演算法盈利模式
⑴ 數字閱讀如何找到盈利模式
而研究公司Display Search一份報道顯示，中國將在2015年之前，超過美國成為世界最大的電子閱讀器市場。另一方面，行業內的爭奪也正變得空前的激烈。京東和當當相繼宣布上線電子書頻道，兩家合計電子書品種已經超過20萬種；漢王書城和雲中書城也已經在行業中耕耘許久；豆瓣推出自出版計劃；淘寶推出淘花。在各企業氣勢宏大的平台競爭背後，小公司是否還有機會？在同質化競爭也加劇的背後，小規模的電子書企業開始在紅海中嶄露頭角。在他們眼中，電子書已經不再是簡單的格式轉換，而是一項工藝，一種思考。他們讓「讀者舒服讀書」的理念，精益求精的生產具備最佳閱讀體驗的電子讀物，在字型大小和行距中尋找著新的「藍海」。於是，思考一個問題：好的閱讀體驗能否轉化為利潤模式？壞的閱讀體驗又是否真的不能帶來利潤？「直覺、簡潔、不庸俗、不山寨，能夠消滅自己，讓用戶安心去做想做的事。」「錯字、排版馬虎、閱讀介面有煩人的廣告條。」這是位元組社創始人李如一對好和壞的解釋。但在運營層面，製作的精益化，卻也帶來成本的增加，小公司「包袱」不小，盈利模式也尚不清晰。但也有創業者和投資人拿蘋果和喬布斯的成功說事。他們堅定認為自己會等到「英雄時刻」的到來。（註：「英雄時刻」是在設計領域一個非常流行的詞彙，它代指一個產品在某個特性上給用戶留下強烈的認同和熱愛，進而讓用戶對品牌產生強烈加分。任何成功的品牌必須擁有英雄時刻，就和三星手機與蘋果電腦一樣，或許只是人們實用產品功能的一小部分，但卻在很大程度上決定了一個產品甚至是一個品牌的價值和個性。【嘉賓】龍宇 貝塔斯曼中國總部首席執行官，暨貝塔斯曼亞洲投資基金（BAI）董事總經理周煒 凱鵬華盈創投基金（KPCB）主管合夥人王煜全 Frost & Sullivan中國區總裁、海銀資本創始合夥人梁公軍 鮮果閱讀CEO《21世紀》：當前數字閱讀的行業生態具有哪些特徵？龍宇：貝塔斯曼對傳統和數字出版兩個方面都有涉足，我們旗下蘭登書屋的數字閱讀的銷量已經佔到了整體銷量的25%，這是比較驚人的數字。現在歐美市場上最暢銷的圖書Fifty Shades of Grey，其數字閱讀ebook和實體書銷量已經對半開，未來數字閱讀比重肯定還會加大。我認為，數字閱讀不是一個行業，而是一種未來的消費形態，我覺得與此相關的、傳統的出版社，包括我們在內，和中國的幾百家出版社都是受沖擊的最直接的前沿陣地，像Kindle這樣的閱讀器，如果正式來到中國開放銷售，我相信也會對整個出版的價值鏈、用戶的閱讀習慣都會有很大的沖擊。內容的方向當然會很自然地出現分化，原來是比較大眾的出版，現在可能有細分領域，所以你會關注到果殼或者類似豆瓣這樣的公司。專業領域的閱讀就是基於資料庫專業文獻、科技文獻、資料文獻、大學圖書館等，我覺得中國從來就沒有特別的發達，最主要的是直接對資料庫的營銷。梁公軍：快消時代里，什麼樣的資訊產品會有更強的生命力？第一，准：有用的才給我，不相乾的別煩我；第二，快：第一時間就獲知更新，比如一本書的最新章節、一個事件的最新新聞；第三，柔性：合適的信息自己送上門來，讓信息來找我。以此來滿足絕大部分用戶的即興的、短暫的、隨意的信息消費需要。這對資訊產品團隊提出了非常高的要求，要麼海量數據挖掘、精準推薦技術極強，要麼精選編輯能力及社區運營能力極強，要麼用戶體驗設計能力極強。《21世紀》：數字閱讀的增長點會出現在哪些領域？周煒：我們有一個認識，在無線互聯網時代，渠道比內容更重要，信息如何到達用戶值得繼續探索。比如投資鮮果，我們希望它能成為無線互聯網用戶獲得有價值內容的通道，不單是閱讀一種。核心競爭力來自三個方面，第一是有沒有足夠大的覆蓋量、用戶儲備；第二是用戶體驗的舒適程度，比拼誰更了解用戶；第三是用戶的粘性，要看用戶在你的雲端有沒有積累足夠的資源，此外，社交也是黏住用戶的重要手段，你對產品可以和朋友保持分享，這種關系維持下去，讓你不願放棄。王煜全：社會化閱讀是有機會的。簡單地根據一個人以前的閱讀行為做推算是不夠好的，要依託社交網路來做。閱讀其實和新媒體的很多東西相似，內容的產生相對會容易很多，這樣就對內容的製作者帶來要求，以前你寫出一篇好文章來就可以出名，相當於當初你是短跑選手，現在必須是長跑選手，你得持續不斷地寫出好東西來，才會有價值，對內容提供者來講實際上是有了更高的要求。另一方面是平台的突破，以前在傳統媒體中，編輯部、出版社是最關鍵的，但實際上未來可能會有更多個性化整合的機會，比如說像薛蠻子做的《蠻子文摘》，內容不是他的，但是他是一個很好的整合者，未來整合者的角色也會涌現出來。我們說會有一個新的媒體平台的出現，媒體平台的核心是說有非常好的整合者，然後把最好的內容集成起來，整合者的要素就是他是能夠長期提供好的內容，而且形成自己的風格。未來媒體業者還是有價值的，但是報社就未必了。至於市場切入的時機，首先需要背後的團隊為社會化閱讀提供演算法；其次任何一個新東西起來它有一個周期，微博剛剛起來，社會化閱讀的重點一定都在微博上，過一段時間以後，大家對微博的閱讀方式不滿了，開始期望更高質量的閱讀方式，而現在的閱讀平台沒有太出彩的，寧可等這一波小的泡沫過去以後再進入。龍宇：我覺得未來的增長點可能還會在更加多的互動和定製上面。高度提升的客戶體驗，也使得大家願意為此付費。中國早期互聯網上基本都是用廣告支撐的模式，但是在移動方面的一些打包服務是有收費可能性的，這上面的產品設計思路會有所不同。互動這塊，我覺得也不用誇張社會化閱讀的高深，這不是一個新的概念，其實現在我覺得我們要解決的一個最大的問題就是海量信息，以前是信息很少，所以獨家新聞非常熱，但是現在這些信息都在那裡，關鍵是怎麼樣被再次傳播。現代讀者很大的一個困擾是，沒有跟它自己高度相關的信息，可能對你來講是高質量的、特別有趣的話題，對另外一個人來說則是垃圾。社會化無非是說跟它相關的邏輯關系、跟它相類似的、氣味相投的人群，幫他做了前期的篩選和編輯，這以前是通過黃頁式的導入，由少量掌握著媒體話語權的精英或者專業的編輯來做這件事情，現在可能是通過他自己感興趣的一些垂直門戶來做出的導入，真正了解他的個人社會網路，幫他做了信息的再次整理、傳播和編輯。社交化時代信息的編輯和整理，是由很多的好友關系來建立的。這非常有效率，而不是跳過信息的海洋，自以為自由，但上岸的時候發現一無所獲。到今天為止，我潛下心來，還是很頑固地會讀這些紙質媒體，我說的紙質媒體其實是指傳統媒體，我可能也會在pad上面讀，但是我喜歡這種經過挖掘、整理、沉澱、集成的信息，三個小時會給我非常大的信息量。《21世紀》：這個領域的創業者如何應對大公司的挑戰？周煒：對於大公司的威脅，現在還沒有具體的解決辦法。KPCB希望給鮮果這樣的企業以成長空間，先不考慮盈利模式，讓它慢慢做起來。對於國外的競爭，有兩點看法，其一，競爭是必然的、不可避免。其二，國內互聯網的用戶體驗還是比較特別，一些本土企業的積累和用戶的理解不亞於國外公司。當然，現在無線互聯網讓國外公司在中國成功愈發的容易，但他們還是有很長的道路需要摸索。KPCB投資過Google、Evernote等企業，作為VC方，也希望促成它們與鮮果等國內企業的合作空間。王煜全：大公司的圍剿沒法面對。沒太多技術含量的東西本來就不該是創業者做的，創業者不能拿AK47跟人家打，必須有制導武器。一個簡單的閱讀平台不構成制導武器，除非你有很強的社會化計算能力。一方面所謂給你推薦什麼東西，是通過演算法來決定的；另一方面推薦誰的東西也可以通過演算法來決定，比如說你對任何一個門類有需求，你喜歡體育，那我會從微博的體育用戶當中，篩選出在體育領域最權威的人，他摘的文章我推薦給你，實際上雙方都是用演算法來做到最優的針對性提供，這樣才會有未來。龍宇：其實國內一些公司的模式在歐美市場上是沒有先例的。比如我們對豆瓣，並不作為簡單的投資，而是希望能把豆瓣的模式、思路、更具體到它的技術水準、操作形態，完全都推廣和結合在我們歐洲的資產上，能夠給這個產業帶來一些變革性的創新。只有擁有海量資源的人願意開始主動的轉型，以開放的姿態來接受一些新的商業模式和技術模式，才能去定義市場。我們很願意跟豆瓣成為一個合資企業，在歐洲用中國的技術，來顛覆歐洲的媒體消費習慣。
⑵ 股票投資盈利模式
首先問大家一個問題，我們初入股市的原因是什麼?大部分人都會回答：賺錢。這沒錯，但觸發你在某個時間節點進入股市其實最主要的導火索還是身邊的朋友，同學，或者同事等在那個時間節點在股市賺到錢了，消息被你聽到，於是你也想進倉賺一筆，對吧?但奇怪的是我們現實生活中，投資一個生意，都會非常謹慎考察，小心求證，然後才敢拿出資金投入進去，而到了股市我們的謹慎態度好像被完全遺忘，基本都是興沖沖跑到證券公司或者手機掃碼開戶，把資金往裡面一轉，反手找人打聽一個股票就干進去。各位是不是這個場景似曾相識?想過沒有我們投資股市也是一項投資，難道不需要做任何准備工作嗎?了解這個市場的游戲規則嗎?了解你將要投資的對象嗎?了解你的競爭對手嗎?諸如此類的問題，我想作為個人投資者初入股市的時候基本都沒有人想過，以為來股市肯定能賺錢，理由就是別人賺了錢，我為啥不行?!於是一幕幕悲劇不斷上演?
有朋友會說，既然進入股市我們也需要做些准備工作，那麼最主要的准備工作是哪些?今天咱就聊其中第一個，盈利模式。所謂盈利模式，其實很簡單，就是你通過什麼套路賺錢。總結我們A股市場最常見的四種盈利模式，大家可以對號入座，看哪種盈利模式適合自己?
(1)
價值投資，價值投資是目前主流機構投資者最主要的盈利模式，它們資金龐大，有管理規定方面的各種限制不允許它們每天做追漲殺跌或者高拋低吸的短線交易。價值投資的核心是：尋找質地優良的上市公司，耐心等待股價顯著低於內在價值的時候買入，並且長期持有。價值投資的難點在於①尋找質地優良公司，②會對上市公司進行估值，③耐心等待，④買入長期持有。
(2)
成長投資，其核心是有能力發現上市公司未來的成長上升空間，能夠發掘上升周期的新興產業，並且投資自重有巨大上升潛力的公司，謀求風險收益。成長投資的核心是：發掘潛力的行業及公司。這其中注意成長潛力不等於概念炒作，我們A股股民聽到的大部分成長投資其實都是人為製造的概念，一不小心就會被動當成接盤俠和韭菜。
(3)
指數投資，發掘具備長期投資的大盤指數或者板塊成分指數，優點是能夠排除個股的波動風險，追求的是整個市場或者整個板塊的平均收益，對投資者不需要有突出的選股水平。
(4)
技術投資，這是我們個體投資者最常見的盈利模式，細分起來實際可以劃分為兩大類，第一類是通過交易信息(主要是價格和成交量)以及其衍生出來的各種傳統技術指標建立的盈利模式，比如依靠均線，MACD，BOLL等建立的模式。第二類是通過對投資者的行為(買和賣)在籌碼留下的足跡建立起來的盈利模式，也就是行為金融學的范疇，目前這類分析及交易模型非常小眾，但優點是非常有效。千層金股票配資
以上四種盈利模式，沒有好壞之分，作為投資者選擇哪種盈利模式最合適，只有一個判斷標准，就是你自身的優勢，在哪方面你具備相應的分析優勢，就選擇哪種盈利模式，但有一個原則，盈利模式使用的越小眾，成功率及回報率相對越高。因為別忘了我們股市還有另外一個規律：少數人成功。
⑶ 演算法相對論｜關於人工智慧的產業化之路的三點思考
彭嘉昊
在過去的2021年，我們見證了人工智慧這個細分行業的起起伏伏，有些企業長期虧損乃至瀕臨破產，有些企業順利獲得融資或成功上市，可謂幾家歡喜幾家愁。但縱觀現在國內人工智慧的產業化之路，總是無法迴避一個現實的問題，即「人工智慧企業究竟離盈利還有多遠？」誠然人工智慧領域的研發工作需要巨大的投入，但所有的研發投入只有在產業化的落地場景中才能實現真正的商業價值，脫離了現實的產業需求，人工智慧只能停留在技術本身。
目前，人工智慧的產業化發展的3個路徑：（1）AI+產業，即人工智慧的技術型公司掌握某種人工智慧技術後，向產業化的具體場景落地。比如商湯 科技 、雲天勵飛、曠世 科技 等知名人工智慧公司都是採取的這條路徑。（2）產業+AI，即由某一細分產業里的公司，尤其是頭部大型企業作為主導力量，主動引入人工智慧技術完成升級。比如平安保險、、順豐快遞等細分領域的大型企業自身的產業升級。（3）產學研成果轉化，即由高校和科研機構為主導，主動面向市場的科研成果轉化道路。近些年各大頂尖高校都建立了人工智慧研究院，諸如北京、上海、深圳等城市也有很多政府背景的人工智慧科研和成果轉化平台。
筆者從2020年以來持續走訪了上百家人工智慧企業及科研機構，就在行業里的所見所聞，結合自己的想法，談一下我對於人工智慧的產業化之路的思考。
一、「AI+產業」的道路已經進入平台期
「AI+產業」的模式，主要指人工智慧的技術型公司通過技術先行，然後尋找合適的業務場景實現商業價值。這條路可以借鑒移動互聯網的發展歷程，諸如淘寶、滴滴這樣的互聯網企業，都是通過技術和商業模式創新，發現了一個0-1的全新產業。我們曾經也認為人工智慧的技術型公司可以通過0-1的技術突破，借鑒移動互聯網的經驗，廣泛覆蓋到各行各業的細分場景中。但除了人臉識別等少數幾個場景外，人工智慧的技術型公司並沒有復制 科技 前輩在移動互聯網的成功。
其中的原因有很多，我們並不能將其簡單歸咎於市場、資本或團隊本身，筆者認為根源在於人工智慧技術本身進入了一個進步相對緩慢的平台期了，我們拿人工智慧的三大核心要素：算力、演算法和數據來對應分析。
我們先說算力的問題，根據中國信息通信研究院在2021年《中國算力發展指數白皮書》的分析，雖然近些年基礎算力、智能算力和超算算力都有很大程度的增長，未來5年全球的增速甚至超過50%，但與日益復雜的演算法模型和快速增長的現實需求而言，仍然存在較大的缺口。同時，存算一體架構、量子計算、光子計算和類腦計算晶元尚處於實驗室的研發階段，離大規模商業化還有較長的時間，無法以技術革命的方式實現跨越式發展。雖然，諸如商湯 科技 、華為等頭部公司採取了建立人工智慧計算中心（AIDC）的方式，來滿足未來智能計算需求的快速增長；我國神威、天河、曙光三台E級超算系統的研製工作也在逐步推進，很多國內的硬體公司著手計算機硬體的國產化替代。但從短期來看，算力將會是一個制約人工智慧技術發展的現實困難。
我們再說到演算法，演算法表面上是計算機技術，但就本質抽離分析它是個數學問題。近些年數學領域還是有很多發展，比如無限函數計算等，但在計算機領域的發展速度相對而言沒有那麼的快。就演算法這一特定領域的發展，中美最頂級的演算法之間目前並沒有代差。雖然層演算法需要投入海量的資金進行研發，但是就應用層來說，企業完全可以自己下載Gitub或OpenAI的開源代碼，或者使用網路、阿里、騰訊等互聯網大廠的現有技術方案，從而大大降低技術應用的門檻。在市場競爭的層面上，人工智慧技術型公司並不必然比傳統互聯網公司，甚至處於數字化轉型的傳統企業更具有優勢。
另外一個關鍵要素就是數據，我國從2020年開始就逐步收緊了數據安全相關的管理，《個人信息保護法》、《數據安全法》以及九部委《關於加強互聯網信息服務演算法綜合治理的指導意見》的陸續出台，使得人工智慧的技術型公司獲得數據的難度越來越，除非他們能夠深入到業務的細分場景中，否則很難像過去那樣獲得訓練演算法模型的大規模數據。而這些「喂養」演算法模型的數據，大都掌握在產業里的公司，尤其是大型公司的手中。這些大型公司無論是處於商業目的，還是自身業務安全性的考慮，幾乎很難同人工智慧的技術型公司開展合作，這也造成人工智慧的技術型公司在產業化的道路上困難重重。
二、「產業+AI」和產學研成果轉化的機遇
「產業+AI」的路徑，屬於產業里的企業自發性升級換代的過程，我們可以將其歸納進企業數字化轉型的進程。產業里的企業為了適應市場競爭，會主動尋求與人工智慧領域的技術型公司或者研究機構進行合作，甚至自己建立團隊完成研發工作。對於大部分產業里的企業來說，他們面對的並不是0-1的全新市場，往往是在既有的紅海市場中競爭，這種長期在產業內的拼搏經歷，使得他們在人工智慧的產業化上具備以下兩大獨特優勢：
1. 掌握了大量特定生產場景下的專業知識和數據資料：我們一般稱其為行業knowhow，比如化工材料的配方或某種特殊的生產工藝流程等。這種行業knowhow往往是企業的核心機密，在一些數據採集封閉、生產流程保密的領域，往往只有少數幾家企業可以獲得足夠訓練人工智慧模型的專業知識和數據資料。所以，很多產業里的企業在尋找技術合作方時，會對侵略性較強的技術型公司比較排斥，往往要求技術型公司提交演算法源代碼，目的在於避免培養潛在競爭對手。
2. 了解真實的交易和應用場景：比如怎樣建立可靠的供應鏈，怎樣探析市場的情報信息，怎樣建立全新的商業模式和盈利模式等。這些內容看似都屬於業務相關的范疇，但卻是技術型公司的痛點，幾乎90%的人工智慧公司都死在了打磨商業模式、尋找應用場景的道路上。但對於產業里的企業來說，敏銳捕捉市場機會並從產業里賺到錢，是他們與生俱來的天然能力，所有不具備這種能力的企業都在過去的市場競爭中淘汰掉了。
隨著人工智慧技術准入門檻的降低，大量傳統企業與人工智慧技術的適配將更加便捷，未來每一家企業都具備成為「人工智慧+公司」的潛質。相信隨著國家新基建和數字化轉型工作的不斷深化，在各行各業里都會出現「產業+AI」的明星企業。
在人工智慧的產業化之路上，少不了高校和科研機構的參與，對於產業里的企業來說，高校和科研機構可以很好補充其自身研發能力的不足。目前，我國的產學研成果轉化的之路並不十分順暢，雖然國家每年投入了大量科研經費，但由於學術、科研同商業、市場的差異巨大，高校和科研機構在商業判斷和市場嗅覺等方面總顯得不太「接地氣」，更多的成果停留在實驗室里很難走出去，面臨「酒香也怕巷子深」的現實窘境。
另外，高校和科研機構往往在工程能力也有所欠缺，雖然容易聚集高層次的頂尖人才，但缺乏實際操作的操盤型業務能手。正因為強於研發而弱於市場，高校和科研機構往往更願意將 科技 成果以出售、技術入股或收益分成的方式與產業里的企業進行合作，而不是自己開拓市場。與人工智慧的技術型公司相比，高校和科研機構有著大量國家基礎科研經費的保障，對於本就容易聚集人才的高校和科研機構來說，很多人工智慧的技術型公司而言很復雜的技術，對於高校和科研機構來說並不困難。隨著國家《科學技術進步法》的修訂，科研人員參與到成果轉化的途徑也將更通暢，一旦企業找到適合自身的成果轉化路徑，就可以很好的與高校和科研機構建立「產業+技術」的聯合。可以預見，未來各類新型技術和成果轉化平台將持續涌現，作為技術與市場的橋梁。
三、以產業需求出發，以產業結果為驗證標准
人工智慧行業的發展變化很快，即使在產業內的從業人員也免不了持續性、高強度的學習和研究。各行各業的專家在跨到人工智慧這個領域的時候，可能都需要經歷持續性「回頭看」的過程。筆者在2020年參與深圳特區人工智慧立法的時候，關於「什麼是人工智慧」的界定，現在看起來內涵和外延都不充分。過去，我們曾經認為人工智慧就是模擬人的智能，但隨著近些年的發展，我們發現機器在模擬人的智能上出現了很多痛點，但在模擬昆蟲、動物的智能上反而進展很快，很多成果應用在障礙躲避、行為預判等諸多領域。於是，我們發現人工智慧並不能單純界定為「模擬人的智能」，而應當是「人造的智能」。顯然，當時幾乎所有的立法專家對於人工智慧的基礎理解並不全面和前瞻。
人工智慧學界有一個著名的猴子上樹的故事：我們不能認為基於當下在人工智慧領域的技術進步，都是為通用人工智慧的到來添磚加瓦；這正如我們不能認為一隻猴子上了樹，就意味著它向登月邁了一大步一樣。在人工智慧的產業化之路上，我們必須保持著謙虛、務實的精神，一切從產業的需求出發，一切以產業的實際結果為驗證標准。任何一種技術或者商業模式的驗證，都有自己的時間窗口，當市場機遇的紅利期錯過後，再想實現企業的快速發展就非常困難了，勢必面臨更加激烈的肉搏戰。
與人工智慧技術的發展一樣，產業化的道路總是「看」起來容易，「做」起來難。雖然我們不提倡以成敗論英雄，但在人工智慧的產業化道路上，能夠解決真實問題、拿到客觀結果，才是企業家需要思考的核心問題。對於每一個產業里的專家來說，與其採取一種「預判式」的論證，執著於向其他人說明自己了解的知識，遠不如切實在產業裡面做出現實案例更具有說服力。未來各行各業的每一家企業都是「人工智慧+公司」，願與行業里的同仁一起共同成長、見證人工智慧產業化之路的發展。（彭嘉昊繫上海人工智慧研究院數字化治理中心主任）
校對：欒夢
⑷ 加盟店盈利模式演算法
首先加盟店不要每個月都付加盟費，只需一次付給品牌使用費，員工當然屬於加盟店的，這樣便於管理，財政當然也是歸加盟店自己管理，總部會協助加盟店做好相關工作，乳妍經絡養胸連鎖小鋪就是很好的連鎖加盟模式，投資小見效快，針對目標客戶明確，只需21天就可學會乳妍經絡養胸獨家方法，乳妍經絡養胸連鎖小鋪就是專業改善中年女性乳腺增生，預防乳房下垂的調理機構，也是預防乳腺癌的最佳選擇。操作起來很簡單。你可以詳細了解。
⑸ 推薦演算法簡介
在這個時代，無論是信息消費者還是信息生產者都遇到了很大的挑戰:作為信息消費者，如何從大量信息中找到自己感興趣的信息是一件非常困難的事情;作為信息生產者， 如何讓自己生產的信息脫穎而出，受到廣大用戶的關注，也是一件非常困難的事情。推薦系統就是解決這一矛盾的重要工具。推薦系統的任務就是聯系用戶和信息，一方面幫助用戶發現對自己有價值的信息，另一方面讓信息能夠展現在對它感興趣的用戶面前，從而實現信息消費者和信息 生產者的雙贏。和搜索引擎不同的是，推薦系統不需要用戶提供明確的需求，而是通過分析用戶的歷史行為給用 戶的興趣建模，從而主動給用戶推薦能夠滿足他們興趣和需求的信息 個性化推薦的成功需要兩個條件。第一是存在 信息過載 ，因為如果用戶可以很容易地從所有物品中找到喜歡的物品，就不需要個性化推薦。第二用 戶大部分時候沒有特別明確的需求 ，因為用戶沒有明確的需求，可以直接通過搜索引擎找到感興趣的物品。
一個完整的推薦系統一般存在3個參與方：用戶、物品提供者和提供推薦系統的網站。以圖書推薦為例， 首先，推薦系統需要滿足用戶的需求，給用戶推薦那些令他們感興趣的圖書。其次，推薦系統要讓各出版社的書都能夠被推薦給對其感興趣的用戶，而不是只推薦幾個大型出版社的書。最後， 好的推薦系統設計，能夠讓推薦系統本身收集到高質量的用戶反饋，不斷完善推薦的質量，增加 用戶和網站的交互，提高網站的收入。因此在評測一個推薦演算法時，需要同時考慮三方的利益， 一個好的推薦系統是能夠令三方共贏的系統。
推薦系統中，主要有3種評測推薦效果的實驗方法，即離線實驗(offline experiment)、用戶調查(user study)和在線實驗(online experiment)。
2.1 離線實驗
離線實驗的方法一般由如下幾個步驟構成: (1) 通過日誌系統獲得用戶行為數據，並按照一定格式生成一個標準的數據集; (2) 將數據集按照一定的規則分成訓練集和測試集; (3) 在訓練集上訓練用戶興趣模型，在測試集上進行預測; (4) 通過事先定義的離線指標評測演算法在測試集上的預測結果。
從上面的步驟可以看到，推薦系統的離線實驗都是在數據集上完成的，也就是說它不需要一個實際的系統來供它實驗，而只要有一個從實際系統日誌中提取的數據集即可。這種實驗方法的 好處是不需要真實用戶參與，可以直接快速地計算出來，從而方便、快速地測試大量不同的演算法。它的主要缺點是無法獲得很多商業上關注的指標，如點擊率、轉化率等，而找到和商業指標非常相關的離線指標也是很困難的事情
2.2 用戶調查
3.3 在線實驗
在完成離線實驗和必要的用戶調查後，可以將推薦系統上線做 AB測試 ，將它和舊的演算法進行比較。 AB測試 是一種很常用的在線評測演算法的實驗方法。它通過一定的規則將用戶隨機分成幾組，並對不同組用戶採取不同的演算法，然後通過統計不同組用戶的各種不同的評測指標比較不同演算法的好壞。 AB測試的優點是可以公平獲得不同演算法實際在線時的性能指標，包括商業上關注的指標。 AB測試的缺點主要是周期比較長，必須進行長期的實驗才能得到可靠的結果。因此一般不會用 AB測試測試所有的演算法，而只是用它測試那些在離線實驗和用戶調查中表現很好的演算法。其次， 一個大型網站的AB測試系統的設計也是一項復雜的工程。
一般來說，一個新的推薦演算法最終上線，需要完成上面所說的3個實驗。 1）首先，需要通過離線實驗證明它在很多離線指標上優於現有的演算法。 2）然後，需要通過用戶調查確定它的用戶滿意度不低於現有的演算法。 3）最後，通過在線的AB測試確定它在我們關心的指標上。
本節將介紹各種推薦系統的評測指標。這些評測指標可用於評價推薦系統各方面的性能。這 些指標有些可以定量計算，有些只能定性描述，有些可以通過離線實驗計算，有些需要通過用戶 調查獲得，還有些只能在線評測。
(1) 用戶滿意度
用戶作為推薦系統的重要參與者，其滿意度是評測推薦系統的最重要指標。但是，用戶滿意度沒有辦法離線計算，只能通過用戶調查或者在線實驗獲得。
在在線系統中，用戶滿意度主要通過一些 對用戶行為的統計得到 。比如在電子商務網站中，用戶如果購買了推薦的商品，就表示他們在一定程度上滿意。因此，我們可以 利用購買率度量用 戶的滿意度 。此外，有些網站會通過設計一些用戶 反饋界面收集用戶滿意度 。比如在視頻網站中，都有對推薦結果滿意或者不滿意的 反饋按鈕 ，通過統計兩種按鈕的單擊情況就可以度量系統的用戶滿意度。更一般的情況下，我們可以用 點擊率、用戶停留時間和轉化率等指標度量 用戶的滿意度。
(2) 預測准確度
預測准確度度量一個推薦系統或者推薦演算法預測用戶行為的能力。這個指標是最重要的推薦系統離線評測指標
在計算該指標時需要有一個離線的數據集，該數據集包含用戶的歷史行為記錄。然後，將該數據集通過時間分成訓練集和測試集。最後，通過在訓練集上建立用戶的行為和興趣模型預測用戶在測試集上的行為，並計算預測行為和測試集上實際行為的重合度作為預測准確度。 預測准確度指標有分為以下幾種：
評分預測：
預測用戶對物品評分的行為成為評分預測，在評分預測中，預測准確度一般通過均方根誤差RMSE和平均絕對誤差MAE計算，對於測試集中的一個用戶u和物品i,令[圖片上傳失敗...(image-62a797-1560412790460)] 是用戶u對物品i的實際評分，而[圖片上傳失敗...(image-28cfbc-1560412790460)] 是推薦演算法給出的預測評分，那麼RMSE定義為：
其中T為樣本個數
MAE採用絕對值計算預測誤差，它的定義為:
TopN推薦
網站在提供推薦服務時，一般是給用戶一個個性化的推薦列表，這種推薦叫做TopN推薦。TopN推薦的預測准確率一般通過准確率(precision)/召回率(recall)度量。 令R(u)是根據用戶在訓練集上的行為給用戶作出的推薦列表，而T(u)是用戶在測試集上的行為列表。那麼，推薦結果的召回率定義為:
推薦結果准確率定義：
(3) 覆蓋率
覆蓋率（coverage）描述一個推薦系統對物品長尾的發掘能力。覆蓋率有不同的定義方法，最簡單的定義為推薦系統能夠推薦出來的物品占總物品集合的比例。假設系統的用戶集合U，推薦系統給每個用戶推薦一個長度為N的物品集合R（u）。那麼推薦系統的覆蓋率可以通過下面的公式計算：
I為總物品數
此外，從上面的定義也可以看到，熱門排行榜的推薦覆蓋率是很低的，它只會 推薦那些熱門的物品，這些物品在總物品中占的比例很小。一個好的推薦系統不僅需要有比較高的用戶滿意度，也要有較高的覆蓋率。
但是上面的定義過於粗略。覆蓋率為100%的系統可以有無數的物品流行度分布。為了更細致地描述推薦系統發掘長尾的能力，需要統計推薦列表中不同物品出現次數的分布。如果所有的 物品都出現在推薦列表中，且出現的次數差不多，那麼推薦系統發掘長尾的能力就很好。因此， 可以通過研究物品在推薦列表中出現次數的分布描述推薦系統挖掘長尾的能力。如果這個分布比 較平，那麼說明推薦系統的覆蓋率較高，而如果這個分布較陡峭，說明推薦系統的覆蓋率較低。 在資訊理論和經濟學中有兩個著名的指標可以用來定義覆蓋率。第一個是信息熵:
其中：n代表推薦列表中物品類別個數，p(i)代表每個類別的所佔的比率
第二個指標是基尼系數：
(4) 多樣性
為了滿足用戶廣泛的興趣，推薦列表需要能夠覆蓋用戶不同的興趣領域，即推薦結果需要具有多樣性。多樣性推薦列表的好處用一句俗話表示就是（不在一棵樹上弔死）。盡管用戶的興趣在較長的時間跨度中是一樣的。但具體到用戶訪問推薦系統的某一時刻，其興趣往往是單一的，那麼如果推薦列表只能覆蓋用戶的一個興趣點，而這個興趣點不是用戶這個時刻的興趣點，推薦結果就不會讓用戶滿意。反之如果推薦列表表較多樣，覆蓋用戶絕大多數的興趣點，那麼久會增加用戶找到感興趣物品的概率。因此給用戶的推薦列表也需要滿足用戶廣泛的興趣，即具有多樣性。
多樣性描述了推薦列表中物品兩兩之間的不相似性，因此，多樣性和相似性是對應的。假設s(i, j) ∈Î[0,1] 定義了物品i和j之間的相似度，那麼用戶u的推薦列表R(u)的多樣性定義如下：
而推薦系統的整體多樣性可以定義為所有用戶推薦列表多樣性的平均值：
(5) 新穎性
新穎的推薦是指給用戶推薦那些他們以前沒有聽說過的物品。在一個網站中 實現新穎性 的最簡單辦法是，把那些用戶之前在網站中對其有過行為的物品從推薦列表中過濾掉。比如在一個視 頻網站中，新穎的推薦不應該給用戶推薦那些他們已經看過、打過分或者瀏覽過的視頻。 評測新穎度的最簡單方法是利用推薦結果的平均流行度，因為越不熱門的物品越 可能讓用戶覺得新穎。因此，如果推薦結果中物品的平均熱門程度較低，那麼推薦結果就可能有比較高的新穎性。
(6) 驚喜度
驚喜度(serendipity)是最近這幾年推薦系統領域最熱門的話題。如果推薦結果和用戶的歷史興趣不相似，但卻讓用戶覺得滿意，那麼就可以說推薦結果的驚喜度很高，而推薦的新穎性僅僅取決於用戶是否聽說過這個推薦結果。提高推薦驚喜度需要提高推薦結果的用戶滿意度，同時降低推薦結果和用戶歷史興趣的相似度。
(7) 信任度
度量推薦系統的信任度只能通過問卷調查的方式，詢問用戶是否信任推薦系統的推薦結果。 提高推薦系統的信任度主要有兩種方法。首先需要增加推薦系統的透明度(transparency)， 而增加推薦系統透明度的主要辦法是提供推薦解釋。只有讓用戶了解推薦系統的運行機制，讓用 戶認同推薦系統的運行機制，才會提高用戶對推薦系統的信任度。其次是考慮用戶的社交網路 信息，利用用戶的好友信息給用戶做推薦，並且用好友進行推薦解釋。這是因為用戶對他們的 好友一般都比較信任，因此如果推薦的商品是好友購買過的，那麼他們對推薦結果就會相對比較信任
(8) 實時性
在很多網站中，因為物品(新聞、微博等)具有很強的時效性，所以需要在物品還具有時效 性時就將它們推薦給用戶。 推薦系統的實時性包括兩個方面。首先，推薦系統需要實時地更新推薦列表來滿足用戶新的 行為變化。實時性的第二個方面是推薦系統需要能夠將新加入系統的物品推薦給用戶。這主要考驗了推 薦系統處理物品冷啟動的能力。
(9) 健壯性
健壯性(即robust,魯棒 性)指標衡量了一個推薦系統抗擊作弊的能力。演算法健壯性的評測主要利用模擬攻擊。首先，給定一個數據集和一個演算法，可以用這個演算法 給這個數據集中的用戶生成推薦列表。然後，用常用的攻擊方法向數據集中注入雜訊數據，然後 利用演算法在注入雜訊後的數據集上再次給用戶生成推薦列表。最後，通過比較攻擊前後推薦列表 的相似度評測演算法的健壯性。如果攻擊後的推薦列表相對於攻擊前沒有發生大的變化，就說明算 法比較健壯
(10) 商業目標
很多時候，網站評測推薦系統更加註重網站的商業目標是否達成，而商業目標和網站的盈利模式是息息相關的
(11) 總結
上一節介紹了很多評測指標，但是在評測系統中還需要考慮評測維度，比如一個推薦演算法， 雖然整體性能不好，但可能在某種情況下性能比較好，而增加評測維度的目的就是知道一個演算法 在什麼情況下性能最好。這樣可以為融合不同推薦演算法取得最好的整體性能帶來參考。
一般來說，評測維度分為如下3種。 1） 用戶維度 ：主要包括用戶的人口統計學信息、活躍度以及是不是新用戶等。 2） 物品維度 ：包括物品的屬性信息、流行度、平均分以及是不是新加入的物品等。 3） 時間維度 ：包括季節，是工作日還是周末，是白天還是晚上等。 如果能夠在推薦系統評測報告中包含不同維度下的系統評測指標，就能幫我們全面地了解推 薦系統性能，找到一個看上去比較弱的演算法的優勢，發現一個看上去比較強的演算法的缺點。
⑹ 老闆他們自己算利潤是怎麼算的
老闆他們自己算利潤是怎麼算的?
一般老闆自己算利潤的依據是運用的收付實現制原則，是按公司實際到帳收入-實際成本·費用·支出-庫存=利潤的簡單模式計算利潤的。
我們會計的依據是權責發生制原則，即收入按現金收入及未來現金收入――債權的發生來確認；費用按現金支出及未來現金支出――債務的發生進行確認。而不是以現金的收入與支付來確認收入費用。按照權責發生制原則，凡是本期已經實現收入和已經發生或應當負擔的費用，不論其款項是否已經收付，都應作為當期的收入和費用處理；凡是不屬於當期的收入和費用，即使款項已經在當期收付，都不應作為當期的收入和費用。
⑺ 我投資一萬元，預期年化收益率為6.8%，那一月的收益是多少又該怎麼算哪
1、一個月的收益是56.66。
2、演算法：月收益=本金*年收益率/12=10000*0.068/12=56.66。
拓展資料：
引入網路（什麼是投資）：
指的是特定經濟主體為了在未來可預見的時期內獲得收益或是資金增值，在一定時期內向一定領域投放足夠數額的資金或實物的貨幣等價物的經濟行為。可分為實物投資、資本投資和證券投資。前者是以貨幣投入企業，通過生產經營活動取得一定利潤，後者是以貨幣購買企業發行的股票和公司債券，間接參與企業的利潤分配。投資是創新創業項目孵化的一種形式，是對項目產業化綜合體進行資本助推發展的經濟活動。
投資需要注意的：
1、學會合理的分配自己的資金：理財也是一種投資。
2、不要夢想一夜暴富：天上沒有餡餅，天上有什麼？雨、雪、沙塵暴，偶爾會掉下來一個花盆什麼的，一定不會有餡餅掉下來的，中國有句俗話「財不進急門」。一年40%-50%的機會不可信，要想想別人的動機，聽起來過於完美的東西往往不是真的。很多中了彩票頭獎的人十年後還是貧困，因為買大房子，買車，鑽出來幾十個窮親戚。精神上也受不了，像范進中舉，一下子厥過去。當別人給你貌似很好的投資機會時，先問問自己：①誰在賣我東西，對方的信譽如何？②我的錢幹啥去了？③我掙的是什麼錢，盈利模式。④收益率合理嗎？（年收益1%-5%低，5%-8%中等，8%以上高）。
3、不要讓債務纏住一生：房奴、車奴、卡奴。中國的負翁大多28-35歲。例如在上海買100平的房子，500萬，首付30%，150萬，20萬裝修，5萬家電，5萬內飾細軟，沒有30萬沒法住進去。月還款應該在收入的30%以下，50%會非常難受。其次車奴更難，車子是持續消費。日本的富翁每天拎著飯盒坐公交。最後信用卡是財務鴉片。大學生，月消費1800。北京碩士畢業月薪3000，本科2000，年輕人不要對未來生活抱著虛無的幻想。改變生活要從小錢開始還，還卡——還車——還房——攢錢——投資。
4、專心一項投資：中國有一句老話叫一招鮮，吃遍天，一生做好一件投資你就會過上美滿和幸福的生活。
最後要說的一句：生活不易，投資需謹慎。
⑻ 盈虧平衡點計算方法
盈虧平衡點的計算公式為：固定費用/價格-可變費用=盈虧平衡點（產量）
擴展知識；各行業可能有業務的特殊性演算法不一，我這里以銷售實物產品為盈利模式的實體店流通行業（代理商、經銷商、加盟商）為例，講解單店單月盈虧平衡點的演算法。
我們都知道和認同最基本的財務公式：利潤 = 營業收入 - 所有支出
盈虧平衡點，即生意處於不賠不賺的狀態，俗稱保本，即利潤既不是正數也不是負數而是利潤為0的時候，營業收入（又叫銷售額）應該是多少。
即 銷售額-所有支出=利潤=0
實體店，我們把所有支出分成三類，一是商品進貨價、二是固定費用、三是變動費用。
分別解釋：
1，商品進貨價：即不含任何費用的商品采購價。銷售額-進貨價=毛利潤
2，固定費用：指的是，不受銷售額影響而每月必須硬性支出的費用，就是不管賣貨不賣貨都要支出的錢。一般包括：（1）門店租金、門店水電物管費、門店日常辦公費、門店裝修分攤，這些部分是該門店專屬的費用；（2）倉庫租金分攤、倉庫水電物管費分攤、員工宿舍租金分攤、公司宿舍水電物管費、辦公室租金、辦公室水電物管費、員工基本工資（底薪）、員工社保費、運營管理團隊建設費、差旅招待費、資金成本分攤，這些部分是指公司因為有多個營業門店而產生的後台費用需要分攤到各個營業門店裡邊去，固定費用的合計是金額。
3，變動費用：指的是，隨著銷售額變化而變化的與銷售額為正向比例關系的費用。一般包括：門店廣告費用、門店促銷推廣費用、門店活動物料費用、員工提成、員工獎金、長途運費、市內運費、支付成本手續費、商場銷售額扣點、售後服務成本、稅費，變動費用的合計是百分率，核算成金額即銷售額*變動費用率。
即 銷售額-進貨價-固定費用-變動費用=0
即 銷售額-進貨價 = 變動費用+固定費用
即 毛利潤=變動費用+固定費用
即 銷售額*毛利率=銷售額*變動費用率+固定費用
即 銷售額（毛利率-變動費用率）=固定費用
即 盈虧平衡銷售額 = 固定費用/（毛利率-變動費用率
⑼ 科創股鑒 | 虹軟科技：不僅是視覺AI第一股
控制人為美藉華人，公司性質為「外商投資股份有限公司」。雖然以前也有外企在A股上市，但基本上都是中國台灣企業。虹軟 科技 登陸科創板可以被視為我國「進一步擴大開放」的標志性事件。
上周五，6月21日，在科創板上市委2019年第8次審議會議上虹軟 科技 「過會」。這意味著再過幾個星期，科創板將迎來視覺AI第一股。我考量的結果是，這個第一好像不僅是國內的，多半也是全球的。
虹軟 科技 是視覺人工智慧技術、產品與解決方案提供商。20 多年來，虹軟 科技 研發出了一系列視覺人工智慧領域的底層演算法，並將其產品化、解決方案化。目前，虹軟 科技 的視覺人工智慧技術、產品與解決方案主要被用於智能手機行業，客戶包括三星、華為、小米、OPPO、維沃（vivo）、 LG、索尼、傳音等廠商。同時，隨著人工智慧時的來臨，虹軟 科技 開始向智能 汽車 、智能家居、智能保險、智能零售、互聯網視頻等領域進軍。以行業需求為導向，虹軟 科技 在與全球消費電子領導廠商的深度合作中實現了核心技術的不斷迭代及產品的持續創新。
另外，虹軟 科技 還推出了 AI 開放平台，將人臉識別、人證核檢、活體檢測等核心技術免費提供給相關企業、創業團隊和個人開發者，在助力廣大中小企業打破技術壁壘的同時也讓自己的技術與產品在更多的場景中落地。
產品與解決方案
目前，虹軟 科技 提供3類解決方案：智能手機視覺解決方案、智能駕駛視覺解決方案、其他 IoT 智能設備視覺解決方案，其中來自智能手機視覺解決方案的收入佔全部營業收入的絕大部分：2016年為67.93%，2017年為91.27%，2018年為96.57%。
虹軟 科技 針對每一款智能設備的不同特點，在有限的開發周期內，為客戶提出有針對性的解決方案，幫助客戶的智能設備在「性能-功耗-硬體成本」三方面達到最優平衡。通過採用虹軟 科技 提供的視覺人工智慧解決方案，智能設備可以在既有能力的基礎上突破硬體成像能力的限制，提升成像質量、效果，尤其是可以通過先進的演算法對智能計算進行控制、優化來降低功耗，使得眾多全新的智能拍照攝像及相關視覺應用成為可能，用戶體驗和設備的性價比因此提升，產品的市場競爭力因此增加。目前，虹軟 科技 提供的視覺人工智慧解決方案已經成功應用於智能手機、智能 汽車 、智能家居、智能保險、智能零售、互聯網視頻等多種場景中，且仍在不斷 探索 新的視覺人工智慧技術和產品應用場景。
商業模式
虹軟 科技 是典型的To B企業，即主要面向行業客戶銷售自己的技術、產品與解決方案。虹軟 科技 設有銷售部門，採用直銷的方式，主要向智能手機、智能 汽車 、智能家居、智能零售以及各類帶攝像頭的 IoT 設備製造商銷售視覺人工智慧演算法軟體。
盈利模式
虹軟 科技 的盈利模式是將視覺人工智慧演算法技術與客戶的特定設備深度整合，通過合約的方式授權給客戶使用，即客戶將相關演算法軟體或軟體包裝載在約定型號的智能設備。
虹軟 科技 自稱是能以計件的方式對國內外客戶收取軟體技術授權費用的企業，即按照客戶生產的裝載有虹軟 科技 演算法技術的智能設備的數量進行收費。
市場地位
虹軟 科技 是全球視覺人工智慧行業領先的技術、產品與解決方案提供商。IDC 的統計數字顯示，2018 年全球出貨量前5的手機品牌中，除蘋果完全採用自研的視覺人工智慧演算法外，其餘4家採用安卓系統的手機廠商，即三星、華為、小米、OPPO ，其主要中高端機型均搭載了虹軟 科技 智能手機的視覺人工智慧解決方案。2018年，虹軟 科技 來自這5家客戶的收入分別為26860.37 萬元，占營業收入的比例為58.64%。
招股說明書顯示，採用虹軟 科技 視覺人工智慧解決方案的手機客戶有：三星、華為、小米、OPPO、vivo、魅族、索尼、中興、傳音、聯想、摩托羅拉、HTC、ASUS 等，2018年的前5大客戶是三星、小米、OPPO、 華為、Foxconn。
技術優勢
在招股說明書中虹軟 科技 自稱擁有4種優勢：人才優勢、技術積累優勢、產業鏈深度合作優勢、客戶及品牌優勢，其中最重要的是技術積累優勢：一是端計算和邊緣計算技術的積累優勢；二是視覺人工智慧技術的層次積累優勢。虹軟 科技 自稱已全面掌握了視覺人工智慧及人工智慧的各項底層演算法技術，掌握包括人體識別、物體識別、場景識別、圖像增強、三維重建和虛擬人像動畫等全方位視覺人工智慧技術。截至 2018 年 12 月 31 日，虹軟 科技 在視覺人工智慧領域擁有專利 129 項（其中發明專利 126 項）、軟體著作權73 項。2018 年，虹軟 科技 獲得第八屆「吳文俊人工智慧 科技 進步獎」。
實際控制人
虹軟 科技 原為 ArcSoft US 的全資子公司。1994 年 5 月，ArcSoft US 在美國加利福尼亞州成立。2003年5月，ArcSoft US通過旗下百慕大 e-Image 有限公司以美元現匯的方式出資在中國設立了虹軟有限公司——直白地說就是後者在中國的一家子公司。後來先後經歷4次增資擴股、4次股權轉讓，2017 年 9 月至 12 月，虹軟有限反相收購了ArcSoft US的與視覺人工智慧技術相關的全部業務、資產與人員。2018 年 12 月，軟虹有限變更為股份有限公司，同時更名為虹軟 科技 股份有限公司，即這次上市的主體。招股說明書顯示，虹軟有限的性質為「中外合資有限責任公司」，變更後，虹軟 科技 的性質為「外商投資股份有限公司」。換言之，虹軟 科技 登陸科創板意味著科創板迎來了第一家外資企業。
招股說明書顯示，HomeRun公司是虹軟 科技 最大的股東， 持有其 118698840 股股份，占總股本的32.9719%，為發行人的控股股東。HomeRun公司的注冊地為香港，為Hui Deng(鄧暉)個人所有。
值得注意的是，Hui Deng(鄧暉)並非中國國籍，而是美國國籍。招股說明書顯示，Hui Deng(鄧暉)出生於1962 年 5 月，1991 年 7 月畢業於聖路易斯華盛頓大學（Washington University in St. Louis），博士學歷；1991 年 8 月至 1992年 8 月曾在英國劍橋大學卡文迪許實驗室從事博士後研究工作；1992 年 8 月至 1994年4月曾擔任美國Enertronics Research Inc.產品經理和工程師，是首位獲得美國 PMDA 技術成就獎的華人。1994年4月，，Hui Deng(鄧暉)創立ArcSoft US，現任虹軟 科技 董事長、總經理（首席執行官）,同時其也是3名核心技術人員之一。虹軟 科技 的其他兩名核心技術人員是王進和徐堅，前者現任虹軟 科技 董事、高級副總裁兼首席技術官，後者現任虹軟 科技 董事、高級副總裁兼首席營銷官。
另外，招股說明書還顯示，Hui Deng(鄧暉)的配偶Liuhong Yang通過其個人所有在香港注冊的HKR公司控制佔有虹軟 科技 5.4431%的股份，兩人合計共持有虹軟 科技 38.4150%的股份。此外，Hui Deng(鄧暉)還通過股權激勵平台 Arcergate間接持有虹軟 科技 0.3377%的股份。因此， Hui Deng(鄧暉)及其配偶 Liuhong Yang 合計持有虹軟 科技 38.7527%的股份，為虹軟 科技 的實際控制人。
競爭對手與對標企業
在招股說明書中，虹軟 科技 提到5家競爭對手：以色列的CorePhotonics Ltd.、日本的Morpho, Inc.、以色列的EyeSight Technologies Ltd.、中國的商湯 科技 和曠視 科技 。不過，這5家公司均非上市公司，沒有公開的財務數據及其他經營信息可查。因此，在招股說明書中，在就各種財務數據等進行「同行對比」時，虹軟 科技 提及的對標企業並非是上述5家公司，而是中國的中科創達和誠邁 科技 、美國的杜比實驗室。
財務數據
下表為虹軟 科技 2016-2018三年的部分財務數據。
注1：即所得稅前利潤。
注2：主要指政府補貼，其中最大的一項是上一財年的軟體增值稅退稅。2016年記的是營業外收入。
市值估計
下面是虹軟 科技 在招股說明書中提及的中科創達、誠邁 科技 、杜比實驗室3家上市公司和A股最正宗的人工智慧概念股科大訊飛的上一財年營業收入、凈利潤、市值、動態市盈率、市銷率數據，後3項為截至發稿時的數據。
虹軟 科技 在招股說明書中自稱其最後一輪融資的估值為94 億元人民幣。對比上述4家公司的估值，這一估值顯然有點高。不過，由於主業清晰，發展前景較為明確，如果按五六十倍市盈率估值還是合理的。因此，我認為上市後（不是IPO價格對應的市值）虹軟 科技 的市值還是有望達到94億元的，如果科創板剛開板極度瘋狂，甚至會超過。下限可以2018年9-10倍市銷率計，對應的市值約為四五十億元人民幣。
推薦閱讀
數字生態元年|「中國數字生態大會」7月31日重磅來襲！