分类目录归档：综合资讯

据悉，百度宝盒将提供100G个人云端存储空间，支持电脑、手机等多终端同步、备份。

百度宝盒网站的使用帮助显示，百度手机用户使用百度账户登录即可使用，登陆后用户可将通讯录、日历以及记事本等同步到云端。这与阿里巴巴(微博)集团旗下的阿里云手机十分相似。 继续阅读 →

2012年技术会更加重要，数据会更加重要，而且这个领域在 2012年一定会开始纷纷走向开放。这个领域不管在移动端、社会化网络这一段，基于营销效率的驱动会更加积极进行布局。 继续阅读 →

“许多奢侈品品牌仍然认为他们需要自己的品牌DNA，并且需要将它们的品牌特性有效地植入到新媒体（比如在线视频）中去，然后才能让每一个受众理解并消化它们。” Coghan-Kia说。“当一个品牌开始创作视频的时候，他们需要思考受众的喜好，从而创作出受众爱看并且愿意在第一时间自发分享的视频。” 继续阅读 →

泉城在线讯 在社交网络和问答服务风靡美国的同时，国内也出现了知乎之类的新式问答站点，今日，爱正义(izhengyi.com)法律问答网站宣传上线测试版，爱正义专注于法律领域的社交问答，界面简洁，功能精炼 继续阅读 →

培训班的培训内容中细分几个领域如seo、、电子商务、sem、市场公关等都有良好的就业情况，并有数家行业著名公司向我这里要人，网络营销领域经理人的缺口一直很高，而我们的培训班则更加追求实战和案例参与，培养有思维、有能力、善于协作的网络营销和市场人才。 继续阅读 →

一、页面停留时间与网站停留时间是如何计算出来的？ 假设用户访问了网站的主页（Home）。分析工具将这个访问者标记为一个Visit，接着这个访问者又浏览了另外两个页面（Page2和Page3），然后他离开了你的网站。如下图所示： 我们想要知道的是： Tp = 花费在一个页面上的时间 Ts = 花费在这网站上的总时间 假如这个用户从10:00开始访问网站： 对于Page2而言，访问时间是10:05-10:01，即4分钟。 接着访问者来到了Page3页面，他发现改页面无法满足他的需求或是他要找的内容已在Page3页面找到。那么接下来就是离开。 那么，这个访问者到底在Page3停留了多长时间呢？由于不知道用户在Page3具体的离开时间，我们也就无法计算访问者到底在Page3上停留了多长时间。因此，网站分析程序不知道访问者花在网站最后一个页面上的时间是多少。 下图表示各个页面网站分析工具统计的访问时间： Tp (Home) = 1 分钟 Tp (Page2) = 4 分钟 Tp (Page3) = N/A Ts = 5 分钟。 从上面的数据中很容易的看出这样的数据并不合理，因为你不知道访问者花在最后一个页面上的时间是多少，因此网站分析工具给你的时间统计一般都会少于用户实际在网站上停留的时间。 网站停留时间的准确性与跳出率和退出率有关。跳出率和退出率越大，平均停留时间越不准确。 二、页面停留时间或是网站停留时间有什么用？ 如果把页面停留时间和网站停留时间单纯的拿出来看，那么意义不是很大，主要原因有以下方面： 这些指标是战术层面的，我们无法认识到这些数据对公司的业绩的影响。单纯的页面停留时间或网站停留时间并不能反映到具体的营收。 这些指标需要很多的推断，简单的逻辑是这些数据越大越好，这些数据无法直接推断出某夜页面是好是坏。 这些指标主要是短期数据，随着互联网的发展，依照会话来度量指标现在远远不能满足需求，长期的访客行为，顾客生命周期等可能更加能反映问题。 不同的停留时间需要用不同的逻辑去判断。下面就开看看淘宝的例子： 网站 平均访问页数 平均访问时间 转化率 淘宝 30 30分钟 10% 淘宝商城 10 10分钟 2% 出现上述不同数据的主要原因有：淘宝就像超市，访客没有明确的目标，进了超市但是最终会买点什么，淘宝商城更像商场，去商场的用户多半是带着明确的目标去的，他们直奔目标，快速搜索，快速的购物，快速的离开。 从用户行为的维度看，淘宝的用户在淘宝和淘宝商城有着不同的购物行为，就像相同的人在商城和超市的举止言行肯定不同，所以淘宝商城的页面风格更加简洁，服务更标准化，商家更优质化。 同样的，作为旅游预订类网站，来到网站的用户基本上都有很明确的预订需求，我们需要做的是如何让用户在最短的时间内找到适合的产品。 [...] 继续阅读 →

什么是数据挖掘？ 数据挖掘是商务智能应用中较高层次的一项技术，而商务智能中还包括数据仓库、ETL、联机分析、商业报表等多项技术。数据挖掘在商务智能应用中提供的是一种自动化或半自动化的数据分析手段，利用数据挖掘用户将可以更加方便地发现数据的模式（其实就是用户关心的业务模式），用户还可以利用这些模式对某些符合特征的数据作出预测。 那么数据挖掘究竟是怎么做到上面这些貌似神奇的事情的呢？现在主流的数据挖掘技术有两种，其中之一来源于我们每一个人可能都学习过的一门学科——统计学，例如聚类、关联规则、时间序列等，而另外一种则来源于我们每一个人都听说过的一门学科——机器学习（俗称人工智能），例如神经元网络、遗传算法等。 数据挖掘能干什么？ 分类 分类可以把大量数据（在数据挖掘中也称为事例CASE）分成多个类别，而分类的依据就是这些事例中的属性。 聚类 分类有一个同胞兄弟就是聚类，聚类相对分类更加自动，聚类也将大量实例分成多个类别，不过这次是根据属性值的相似程度自动汇聚成不同的类别。通常把分类成为有监督的算法，而聚类则被称为无监督的算法，主要原因就是分类在执行前就已经有了明确的类别，而聚类在分析前还不知道有多少分类，而是通过不断的迭代使得各分类之间的边界更加清晰，然后再分析这些分类之间的差别，因此聚类也成为无监督的算法。 关联 关联是找到事例中出现频率较高的组合规则。 序列 提到关联，另外一个同胞兄弟就是序列。序列也是发现组合规律的，不过关联中所提到的规律不涉及到先后次序，而序列则是有先后次序的。 回归 对连续的结果值（不依靠人为分段Discretize）进行预测的算法归为回归。 SQL Server 2008 中的数据挖掘算法 1.决策树算法 决策树，又称判定树，是一种类似二叉树或多叉树的树结构。决策树是用样本的属性作为结点，用属性的取值作为分支，也就是类似流程图的过程，其中每个内部节点表示在一个属性上的测试，每个分支代表一个测试输出，而每个树叶节点代表类或类分布。它对大量样本的属性进行分析和归纳。根结点是所有样本中信息量最大的属性，中间结点是以该结点为根的子树所包含的样本子集中信息量最大的属性，决策树的叶结点是样本的类别值。 从树的根结点出发，将测试条件用于检验记录，根据测试结果选择适当的分支，沿着该分支或者达到另一个内部结点，使用新的测试条件或者达到一个叶结点，叶结点的类称号就被赋值给该检验记录。决策树的每个分支要么是一个新的决策节点，要么是树的结尾，称为叶子。在沿着决策树从上到下遍历的过程中，在每个节点都会遇到一个问题，对每个节点上问题的不同回答导致不同的分支，最后会到达一个叶子节点。这个过程就是利用决策树进行分类的过程。决策树算法能从一个或多个的预测变量中，针对类别因变量，预测出个例的趋势变化关系。 在SQL Server 2008中，我们可以通过挖掘模型查看器来查看决策树模型。如图1所示。 在图1中，我们可以看到决策树显示由一系列拆分组成，最重要的拆分由算法确定，位于“全部”节点中查看器的左侧。其他拆分出现在右侧。依赖关系网络显示了模型中的输入属性和可预测属性之间的依赖关系。并能通过滑块来筛选依赖关系强度。 2.聚类分析算法 聚类分析算法就是衡量个体间的相似度，是依据个体的数据点在几何空间的距离来判断的，距离越近，就越相似，就越容易归为一类。在最初定义分类后，算法将通过计算确定分类表示点分组情况的适合程度，然后尝试重新定义这些分组以创建可以更好地表示数据的分类。该算法将循环执行此过程，直到它不能再通过重新定义分类来改进结果为止。简单得说，聚类就是将数据对象的集合分组成为由类似的对象组成的多个类的过程。聚类用在商务方面的客户分析中，可以从客户库中发现不同的客户群，并分析不同客户群的行为模式。 在SQL Server 2008中，我们可以通过挖掘模型查看器来查看聚类分析模型。如图2所示。 在图2中，分类关系图表现个类间关联性的强弱。分类剖面图了解因变量与自变量的关联性强弱程度。分类特征主要呈现每一类的特性。分类对比主要呈现出两类间特性的比较。 3.Naive Bayes 算法 Naive Bayes 算法是 Microsoft SQL Server Analysis Services 提供的一种分类算法，用于预测性建模。Naive Bayes算法使用贝叶斯定理，假定一个属性值对给定类的影响独立于其他属性的值。与其他算法相比，该算法所需的运算量小，因而能够快速生成挖掘模型，以发现输入列和可预测列之间的关系。可以使用该算法进行初始数据探测，在用于大型数据库时，该算法也表现出了高准确率与高速度，能与决策树和神经网络相媲美。 算法采用监督式的学习方式，在分类之前，需要事先知道分类的类型。通过对训练样本的学习，来有效得进行分类。就是通过训练样本中的属性关系，产生训练样本的中心概念，用这些已经产生的中心概念，对未分类的数据对象进行预测。 在SQL Server 2008中，我们可以通过挖掘模型查看器来查看Naive Bayes模型。如图3所示。 在图3中，依赖关系网络可以对数据的分布进一步了解。属性配置文件可以了解每个变量的特性分布情况。属性特征可以看出不同群分类的基本特性概率。属性对比就是呈现属性之间的特性对比。 4.关联规则算法 关联算法规则是要发现数据库中变量和个体之间关系程度，也就是要发现大量数据中项集之间有趣的关联或相关联系。例如，在关联规则挖掘中，典型的例子就是购物篮分析，该分析过程就是通过分析顾客所购买的不同商品之间的联系，来挖掘顾客的购买习惯，并帮助销售商制定营销策略。关联规则算法中有两个重要的参数支持度和置信度。支持度就是指X项集和Y项集中，同时发生X，Y事件的概率。置信度就是指X项集和Y项集中，X事件发生的概率下，Y事件发生的概率。 在SQL Server 2008中，我们可以通过挖掘模型查看器来查看关联规则模型。如图4所示 在图4中，规则可以查看算法中产生的关联规则，我们可以通过此来了解关联规则内容以及其支持度和置信度。项集可以查看算法中产生的对象组，我们可以通过此来了解各个对象组内容及其支持。依赖关系网络可以呈现产品间的相关性，并通过图形了解产品间的相关性。 5.顺序分析和聚类分析算法 顺序分析和聚类分析算法是由 Microsoft SQL [...] 继续阅读 →