏斗各环节相关数据的比较,能够直观地发现和说明问题所在，从而找到优化方向。

二、漏斗分析模型的特点与价值：

对于业务流程相对规范、周期较长、环节较多的流程分析,能够直观地发现和说明问题所在。值得强调的是，漏斗分析模型并非只是简单的转化率的呈现，科学的漏斗分析模型能够实现以下价值：

企业可以监控用户在各个层级的转化情况，聚焦用户选购全流程中最有效转化路径；同时找到可优化的短板，提升用户体验；降低流失是运营人员的重要目标，通过不同层级的转情况，迅速定位流失环节，针对性持续分析找到可优化点，如此提升用户留存率。多维度切分与呈现用户转化情况，成单瓶颈无处遁形。科学的漏斗分析能够展现转化率趋势的曲线，能帮助企业精细地捕捉用户行为变化。提升了转化分析的精度和效率,对选购流程的异常定位和策略调整效果验证有科学指导意义。不同属性的用户群体漏斗比较，从差异角度窥视优化思路。漏斗对比分析是科学漏斗分析的重要一环。运营人员可以通过观察不同属性的用户群体（如新注册用户与老客户、不同渠道来源的客户）各环节转化率，各流程步骤转化率的差异对比，了解转化率最高的用户群体，分析漏斗合理性，并针对转化率异常环节进行调整。

三、在漏斗分析模型中，科学归因、属性关联的重要性

先谈归因。在科学的漏斗分析中，需要科学归因设置。每一次转化节点应根据事件功劳差异（事件对转化的功劳大小）而科学设置。企业一直致力定义最佳用户购买路径，并将资源高效集中于此。而在企业真实的漏斗分析中，业务流程转化并非理想中那么简单。

以市场营销为例，市场活动、线上运营、邮件营销都可能触发用户购买。A 欲选购一款化妆品，通过市场活动了解 M 产品，后来在百度贴吧了解更多信息，但是始终没有下定决心购买。后来收到 M 公司的营销邮件，A 被打折信息及详实的客户评价所吸引，直接邮件内跳转至网站购买了该商品。

那么，在漏斗设置时，转化归因应该“归”哪一个渠道呢？在这个案例中，运营人员愿意以实际转化的事件的属性为准。邮件营销的渠道在用户购买决策的全流程中对用户影响的“功劳”最大、权重较大，直接促进用户转化。在科学的漏斗分析模型中，用户群体筛选和分组时，以实际转化事件——邮件营销来源的用户群体的属性为准，则大大增大了漏斗分析的科学性。

再一起看属性关联。在进行漏斗分析时，尤其电商行业的数据分析场景中，运营人员在定义“转化”时，会要求漏斗转化的前后步骤有相同的属性值。比如同一 ID（包括品类 ID、商品 ID）才能作为转化条件——浏览 iphone6，购买同一款 iphone6 才能被定义为一次转化。因此，“属性关联”的设置功能是科学漏斗分析不可或缺的内容。

四、漏斗分析场景：

场景一：电商行业不同客户群体的转化情况

某电商企业客户根据客户的消费能力，将客户划分为普通会员、黄金会员、钻石会员。为加强对用户的转化引导，F 欲针对不同用户群体采用不同的运营方式。

图1 普通会员与钻石会员的漏斗转化情况对比

通过对比，可明显看出，普通会员从“提交订单”到“支付订单”的转化率明显低于钻石会员。为找到“支付订单”阶段转化率变低的原因，F公司运营人员应深度分析普通会员转化率情况，如对比不同付费渠道（PC 端、手机端等）的转化情况，找到优化的短板。另外，可以尝试支付订单流程的新手引导，帮助新手顺利完成购买。

场景二：零售行业——中商惠民科学评估站内推广位的效果

首页推广位的效果监控是站内运营重要一环，数据的监测与分析是重要工作，它为站内优化、页面体验提升作出指导。运营人员可以通过用户的点击转化率与购买转化率可以判断页面不同推广位置效果。下图是中商惠民首页推广位“一元促销”、“清洁专场”两个Banner转化率情况对比。（注：为涉嫌商业机密，以下场景模拟真实应用场景而设，数据均为虚拟。）

图2 “一元促销”、“清洁专场”两个Banner转化率情况对比

除此之外，漏斗分析模型已经广泛应用于各行业的数据分析工作中，用以评估总体转化率、各个环节的转化率，以科学评估促销专题活动效果等，通过与其他数据分析模型结合进行深度用户行为分析，从而找到用户流失的原因，以提升用户量、活跃度、留存率，并提升数据分析与决策的科学性等。

关于神策数据

神策数据（https://sensorsdata），一家专业的大数据分析服务公司，致力于帮助客户实现数据驱动。公司推出深度用户行为分析产品神策分析（Sensors Analytics），支持私有化部署、基础数据采集与建模，并作为PaaS平台支持二次开发。此外，还提供大数据相关咨询和完整解决方案。目前已赢得中国银联、聚美优品、百联、中邮消费金融、广发证券、参考消息、中商惠民、米其林、趣店、融360、纷享销客、共享单车、秒拍、36氪等众多行业领先企业认可。希望更深入了解神策数据或有数据驱动相关问题咨询，请咨询4006509827，由专业的工作人员为您解答。

作者：乔一鸭，神策数据运营一枚。

不知从什么时候起，生活成了眼前的“苟且”，而求之不得的，统统成了“诗和远方”。近几年，扎堆的诗词、汉字等语言类文化节目不断涌现，一方面，此类节目能够以小见大地展现中华文化的博大精深，另一方面，却是同质化节目太多引发观众审美疲软的现状，那么，如何进一步探寻进阶新时代的途径，多元化的创意与表现形式的突破显然成为关键点。

于9月14日起每周五晚21：15在深圳卫视推出的大型原创文博推理秀《诗意中国》做出了有益尝试，该节目跳出文化类节目单一输出模式，以“文博推理”的形式为主线，通过对“诗意”背后的生活哲学和美学精神传承进行深度挖掘，以贴近当代大众生活的形式揭示“诗意”内涵，并产生了意想不到的节目效果。那么，究竟《诗意中国》表现如何，让我们从酷云大数据里一探究竟。

诗意生活融入推理元素，收视环比提升显著

作为一档大型原创文博推理秀，《诗意中国》以文化的内核、综艺的外壳、推理的形式，开创文化综艺新局面。节目中，探寻者将从亲身感悟的诗意生活出发，引入当期节目主题，结合现场还原的古人生活场景，对主题关键字进行层层剖析，有效提升了节目的可看性、趣味性和参与性。该节目自开播以来表现不俗，第1期至第5期各项收视指标环比提升显著，其中，直播关注度增幅2.3%、市占率增幅11.1%、忠诚度增幅5.8%，用户整体收视深度不断提升；相比被接档综艺，《诗意中国》综合表现抢眼，到达率环比提升12.80%、留存率环比提升8.74%；同时，节目别出心裁的创新互动推理形式吸引用户广泛触达，同档期文化类综艺到达率高居第二；此外，《诗意中国》受众覆盖范围广泛，东部及南部地区直播关注度突出，其中，华南地区尽显本地优势。

受众定位精准，内容与观众偏好完美契合

在切入视角方面，《诗意中国》另辟蹊径，以普通生活为载体，从细节入手，在浩荡文化历史长河中精选独具代表性的选题，如“食、茶、乐、书、居”，通过每期与国人息息相关的主题，直观呈现诗意中国。节目别具一格的表现形式和极强的教育属性备受年轻家长欢迎，其中，以高知高收女性偏好最为突出，受众主要聚焦于偏爱阅读古代历史小说，喜欢书法、国画的用户，此外，该节目强势吸引业余生活多彩的观众；而在节目播出后，微博上更有身为网友家长们评论称：“这是一档愿意让孩子花时间来看的节目，可以学到很多知识。”而《诗意中国》并非只收获了这些“家长粉”，靠着严谨的内容和愉悦的观看体验，《诗意中国》正向周五晚“合家欢” 文化节目迈进。

匠心巨制斩获观众一致好评，热门话题持续升温

《诗意中国》保持了传统文化类节目答题、场景还原等元素的同时，还开设了“诗意生活”互动话题，截取节目中的经典典故，让观众更好的了解并参与分享生活中无处不在的诗意，实现场内场外全民互动。正因这新颖的节目互动模式，截至2018年10月18日，#诗意中国#微博相关话题阅读量近1.5亿，同时，《诗意中国》于爱奇艺网络独播，上线五期平均热度显示位列同档台、网文化类节目第一；此外，凭借传统文化融入推理元素的创新模式，该节目在豆瓣上亦收获观众好评连连，评分高达8.2分，更有网友点赞节目：“用最烧脑的推理形式玩转一场智商博弈！“ “开创了文化节目的新时代“ “最新颖的综艺外衣包裹着的是五千年不熄的中国诗意”。而随着节目形式的不断推陈出新，百度搜索指数激增后趋于平稳，同档期传统文化类综艺微博相关话题讨论量稳居榜首，热门讨论持续升温。

古往今来，人们对生活美学的追寻经历了漫长的创造历程，才形成了现今文化底蕴浓厚的人文生活美学，而《诗意中国》正是通过灵活的展现形式梳理文明脉络，以呼唤诗意生活为主题，着眼于生活细节，展现国人独有的生存方式和生活哲学，让众人感受到身边日常生活中的美好诗意。一首诗一种心情，一个人一处风景，敬请锁定深圳卫视每周五晚21：15《诗意中国》——让“诗“从此不再是远方。

pro.eye.kuyun

酷云EYE Pro跨界传媒大数据平台

上万种商品和品牌消费指标

百个维度用户肖像指标

全网用户搜索及社交数据

酷云TV Ad电视精准广告

高ROI，卫视独家资源，效果可监测

扫描二维码关注酷云互动

网址kuyun