飞利浦极光手机卖什么价？_百度知道
飞利浦极光手机卖什么价？
&&双11会正式售卖。
现在卖的是3600多一台吧，看参数那手机还可以的。
是三千多一台，跟我想的价格不太一样。
为您推荐：
其他类似问题
您可能关注的内容
飞利浦的相关知识
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。飞利浦的旗舰机极光手机现在预定要多少钱啊？_百度知道
飞利浦的旗舰机极光手机现在预定要多少钱啊？
我上说的是3699的，现在已经可以接受了，你可以去他们的官网看看啊，好像双十一正式售卖的。
采纳率：50%
是三千多啊，交两百块押金就可以预定一台，现在就可以了。
好像是三千六百多一台吧，没去关注这事儿。
为您推荐：
其他类似问题
您可能关注的内容
飞利浦的相关知识
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。极光大数据在“新零售”上的智能推荐实证研究a year ago2收藏分享举报文章被以下专栏收录程序员的视野{&debug&:false,&apiRoot&:&&,&paySDK&:&https:\u002F\u002Fpay.zhihu.com\u002Fapi\u002Fjs&,&wechatConfigAPI&:&\u002Fapi\u002Fwechat\u002Fjssdkconfig&,&name&:&production&,&instance&:&column&,&tokens&:{&X-XSRF-TOKEN&:null,&X-UDID&:null,&Authorization&:&oauth c3cef7c66aa9e6a1e3160e20&}}{&database&:{&Post&:{&&:{&isPending&:false,&contributes&:[{&sourceColumn&:{&lastUpdated&:,&description&:&&,&permission&:&COLUMN_PUBLIC&,&memberId&:70710,&contributePermission&:&COLUMN_PUBLIC&,&translatedCommentPermission&:&all&,&canManage&:true,&intro&:&程序员的视野&,&urlToken&:&jiguang&,&id&:13140,&imagePath&:&d26ea63a09ab2ea9ad0b.jpeg&,&slug&:&jiguang&,&applyReason&:&0&,&name&:&极光&,&title&:&极光&,&url&:&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fjiguang&,&commentPermission&:&COLUMN_ALL_CAN_COMMENT&,&canPost&:true,&created&:,&state&:&COLUMN_NORMAL&,&followers&:528,&avatar&:{&id&:&d26ea63a09ab2ea9ad0b&,&template&:&https:\u002F\u002Fpic6.zhimg.com\u002F{id}_{size}.jpg&},&activateAuthorRequested&:false,&following&:false,&imageUrl&:&https:\u002F\u002Fpic6.zhimg.com\u002Fd26ea63a09ab2ea9ad0b_l.jpg&,&articlesCount&:123},&state&:&accepted&,&targetPost&:{&titleImage&:&https:\u002F\u002Fpic3.zhimg.com\u002Fv2-a7aeebed7e0_r.jpg&,&lastUpdated&:,&imagePath&:&v2-a7aeebed7e0.jpg&,&permission&:&ARTICLE_PUBLIC&,&topics&:[4,35120],&summary&:&传统零售百货业的商品和服务同质化程度较高，企业运营成本不断增长，于是纷纷拓展线上平台。在传统零售行业和电商企业的市场博弈中，线上线下融合已经成为整个行业的趋势，融合的深度和广度决定了企业未来的发展。极光大数据正在成为零售业重构市场商业模式…&,&copyPermission&:&ARTICLE_COPYABLE&,&translatedCommentPermission&:&all&,&likes&:0,&origAuthorId&:0,&publishedTime&:&T13:49:43+08:00&,&sourceUrl&:&&,&urlToken&:,&id&:2613054,&withContent&:false,&slug&:,&bigTitleImage&:false,&title&:&极光大数据在“新零售”上的智能推荐实证研究&,&url&:&\u002Fp\u002F&,&commentPermission&:&ARTICLE_ALL_CAN_COMMENT&,&snapshotUrl&:&&,&created&:,&comments&:0,&columnId&:13140,&content&:&&,&parentId&:0,&state&:&ARTICLE_PUBLISHED&,&imageUrl&:&https:\u002F\u002Fpic3.zhimg.com\u002Fv2-a7aeebed7e0_r.jpg&,&author&:{&bio&:&国内领先的移动大数据服务商&,&isFollowing&:false,&hash&:&3a86afe991a96c462e3a74c58b04726b&,&uid&:140300,&isOrg&:false,&slug&:&you-ge-pi-dan-25&,&isFollowed&:false,&description&:&&,&name&:&极光市场部小分队&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fyou-ge-pi-dan-25&,&avatar&:{&id&:&v2-07eba24e916b5e0e5e8bb&,&template&:&https:\u002F\u002Fpic1.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},&memberId&:,&excerptTitle&:&&,&voteType&:&ARTICLE_VOTE_CLEAR&},&id&:595496}],&title&:&极光大数据在“新零售”上的智能推荐实证研究&,&author&:&you-ge-pi-dan-25&,&content&:&传统零售百货业的商品和服务同质化程度较高，企业运营成本不断增长，于是纷纷拓展线上平台。在传统零售行业和电商企业的市场博弈中，线上线下融合已经成为整个行业的趋势，融合的深度和广度决定了企业未来的发展。极光大数据正在成为零售业重构市场商业模式过程中的重要参与者，为加强线上线下业务的整合和消费数据的融合，促进业务创新增值，在综合触达方式的优化以及智能实时营销推荐等方面提供了完整的解决方案。下文将从实证角度阐述极光大数据在此方面的产品实施方案及效果。\n\n\u003Cp\u003E\u003Cb\u003E案例背景\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E某百货零售企业是同时拥有线下百货商场和线上销售平台的典范，其2017年的营销目标是，打通线上线下渠道，多渠道营销，吸引更多客户。极光大数据营销系统是一套面向全行业的综合营销解决方案，由资源整合营销功能、360°立体运营功能、客户新服务功能、大数据智能推荐服务等多个功能构成，帮助企业客户实现\u003Cb\u003E可识别、可触达、可洞察、可服务\u003C\u002Fb\u003E的四部曲。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E整体解决方案概述 \u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E极光大数据综合营销解决方案为企业提供了线上线下融合的解决方案，包括整合企业内外数据资源，促进各个渠道客户的融合和增活，实现行业客户服务体系内客户的全生命周期转化。该方案包括一套科学的客户服务体系流程：\u003C\u002Fp\u003E\u003Cp\u003E
\n线上沉默会员、线下会员和线上活跃会员的相互转化流程；\u003C\u002Fp\u003E\u003Cp\u003E
\n线下各个阶段会员的相互转化流程。\u003C\u002Fp\u003E\u003Cp\u003E下图为客户转化全生命周期流程图：\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-9bde6a032c2c17109e42a_b.jpg\& data-rawwidth=\&552\& data-rawheight=\&479\& class=\&origin_image zh-lightbox-thumb\& width=\&552\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-9bde6a032c2c17109e42a_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='552'%20height='479'&&\u002Fsvg&\& data-rawwidth=\&552\& data-rawheight=\&479\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&552\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-9bde6a032c2c17109e42a_r.jpg\& data-actualsrc=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-9bde6a032c2c17109e42a_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E方案亮点\n—— \u003C\u002Fb\u003E\u003Cb\u003E智能云推荐\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E智能云推荐功能主要由\u003Cb\u003E特征提取\u003C\u002Fb\u003E、\u003Cb\u003E混合推荐引擎\u003C\u002Fb\u003E、\u003Cb\u003E系统接入\u003C\u002Fb\u003E三个部分组成。\u003C\u002Fp\u003E\u003Cp\u003Ei.
\n\u003Cb\u003E特征提取\u003C\u002Fb\u003E：帮助企业对于需要推荐的素材进行文本分词、内容特征提取并进行智能化分类处理的过程\u003C\u002Fp\u003E\u003Cp\u003Eii.
\n\u003Cb\u003E混合推荐引擎\u003C\u002Fb\u003E：综合利用用户的行为、属性，对象的属性、内容、分类以及用户之间的社交关系等等，挖掘用户的喜好和需求，主动向用户推荐其感兴趣或者需要的对象\u003C\u002Fp\u003E\u003Cp\u003Eiii.
\n\u003Cb\u003E系统接入\u003C\u002Fb\u003E：企业通过API接口接入极光智能云推荐平台，实时响应客户端的推荐请求\u003C\u002Fp\u003E\u003Cp\u003E其中大数据智能云推荐服务是独立于企业外部的智能云推荐模式，将推荐系统的输入端和输出端以接口调用的方式进行运作: 以营销文本活动内容推荐为例，我们将文本分词模块部署到企业内部，极光大数据只需要接入分词后的向量集合，这样一来既能很好地保护企业的数据隐私，又能充分发挥极光自身大数据平台海量客户兴趣标签的优势，独立于企业外部开发了内容文本挖掘分析算法和推荐引擎算法，具体流程图如下：\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\u002Fpic1.zhimg.com\u002Fv2-bbbeaef43c3ea_b.jpg\& data-rawwidth=\&554\& data-rawheight=\&360\& class=\&origin_image zh-lightbox-thumb\& width=\&554\& data-original=\&https:\u002F\u002Fpic1.zhimg.com\u002Fv2-bbbeaef43c3ea_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='554'%20height='360'&&\u002Fsvg&\& data-rawwidth=\&554\& data-rawheight=\&360\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&554\& data-original=\&https:\u002F\u002Fpic1.zhimg.com\u002Fv2-bbbeaef43c3ea_r.jpg\& data-actualsrc=\&https:\u002F\u002Fpic1.zhimg.com\u002Fv2-bbbeaef43c3ea_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E该方案亮点主要有三点，\u003C\u002Fp\u003E\u003Cp\u003E-
\n结合数十亿实时更新的用户行为特征标签，能够通过先进算法对企业客户进行个性化精准营销；\u003C\u002Fp\u003E\u003Cp\u003E-
\n混合客户触达手段，能够实现对线上线下触点的系统化利用，这是对于已有和潜在客户制定的全方位营销策略\u003C\u002Fp\u003E\u003Cp\u003E-
\n最后，通过API方式集成，实现开箱即用，易于部署。\u003C\u002Fp\u003E\u003Cp\u003E需要额外强调的是针对推荐系统多目标特性，极光大数据团队采用混合方案，设计一种新的多目标推荐算法：\u003C\u002Fp\u003E\u003Cp\u003E基于神经网络和用户偏好的协同过滤算法对线上和线下用户分别进行产品推荐，首先采用聚类算法解决用户行为数据的稀疏性问题，然后通过神经网络与用户偏好相结合来分析用户之间的相关性，最后利用训练出的分类器模型计算用户对产品的喜好程度，从而有效的提高推荐效果。\u003C\u002Fp\u003E\u003Cp\u003E聚类能够降低数据的稀疏性：即通过K-means聚类对评分用户进行聚类，然后计算目标用户与各聚类集合的相似度，将相似度最高的类的聚类中心乘以相似度得到的值，对目标用户的缺失值进行逐一差补，从而有效解决数据稀疏的问题。\u003C\u002Fp\u003E\u003Cp\u003E神经网络能够有效学习用户之间的复杂关系，用户偏好能够反映产品的受欢迎度。通过对用户聚类，在神经网络的输入层中加入用户偏好，就能实现降低数据的稀疏性和有效的学习用户之间的复杂关系。此法需要先对样本用户进行模型训练，最终对目标用户行为进行预测。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E实证效果 —— 营销效果评估\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E2016年双11期间，极光大数据利用综合营销系统，进行线上线下联合营销，将线上线下的促销信息利用客户自有的app渠道，精准地推送给客户，对线上和线下的销售均有显著的提升，特别是对已有app用户的营销策略，极光营销策略效果要远远高于企业自主营销效果。\u003C\u002Fp\u003E\u003Cp\u003E营销活动和用户的兴趣关联度的关系如下\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-326aba05cd846d8ef41bbc_b.jpg\& data-rawwidth=\&561\& data-rawheight=\&128\& class=\&origin_image zh-lightbox-thumb\& width=\&561\& data-original=\&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-326aba05cd846d8ef41bbc_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='561'%20height='128'&&\u002Fsvg&\& data-rawwidth=\&561\& data-rawheight=\&128\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&561\& data-original=\&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-326aba05cd846d8ef41bbc_r.jpg\& data-actualsrc=\&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-326aba05cd846d8ef41bbc_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E客户ID为8a8b2425108ebace8018f3a的线下用户，优惠活动8（优惠活动8：宝贝提前过双十一，贝贝怡等品牌婴幼儿服饰全场6折封顶，最低16元起！）的推荐度最高，极光大数据分析该用户为女性白领用户，对母婴和亲子类的消费品有极大的兴趣，且门店智能设备实时感知该设备在百货实体店附近出现。\u003C\u002Fp\u003E\u003Cp\u003E客户ID为f72af0e6b970d887afab0的线上用户，优惠活动1（优惠活动1：双十一全民嗨购，BURBERRY\n3.4折起，KENZO 3.8折起，ARMANI 4.4折起，COACH 3.6折起……更多惊喜，等你发现~）的推荐度最高，该用户为高价值的用户，主要表现在某些购物类app上行为活跃，如寺库、全球购等等，热衷与某些奢侈品品牌，且过去一年有海外旅游的经历，活跃的活动区域在高端消费商圈及居住场所。\u003C\u002Fp\u003E\u003Cp\u003E通过结果可以看到，数据应用效果差异明显：\u003C\u002Fp\u003E\u003Cp\u003E针对已安装某零售线上app的用户进行分析，结合极光海量用户标签，根据用户特征和用户偏好，制定营销策略，通过app自有推送通道，向用户推送营销信息。以客户点击率或实际购买行为为考察对象，营销效果评估差异如下：\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-b490d01efd7aa556e0ea78e67e46ee82_b.jpg\& data-rawwidth=\&473\& data-rawheight=\&222\& class=\&origin_image zh-lightbox-thumb\& width=\&473\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-b490d01efd7aa556e0ea78e67e46ee82_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='473'%20height='222'&&\u002Fsvg&\& data-rawwidth=\&473\& data-rawheight=\&222\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&473\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-b490d01efd7aa556e0ea78e67e46ee82_r.jpg\& data-actualsrc=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-b490d01efd7aa556e0ea78e67e46ee82_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E对未安装app的用户，极光大数据先根据用户特征及偏好，针对百货商场附近人群，利用极光近场感知服务、探针WIFI定位、GPS位置定位服务，识别商场及周边人群，根据极光海量用户标签，定位潜在用户，由客户方进行精准化触达和个性化营销，效果差异也很明显。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E总结\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E各大零售业巨头们俨然已经意识到只有搭乘“互联网+”的快车才能华丽转身，达到这个境界的经营者们已经摆脱了手工处理、依赖个人经验的阶段，并且开启了数据化的战略路线，但问题是每家的数据积累、数据加工和算法能力上参差不齐，因此在最终营销效果上各家能力各有千秋，极光大数据除了提供全行业的综合营销整体解决方案，在低价值数据稠密、高价值数据稀疏处理上也略有研究，预知详情请持续关注未来的篇章。\u003C\u002Fp\u003E&,&updated&:new Date(&T05:49:43.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:0,&collapsedCount&:0,&likeCount&:2,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&titleImage&:&https:\u002F\u002Fpic3.zhimg.com\u002Fv2-a7aeebed7e0_r.jpg&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&reviewers&:[],&topics&:[{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&新零售&},{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&数据分析&},{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&极光&}],&adminClosedComment&:false,&titleImageSize&:{&width&:1620,&height&:1080},&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&column&:{&slug&:&jiguang&,&name&:&极光&},&tipjarState&:&inactivated&,&annotationAction&:[],&sourceUrl&:&&,&pageCommentsCount&:0,&hasPublishingDraft&:false,&snapshotUrl&:&&,&publishedTime&:&T13:49:43+08:00&,&url&:&\u002Fp\u002F&,&lastestLikers&:[{&bio&:&志在未来&,&isFollowing&:false,&hash&:&0a570b9d3a6ba9c0e1bc084eb2a1214d&,&uid&:527700,&isOrg&:false,&slug&:&mao-de-xue-ding-e-34&,&isFollowed&:false,&description&:&材料狗，妄图跨入AI行业&,&name&:&万物互联&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fmao-de-xue-ding-e-34&,&avatar&:{&id&:&v2-debfaed24db1e34ecec9f&,&template&:&https:\u002F\u002Fpic4.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:&喜欢体验互联网新产品&,&isFollowing&:false,&hash&:&6ffccf5dbb260&,&uid&:96,&isOrg&:false,&slug&:&daisy-hong&,&isFollowed&:false,&description&:&&,&name&:&daisy hong&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fdaisy-hong&,&avatar&:{&id&:&cab10d4f5&,&template&:&https:\u002F\u002Fpic3.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}],&summary&:&\u003Cimg src=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-9bde6a032c2c0x112.jpg\& data-rawwidth=\&552\& data-rawheight=\&479\& class=\&origin_image inline-img zh-lightbox-thumb\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-9bde6a032c2c17109e42a_r.jpg\&\u003E传统零售百货业的商品和服务同质化程度较高，企业运营成本不断增长，于是纷纷拓展线上平台。在传统零售行业和电商企业的市场博弈中，线上线下融合已经成为整个行业的趋势，融合的深度和广度决定了企业未来的发展。极光大数据正在成为零售业重构市场商业模式…&,&reviewingCommentsCount&:0,&meta&:{&previous&:{&isTitleImageFullScreen&:false,&rating&:&none&,&titleImage&:&https:\u002F\u002Fpic3.zhimg.com\u002F50\u002Fv2-dff1a61a7af25_xl.jpg&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&topics&:[{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&堵车&},{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&大数据&},{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&数据分析&}],&adminClosedComment&:false,&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&author&:{&bio&:&国内领先的移动大数据服务商&,&isFollowing&:false,&hash&:&3a86afe991a96c462e3a74c58b04726b&,&uid&:140300,&isOrg&:false,&slug&:&you-ge-pi-dan-25&,&isFollowed&:false,&description&:&&,&name&:&极光市场部小分队&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fyou-ge-pi-dan-25&,&avatar&:{&id&:&v2-07eba24e916b5e0e5e8bb&,&template&:&https:\u002F\u002Fpic1.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},&column&:{&slug&:&jiguang&,&name&:&极光&},&content&:&在大数据蓬勃发展的今天，像极光大数据这样的大数据平台可借助云计算的快速可扩展性、标准化服务、自助服务等特征，强化大数据的获取、处理、整合、分析、服务等技术支撑能力，进而促进敏捷化、个性化的数据应用开发，最终助力业务转型。运用大数据平台和大数据技术不仅可以帮助企业提升生产力，更可帮助政府部门在城市的公共管理中提升效率、提高管理水平。\n\n\u003Cp\u003E例如在与道路交通有关的执法效率问题上，通过智能手机和其他位置感知的设备（如导航单元）获得交通数据分析，包括平均速度分析（描述性，诊断，预测，规定性分析），可预测其交通情况趋势，进而实现有效的交通疏导和管理；在社会媒体监督上，大数据可以有针对性地对社会媒体进行监督分析，甚至预测选举结果；大数据下的智能服务还可以提供更好的用户体验，例如在垃圾容器中的传感器可让垃圾车线路得以优化等等。从管理效率提升、舆情数据管理、透明服务监控到城市规划优化、公共安全管理水平优化到刑侦手段提升，都有丰富的服务场景可以通过大数据技术和数据分析应用实现质的飞跃。\u003C\u002Fp\u003E\u003Cp\u003E要实现以上场景，有两个前提。一是要有足够数量的数据，二是要有与之匹配的数据挖掘、清洗及运用的能力。极光大数据运用自身数据和自身技术实现了移动互联网大数据应用创新，为城市公共管理领域提供了多样化、全方位的支持。\u003C\u002Fp\u003E\u003Cp\u003E以下是极光大数据在城市公共管理中的实际应用案例。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E极光大数据在城市交通治理中的实际应用\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E交通治理一直是市政规划管理的重点和难点。运用大数据技术，极光数据团队与全球知名的智能交通企业PTV Group合作，帮助客户（某交通规划管理局）实现了动态的数据实时采集，数据实时加工以及数据实时分析，为该交管局在区域交通管理方面提供了道路优化算法，即通过对交通道口红绿灯策略的优化降低了道路拥堵，实现了一定程度上的交通运力优化。在这个案例中，极光的数据体现了以下价值：\u003C\u002Fp\u003E\u003Cp\u003E1)
极光大数据可以实现数据全生命周期服务\u003C\u002Fp\u003E\u003Cp\u003E2)
极光的数据密度和频度均可以保证实现区域客流的分析和预测\u003C\u002Fp\u003E\u003Cp\u003E3)
极光大数据平台保证数据处理的时效性和准确性\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E方案介绍\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E数据来源于极光自有数据平台的数据采集。极光大数据依靠手机终端的位置信息进行实时采集获取设备位置，从而通过算法进行道路匹配和交通流量预测。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E通过上图可以看到，1小时内，通过交通信号灯的优化，该区域排队车辆（黄色线条）明显减少，而道路行驶流量（绿色线条）明显改善。\u003C\u002Fp\u003E\u003Cp\u003E此案例中，极光大数据运用了时序回归分析对道路交通的流量进行预测分析。普通问题都是线性问题，数据挖掘方法为解决非线性复杂系统的问题提供了一种新的解决途径，如神经网络、决策树、时序回归分析等。时序回归分析是将时间变量作为预测关键因子，通过时间序列搜索出的重复发生概率较高的模式，与回归一样，它也是用已知的数据预测未来的值。但这些数据的区别是变量所处时间的不同，所采用的方法一般是在连续时间流中截取一个时间窗口（一个时间段），窗口内的数据作为一个数据单元，然后让这个时间窗口在时间流上滑动，以获取建立模型所需要的训练集。\u003C\u002Fp\u003E\u003Cp\u003E我们在该区域采集到了20万设备信息，并将它们连续一周的3000万条位置轨迹信息进行了数据分析。结合客户提供的该区域路网信息，我们基于聚类算法开发了一套道路拟合算法实现位置轨迹到路网轨迹的拟合，通过轨迹采集的时间建立了时间序列模型，通过该模型对车辆停留时间和路网信号灯长短信息进行相关度分析，利用卷积神经网络算法建立了路网信号灯长度和拥堵情况的算法模型，通过模型训练，优化信号灯长度策略，实现排队车辆的数量降低。\u003C\u002Fp\u003E\u003Cp\u003E以上就是就极光大数据运用自身数据和自身技术实现的移动互联网大数据在城市公共管理中的应用创新。更多极光大数据在政府机关、金融机构、企事业单位、互联网企业、媒体广告、咨询调查机构等多个行业的实际案例，我们会陆续分享。\u003C\u002Fp\u003E&,&state&:&published&,&sourceUrl&:&&,&pageCommentsCount&:0,&canComment&:false,&snapshotUrl&:&&,&slug&:,&publishedTime&:&T13:43:01+08:00&,&url&:&\u002Fp\u002F&,&title&:&大数据治堵车？极光大数据助力交管局优化算法降低拥堵&,&summary&:&在大数据蓬勃发展的今天，像极光大数据这样的大数据平台可借助云计算的快速可扩展性、标准化服务、自助服务等特征，强化大数据的获取、处理、整合、分析、服务等技术支撑能力，进而促进敏捷化、个性化的数据应用开发，最终助力业务转型。运用大数据平台和大…&,&reviewingCommentsCount&:0,&meta&:{&previous&:null,&next&:null},&commentPermission&:&anyone&,&commentsCount&:0,&likesCount&:0},&next&:{&isTitleImageFullScreen&:false,&rating&:&none&,&titleImage&:&https:\u002F\u002Fpic4.zhimg.com\u002F50\u002Fv2-fc77d13c8abc089ef6d162_xl.jpg&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&topics&:[{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&互联网&},{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&数据分析&}],&adminClosedComment&:false,&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&author&:{&bio&:&国内领先的移动大数据服务商&,&isFollowing&:false,&hash&:&3a86afe991a96c462e3a74c58b04726b&,&uid&:140300,&isOrg&:false,&slug&:&you-ge-pi-dan-25&,&isFollowed&:false,&description&:&&,&name&:&极光市场部小分队&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fyou-ge-pi-dan-25&,&avatar&:{&id&:&v2-07eba24e916b5e0e5e8bb&,&template&:&https:\u002F\u002Fpic1.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},&column&:{&slug&:&jiguang&,&name&:&极光&},&content&:&\u003Cp\u003E——金融产品推荐中一种完美插补用户行为数据缺失的算法\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E引言：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E在刚刚结束的两会上“互联网金融”成为了代表委员们热议的话题。从政府工作报告对互联网金融发展的表述中可以看到，金融行业新一轮淘汰洗牌不可避免。在3月9日华夏互金私董会上，多位行业内人士分析认为，互联网金融淘汰赛进入到2.0时代。金融的本质决定你能否活着，而互联网则决定你的平台能活多久。大数据已经成为许多金融企业的核心资产，通过机器学习和大规模的大数据分析，以一种完全不同的方式来更快更精准的作出决策（如金融产品推荐），为企业创造更丰盛的价值，在众多竞争对手中脱颖而出。但由于大数据行业普遍存在数据开放共享不足、基础薄弱、应用领域单一等问题，这些问题会直接影响到模型的好坏。本文由极光大数据研究院数据挖掘工程师余承乐撰写，探讨金融产品推荐中一种完美插补用户行为数据缺失的算法。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E研究背景：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E基于海量的用户行为数据，极光大数据可提供全行业的综合营销整体解决方案，并且在低价值数据稠密、高价值数据稀疏处理上也有一定的研究。以金融产品智能推荐为例，众所周知，数据稀疏性问题是影响推荐系统质量的一个关键因素，它会直接造成推荐的准确性不高。针对推荐系统中存在的数据稀疏性问题，最直接的解决办法就是给空缺值设定一个固定的缺省值，一般设为评分域的中间值(如7分制评分中设为4)，或者设为用户对应标签所有评分的平均值，这种方法在一定程度上可以提高推荐的精度，但是并不能从根本上解决用户标签数据的稀疏性问题。\u003C\u002Fp\u003E\u003Cp\u003E目前，已有很多专家提出了一些有效的解决数据稀疏性的方法。这些方法基本可以分为两大类，一种是在数据稀疏性不变的情况下提高已有算法的精度，另一种就是采用一些可行的方法来尽量减小数据集的稀疏性。其中有用到奇异值分解(SVD)技术，通过对输入矩阵降维来降低数据稀疏性的。也有结合奇异值分解与最近邻算法，通过奇异值分解平滑输入矩阵，然后采用最近邻算法预测目标用户的标签缺失值。但是降维通常会导致用户标签信息丢失，并且分解算法复杂度高，在标签数据极端稀疏的情况下，效果并不理想。也有通过计算项目相似度来填充标签矩阵的方法，通过项目聚类，确保在同一类用户中，所有用户的标签评分最为相似。还有提出一种基于k-means 聚类的方法，首先对用户聚类，利用同类中的平均评分来预测标签矩阵中的缺失评分，这在一定程度上解决了数据稀疏的问题。不过这些插补方法都有其局限性，并不能很好的应用于全场景。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E极光研究方案：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E本文将重点讲述极光大数据是怎样利用改进后的RBF神经网络算法来高效预测用户标签缺失值填充稀疏矩阵，并对最终的推荐系统产生积极作用的。\u003C\u002Fp\u003E\u003Cp\u003E首先我们需要构建一个RBF神经网络。RBF神经网络的构建过程关键在于隐含层的设计。好的隐含层架构可以有效地提高神经网络性能，反之则会让网络性能大打折扣或者增加学习代价。隐含层的设计关键在于隐含层中心节点的选择。和传统的指定节点个数不同的是，我们设计了一种动态自适应的选择方法。首先随机确定一批中心节点，然后在此基础上运用自适应算法动态确定中心节点数。设随机选择的中心节点数目为n，每个中心节点对应的节点为ki。\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-3ad9ceb5d22_b.jpg\& data-rawwidth=\&1500\& data-rawheight=\&1601\& class=\&origin_image zh-lightbox-thumb\& width=\&1500\& data-original=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-3ad9ceb5d22_r.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E这样就可以有效的解决依靠经验指定RBF神经网络隐含层中心节点个数存在的问题了。\u003C\u002Fp\u003E\u003Cp\u003E在构建的用户标签评分矩阵中，由于用户标签数据的稀疏性，会直接影响到用户相似度的计算，造成推荐系统的推荐质量难以保证。针对稀疏矩阵的补全，我们利用已构建的RBF神经网络来预测标签评分矩阵中的空缺值，填充到原始稀疏矩阵中。\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-04f890ddb11100bbf15d582a17e64313_b.jpg\& data-rawwidth=\&1500\& data-rawheight=\&1934\& class=\&origin_image zh-lightbox-thumb\& width=\&1500\& data-original=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-04f890ddb11100bbf15d582a17e64313_r.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E实证效果：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E为了验证算法的有效性，我们采用了极光用户画像数据集进行试验。数据集通过**银行客户对其七类金融产品的购买行为做正样本，为其他客户提供相应的产品推荐列表。样本数据集由10000名用户的有效行为特征标签评分和对该网推出的七类金融产品的购买行为数据组成。根据试验需要，我们将数据分为训练集（80%）和测试集（20%）两部分。\u003C\u002Fp\u003E\u003Cp\u003E分别采用常用的均值插补和文中提出的算法进行稀疏矩阵填充，各自生成新的用户评分矩阵。这里举例展示矩阵插补的效果，U表示评分用户，L表示有效行为特征标签。表1是原始用户行为特征评分矩阵，表2是均值插补后的矩阵，表3是改进算法填充后的矩阵。\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-b7cadd2a4b_b.jpg\& data-rawwidth=\&3000\& data-rawheight=\&1992\& class=\&origin_image zh-lightbox-thumb\& width=\&3000\& data-original=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-b7cadd2a4b_r.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-8deeee32d303abf466d5545b_b.jpg\& data-rawwidth=\&3000\& data-rawheight=\&1992\& class=\&origin_image zh-lightbox-thumb\& width=\&3000\& data-original=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-8deeee32d303abf466d5545b_r.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic1.zhimg.com\u002Fv2-2d7274e2bece674f32dee8_b.jpg\& data-rawwidth=\&3000\& data-rawheight=\&1992\& class=\&origin_image zh-lightbox-thumb\& width=\&3000\& data-original=\&http:\u002F\u002Fpic1.zhimg.com\u002Fv2-2d7274e2bece674f32dee8_r.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E通过经典协同过滤算法对测试用户进行推荐，得出两套推荐结果。我们采用推荐系统评价指标中的多样性作为此次评价标准。好的推荐结果中要体现多样性，比如看电影，我既喜欢看格斗类的电影，同时又喜欢爱文艺，那么给我的推荐列表中就应该这两个类型的电影都有，而且得根据我爱好比例来推荐，比如我平时80%是看格斗类的，20%是看文艺类的，那么推荐结果中最好也是这个比例。可以根据物品间的相似度来计算，一个推荐列表中如果所有物品间的相似度都比较高，那么往往说明都是同一类物品，缺乏多样性。表4、5分别为两种插补后的用户推荐列表，FIN1~7分别代表消费金融类、借贷金融类、小额现金借贷类、金融中介、支付金融类、传统金融（银行类）和汽车金融共七类金融产品。\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-8aa81ca1906540bdbbdefe_b.jpg\& data-rawwidth=\&3000\& data-rawheight=\&1992\& class=\&origin_image zh-lightbox-thumb\& width=\&3000\& data-original=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-8aa81ca1906540bdbbdefe_r.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic2.zhimg.com\u002Fv2-8c641ccca9abc49d8ae01_b.jpg\& data-rawwidth=\&3000\& data-rawheight=\&1992\& class=\&origin_image zh-lightbox-thumb\& width=\&3000\& data-original=\&http:\u002F\u002Fpic2.zhimg.com\u002Fv2-8c641ccca9abc49d8ae01_r.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E这里我们用差异系数（CV）来评价推荐的多样性。可以很直观的看到表2的差异系数远远大于表1，而且表2中对任一用户七类金融产品的推荐强弱排序与表1是保持一致的。这不仅说明了改进算法插补后的用户推荐更具多样性，而且进一步证明了改进的RBF神经网络算法既能很好的解决标签稀疏问题，又可以完整的保持用户的原始行为特征。实验结果表明，改进的RBF神经网络算法可以很好的解决用户标签的稀疏性问题，提高推荐系统的准确度，丰富推荐结果的多样性。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E总结：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E在金融行业中，大数据的应用范围很广，例如花旗银行通过大数据分析为财富管理客户推荐产品，美国银行利用积累的客户点击数据为客户提供有竞争的信用额度服务，招商银行利用客户行为数据定时给客户推送针对性的广告，里面有客户可能感兴趣的理财产品和优惠信息。不仅是金融领域，医疗行业、生物技术、零售业、电商、农牧业等等，各行各业的发展都一直在依赖着数据，通过机器学习和大数据分析，决策者将会发现决定一件事、判断一件事、了解一件事不再变得困难。\u003C\u002Fp\u003E&,&state&:&published&,&sourceUrl&:&&,&pageCommentsCount&:0,&canComment&:false,&snapshotUrl&:&&,&slug&:,&publishedTime&:&T13:57:16+08:00&,&url&:&\u002Fp\u002F&,&title&:&忘掉大数据之“术”，点“数”成金&,&summary&:&——金融产品推荐中一种完美插补用户行为数据缺失的算法 \u003Cb\u003E引言：\u003C\u002Fb\u003E在刚刚结束的两会上“互联网金融”成为了代表委员们热议的话题。从政府工作报告对互联网金融发展的表述中可以看到，金融行业新一轮淘汰洗牌不可避免。在3月9日华夏互金私董会上，多位行业内人…&,&reviewingCommentsCount&:0,&meta&:{&previous&:null,&next&:null},&commentPermission&:&anyone&,&commentsCount&:0,&likesCount&:1}},&annotationDetail&:null,&commentsCount&:0,&likesCount&:2,&FULLINFO&:true}},&User&:{&you-ge-pi-dan-25&:{&isFollowed&:false,&name&:&极光市场部小分队&,&headline&:&&,&avatarUrl&:&https:\u002F\u002Fpic1.zhimg.com\u002Fv2-07eba24e916b5e0e5e8bb_s.jpg&,&isFollowing&:false,&type&:&people&,&slug&:&you-ge-pi-dan-25&,&bio&:&国内领先的移动大数据服务商&,&hash&:&3a86afe991a96c462e3a74c58b04726b&,&uid&:140300,&isOrg&:false,&description&:&&,&badge&:{&identity&:null,&bestAnswerer&:null},&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fyou-ge-pi-dan-25&,&avatar&:{&id&:&v2-07eba24e916b5e0e5e8bb&,&template&:&https:\u002F\u002Fpic1.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}},&Comment&:{},&favlists&:{}},&me&:{},&global&:{&experimentFeatures&:{&ge3&:&ge3_9&,&ge2&:&ge2_1&,&androidPassThroughPush&:&all&,&sEI&:&c&,&nwebQAGrowth&:&experiment&,&qawebRelatedReadingsContentControl&:&close&,&liveStore&:&ls_a2_b2_c1_f2&,&qawebThumbnailAbtest&:&new&,&nwebSearch&:&nweb_search_heifetz&,&rt&:&y&,&showVideoUploadAttention&:&true&,&isOffice&:&false&,&enableTtsPlay&:&post&,&newQuestionDiversion&:&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F&,&newLiveFeedMediacard&:&new&,&newMobileAppHeader&:&true&,&hybridZhmoreVideo&:&yes&,&nwebGrowthPeople&:&default&,&nwebSearchSuggest&:&default&,&qrcodeLogin&:&qrcode&,&enableVoteDownReasonMenu&:&enable&,&isf8&:&0&,&isShowUnicomFreeEntry&:&unicom_free_entry_off&,&newMobileColumnAppheader&:&new_header&,&androidDbRecommendAction&:&open&,&zcmLighting&:&zcm&,&androidDbFeedHashTagStyle&:&button&,&appStoreRateDialog&:&close&,&default&:&None&,&isNewNotiPanel&:&no&,&wechatShareModal&:&wechat_share_modal_show&,&growthBanner&:&default&,&androidProfilePanel&:&panel_b&}},&columns&:{&next&:{},&jiguang&:{&following&:false,&canManage&:false,&href&:&\u002Fapi\u002Fcolumns\u002Fjiguang&,&name&:&极光&,&creator&:{&slug&:&javenfang&},&url&:&\u002Fjiguang&,&slug&:&jiguang&,&avatar&:{&id&:&d26ea63a09ab2ea9ad0b&,&template&:&https:\u002F\u002Fpic6.zhimg.com\u002F{id}_{size}.jpg&}}},&columnPosts&:{},&columnSettings&:{&colomnAuthor&:[],&uploadAvatarDetails&:&&,&contributeRequests&:[],&contributeRequestsTotalCount&:0,&inviteAuthor&:&&},&postComments&:{},&postReviewComments&:{&comments&:[],&newComments&:[],&hasMore&:true},&favlistsByUser&:{},&favlistRelations&:{},&promotions&:{},&switches&:{&couldSetPoster&:false},&draft&:{&titleImage&:&&,&titleImageSize&:{},&isTitleImageFullScreen&:false,&canTitleImageFullScreen&:false,&title&:&&,&titleImageUploading&:false,&error&:&&,&content&:&&,&draftLoading&:false,&globalLoading&:false,&pendingVideo&:{&resource&:null,&error&:null}},&drafts&:{&draftsList&:[],&next&:{}},&config&:{&userNotBindPhoneTipString&:{}},&recommendPosts&:{&articleRecommendations&:[],&columnRecommendations&:[]},&env&:{&edition&:{&baidu&:false,&yidianzixun&:false,&qqnews&:false},&isAppView&:false,&appViewConfig&:{&content_padding_top&:128,&content_padding_bottom&:56,&content_padding_left&:16,&content_padding_right&:16,&title_font_size&:22,&body_font_size&:16,&is_dark_theme&:false,&can_auto_load_image&:true,&app_info&:&OS=iOS&},&isApp&:false,&userAgent&:{&ua&:&Mozilla\u002F5.0 (compatible, MSIE 11, Windows NT 6.3; Trident\u002F7.0; rv:11.0) like Gecko&,&browser&:{&name&:&IE&,&version&:&11&,&major&:&11&},&engine&:{&version&:&7.0&,&name&:&Trident&},&os&:{&name&:&Windows&,&version&:&8.1&},&device&:{},&cpu&:{}}},&message&:{&newCount&:0},&pushNotification&:{&newCount&:0}}}