㈠ 大數據三大核心技術：拿數據、算數據、賣數據！
大數據的由來
對於「大數據」（Big data）研究機構Gartner給出了這樣的定義。「大數據」是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產。
1
麥肯錫全球研究所給出的定義是：一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統資料庫軟體工具能力范圍的數據集合，具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特徵。
大數據技術的戰略意義不在於掌握龐大的數據信息，而在於對這些含有意義的數據進行專業化處理。換而言之，如果把大數據比作一種產業，那麼這種產業實現盈利的關鍵，在於提高對數據的「加工能力」，通過「加工」實現數據的「增值」。
從技術上看，大數據與雲計算的關系就像一枚硬幣的正反面一樣密不可分。大數據必然無法用單台的計算機進行處理，必須採用分布式架構。它的特色在於對海量數據進行分布式數據挖掘。但它必須依託雲計算的分布式處理、分布式資料庫和雲存儲、虛擬化技術。
大數據需要特殊的技術，以有效地處理大量的容忍經過時間內的數據。適用於大數據的技術，包括大規模並行處理（MPP）資料庫、數據挖掘、分布式文件系統、分布式資料庫、雲計算平台、互聯網和可擴展的存儲系統。
最小的基本單位是bit，按順序給出所有單位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。
大數據的應用領域
大數據無處不在，大數據應用於各個行業，包括金融、 汽車 、餐飲、電信、能源、體能和 娛樂 等在內的 社會 各行各業都已經融入了大數據的印跡。
製造業，利用工業大數據提升製造業水平，包括產品故障診斷與預測、分析工藝流程、改進生產工藝，優化生產過程能耗、工業供應鏈分析與優化、生產計劃與排程。
金融行業，大數據在高頻交易、社交情緒分析和信貸風險分析三大金融創新領域發揮重大作用。
汽車 行業，利用大數據和物聯網技術的無人駕駛 汽車 ，在不遠的未來將走入我們的日常生活。
互聯網行業，藉助於大數據技術，可以分析客戶行為，進行商品推薦和針對性廣告投放。
電信行業，利用大數據技術實現客戶離網分析，及時掌握客戶離網傾向，出台客戶挽留措施。
能源行業，隨著智能電網的發展，電力公司可以掌握海量的用戶用電信息，利用大數據技術分析用戶用電模式，可以改進電網運行，合理設計電力需求響應系統，確保電網運行安全。
物流行業，利用大數據優化物流網路，提高物流效率，降低物流成本。
城市管理，可以利用大數據實現智能交通、環保監測、城市規劃和智能安防。
體育 娛樂 ，大數據可以幫助我們訓練球隊，決定投拍哪種 題財的 影視作品，以及預測比賽結果。
安全領域，政府可以利用大數據技術構建起強大的國家安全保障體系，企業可以利用大數據抵禦網路攻擊，警察可以藉助大數據來預防犯罪。
個人生活， 大數據還可以應用於個人生活，利用與每個人相關聯的「個人大數據」，分析個人生活行為習慣，為其提供更加周到的個性化服務。
大數據的價值，遠遠不止於此，大數據對各行各業的滲透，大大推動了 社會 生產和生活，未來必將產生重大而深遠的影響。
大數據方面核心技術有哪些？
大數據技術的體系龐大且復雜，基礎的技術包含數據的採集、數據預處理、分布式存儲、Nosql資料庫、數據倉庫、機器學習、並行計算、可視化等各種技術范疇和不同的技術層面。首先給出一個通用化的大數據處理框架，主要分為下面幾個方面：數據採集與預處理、數據存儲、數據清洗、數據查詢分析和數據可視化。
數據採集與預處理
對於各種來源的數據，包括移動互聯網數據、社交網路的數據等，這些結構化和非結構化的海量數據是零散的，也就是所謂的數據孤島，此時的這些數據並沒有什麼意義，數據採集就是將這些數據寫入數據倉庫中，把零散的數據整合在一起，對這些數據綜合起來進行分析。數據採集包括文件日誌的採集、資料庫日誌的採集、關系型資料庫的接入和應用程序的接入等。在數據量比較小的時候，可以寫個定時的腳本將日誌寫入存儲系統，但隨著數據量的增長，這些方法無法提供數據安全保障，並且運維困難，需要更強壯的解決方案。
Flume NG
Flume NG作為實時日誌收集系統，支持在日誌系統中定製各類數據發送方，用於收集數據，同時，對數據進行簡單處理，並寫到各種數據接收方(比如文本，HDFS，Hbase等)。Flume NG採用的是三層架構：Agent層，Collector層和Store層，每一層均可水平拓展。其中Agent包含Source，Channel和 Sink，source用來消費(收集)數據源到channel組件中，channel作為中間臨時存儲，保存所有source的組件信息，sink從channel中讀取數據，讀取成功之後會刪除channel中的信息。
NDC
Logstash
Logstash是開源的伺服器端數據處理管道，能夠同時從多個來源採集數據、轉換數據，然後將數據發送到您最喜歡的 「存儲庫」 中。一般常用的存儲庫是Elasticsearch。Logstash 支持各種輸入選擇，可以在同一時間從眾多常用的數據來源捕捉事件，能夠以連續的流式傳輸方式，輕松地從您的日誌、指標、Web 應用、數據存儲以及各種 AWS 服務採集數據。
Sqoop
Sqoop，用來將關系型資料庫和Hadoop中的數據進行相互轉移的工具，可以將一個關系型資料庫(例如Mysql、Oracle)中的數據導入到Hadoop(例如HDFS、Hive、Hbase)中，也可以將Hadoop(例如HDFS、Hive、Hbase)中的數據導入到關系型資料庫(例如Mysql、Oracle)中。Sqoop 啟用了一個 MapRece 作業(極其容錯的分布式並行計算)來執行任務。Sqoop 的另一大優勢是其傳輸大量結構化或半結構化數據的過程是完全自動化的。
流式計算
流式計算是行業研究的一個熱點，流式計算對多個高吞吐量的數據源進行實時的清洗、聚合和分析，可以對存在於社交網站、新聞等的數據信息流進行快速的處理並反饋，目前大數據流分析工具有很多，比如開源的strom，spark streaming等。
Strom集群結構是有一個主節點(nimbus)和多個工作節點(supervisor)組成的主從結構，主節點通過配置靜態指定或者在運行時動態選舉，nimbus與supervisor都是Storm提供的後台守護進程，之間的通信是結合Zookeeper的狀態變更通知和監控通知來處理。nimbus進程的主要職責是管理、協調和監控集群上運行的topology(包括topology的發布、任務指派、事件處理時重新指派任務等)。supervisor進程等待nimbus分配任務後生成並監控worker(jvm進程)執行任務。supervisor與worker運行在不同的jvm上，如果由supervisor啟動的某個worker因為錯誤異常退出(或被kill掉)，supervisor會嘗試重新生成新的worker進程。
Zookeeper
Zookeeper是一個分布式的，開放源碼的分布式應用程序協調服務，提供數據同步服務。它的作用主要有配置管理、名字服務、分布式鎖和集群管理。配置管理指的是在一個地方修改了配置，那麼對這個地方的配置感興趣的所有的都可以獲得變更，省去了手動拷貝配置的繁瑣，還很好的保證了數據的可靠和一致性，同時它可以通過名字來獲取資源或者服務的地址等信息，可以監控集群中機器的變化，實現了類似於心跳機制的功能。
數據存儲
Hadoop作為一個開源的框架，專為離線和大規模數據分析而設計，HDFS作為其核心的存儲引擎，已被廣泛用於數據存儲。
HBase
HBase，是一個分布式的、面向列的開源資料庫，可以認為是hdfs的封裝，本質是數據存儲、NoSQL資料庫。HBase是一種Key/Value系統，部署在hdfs上，克服了hdfs在隨機讀寫這個方面的缺點，與hadoop一樣，Hbase目標主要依靠橫向擴展，通過不斷增加廉價的商用伺服器，來增加計算和存儲能力。
Phoenix
Phoenix，相當於一個Java中間件，幫助開發工程師能夠像使用JDBC訪問關系型資料庫一樣訪問NoSQL資料庫HBase。
Yarn
Yarn是一種Hadoop資源管理器，可為上層應用提供統一的資源管理和調度，它的引入為集群在利用率、資源統一管理和數據共享等方面帶來了巨大好處。Yarn由下面的幾大組件構成：一個全局的資源管理器ResourceManager、ResourceManager的每個節點代理NodeManager、表示每個應用的Application以及每一個ApplicationMaster擁有多個Container在NodeManager上運行。
Mesos
Mesos是一款開源的集群管理軟體，支持Hadoop、ElasticSearch、Spark、Storm 和Kafka等應用架構。
Redis
Redis是一種速度非常快的非關系資料庫，可以存儲鍵與5種不同類型的值之間的映射，可以將存儲在內存的鍵值對數據持久化到硬碟中，使用復制特性來擴展性能，還可以使用客戶端分片來擴展寫性能。
Atlas
Atlas是一個位於應用程序與MySQL之間的中間件。在後端DB看來，Atlas相當於連接它的客戶端，在前端應用看來，Atlas相當於一個DB。Atlas作為服務端與應用程序通訊，它實現了MySQL的客戶端和服務端協議，同時作為客戶端與MySQL通訊。它對應用程序屏蔽了DB的細節，同時為了降低MySQL負擔，它還維護了連接池。Atlas啟動後會創建多個線程，其中一個為主線程，其餘為工作線程。主線程負責監聽所有的客戶端連接請求，工作線程只監聽主線程的命令請求。
Ku
Ku是圍繞Hadoop生態圈建立的存儲引擎，Ku擁有和Hadoop生態圈共同的設計理念，它運行在普通的伺服器上、可分布式規模化部署、並且滿足工業界的高可用要求。其設計理念為fast analytics on fast data。作為一個開源的存儲引擎，可以同時提供低延遲的隨機讀寫和高效的數據分析能力。Ku不但提供了行級的插入、更新、刪除API，同時也提供了接近Parquet性能的批量掃描操作。使用同一份存儲，既可以進行隨機讀寫，也可以滿足數據分析的要求。Ku的應用場景很廣泛，比如可以進行實時的數據分析，用於數據可能會存在變化的時序數據應用等。
在數據存儲過程中，涉及到的數據表都是成千上百列，包含各種復雜的Query，推薦使用列式存儲方法，比如parquent,ORC等對數據進行壓縮。Parquet 可以支持靈活的壓縮選項，顯著減少磁碟上的存儲。
數據清洗
MapRece作為Hadoop的查詢引擎，用於大規模數據集的並行計算，」Map(映射)」和」Rece(歸約)」，是它的主要思想。它極大的方便了編程人員在不會分布式並行編程的情況下，將自己的程序運行在分布式系統中。
隨著業務數據量的增多，需要進行訓練和清洗的數據會變得越來越復雜，這個時候就需要任務調度系統，比如oozie或者azkaban，對關鍵任務進行調度和監控。
Oozie
Oozie是用於Hadoop平台的一種工作流調度引擎，提供了RESTful API介面來接受用戶的提交請求(提交工作流作業)，當提交了workflow後，由工作流引擎負責workflow的執行以及狀態的轉換。用戶在HDFS上部署好作業(MR作業)，然後向Oozie提交Workflow，Oozie以非同步方式將作業(MR作業)提交給Hadoop。這也是為什麼當調用Oozie 的RESTful介面提交作業之後能立即返回一個JobId的原因，用戶程序不必等待作業執行完成(因為有些大作業可能會執行很久(幾個小時甚至幾天))。Oozie在後台以非同步方式，再將workflow對應的Action提交給hadoop執行。
Azkaban
Azkaban也是一種工作流的控制引擎，可以用來解決有多個hadoop或者spark等離線計算任務之間的依賴關系問題。azkaban主要是由三部分構成：Relational Database，Azkaban Web Server和Azkaban Executor Server。azkaban將大多數的狀態信息都保存在MySQL中，Azkaban Web Server提供了Web UI，是azkaban主要的管理者，包括project的管理、認證、調度以及對工作流執行過程中的監控等;Azkaban Executor Server用來調度工作流和任務，記錄工作流或者任務的日誌。
流計算任務的處理平台Sloth，是網易首個自研流計算平台，旨在解決公司內各產品日益增長的流計算需求。作為一個計算服務平台，其特點是易用、實時、可靠，為用戶節省技術方面(開發、運維)的投入，幫助用戶專注於解決產品本身的流計算需求
數據查詢分析
Hive
Hive的核心工作就是把SQL語句翻譯成MR程序，可以將結構化的數據映射為一張資料庫表，並提供 HQL(Hive SQL)查詢功能。Hive本身不存儲和計算數據，它完全依賴於HDFS和MapRece。可以將Hive理解為一個客戶端工具，將SQL操作轉換為相應的MapRece jobs，然後在hadoop上面運行。Hive支持標準的SQL語法，免去了用戶編寫MapRece程序的過程，它的出現可以讓那些精通SQL技能、但是不熟悉MapRece 、編程能力較弱與不擅長Java語言的用戶能夠在HDFS大規模數據集上很方便地利用SQL 語言查詢、匯總、分析數據。
Hive是為大數據批量處理而生的，Hive的出現解決了傳統的關系型資料庫(MySql、Oracle)在大數據處理上的瓶頸 。Hive 將執行計劃分成map->shuffle->rece->map->shuffle->rece…的模型。如果一個Query會被編譯成多輪MapRece，則會有更多的寫中間結果。由於MapRece執行框架本身的特點，過多的中間過程會增加整個Query的執行時間。在Hive的運行過程中，用戶只需要創建表，導入數據，編寫SQL分析語句即可。剩下的過程由Hive框架自動的完成。
Impala
Impala是對Hive的一個補充，可以實現高效的SQL查詢。使用Impala來實現SQL on Hadoop，用來進行大數據實時查詢分析。通過熟悉的傳統關系型資料庫的SQL風格來操作大數據，同時數據也是可以存儲到HDFS和HBase中的。Impala沒有再使用緩慢的Hive+MapRece批處理，而是通過使用與商用並行關系資料庫中類似的分布式查詢引擎(由Query Planner、Query Coordinator和Query Exec Engine三部分組成)，可以直接從HDFS或HBase中用SELECT、JOIN和統計函數查詢數據，從而大大降低了延遲。Impala將整個查詢分成一執行計劃樹，而不是一連串的MapRece任務，相比Hive沒了MapRece啟動時間。
Hive 適合於長時間的批處理查詢分析，而Impala適合於實時互動式SQL查詢，Impala給數據人員提供了快速實驗，驗證想法的大數據分析工具，可以先使用Hive進行數據轉換處理，之後使用Impala在Hive處理好後的數據集上進行快速的數據分析。總的來說：Impala把執行計劃表現為一棵完整的執行計劃樹，可以更自然地分發執行計劃到各個Impalad執行查詢，而不用像Hive那樣把它組合成管道型的map->rece模式，以此保證Impala有更好的並發性和避免不必要的中間sort與shuffle。但是Impala不支持UDF，能處理的問題有一定的限制。
Spark
Spark擁有Hadoop MapRece所具有的特點，它將Job中間輸出結果保存在內存中，從而不需要讀取HDFS。Spark 啟用了內存分布數據集，除了能夠提供互動式查詢外，它還可以優化迭代工作負載。Spark 是在 Scala 語言中實現的，它將 Scala 用作其應用程序框架。與 Hadoop 不同，Spark 和 Scala 能夠緊密集成，其中的 Scala 可以像操作本地集合對象一樣輕松地操作分布式數據集。
Nutch
Nutch 是一個開源Java 實現的搜索引擎。它提供了我們運行自己的搜索引擎所需的全部工具，包括全文搜索和Web爬蟲。
Solr
Solr用Java編寫、運行在Servlet容器(如Apache Tomcat或Jetty)的一個獨立的企業級搜索應用的全文搜索伺服器。它對外提供類似於Web-service的API介面，用戶可以通過http請求，向搜索引擎伺服器提交一定格式的XML文件，生成索引;也可以通過Http Get操作提出查找請求，並得到XML格式的返回結果。
Elasticsearch
Elasticsearch是一個開源的全文搜索引擎，基於Lucene的搜索伺服器，可以快速的儲存、搜索和分析海量的數據。設計用於雲計算中，能夠達到實時搜索，穩定，可靠，快速，安裝使用方便。
還涉及到一些機器學習語言，比如，Mahout主要目標是創建一些可伸縮的機器學習演算法，供開發人員在Apache的許可下免費使用;深度學習框架Caffe以及使用數據流圖進行數值計算的開源軟體庫TensorFlow等，常用的機器學習演算法比如，貝葉斯、邏輯回歸、決策樹、神經網路、協同過濾等。
數據可視化
對接一些BI平台，將分析得到的數據進行可視化，用於指導決策服務。主流的BI平台比如，國外的敏捷BI Tableau、Qlikview、PowrerBI等，國內的SmallBI和新興的網易有數等。
在上面的每一個階段，保障數據的安全是不可忽視的問題。
基於網路身份認證的協議Kerberos，用來在非安全網路中，對個人通信以安全的手段進行身份認證，它允許某實體在非安全網路環境下通信，向另一個實體以一種安全的方式證明自己的身份。
控制許可權的ranger是一個Hadoop集群許可權框架，提供操作、監控、管理復雜的數據許可權，它提供一個集中的管理機制，管理基於yarn的Hadoop生態圈的所有數據許可權。可以對Hadoop生態的組件如Hive，Hbase進行細粒度的數據訪問控制。通過操作Ranger控制台，管理員可以輕松的通過配置策略來控制用戶訪問HDFS文件夾、HDFS文件、資料庫、表、欄位許可權。這些策略可以為不同的用戶和組來設置，同時許可權可與hadoop無縫對接。
簡單說有三大核心技術：拿數據，算數據，賣數據。
㈡ 麥肯錫問題分析與解決技巧
盡管問題的重要性和緊急性（決定問題優先順序的兩個標准）有所不同，但都不能擱置不管，需要解決，這是所有問題的共通點。關鍵在於如何擬定解決策略，並將其付諸實踐。
解決」意味著，一旦做出決定就難以撤回
作者認為，問題的本質在於期望與現狀之間的落差
恢復原狀型」，「防範潛在型」，「追求理想型」。
恢復原狀型即現在與過去的狀態之間出現了落差，而原本的狀況是你期待的情形，因此需要恢復原狀
防範潛在型是相對於顯在型問題而言的，是指現階段尚未產生損害，但未來可能顯在化的問題
追求理想型問題發生的原因在於現狀沒有滿足期待的狀況。
雖然對問題進行了細分，但並不是說給某一問題定性之後就不會發生改變，問題是可能轉換的。
課題一：分析原因
「分析」是指針對對象的狀態和現象，追根究底地進行歸類。
事實調查
分析力
課題二：採取應對策略
（一）發現問題，進行分類
（二）分析原因
（三）結果驗證
視為原因的因素與結果之間有關聯性；
視為原因的因素發生在結果之前；
沒有其他干擾因素。
6W：What，Where，Which，When，Who，Why
3H：How，How much，How many
盡管問題的重要性和緊急性（決定問題優先順序的兩個標准）有所不同，但都不能擱置不管，需要解決，這是所有問題的共通點。關鍵在於如何擬定解決策略，並將其付諸實踐。
「解決」意味著，一旦做出決定就難以撤回。
問題的本質在於期望與現狀之間的落差。
根據目的和時間，可將問題分為：恢復原狀型、防範潛在型、追求理想型。
恢復原狀型問題，是我們工作和日常生活中最常見的問題。其基本課題有兩個：分析原因和採取應對策略。
分析原因的方法包括「6W3H」和差異分析。
由下而上是指從目前個別的狀況和現象著手，思考可能發生的不良狀態。其具體操作步驟如圖所示。
由上而下法是指先假設可能會發生的某種不良狀態，再思考引發這一狀態的誘因
開車最重要的就是安全
誘因分析：下雨天路面油脂浮現；猛踩剎車導致輪胎抱死；猛打方向盤；輪胎過度磨損等。
預防策略：下雨天不開車或者減速行駛；避免猛踩剎車；學會順暢地打方向盤；駕車前對輪胎進行檢查，定期對車和輪胎進行保養。
應對策略：預先進行練習，包括打滑時應該如何使用方向盤、安裝安全氣囊、購買保險等。
（一）明確理想——進行戰略性思考
從價值觀出發，定位理想。
另外，理想隨價值觀、立場、時間點而不同
（二）實現理想——解決規劃性課題
設定實現理想的期限。
列出必要條件
學習技術和知識
制訂實施計劃。
（一）發現問題
必須對事物的變化保持高度的敏感。
積極主動地發現問題
要以開闊的、大格局的視角來掌握事情的全貌，但是最好專注於自己的權責范圍，以當事者的身份解決問題
所謂SCQA分析，是通過對當事者的心理及狀況的描述，以設問的方式刻畫出課題的問題接近法。
（二）確定本質課題
「課題的設定，決定了解答的范圍。」
（一）評價替代方案
最好的做法是盡可能多地列出「各種替代方案」（Alternative Solution），一種能夠有效且全面網羅替代方案的方法是腦力激盪法（Brainstorming）
（二）制訂並執行行動計劃
由下而上是指從目前個別的狀況和現象著手，思考可能發生的不良狀態。由上而下法是指先假設可能會發生的某種不良狀態，再思考引發這一狀態的誘因。
理想隨價值觀、立場、時間點而不同。
實現理想的行動計劃必須包含以下項目：設定實現理想的期限；列出必要條件；學習技術和知識；制訂實施計劃。
SCQA分析，是通過對當事者的心理及狀況的描述，以設問的方式刻畫出課題的問題接近法。
課題的設定，決定了解答的范圍。具體課題設定的好壞，將直接影響到問題解決質量的優劣。
一項好的決策，除了能帶來期待的結果之外，還必須能預見決策之後可能發生的風險
列出各種風險因素之後，我們還需要繪制「風險矩陣
繪制完成之後，需要思考各因素之間的關系，縮小范圍
一項好的決策，除了能帶來期待的結果之外，還必須能預見決策之後可能發生的風險。
情境分析認為不可能完美地預測未來，只能以概率表示未來發展的方向。所以過度依賴或者花費過多時間在預測上都非明智之舉。
在製作環境腳本時，步驟為：掌握環境因素的結構、掌握各類風險的重要度、製作環境腳本。
製作腳本並非最終目的，而是為了提升解決問題的質量。因此，我們還需要將替代方案套用在環境腳本中，對替代方案做出評價。具體操作是以縱軸為環境腳本、橫軸為替代方案，繪制腳本/行動矩陣。
在選擇方案時，要遵循以下步驟：剔除超出容許范圍的解決策略；思考環境腳本各狀況的發生概率；考慮風險和報酬，選擇行動。
分析力的基礎就在於邏輯思考能力
（一）主張之後，提出論述
邏輯性的基本要求就是主張之後，提出論述
（二）檢視自己的邏輯
（三）鍥而不舍，反復檢驗假設
最能夠表現分析本質的思想方法是MECE，即相互排他性（Mutually Exclusive）與集合網羅性（Collectively Exhaustive），指拆解後的各個組成部分「不重復、不遺漏」的狀態。
一是，幫助理解對象結構的框架
二是，分析流程、幫助理解分析過程的框架。
三是，通過MECE分類後選取兩個獨立變數作為主軸，構建矩陣來整理事務。
在危機面前保持平常心與我們事先如何看待危機有較大的關系。
一是否定狀況。
二是在錯誤的時機追究責任
三是對狀況產生非現實性的評價
肯定相對性願望的價值
否定絕不退讓的價值
承認願望未達成的可能性
評價願望未達成的現實面
邏輯性的基本要求就是主張之後，提出論述。
在分析的過程中，我們需要在主張之後，提出論述；檢視自己的邏輯；鍥而不舍，反復檢驗假設。
追求邏輯性是永無止境的過程。好的問題解決者需要在有限的時間內找出最佳方案，並且精益求精。
最能夠表現分析本質的思想方法是MECE，意味相互排他性與集合網羅性，指拆解後的各個組成部分「不重復、不遺漏」的狀態。
失去平常心時，我們容易犯以下錯誤：否定狀況；在錯誤的時機追究責任；對狀況產生非現實性的評價。
良好的思考方式必須建構在以下幾個層面上：肯定相對性願望的價值；否定絕不退讓的價值；承認願望未達成的可能性；評價願望未達成的現實面。
適用於業務分析的五力
目前的產業競爭
潛在競爭者進入的能力
替代品的替代能力
供應商的討價還價能力
購買者的討價還價能力
思考組織戰略的7S
經營策略（Strategy
組織結構（Structure
運營系統（System）
經營風格（Style）
職員（Staff）
組織技能（Skill）
共享價值觀（Shared value
（四）擬定營銷策略的4P
4P包括：產品（Proct）、價格（Price）、促銷（Promotion）、渠道（Place）
相對市場佔有率高，市場成長率高的明日之星（Star）。雖獲利高，但需投入大量資金。
相對市場佔有率高，但市場成長率低的搖錢樹（Cash Cow）。不必追加大量投資就能獲利。
相對市場佔有率低，但市場成長率高的問題兒童（Problem Child）。雖目前赤字，但未來較有希望。
相對市場佔有率低，市場成長率低的敗犬（Dog）。置於矩陣的左下方，可忽略。
№33 構建矩陣的架構（一）
（一）分析事業組合的PPM矩陣
PPM矩陣版本是由波士頓顧問集團開發出來的，是企業用來檢討是否培育、維持、驗收或者撤退某項事業的分析工具，也可用於找出最佳事業組合。
該矩陣的橫軸為自家公司相對於大競爭對手的市場佔有率，縱軸為該項事業中長期的市場成長率的預測值。以「高」「低」兩個相對的狀態評價腳本驅動程序，可得出四種狀態：
相對市場佔有率高，市場成長率高的明日之星（Star）。雖獲利高，但需投入大量資金。
相對市場佔有率高，但市場成長率低的搖錢樹（Cash Cow）。不必追加大量投資就能獲利。
相對市場佔有率低，但市場成長率高的問題兒童（Problem Child）。雖目前赤字，但未來較有希望。
相對市場佔有率低，市場成長率低的敗犬（Dog）。置於矩陣的左下方，可忽略。
PPM矩陣
在矩陣中繪制出各個事業，就可以根據它所屬的位置來確定決策方向。最佳的事業組合應是從搖錢樹開始，積攢資金；將資金分配給明日之星和問題兒童，將其培育成搖錢樹，同時撤銷敗犬。
（二）用「產品—市場矩陣」思考成長策略
該矩陣以市場為縱軸，以產品為橫軸，以「既有」「新制」區分市場和產品這兩個獨立變數，得出以下狀況：
以既有產品進攻既有市場的市場滲透策略。這是企業成長的根本和第一步，滲透過程中，不可避免會出現效用遞減，即付出同樣的努力得到的回報減少。
以既有產品進攻新市場的市場開發策略。代表性的做法是擴大產品的銷售地域。
以新產品進攻既有市場的產品開發策略。可以通過為顧客提供更加豐富多元的產品，留住顧客。如網上的電子商城，往往不局限於一條產品線。市場開發策略和產品開發策略是企業成長的第二步。
以新產品進攻新市場的多元化戰略。如出版集團涉足房地產即為多元化，此時風險相對較大，因為這是全新的領域。挑戰與機遇並存，這是企業成長的最後一步。
思考事業戰略的3C包括：自家公司分析，競爭對手分析，顧客和市場分析。
五力包括：目前的產業競爭，潛在競爭者進入的能力，替代品的替代能力，供應商的討價還價能力，購買者的討價還價能力。
7S包括：經營策略，組織結構，運營系統，經營風格，職員，組織技能，共享價值觀。
4P營銷策略組合理論包括：產品、價格、促銷、渠道。
AIDMA模型顯示了顧客從知道產品到進行消費的整個流程：引起注意，引起興趣，喚起慾望，留下記憶，購買行動。
道歉啟事架構的具體流程如下：道歉，說明現狀，分析原因，說明應對策略，提出防止復發策略，表明責任。
㈢ 麥肯錫《問題分析與解決技巧》讀後感
這段時間斷斷續續地讀完了這本書，書中的一些技巧大家都總結地差不多了，而四象限法則其實也不過是老生常談的東西。我的感悟是人應該集中做那些重要的但是不緊急的事情，大誤。而且最好跟那些游戲，電視劇說再見，因為這些東西會無端地耗費你大量的時間，跟現實社會脫節，而這些時間本來可以用來做更加重要的事情的。切記切記。
這兩天真的是一天一本書的節奏吖，哈哈~看起書就完全停不下來，且看書速度越來越快啦，即使是這種看起來比較累的書籍！
不說別的，單是麥府的名氣，這本書也是值得一看的，至少對於我這個還未深涉職場的小皮皮蝦來說，還是有不少干貨的可供今後學習的，比如從發現問題到解決問題的5個步驟，以及後面非常重要的MECE原則在各種分析方法中的應用等等。不過每次讀日本人的作品，總覺得日式文風比較濃的，嘿嘿~作者舉出的案例我覺得還可以再豐富些~還是不噴啦，下面整理一些印象深刻的干貨吧：
【從發現問題到想出解決策略】
1、解決問題的基本步驟：
1----發現問題並分類
2----設定具體課題
3----找出替代方案
4----評估替代方案
5----實施解決策略
2、問題（Problem）的本質：期待的狀況與現狀之間的落差。
課題（Question）：追求答案的提問。
3、問題的3種類型及課題：
恢復原狀型：分析原因，採取應對策略；
防範潛在型：主動發掘問題，預防與應對並進；
追求理想型問題：定位理想（最終目標要明確）。
【情景分析，提升決策質量】
1、製作環境腳本3步：
1----掌握環境因素的結構；
2----掌握各類風險的重要度；
3----製作環境腳本。
2、在思考企業經營策略時，最具代表性的定量分析為「凈現值NPV」，即有多少賺頭。
3、解決策略的選擇順序：
剔除超出容許范圍的解決策略；
思考環境腳本各狀況的發生幾率；
考慮風險和報酬，再選擇行動。
【麥肯錫的強項：分析】
1、分析要合乎邏輯：
主張之後提出論述+見識主張和論述有沒有正確地聯結+鍥而不舍、反復檢驗假設。
2、MECE原則：Mutually Exclusive, Collectively Exhaustive, 相互排他性與集合網羅性，拆解後的各個組分「不重復、不遺漏」的狀態；
3、MECE的3種架構：
（1）有助於結構性理解的MECE架構：
思考事業戰略的「3C」
適用於業務分析的「五力」
思考組織策略的「7S」
擬定營銷策略的「4P」
分析推廣策略的「促銷組合」
（2）分析流程的MECE性架構：
顯示企業機能流程的「商業系統」
歸納消費決策流程的「AIDMA」模型
保全品牌名聲的「道歉啟事」架構
（3）以MECE獨立變數為軸所組成的「矩陣」：
思考事業組合的「PPM矩陣」
思考成長策略的「產品-市場矩陣」
檢討企業並購的「企業價值創造矩陣」
協助職業生涯規劃的「職業生涯矩陣」
4、分析架構是手段不是目的，明確每一種架構的定位到底是什麼
5、解決問題的心理素質：
（1）問題發生時，人常犯3種錯：否定狀況、在錯誤的時機追究責任、對狀況產生非現實性的評價；
（2）除了學習解決問題的技巧之外，最重要的訓練是如何保持平常心。
㈣ 管理學中哪些工具
SWOT分析模型...
SCOR模型...
SFO模型...
SCP分析模型(Structure-Conct-Performance Model，結構-行為-績效模型)
安索夫矩陣...
三維商業定義（Three Dimensional Business Definition）...
ADL矩陣...
安迪•格魯夫的六力分析模型...
標桿分析...
SERVQUAL模型...
魚骨圖(Cause & Effect/Fishbone Diagram)
頭腦風暴法...
PDCA循環...
帕累托法則(Pareto Principle,80/20法則)
SMART原則...
ABC分類法(Activity Based Classification)
KPI(Key Performance Indicator,關鍵績效指標)
波特鑽石理論模型（Michael Porter diamond Model）...
波特競爭戰略輪盤模型...
定向政策矩陣(Directional Policy Matrix，指導性政策矩陣，簡稱DPM或DP矩陣)
二元核心模式（al-core approach）...
服務金三角(Service Triangle)
福克納和鮑曼的顧客矩陣...
服務質量(Quality of Service,QoF)
全面質量管理...
朱蘭的質量三元論...
DMAIC模型...
六西格瑪(Six Sigma)
差距分析（Gap Analysis，又稱缺口分析、差異分析）...
CSP模型...
QSPM矩陣...
戰略地位與行動評價矩陣(SPACE矩陣)
波士頓矩陣(BCG Matrix)
BCG三四規則矩陣...
波士頓經驗曲線（BCG Experience Curve）...
內部因素評價矩陣(Internal Factor Evaluation Matrix，IFE矩陣)
外部因素評價矩陣(EFE矩陣)
內部-外部矩陣(Internal-External Matrix,IE矩陣)
大戰略矩陣(Grand Strategy Matrix)
變革五因素...
策略方格模型（Strategic Grid Model）...
波特行業競爭結構分析模型...
多點競爭戰略...
杜邦分析法（DuPont Analysis）...
GE矩陣(GE Matrix/Mckinsey Matrix)
蓋洛普路徑(The Gallup Path)
競爭資源四層次模型...
價值鏈信息化管理...
競爭優勢因果關系模式...
競爭對手分析工具（Competitor Analysis）...
完整價值鏈分析（VCA）的基本原理...
腳本法(Scenarios,Scenario Analysis)
KT決策法(KT Matrix)
擴張方法矩陣...
利益相關者分析(StakeholderAnalysis)
雷達圖分析法...
盧因的力場分析法...
六頂思考帽（Six Thinking Hats）...
華信惠悅人力資本指數(HCI,Human Capital Index)
橫向價值鏈分析...
行業內戰略集團分析...
基本競爭戰略(Generic Competitive Strategies)
競爭戰略三角模型(Triangle Model)
價值網模型(value net)
績效稜柱模型(Performance Prism)
利潤庫分析法...
核心競爭力分析模型（Core competence analysis）.
麥肯錫7S模型(Mckinsey 7S Model)
麥肯錫三層面理論（Three aspect theories）..
麥肯錫邏輯樹分析法...
諾蘭的階段模型...
PEST分析模型（PEST Analysis）...
PESTEL分析模型...
PAEI管理角色模型...
PIMS分析...
佩羅的技術分類...
企業素質與活力分析.
QFD法..
ECR系統(Efficient Consumer Response,有效消費者反應系統)
SECI模型(SECI Model)
過程決策程序圖法（PDPC法,Process Decision Program Chart）..
樹狀圖(Tree Diagram or Dedrogram)
關聯圖法 (Inter-relationship diagraph)
KJ法又稱A型圖解法、親和圖法（Affinity Diagram..
信息孤島...
管理信息系統（Management Information System，簡稱MIS）
價值鏈管理（Value Chain Management，VCM）.
學習型組織（Learning Organization）..
企業價值關聯分析模型...
企業競爭力九力分析模型..
企業戰略五要素分析法..
人力資源成熟度模型(People Capability Maturity Model，PCMM）.
人力資源經濟分析
RATER指數.
RFM模型...
瑞定的學習模型...
GREP模型..
3C戰略三角模型.
湯姆森和斯特克蘭方法.
V矩陣.
陀螺理論（Gyroscope Theory）.
SIPOC模型..
戰略鍾模型
戰略地圖(Strategy Map)
組織成長階段模型（Growth_Phases Model）..
戰略選擇矩陣..
管理要素分析模型..
戰略群模型.
綜合戰略理論.
重要性-迫切性模型（PQM）
知識鏈模型（Knowledge Chain）
知識價值鏈模型(Knowledge value chain, KVC)
知識螺旋(Knowledge Spiral)
平衡計分卡(The Balanced ScoreCard，簡稱BSC）
組織結構模型.
供應鏈管理(Supply Chain Management ,簡稱SCM)
波特價值鏈分析模型(Michael Porter's Value Chain Model)
客戶關系管理(Customer Relationship Management,CRM)
PIMS分析（Profit Impact of Market Strategies）.
企業核心能力（Core Capability of Enterprise)
BPR(Business Process Reengineering/Business Process Re-engineering，業務流程重組)
360度薪酬.
目標管理 （mbo）
魚缸會議..
情形分析圖
TDC矩陣（Time Distance Complexity Matrix）... 337
QQTC模型
PARTS戰略（Participators、Added values、Rules、Tactics、Scope）
布萊克的管理方格理論（Management Grid Theory）
布雷德福的敏感性訓練理論（Sensitivity Training）
情緒ABC理論
期望理論(Expectancy Theory)
「復雜人」假設
赫茲伯格的雙因素激勵理論.
霍桑效應
奧卡姆剃刀定律（Occam's Razor, Ockham's Razor）
符號互動論（symbolic interactionism.
戈夫曼擬劇論（Goffman's Dramaturgical Theory）
常人方法學（Ethnomethodology）
皮格馬利翁效應(Pygmalion Effect)
利克特的支持關系理論（Support Relation Theory）
馬斯洛人類需求五層次理論(Maslow's Hierarchy of Needs)
X理論和Y理論(Theory X and Theory Y)
理性選擇理論（Rational Choice Theory）
心理定格（Frames）
團體力學理論.
社會惰化(social loafing)
領導行為連續體理論（Leadership Continuum）
「自我實現人」假設（Self-Actualizing Man）
上面是一些常用的管理工具，希望對您有所幫助！
㈤ 大數據時代發展歷程是什麼
大數據技術發展史：大數據的前世今生
今天我們常說的大數據技術，其實起源於Google在2004年前後發表的三篇論文，也就是我們經常聽到的「三駕馬車」，分別是分布式文件系統GFS、大數據分布式計算框架MapRece和NoSQL資料庫系統BigTable。
你知道，搜索引擎主要就做兩件事情，一個是網頁抓取，一個是索引構建，而在這個過程中，有大量的數據需要存儲和計算。這「三駕馬車」其實就是用來解決這個問題的，你從介紹中也能看出來，一個文件系統、一個計算框架、一個資料庫系統。
現在你聽到分布式、大數據之類的詞，肯定一點兒也不陌生。但你要知道，在2004年那會兒，整個互聯網還處於懵懂時代，Google發布的論文實在是讓業界為之一振，大家恍然大悟，原來還可以這么玩。
因為那個時間段，大多數公司的關注點其實還是聚焦在單機上，在思考如何提升單機的性能，尋找更貴更好的伺服器。而Google的思路是部署一個大規模的伺服器集群，通過分布式的方式將海量數據存儲在這個集群上，然後利用集群上的所有機器進行數據計算。 這樣，Google其實不需要買很多很貴的伺服器，它只要把這些普通的機器組織到一起，就非常厲害了。
當時的天才程序員，也是Lucene開源項目的創始人Doug Cutting正在開發開源搜索引擎Nutch，閱讀了Google的論文後，他非常興奮，緊接著就根據論文原理初步實現了類似GFS和MapRece的功能。
兩年後的2006年，Doug Cutting將這些大數據相關的功能從Nutch中分離了出來，然後啟動了一個獨立的項目專門開發維護大數據技術，這就是後來赫赫有名的Hadoop，主要包括Hadoop分布式文件系統HDFS和大數據計算引擎MapRece。
當我們回顧軟體開發的歷史，包括我們自己開發的軟體，你會發現，有的軟體在開發出來以後無人問津或者寥寥數人使用，這樣的軟體其實在所有開發出來的軟體中佔大多數。而有的軟體則可能會開創一個行業，每年創造數百億美元的價值，創造百萬計的就業崗位，這些軟體曾經是Windows、Linux、Java，而現在這個名單要加上Hadoop的名字。
如果有時間，你可以簡單瀏覽下Hadoop的代碼，這個純用Java編寫的軟體其實並沒有什麼高深的技術難點，使用的也都是一些最基礎的編程技巧，也沒有什麼出奇之處，但是它卻給社會帶來巨大的影響，甚至帶動一場深刻的科技革命，推動了人工智慧的發展與進步。
我覺得，我們在做軟體開發的時候，也可以多思考一下，我們所開發軟體的價值點在哪裡？真正需要使用軟體實現價值的地方在哪裡？你應該關注業務、理解業務，有價值導向，用自己的技術為公司創造真正的價值，進而實現自己的人生價值。而不是整天埋頭在需求說明文檔里，做一個沒有思考的代碼機器人。
Hadoop發布之後，Yahoo很快就用了起來。大概又過了一年到了2007年，網路和阿里巴巴也開始使用Hadoop進行大數據存儲與計算。
2008年，Hadoop正式成為Apache的頂級項目，後來Doug Cutting本人也成為了Apache基金會的主席。自此，Hadoop作為軟體開發領域的一顆明星冉冉升起。
同年，專門運營Hadoop的商業公司Cloudera成立，Hadoop得到進一步的商業支持。
這個時候，Yahoo的一些人覺得用MapRece進行大數據編程太麻煩了，於是便開發了Pig。Pig是一種腳本語言，使用類SQL的語法，開發者可以用Pig腳本描述要對大數據集上進行的操作，Pig經過編譯後會生成MapRece程序，然後在Hadoop上運行。
編寫Pig腳本雖然比直接MapRece編程容易，但是依然需要學習新的腳本語法。於是Facebook又發布了Hive。Hive支持使用SQL語法來進行大數據計算，比如說你可以寫個Select語句進行數據查詢，然後Hive會把SQL語句轉化成MapRece的計算程序。
這樣，熟悉資料庫的數據分析師和工程師便可以無門檻地使用大數據進行數據分析和處理了。Hive出現後極大程度地降低了Hadoop的使用難度，迅速得到開發者和企業的追捧。據說，2011年的時候，Facebook大數據平台上運行的作業90%都來源於Hive。
隨後，眾多Hadoop周邊產品開始出現，大數據生態體系逐漸形成，其中包括：專門將關系資料庫中的數據導入導出到Hadoop平台的Sqoop；針對大規模日誌進行分布式收集、聚合和傳輸的Flume；MapRece工作流調度引擎Oozie等。
在Hadoop早期，MapRece既是一個執行引擎，又是一個資源調度框架，伺服器集群的資源調度管理由MapRece自己完成。但是這樣不利於資源復用，也使得MapRece非常臃腫。於是一個新項目啟動了，將MapRece執行引擎和資源調度分離開來，這就是Yarn。2012年，Yarn成為一個獨立的項目開始運營，隨後被各類大數據產品支持，成為大數據平台上最主流的資源調度系統。
同樣是在2012年，UC伯克利AMP實驗室（Algorithms、Machine和People的縮寫）開發的Spark開始嶄露頭角。當時AMP實驗室的馬鐵博士發現使用MapRece進行機器學習計算的時候性能非常差，因為機器學習演算法通常需要進行很多次的迭代計算，而MapRece每執行一次Map和Rece計算都需要重新啟動一次作業，帶來大量的無謂消耗。還有一點就是MapRece主要使用磁碟作為存儲介質，而2012年的時候，內存已經突破容量和成本限制，成為數據運行過程中主要的存儲介質。Spark一經推出，立即受到業界的追捧，並逐步替代MapRece在企業應用中的地位。
一般說來，像MapRece、Spark這類計算框架處理的業務場景都被稱作批處理計算，因為它們通常針對以「天」為單位產生的數據進行一次計算，然後得到需要的結果，這中間計算需要花費的時間大概是幾十分鍾甚至更長的時間。因為計算的數據是非在線得到的實時數據，而是歷史數據，所以這類計算也被稱為大數據離線計算。
而在大數據領域，還有另外一類應用場景，它們需要對實時產生的大量數據進行即時計算，比如對於遍布城市的監控攝像頭進行人臉識別和嫌犯追蹤。這類計算稱為大數據流計算，相應地，有Storm、Flink、Spark Streaming等流計算框架來滿足此類大數據應用的場景。 流式計算要處理的數據是實時在線產生的數據，所以這類計算也被稱為大數據實時計算。
在典型的大數據的業務場景下，數據業務最通用的做法是，採用批處理的技術處理歷史全量數據，採用流式計算處理實時新增數據。而像Flink這樣的計算引擎，可以同時支持流式計算和批處理計算。
除了大數據批處理和流處理，NoSQL系統處理的主要也是大規模海量數據的存儲與訪問，所以也被歸為大數據技術。 NoSQL曾經在2011年左右非常火爆，涌現出HBase、Cassandra等許多優秀的產品，其中HBase是從Hadoop中分離出來的、基於HDFS的NoSQL系統。
我們回顧軟體發展的歷史會發現，差不多類似功能的軟體，它們出現的時間都非常接近，比如Linux和Windows都是在90年代初出現，Java開發中的各類MVC框架也基本都是同期出現，Android和iOS也是前腳後腳問世。2011年前後，各種NoSQL資料庫也是層出不群，我也是在那個時候參與開發了阿里巴巴自己的NoSQL系統。
事物發展有自己的潮流和規律，當你身處潮流之中的時候，要緊緊抓住潮流的機會，想辦法脫穎而出，即使沒有成功，也會更加洞悉時代的脈搏，收獲珍貴的知識和經驗。而如果潮流已經退去，這個時候再去往這個方向上努力，只會收獲迷茫與壓抑，對時代、對自己都沒有什麼幫助。
但是時代的浪潮猶如海灘上的浪花，總是一浪接著一浪，只要你站在海邊，身處這個行業之中，下一個浪潮很快又會到來。你需要敏感而又深刻地去觀察，略去那些浮躁的泡沫，抓住真正潮流的機會，奮力一搏，不管成敗，都不會遺憾。
正所謂在歷史前進的邏輯中前進，在時代發展的潮流中發展。通俗的說，就是要在風口中飛翔。
上面我講的這些基本上都可以歸類為大數據引擎或者大數據框架。而大數據處理的主要應用場景包括數據分析、數據挖掘與機器學習。數據分析主要使用Hive、Spark SQL等SQL引擎完成；數據挖掘與機器學習則有專門的機器學習框架TensorFlow、Mahout以及MLlib等，內置了主要的機器學習和數據挖掘演算法。
此外，大數據要存入分布式文件系統（HDFS），要有序調度MapRece和Spark作業執行，並能把執行結果寫入到各個應用系統的資料庫中，還需要有一個大數據平台整合所有這些大數據組件和企業應用系統。
圖中的所有這些框架、平台以及相關的演算法共同構成了大數據的技術體系，我將會在專欄後面逐個分析，幫你能夠對大數據技術原理和應用演算法構建起完整的知識體系，進可以專職從事大數據開發，退可以在自己的應用開發中更好地和大數據集成，掌控自己的項目。
希望對您有所幫助！~
㈥ RPA是什麼技術
RPA被認為是處理重復性、規則性業務的前沿技術。目前RPA廣泛應用於政府企業的業務數字化升級，助力政企提質降本增效，但是在不同的行業場景中，RPA的應用形態往往有所差異，以實在智能RPA數字員工為例，已為眾多金融、運營商、能源、電商等領域企業和政府提供數字化轉型（智能化+自動化）解決方案。大家也可以通過以下文章更好地了解到RPA的真正用處
想知道RPA是干什麼的，首先需要對RPA的發展歷程有清晰的了解，接下來，我們為大家梳理一下不同階段的RPA應用的狀態。
一、RPA剛出現時：
RPA一詞出現在2000年。此時的RPA已經比之前的「類RPA」有所不同，「取其精華，去其槽粕，推陳出新，革故鼎新」可以很好地總結這一階段的發展情況。
它已經能將人工智慧技術和自動化技術有效結合，其中應用最多的還是OCR技術，這讓RPA軟體不再依賴於代碼進行屏幕抓取，而是允許用戶以可視化的方式來使用拖放功能，建立流程管理工作流，並且將重復勞動自動化。這種方式降低了用戶的使用門檻，無需專業編碼知識即可迅速獲取數據與搭建流程，也是RPA的價值所在。
但是這個階段的RPA在落地過程中難以被市場所接受，好比如數字化積累，企業生產力的選擇，企業增長桎梏的主要矛盾等等這些因素，還有技術手段無法解決廠家的自動化問題，部分的自動化看起來就像時雞肋，因為人工成本較低的情況下，往往考慮的是加人數。
二、RPA出現後：
隨著RPA開始通過簡單的操作系統解決更復雜的任務，並且操作容易上手，越來越多的行業大規模投入使用。例如：BPO（Business process outsourcing ，業務流程外包）。
BPO將RPA視為提升效率和生產力的關鍵驅動因素。兩者相輔相成，藉助RPA，BPO以更低成本效益、更快響應能力的優勢快速實現辦公自動化。同時，RPA也得以在外包領域落地。
接著在2010年後，隨著「互聯網+」和「智能+」提上發展日程，RPA這項技術在各行各業實現了快速增長，特別是在保險、醫療保健、銀行、新零售等行業。
RPA的實施大幅降低了人力成本，提高了生產力，同時減少了錯誤。
三、2020艾瑞報告一葉知秋-《2020中國RPA報告》
近兩年，RPA廠商如雨後春筍般大量涌現，如何在競爭中形成自己的優勢？實在智能的做法是：憑借先天AI優勢，不斷提升AI競爭力的同時，深入更多業務場景，賦予用戶實現不同非結構化數據業務場景（如發票提取、語音文本轉換等）的自動化，打造最准確、最高效、最懂用戶的智能自動化產品，即章魚數字員工。
實在智能在傳統「三件套「架構的基礎上，獨創了自研AI能力平台「智能雲腦」Z-Brain。智能雲腦集成了包括Chatbot、數據平台、演算法平台等多種AI能力。其中，在自然語言處理領域，Z-Brain覆蓋了包括BERT、ALBERT、RoBERTa等最新演算法；在計算機視覺領域，Z-Brain覆蓋了DB、PMTD、RARE等最新演算法。具備自學習、高效迭代、自動調參、多場景融合技術，可以輸出AI組件，完成大規模復雜場景的智能決策。
「由上而下的應用策略，說明組織的管理者看到了RPA在發展中起到的關鍵作用，可有效地通過RPA實現數字化轉型；由下而上則說明實際需求是存在的，這兩者需求普遍是共同存在的。因此，只有剛需自動化的存在，才會進一步激發RPA市場的發展，並且市場的覺醒速度將越來越快。初期只是在金融、銀行等數據量較大的領域率先應用，但隨著AI技術不斷迭代變得越來越智能，將會在更多的業務場景看到RPA的身影。」
㈦ 信息數據析方法：定量分析、情境分析、3c分析
一，定量分析。盡量分析的工具多種多樣，但都源於三個基本點，
①比較：分析的本質就是比較，這是最常見的定量分析方式
②構成：構成就是將事物的整體局部進行比較，比如說市場佔有率，成本比率，客戶轉化率等概念，就屬於以上對比構成為核心的定量分析工具。
③變化：變化是指同一事物在時間軸各個位置上呈現的不同的特點。
二、情境分析：情境指的是描寫一個環境的故事，該環境中存在有待解決的問題，換句話說，情境就是想像環境的未來藍圖，它能表現出各種關系在未來會發生什麼變化，讓我們更好地應對無法掌控的因素。麥肯錫的情境分析包括傳統的環境預測分析和多腳本的情景分析。情境分析法不能百分之百的預測未來，我們只能參考，而不能過分的依賴，但他可以幫我們提高處置不確定因素的反應速度。
三、3c分析：我們在構建市場戰略規劃時，可以使用3C分析的模型，3c就是分別指自家公司的分析，競爭對手的分析，市場和客戶的分析，這種分析模型可以讓我們知己知彼，全面評估自己當前的實力。在解決問題的前半段過程中，麥肯錫專家會先把3c視為個別項目來分析，設置相應的課題。到後半段時再設計一個整合三個項目的一體化解決方案，分解為三個分析角度，最後將其合而為一，就是3c分析的指導思想。
㈧ 系統分析方法的咨詢工具
索夫矩陣 案例面試分
析工具/框架 ADL矩陣 安迪·格魯夫的
六力分析模型 波士頓矩陣 標桿分析法 波特五力分析
模型 波特價值鏈
分析模型 波士頓經驗曲線 波特鑽石理論模型 貝恩利潤池
分析工具 波特競爭戰略
輪盤模型 波特行業競爭結構
分析模型 波特的行業組織
模型 變革五因素 BCG三四規則矩陣 產品/市場演變
矩陣 差距分析 策略資訊系統 策略方格模型 CSP模型 創新動力模型 定量戰略計劃矩陣 大戰略矩陣 多點競爭戰略 杜邦分析法 定向政策矩陣 德魯克七種
革新來源 二元核心模式 服務金三角 福克納和鮑曼的
顧客矩陣 福克納和鮑曼的
生產者矩陣 FRICT籌資分析法 GE矩陣 蓋洛普路徑 公司層戰略框架 高級SWOT分析法 股東價值分析 供應和需求模型 關鍵成功因素
分析法 崗位價值評估 規劃企業願景的
方法論框架 核心競爭力分析
模型 華信惠悅人力
資本指數 核心競爭力識別
工具 環境不確定性分析 行業內的戰略群體
分析矩陣 橫向價值鏈分析 行業內戰略集團
分析 IT附加價值矩陣 競爭態勢矩陣 基本競爭戰略 競爭戰略三角模型 競爭對手分析論綱 價值網模型 績效稜柱模型 價格敏感性測試法 競爭對手的成本分析 競爭優勢因果關系
模式 競爭對手分析工具 價值鏈分析方法 腳本法 競爭資源四層次模型 價值鏈信息化管理 KJ法 卡片式智力激勵法 KT決策法 擴張方法矩陣 利益相關者分析 雷達圖分析法 盧因的力場分析法 六頂思考帽 利潤庫分析法 流程分析模型 麥肯錫7S模型 麥肯錫七步分析法 麥肯錫三層面理論 麥肯錫邏輯樹分析法 麥肯錫七步成詩法 麥肯錫客戶盈利性
矩陣 麥肯錫5Cs模型 內部外部矩陣 內部因素評價矩陣 諾蘭的階段模型 牛皮紙法 內部價值鏈分析 NMN矩陣分析模型 PEST分析模型 PAEI管理角色模型 PIMS分析 佩羅的技術分類 PESTEL分析模型 企業素質與活力分析 QFD法 企業價值關聯分析
模型 企業競爭力九力分析
模型 企業戰略五要素分析法 人力資源成熟度模型 人力資源經濟分析 RATER指數 RFM模型 瑞定的學習模型 GREP模型 人才模型 ROS/RMS矩陣 3C戰略三角模型 SWOT分析模型 四鏈模型 SERVQUAL模型 SIPOC模型 SCOR模型 三維商業定義 虛擬價值鏈 SFO模型 SCP分析模型 湯姆森和斯特克蘭
方法 V矩陣 陀螺模型 外部因素評價矩陣 威脅分析矩陣 新7S原則 行為錨定等級評價法 新波士頓矩陣 系統分析方法 系統邏輯分析方法 實體價值鏈 信息價值鏈模型 戰略實施模型 戰略鍾模型 戰略地位與行動
評價矩陣 戰略地圖 組織成長階段模型 戰略選擇矩陣 專利分析法 管理要素分析模型 戰略群模型 綜合戰略理論 縱向價值鏈分析 重要性-迫切性模型 知識鏈模型 知識價值鏈模型 知識供應鏈模型 組織結構模型
㈨ TRIZ課題，結合實踐，運用資源分析方法對某個問題系統資源分析確定可用資源。
1概述系統分析方法（System Analysis Method）蘭德公司認為，系統分析是一種研究方略，它能在不確定的情況下，確定問題的本質和起因，明確咨詢目標，找出各種可行方案，並通過一定標准對這些方案進行比較，幫助決策者在復雜的問題和環境中作出科學抉擇。系統分析方法來源於系統科學。系統科學是20世紀40年代以後迅速發展起來的一個橫跨各個學科的新的科學部門，它從系統的著眼點或角度去考察和研究整個客觀世界，為人類認識和改造世界提供了科學的理論和方法。它的產生和發展標志著人類的科學思維由主要以「實物為中心」逐漸過渡到以「系統為中心」，是科學思維的一個劃時代突破。系統分析是咨詢研究的最基本的方法，我們可以把一個復雜的咨詢項目看成為系統工程，通過系統目標分析、系統要素分析、系統環境分析、系統資源分析和系統管理分析，可以准確地診斷問題，深刻地揭示問題起因，有效地提出解決方案和滿足客戶的需求。2誕生系統分析最早是由美國蘭德公司在二戰結束前後提出並加以使用的。1945年，美國的道格拉斯飛機公司，組織了各個學科領域的科技專家為美國空軍研究「洲際戰爭」問題，目的是為空軍提供關於技術和設備方面的建議，當時稱為「研究與開發」（Research and Development，縮寫為R & D)計劃。1948年5月，執行該計劃的部門從道格拉斯公司獨立出來，成立了蘭德公司，「蘭德」（RAND）是「研究與開發」英文的縮寫。從40年代末到70年代的30年中，系統分析沿著兩條明顯不同的路線得到迅速發展。一條路線是運用數學工具和經濟學原理分析和研究新型防禦武器系統。60年代初期，美國國防部長麥克納馬拉把這套方法應用於整個軍事領域，並很快在各政府部門推廣，形成了著名的「計劃—規劃—預算系統」（PPBS）方法。在軍事和政府部門的帶動下，美國民間企業也開始應用系統分析方法來改善交通、通訊、計算機、公共衛生設施的效率和效能；在消防、醫療、電網、導航等領域，系統分析方法也得到了廣泛的應用。3分類1）系統特徵分析方法；2）系統邏輯分析方法；3）系統工程技術。4咨詢工具