云祁QI

是需要数据科学家针对你的购物流程建立的自定义或算法模型，该模型能够最佳匹配用户转化的过程。该模型在建立、维护和使用上都最困难和最耗时的归因模型，但它能够最精确地评估各流量渠道对用户过程的影响效果。一般而言，在行业内除非强调是归因转化率，或者归因收入、归因ROAS等，否则都默认是末次交互转化率。原则一：细分。打开 Display 黑箱查看其内部的诸多广告就是细分。原则二：从大处着手。在细分后，查看流量多的流量渠道，因为这些流量渠道的花费大。当然。如果可能，那么你可以径直查看花费大的流量渠道表现。

宋星老师在《》中给出了以上问题的答案，最近正在读这本书，所以项采用框架拆解方式进行记录，一来通过梳理读书笔记倒逼自己提升对数字化营销的认知，二来分享给需要的小伙伴们，供相互学习交流使用。本书围绕数据为企业数字化营销和业务增长赋能的两大主线——数据驱动和数据分析展开介绍，同时辅以近几年在中国企业界实际应用的真实案例进行生动讲解。主要涉及的内容有：数据的来源、获取与接入，，数据驱动的品牌、效果广告投放，，利用数据进行流量的宏观和微观转化，。

前言大家好，我是云祁！和大家分享一本近期读完的非常不错的技术书籍，赵宏田老师的《用户画像：方法论与工程化解决方案》。用户画像是目前在技术公司广泛使用的技术，是根据客户人口统计信息、社交关系、偏好习惯和消费行为等信息而抽象出来的标签化画像。常常用在精准营销、圈定人群、发送短信消息、APP弹窗等等，用户画像的准确性往往会直接影响运营的效果和获客成本。用户画像另一个不太为普通人所知的用处是风控，建设用户画像是互联网金融领域风险控制的基础和关键，直接影响到公司的营收。这本书整体介绍了用户画像的实现方案.

《人生海海》这是一本书的名字，似乎是有点奇怪的书名。它是茅盾文学奖得主麦家老师耗时8年，经过5年打磨的最终呈现。身处互联网的我，最近两年总感觉焦虑与无奈。偶然看到这本书的预售，腰封上写着 “人生海海，敢死不是勇气，活着才需要勇气。你要替我记住这句话，我要不选到它，死几回都不够。” ，被这句话深深吸引，迫切想要读一读这本书。整本书围绕着主人公——蒋正南（有人叫他“上校”，也有人叫他“太监”）在时代穿行缠斗的一生，他是救死扶伤的“金一刀”，亦是深入虎穴的抗日英雄，同样也是乡亲们眼中无所不能的神人。他这一.

最近订阅学习了《数据中台实战课》专栏，一口气学完之后，做了一些总结笔记形成此文，特分享与你，希望对你有所帮助！本文为上半部分，主要总结了数据中台的核心要点。

前言前面和大家分享了，维度建模的理论基础，包括维度表设计的方法论和深入剖析了事实表，今天就理论结合实践，和大家聊聊完整的一个数仓构建的过程！数据的重要性和战略意义毋庸置疑，目前业界也都在热火朝天地将大数据战略落地和用于实战。在这个过程中，我们首要的问题就是数据平台的搭建，主要包括物理和逻辑两个方面：物理数据平台的搭建包括 硬件、大数据工具和技术的选型、购买、搭建 等； 逻辑数据平台的搭建则包含 数据平台架构设计、数据规范制定、数据开发实施和维护 等。物理平台的搭建...

前言维度表是维度建模的灵魂，在维度表设计中碰到的问题（如维度变化、维度层次、维度一致性、维度整合和拆分等）都直接关系到维度建模的好坏，因此良好的维表设计就显得至关重要，今天我们就一起来探究下关于维表设计的相关概念和一些技术，奥利给！...

我们不管是基于 Hadoop 的数据仓库（如 Hive ），还是基于传统 MPP 架构的数据仓库（如Teradata ），抑或是基于传统 Oracle 、MySQL 、MS SQL Server 关系型数据库的数据仓库，其实都面临如下问题：怎么组织数据仓库中的数据？怎么组织才能使得数据的使用最为方便和便捷？怎么组织才能使得数据仓库具有良好的可扩展性和可维护性？

前面，我们陆陆续续聊过了 Hadoop原理实战、 Hive 的底层原理实践，今天就来聊一聊大家最关心的 Hive 优化实践。

文章目录前言一、Hive 基本架构二、Hive SQLHive 关键概念1. Hive 数据库前言我们都知道，Hive SQL 实际上是翻译为 MapReduce 执行的， 那么它具体过程如何呢？这就是本次章节想探讨的——Hive SQL 背后的执行机制和原理。而进一步 理解和掌握 Hive SQL 的执行原理对于平时的离线任务开发和优化非常重要，直接关系到 Hive SQL 的执行效率和时间，可谓是非常重要了。一、Hive 基本架构作为基于 Hadoop 主要数据仓库解决方案， Hive SQL

前言接着前两章 构建大数据开发知识体系图谱 和 大数据平台架构技术概览 ，本次继续分享邦中老师的《离线和实时大数据开发实战》读书笔记 。讲讲大数据开发的主战场 —— 离线数据开发。...

什么是数据平台呢？或者更时髦点，什么是大数据平台呢？目前业界并没有对数据平台的精确定义，但通常所说的数据平台主要包含以下三部分：数据相关的工具、产品和技术：比如批量数据采集传输的 Sqoop 、离线数据处理 Hadoop 和 Hive 、实时流处理的 Storm、Spark 以及数据分析的 R 等；数据资产：不仅包含公司业务本身产生和沉淀的数据，还包括公司运作产生的数（如财务、行政），以及从外界购买、交换或者爬虫等而来的数据等；数据管理：有了数据工具，也有了数据资产，但是还必须对它们进行管理才

前言通过阅读本书，大家能建立自己的大数据开发知识体系和图谱，掌握数据开发的各种技术（包括有关概念 原理、架构以及实际的开发和优化技巧等），并能对实际项目中的数据开发提供指导和参考，个人觉得邦中老师的这本书还是有很精彩的，值得一读 ( •̀ ω •́ )✧接下来，我会从离线数据处理技术、实时数据处理技术、数据开发优化、大数据建模、数据分层体系建设等角度进行总结学习。第一篇：数据大图和数据平台大图数据大图主要是从数据整体角度，结合数据从采集到消费的四大流程，对相关的数据技术进行介绍和刻画。数据

莎士比亚曾写道：“凡是过去，皆为序曲。”大数据通过运算将这句话铭刻，无论结果好坏——无论这句话是否会浇熄我们迎接下一个日出的热情，是否会打击我们留名于世的渴望。

早在今年四月份，便开始看《大数据之路：阿里巴巴大数据实践》一书，再迅速过了邓中华老师这本《大数据大创新：阿里巴巴云上数据中台之道》，基本上可以窥见阿里数据中台的建设过程以及一些技术细节。其中宗华作为一位阿里老数据人的经验分享和心路历程，更是让我这个后辈受益匪浅。

如何整理自己的思维逻辑，表达自己想表达的内容；如何能让对方看懂、听明白、记住我们想表达的；如何让对方顺着我们的思路一起思考。这是值得我们深究的一门学问。

数据中台可以说是当下非常火热的话题，在BATJ等互联网大厂大肆推广中台建设成果的当下，各个行业的企业似乎都想做数字化转型，建设业务中台，但是中台到底是啥，需要我们提前了解和学习，本文是我学习张旭老师《数据中台架构：企业数据化最佳实践》一书的总结，希望能对你初步的理解中台这个概念有所帮助。...

最近一直在看《大数据之路：阿里巴巴大数据实践》一书，读完之后感觉受益良多。第一，对于整个大数据的体系有了更多且清晰的认知；第二，对于不同系统的逻辑处理方式给予了引导；第三，毕竟是阿里多年技术的累计产出，而且都是阿里技术大牛写的，干货相当多；最后，如果对于大数据方向想有更深入的了解，推荐阅读本书。