作業研究第一次嘗試做期末報告，針對企業的問題，建立模型解決之。
6/26/2015
6/25/2015
Uber 匿名司機的感想
匿名的網路資訊要小心，所以本文僅供參考。
DeepThroat，我在台灣開 Uber 的感想：還是當乘客比較爽，Inside，2015/6/24。此為匿名投稿，不代表 Inside 立場。
Q：好賺嗎？Uber 給的錢，扣掉 20% 抽成、油錢、交通費，淨利大概是 150 ~ 250 。Uber 官方說台灣司機的平均收入為 350 ，但要再扣 20% ，再扣油錢，所以推測平均淨利會落在 200~250 之間。曾經問過另一位 Uber 司機，他說淨利是落在 350 左右，這樣算來每小時的營業額要 450 左右，總覺得不太可能這麼高。
每次被叫車，要花 5 ~ 10 分鐘開到指定地點，走完乘客的行程，平均又要再巡車個 10 ~ 20 分鐘才會被叫。通常一個小時只能跑兩趟，很少能跑到三趟的。也有幾次運氣很好，前一位乘客一下車，沒幾秒又馬上被叫車。塞車會算錢，但不賺；長途比較賺，因為少了開往指定地點和等車巡車的成本。
物聯網 (Internet of Things) 在生管的應用
James Manyika, Michael Chui, Peter Bisson, Jonathan Woetzel, Richard Dobbs, Jacques Bughin, and Dan Aharon, Unlocking the potential of the Internet of Things, McKinsey Global Institute, June 2015.
物聯網是熱門的話題，天下雜誌第 564 期有詳細的報導。根據麥肯錫 (McKinsey) 公司的這篇報告，物聯網應用最有成效的潛在領域將是工廠。登錄後，可以下載全文。
Marco Iansiti and Karim R. Lakhani, Digital Ubiquity: How Connections, Sensors, and Data Are Revolutionizing Business, Harvard Business Review, November 2014
主要是說明通用電氣公司 (General Electric Company，簡稱 GE) 的發展歷程與各領域的應用。
物聯網是熱門的話題，天下雜誌第 564 期有詳細的報導。根據麥肯錫 (McKinsey) 公司的這篇報告，物聯網應用最有成效的潛在領域將是工廠。登錄後，可以下載全文。
Marco Iansiti and Karim R. Lakhani, Digital Ubiquity: How Connections, Sensors, and Data Are Revolutionizing Business, Harvard Business Review, November 2014
主要是說明通用電氣公司 (General Electric Company，簡稱 GE) 的發展歷程與各領域的應用。
6/24/2015
Airbnb 如何應用資料
Wye， Airbnb 怎麼用大數據說出一個百億估值的故事？ ， Inside， 2015/6/17
Airbnb 資料科學總監 Riley Newman 曾將巨量資料比擬為 Airbnb「生命之血（lifeblood）」。的確，短短七年內，Airbnb 正朝著建起全世界最大旅館的方向前進，至今已有 2000 萬旅人從中訂房，並已累積 120 萬間房間散落在大城市與小鄉村的街角巷弄，房東與房客共同書寫美好的共享經濟故事，珍貴的「緣分」，並非偶然。...
lativ 的營運與管理
托 AppWorks 的福，今天很難得有機會深度拜訪台灣最成功的品牌電商 Lativ (平時不接待任何參訪)。
除了詳細參觀 Lativ 的物流中心及充滿禪意的辦公室外，最精彩的莫過於創辦人張偉強的創業心得分享，由於內容還挺多的，我整理出部分幾點與大家分享。
6/20/2015
第二次機器時代 (The Second Machine Age)
齊若蘭譯，第二次機器時代：智慧科技如何改變人類的工作、經濟與未來？，天下文化，2014
Erik Brynjolfsson and Andrew McAfee, The Second Machine Age:Work, Progress, and Prosperity in a Time of Brilliant Technology, W. W. Norton & Co Inc, 2014.
Erik Brynjolfsson and Andrew McAfee, The Second Machine Age:Work, Progress, and Prosperity in a Time of Brilliant Technology, W. W. Norton & Co Inc, 2014.
6/18/2015
6/16/2015
宏達電 (HTC) 庫存過高
新浪，HTC 今日與喬布斯往昔困局：庫存過高敲響警鐘，2015-06-16
導語：彭博社今天撰文稱，HTC 的產成品庫存可能預示著該公司正在陷入巨大的困境，投資者應當因此感到警惕。
以下為文章全文：
利潤率和營收增長是財報中最受關注的數據，然而，隱藏在資產負債表中的另外一個不起眼的數據，卻能幫助你深入了解一家手機廠商的健康狀況。
在全球智能手機大戰中，各大品牌的常用衡量標準包括市場份額、營收、利潤和廣告的炫酷程度。但有一行名為產成品庫存的科目卻可以幫助我們更好地了解一家公司的命運，這個科目指的是被製作成手機但尚未售出的材料所佔的百分比。
6/11/2015
大數據專案失敗的八個理由
Kelly，小心別掉進陷阱裡，大數據專案失敗的八個理由，2015/6/10 (原文)
Gartner 研究總監 Svetlana Sicular 列舉了八個最常出現的錯誤，小心別掉進陷阱中。
- 管理層的惰性：根據 Fortune Knowledge Group 的調查，62% 的企業領導人依然仰賴直覺；下決策時，61% 以真實世界的情境為優先考量，而非數據。Svetlana Sicular 敘述，Gartner 曾經服務一家家喻戶曉的旅遊公司，他們採取了大數據技術，執行點擊流(clickstream) 分析，以了解消費者在網站上瀏覽與購買的流程，結果竟然發現他們的消費模式與公司高層的銷售模式居然完全相反。在結案報告中這家旅行公司寫道：「這個技術有效的解決了我們的疑惑，其結果劇烈了改變原有的業務，為了充分實踐數據呈現的洞見，我們更替了全新的管理團隊。」
- 選擇錯誤的使用案例：有些公司的實力跟不上野心，選擇遠超過自身負荷能力的大數據專案，又或者企圖使用舊方法執行新專案，兩者都無可避免將走上失敗之途。
- 問錯問題：數據科學是由產業知識（比如零售、金融）、數學與統計、程式結合的複雜混合體。很多公司增聘了資料科學家，他們可能是程式高手也懂統計，卻缺乏了最重要的成分：產業知識。Svetlana Sicular 建議，應從產業中找到對的人才，因為「學習 Hadoop 比了解商業內涵簡單」。
- 缺乏必要的技能：這點與「問錯問題」類似。曾有一家金融機構想要調查人們的生活習慣如何影響他們購買退休方案的偏好，不過「習慣」太多種，執行這個專案的負責人把問題限縮到抽菸／不抽菸，但是失敗了。後來 Svetlana Sicular 與從事醫療產業的人士聊到這個專案時發現，他們並不問這種非黑即白的問題 (抽不抽菸)，而是「你抽菸幾年了？」、「你戒菸幾次了？」、「你最後一次吸菸是什麼時候？」總之，進行大數據分析時，應該找到熟稔特定專業領域的人士——醫療、語言學、行為心理學家、社會人類學家等等，IT 部門以外的專業人士。
- 大數據之外，無法預料的問題：資料分析只是巨量資料專案的一部份，訪問與處理數據的能力同樣重要，不過諸如網絡壅塞、人員訓練不足等等都有可能阻礙專案執行。
- 企業策略不一：如果巨量資料專案被隔絕於公司核心業務之外，那大概註定失敗，如果公司把雲端或其他策略置於巨量資料之前，那失敗的機率當然又更高了。
- 大數據孤島 (silos)：很多人喜愛談論「數據湖 (data lake)」、「數據中心 (data hubs)」，但是現實狀況是，很多公司嘗試建立數據水坑 (data puddle)，行銷數據水坑、製造數據水坑等等等等，但是彼此楚河漢界，不相往來。對組織而言，巨量資料只在水坑之間的高牆倒下、彼此匯流才會更凸顯價值。只是，辦公室政治或政策，往往抹煞了資料集體發揮的可能性。
- 問題迴避：這在藥物產業中最為明顯，藥廠無法進行情緒分析，因為病人服用某種實驗藥物後，只要一出現頭痛等副作用，就得回報 FDA。由於過程太麻煩，甚至可能碰上法律責任，因此藥廠傾向迴避此類措施，結果可能錯失珍貴的發現。
6/04/2015
野心時代 (Age of Ambition)
Evan Osnos, Age of Ambition: Chasing Fortune, Truth and Faith in the New China, Brilliance Audio, 2015.
潘勛譯，野心時代：在新中國追求財富、真相和信仰，八旗文化， 2015書商的介紹
1996 年，本書作者第一次到北京，這座城市讓他大跌眼鏡，他看到的中國首都，地理和風貌上更肖似蒙古風吹草原而非霓虹燈閃爍的香港。等他 2013 年離開中國後，新書《野心時代》則變成美國政治人物和普通人理解中國社會和政治的最新指南。
作者認定，在廿一世紀頭幾年，中國由兩個宇宙組成：既是全球最新超強，也是世上最大的集權國家。「有好些日子，我早上跟新大亨在一起，晚上則與軟禁在家的異議人士為伍。你很容易把他們看待成代表新中國、舊中國；涇渭分明的政經領域，只是到最後我歸結認為，他們是同體合一的。」
本書敘述兩股力量的碰撞：個人的野心志向與集權主義。因為政治及貧窮，四十年前的中國人事實上沒有取得財富、真相或信仰的管道，他們沒有機會經商；沒有力量挑戰政治宣傳及言論刪檢；沒有法子在共產黨外找到道德靈感。但在一個世代內，這三種東西他們都有管道取得，而且要得更多。只是共產黨依舊孜孜不倦於控制，他們想規定的東西，不止於誰領導國家，甚至列車服務員微笑時能露幾顆牙齒都想管，但這與外界生活的變化已相牴觸。「我在中國住愈久，愈感覺到黨釋放出世界史上最偉大的人類潛能擴張，而且可能孕育出對其存亡最強大的威脅。」
這本書奠基在作者長達八年的訪談，行文則側重在不同領域打拚的男男女女，他們奮力想從某一領域推開一條路到另外的領域，不僅限於經濟，也涉足政治、思想及性靈。這些人很多是你我耳熟能詳的中國公眾人物，如異議藝術家艾未未、偶像作家兼賽車手韓寒、戴著鐐銬跳舞的媒體人胡舒立、逃跑到美國北京大使館的盲人律師陳光誠、從台灣泅水潛逃中國的林毅夫，還有很多是我們不甚熟悉，但在中國則知名度甚高的人物，如瘋狂英語的創辦人李陽、中國最大相親網站的創辦人龔海燕、用近乎虔誠的方式復興愛國主義的「憤青」唐杰、以及網路身份是詩人、真實身份是從農村移居北京的清潔工。歐逸文栩栩如生地描繪這些人，並將他們置放於轟動全球媒體版面的各種公共事件的背景下、放置於中國的政治和歷史的邏輯框架中，檢視他們何以代表了這個野心時代，及他們賦予給中國的意義。這些人物從表面看幾乎並無相似之處，但他們共同呈現出野心勃勃的新中國關鍵詞：在經濟高速發展的同時，政治獨裁的高壓無處不在；人們追逐成功，與此同時也備感空虛，轉投信仰以尋求寧靜；自我意識的覺醒澆灌了個人主義，但也同樣滋生割裂感與不安。
唱衰中國和押寶中國，是目前外部世界看待中國的兩種主要視角，而作者不會如此簡化。他指出，由遠處看，大家經常描述中國已經無可逆轉地邁向康莊大道，但是在中國內部，人們則更小心謹慎。中國的一切，都是靠鐵、淚水及火而取得的，而中國人比誰都更曉得一切無常——誠如費滋傑羅形容：「真實的不真實，宛如一個許諾，即這個世界的基石乃是安置在精靈的翅膀上。」在北京的最後幾個月，那種脆弱感更深地纏繞著作者。
中國太複雜多樣，一直很難被定義，也永遠沒有終極答案。如今的中國，空氣中瀰漫著一種蠢蠢欲動的情緒，它驅動中國成為最新興的超級大國，也使得這個世界上最大的威權政府感到擔憂。官方用「中國夢」來回應這種情緒，將其描述為一種復興強國的慾望；本書作者敏銳精準地捕捉到這種情緒，但他稱之為中國的「野心時代」。
如果每個時代都有它獨一無二、不可替代的傳記，中國的這幾十年則是由歐逸文來蓋棺定論，冠之以「野心時代」。
6/03/2015
功典資訊的顧客關係管理軟體
相關報導
- 鄭少凡，拿下華碩專案 「功典資訊」大步躍進，看雜誌第 114 期，2012/6/7
- 戴國良、劉恒成，功典資訊 -- 企業搶佔 Big Data 商機的推手，ETtoday 財經新聞，2014/3/10
在 104 搜尋其工作需求，以 Sr. Big Data Engineer 為例，部份條件
- 5+ years working experiences in software/information service industry with strong competencies in data structure, algorithms, and software design
- 3+ years hands-on experiences in one or more of the following languages: Python, Java, MR, Spark, Scala, or R
- 3+ years experiences with NoSQL Databases and Technologies like MongoDB, HBase, iK, Cassandra, or Graph Databases
- A deep understanding of Hadoop Stack (one or more of the following areas): Map Reduce, Spark, HDFS, Hive, HBase, Hive, Sqoop, Flume, and Yarn
Uber 使用貝式定理預測乘客的目的地
相關資訊
- 何韻亭，比算命還神奇！不用開口，司機就知道你想去哪兒，科技報橘，2014/9/17
- John Paul Titlow, Uber Can Now Predict Where You're Going Before You Get In The Car, FastCompany, 2014/9/8
- Ren Lu, Making a Bayesian Model to Infer Uber Rider Destinations, Uber, 2014/9/2
訂閱：
文章 (Atom)