学习笔记 - 云架构工程师/顾问型销售从业指南【1】

本文是云架构师/顾问型销售的从业学习笔记,涵盖面向业务的增益课程,强调软技能的重要性,特别是迁移方案的设计与评估。内容包括如何进行迁移、设计迁移方案、识别不能接的项目,以及如何建立识别需求的气质,提供了商机获取、客户需求分析和沟通模型的建议。

学习笔记 - 云架构工程师/顾问型销售从业指南【1】

第一章:一份来自云架构师的从业指南

首先声明,这不是一篇技术博文,而是一篇关于云架构师(顾问型销售)软实力的学习笔记,一共有5章,在此分享1-2章,最初来源于挨踢茶馆的一门课程,很有意思,有兴趣的同学可以深入关注一下。在IT互联网公司,技术是一门硬实力,但是现在更迭非常之快,人才上后浪推前浪,年轻人会一波接一波引领纯技术的浪潮。所以,长远来看一个人的发展,必须要学会结合技术背景来沟通事务,树立品牌,合作洽谈,提出方案,解决问题,为企业赢得更多的机遇和budge,才不会被淘汰,这也IT企业中上升的重要途径。
https://iteablue.com/course/cloud-architect-and-sales-tutorial/lessons

1.1 面向业务的增益课程

技术性+管理型的经验,主要讲以下几个范围:

  1. 销售型云从业者的拿单素质
  2. 云架构师(售前)从入门到放弃的避“坑”记录
  3. 销售视角的签单前的场景进攻分析
  4. 云架构师(售前、顾问型销售)最佳实践的作战经验
  5. 出场率最高的经典方案通用分解及案例描述
  6. 几个客户故事的分享
  7. 技术人正在尝试转型至前线或业务线的经验分享
  • 面向对象:面向对象
  • 关于MSP行业和云架构师
    MSP是Managed Service Provider,管理服务提供商。云架构师的基本要求是:理解云计算的价值、设计与管理、部署与监控、指定云战略与治理好云

随着云计算市场的迅猛发展,越来越多的企业进入到云MSP领域,云MSP也呈现出多样化和差异化特征,对于整个行业来说,云MSP的选择、云服务管理发展现状、特征及趋势等成为了重要研究课题,同时企业及用户也亟需专业性、权威性的纲领文件为行业的未来发展指明方向。详情可见:http://cloud.idcquan.com/yzx/178629.shtml
MSP行业信息

职业生涯及技术储备要求
  • 基础技能储备:网络NP水平以上、系统CE水平以上、云计算(阿里、腾讯、亚马逊、华为、微软)三张助理认证工程师以上。
  • 进阶技能储备:网络IE、系统CA、云计算三家厂商的专家认证以上、PMP(项目管理)、CISA/CISSP(信息安全领域)、ITILV4基础、DevOps基础、容器CKA
  • 高阶技能储备:业务的高嗅觉、软技能的经验体现、更高合同金额的项目经验。

1.2 关于软技能

来看一个简单的JD,highlight部分为软实力要求。
要有很深的技术沉淀,以及面对客户有效沟通的技巧。软实力在某种程度上,比硬实力更重要。
职场中软实力

1.3 云的第一件大事儿-不要忽略迁移的重要性

如何迁移?- 包括6个内容

云迁移

如何迁移? - 4个阶段

Go2Cloud生命周期
Go2Cloud逻辑思维路径图
注意,很多用户对云迁移的认知比如“平滑、无缝、零停机”是很浅显的,要做到几乎不太可能。为什么?因为企业级的用户在完成任何一次迁移之后,必须拿出30分钟乃至半天的时间来做校验、流程控制、做安全性的可控。所以一定要给用户讲停机窗口的必要性。迁移验证的环节非常重要。

1.4 设计迁移方案前的准备工作

迁移工作开展前,主要的思考路线和准备工作

在这里插入图片描述

八个经典模型,先自问自答,再与客户讨论

(再看)
在这里插入图片描述

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模,模拟不同类的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模的关键参数进行自动调优。该研究属于机器学习领域的典实践,其核心在于利用SVM构建分类模,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模相结合,以解决模参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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