diff --git a/_sidebar.md b/_sidebar.md index b2701a9..45bf04f 100644 --- a/_sidebar.md +++ b/_sidebar.md @@ -85,33 +85,6 @@ - [6.5.1.2 陆奇：数字化转型的一系列介绍](/智能制造/数字化转型/99~参考资料/陆奇：数字化转型的一系列介绍.md) - [6.6 智能汽车](/智能制造/智能汽车/README.md) - - [7 电商与新零售 [11]](/电商与新零售/README.md) - - [7.1 LBS [1]](/电商与新零售/LBS/README.md) - - [7.1.1 滴滴](/电商与新零售/LBS/滴滴.md) - - 7.2 商品 [1] - - [7.2.1 商品](/电商与新零售/商品/商品.md) - - 7.3 客服 [2] - - [7.3.1 人力管理](/电商与新零售/客服/人力管理.md) - - [7.3.2 客服指标](/电商与新零售/客服/客服指标.md) - - [7.4 广告 [1]](/电商与新零售/广告/README.md) - - [7.4.1 计算广告](/电商与新零售/广告/计算广告.md) - - [7.5 支付 [1]](/电商与新零售/支付/README.md) - - [7.5.1 结算](/电商与新零售/支付/结算/README.md) - - - [7.6 新零售](/电商与新零售/新零售/README.md) - - - [7.7 汽车电商](/电商与新零售/汽车电商/README.md) - - - 7.8 红包 [1] - - [7.8.1 红包分配](/电商与新零售/红包/红包分配.md) - - [7.9 结构设计 [3]](/电商与新零售/结构设计/README.md) - - [7.9.1 前端架构](/电商与新零售/结构设计/前端架构.md) - - [7.9.2 服务架构](/电商与新零售/结构设计/服务架构.md) - - [7.9.3 表结构](/电商与新零售/结构设计/表结构.md) - - [7.10 零售电商](/电商与新零售/零售电商/README.md) - - - [7.11 风控](/电商与新零售/风控/README.md) - - - 8 社交 [1] - - 8.1 元宇宙 [1] - - [8.1.1 游戏化的视觉强互动平台](/社交/元宇宙/游戏化的视觉强互动平台.md) \ No newline at end of file + - 7 社交 [1] + - 7.1 元宇宙 [1] + - [7.1.1 游戏化的视觉强互动平台](/社交/元宇宙/游戏化的视觉强互动平台.md) \ No newline at end of file diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/LBS/README.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/LBS/README.md" deleted file mode 100644 index 10b9211..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/LBS/README.md" +++ /dev/null @@ -1 +0,0 @@ -# LBS diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/LBS/\346\273\264\346\273\264.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/LBS/\346\273\264\346\273\264.md" deleted file mode 100644 index 99d5b2f..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/LBS/\346\273\264\346\273\264.md" +++ /dev/null @@ -1,75 +0,0 @@ -# 地图数据：POI 信息和路网信息 - -## 地图数据分层标记 - -地图数据可以分为两个层次：一是高清地图，二是标清地图。除了自动驾驶小范围在探索高清地图外，绝大部分应用都是基于标清地图。标清地图数据主要包括 POI（Point of Interest）信息和路网信息。POI 信息也称为起终点信息，涵盖楼栋、小区地址、小区各个门所在位置、商业/普通住宅等信息，更深入一点，还可以涵盖地图上用户点评、打卡等图片和视频内容。 - -路网信息则是指从 A 点到 B 点所经过的道路条数、宽度、车道、限速、坡状、拐弯与否、交规细则、通行时间段限制等信息。它没有统一的规范，但行业内一般为每一个小路段附带 400 个左右的属性信息。路口、立交桥等特殊地点的信息更为复杂，或将包含更多的 3D 属性信息等等。 - -## 数据采集 - -一方面，出行场景天然会产生大量的连续、优质的轨迹数据，此外滴滴还可以与合作伙伴进行合作，获取补充的地图数据。另一方面，还可以基于司乘用户每天上报的数十万量级的路况事件来挖掘数据。其中，80-90%地图数据都是自动化挖掘的。数据挖掘方式大致分以下几类： - -- 以 POI 信息为例，滴滴通过分析大量的司乘上下车行为信息来进行 POI 生命周期的挖掘。如突然发现没有人打车去一个热门的 POI，通过分析信息数据，可能发现这个 POI 已经关门或搬迁，这便是数据挖掘得来的结论。 - -- 通过分析网约车的轨迹信息，运用大数据技术进行散点信息融合，也能够挖掘出更多的数据。虽然滴滴平台上单台车提供的信息密度、图像质量等跟正规的采集车有较大差距，但网约车总数量大，行车记录仪图像也更加丰富，每天的轨迹里程可以达到几亿公里的级别，蕴涵的信息熵更大。 - -## 地理时空信息精修 - -地理时空技术对出行平台而言非常重要，交易级地图对数据的要求也格外高。滴滴地图将地理时空信息分为数据生态层、数据层与引擎层。在数据生态层，除了滴滴本身积累的海量出行大数据，还包含很多行业合作伙伴为滴滴地图提供的丰富的天气、电子眼等数据信息，而数据层则存在于“数据生态层”之上，包含挖掘能力和数据生产能力。 - -泛挖掘能力有三大方面：一是轨迹挖掘，滴滴通过数据挖掘技术来自动化发现物理世界的变化，如一个主路或繁华道路在高峰时段 10 分钟内车流量骤降，运用数据挖掘技术构筑的“异常点检测”模型可以发现这个问题，自动化将结果推送到线上引擎；二是司乘上报挖掘，在滴滴的体系里，司乘每天的上报量极高；三是图像挖掘，为了安全以及司乘纠纷处置、管控等因素，行车记录仪覆盖了滴滴网约车 50%的订单，借助 AI 技术可以对行车记录仪对外摄像头的场景数据进行图像挖掘。 - -在数据生产能力方面，滴滴拥有巨大的数据生产平台，大部分数据可实现自动化生产，但在一部分复杂场景，还需要人工的介入。引擎层则在“数据层”之上，主要包括地理信息检索引擎、路径规划引擎与定位引擎等等。 - -## 业务数据分级响应 - -在内部地图数据建设体系中，如果某些点或某些路段用户使用频繁，绝对不允许出错，滴滴地图就会把这些数据划分为最高等级的数据，其余的数据层次和重要性会依次类推。最高层的要求是“立刻响应、立刻修正、立刻编辑、立刻生效”，如此一来，数据生产便完全由业务体验导向。 - -# 地图引擎 - -滴滴地图提供针对发单时的定位、上车推荐点，发单后的智能派单、调度、路径规划和预估到达时间，行程中的导航、安全保护、躲避拥堵和计费等能力，这背后离不开地理信息检索引擎、路径规划引擎、定位引擎、ETA、导航引擎、上下车引擎、推荐引擎这七大技术引擎的支撑。 - -- 地理信息检索引擎：基于大数据和 AI 技术，为用户提供精确的地理信息查询匹配。其中，Query 改写和分析模块，利用 HMM、CRF、NMT 等机器学习技术，实现了包含纠错、省略、同义、归一化、成分识别、意图识别等模块，全方位的用户输入能力的语义理解能力；索引召回，实现分词、别名、英文、区域、跨城、深度召回等多源召回策略，同时基于适合出行场景的相关性深度模型，保证召回质量；POI 排序，基于海量出行数据挖掘出距离、相关性、热度、个性化等多维特征，通过 LTR 实现智能排序引擎，确保用户体验。 - -- 路径规划引擎：基于精准的路网时空拓扑数据和海量的用户轨迹数据，利用深度学习和强化学习等技术，智能生成多条高质量的路线，路线会按照安全、用户偏航、行驶时间、距离等因素综合排序，给出综合性能最好的路线。此外，乘客可以根据路线选择功能选择自己期望的路线。 - -- 智能定位引擎：基于滴滴的大数据优势，结合 AI 技术，为司乘两端提供全时域精准、稳定的位置服务。在乘客端，建立了基于 CNN 端到端的网络定位技术，显著提升室内定位精度。在司机端，融合 AI 与传统航位推算及融合定位技术，建立了一套云边一体的智能定位解决方案。 - -- ETA：利用地图时空数据和海量出行大数据、AI 进行有效地特征学习和模型预测。模型对海量真实出行轨迹、路网拥堵数据、不同天气道路路况等特征进行自动学习，精准预估到达时间（ETA）。到达时间信息可以辅助用户做出行决策，也是路线排序选择的重要特征之一。 - -- 导航引擎：封装和保护几何数据的拓扑关系和导引数据，对上层提供路线分析、拓扑分析、引导信息等功能。针对复杂的道路拓扑，智能化的给予用户关键的道路驾驶提示，包括路口放大图、引导信息和语音播报等，帮助司机对道路拓扑和通行状况有更好的认识。 - -- 上下车点引擎：基于海量的司乘出行数据以及地理空间数据，利用时空表示学习和深度推荐技术构建精准的出行上下车位置推荐，结合场景化的上下车引导，帮助司乘顺利安全碰面、准确送达目的地，降低司乘的沟通成本，提升出行效率。 - -![云边一体化智能定位引擎](https://assets.ng-tech.icu/superbed/2021/07/26/60fe38df5132923bf8bc8ee6.jpg) - -![滴滴地图上下车点推荐引擎架构图](https://assets.ng-tech.icu/superbed/2021/07/26/60fe38f35132923bf8bcc3d5.jpg) - -目的地推荐引擎：基于用户历史出行数据和 AI 技术，滴滴地图建立了一套出行场景下的目的地预测方案。能基于高斯分布与冯米赛斯分布建立目的地概率统计连续特征，基于用户目的地时间与位置坐标建立多维度离散统计特征。通过 Tree 模型和 Embedding 更好地结合低维强特征与高维弱特征。Fusion 层进一步提高 FM 和 DNN 模型的融合效果，为用户精准推荐目的地，帮助用户更快出行。 - -## ETA - -地理时空信息与大数据、AI 技术有效地结合和交叉，可应用于网约车预估到达时间（ETA）。原本 ETA 是通过数学公式来构建，从 A 点到 B 点分多少路段，预测每个路段时间，进行加和，然后给出总路程时间，每一段的路程时间是基于当时获得的实时路况信息来估计。 - -而滴滴采用 AI 和大数据技术，将滴滴订单作为样本，样本特征涵盖道路的静态属性（如三车道、四车道、五车道、限速、拐弯、红绿灯）和动态特征（涵盖出发时间、行驶道路上的车流量、通行速度、路况等级等）。滴滴将这些静态和动态的特征构建成大规模的稀疏学习问题，应用工业界广泛使用的大规模样本特征，取得了较好的效果，其第一版机器学习模型比传统做法准确率提升 7%-8%。而随着模型的持续迭代，2018 年滴滴地图已经率先将深度学习技术应用于 ETA 计算，MAPE 测算指标误差（MAPE 值）进一步降至 10.5%。在滴滴尚未入局之前，行业内的 ETA 误差在 20%左右，其他地图厂商在使用 AI 算法以后也将误差降至 14%左右。 - -## 路线规划引擎 - -在路线规划上，以网约车使用 GNSS 轨迹点作为行程依据为例，由于 GNSS 轨迹点会受到很多因素的影响，如天气、高楼遮挡、电气折射等，将造成一定的偏移和误差。如何更加精准地给出计费里程？滴滴地图以路网数据为先验知识，采用序列深度模型，做状态转移的判断和推测，来提升滴滴平台提升计费里程的准确性。 - -而在路径规划上，路线规划引擎包含“路线生成引擎”和“路线决策引擎”。其中“路线生成引擎”主要由“图算法路线生成器”与“强化学习生成器”两部分组成。“图算法路线生成器”由实时、高效的单权值“图论算法”构成。而“强化学习生成器”则建构在一个完全真实的全程式的道路情况之上，它将城市里每一分、每一秒、每一条道路的通行状况作为 state，action 则是每一个决策，比如路口左转、右转或直行，而 reward 则通过生成路线的时间、价格、里程、通行采纳率来综合给出。 - -![基于深度学习的预估到达时间（ETA）技术](https://assets.ng-tech.icu/superbed/2021/07/26/60fe393c5132923bf8bd7fc2.jpg) - -“强化学习生成器”还面临比较大的计算效率问题：当前滴滴地图每天进行数百亿次路径规划调用，因此需要对强化学习的计算效率做优化，保证每一步搜索效率是最大的。滴滴地图在物理世界的地图上，利用多条候选路线的交叉、合并和重组，生成一个高效简洁的“子路网”，并在“子路网”上利用强化学习搜索出新的路线。 - -最后，路线决策引擎会考虑时间、里程、价格和“路线热度”、用户偏好等维度，通过“效用函数”来评估路线价值，并且考虑到了不同的业务场景，比如网约车、出租车或自驾导航等，以及不同的业务类型，比如专车或快车等，以期给用户最优解。 - -## 效果指标 - -如何评估路径规划与 ETA 的完成效果？在滴滴地图中，MAPE、零通话率、定点率等重要的效果指标就变得非常重要。MAPE：ETA 的测算指标，滴滴地图 ETA 当前可以达到平均误差比例在 10.5%左右，也就是一个小时的行程，平均偏差在 6 分钟左右。 - -零通话率：这是一个非常有体感的指标。在 4 年前，滴滴八成的订单都需要乘客给司机打电话反复确认位置，才能完成司机和乘客的顺利会面，现在只有两成以上的订单需要如此操作。司乘定位更精准，由于碰不到面而打电话的情况就非常少了。尽力实现零通话率，可以让用户体验更佳。 - -定点率：评估为乘客推荐上下车点准确率的重要技术指标。当平台推荐的上车/下车位置与乘客实际上车/下车位置的距离小于某个阈值（例如 30m），我们称为上车/下车定点。接送驾系统的更新迭代带来司乘碰面难度的持续下降，直接体现在上下车点定点率的持续提升。 diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/README.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/README.md" deleted file mode 100644 index 3de2a9e..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/README.md" +++ /dev/null @@ -1,5 +0,0 @@ -# 电商系统 - -本篇关联的代码实践请参考 [Reinvent-Mall](https://github.com/wx-chevalier/Reinvent-Mall)。 - -![](https://ww1.sinaimg.cn/large/007rAy9hly1g1wlc5pi74j30u00m241g.jpg) diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\225\206\345\223\201/\345\225\206\345\223\201.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\225\206\345\223\201/\345\225\206\345\223\201.md" deleted file mode 100644 index c3c3a63..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\225\206\345\223\201/\345\225\206\345\223\201.md" +++ /dev/null @@ -1,11 +0,0 @@ -# 商品 - -SPU，是 standard product unit，标准化产品单元，是商品信息聚合的最小单位，属性值、特性相同的商品就可以成为一个 SPU。在淘宝中你可能看不到 spu 这个概念，淘宝商品都拥有商品 ID(item design)，其实就是 spu。不像京东，直接来个 spuId = xxx 这样的直观。 - -SKU，全称 stock keeping unit，库存量单位。SKU 是用来定价和管理库存的。例如：7 Plus 有很多颜色，很多配置，每个颜色和配置的组合都会形成新的产品，这时就产生很多 SKU，sku 在传统线下行业也是一个非常常用的概念，尤其是服装行业，同款不同尺码不同色都是独立的 SKU，需要有独立的条形码，独立的库存管理等。 - -当我们在浏览器里访问：https://detail.tmall.com/item.htm?id=525248995106 和 https://detail.tmall.com/item.htm?id=535766993980 时，会看到两款不同的商品，这就是 SPU。每款商品中有不同的颜色，规格，尺寸等代表的就是 SKU。 - -上面的 id 就对应着一个 SPU，一个 SPU 可以有多个 SKU。SPU 用来区分品种，一般商家用来统计某个品种的销量。比如，A 商家统计 iphone 8 销量，就是 SPU 的维度来统计的。也可以从 SKU 的方向来统计，比如：A 商家统计 iphone 8 中黑色的销量。 - -https://ww1.sinaimg.cn/large/007rAy9hgy1fza00lnkdvj30f00buq3l.jpg diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\256\242\346\234\215/\344\272\272\345\212\233\347\256\241\347\220\206.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\256\242\346\234\215/\344\272\272\345\212\233\347\256\241\347\220\206.md" deleted file mode 100644 index e69de29..0000000 diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\256\242\346\234\215/\345\256\242\346\234\215\346\214\207\346\240\207.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\256\242\346\234\215/\345\256\242\346\234\215\346\214\207\346\240\207.md" deleted file mode 100644 index d6a4ca7..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\256\242\346\234\215/\345\256\242\346\234\215\346\214\207\346\240\207.md" +++ /dev/null @@ -1,15 +0,0 @@ -# 客服指标 - -平均 5 天满意度：评价提交用研满意量/评价提交用研参评量 - -平均 att：有效接起的服务时长/有效服务接起量，touch 粒度，服务时长的统计是从一个 touch 结束时间-touch 接起时间 - -平均即时满意度：当天提交评价中，提交满意的数在（满意+不满意+一般）的占比，基于 session 粒度 - -服务水平：30 秒新响应量(touch)/服务请求量(touch) - -平均接起量：当天接起服务请求的次数，含有效接起量和无效接起量；到 session 粒度，一通会员的咨询只算到最后一个小二； - -平均即时不满意度：当天提交评价中，提交不满意的数在（满意+不满意+一般）的占比，基于 session 粒度 - -平均 CPH：总服务接起量/在线登陆时长，session 粒度（在线登陆时长，小二上下线时间的总和，包含小休） diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\256\242\346\234\215/\345\256\242\346\234\215\347\263\273\347\273\237.xml" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\256\242\346\234\215/\345\256\242\346\234\215\347\263\273\347\273\237.xml" deleted file mode 100644 index 8eca534..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\256\242\346\234\215/\345\256\242\346\234\215\347\263\273\347\273\237.xml" +++ /dev/null @@ -1 +0,0 @@ -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 \ No newline at end of file diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\271\277\345\221\212/README.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\271\277\345\221\212/README.md" deleted file mode 100644 index 652f059..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\271\277\345\221\212/README.md" +++ /dev/null @@ -1,5 +0,0 @@ -# 广告系统 - -# Links - -- https://mp.weixin.qq.com/s/pY54bGV61rjbklSa15g5DQ diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\271\277\345\221\212/\350\256\241\347\256\227\345\271\277\345\221\212.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\271\277\345\221\212/\350\256\241\347\256\227\345\271\277\345\221\212.md" deleted file mode 100644 index 9292ffa..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\345\271\277\345\221\212/\350\256\241\347\256\227\345\271\277\345\221\212.md" +++ /dev/null @@ -1,5 +0,0 @@ -# 计算广告 - -# Links - -- https://mp.weixin.qq.com/s/qTAFD3MHALBbiYOYcJCRuA?from=groupmessage&isappinstalled=0 diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\346\224\257\344\273\230/README.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\346\224\257\344\273\230/README.md" deleted file mode 100644 index 54472e5..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\346\224\257\344\273\230/README.md" +++ /dev/null @@ -1,5 +0,0 @@ -# 支付 - -# Links - -- https://www.infoq.cn/article/W_DCLXJ282WDp92hUoqw diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\346\224\257\344\273\230/\347\273\223\347\256\227/README.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\346\224\257\344\273\230/\347\273\223\347\256\227/README.md" deleted file mode 100644 index 1f9d835..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\346\224\257\344\273\230/\347\273\223\347\256\227/README.md" +++ /dev/null @@ -1,10 +0,0 @@ -# 结算系统 - -中国的支付清算有两套体系 - -- 当你去 ATM 取钱时，用的是央行的 CNAPS(中国现代化支付清算系统) -- 当你用支付宝买买买时，用的是第三方支付的清算系统 - -国内目前的银行系统都是中心化的系统，银行间的结算最终都由中国人民银行的中心服务器作为所有支付行为最后的仲裁(即结算)，从而解决各银行在结算中的信息不对称问题——因为所有的银行都会，也必须信任中国人民银行的结算系统。 - -不过在跨境人民币支付中，很多情况下由于不存在一个中心结算系统，无法快速有效地解决针对多币种跨境支付的结汇需求。目前的 SWIFT、TARGET 等跨境支付结算组织都是通过建立结算中心和银行联盟，以便加入该联盟的金融机构都信任其结算中心来完成跨境支付。而在人民币跨境支付的推进过程中，要建立这种结算中心并推广使全世界的金融机构来信任是比较耗时费力的，尤其是在考虑到推行过程中某些国家的阻力时。 diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\346\226\260\351\233\266\345\224\256/README.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\346\226\260\351\233\266\345\224\256/README.md" deleted file mode 100644 index 1896f72..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\346\226\260\351\233\266\345\224\256/README.md" +++ /dev/null @@ -1,23 +0,0 @@ -# 新零售 - -新零售“新”在哪？它和旧零售有什么区别？对于这个问题，众说纷纭。阿里说新零售是“人、货、场”的重构；京东说零售的改变是零售基础设施的重构；亚马逊创始人贝索斯则认为，在未来的 10 年、20 年、30 年乃至 50 年，零售有三点东西是不会变化的：顾客永远喜欢低价的东西，永远希望尽快收到货，永远希望有更多的选择。 - -而新零售的本质并不改变这三个基础要素，只是更多的渠道和数字化创新让这三个要素更加紧密，为消费者提供了更好的体验。那么新零售如何让零售的基本要素更“新”呢？主要体现为以下几个方面： - -- 千店千面：总是致力于为不同消费者提供更好的消费体验。 -- 全渠道的订单履约能力：收到消费者订单不代表大功告成，恰恰相反，这是服务的开始。消费者不管在哪个渠道下单，商家都应该无差异地进行履约，这就涉及渠道能力和履约能力。 -- 要做到履约，零售还得有精准的供应链管理能力，不然拿到钱只能退款，消费体验也无从谈起。 - -零售行业在十年变革中，对 IT 技术的采纳与使用方式也发生了巨大的变化，一个绕不开的关键词就是“中台”。所谓成也中台败也中台，零售行业的技术采纳主要有以下几个变化。 - -- 从以 ERP 为核心的管理投资逐渐转向应对快速变化的运营管理，这也是从 ERP 到中台的变迁过程，其根本目的是应对多变的消费者需求和支撑灵活多变的市场运营。 -- 从渠道建设转向数字化能力构建。在自建官网、App、HTML5 网站等血本无归之后，企业 IT 采纳不再着眼于某一个渠道的建设，而是构建数字化中台的能力，进而驱动零售企业的全渠道订单履约和敏捷供应链协同的能力。 -- SaaS 的兴起让很多企业能够以更快、更低成本地完成数字化转型，传统的 IT 投资（如软件采购、自建机房等）占比逐渐降低，越来越多的企业 IT 投资变得愈加“敏捷”，通过 SaaS 来加快企业自身的数字化建设。这样做一方面使得初期成本更低，另一方面也加速了 IT 采纳，带来的好处就是业务试错成本的降低。 - -# 零售业的变革 - -随着生活方式的转变和科技的发展，零售行业在不断地发生变化。传统零售业中，“货”是绝对的主角，因为那时候经常买不到东西，供不应求。后来，出现了以苏宁、国美等为代表的大规模连锁店，以及以淘宝、京东为代表的大电商，这时“场”变为主角，也就是渠道，有流量就能卖的好。如今，伴随移动互联技术的普及，“人”终于成为零售商关注的焦点，零售企业也进入了以人为本、服务为核心的新时期。 - -这种“人-货-场”和零售理念的演变可以分成四个阶段：传统卖场（以大润发等为代表）、新兴卖场（以苏宁、国美等为代表）、互联网电商（以淘宝、京东和拼多多等为代表）、以个性化服务为核心的新时代。其实，以货、场为中心的传统零售业本质上没有区别。只要零售商拥有好的商品，或者拥有足够规模的渠道，商品就能卖得很好。但现在，商品的供需关系发生了巨大变化，供远大于求，零售商不得不为了把商品卖出去而大费心思，例如个性化销售、双十一、618 购物节活动、网红直销等等。 - -再来看看消费者的变化。首先，消费者的代际更迭。原来以 60 后、70 后为主力的消费主体正在逐渐被 80 后、90 后，甚至 00 后们所取代。其次，消费理念更新。新一代消费主力人群与上一代人明显不同，在商品上追求个性化和高品质，在购物的便利性上要求全渠道和可移动，同时还要兼顾社交需求和娱乐性等等。 diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\346\261\275\350\275\246\347\224\265\345\225\206/README.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\346\261\275\350\275\246\347\224\265\345\225\206/README.md" deleted file mode 100644 index 9b7ed33..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\346\261\275\350\275\246\347\224\265\345\225\206/README.md" +++ /dev/null @@ -1,5 +0,0 @@ -# 汽车电商 - -# Links - -- https://cubox.pro/c/38YXUC 对不起，汽车电商没有捷径 | 甲子光年 \ No newline at end of file diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\272\242\345\214\205/\347\272\242\345\214\205\345\210\206\351\205\215.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\272\242\345\214\205/\347\272\242\345\214\205\345\210\206\351\205\215.md" deleted file mode 100644 index c67a483..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\272\242\345\214\205/\347\272\242\345\214\205\345\210\206\351\205\215.md" +++ /dev/null @@ -1,27 +0,0 @@ -## 微信红包算法 - -```java -public static double getRandomMoney(LeftMoneyPackage _leftMoneyPackage) { - // remainSize 剩余的红包数量 - // remainMoney 剩余的钱 - if (_leftMoneyPackage.remainSize == 1) { - _leftMoneyPackage.remainSize--; - return (double) Math.round(_leftMoneyPackage.remainMoney * 100) / 100; - } - Random r = new Random(); - double min = 0.01; // - double max = _leftMoneyPackage.remainMoney / _leftMoneyPackage.remainSize * 2; - double money = r.nextDouble() * max; - money = money <= min ? 0.01: money; - money = Math.floor(money * 100) / 100; - _leftMoneyPackage.remainSize--; - _leftMoneyPackage.remainMoney -= money; - return money; -} -``` - -测试数据。测试结果测试随机红包以上面的初始化数据(30 人抢 500 块)，执行了两次，结果如下: // 第一次 15.69 21.18 24.11 30.85 0.74 20.85 2.96 13.43 11.12 24.87 1.86 19.62 5.97 29.33 3.05 26.94 18.69 34.47 9.4 29.83 5.17 24.67 17.09 29.96 6.77 5.79 0.34 23.89 40.44 0.92 - -// 第二次 10.44 18.01 17.01 21.07 11.87 4.78 30.14 32.05 16.68 20.34 12.94 27.98 9.31 17.97 12.93 28.75 12.1 12.77 7.54 10.87 4.16 25.36 26.89 5.73 11.59 23.91 17.77 15.85 23.42 9.77 对应图表如下： - -![](https://pic4.zhimg.com/383a5c9dd7451db4d1bde8f59dcc66fb_b.png) 还有一张: ![](https://pic1.zhimg.com/f3db54ba944f208ed8917651cbb7ce70_b.png) 多次均值 200 次 ![](https://pic2.zhimg.com/90c57b9fed9398b866e636a910e8f86d_b.png) 2000 次 ![](https://pic1.zhimg.com/9c9d0c51d6528c2ac6ae599a640c271c_b.png) 可以看到，这个算法可以让大家抢到的红包面额在概率上是大致均匀的。 diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\273\223\346\236\204\350\256\276\350\256\241/README.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\273\223\346\236\204\350\256\276\350\256\241/README.md" deleted file mode 100644 index 86580ed..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\273\223\346\236\204\350\256\276\350\256\241/README.md" +++ /dev/null @@ -1 +0,0 @@ -# 电子商务中的结构设计 diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\273\223\346\236\204\350\256\276\350\256\241/\345\211\215\347\253\257\346\236\266\346\236\204.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\273\223\346\236\204\350\256\276\350\256\241/\345\211\215\347\253\257\346\236\266\346\236\204.md" deleted file mode 100644 index e69de29..0000000 diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\273\223\346\236\204\350\256\276\350\256\241/\346\234\215\345\212\241\346\236\266\346\236\204.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\273\223\346\236\204\350\256\276\350\256\241/\346\234\215\345\212\241\346\236\266\346\236\204.md" deleted file mode 100644 index e69de29..0000000 diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\273\223\346\236\204\350\256\276\350\256\241/\350\241\250\347\273\223\346\236\204.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\273\223\346\236\204\350\256\276\350\256\241/\350\241\250\347\273\223\346\236\204.md" deleted file mode 100644 index f084c04..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\347\273\223\346\236\204\350\256\276\350\256\241/\350\241\250\347\273\223\346\236\204.md" +++ /dev/null @@ -1,9 +0,0 @@ -# 电商系统的表结构 - -MySQL SQL 版本参考 [mysql-mall-matrix](https://github.com/wx-chevalier/Backend-Boilerplates/blob/master/db/mysql/mysql-mall-matrix)。 - -# Links - -- https://github.com/ramortegui/e-commerce-db/blob/master/export/ecommerce-db-mysql-innodb.sql - -- https://blog.csdn.net/madehaiyoushei/article/details/84136908 diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\351\233\266\345\224\256\347\224\265\345\225\206/README.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\351\233\266\345\224\256\347\224\265\345\225\206/README.md" deleted file mode 100644 index 59e2d58..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\351\233\266\345\224\256\347\224\265\345\225\206/README.md" +++ /dev/null @@ -1,104 +0,0 @@ -# 零售电商 - -# 零售电商的三个阶段 - -电商本身，总共就三件事： - -- 流量转化：必须找到更便宜的拿到客户方法； -- 信任：要解决人靠谱、货靠谱两件事，转化率才能提升； -- 交付服务：行业不同，交付内容不同，而交付做得好，交易一定好； - -我把零售电商分为三个大的阶段： - -- 第一阶段是淘宝定标准，也确定了这个标准下的品类； -- 第二阶段大家不断发展，但只是在参与者的规模和层次上发展，品类层面没有发展； -- 第三阶段才是因为交付网络驱动了新品类的快速拓展。 - -# 第一阶段，淘宝定标准 - -淘宝从二手开始，很快发现中国市场的问题不是二手卖不掉，而是新货买不到。 -卖家怕发货不给钱，买家怕给钱不发货，这才有了支付宝，解决部分信任问题。 -各个行业电商化的进程，渐次解决了其中的核心问题。 - -## 服装长出信任标准 - -服装电商化从2004年就开始了。和美国不一样，中国先起来的竟然是非标品。因为单价低、时效要求不高，即便退换率很高，也挡不住服装卖家的迅速电商化。因为对卖家来说，电商扩大了销售半径，多做了生意；对服装厂来说，电商可以快速试款，热销款也可以让生产更集中。 - -也正因为服装需要多沟通，才有了“旺旺”这样的聊天工具，卖家也用“亲”表现了自己“人靠谱”的一面。淘宝的信用评价机制则让卖家有了自己的背书，打分越高，人越靠谱。 - -这些问题都解决了，服装蓬勃发展，始终是电商第一大类目。 - -## 小商品逼出物流升级 - -这是半标品，2006年开始的电商化。义乌的货太多，需要卖到全国各地，电商是最好的通道。东西不贵，物流就不能贵，买起来随意，物流就必须快。又便宜又快，邮政不行，三通一达就来了，那时候做到5元发江浙沪，次日达。事实上，是物流推着电商进入快车道。 - -### 数码和化妆品带来标准迭代 - -这两个都是标品，2007年初才开始电商化，两个行业几乎同时快速增长。 - -人们发现，信用和时效都不是问题了，就敢买了。但注意，先火起来的商家是深圳华强北的“国际手机”和杭州的“小也香水”这样的渠道贩子，他们被问最多的是“是不是行货”。一年后淘宝商城上线，各大品牌才开始开旗舰店，自己下场卖，货交给快递统一发。而京东自营数码和物流也是在这时候开始的。 - -这段时间，品牌商下场让人靠谱分出了层次，高时效让物流再升了一级。持续到现在。 - -### 家电把交付提上台面 - -先是小家电，然后是自己拆包就能用的黑电，比如电视，再是要上门安装的白电。从2010年开始，持续了4年多才成形，到现在海尔近一半的销售来自电商。 - -这中间，大家发现三通一达做不了大件物流，而德邦中铁又没法上门安装，海尔推出的日日顺就占有了市场，大件配送、到门安装、落地服务。“交付”第一次被当成和“交易”本身一样重要的环节被重视。因为送不到、安不上，消费者的问题就解决不了，线上卖了也白卖。 - -“交付”是从“交易下单”到“消费者正常使用”的中间过程，不仅限于物流，还包括配送、安装、服务等等消费者需要的服务。 - -至此，淘宝“定标准”的使命告一段落。这套标准是什么？ - -一套从展示到下单到交付的流程。结果是，做电商如果不像淘宝，客户就觉得不对； -有效解决“信任”问题的方式。包括人靠谱和货靠谱两个层面； -不同行业的交易，必须匹配这个行业的“交付”； - -# 第二阶段，谁都可以卖 - -淘宝建立了行业标准，但并不是所有环节都解决通了：“货靠谱”没解决完整；开店的门槛也太高；淘宝也也没在移动上占到先机，下沉市场的增量客户就没抓住。 - -所以第二阶段，就是各显神通：开店门槛不降低，微商就有了机会；未被互联网教育的下沉市场没占住，拼多多开始了；短视频占用客户大量时间的时候，抖音快手电商开始了。 - -## 第一波：导购电商 - -网上货多了，“什么值得买”成了问题。所以导购就干了这件事，让一群人到我这来看，我给你们都挑好了。 - -这层“货靠谱”是编辑推荐的，如果消费者的朋友推荐的，可信度就更高了。所以，一旦社群的力量出现，单纯的导购价值就很薄了。所以也就火了一阵。 - -## 第二波：社交电商 - -微信从2013年表现出了流量带货的能力，社交电商开始了。卖家是你的微信好友，把货通过朋友圈怼到你眼前，“人靠谱”的事情就解决了。你信这个人，就会有成交，反正也没多少钱，发现骗人大不了拉黑。 - -但是社交电商不可能有复杂的交付环节，所以卖得货品类很单一，都是便宜、利润高、买错了不心疼的那种。而且，手里没有货只管发朋友圈的那波家庭主妇毫无品控，忽悠和品质，微商被诟病也是必然的。 - -## 第三波：拼多多电商 - -拼多多蹭着微信的社交关系链快速积累了用户。“拼团”是“二姨也买了我也买一个呗”的“人靠谱”，而“货靠谱”的方法还是原来那套，但品类更窄了，价格更低了。而交付也还是快递。我认为目前，拼多多还在做规模，并没有创造新标准。 - -## 第四波：短视频电商 - -淘宝开店门槛太高，微信可以不开又逐渐衰败。抖音们就不一样了，似乎随便拍一个，就能玩着把货带了，此时大量卖家涌入。在这些DAU极高、娱乐底色极强的平台上卖货，几乎相当于在商场摆了个地摊。所以，把卖货的视频和闲逛的用户一匹配，新的业态出现了。 - -但要看到，卖家分配到的不是流量，是客户刷抖音时间中的一点点。所以，抖音电商只能选择那些“逛着顺手就买了，买了也不亏”的东西，诸如小商品。 - -所以，抖音电商产品品类像社交电商，叫卖方式像拼多多。“人靠谱”通过视频加深了一些，“货靠谱”还是老样子。 - -## 第五波：直播电商 - -当卖家发现，用户愿意花几个小时去看直播，那个播主还赚了很多钱，就想我也可以。当100万个人都开始直播，就成了群魔乱舞。品质不如电视购物，流量不够没法吃肉。坦率说，直播电商是促销性质的，没法成常态，因为流量效率特别低。 - -第二阶段没人更新交付，也就没有出现新品类。 - -整个第二阶段，没有任何人在“交付”上做文章。所以品类没有任何拓展，本质上就是通过各种“人靠谱”提升了交易转化而已。 - -当然，微商、抖音、直播也有很好的创造，就是卖的人和有货的人，甚至发货的人都分开了，大家各赚各的钱，利益机制做得越好，卖得也就越好。 - -# 第三阶段，交付拓品类 - -没小哥，外卖起不来；没冷链，生鲜起不来。 - -快递送外卖太慢了，密度也不够。所以饿了么、美团的外卖小哥出现了，本质上这是一个新的、与品类相匹配的交付方式。而交易层面，人靠谱，和货靠谱，点评也好、本地人的口碑也好都很好解决。所以一个行业的交付解决了，这个品类就拓展出来了。 - -生鲜也是一样，三通一达和日日顺都做不了冷链，那把冷链做了，就能送到距离客户最近的门店，甚至门口。鲜三文鱼和活帝王蟹的事儿就办了。 - diff --git "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\351\243\216\346\216\247/README.md" "b/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\351\243\216\346\216\247/README.md" deleted file mode 100644 index fbfe98b..0000000 --- "a/\347\224\265\345\225\206\344\270\216\346\226\260\351\233\266\345\224\256/\351\243\216\346\216\247/README.md" +++ /dev/null @@ -1,41 +0,0 @@ -# 风控 - -业务风险就是业务中产生的各类风险，主要是指不法分子利用业务规则漏洞和技术手段，进行薅羊毛、刷单炒信、数据爬取、账户盗用、信息冒用、盗卡盗刷、交易欺诈、虚假申贷等。 - -# 背景 - -移动支付的出现，让随时随地的在线交易成为可能。2013 年，一大批 O2O 服务如雨后春笋般出现。为了拓新拉客占领用户手机，企业的推广红包、优惠券、免单券等“羊毛”越来越多，一部分人开始利用社群社区有组织、有计划的薅羊毛。在可观收益的吸引下，“薅羊毛能赚钱”的理念迅速流行并扩散。 - -2014 年，大批互联网金融公司涌现，无门槛的加息券、返利券、现金和丰厚推广资金吸引了大批参与者，并创造出更多薅羊毛的方法和工具。也就是这一年开始，业务欺诈逐步呈现职业化、团伙化特征，并形成了信息倒卖、工具制作、攻击实施、商品转售的完整产业链条，业内称之为“黑灰产”。 - -2017 年《网络安全法》的实施，进一步遏制了网络攻击行为。而随着企业的数字化转型，企业越来越多的关键业务的暴露在互联网中，利用业务欺诈进行牟利成为无数网络黑灰产团伙的重要手段。权威部门的一项统计显示：网络黑灰产从业人员就已超过 150 万，市场规模达千亿。IDC 认为，中国数字化转型及数字化原生企业将长期面临业务欺诈的严峻挑战。 - -IDC 中国 IT 安全市场研究经理赵卫京表示，“黑灰产的欺诈攻击已经覆盖了几乎所有业务场景，业务安全反欺诈已经成为全球各行各业企业级用户不容忽视的问题。面对每天频繁的业务交互，如何实时精准识别海量数据的真实性、合规性对于业务提供者来说尤为重要。” - -# 策略 - -策略防护是业务安全 1.0 时代的特点，目前依旧被大部分企业采用。主要是基于业务规则、名单规则、行为规则等策略。 - -所谓业务规则，即业务设定的规则和条件，例如注册 48 小时才可以享受服务、新用户才能够享受优惠等等；名单规则即业务参与者的名单信息，包含风险 IP、恶意手机号、欺诈者名单、逾期名单等；行为规则即参与者从登录到交易结束的所有行为，包含进入平台、登录账号、比较选购、交易下单、完成支付等。 - -由于很多策略规则比较独立，这就导致兼容协同性弱，甚至出现了“互相打架”的情况。此外，很多策略是人为设置，主观局限性明显且灵活性不够，无法应对风险的快速变化。 - -# 数据模型 - -基于数据模型做防控是业务安全 2.0 时代的特征，已经广泛应用于银行业。做为整体业务防护的大脑，模型不仅可以防御已知风险，更能够挖掘未知的威胁，帮助企业提前做好未雨绸缪。 - -模型是基于目标群体的大规模数据采样和数据分析，挖掘出某个实际问题或客观事物的现象本质及运行规律，利用抽象的概念分析存在问题或风险，计算推演出减轻、防范问题或风险的对策过程，并形成一套体系化的策略或规则集。 - -模型建设是一个复杂的工程，一般需要几个或十几个专业开发人员，耗费几个月乃至大半年才能够完成。由于人才、技术、成本等原因，大部分企业并不具备模型建设的能力。由此也催生出一批创新企业，通过新技术新服务，让模型建设和应用落地更加快捷。 - -# 风控中台 - -自助化风控中台的出现，推动业务安全进入 3.0 时代。风控中台不仅提升了防控效果，更降低了建设和应用成本。 - -风控中台通过人工智能和大数据技术，将策略+系统+模型融形成标准化、模块化，实现数据对内的共享和对外服务的统一，打破“烟囱式”、“项目制”系统之间的集成和协作壁垒，提高服务重用率，降低前台业务的试错成本。使数据、规则、策略的实现共融共享和整体的联防联控，让策略、模型升级调优和配置更加灵活，帮助企业快速构建专属业务安全系统，有效防范已知和潜在未知风险，大幅降低部署建设成本，满足业务快速变化需求。 - -通过专业的业务安全体系，防范业务流程中出现的交易诈骗、网络诈骗、盗卡盗号等欺诈行为，避免企业遭遇各类欺诈威胁或遭受经济损失，保障企业整体业务逻辑的顺畅，帮助企业降低成本，提升运营效率和收益，推动行业的数字化转型。 - -# Links - -- https://vip.qidianla.com/course/detail/kgk0j.html