【PostgreSQL数据分析实战：从数据清洗到可视化全流程】8.4 数据故事化呈现（报告结构设计/业务价值提炼）

news2025/5/13 14:06:02

👉 点击关注不迷路
👉 点击关注不迷路
👉 点击关注不迷路

文章大纲

  • 8.4 数据故事化呈现：从报告结构到业务价值的深度融合
    • 一、数据故事化的核心价值体系
      • （一）报告结构设计的黄金框架
        • 1. 业务场景锚定（Act 1: Setup）
        • 2. 证据链构建（Act 2: Confrontation）
        • 3. 洞察升华（Act 3: Climax）
        • 4. 行动方案（Act 4: Resolution）
    • 二、业务价值提炼的三重境界
      • （一）描述性价值：数据事实的业务翻译
      • （二）诊断性价值：问题归因的深度挖掘
      • （三）预测性价值：`商业未来的量化推演`
    • 三、实战案例：某生鲜电商用户复购提升故事
      • （一）数据准备阶段
      • （二）故事构建过程
      • （三）价值量化
    • 四、数据故事化的长效机制建设
      • （一）建立业务-数据映射字典
      • （二）构建动态故事模板库
      • （三）建立故事效果评估体系

8.4 数据故事化呈现：从报告结构到业务价值的深度融合

在这里插入图片描述

一、数据故事化的核心价值体系

在商业智能领域，数据可视化的终极目标不是图表展示，而是通过数据叙事实现业务赋能。

  • Gartner研究表明，具备故事化呈现能力的数据分析报告，其决策转化率是传统报表的3.2倍。数据故事化包含三个核心维度：
维度传统可视化故事化呈现业务价值差异
信息传递数据罗列逻辑叙事理解效率提升40%
情感连接客观展示场景代入决策参与度提升65%
行动驱动现象描述洞见落地方案执行率提升58%

（一）报告结构设计的黄金框架

构建数据故事需要遵循"问题-证据-洞察-行动"的四幕剧结构，结合PostgreSQL数据分析成果，形成可复用的报告模板：

1. 业务场景锚定（Act 1: Setup）
  • 核心问题定义：通过业务KPI拆解明确分析目标，例如某电商平台的用户复购率下降12%，需定位关键影响因素
  • 数据资产地图：可视化数据来源与处理流程
    在这里插入图片描述
2. 证据链构建（Act 2: Confrontation）
  • 数据清洗实证：通过SQL代码展示数据处理过程，例如处理异常值的CTE表达式
-- 创建原始用户日志表（PostgreSQL）
CREATE TABLE raw_user_logs (
    log_id SERIAL PRIMARY KEY,
    user_id INTEGER NOT NULL,
    order_date DATE,
    session_duration INTEGER,
    event_time TIMESTAMPTZ DEFAULT CURRENT_TIMESTAMP
) WITH (OIDS = FALSE);

-- 添加字段注释
COMMENT ON COLUMN raw_user_logs.log_id IS '日志唯一自增ID';
COMMENT ON COLUMN raw_user_logs.user_id IS '用户ID（业务系统关联ID）';
COMMENT ON COLUMN raw_user_logs.order_date IS '订单/行为发生日期（YYYY-MM-DD）';
COMMENT ON COLUMN raw_user_logs.session_duration IS '会话时长（秒，原始值可能包含异常）';
COMMENT ON COLUMN raw_user_logs.event_time IS '日志记录时间戳（带时区）';

-- 设置随机种子保证数据可复现（可选）
SET seed = 0.42;

-- 插入100条测试数据（修复列别名作用域问题）
INSERT INTO raw_user_logs (user_id, order_date, session_duration, event_time)
SELECT 
    floor(random() * 100 + 1)::INTEGER AS user_id,
    order_date,  -- 直接引用子查询生成的order_date
    floor(random() * 20000)::INTEGER AS session_duration,
    (
        (order_date::TIMESTAMP + random() * 24 * INTERVAL '1 hour') 
        AT TIME ZONE 'UTC' 
        AT TIME ZONE 'Asia/Shanghai'
    )::TIMESTAMPTZ AS event_time
FROM (
    -- 子查询先生成order_date，解决别名作用域问题
    SELECT 
        '2025-01-01'::DATE + floor(random() * 128)::INTEGER AS order_date
    FROM generate_series(1, 100)
) AS date_source;  -- 生成基础日期数据

WITH user_activity AS (
  SELECT 
    user_id,
    order_date,
    session_duration,
    -- 剔除异常会话时长（超过4小时）
    CASE WHEN session_duration > 14400 THEN NULL 
         ELSE session_duration END AS cleaned_duration
  FROM raw_user_logs
)

select * from user_activity
  • 多维度交叉验证：采用矩阵式表格对比不同维度数据表现
维度高复购用户（R≥3）低复购用户（R=1）差异率显著性(p值)
平均会话时长23.5分钟12.8分钟83.6%<0.01
加购转化率18.7%9.2%103%<0.001
促销敏感度25%42%-43%0.03
3. 洞察升华（Act 3: Climax）
  • 因果关系推导：运用漏斗分析定位关键转化节点，如图"浏览-加购-下单"漏斗，流失率在加购到下单环节高达68%
  • 趋势预测模型：基于PostgreSQL的窗口函数构建时间序列分析，展示复购率预测曲线（代码片段）
    -- 1. 创建基础订单表
CREATE TABLE IF NOT EXISTS user_orders (
    order_id SERIAL PRIMARY KEY,
    user_id INTEGER NOT NULL,
    order_date DATE NOT NULL,
    amount NUMERIC(10,2) NOT NULL
);

-- 添加表和字段注释（PostgreSQL标准语法）
COMMENT ON TABLE user_orders IS '用户订单记录表';
COMMENT ON COLUMN user_orders.order_id IS '订单唯一自增ID';
COMMENT ON COLUMN user_orders.user_id IS '用户ID';
COMMENT ON COLUMN user_orders.order_date IS '订单日期';
COMMENT ON COLUMN user_orders.amount IS '订单金额（元）';

-- 2. 生成测试订单数据（模拟1年1000条记录）
INSERT INTO user_orders (user_id, order_date, amount)
SELECT 
    floor(random() * 50 + 1)::INTEGER,  -- 50个随机用户（1-50）
    '2024-01-01'::DATE + floor(random() * 365)::INTEGER,  -- 全年随机日期（2024-01-01至2024-12-31）
    round( (random() * 200 + 50)::NUMERIC, 2 )  -- 关键修正：先转换为numeric类型再取两位小数
FROM generate_series(1, 1000);  -- 生成1000条记录

-- 3. 创建复购率月报表
CREATE TABLE IF NOT EXISTS monthly_repurchase_rate (
    month DATE PRIMARY KEY,  -- 月份（格式：YYYY-MM-01）
    total_buyers INTEGER NOT NULL,  -- 当月购买用户数
    repeat_buyers INTEGER NOT NULL,  -- 当月复购用户数（至少2单）
    repurchase_rate NUMERIC(5,4)  -- 复购率（保留4位小数）
);

-- 添加表和字段注释
COMMENT ON TABLE monthly_repurchase_rate IS '月度复购率统计表';
COMMENT ON COLUMN monthly_repurchase_rate.month IS '统计月份（每月1日）';
COMMENT ON COLUMN monthly_repurchase_rate.total_buyers IS '当月有购买行为的用户总数';
COMMENT ON COLUMN monthly_repurchase_rate.repeat_buyers IS '当月购买次数≥2次的复购用户数';
COMMENT ON COLUMN monthly_repurchase_rate.repurchase_rate IS '复购率=repeat_buyers/total_buyers';

-- 4. 计算月度复购率（填充报表）
INSERT INTO monthly_repurchase_rate (month, total_buyers, repeat_buyers, repurchase_rate)
WITH user_month_orders AS (
    -- 按用户和月份统计订单数
    SELECT 
        user_id,
        DATE_TRUNC('month', order_date)::DATE AS month,  -- 截断到月份（YYYY-MM-01）
        COUNT(*) AS order_count  -- 用户月订单数
    FROM user_orders
    GROUP BY user_id, DATE_TRUNC('month', order_date)
)
SELECT 
    month,
    COUNT(user_id) AS total_buyers,  -- 当月总购买用户数
    SUM(CASE WHEN order_count >= 2 THEN 1 ELSE 0 END) AS repeat_buyers,  -- 复购用户数
    -- 复购率计算（避免除零错误）
    CASE WHEN COUNT(user_id) > 0 
         THEN SUM(CASE WHEN order_count >= 2 THEN 1 ELSE 0 END)::NUMERIC / COUNT(user_id)
         ELSE 0::NUMERIC 
    END AS repurchase_rate
FROM user_month_orders
GROUP BY month
ORDER BY month;

-- 5. 时间序列趋势分析（带移动平均和预测）
SELECT 
    month,  -- 统计月份（格式：YYYY-MM-01）
    repurchase_rate,  -- 当月实际复购率（核心指标）
    -- 3个月移动平均（趋势平滑）
    AVG(repurchase_rate) OVER (
        ORDER BY month  -- 按时间升序排列
        ROWS BETWEEN 2 PRECEDING AND CURRENT ROW  -- 窗口范围：当前行+前2行（共3行）
    ) AS moving_avg_3m,
    -- 基于最近2期变化的线性预测（未来1个月）
    repurchase_rate  -- 当前月复购率
    + COALESCE((repurchase_rate - LAG(repurchase_rate, 1) OVER (ORDER BY month)), 0)  -- 近1月变化量（当前月-前1月）
    + COALESCE((repurchase_rate - LAG(repurchase_rate, 2) OVER (ORDER BY month))/2, 0)  -- 近2月变化量的均值（当前月-前2月）/2
    AS predicted_next_month
FROM monthly_repurchase_rate
ORDER BY month;  -- 按时间升序排列结果
    在这里插入图片描述
  • 移动平均（Moving Average）
    • 时间序列分析中最基础的平滑技术，通过计算连续若干期数据的平均值，消除短期随机波动，凸显长期趋势。3 个月移动平均表示当前月与前两个月复购率的平均值。
  • 线性预测
    • 假设未来的变化趋势与历史近期变化一致。
    • 通过计算最近两期的变化量（斜率），外推下一期的预测值。
      • 这种方法适用于趋势稳定的场景（如复购率呈缓慢上升 / 下降趋势）。
      • 预测值 = 当前月复购率 + 近 1 月变化量 + 近 2 月变化量的均值
        • 3 月移动平均 = (0.25 + 0.28 + 0.30)/3 ≈ 0.277（平滑后趋势）。
        • 3 月预测的 4 月复购率 = 0.30 + (0.30-0.28) + [(0.30-0.25)/2] = 0.30 + 0.02 + 0.025 = 0.345（假设趋势延续）。
4. 行动方案（Act 4: Resolution）
  • 策略矩阵：根据数据洞察生成差异化运营方案
用户分层核心问题数据支撑执行方案预期ROI
沉默用户唤醒触达失效邮件打开率<5%搭建RFM模型定向推送权益组合1:3.2
新客首单转化率低详情页跳出率62%优化商品详情页信息架构提升15%
高价值用户服务体验断层客服响应时长45min开通专属客服通道+生日礼包机制复购+8%

二、业务价值提炼的三重境界

（一）描述性价值：数据事实的业务翻译

将技术语言转化为业务语言，建立数据指标与业务场景的映射关系：

  • 技术指标：SELECT COUNT(DISTINCT user_id) FROM active_users WHERE session_duration>300;
  • 业务解读
    • 过去30天内，深度互动用户（单次使用时长>5分钟）达12,345人，较上月增长9.8%，反映用户粘性基础稳固

（二）诊断性价值：问题归因的深度挖掘

通过数据下钻分析定位根本原因，某零售企业库存周转率下降案例：

    1. 整体周转率：2.3次/季度（同比-15%）
    1. 品类拆解：服饰类周转率1.8次（同比-22%），电子产品3.5次（同比+5%）
    1. 仓储分析：服饰类滞销SKU占比37%，其中过季商品占比68%
    • SKU 即 库存单位（Stock Keeping Unit），是企业用于唯一标识库存中某一具体产品的编码或标识符。
    • 它是零售、电商、供应链等领域的核心概念，用于区分不同规格、属性、包装的产品，确保库存和销售数据的精准管理。
    • SKU的结构与编码规则 ：通常由企业自定义，包含产品的关键属性，常见结构：
      • 品牌 / 品类：如 “AD” 代表 Adidas，“SH” 代表运动鞋。
      • 属性特征：如颜色（“BL”= 黑色）、尺寸（“M”= 中码）、版本（“V2”= 第二代）。
      • 唯一标识：流水号或校验码，确保唯一性。
    1. 结论：季节性商品库存管理策略失效，导致周转效率下降

（三）预测性价值：商业未来的量化推演

利用PostgreSQL的分析函数构建预测模型，实现业务影响量化：

-- 创建用户画像表
CREATE TABLE user_profile (
    user_id SERIAL PRIMARY KEY,  -- 用户唯一ID
    reg_date DATE NOT NULL,  -- 注册日期
    last_login_days_ago INTEGER NOT NULL CHECK (last_login_days_ago >= 0),  -- 最近登录距今天数（0=今日登录）
    order_frequency NUMERIC(5,2) NOT NULL CHECK (order_frequency >= 0),  -- 月均下单频率（次/月）
    star_rating NUMERIC(3,1) NOT NULL CHECK (star_rating BETWEEN 1 AND 5)  -- 历史服务评分（1-5分，保留1位小数）
) WITH (OIDS = FALSE);

-- 添加字段注释
COMMENT ON TABLE user_profile IS '用户画像基础信息表';
COMMENT ON COLUMN user_profile.user_id IS '用户唯一自增ID';
COMMENT ON COLUMN user_profile.reg_date IS '注册日期（YYYY-MM-DD）';
COMMENT ON COLUMN user_profile.last_login_days_ago IS '最近一次登录距离今日的天数（0=今日登录）';
COMMENT ON COLUMN user_profile.order_frequency IS '近3个月的月均下单频率（次/月）';
COMMENT ON COLUMN user_profile.star_rating IS '历史所有订单的服务评分均值（1-5分）';

-- 设置随机种子保证可复现性
SET seed = 0.42;

-- 插入100条测试数据（通过子查询解决列作用域问题）
INSERT INTO user_profile (reg_date, last_login_days_ago, order_frequency, star_rating)
SELECT 
    reg_date,
    last_login_days_ago,
    -- 月均下单频率（基于子查询的last_login_days_ago）
    CASE 
        WHEN random() < 0.7 THEN round( (random() * 8 + 2)::NUMERIC, 2 )
        ELSE round( (random() * 2)::NUMERIC, 2 )
    END AS order_frequency,
    -- 服务评分（基于子查询的last_login_days_ago）
    CASE 
        WHEN last_login_days_ago <= 90 THEN round( (random() * 2 + 3)::NUMERIC, 1 )
        ELSE round( (random() * 2 + 1)::NUMERIC, 1 )
    END AS star_rating
FROM (
    -- 子查询先生成基础字段（解决列作用域问题）
    SELECT 
        '2024-01-01'::DATE + floor(random() * 480)::INTEGER AS reg_date,
        floor(random() * 181)::INTEGER AS last_login_days_ago
    FROM generate_series(1, 100)
) AS base_data;  -- 先生成注册日期和最近登录天数

-- 构建用户流失预测模型（逻辑回归简化版）
WITH feature_engineering AS (
  SELECT 
    user_id,
    -- 关键修正：按用户分组，确保非聚合列与聚合函数对齐
    -- 假设每个用户有多个记录时，取最近登录天数（最小值）
    MIN(last_login_days_ago) AS last_login_days_ago,
    -- 取用户的月均下单频率（平均值）
    AVG(order_frequency) AS order_frequency,
    -- 计算用户的平均服务评分（聚合函数）
    AVG(star_rating) AS avg_service_score,
    -- 流失标签：基于最近登录天数判断（若最近一次登录超过90天则流失）
    CASE WHEN MIN(last_login_days_ago) > 90 THEN 1 ELSE 0 END AS churn_label
  FROM user_profile
  -- 按用户分组（确保每个user_id输出一条记录）
  GROUP BY user_id
)
-- 纯SQL环境下模拟概率计算（实际需导出数据用外部工具训练模型）
SELECT 
  user_id,
  last_login_days_ago,
  order_frequency,
  avg_service_score,
  churn_label,
  -- 示例：通过线性组合模拟流失概率（系数需根据业务调整）
  -- 公式：概率 = 0.02*最近登录天数 + 0.1*下单频率 - 0.15*平均评分（仅示例）
  LEAST(GREATEST(
    (last_login_days_ago * 0.02 + order_frequency * 0.1 - avg_service_score * 0.15), 
    0  -- 下限0（概率不低于0）
  ), 1) AS simulated_churn_probability  -- 上限1（概率不高于1）
FROM feature_engineering
ORDER BY simulated_churn_probability DESC;

通过模型输出，可计算不同干预策略的预期收益：

  • 针对高流失概率用户（概率>60%）实施挽回活动，预计减少12%的用户流失，对应年营收增加230万元。

三、实战案例：某生鲜电商用户复购提升故事

（一）数据准备阶段

    1. 数据源
    • PostgreSQL中的用户订单表（user_orders）、商品信息表（products）、促销活动表（promotions）
    1. 数据清洗：处理缺失值（填充中位数）、异常值（3σ原则），最终形成宽表
字段名数据类型业务含义清洗规则
user_idINT用户唯一标识去重处理
order_dateDATE下单日期过滤测试订单（order_type=0）
purchase_amountFLOAT购买金额剔除<10元的异常订单
promotion_typeVARCHAR促销类型标准化分类（满减/折扣/赠品）
product_categoryVARCHAR商品品类统一二级分类标准

（二）故事构建过程

    1. 开场引入：通过行业对比凸显问题——本平台复购率28%，低于行业标杆35%
    1. 证据呈现：
    • 热力图展示不同时段复购率变化，发现晚间20-22点复购率高出日间37%
    • 交叉表分析显示，购买海鲜水产类用户复购率达35%，显著高于其他品类
    1. 洞察推导：
    • 高复购用户特征：集中在25-40岁白领群体，平均客单价>200元，偏好晚间下单
    • 关键因素：海鲜品类的准时达服务（履约准时率98%）形成良好体验闭环
    1. 行动建议：
    • 拓展"晚间特惠"专区，针对目标客群推送定制化优惠券
    • 复制海鲜品类的供应链管理经验到其他高潜力品类

（三）价值量化

通过数据故事驱动的运营调整，实施3个月后关键指标变化：

指标实施前实施后变化率业务价值换算
复购率28%34%+21%年新增营收850万元
夜间订单占比32%45%+41%错峰物流成本下降18%
海鲜复购率35%42%+20%核心品类毛利提升25%

四、数据故事化的长效机制建设

（一）建立业务-数据映射字典

业务场景核心数据指标数据来源表分析模型输出形式
用户留存30日留存率user_retention生存分析桑基图
库存周转库存周转率inventory_logsABC分类法帕累托图
营销效果ROI/CPAcampaign_results归因模型瀑布图
  • ROI（Return on Investment）：衡量投资收益与成本的比率，反映投入产出效率。
  • CPA（Cost Per Acquisition）：获取单个客户的平均成本，衡量获客效率。
    -
  • 生存分析模型（Survival Analysis）
    • 研究 “事件发生时间” 的统计模型，如客户流失时间、产品故障时间、用户活跃持续时间。
  • ABC 分类法模型（ABC Classification）
    • 基于帕累托原则（80/20 法则），按价值或重要性将对象分为三类：
      • A 类（20%）：高价值，重点维护（如高复购高消费客户）。
      • B 类（30%）：中价值，常规维护。
      • C 类（50%）：低价值，低成本维护或激活。
  • 归因模型（Marketing Attribution Model）
    • 分析不同营销渠道对 “转化事件”（如下单、注册）的贡献程度，解决 “功劳分配” 问题。
  • 常见模型
    模型核心逻辑优点缺点
    末次点击转化前最后一个接触的渠道获得100%功劳（如用户通过抖音广告下单，抖音获全功劳）。简单易算忽略中间渠道影响
    首次点击转化前第一个接触的渠道获得100%功劳（适用于品牌认知阶段）。重视流量引入渠道忽略后续触达
    线性归因所有触达渠道平均分配功劳（如3次触达，每个渠道各占1/3）。综合考虑多渠道假设各渠道贡献相同
    时间衰减越接近转化的渠道贡献越高（如最近一次触达贡献50%，之前依次递减）。符合用户决策路径参数设置较复杂
    基于算法用机器学习拟合渠道贡献（如随机森林判断各渠道对转化的边际影响）。精准度最高需大量数据和算力

（二）构建动态故事模板库

基于PostgreSQL开发可参数化的报告生成脚本，实现：

    1. 自动抓取最新数据生成图表
    1. 智能匹配业务场景的叙事逻辑
    1. 动态更新关键指标的预警阈值

（三）建立故事效果评估体系

采用NPS（叙事净推荐值）评估数据故事的影响力：

  • 问题共鸣度：数据是否精准反映业务痛点？（1-5分）
  • 逻辑清晰度：故事线是否具备因果连贯性？（1-5分）
  • 行动指导性：是否提供可落地的解决方案？（1-5分）
  • 这篇文章构建了数据故事化呈现的完整体系，包含方法论、实战案例和长效机制。
  • 你对内容的案例选择、技术细节深度有什么看法或进一步需求，欢迎告诉我。
    • 通过持续优化故事结构与数据呈现方式，企业可将数据分析从成本中心转化为利润中心。
    • 当数据开始"讲故事"，它就不再是冷冰冰的数字，而是推动业务增长的核心驱动力。
    • 掌握数据故事化的核心技巧，结合PostgreSQL强大的数据处理能力，分析师能够真正成为业务部门的战略合作伙伴，让数据洞见转化为实实在在的商业价值。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2374709.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

专题二：二叉树的深度搜索（二叉树剪枝）

专题二：二叉树的深度搜索（二叉树剪枝）

以leetcode814题为例 题目分析&#xff1a; 也就是当你的子树全为0的时候就可以剪掉 算法原理分析&#xff1a; 首先分析问题&#xff0c;你子树全为0的时候才可以干掉&#xff0c;我们可以设递归到某一层的时候如何处理 然后抽象出三个核心问题 也就是假设我们递归到第2层…
阅读更多...
Hugging Face推出了一款免费AI代理工具，它能像人类一样使用电脑

Hugging Face推出了一款免费AI代理工具，它能像人类一样使用电脑

Hugging Face推出了一款免费AI代理工具&#xff0c;它能像人类一样使用电脑。 这款工具名为Open Computer Agent&#xff08;开放计算机代理&#xff09;&#xff0c;可模拟真实的电脑操作。 无需安装&#xff0c;在浏览器中即可运行。 以下是一些信息&#xff1a; - Open C…
阅读更多...
生成对抗网络（GAN）深度解析：理论、技术与应用全景

生成对抗网络（GAN）深度解析：理论、技术与应用全景

生成对抗网络&#xff08;Generative Adversarial Networks,GAN&#xff09;作为深度学习领域的重要突破&#xff0c;通过对抗训练框架实现了强大的生成能力。本文从理论起源、数学建模、网络架构、工程实现到行业应用&#xff0c;系统拆解GAN的核心机制&#xff0c;涵盖基础理…
阅读更多...
Python集成开发环境之Thonny

Python集成开发环境之Thonny

前言&#xff1a;今天介绍一款Python的傻瓜IDE&#xff08;集成开发环境&#xff09;——Thonny&#xff0c;比较适合初学者进行Python程序的开发和学习&#xff0c;为用户提供了代码编辑、调试、运行等一系列功能。 我应该不止两次提到过这个词了“IDE”(集成开发环境)&#…
阅读更多...
【超详细教程】安卓模拟器如何添加本地文件？音乐/照片/视频一键导入！

【超详细教程】安卓模拟器如何添加本地文件？音乐/照片/视频一键导入！

作为一名安卓开发者或手游爱好者&#xff0c;安卓模拟器是我们日常工作和娱乐的重要工具。但很多新手在使用过程中常常遇到一个共同问题&#xff1a;**如何将电脑本地的音乐、照片、视频等文件导入到安卓模拟器中&#xff1f;**今天&#xff0c;我将为大家带来一份全网最详细的…
阅读更多...
构建DEEPPOLAR ——Architecture for DEEPPOLAR (256,37)

构建DEEPPOLAR ——Architecture for DEEPPOLAR (256,37)

目录 编码器 解码器 编码器 编码器是大小为的内核的集合ℓ 16,每个都由神经网络g建模。编码器内核g负责编码ℓ 输入。g的架构如下&#xff1a; 表1 DEEPOLAR模型训练中使用的超参数&#xff08;256,37&#xff0c;ℓ16&#xff09; Table 1. Hyperparameters used in model…
阅读更多...
使用 DMM 测试 TDR

使用 DMM 测试 TDR

TDR&#xff08;时域反射计&#xff09;可能是实验室中上升时间最快的仪器&#xff0c;但您可以使用直流欧姆表测试其准确性。 TDR 测量什么 在所有高速通道中&#xff0c;反射都很糟糕。我们尝试设计一个通道来减少反射&#xff0c;这些反射都会导致符号间干扰 &#xff08;…
阅读更多...
客户端限流主要采用手段：纯前端验证码、禁用按钮、调用限制和假排队

客户端限流主要采用手段：纯前端验证码、禁用按钮、调用限制和假排队

一、纯前端验证码 场景 防止机器人或脚本高频提交&#xff0c;需用户完成验证后才能触发请求。 Vue 前端实现 <template><div><button click"showCaptcha">提交订单</button><div v-if"captchaVisible"><img :src"…
阅读更多...
企业数字化中台建设方案(AI/技术中台、数据中台、业务中台)

企业数字化中台建设方案(AI/技术中台、数据中台、业务中台)

构建企业数字化中台需要实现业务、数据、AI和技术四大中台的有机协同&#xff0c;形成闭环能力体系。以下是综合建设方案&#xff08;含技术架构和实施路径&#xff09;&#xff1a; 一、建设背景与目标 1.1 行业痛点 生产设备数据孤岛&#xff0c;实时监控能力不足 传统ERP/…
阅读更多...
单因子实验方差分析模型的适应性检验

单因子实验方差分析模型的适应性检验

本文是实验设计与分析&#xff08;第6版&#xff0c;Montgomery著傅珏生译)第3章单因子实验 方差分析第3.4节的python解决方案。本文尽量避免重复书中的理论&#xff0c;着于提供python解决方案&#xff0c;并与原书的运算结果进行对比。您可以从Detail 下载实验设计与分析&…
阅读更多...
linux CUDA与CUDNN安装教程

linux CUDA与CUDNN安装教程

目录 1.CUDA安装 1.1.CUDA作用 1.2.CUDA下载 1.3.CUDA安装 1.4.验证 2.CUDNN安装 2.1.CUDNN作用 2.2.下载 2.3.安装 2.4.验证 1.CUDA安装 1.1.CUDA作用 CUDA 是 NVIDIA 提供的并行计算平台和编程模型&#xff0c;允许开发者直接利用 GPU 的并行计算能力&#xff…
阅读更多...
添加购物车-02.代码开发

添加购物车-02.代码开发

一.代码开发 购物车属于用户端功能&#xff0c;因此要在user下创建controller代码。 Controller层 package com.sky.controller.user;import com.sky.dto.ShoppingCartDTO; import com.sky.entity.ShoppingCart; import com.sky.result.Result; import com.sky.service.Shopp…
阅读更多...
Unity动画系统使用整理 --- Playable

Unity动画系统使用整理 --- Playable

​​Playable API​​ 是一个强大的工具&#xff0c;用于更灵活地控制动画、音频、脚本等时间轴内容的播放和混合。它提供了比传统 Animator 更底层、更可控的方式管理时间轴行为&#xff0c;尤其适合复杂动画逻辑或动态内容组合的场景。 优点&#xff1a; 1.Playables API 支…
阅读更多...
Xilinx FPGA PCIe | XDMA IP 核 / 应用 / 测试 / 实践

Xilinx FPGA PCIe | XDMA IP 核 / 应用 / 测试 / 实践

注&#xff1a;本文为 “Xilinx FPGA 中 PCIe 技术与 XDMA IP 核的应用” 相关文章合辑。 图片清晰度受引文原图所限。 略作重排&#xff0c;未整理去重。 如有内容异常&#xff0c;请看原文。 FPGA&#xff08;基于 Xilinx&#xff09;中 PCIe 介绍以及 IP 核 XDMA 的使用 N…
阅读更多...
winreg查询Windows注册表的一些基本用法

winreg查询Windows注册表的一些基本用法

注册表是Windows操作系统中用于存储配置信息的数据库。它包含了关于系统硬件、已安装的应用程序、用户账户设置以及系统设置的信息。 特别地&#xff0c;当我们需要某些软件的配置配息时&#xff0c;主要在HKEY_CURRENT_USER和HKEY_LOCAL_MACHINE下的SoftWare内进行查询操作。 …
阅读更多...
计算机网络|| 路由器和交换机的配置

计算机网络|| 路由器和交换机的配置

一、实验目的 1. 了解路由器和交换机的工作模式和使用方法&#xff1b; 2. 熟悉 Cisco 网络设备的基本配置命令&#xff1b; 3. 掌握 Cisco 路由器的基本配置方式及配置命令&#xff1b; 4. 掌握路由器和交换机的基本配置与管理方法。 二、实验环境 1. 运行 Windows 操作…
阅读更多...
推理加速新范式：火山引擎高性能分布式 KVCache （EIC）核心技术解读

推理加速新范式：火山引擎高性能分布式 KVCache （EIC）核心技术解读

资料来源&#xff1a;火山引擎-开发者社区 分布式 KVCache 的兴起 背景 在大模型领域&#xff0c;随着模型参数规模的扩大和上下文长度增加&#xff0c;算力消耗显著增长。在 LLM 推理过程中&#xff0c;如何减少算力消耗并提升推理吞吐已经成为关键性优化方向。以多轮对话场…
阅读更多...
中央处理器（CPU）(概述、指令周期)

中央处理器（CPU）(概述、指令周期)

一、概述 主要功能&#xff1a;&#xff08;1&#xff09;程序控制&#xff08;2&#xff09;操作控制&#xff08;3&#xff09;时序控制&#xff08;4&#xff09;数据加工&#xff08;5&#xff09;中断处理 组成&#xff1a;早期冯诺依曼计算机的 CPU 主要由运算器和控制…
阅读更多...
MiniCPM-V

MiniCPM-V

一、引言 在多模态大语言模型（MLLMs）快速发展的背景下，现有模型因高参数量（如 72B、175B）和算力需求，仅能部署于云端，难以适配手机、车载终端等内存和算力受限的端侧设备。MiniCPM-V聚焦 “轻量高效” 与 “端侧落地”，通过架构创新、训练优化和部署适配，打造高知识密…
阅读更多...
Screeps Arena基础入门

Screeps Arena基础入门

本文主要内容 JavaSsript语法使用VScode编译环境Screeps Arena游戏规则 JavaSsript语法使用 基本数据类型 // String, Numker,Boolean,null, undefined const username "John"; const age 30; const rate 4.5; const iscool true; const x null; #表示值为…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023