Leo的博客

随着智能制造赋能工具的深入应用，制造业正迎来一场前所未有的变革。从ERP的资源整合到MES的实时监控，从APS的智能排程到PLM的全生命周期管理，再到数字孪生技术的虚拟映射和大数据分析的洞察力，这些工具的融合与创新，不仅极大地提升了生产的效率和质量，也为企业带来了更高的灵活性和响应速度。

随着工业大数据的深入应用，我们见证了它在推动工业转型升级中的巨大潜力。然而，这一过程中所面临的挑战也不容忽视，包括数据资源的稀缺、数据治理的滞后以及数据孤岛的问题。为了克服这些难题，需要企业、行业乃至整个社会的共同努力和智慧。

随着智能制造技术的不断进步，它对精益生产方式的影响日益显著，不仅重塑了生产流程，也为企业带来了前所未有的机遇。通过ERP、MES、APS等智能化工具的应用，生产管理变得更加高效，信息流通更加顺畅，而传统的推动式、拉动式生产模式的界限，也在这一过程中逐渐模糊。

帆软利用AI大模型推出对话式BI产品FineChatBI，降低使用门槛，实现业务分析闭环。帆软认为，AI技术并不能替代BI，而是尽可能借助AI的相关能力，提升BI工具在各环节的效率、降低BI工具的上手和使用门槛，让更多领导和业务人员把BI用起来，帮助客户最大化地用好BI工具的价值。

随着零售行业的数字化转型不断深入，我们见证了传统零售模式的局限性，也看到了数字化带来的无限可能。零售企业通过云化基础设施、构建数字化门店、推动核心业务在线化、利用BI工具赋能数据化运营，以及进行供应链数据化改革，正逐步迈向一个智能化、个性化、高效率的新零售时代。

在数字化转型的大潮中，消费者画像已成为品牌商和企业精准营销的基石。通过对消费者行为、偏好、需求的深入分析，企业能够构建出一个个鲜活、立体的消费者画像，为营销策略的制定提供了可靠的数据支撑。

本文深入探讨了新媒体营销的多个方面，包括短视频营销的丰富表现形式、直播营销的互动策略，以及社群营销的深层次关系构建。我们看到了品牌如何通过创造性的内容和精准的数据分析，来提升知名度、建立信任，并最终实现销售转化。

随着内容营销的深入实践，我们见证了它如何将品牌与用户紧密相连，创造了一种全新的互动和沟通方式。从精心制作的内容到富有吸引力的解决方案，再到构建起的自媒体平台，内容营销已经超越了传统营销的界限，成为了品牌与用户之间建立长期关系的重要桥梁。

在新零售的大潮中，品牌定位不再是单一的市场行为，而是企业战略发展的核心。通过本文的探讨，我们可以看到，无论是深入市场调研、商品市场分析、SWOT分析，还是精心制定战略规划，每一步都是品牌定位成功的关键。

数据标准管理构成了数据管理的核心部分，代表着企业数据治理的起点。它在企业中发挥着至关重要的作用，包括梳理数据资产、消除数据孤岛现象、加速数据流转以及激发数据的潜在价值。通过确立和维护统一的数据标准，企业能够确保数据的一致性和准确性，从而为数据驱动的决策和业务流程提供坚实的基础。本文将深入探讨数据标准管理的概念、重要性、挑战。通过本文的探讨，我们希望能够帮助读者更好地理解数据标准管理的价值，以及如何通过有效的数据标准管理实践，提升组织的数据管理能力，实现数据驱动的增长和创新。

本文旨在探讨数据模型与数据治理之间的关系，以及如何通过有效的数据模型设计和数据治理实践，提升企业的数据管理能力。我们将首先介绍数据模型的基本概念和组成要素，以及数据模型的重要性。我们将深入讨论数据模型在数据治理中的作用，包括如何通过数据模型来支持元数据管理、数据质量管理、确保数据安全和合规性等。通过本文的探讨，我们希望能够帮助读者更好地理解数据模型和数据治理的重要性，以及它们如何相互依赖、相互促进，共同推动企业的数据战略向前发展。

​本文重点介绍如何将这些前期准备工作转化为具体的行动和措施，包括从严格系统授权、进行访问控制、做好数据安全审计、加强数据资产保护、实施数据脱敏到进行数据加密。旨在为企业的数据安全治理实践提供一份详细的指南。

随着大数据、云计算、物联网等技术的快速发展，数据的产生、存储和应用达到了前所未有的规模。但是伴随而来的针对数据的攻击使得数据资产安全变得格外重要。在这样的背景下，数据安全治理技术应运而生，它不仅关注数据的安全性，还涵盖了数据的完整性、可用性和保密性。本文将深入探讨数据安全治理的前期工作，为数据安全治理的实施奠定坚实的基础。

待过几年中小型传统企业的应该都有这个感知：虽然每个月都在采购新的软件系统，但整个公司的数字化仍旧一团糟，数字化转型是越搞越回去了。这也很好解释。传统企业业务部门繁多，在搞信息化阶段采购了很多业务系统，比较常见的像OA、ERP、MES等，后续随着业务部门的发展，又会分别添置新的业务系统。这些业务系统的数据又来自不同的数据库，像Oracle、SQL Server、My sql，各个系统的数据库存储方式不同，大多都是多源异构数据，很难互通更别说整合。

我们先设想一下，如果不存在数据孤岛，IT人员会有多爽：不用再从。

要说公司加班最多的，那一定是程序员。倒也不是因为我们有多卷，而是因为活实在太多了，根本做不完。之前一直有对中国程序员的质疑，觉得美国程序员工作比中国程序员轻松，甚至不怎么加班。我只能说，说的不错，但不是程序员的问题。国内程序员的工作量，就是比国外的同行多，同样多的功能，国外程序员做，照样加班。就拿报表开发来说，同一个业务线需要的报表就很多样，更别说不同的业务线了。今天财务部门要资产负债表，明天要利润表，报表的格式完全不一样。......

说几个商业产品，上手难度都很低，而且性能都非常ok的那种。讲一下我所了解的国内做数据可视化产品/工具的公司。国内有独立成一行业的公司，围绕可视化做一些应用产品/系统的公司，比如：帆软——通用类应用工具，报表软件finereport、商业智能finebi、大屏可视化数字冰雹 ——大屏可视化、工业、航天等可视化，三维展现方面百度——开源图表控件 Echarts阿里——蚂蚁金服可视化控件 AntV、数据可视化大屏 DataV在线图表——flourish 基本上就是这些了。...

上图[2.3]非常重要，结合了各省[销售金额占比]（销售额贡献度）和环比变化情况，可以非常清楚的看到 '吉林省’是2月(同时段)足足贡献了全国的25%的销售额，但是3月却下降到了15%,销售额足足下降了40%，2月贡献了全国的11%销售额的’福建省’更是严重，销售额下降了57%。上图[1.6]发现21年2月销售额也下降了，大概是春节的因素，但是只下降-12%，比22年2月下降-17%好很一些，且21年3月[环比增长率]足足上升了36%，[1.7]也没发现3月后2周会表现不好的规律。...

况且，财务系统数据多，指标口径不一，可以说是一团糟，我还得先梳理指标，做指标的需求，才能做出完整的报表。FineReport最让我觉得不错的地方就是内置了很多大屏模板，各种样式的都有，在我没太多时间去开发一个新的报表模板的时候，就可以直接拿来用，把数据套用进去，就能平稳运行，这一点很吸引我。我们公司是传统的制造型企业，组织架构复杂，业务分工多，而像我这样开发报表的，白天要跟业务去讨论报表需求，晚上还要加班加点开发报表，头发越来越少。要说需求最多的，还得是财务部门，其他部门可以说加起来都没财务的需求多。...

数据可视化，我们暂且不讨论其价值，我们先从视觉冲击上来说，毕竟大家都是“颜值”动物，展现数据的方式，真的该换成这样。

最近常常听到粉丝吐槽：这种数据驾驶舱大屏是挺酷炫的，可是除了当个门面让外人看之外，还有什么其他用处？难倒就只为了好看，就可以浪费大量时间去整这么一张大屏吗？你问这种大屏的实际价值如何，我只能告诉你它的核心作用无非就2点：1、对已有指标进行持续监控和预警，保证业务的正常进行2、发现分析业务/产品的问题及发展趋势，偏向于去解决问题至于作用大不大，至少我个人认为是大的，为什么这么说？很多半吊子的人会觉得大屏只是“面子工程”罢了，没什么实质作用，但其实是因为他们的大屏太失败，无法发挥出大屏的真正作用。...

对不少互联网行业从业者来说，刚刚过去的第一季度委实有点魔幻，大厂裁员风波频发。本来内卷就很严重的程序员们深感日子越来越难了。但，事实真的如此吗？

2022年大规模裁员后，计算机专业会不会成为下一个土木？

问数据分析师的日常工作是什么

产品是公司盈利的重要途径，数据分析一定要知道公司的哪些产品是盈利的？哪些产品的市场占有率高？用波士顿矩阵可以分析和规划企业的产品组合～

在探索了众多传统超市的转型之路后，我总结出了一套最适用中小企业的最优数字化转型之路

一位读者小R，给我讲述了他的职场经历。小R，2008年通信专业硕士毕业。先去了华为，做了1年觉得有点苦，就去学了1年英语，后来跳槽到摩托罗拉。呆了12年，自己也熬到了技术经理的岗位。其实，2013年就开始觉得外企发展不如以前好了。那个时候很多通讯人转型互联网，期间小R也聊了几家互联网公司，觉得行业不稳定，于是想等等，有更好的机会再跳。正好小孩出生，就先稳一稳，一晃又是5年。今年，因为疫情的原因，公司传出裁员的消息，自己又被重新推到职场上。找了一圈，发现处境非常窘迫：现在外企收缩没位置；创业吧，感觉

一、 转行背景1.温水煮青蛙的八年男，1989年生，211理工科。家庭条件一般，从小没啥追求，人比较怂。2013年本科毕业留在上学的二线城市，到2021年，在一家国企里干了8年，分别干过培训，行政，后勤，从专员干到主管，工资从3K一点点升到9K，日子过得虽然省吃俭用，但是时间久了，周围的人都这样，我也就习惯了，正所谓温水煮青蛙。2.转折点转折点在结婚后，我傻眼了，发现钱根本不够用，房贷车贷，因为经济原因，不敢生孩子，家庭矛盾频发，公司亏损要降薪，月薪过万遥遥无期。中年危机像一头犀牛撞向我，33岁的我

随着各行各业都在进行数字化转型，数据方面的人才也成为了各家企业招聘的重点对象，不同数据类型的岗位提供的薪资待遇又是如何的？哪个城市最需要数据方面的人才、未来的发展前景与钱途又是怎么样的？今天小编抓取了某互联网招聘平台上面的招聘信息，来为大家分析分析。我们大致会讲数据抓取的流程与步骤数据清洗的流程与步骤可视化的结果与分析数据抓取的步骤我们用Python当中的requests模块来发送与接收请求，然后用BeautifulSoup模块也解析返回的数据，代码如下解析数据的代码如下然后最后将收集

我接触很多人3年甚至多年的时间都仅仅停留在入门，但他们自我感觉是资深，仔细想一想以下六类人可能不适合做数据分析。1、不善于思考的其实数据分析的精髓在于思考，无论是出报表、还是做报告，其实都是希望通过这些看似杂乱无章的数据给我们带来一些价值，而这个价值的衡量的出发点其实就是思考，简而言之，就是你要用数据干什么？等有一天你想清楚了这个问题，你的思维也会变得更有逻辑。比如领导让你出一份经营分析报告，那你就要思考，由下往上思考，整体会涉及哪些指标，这些指标背后的含义是什么？这些指标能不能分类？分类的标准是什么

1、Svelte 和 SvelteKit在众多创新的、开源的、前端的 JavaScript 框架中，Svelte 及其全栈对应的 SvelteKit 可能是最有野心和远见的。Svelte 一开始就通过采用编译时策略来颠覆现状，并以出色的性能、持续的发展和卓越的开发者体验向前迈进。SvelteKit 现已进入公测阶段，它延续了 Svelte 的传统，通过采用最新的工具，并将部署到无服务器环境作为一项内置功能来实现飞跃。地址：https://github.com/sveltejs/svelte2、Mi

相信关注老李的很多粉丝都曾写过竞品分析报告，但从我这么多年当团队leader的经验来看，真正能把竞品分析报告写好的同学很少。很多所谓的“竞品分析报告”，都只停留在“罗列数据”的阶段，看似调研了很多，但仔细看下去，会发现只是堆砌了一堆“无用“信息，根本不能得到任何真正有价值的核心结论。那问题来了，我们要怎样才能把「竞品分析报告」写好，让这份报告真正拥有价值？1、在写报告之前，先想清楚我们为什么要写？在做任何事之前，都要在心里想清楚，我做这件事的目的是什么？这是一个很基础的问题，但很多人往往会懒于思考这

最近我分享很多了模板，但是没告诉大家如何从0-1做好一张仪表板。今天我就从「仪表板的设计」和「仪表板的美化」这两个角度来详细讲下，我们要如何利用FineBI自助数据分析工具做一张美观、实用，能让人一眼看懂重要信息的仪表板。开头先放个文章的干货导图，然后我们再来展开讲述。一、仪表板的设计1、确定仪表板的面向对象在制作仪表板前，首先要确定制作的仪表板的受众对象是谁，然后站在他们的角度，去理解他们的真实需求。比如仪表板是为了制作给老板看，这类用户对大屏的诉求，可以理解为：一图了解公司核心经营数据

前段时间，一个做服装电商行业的朋友找到我，说最近双11，店里的订单量开始暴增，数据太多，用Excel来处理实在太卡顿，无法很好处理他们店里的数据，所以想要我帮他做个像下面的这种可视化大屏，让店铺的销售额和订单量能够实时展示出来。但最近临近年底，我单位的事情也很多，所以没办法帮他做这个。但好在我以往有用FineReport做一些可视化大屏模板，也算是积累挺多，所以就直接分享给这位朋友了，他直接转发给他公司里的员工做，他的员工也是IT小白，但是学了几天也学会套用模板了。其实，可视化大屏的制作并没有大家想象

作为一名传统企业里的IT程序员日常工作就是处理来自各个部门提的报表开发需求好不容易处理完，想喝杯瑞幸咖啡摸个鱼却突然接到来自老板的夺命连环call！图源：特大号老板开心地说，前几天参加了一个数字化转型大会感觉他们说的大屏很能唬人，我们也要赶紧做一套大屏听到这，我就知道不妙了老板都是这样想一出是一出，不给个准备时间。但老板都安排了，能不做吗？但说实在的，现在越来越多的企业都开始加速数字化转型，因此对数据可视化的要求也越来越高。企业内部也就开始流行可视化大屏了，已经成为众多老板最喜欢

只要你在企业工作，你多少会碰到以下几种情况产品经理：用户一直强烈要求加上他们想要的功能，根本不知道先解决哪个？研发兄弟：产品经理提出一大堆需求，我就算天天007也做不完！用户：我要的根本不是这个功能！产品经理是用屁股在思考吧，会改成这样？？其实在实际工作中，出现这几种情况是太正常不过的事每个用户都会有自己的个性化需求，所以会想加很多功能但这些需求中，80%都是伪需求，只有剩下的20%才是真需求况且研发的资源和人力是有限的，不能什么需求都做所以产品经理就需要从这些需求中分辨出哪些是真需

每次在写数据分析必学知识时，我都会提到，对于数据分析师来说，我们是必须学习统计学知识的，毕竟天天跟数据打交道，总不能连最基础的统计学知识都不会吧？举个例子，数据分析，你如果连最起码的置信区间都不懂，你还怎么处理数据？如果统计学中最基本、核心的思想：用样本估计总体，你都没概念，就别说自己会数据分析了。学数据分析究竟要懂哪些统计学？全都给你梳理好了，拿走不谢但多数人在学习统计学知识时会无比头疼，因为统计学的书籍里几乎都是复杂的推理公式，让人难以理解。其实，对于大部分数据分析师来说，我们并不需要掌握的那么细

最近不少读者撩我让调研自助洗车店，我感觉挺新鲜，很好奇是怎样一个商业模式。了解到天眼查APP中的天眼地图可以查看和搜索附近的公司，我输入自助洗车店，把距离设置为3公里以内，很容易就看到附近所有洗车店，这家X海洋离我最近，就你啦！去到一看，原来这里是停车场，左边划了一块地搞自助洗车。亭子上方写着自助洗车6元这里属于广佛交界，周边楼盘特别多且空置率低，隔壁是一间医院，不远处还有高速路出口，在这里搞自助洗车应该是得天独厚了。数了一下共8个洗车位，一个车位大概7*3.7=26平米，8个则是208平米

前不久，刷到这样一条短视频，“1.7亿的90后仅有约1000万对结婚，结婚率不到10%”，当然我们也无法查实当中数据的来源以及真实性，不过小编倒是总能听说身边的朋友在抱怨脱单难、找不到合适的对象。今天通过Python写了一个简单的脚本在抓取公开的相亲文案，看看在相亲的都是些什么样的人？他们的择偶标准又是什么样子的？什么样子的人更加容易脱单？代码的编写过程我们引入需要用到的库，这里用到Python当中的requests库来发送和接受请求，通过正则表达式re这个库来解析数据很多时候对遇到请求超时的情

开局一张图咱打工人要想进步，最关键的不只是努力，还要选好领域、明确好目标。怎么选择行业领域，咱们放在后续聊；今天先重点聊聊这个目标到底具体该是什么样。数据分析师们坐稳扶好，发车：一、概括来说，理想的数据分析师应该是“桥梁”很多朋友都对数据分析师这个岗位有太多不切实际的幻想，比如这个岗位特别需要技术、适合女生、不需要太多跟人打交道、越老越吃香。但现实呢？面试造火箭入职拧螺丝、天天SQL日日EXCEL、产品运营技术都是爸爸、大龄高压线一样存在问题出在哪儿？出在定位上。公司只是需要一群人应用数据分析这