《GrowingIO指标体系与数据采集》读书笔记

如何搭建一套业务、数据一体化的数据指标体系 大家好,我是 GrowingIO 的商业分析经理史晓璐, 今天将围绕“数据指标体系的规划”为大家展开主题分享。 通过今天的分享你将习得一套「搭建业务、数据一体化指标体系」的系统思维,并运用于实践。 来源:GrowingIO 增长公开课第 41 期 作者:史晓璐 GrowingIO 商业分析经理,曾为汉光百货、飞鹤、喜茶等多家头部企业搭建指标体系。擅长为零售电商行业提供数据指标体系搭建、精细化运营方案落地和专项咨询服务。 1. 为什么要规划指标体系? 相信每个公司都希望能够建立“数据驱动增长”的企业文化,但 阅读详情

《GrowingIO指标体系与数据采集》

整理一下最近看的一本书《GrowingIO指标体系与数据采集》
下载链接:https://pan.baidu.com/s/1C62rmeedpSmLO1CroSxdkQ
提取码:7lot

  • GrowingIO将数据驱动从上往下依次划分为四个层次:数据规划、数据采集、数据分析和数据决策。
    在这里插入图片描述

从数据规划、数据采集、数据分析和数据决策四个层次,介绍了科学规划指标体系,高效进行数据采集,正确管理数据指标和指标体系实战案例。

1.如何进行数据规划,搭建指标体系,

首先指出指标规划阶段常见问题:

1)难以快速定位问题原因
2)前期数据未采全,后期反复
3)上下目标没有对齐
4)监控、分析数据阶段没有治理

介绍规划数据指标体系的四种方法,OSM模型、UJM模型、场景化和高阶的指标体系分级方法:

1)OSM模型(Object-Strategy-Measure)
分别代表业务目标,业务策略和业务度量。
在选取业务目标的时候,要注意4个原则DUMB:
切实可行Doable
易于理解Understandable
可干预可管理Manageable
正向的有益的Beneficial
2)UJM模型(User-Journey-Map)用户旅程地图
UJM模型是咋爱设计产品的过程中,必须要去梳理的用户生命旅程。
梳理UJM的过程包括:拆解用户所处的每一个旅程阶段,了解每个阶段中用户的行为,明确每个阶段中产品的目标,发现各阶段产品与用户的接触点,最终从接触点里找到产品的痛点和机会点。
3)场景化
搭建好OSM和UJM模型后,加入“场景化”概念,推动指标体系的落地。
将不同场景分阶段,分门别类对应到UJM中,来满足不同部门不同阶段的需求。
4)指标体系分级(三级指标体系)
一级指标:核心指标,战略目标,5-8个,从公司和用户两个角度出发,如GMV(GMV=用户数转化率客单价)、订单数量、周/日活跃数量等。
二级指标:针对一级指标的路径分析拆解,流程指标。
三级指标:针对二级指标的路径分析拆解,子流程或个体。三级指标可以直接指引一线运营的决策。
书中有GrowingIO搭建数据指标体系案例,以及营销活动指标体系搭建方案,可自行阅读。

2.如何进行数据采集,主要介绍了埋点和无埋点两种采集方法。

针对不同场景,使用采用不同埋点方法。
在这里插入图片描述

埋点的团队协作流程
1)需求提交
2)需求评审
3)埋点方案执行
4)数据校验
5)数据使用
书中有APP注册数据采集方案案例及汉光百货案例,可自行阅读。
埋点方案四要素:
1)确认事件与变量
2)明确事件的触发冬动机
3)规范命名
4)明确优先级

3.如何管理数据指标

指标管理实践中存在的几个问题:
1)指标命名模糊不清晰
2)指标未作描述和解释
3)指标未作分级和归类
4)指标未作日常维护和清理
主要针对这四个问题来进行数据指标管理。

4.指标体系实战案例

以GrowingIO产品为例,通过1个事件2个变量搭建一套产品分析的数据指标体系。
针对浏览类功能指标和创建类功能指标进行分类,对于浏览功能,功能使用大致等于页面访问,对于创建功能,是通过交互触发。
步骤
1)确定事件和变量
2)数据采集实施方式
3)可视化样例-数据监控和分析

用户行为分析:自研埋点SDK与GrowingIO的混合采集方案 graph TD A[基础交互数据] -->|自研SDK| B(本地缓存) C[业务场景数据] -->|GrowingIO| D(云端分析) B --> E[定时批量上报] D --> F[实时行为看板] E --> G[数据仓库]字段映射:建立统一数据字典(如自研SDK的event_type=GrowingIO的event_code)异常处理:设置数据质量监控看板(完整性>99.5%)边缘计算:SDK端初步数据清洗(减少30%带宽)3.1 某金融App实施效果。 阅读详情

相关推荐

GrowingIO面试题

今天面了一家专门做数据的公司GrowingIO,是一个数据总监面试的我,上来先给了一张笔试题,如下: 然后让我20分钟之内用代码给他手写出来,嗯,我果然没写出来,因为代码太长而时间有点短,就大概写了下思路,主要就是按照用户id和位置id进行分组,然后是一组的判断时间是否连续,不是一组的直接输出,等等巴拉巴拉一大堆扯,以下就开始进入挖坑环节了: 1.项目中你主要做的是哪块?是你独立完成的吗?...

Sunshine_2211468152的博客 3281

数据产品-指标体系与数据采集

本文章是通过学习GrowingIO所发布的《指标体系与数据采集》方案的一些知识总结,具体方案的详情可以去GrowingIO官网上查看 一、科学规划指标体系 1、指标规划阶段常见问题 数据指标体系建立的第一步,就是要做好数据指标体系的规划,如若不规划则开展,很难实现“数据驱动增长”的快速落地 ① 难以快速定位问题原因:因为缺少体系化的数据指标监控,更关注结果性数据,很多过程性数据往往被忽略。结果会导致业务结果异常时无法定位具体原因 ② 前期数据未采全,后期反复 ③ 上下目标没有对齐:实现没有进行数据指标体系规

古月_MonBir 3750

GrowingIO 电子书 6 本

GrowingIO 渠道流量分析手册 GrowingIO 数据运营手册 GrowingIO 提升流量转化率 GrowingIO 增长黑客手册 GrowingIO 增长秘籍 3.0 终版 GrowingIO 产品经理数据分析手册

数据指标体系的建设

用户的数据标签是通过对用户行为数据进行加工处理得到的,它是用来描述实体业务的特征的数据形式。挖掘用户的数据标签是企业 实现广告定向投放、精准推送的先决条件。用户的数据标签是通过对用户的社会属性、消费习惯、偏好特征等多个维度的数据进行采集和处理,实现对用户或产品属性特征的刻画,并对这些特征进行分析、统计,挖掘潜在价值,从而抽象出用户的信息全貌。用户的数据标签是用户信息标签化,即将用户各类信息映射为标签符号,这些标签符号最终会形成普通大众对于用户或产品的认知。

m0_53191230的博客 2795

指标体系与数据采集精品报告2020.pdf

指标体系与数据采集精品报告2020.pdf

远程桌面(RDP)共享USB设备全攻略:不止Hyper-V,你的加密狗和CH340串口也能远程用

本文详细介绍了远程桌面(RDP)共享USB设备的完整解决方案,包括加密狗和CH340串口设备的远程使用技巧。通过RemoteFX USB重定向技术,用户可以在远程会话中无缝使用本地USB设备,提升工作效率。文章涵盖企业级配置、典型设备实战案例及高级故障排除方法,是远程工作者的实用指南。

weixin_42522964的博客 334

GrowingIO 数据采集 iOS SDK 测试实践

作者:吕雨强 GrowingIO iOS 测试工程师,主要负责iOS SDK 功能测试、自动化测试 。 GrowingIO 是基于用户行为数据的增长平台,精准采集用户行为数据是公司业务的基石,只有及时、准确、可靠的采集到数据,才能支撑上层的数据分析,用户画像,运营等业务,所以公司一直非常注重数据采集 SDK(Software Development Kit) 的质量保证工作。 为了满足客户的各种业务与技术的需求,GrowingIO 提供了 Web、Android、 iOS、Hybrid、各种小程序(微信、支

GrowingIO 基于 BitMap 的海量数据分析 1696

别再手动调参了!用Optuna+PyTorch搞定Transformer时序预测超参数(附完整代码)

本文详细介绍了如何利用Optuna和PyTorch实现Transformer时序预测模型的自动化超参数调优。通过贝叶斯优化技术,显著提升单变量时序预测的效率和准确性,并附有完整代码实现。文章涵盖模型架构设计、数据预处理、Optuna调参实战及生产环境部署建议,为开发者提供一站式解决方案。

weixin_33704234的博客 581

GrowingIO埋点(前端)

growingio平台埋点

MoXinXueWEB的博客 1758

10-142 6-4 查询厂商“D“生产的PC和便携式电脑的平均价格

分数 10全屏浏览题目切换布局作者 lhm单位 河北农业大学本题目要求编写SQL语句,查询厂商D生产的PC和便携式电脑的平均价格。

dqd66的博客 2751

从原理到实践:详解RGBD相机深度与彩色图像对齐(D2C)算法

本文深入解析了RGBD相机深度与彩色图像对齐(D2C)算法的原理与实现。针对自组装相机中深度图与彩色图不匹配的核心痛点,文章从相机模型、坐标系变换等数学基础讲起,剖析了传统点映射算法的缺陷,并重点介绍了高效的矩形区域映射算法。该算法通过将深度像素视为矩形区域进行映射,有效解决了空洞和遮挡问题,并附有可直接复用的C++代码与优化技巧,为三维重建、机器人视觉等应用奠定坚实基础。

weixin_28363123的博客 243

对话 CTO〡听 GrowingIO CTO 叶玎玎讲无埋点数据分析的业务理想

​专栏介绍 「对话 CTO」是极客公园的一档最新专栏,以技术人的视角聊聊研发管理者的发展和成长。 本专栏由企业级研发管理工具ONES的创始人&CEO王颖奇作为特邀访谈者。王颖奇曾参与金山软件 WPS、金山毒霸等大型软件的核心开发工作;2011 年创立了正点科技,旗下产品正点闹钟、正点日历在全球用户过亿;2014 年,王颖奇在知名美元基金晨兴资本任 EIR,并以个人身份参与十余家公司的管...

ONES研发管理工具 2万+

华为OD机试双机位C卷-统计差异值大于相似值二元组个数(C/C++/Py/Java/Js/Go)

华为OD机试(机考)双机位C卷 【统计差异值大于相似值二元组个数】,提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试 - 统计差异值大于相似值二元组个数

qq_45776114的博客 784

网站 服务器 诸葛,GrowingIO

编者按:许多企业在选用运营数据分析工具时,不了解能在哪些常用渠道上使用,数据埋点方式表现如何,哪种好用,GrowingIO、诸葛IO、神策数据三家对比如何?企业服务汇在本文中将以GrowingIO、诸葛IO、神策数据为例解答上述的问题。计算机技术的成熟使数据分析被更多的企业应用。但企业如果自建数据分析体系需要有专业的技术团队支持,投入成本较高且成效慢。市面上出现了许多SaaS型的数据分析产品,可以...

weixin_30341571的博客 856

【华为OD机试真题】390、AI面板识别 | 机试真题+思路参考+代码解析(C++、Java、Py、C语言、JS)

题目描述 >AI识别到面板上有N(1 ≤ N ≤ 100)个指示灯,灯大小一样,任意两个之间无重叠。   由于AI识别误差,每次别到的指示灯位置可能有差异,以4个坐标值描述AI识别的指示灯的大小和位置(左上角x1,y1,右下角x2,y2),   请输出先行后列排序的指示灯的编号,排序规则:   1、每次在尚未排序的灯中挑选最高的灯作为的基准灯   2、找出和基准灯属于同一行所有的灯进行排序。两个灯高低偏差不超过灯半径算同一行(即两个灯坐标的差 ≤ 灯高度的一半)

KJ.JK 1805

GrowingIO iOS Autotracker 使用教程

GrowingIO iOS Autotracker 使用教程 1. 项目介绍 GrowingIO Autotracker 是一个用于 iOS 平台的自动用户行为事件采集 SDK。它能够自动采集基本的用户行为事件,如访问和行为数据,并支持代码埋点、无埋点、可视化圈选、热图等功能。该 SDK 旨在帮助开发者更高效地收集和分析用户行为数据,从而优化产品设计和提升用户体验。 2. 项目快速启动 2.1 安...

gitblog_00060的博客 1205

[深入研究4G/5G/6G专题-31]: 5G NR开机流程5.2 - UE Attach流程(Registeration Request/Accept/Complete)

目录前言:前置条件:第1章 5G NR UE attach流程(从UE log的视角看)1.0 NAS消息解析器1.1 消息交互流程1.2 UE Registeration Request消息(AMF->基站->UE)1.3 AMF Registeration Accept消息(AMF->基站->UE)1.4 UE Register complete消息(UE->基站->AMF)第2章 UE Register...............

文火冰糖(王文兵)的博客 7万+

GrowingIO 数据安全实践

什么是数据安全 根据《中华人民共和国数据安全法》中第三条,给出了数据安全的定义,是指通过采取必要措施,确保数据处于有效保护和合法利用的状态,以及具备保障持续安全状态的能力。 为什么企业要做数据安全 在互联网盛行的今天,不法分子可以通过网络攻击,网络欺骗等手段窃取用户的个人信息甚至企业的机密信息。而且在拿到部分用户信息后就可以唯一的锁定具体某一个人,因此数据的保密显得格外重要。 GrowingIO 数据安全落地 为了保证客户数据的安全性, GrowingIO 通过构建一个安全的软件运行时与数据静态存

GrowingIO 基于 BitMap 的海量数据分析 3675

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

如何高效进行数据采集,这里有一套完整方案

大家好,今天给大家带来指标实施体系中关于落地实施方案的一点经验,希望可以在日常的数据采集中对大家有所帮助。 作者:王汉 来源:GrowingIO 增长公开课第 41 期 GrowingIO 高级技术顾问,毕业于北京大学,Extron 认证工程师。服务过奇瑞汽车、中铁建工、滴滴等头部企业,有丰富的技术部署经验。 一. 数据质量是数据分析的基石 假设一个场景:我们想要采集一个广告投放页的数据。 首先,我们与技术同学描述用户进入 App 开屏页所面临的场景:浏览—点击—跳转到广告页;接着,我们提出埋点需求。

GrowingIO 基于 BitMap 的海量数据分析 2644

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

GrowingIO无埋点采集IndexTTS2用户交互数据

通过集成GrowingIO无埋点采集方案,本地部署的IndexTTS2系统可自动捕获用户交互行为,实现从功能实现到体验优化的数据闭环。无需手动埋点,即可追踪点击、输入、参数调节等操作路径,结合隐私保护与轻量上报机制,在保障数据安全的同时深度洞察用户真实使用习惯,驱动AI产品持续迭代。

weixin_42234168的博客 1061

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

GrowingIO是什么?如何将GrowingIO数据导入其他系统

GrowingIO是什么?如何将GrowingIO数据导入其他系统

part210的博客 599

GrowingIO 微服务 SaaS 与私有部署运行实践

GrowingIO 作为国内领先的数据运营解决方案供应商,为上千家企业提供基于用户行为的增长解决方案。 为满足企业的不同侧重与需求,GrowingIO 支持私有化和 SaaS 两种部署方式。两种部署方式的内容架构与交互设计不同,但相同的是产品底层逻辑,以及数据中心、用户库、产品分析、智能运营等产品线。 这些产品线在研发环境中,被设计为多个相互独立的微服务。为避免研发资源浪费,GrowingIO 需要确保同一批微服务可在不同部署模式的环境中均正常运行。 SaaS 与私有部署环境的差别 要解决这个问题,我们需要

GrowingIO 基于 BitMap 的海量数据分析 1293

Growing时代 | ​GrowingIO的数据驱动增长进行时

“对当前的企业来说,数字化转型中更重要的部分不是ERP的转型,也不是内部流程优化转型,而是针对消费者/用户数据的升级和转型。”在GrowingIO创始人兼CEO张溪梦看来,这不难理解,因为...

中国软件网 405
上一篇: Linux环境下安装pytorch1.0.1(python3.7,cuda9.0)和pytorch0.4.1(python2.7,cuda9.0)
下一篇: Hive安装第一步:使用VMware Workstation创建虚拟机,搭建CentOS7系统环境,Linux下网络配置,Xshell连接虚拟机
free youreself
博客等级 码龄8年 20粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值