人工智能的影响越来越大，对于想要借助人工智能提升企业效益的管理者来说，需要对人工智能技术去粗取精。

德勤最新关于“人工智能提升企业效能和效率”的报告认为，人工智能技术并没有想象中的那般具有立竿见影的魔力，它并不能帮助企业迅速转型成为行业领军者。想要引用人工智能提升企业效益，企业领导者首先要了解人工智能在产业的应用情况究竟如何。

德勤调查发现，几乎所有的行业都已引进人工智能技术，但科技、传媒和电信行业（以下简称TMT）企业采用人工智能型应用的理由更为令人信服。

尽管每家公司都有海量数据要处理，但科技公司利用人工智能处理数据的需求更为迫切。传媒企业面临传统业务模式衰退，新销售渠道激增的局面，引用人工智能技术分析深度了解用户内容需求成为必需。电信企业则需要面对随时都可能更换供应商的客户，人工智能能帮助企业找到吸引客户和减少客户流失的办法，同时为企业搭建和管理新型电信网络提供技术支持。

据统计，25%的TMT企业在人工智能方面的投入不低于1000万美元，而其他行业的比例仅为7%。约41%的TMT企业至少展开了六项人工智能试点项目，而其他行业只有32%。40%的行业已开展至少六项全面的人工智能应用项目，其他行业仅为28%。

在人工智能的帮助下，部门TMT企业已取得了不错的收益。报告显示，在受访的TMT企业高管中，有40%表示他们已经从人工智能技术中获得可观效益，其他行业企业中只有26%的高管持类似观点。

TMT企业运用人工智能技术的领先经验，值得各行业企业领导者的关注。德勤研究团队总结，目前TMT企业主要通过人工智能转变自身工作方式、决策方式和与客户互动方式，来提升企业效益。

戴尔、纽约时报：人工智能可以自动处理公司后台数据

企业常常会累积大量的发票，不同货币单位的销售数据，以及不同行业用户的运营方案，这一系列企业后台业务端累积的大量资料，需要被持续快速地处理。人工智能能够协助企业实现后端业务流程自动化，降低人力和时间成本，让员工腾出更多时间从事增值类的分析工作。

戴尔为了提高财务工作效率，联合德勤在八周内开发出了一套相当于三个全职员工工作效率的机器人流程自动化系统。该系统以敏捷（Agile）软件技术为基础，持续向每个项目的合作方反馈项目进度，通过简化账目结算流程，减少了完成账目结算的所需时间。戴尔以这套人工智能流程为模版，逐渐为其他需要制定相关报表的部门开发了自动化系统，有效地提升了企业后台效率。

传媒企业的运营部门对日益增长的用户“爱恨交加”。他们一方面鼓励用户对内容产品发表评论，另一方面又对持续增加的评论头痛不已。此前，《纽约时报》雇佣了14名评论管理员，但每人每天最多只能处理12000条评论。为了提高评论处理效率，《纽约时报》引进了谷歌开发的机器学习工具——Jigsaw。Jigsaw在减少信息筛选时间的同时，还对有潜在风险的评论进行了标记，既提升了新闻报道的评论的显示数量和显示效率，同时也规避了违背报纸宗旨的论出现。

亚马逊、迪士尼：人工智能分析客户数据辅助业务决策

洞察商业价值，需要利用从实际工作、业务报告、供应链、社交媒体和物联网传感器等方面收集的数据。面对海量数据，很多企业只能做到有效存储，很少能够有效利用。人工智能不仅能有效管理数据，还能通过数据生成有商业价值的洞察，帮助企业敏捷决策。

AWS云服务已成为科技公司亚马逊的核心业务，面对云平台的海量物流信息，亚马逊应用机器学习技术跟踪订单过程，保证企业在“及时回应用户需求”等重要流程中不缺位。同时，人工智能系统可以在不需要实时跟踪订单的时间段自动休息，节约运算资源，也有效避免了需求飙升时出现人力和算力不足的情况。亚马逊的机器学习系统，就是通过对海量数据的精准分析，在不同业务流程实时做出合理决策。

很多电影公司也开始引进人工智能辅助决策。迪士尼开发了分解式变量自动编码系统，该系统通过深度学习和面部扫描实时捕捉观众的表情，分析电影观众在不同剧情时段的反应，为之后电影项目策划和创作提供了更为精确的用户数据。

提前预测客户需求，为客户提供打包的服务方案，是电信公司的愿景。对电信客服来说，接到客户电话第一时间找出相关信息解决客户问题十分重要。美国Verzon公司开发了高性能分析和决策引擎，通过持续监测大量非结构化的数据，该引擎能够分析出数据间的相互关系，帮助Verzon了解客户意图，提前预测解决方案，甚至解决客户没有意识到的问题。

Netflix、eBay：人工智能可以与客户亲密互动

在社交媒体下成长起来的客户，很擅长使用各种工具向商家反馈自己的需求。很多企业开始引进人工智能技术开发聊天机器人等客户回应系统，如Apple Siri，Google Home，和Amazon Echo。这类系统，不仅可以识别文字，还能识别语音，通过对企业自有的客户资料数据库分析，智能机器人可以在客户提问时提供有效的答案。

Ticketbis是eBay旗下的在线二手交易平台，消费者可以此平台出售他们持有的体育、文娱等活动的门票。随着网站使用率的增长，网站客户支持捉襟见钟。于是Ticketbis与Inbenta合作，引进聊天机器人自助服务功能，协助应对客户提问。淘宝客服和微信公众号，也相继开发了各种自动响应程序，有效地提升了客服效率，节省了人力成本。

Netflix一直在思考如何更好地满足客户观看需求。2009年，Netflix通过众包比赛，引进企业外部程序员的经验，找到了有效的内容推荐算法，率先开发了新型“推荐引擎”。近期又利用新一代机器学习技术，进一步完善了推荐算法。精心设计的推荐引擎，为Netflix带来显著的商业价值。德勤统计，这项技术帮助Netflix降低了客户流失率，使其年收入增加了约10亿美元。

电信服务商几乎每天都会接到大量的问询电话，高强度的工作，客服人员常常会有倦怠情绪。而人工智能聊天机器人不仅不会有不耐烦情绪，还能迅速解决客户的问题。Vodafone开发的聊天机器人TOBi，通过对客户语音进行记录分析，可在客户下一次拨入电话时自动验证客户身份，实现精准服务。同时Vodafone还在不断拓展聊天机器人的知识库，使机器人能够深入学习一些技术含量更高的知识，回答客户提出的复杂问题。

尽管人工智能技术服务产业尚处初级阶段，但Facebook、谷歌、亚马逊和微软等科技巨头在人工智能领域的布局已遥遥领先。他们不仅将人工智能技术融入其产品和面向客户的业务，还投入了数十亿美元收购人工智能企业，完善自身产业版图。

德勤认为，面对技巨头的跨界布局，各行业企业都需要全力冲刺迎头赶上，用人工智能技术提高企业管理水平。

报告强调，引进人工智能技术，并不意味着要引进深度学习专家团队，让企业转型成为人工智能企业。更重要的是，每家企业需要有团队了解人工智能专业知识，帮助企业领导者和员工共同学习，了解人工智能在本行业与相关行业运用的最新动态，保证企业与业内发展保持同步。

随着大数据概念的火热，数据科学家这一职位应时而出，那么成为数据科学家要满足什么条件？或许我们可以从国外的数据科学家面试问题中得到一些参考，下面是77个关于数据分析或者数据科学家招聘的时候会常会的几个问题，供各位参考。

1、你处理过的最大的数据量？你是如何处理他们的？处理的结果。

2、告诉我二个分析或者计算机科学相关项目？你是如何对其结果进行衡量的？

3、什么是：提升值、关键绩效指标、强壮性、模型按合度、实验设计、2/8原则？

4、什么是：协同过滤、n-grams,mapreduce、余弦距离？

5、如何让一个网络爬虫速度更快、抽取更好的信息以及更好总结数据从而得到一干净的数据库？

6、如何设计一个解决抄袭的方案？

7、如何检验一个个人支付账户都多个人使用？

8、点击流数据应该是实时处理？为什么？哪部分应该实时处理？

9、你认为哪个更好：是好的数据还是好模型？同时你是如何定义“好”？存在所有情况下通用的模型吗？有你没有知道一些模型的定义并不是那么好？

10、什么是概率合并（AKA模糊融合）？使用SQL处理还是其它语言方便？对于处理半结构化的数据你会选择使用哪种语言？

11、你是如何处理缺少数据的？你推荐使用什么样的处理技术？

12、你最喜欢的编程语言是什么？为什么？

13、对于你喜欢的统计软件告诉你喜欢的与不喜欢的3个理由。

14、SAS,R,Python,Perl语言的区别是？

15、什么是大数据的诅咒？

16、你参与过数据库与数据模型的设计吗？

17、你是否参与过仪表盘的设计及指标选择？你对于商业智能和报表工具有什么想法？

18、你喜欢TD数据库的什么特征？

19、如何你打算发100万的营销活动邮件。你怎么去优化发送？你怎么优化反应率？能把这二个优化份开吗？

20、如果有几个客户查询ORACLE数据库的效率很低。为什么？你做什么可以提高速度10倍以上，同时可以更好处理大数量输出？

21、如何把非结构化的数据转换成结构化的数据？这是否真的有必要做这样的转换？把数据存成平面文本文件是否比存成关系数据库更好？

22、什么是哈希表碰撞攻击？怎么避免？发生的频率是多少？

23、如何判别mapreduce过程有好的负载均衡？什么是负载均衡？

24、请举例说明mapreduce是如何工作的？在什么应用场景下工作的很好？云的安全问题有哪些？

25、（在内存满足的情况下）你认为是100个小的哈希表好还是一个大的哈希表，对于内在或者运行速度来说？对于数据库分析的评价？

26、为什么朴素贝叶斯差？你如何使用朴素贝叶斯来改进爬虫检验算法？

27、你处理过白名单吗？主要的规则？（在欺诈或者爬行检验的情况下）

28、什么是星型模型？什么是查询表？

29、你可以使用excel建立逻辑回归模型吗？如何可以，说明一下建立过程？

30、在SQL,Perl,C++,Python等编程过程上，待为了提升速度优化过相关代码或者算法吗？如何及提升多少？

31、使用5天完成90%的精度的解决方案还是花10天完成100%的精度的解决方案？取决于什么内容？

32、定义：QA（质量保障）、六西格玛、实验设计。好的与坏的实验设计能否举个案例？

33、普通线性回归模型的缺陷是什么？你知道的其它回归模型吗？

34、你认为叶数小于50的决策树是否比大的好？为什么？

35、保险精算是否是统计学的一个分支？如果不是，为何如何？

36、给出一个不符合高斯分布与不符合对数正态分布的数据案例。给出一个分布非常混乱的数案例。

37、为什么说均方误差不是一个衡量模型的好指标？你建议用哪个指标替代？

38、你如何证明你带来的算法改进是真的有效的与不做任何改变相比？你对A/B测试熟吗？

39、什么是敏感性分析？拥有更低的敏感性（也就是说更好的强壮性）和低的预测能力还是正好相反好？你如何使用交叉验证？你对于在数据集中插入噪声数据从而来检验模型的敏感性的想法如何看？

40、对于一下逻辑回归、决策树、神经网络。在过去15年中这些技术做了哪些大的改进？

41、除了主成分分析外你还使用其它数据降维技术吗？你怎么想逐步回归？你熟悉的逐步回归技术有哪些？什么时候完整的数据要比降维的数据或者样本好？

42、你如何建议一个非参数置信区间？

43、你熟悉极值理论、蒙特卡罗逻辑或者其它数理统计方法以正确的评估一个稀疏事件的发生概率？

44、什么是归因分析？如何识别归因与相关系数？举例。

45、如何定义与衡量一个指标的预测能力？

46、如何为欺诈检验得分技术发现最好的规则集？你如何处理规则冗余、规则发现和二者的本质问题？一个规则集的近似解决方案是否可行？如何寻找一个可行的近似方案？你如何决定这个解决方案足够好从而可以停止寻找另一个更好的？

47、如何创建一个关键字分类？

48、什么是僵尸网络？如何进行检测？

49、你有使用过API接口的经验吗？什么样的API？是谷歌还是亚马逊还是软件即时服务？

50、什么时候自己编号代码比使用数据科学者开发好的软件包更好？

51、可视化使用什么工具？在作图方面，你如何评价Tableau?R?SAS?在一个图中有效展现五个维度？

52、什么是概念验证？

53、你主要与什么样的客户共事：内部、外部、销售部门/财务部门/市场部门/IT部门的人？有咨询经验吗？与供应商打过交道，包括供应商选择与测试。

54、你熟悉软件生命周期吗？及IT项目的生命周期，从收入需求到项目维护？

55、什么是cron任务？

56、你是一个独身的编码人员？还是一个开发人员？或者是一个设计人员？

57、是假阳性好还是假阴性好？

58、你熟悉价格优化、价格弹性、存货管理、竞争智能吗？分别给案例。

59、Zillow’s算法是如何工作的？

60、如何检验为了不好的目的还进行的虚假评论或者虚假的FB帐户？

61、你如何创建一个新的匿名数字帐户？

62、你有没有想过自己创业？是什么样的想法？

63、你认为帐号与密码输入的登录框会消失吗？它将会被什么替代？

64、你用过时间序列模型吗？时滞的相关性？相关图？光谱分析？信号处理与过滤技术？在什么样的场景下？

65、哪位数据科学有你最佩服？从哪开始？

66、你是怎么开始对数据科学感兴趣的？

67、什么是效率曲线？他们的缺陷是什么，你如何克服这些缺陷？

68、什么是推荐引擎？它是如何工作的？

69、什么是精密测试？如何及什么时候模拟可以帮忙我们不使用精密测试？

70、你认为怎么才能成为一个好的数据科学家？

71、你认为数据科学家是一个艺术家还是科学家？

72、什么是一个好的、快速的聚类算法的的计算复杂度？什么好的聚类算法？你怎么决定一个聚类的聚数？

73、给出一些在数据科学中“最佳实践的案例”。

74、什么让一个图形使人产生误解、很难去读懂或者解释？一个有用的图形的特征？

75、你知道使用在统计或者计算科学中的“经验法则”吗？或者在商业分析中。

76、你觉得下一个20年最好的5个预测方法是？

77、你怎么马上就知道在一篇文章中（比如报纸）发表的统计数字是错误，或者是用作支撑作者的论点，而不是仅仅在罗列某个事物的信息？例如，对于每月官方定期在媒体公开发布的失业统计数据，你有什么感想？怎样可以让这些数据更加准确？

End.

亚马逊站内SEO优化最重要的一点就是关键词分析，当然卖家可以通过购买亚马逊站内广告或者店铺线下促销的方式给亚马逊网店引流，不过最优质的流量还是来自于站内的搜索词，如果能撬动亚马逊站内的SEO流量就再好不过了。

AmazonSEO策略

关键词研究是最重要的一环。在开始SEO优化之前，得先摸排清楚用户在搜什么，你的产品名称中也需要覆盖这类词才有机会排名靠前。关键点就是相关性，其实搜索量高低并不重要的，重要的是这个词是不是能带来转化。确认好关键词之后，下一步的工作就是合理地部署在产品标题、描述、卖点、后台设置之中。

SEO循环优化的流程

优化过商品后并不代表SEO工作已经结束。需要去密切分析调整后流量和销量的变化，来确认之前改动的效果，然后进行对应的调整，例如添加更多关键词或者修改成相关性更强的关键词。

常常会发生这样的事，你觉得很优质的关键词，但是用户并没有转化，反而带来转化的是你没想到的关键词，因此需要持续关注转化数据，确保SEO优化是在正确的方向下。

亚马逊的A9搜索算法简介

A9是亚马逊的专利搜索算法，目的是帮助用户找到最合适的产品以及最佳的价格，以促进用户的转化，来提高亚马逊的总营收。A9算法的核心在于，对于有转化的商品给予激励，而不是关键词密度最高的商品

A9算法中，决定商品排名的因素包括：产品评论的数量和质量，物流方式，产品价格等等，但是这些因素其实最终影响的还是转化。如果一个特定关键词下某个产品的转化越好，该产品在亚马逊类的搜索排名也会越高。同时亚马逊也会给有着亚马逊Choice Badge标签的产品更高的排名，即使这款产品销量不是最高。

亚马逊SEO关键词分析

上文已经提到，亚马逊SEO的关键词分析工作非常重要，但是工欲善其事必先利其器，找到合适的工具很重要。下面列出一些付费和免费的关键词挖掘工具，当然，没有工具能提供百分百准确的数据，但是至少可以看出关键词之间搜索量相对的高低。基于不同平台（Google，Amazon）的关键词挖掘工具的数据差异也会相当之大。

SEMrush

Semrush可以扩展相关词并导出到本地的CSV文件，如下：

之后在Excel里面可以按关键词搜索量，点击成本进行分组，来进行下一步的分析工作。

使用亚马逊下拉框挖掘关键词

除了SEMRUSH，亚马逊的搜索下拉框也是个极好的工具。输入关键词，会给出亚马逊站内相关性较高的其他搜索词，也可以补充到上面的词表里。

Google Keyword Planner 挖词工具

Google Keyword Planner是Adwords后台自带的关键词工具，注意，亚马逊的卖家也可以优化店铺和商品在Google上的排名，为店铺引入更多优质免费流量。

浏览器插件 Scope

Scope是专门为亚马逊SEO优化开发的差距，基本版免费，付费可解锁更多功能，这个插件的优势在于能获得亚马逊搜索词精确的搜索量。

Amazon站内广告投放报表

对于已经开始在亚马逊站内投放广告的商家而言，可以使用广泛匹配模式投放，然后从后台 报表-广告报表-搜索关键词报告里导出用户的搜索词，加入到词库内。

亚马逊标题优化

在页面内布局关键词的位置很多，但是标题是最有价值的地方。标题优化的目标是在不违反亚马逊规范的前提下，嵌入合理相关的关键词。

基本上标题长度在50-100个字符之间，一般而言需要包括品牌名，产品名，卖点，参数（尺码，颜色，款式）等等信息。需要注意的是，与其想大而全，不如少而精，数据显示，Top 2-3个关键词能带来绝大部分的销售额，所以把资源放在相关性最高的关键词上。

下面的标题公式不妨参考一下

[品牌] + [卖点] + [材质] + [成分] + [产品类型] + [型号名称] + [尺寸] + [包装数量] + [颜色] + [特色]

标题至少需要嵌入1-2个搜索词，有时会出现关键词重合的现象，需要仔细考虑展现方式，避免违反亚马逊的规则。

亚马逊搜索词优化

目前亚马逊允许在搜索词最长可设置250个字符。所以可以把之前关键词分析得出的优质关键词，并且标题里没有使过的词，填到搜索词里面。另外请勿重复关键词，或者使用-ing ，-ed，-es，-etc这些后缀，我的建议是用小写格式即可。

其实很多卖家都忽视了搜索词的设置，我认识的50个专业卖家，其中只有一个卖家正确设置了搜索词，所以花点心思和资源在搜索词优化肯定是物有所值的。

亚马逊产品Feature优化

在产品卖点里加入2-3个关键词也是不错的做法，亚马逊的A9算法也会把产品卖点里的关键词考虑在内，不过每个产品卖点里添加一个关键词就足够啦。同时卖点里加入关键词，也有助于提升转化率，因为用户能够明确这个产品是不是符合他的需求。

亚马逊产品描述优化

最后一块可优化的区域就是产品描述部分，亚马逊目前有两块描述区域：常规产品描述和品牌内容，不过A9目前只看常规产品描述的内容，所以优先优化常规描述，不过Google会同时收录这两块内容，所以在品牌内容里面添加关键词也是有益处的。

亚马逊SEO优化小结

其实回顾本文可以发现，亚马逊SEO优化的要点在于循环优化，不断地修改测试再完善，而且做好优化不仅利于亚马逊站内的引流，也能提升来自Google的流量呢。

这是一个数字化的时代，数字已经融入了我们生活的方方面面。

早晨上班，开车的要看看早高峰交通流量图，坐地铁也能看到每天人流量的柱状图显示；

到了公司，领导找你要本月的KPI完成情况，销售部门需要上个季度的统计报表；

中午吃饭，你打开订餐APP，看看外卖小哥的运行轨迹，系统也会智能计算你的用餐时间；

即便是晚上回到家里，你还要刷刷朋友圈，看看今天的微信运动中是不是能够名列前茅；

……

应该说，数字成为了我们生活的一部分，这也是为什么近几年来“大数据”这个概念能够变得这么火。数字能够告诉你张三这周点了几次鱼香肉丝盖饭、李四用了多少次共享单车、王二麻子又有几次迟到早退……

但是从单纯的数字到看得见的商业机会，这其中还有不少的路要走，如何采集、分析并使用这些数据则成为了许多商家或厂商应用中的难题。不过别担心，著名分析公司Gartner最新一期的数据分析解决方案相关报告就给出了相关的参考方案。

与之前我们看到的许多大数据分析报告不同，这次Gartner发布的名为“Magic Quadrant for DataManagement Solutions for Analytics”，它主要侧重于数据管理，处理和分析的各类解决方案，包括传统的数据仓库以及新的云上大数据解决方案，主要偏重分析型解决方案(AP)而不是交易型(TP)。

换句话说，这份报告就是来告诉你如何把张三、李四、王二麻子变成你的潜在消费客户，让他们能够心甘情愿的掏钱给你。当然，我们这里谈的并非是魔术、也不是妖术，而是实实在在的IT解决方案。通过采用这些厂商提供的IT解决方案，能够帮助你在复杂的数据中剥茧抽丝，找到最正确的那把钥匙。

在最新的2017年报告当中，一个突出的变化就是强调基于云的解决方案。报告提出，传统的数仓应用虽然还很普遍，但是已经在下滑。逻辑数仓(LDW, Logical Data Warehouse) 已经崛起。

与2016年相比，2017年的报告特意强调了分析处理能力不限于关系数据库(SQL)，还包括非关系数据库(NoSQL, Graph Processing)，机器学习等等。数据存储方式也更广泛，而不限于关系数据。”graph”型数据被不止一次的提到，新提到的数据类型还包括Document, key-value,object, streaming等等.

多说无益，我们还是来看看2016-2017年行业的发展变化：

2017年四象限图

2016年四象限图

和我们之前看过的其他魔力四象限一样，本次的Gartner统计还是基于四个部分：领导者、挑战者、远见者和特定领域者。我们先来分别看看这四个部分的变化

领导者象限——从2016到2017，这个象限的表现非常稳定，原有的5大厂商全部保留。唯一质的变化是亚马逊跃入了领导者象限，这一方面是新的象限更看重云解决方案，但另一方面也说明AWS在云计算领域不可动摇的霸主地位。

虽然原有的5家企业依然上榜，但是在细节方面，SAP和IBM都有明显的退步，微软却已经挤入前三，这说明早早转型云计算的微软还是有继续上升的空间，而SAP和IBM的日子并不太好过。

挑战者象限——这个象限的企业虽然只有4家，但是除了HPE都不是2016年的上榜品牌。在这些新上榜的玩家中，谷歌的名字非常扎眼。能够在第一次进入报告就取得如此的好成绩，看来业界对于谷歌非常看好，也侧面说明了云计算已经大行其道。

对于另外两家，MemSQL和Cloudera从远见者象限移来了挑战者象限，可谓是实现了一步巨大的跨越。而相对来说，另外三家原2016报告中的厂家，MarkLogic从挑战者象限移出到了远见者象限；1010data跌出了挑战者象限到了特定领域者象限；Infobright没有进入2017年的报告，很可惜。

远见者象限——本次变化中最冷清的象限，正好应了那句话“十年河东，十年河西”。去年这个时候，该区域好象是春运时候的火车，而如今从挑战者象限移来的MarkLogic一家之外，其他大部分都被降级到特定领域者象限，包括Hortonworks、MapR、Transwarp、Pivotal等等，

特定领域者象限——这个象限成为了2017年的“沙丁鱼罐头”，有多达九家企业身在其中。与此同时，本象限也是剧烈变化的象限。原2016报告中的厂商大多没有进入2017年报告，消失的包括Hitachi、Kognito、Actian、xasel，仅剩MongoDB一家。

除了刚刚我们提到的诸如1010data、MapR、Hortonworks、Transwarp、Pivotal等降级来的企业之外，还有三家新厂商出现：华为、EnterpriseDB和Snowflake。

总体看来，2017年的象限图给人的基本印象是从2016年整体向右平移。就好比人生路上——逆水行舟，不进则退。大部分的厂商原地踏步，没有跟上移动的步伐，导致或者被左移了，或者被降级了，或者退出了报告。除了继续保持优势的头3家（Oracle, Teradata, Microsoft）和势头正猛的谷歌和AWS之外，我们更应该关注新上榜的企业，特别是来自中国的企业——华为。

在Gartner的调查中，对华为的创新能力、用户忠诚度和市场表现都给予了非常正面的评价，这也是华为能够跻身于特定领域者象限的一个重要原因。但因为华为多年来一直专注于ICT业务，对于DMSA市场（DataManagement Solutions for Analytics）的优势还没有完全展现出来，所以在这次的评选中还处于特定领域者阶段。

正如我们前面提到的，本次的DMSA市场报告一方面侧重于数据的分析，另一方面侧重于云与大数据的结合，所以集大数据与云服务于一体的FusionInsight解决方案恰恰满足了报告的要求，进而也为用户提供了全新的解决思路与解决方案。

华为FusionInsight是华为面向众多行业客户推出的，集 Hadoop 生态发行版、大规模并行处理数据库、大数据云服务于一体的融合数据分析与服务平台。它能够帮助企业快速构建海量数据信息处理系统，通过对企业内部和外部的巨量信息数据实时与非实时的分析挖掘，发现全新价值点和企业商机。

从功能与特性来说，华为FusionInsight大数据平台由4个子产品与大数据云服务解决方案组成，它们分别是FusionInsight HD、FusionInsight MPPDB、FusionInsight Miner和FusionInsight Farmer，以及大数据云服务解决方案。

如今，华为FusionInsight解决方案已经广泛应用于中国、泰国、菲律宾、英国、巴西等三十多个国家和地区，拥有700多个客户，行业遍布金融、电信运营商、政府、交通、教育、气象、医疗、电力、石油、制造等多个领域。

从小到大，从弱到强，从点到面最终连成片，华为FusionInsight大数据平台的成功得益于华为“源于开源，高于开源，回馈开源”的理念，也符合华为聚焦做平台、做接口的方针，让上层的合作伙伴能够基于华为的大数据平台，开发出丰富的业务，为客户和社会创造更多的价值。

正如Gartner报告所预测的那样，没有云计算或者不关心云计算的企业都面临着淘汰。与此同时，Gartner也更看好华为这样的新型企业——虽然华为在本届象限中第一次入围，但随着华为在ICT的优势快速转化到FusionInsight产品上，以及在全球范围内的业务展开，影响力的增加，明年华为的排名会更加靠前、更加具备代表性。

亚马逊已经进入了全新的数据化精细运营时代，从选品、搜索到下单，每一个行为背后都是缜密的数据报表。谁能够更深一层挖掘数据、更加精准的分析数据，谁就能够信心十足地霸占市场领导者的地位。下面将向大家介绍亚马逊的一项隐秘功能ARA，让你看到任何一个订单背后的秘密！

一、什么是亚马逊ARA?

Amazon ARA的全称是Amazon Retail Analytics Premium，翻译成中文的意思是：亚马逊高级零售分析功能。

由于这项功能提供的数据分析能够非常完备，功能极强，所以亚马逊为这项功能的用户设置了较高的门槛，大家看一看便知道了：

* 必须为Amazon Vendor卖家

* 年使用费为3万美金(约合20多万人民币)

如果你是Vendor账户，同时有财力负担得起这一年20多万的费用，你可以提交Case给Vendor Support，申请开通ARA Premium功能，方法如下：（可以详询VX40062776）

一旦开通这项功能之后，你便可以在你的Vendor后台，Reports里面看到Amazon Retail Analytics Premium了。

二、如何用ARA深度挖掘数据?

如果你觉得以上说的比较笼统，那现在，就带着大家逐条分析一下ARA Premium的强大数据分析功能吧！

ARA强大功能1：产品开发及跟踪分析

* 通过同类别产品标题比较自己产品开发的独特性、关注度、转化率，以判断产品开发是否符合市场需求;

* 用自己产品和任何其他产品按照售前、订单、近期数据进行比较分析，查看自己产品的销售表现;

ARA强大功能2：产品类别数据分析

* 抓取统一类别下的销售前100产品

* 查看同类别下其他Vendors的销售表现

* 分析同一类别中最具独特性的产品标题

* 根据过往热销品抓去最具潜力的同品类新品

* 查看销售上升最快的产品品类

ARA强大功能3：搜索条件(Search Term)深度分析

包括：

* 任何类别、任何亚马逊市场中搜索量最大的前100个搜索条件(Search Term);

* 提供客户购买时使用最多的关键词

* 提供转化率飙升的最新关键词

* 按照时间、地点分析关键词

* 根据以上条件更深推荐适合你产品的关键词

* 识别同一搜索条件下的竞争对手和产品

ARA强大功能4：销售表现分析

* 按时间和地理位置分析你自己的订单和客户行为

* 分析你自己任何正在做广告促销的产品

* 分析亚马逊市场中任何产品的销售数据

* 查看哪些产品带动了其他产品销售

ARA强大功能5: 消费者行为分析

* 页面访问和转化数据分析

* 按时间分析访问量和转化率

* 按具体地理位置分析客户所在地(精确到邮编)

* 根据地理位置分析广告和促销效果

ARA强大功能6: 竞争分析

* 把自己产品与同类别下的其他产品进行比较

* 把自己产品所在类别与其他类别进行比较

* 把自己的产品按类别、时间、展示量与竞争对手进行比较

ARA强大功能7: 产品评价(Review)分析

* 查看任何产品从上架第一天到现在获得Review的数量、时间、星级;

* 用自己的产品Review与之进行比较;

ARA强大功能8: 关联销售分析

* 按标题分析客户同时关注的其它产品

* 按购物车分析客户同时购买的其它产品

* 按客户搜索路径查看其它带来销量的产品

现在市场上有不少人在售卖ARA数据，其实对于卖家来选品、打造关键词都有很大的帮助。

亚马逊现存工具软件的列举与探讨是一个专题系列，至今已经是第三篇。这一篇为大家介绍下来自研究亚马逊的鼻祖级别论坛——索诺论坛出品的SurTime。

前两篇的三款软件的介绍反馈还是不错的，收藏转发量蛮高，当然也有吐槽的，我们也注意到了，赞许也好吐槽也罢都是用户体验的一种反馈。

我们做这一个专题就是希望后亚马逊时代的你能够精准把握到底你适合哪一款软件，当你需要的时候正好有所选择与取舍！

关于SurTime

取名的本义就是save your time，我们认为软件的意义在于帮助卖家节省工作时间，提升工作效率，把非核心的工作，把可以程序化实现的工作都用软件来实现，从而达到节省时间+人工的目的，对于卖家来说这也是一个比较大的利益空间，多出来的时间用于开发产品，用于挖掘产品线，做好售后服务等。

索诺与SurTime有毛线关系？

索诺作为最早的国内亚马逊论坛，接触过无数的卖家，无论对亚马逊的了解程度，对亚马逊系统的认知，特点以及对卖家的问题+痛点都非常了解。

“我们希望做出来一种涵盖所有功能需求的软件合集；我们希望做到的是作为一个卖家，无论是什么样的卖家，surtime的系列软件都有一款适合你。”索诺创始人。而surtime工具箱只是整个规划中第一个面试的辅助工具，后续还会陆续上其他功能的软件。

团队组成：技术+用户需求搜集

思态提供的软件的开发技术团队。

索诺提供的是亚马逊功能需求收集以及对应的亚马逊技术支持。

共同组建一个全新的客服团队，负责软件的售后，以及付费用户的亚马逊运营问题。你要知道目前市场上能够做到这个几乎没有。很多都是只注重前者，而忽略后者。 但是二者兼顾，才是真正的用户体验。好的服务本质也应该是这样的。

软件功能

使用方面

目前涵盖数十种功能，也从原先的试用三天调整为免费试用，但是免费试用限制了部分功能的权限；付费用户拥有“全功能使用权限+不限制数量”。

软件是亚马逊的“MWS服务+API服务”，这个软件的所有数据都是亚马逊提供的。也就是说一般卖家是无法获取到的数据，也不是随便猜测估算出来的数据，都是实时反馈的，数据精准了，结果才精准，才具有实际的参考价值。

功能方面

其中介绍一下几个对卖家吸引力比较大的功能：

1、整店数据采集+商品信息分析(重点)

当你想分析你的竞争对手整个店铺的产品和数据的时候，这个功能可以最快实现。不需要你在一页页翻对方的店铺产品，一个个去分析。

这个直接报表展示目标店铺的全部产品数据，如果结合亚马逊的跟卖表格也可以用于快速跟卖。也可以优化自己的销售策略。知己知彼百战不殆！

2、实时获取购物车详情(次重点)

快速了解“购物车+购物车价格归属”，对于那些一个个翻产品页面再去改价格抢购物车的耗时行为，这个是法宝。 一目了然，目的性很强。

据创始人讲：“而且后期我们会依据这个开发出报警器，被跟卖了，购物车被抢了就报警，发现那些无节操跟卖更方便”。

3、关键词分析聚合(可做重点)

把亚马逊上客户搜索的关键词全部抓取出来(都是亚马逊提供的关键词,都是客户实际搜索用过的词)。这些词既然是实际搜索的，那么转换率是比较高的。用这些词，客户可以选择部分出来。软件自动聚合成全新的关键词，填写在产品的search Term里，聚合的规则也是根据亚马逊规则来的。又省时间、又高效、又保证转换率， 对排名的提升是有很大帮助的。

4、营销推广链接(次重点)

当客户想做站外推广的时候，可能需要找一些产品的链接出来到别的网站、论坛、博客上去发布，或者插入在软件里去引流。

那么当产品页面有多个卖家的时候，就存在一个问题：你引流过来的流量，同时被多个卖家分享了。如果引流的客户付款购买了，当自己没有占据购物车的时候订单很可能在别人那。相当于你给别的卖家做了嫁衣。这个链接是直接把这个产品只有你一个卖家购物车的链接提取出来(人工也可以实现,就是需要点进去店铺,找到这个产品再点进去的那个链接) 。这样引流的订单就只属于你自己了，不会为别人做嫁衣。卖家只需要输入ASIN就可以直接提取这样的链接出来。

5、描述可视化编辑

目前市面上没有的，算是特色。但是很基础辅助的一个功能，算不上亮点，算是特色吧！

同时是支持变体操作的。

6、图片检测,存储

每个付费用户提供5000个图片相册空间，可以用于上产品使用。空间不足，可以把上传好的删除，可以继续释放图片空间。

7、图片检测功能(容易被卖家忽略的次重点)

最近亚马逊审查动作比较大，对于违规图片的处理，也是其中一方面。而且也有很多卖家收到了图片整改的邮件通知。

客户可以在这里检测自己哪些产品图片不合格，不是纯白底，哪里有问题。一目了然。然后再提取出来去处理，这样就可以很好的解决图片不合格的问题，这个是正规白帽亚马逊操作必须做的事，也是亚马逊倡导的操作。

最后，小编给大家要到了免费试用的加入方式：

免费试用：加Q群146550886

官网：http://surtime/

为了更好的体现服务，软件每个功能都录了操作视频http://college.surtime/

客服电话:0551-62933783

企业客服QQ:8000888168

序言

对于一个电商运营者而言，店铺产品的数据分析是一件必须学会的事。但是怎么样对店铺产品进行数据分析，相信还有很多小伙伴感到迷茫。今天魔王教你从【产品数据分析守则】、【商品分析】、【抓单数据】、【净利数据】以及【ERP数据】五个方面，对店铺产品的数据进行全方位的解析。

产品数据分析守则

巴莱多曾经说过“在任何一组东西中，最重要的只占其中一小部分，约20%，其余80%尽管是多数，却是次要的 。”这句话同样适用于店铺产品数据的分析。

简单的介绍一下【GMV】、站内流量、站外流量、站内搜索以及搜索排名的关系：GMV=（站内流量+站外流量）*浏览下单转化率*支付转化率*客单价；站内流量=站内搜索+类目浏览+活动+购物车+收藏夹+直接访问+站内其他；站外流量=SEO（站外搜索引擎）+SNS（站外社交网站）+站外其他；站内搜索=搜索曝光（核心在于关键词和搜索排名）*搜索点击率（主图、价格、标题、品牌、评价、历史销量、是否具有海外仓）；搜索排名=商品的相关性+商品的交易转化能力+卖家的服务能力+搜索作弊情况

商品分析-数据分析

就速卖通而言，后台的产品数据分析中给予你大量的产品数据，包含【搜索点击率】、【下单转化率】、【搜索曝光量】、【加入购物车次数】、【加入收藏夹次数】等众多的产品数据信息。我们要学会从数据中发现问题，并且根据数据对产品进行一定的优化，举几个简单的例子，如图所示：

商品分析-抓单系统

商品分析-净利数据

常规分析：

对比、透视分析：利润占比、变化趋势、SKU退款率、新产品的利润成长曲线、三级类目的盈利情况.......作用：通过对成本占比与变化，得出成本优化的方向，进而还可以对市场进行预测。

商品分析-ERP发货数据

通过我们日常的发货可以统计得到每一种产品的在不同国家的销量占比。同时我们可以得到某一国家的消费习惯（所有平台在单一国家销售产品具有普遍性），可以用来分析消费者习惯。

小伙伴们，今天的产品数据分析五步法就介绍到这了，想学习更多的跨境电商干货，请关注我，如果你觉得好，请点赞转发！

编者按：这是一篇介绍如何制作图表的文章，作者是Amazon战略规划部的第一位分析师Eugene Wei（后来还担任过Flipboard、Hulu的产品负责人，Oculus的视频负责人），原文标题叫做《Remove the legend to become one》，意思是删掉图例成为传奇，因为在英语里面legend有图例和传奇的意思。简单来说，这篇文章介绍了一段经历，一套经验和一本宝书。是一篇告诉我们如何制作出好看的图表，更重要的是如何通过知识追求真相的非常实用的文章。

第一部分：经历

我的第一份工作是在Amazon开始的，在战略规划部当第一名分析师，接手做Analytics Package的工作。特意大写是因为这既是一项严肃的工具能让我们的业务明晰，也是因为其月复一月的制作工作统治了我整整1年多的生活。

1997年那时候，分析甚至还不是一个真正的词。我知道是因为试过找术语，希望澄清我要做的东西，但却找不到，字典里没有，互联网上也没有。回想起你刚开始成规模地使用互联网之时一般搜索引擎返回的结果数之少你就会意识到自己已经老了。那时候智慧还隐藏在新闻组，Yahoo还要靠手工去组织web目录，而很多的Google搜索返回结果寥寥无几。那时候如果俄罗斯人想要干涉选举的话，他们可能会植入一些故事到rec.artsics里面然后挑拨几个极客，但也就只能这样了。

尽管他找不到那词的定义，但是猜它是什么并不难。分析的某种名词形式。不仅如此，Analytics Package本身已经不言自明。真的。它会附带一页纸的附言，总是有一段简短的序言阐明目的，然后再跳到一段内附信息的文字摘要，形式跟论文摘要差不多，或者一封致股东信。我想贝索斯多年后创立的著名的公司政策，也就是支持写文章禁止PPT的做法，也许在那时候的Analytics Package附言那里找到一些起源。它们的启发是一样的：如果你没法用书面语言解释清楚某个东西的话，你自己是不是已经真正理解了呢？

我的面试流程最后一环用了1个小时，面试官是当时招聘的负责人Ryan Sawyer。经历了几乎包括所有资深高管以及贝索斯和Joy Covey等我这辈子预见的最出色的人的重重挑战之后，我以为最后这一道免不了的HR面试关不过是走走形式罢了。但那时候Ryan让我用他能够理解的方式解释一个我能理解的最复杂的东西。权当是给我的工作热热身。

Analytics Package都包含有什么，以至于需要书面解释？图表，一页页的图表，有关Amazon业务方方面面的图表。收入、时评、营销、运营、客服、人员编制、G&A、客户感知、市场渗透率、客户生命周期价值、存货周转率。通常一页纸4张图，横向布局。

Package这个词似乎有点累赘如果Analytics本身是名词的话。但如果你见过其中一个的话，你就会知道它为什么叫做Package。1997年我到Amazon时，Analytics Package大概是30到50页纸的图表。1年后，我转做产品管理时，它已经膨胀到100页了，此外我还在做一份有关客户订单趋势的不行报告。Analytics也许是指可交付的分析或者分析的实践，但Analytics Package在分量上就像电话簿，或者Restoration Hardware五金公司的目录。

那时候公司还没有把精力集中到开发内部仪表盘和分析工具上面，所以Analytics Package是用我们今天标准看来根本不入流的东西做的。我手工把数据录入Excel表，生成图表，调整布局，然后再打印成册。

这整件事最糟糕的部分之一是搞正确页码。Analytics Package背后是整整一个目录的链接电子表格。由于不同的图表来自不同的工作簿，我必须把整个Analytics Package都打印出来，排好序，然后再通过某个晦涩的打印设置菜单手工插入页码。总之，确保分页按照预期就像是拆除炸弹一样。

时至今日，公司都是平板电视挂在墙上，24/7不间断地展示着各种图表。其中大多数都不为人所关注。随时保持透明度的主旨没有错，但对人性的理解不是。我们无视那些随时可见的东西。然而，如果一个月一次把一大摞图表扔到你桌面，再加上概括结果的一封附言，并且如果CEO和你的同事都会在同一天收到同一份报告，同事报告里面该包含有你那部分业务的运营情况的话，你一定会留意的，就像任何人都会注意看一本有关自己公司的书的索引有没有提到自己一样。仪式很重要。

报告会发给全公司的资深经理。一开始资深的定义是根据职级，但就像职场大部分事情的走势一样，谁又被增加到分发表里面变成了一个月度竞争的来源。有人可能怀疑这是我的想法，因为分发表是我来制订的，但其实我关心这个是因为每个月我都得打印和复印纸质版。

现在我已经很少使用复印机了，但那一年我使用的次数比我之前和之后所有日子加起来的使用次数都要多，所以我可以相当自信地说这些机器是人类有史以来制造的最不牢靠的机器之一。

这是一场游戏，其唯一的目标是减少痛苦。一百份一百页的文档。机器复印到一定时候就会坏掉。过了一段时间就会卡纸。墨盒会没墨了。你一次愿意冒险复印多少份？太少你得再次重复设置过程。太多可能会有中间出错的风险，而这又会演变成一系列更为复杂的任务，比如只复印剩下还没复印的然后跟之前已经完成的合并。（如果你在想我为什么要手工插入页码的话，这不仅是为了方便引用特定图表，也是为了在复印机坏掉时找出哪一份资料的哪一页缺失了）

当然你也可以在清理卡纸之后恢复打印，但实际上这从来都没有见效过。以后我知道了，像这种量级的卡纸实际上是复印机永远也无法恢复的。

我变成了精通总部所有复印机情况的大师。我知道哪些复印机能够承担这一繁重的任务，了解每一台的可靠程度。对每一台机器可靠性的波动情况，使用情况以及上一次维修时间都了如指掌。由于我通常每天都加班到很晚，我会把大规模的复印任务留到最后，因为那时候整栋大楼的复印机都可以供我差遣。

有时候我光听复印机内部的复印鼓和引擎声就能觉察要卡纸了。有问题的机器会呼哧呼哧作响，就像烟鬼一样，有时候我会在复印机为我服务时把手放在机器上，就像医者把手放在病人身上一样。我会自称为复印机私语者，不过当我处理它们时总是会连声咒骂，从来没有窃窃过。后来在分析师任期末时，我得到一笔预算去招个临时工帮我完成每个月的打印工作，因为都忍受过那种永远也做不完的劳力之苦，我们至今仍有联系。

我的另一个痛苦来源是另一个工具的极度脆弱性：Excel 97的链接表格。直到今天我仍然是Excel的拥趸，Excel是微软Office套件最棒的工具了，而且如果你从事的是严肃的工作的话，仍然是地球上最顶级的电子表格工具。然而，我永远也无法忘记Excel 97的链接工作簿噩梦，一个理论上似乎很有前景的想法但实际工作起来却完全不是一回事。

为什么不干脆做到一个巨大的工作簿里面去呢？不同的部门必须针对不同的图表提交数据，那时候让多个人同时处理同一份Excel表格简直就是一团糟。找出谁的变更卡住了，整个比较的过程，这些都是难以为继的。所以我给不同的部门都建立了Excel工作簿。其中一些数据我会自己收集手工输入，而有的部门有年轻一点的员工，也有时间和资金去输入和维护自己组织的数据。

哪怕是这个过程很多地方也会出错。当我试图竖起护栏保留链接所有工作簿的公式时，从单元格保护到字体加粗到条件格式标明可编辑单元格等等，到了一般用户手里之后就没有一个电子表格可以幸存的。有人会在这里插入一行，那里插入一列或者误删了一个公式。某月，一个用户可能会改了一个工作表的名字，或者按季度增加此前从未出现过的摘要列。突然之间一堆的#ERROR出现在各个地方的单元格上，或者如果你不走运的话，数字还在，但却是错误的而你并没有意识到。

因此每个月有一部分时间都是用来检查每一张电子表格以及修补出问题的链接和指针，重新建立图表已经丢失的表格链接，或者更阴险的隐患，那些表格链接对了但表格区域链接错误的情况。

但哪怕这些都做完了，有时候表格计算也会出问题。这是注定的。电子表格的原理就是这样，唯一的错误只能是用户错误。我的主工作簿的一个单元格会指向另一个工作簿的单元格。它们的值应该是一致的。但是，当我打开两个工作簿时，一个现实1345另一个却显示1298。强制所有单元格重算的按键是F9。我已经反复按了。有时候重算能行。有时候不行。有时候我会试一下Ctrl - Alt - Shift - F9。有时候我只能祈祷。

我工作中唯一哭过一次，那是在一天很晚的时候，我妈刚刚因癌症去世了，我左腿又因为刚做了ACL/MCL疝气手术打了石膏，当我无法理解为什么我的工作簿核不平，有那么一刻我的意志力崩溃了，决定投降了。这不是循环引用，这个我知道只要我穷究下去是可以解决的，或者至少如果是工作簿内的循环引用的话是最终还是可以解决的。不，Excel 97链接工作簿这个固有的脆弱是一个不信神的程序里面的一个随机缺陷，我的感觉仿佛自己就是整个宇宙当中最遭天谴的那个倒霉蛋。

我想要离开办公室，但是我太累了拄着拐杖走不了太远。那个时候周围已经没有一个人。我把计算机和灯都关了，一头趴在在桌子上，直到那一刻缓了过去。然后我重启计算机，打开两个工作簿，然后看着有问题的两个单元格。它们还是不一致。我按了一下F9。这次匹配了。

大多数时候，在深夜我完成了所有Analytics Package的复印，然后用小，然后是中，最后是大的装订夹把材料夹到一起时，我会把大部分的复印册捧在手上，一册册放到每一位接收人的办公桌上。从我的办公桌出发到一个个办公室串门是一次受欢迎的休息，也许可以停下来跟某位还在熬夜的同事聊上几句。我感觉就像是个按照固定路线送报的，而且往往都在同一个时间起床。

尽管Analytics Package留给了我那么多痛苦回忆，但我仍视之为我职业生涯当中对我影响极大的经历之一。在做报告的过程中，我感觉我们企业的整个组织都摆在了我的面前，它的复杂性和内在工作变得一目了然。同样地，我想象程序员把数据表变成3D图表的数据可视化流程，我能够跟踪从客户想买书到一美元是如何在我们企业内部流动的整个过程。我清楚每一位员工的薪水，从分销商到我们仓库，从货架到传送带，然后打包，搬上运输车，我清楚每一笔订单的时间成本。我能够像职业赌徒算牌一样预测出每100订单会有百分之多少的客户向我们投诉，并且其中有百分之多少属于哪一类型的问题。

我知道，如果我们每月能获得一位客户的话，下个月有多少他的家人朋友会通过口口相传成为新客户。我知道如果1998年1月100客户完成了第一笔订单的话，其中会有多少比例的人2月、3月、等等还会再次下单，以及每一笔订单的平均金额是多少。随着我们的发展，以及随着我们影响力的提升，我可以看出跟出版商和分销商谈判更长的应付周转天数对我们现金流的影响，也能看到每次我谈成了更好的列表价折扣之后我们的毛利都会逐步攀升。

生活在高频交易和正态分布的领域，一个大数定律占主导的领域是多么舒服啊！每个月观察人们购书（以及后来的CD和DVD）的一致性和可预测性就像是在显微镜底下识别自然界的一些晶体结构一样。我不羡慕Snapchat或者Twitter或者Pinterest这样的公司，上市或有朝一日可能上市的社交网络，或者那些从事社交网络业务的公司，当他们的网络那么大但仍然那么的不稳定（收入流就更加了）时他们得设法管理好投资者的期望。社交网络的指数性增长当然很有趣，但如果你是Twitter每个季度都要努力向投资者解释为什么你又没有达到目标时就很无趣了，当你要假装知道一个季度后收入情况会怎样，且不说2、3个季度后的情况时，事情就没那么有趣了。

在Amazon，我能够卡出我们下个月甚至更远的未来的收入是多少，误差只有几个百分点的精度。唯一需要做出的决定是我们打算告诉华尔街我们的预测数字是多少。那时候，我们总是低估我们的收入（underpromise），因为我们知道结果会超出预期（overdeliver），唯一的问题是我们应该预测多少收入并且仍然在下一次财报会上给大家带来惊喜，并且这种惊喜是可靠的。

我们对自身业务的了解深度继续超过了我服务过的任何公司。这很大程度上要归功于贝索斯对详细程度的要求。没人能像最高领导人那样对责任设定标准。大部分功劳要算到Joy和我的经理Keith头上，是他们让Analytics Package成为了战略规划部门最核心的任务之一。Keith把我推给了Tufte改变了一切。还有更大的功劳属于所有那些帮助收集业务各方面晦涩难懂的数据的人，那些负责本部门相关职责的同事，其中很多人都针对自身领域建立了自己的模型，并定期对其进行维护和更新，因为他们知道每个月我都会过来敲门给他们出难题。

我相信这一点，因为Joy跟几乎每一条块的运营者一样了解我们业务的每一部分或者甚至更加了解，她是少有的几个既能防守又能主动出击的CFO之一。我见过的几乎每一位CFO做法都是老一套；总是严厉控制开支，采取财务保守主义，对任何大胆的财务事项投以怀疑的眼光。这些Joy做得可以比下一任更好，但在位时她会敦促我们多花点钱，其热...