加载中…
个人简介
专注于社会化O2O电商,数据分析
个人资料
路人120817
路人120817 新浪个人认证
  • 博客等级:
  • 博客积分:0
  • 博客访问:207,929
  • 关注人气:47
  • 获赠金笔:0支
  • 赠出金笔:0支
  • 荣誉徽章:
博主要说的话

你好,我是小菜一碟,既然是技术博客,就让拿新浪的bug放在首页,就是这么任性

个人经历
学校:
  • 西安交通大学 学院/专业专业

    2009年入读

公司:
  • 浙江森马电子商务

    2012年11月至今

树莓派

树莓派攻略

树莓派攻略

导航

推广链接

csdn

技术分享

搜博主文章
图片播放器
访客
加载中…
我去过的地方
国内 (3篇)
国外 (0篇)
博文
CPO(call per order,每个订单的电话联系次数)是衡量一个电子商务网站流程是否合理、用户帮助是否完善、顾客服务是否到位的一个很重要的综合指标。它的计算公式是:CPO=电话呼入总量÷有效订单数。CPO越低说明网站的顾客服务越是贯彻到了网站的点滴之中,最好的服务是让用户不再需要服务。CPO的降低对于顾客体验的提升是非常有帮助的,对降低公司的运营成本影响也是巨大的。毕竟往往顾客打电话咨询或投诉客服是无奈之举;而如果能有效降低这些电话的拨入,客服的精力也可以大大释放,同时电话费用、坐席费用、补偿费用的节省可以大幅降低公司的运营成本。为了推进CPO的有效降低,需要从CPO数据中剖析问题,优化内部流程及系统操作,提升顾客体验,并从流程优化及数据分析中了解顾客行为,提供更好的自助服务,并引导顾客使用,降低运营成本。在实际操作中,比如1号店在系统平台方面实施了CPO项目,为CPO的降低提供系统平台的支持。首先对CPO进行了责任类型归类,针对每一通顾客来电记录其责任所属部门,以及每通来电的原因分类。然后通过系统对一段时间的CPO责任数据的分析,可以找到对CPO影响最大的几类问题,对这几类影响最大的问题进行深入分析,找出几个最有效的
阅读  ┆ 评论  ┆ 转载 ┆ 收藏 
标签:

杂谈

这个世上,有些事解释得清楚,有些事解释不清楚;所以不需要解释,免得越抹越黑;

心里没有锅,背上更没有;

不是我看不上你,是你压根就不应该看上我;​

一个女孩子呀,往往因为自己长得漂亮就虚荣,虚荣没有根基,很容易就昙花一现了;

招工啊,我们这儿可是前门,招工得走后门,你不知道?

不过像你这种吃进去还能吐出来的也真不容易,比那些光吃不拉的强点儿;

钱是挣来的,不是偷来的也不是骗来的,挣钱不该死,偷钱该死,骗钱该死,这个万物有灵,钱也有,你尊敬它,它就尊敬你,知道吗,这样钱就愿意跟你在一块儿待着;

对于初恋我对你惟一的忠告就是,你现在啊,用百分之百的努力辛勤耕耘,但是呢只用百分之一的心情期待收获,免得你失恋你活不下去;

全世界的初恋, 十有八九最后就变成回忆了,你放心好了,让你回忆的一定是你没有得到的。正因为人们要不断的回忆,所以现在呢要尽最大可能地把它美好了,别等到你该回忆的时候,你突然发现,自己没什么可以回忆的,那人生就惨点;

失恋这滋味儿不好受,我得说我理解,但不等于说我理解你这么丧魂落魄,失恋不是失败,你不能败得连

阅读  ┆ 评论  ┆ 转载 ┆ 收藏 
(2018-03-26 18:12)
今天在hive中插入数据的时候使用了中文,结果select出来的全是乱码,经测试以下方法能够得以解决,特此记录
select * from dept;
+----------+----------------+--+
| dept.id | dept.position |
+----------+----------------+--+
| 1 | ceo |
| 1 | 保安 |
| 3 | 保洁 |
| 4 | 会计 |
| 6 | 员工 |
| 7 | 前台 |
| 8 | 律师 |
| 5 | 员工 |
+----------+----------------+--+
为防止乱码,我们可以采用以下insert方法:
insert into dept select decode(binary('1'),'utf-8'),decode(binary('ceo'),'utf-8');
insert into dept select decode(binary('1'),'utf-8'),decode(binary('保安'),'utf-8');
insert into dept select decode(binary('3'),'utf-8'),decode(binary('保洁'),'utf-8');
insert into dept select decode(binary('4'),'utf-8'),decode(binary('会计'),'utf-8');
insert into dept select decode(binary('5'),'utf-8'),decode
阅读  ┆ 评论  ┆ 转载 ┆ 收藏 

mac安装MySQL后(安装文件),不能直接在命令行中mysql。


因为命令行直接查找的是/usr/local/bin下边的命令,需要我们把mysql的命令放到.bash_profile中。


阅读  ┆ 评论  ┆ 转载 ┆ 收藏 
(2018-03-15 17:33)
日期函数UNIX时间戳转日期函数: from_unixtime语法:   from_unixtime(bigint unixtime[, string format])

返回值: string

说明: 转化UNIX时间戳(从1970-01-01 00:00:00 UTC到指定时间的秒数)到当前时区的时间格式

举例:

hive>   select from_unixtime(1323308943,’yyyyMMdd’) from dual;

20111208

获取当前UNIX时间戳函数: unix_timestamp语法:   unix_timestamp()

返回值:   bigint

说明: 获得当前时区的UNIX时间戳

举例:

hive>   select unix_timestamp() from dual;

1323309615

日期转UNIX时间戳函数: unix_timestamp语法:   unix_timestamp(string date)

阅读  ┆ 评论  ┆ 转载 ┆ 收藏 
(2017-12-27 17:41)
  1. FROM:对FROM子句中的前两个表执行笛卡尔积(Cartesian product)(交叉联接),生成虚拟表VT1
  2. ON:对VT1应用ON筛选器。只有那些使为真的行才被插入VT2。
  3. OUTER(JOIN):如 果指定了OUTER JOIN(相对于CROSS JOIN 或(INNER JOIN),保留表(preserved table:左外部联接把左表标记为保留表,右外部联接把右表标记为保留表,完全外部联接把两个表都标记为保留表)中未找到匹配的行将作为外部行添加到 VT2,生成VT3.如果FROM子句包含两个以上的表,则对上一个联接生成的结果表和下一个表重复执行步骤1到步骤3,直到处理完所有的表
阅读  ┆ 评论  ┆ 转载 ┆ 收藏 
视频上传量日渐增多,在各视频网站中,存在了数以亿计的视频信息;作为网站的观看用户,很多时候并不知道自己想要看什么,就像到了一个有着琳琅满目商品的商场,看的眼花缭乱。这时候,有限的版面无法展示足够多的信息,大量的视频得不到曝光的机会,用户又不清楚该搜索什么来看。这时候,网站能够主动推荐一些视频给用户,而且是和用户有一定关系的视频,这样的用户体验确实不错。这种推荐服务就是我们今天要聊的个性化推荐服务。
    目前国内主流的视频网站都提供了猜你喜欢的个性化推荐版块。这个版块的内容产生方式,简单了说就是根据你在网站中的历史行为,比如观看视频,上传视频,搜藏视频,评论视频,订阅上传者。算出和你行为相关的视频。如果算法能做的更深入,甚至可以算出你的喜好,把和你喜好的同类型的视频推荐给你。
    下面就多聊一聊视频网站是如何产生猜你喜欢的视频。在视频推荐的算法中,有一个基础的算法:当看了视频A又看了视频B的行为逐渐积累起来,达到一定的量级的时候,就说视频A和视频B是相关视频。它有一个名称叫协同过滤。好了,我们现在有了视频的相关性,那下一步就可以把视频和人的行为联
阅读  ┆ 评论  ┆ 转载 ┆ 收藏 
首先看 方差分析表 对应的sig 是否小于0.05,如果小于0.05,说明整体回归模型显著,再看下面的回归系数表,如果这里的sig大于0.05,就说明回归模型不显著,下面的就不用再看了。
其次,在回归模型显著的基础上,看调整的R方,是模型拟合度的好坏,越接近1,说明拟合效果越好。这个在一般做论文中,不需要管它的高低,因为论文重在研究方法和思路的严谨性,导师不会追究你的结果是对是错,你的数据本身就不一定有质量,所以无所谓,不必在意。
第三  看具体回归系数表中每个自变量 对应的sig值,如果sig小于0.05,说明该自变量对因变量有显著预测作用,反之没有作用。
阅读  ┆ 评论  ┆ 转载 ┆ 收藏 
(2017-12-02 09:39)
T检验是平均值的比较方法。 T检验分为三种方法: 
     1. 单一样本t检验(One-sample t test),是用来比较一组数据的平均值和一个数值有无差异。例如,你选取了5个人,测定了他们的身高,要看这五个人的身高平均值是否高于、低于还是等于1.70m,就需要用这个检验方法。
     2. 配对样本t检验(paired-samples t test),是用来看一组样本在处理前后的平均值有无差异。比如,你选取了5个人,分别在饭前和饭后测量了他们的体重,想检测吃饭对他们的体重有无影响,就需要用这个t检验。 注意,配对样本t检验要求严格配对,也就是说,每一个人的饭前体重和饭后体重构成一对。 
     3. 独立样本t检验(independent t test),是用来看两组数据的平均值有无差异。比如,你选取了5男5女,想看男女之间身高有无差异,这样,男的一组,女的一组,这两个组之间的身高平均值的大小比较可用这种方法。 总之,选取哪种t检验方法是由你的数据特点和你的结果要求来决定的。 t检验会计算出一个统计量来,这个统计量就是t值, spss根据这个t值来计算sig值。
     因此,你可
阅读  ┆ 评论  ┆ 转载 ┆ 收藏 
(2017-10-10 17:42)
标签:

娱乐

文化

体育

汽车

分类: 数据分析
平时在一些数据处理中,经常会把原始数据取对数后进一步处理。之所以这样做是基于对数函数在其定义域内是单调增函数,取对数后不会改变数据的相对关系,取对数作用主要有:
1. 缩小数据的绝对数值,方便计算。例如,每个数据项的值都很大,许多这样的值进行计算可能对超过常用数据类型的取值范围,这时取对数,就把数值缩小了,例如TF-IDF计算时,由于在大规模语料库中,很多词的频率是非常大的数字。

阅读  ┆ 评论  ┆ 转载 ┆ 收藏 
  

新浪BLOG意见反馈留言板 电话:4006900000 提示音后按1键(按当地市话标准计费) 欢迎批评指正

新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 会员注册 | 产品答疑

新浪公司 版权所有