算法盈利模式
⑴ 数字阅读如何找到盈利模式
而研究公司Display Search一份报道显示，中国将在2015年之前，超过美国成为世界最大的电子阅读器市场。另一方面，行业内的争夺也正变得空前的激烈。京东和当当相继宣布上线电子书频道，两家合计电子书品种已经超过20万种；汉王书城和云中书城也已经在行业中耕耘许久；豆瓣推出自出版计划；淘宝推出淘花。在各企业气势宏大的平台竞争背后，小公司是否还有机会？在同质化竞争也加剧的背后，小规模的电子书企业开始在红海中崭露头角。在他们眼中，电子书已经不再是简单的格式转换，而是一项工艺，一种思考。他们让“读者舒服读书”的理念，精益求精的生产具备最佳阅读体验的电子读物，在字号和行距中寻找着新的“蓝海”。于是，思考一个问题：好的阅读体验能否转化为利润模式？坏的阅读体验又是否真的不能带来利润？“直觉、简洁、不庸俗、不山寨，能够消灭自己，让用户安心去做想做的事。”“错字、排版马虎、阅读接口有烦人的广告条。”这是字节社创始人李如一对好和坏的解释。但在运营层面，制作的精益化，却也带来成本的增加，小公司“包袱”不小，盈利模式也尚不清晰。但也有创业者和投资人拿苹果和乔布斯的成功说事。他们坚定认为自己会等到“英雄时刻”的到来。（注：“英雄时刻”是在设计领域一个非常流行的词汇，它代指一个产品在某个特性上给用户留下强烈的认同和热爱，进而让用户对品牌产生强烈加分。任何成功的品牌必须拥有英雄时刻，就和三星手机与苹果电脑一样，或许只是人们实用产品功能的一小部分，但却在很大程度上决定了一个产品甚至是一个品牌的价值和个性。【嘉宾】龙宇 贝塔斯曼中国总部首席执行官，暨贝塔斯曼亚洲投资基金（BAI）董事总经理周炜 凯鹏华盈创投基金（KPCB）主管合伙人王煜全 Frost & Sullivan中国区总裁、海银资本创始合伙人梁公军 鲜果阅读CEO《21世纪》：当前数字阅读的行业生态具有哪些特征？龙宇：贝塔斯曼对传统和数字出版两个方面都有涉足，我们旗下兰登书屋的数字阅读的销量已经占到了整体销量的25%，这是比较惊人的数字。现在欧美市场上最畅销的图书Fifty Shades of Grey，其数字阅读ebook和实体书销量已经对半开，未来数字阅读比重肯定还会加大。我认为，数字阅读不是一个行业，而是一种未来的消费形态，我觉得与此相关的、传统的出版社，包括我们在内，和中国的几百家出版社都是受冲击的最直接的前沿阵地，像Kindle这样的阅读器，如果正式来到中国开放销售，我相信也会对整个出版的价值链、用户的阅读习惯都会有很大的冲击。内容的方向当然会很自然地出现分化，原来是比较大众的出版，现在可能有细分领域，所以你会关注到果壳或者类似豆瓣这样的公司。专业领域的阅读就是基于数据库专业文献、科技文献、资料文献、大学图书馆等，我觉得中国从来就没有特别的发达，最主要的是直接对数据库的营销。梁公军：快消时代里，什么样的资讯产品会有更强的生命力？第一，准：有用的才给我，不相干的别烦我；第二，快：第一时间就获知更新，比如一本书的最新章节、一个事件的最新新闻；第三，柔性：合适的信息自己送上门来，让信息来找我。以此来满足绝大部分用户的即兴的、短暂的、随意的信息消费需要。这对资讯产品团队提出了非常高的要求，要么海量数据挖掘、精准推荐技术极强，要么精选编辑能力及社区运营能力极强，要么用户体验设计能力极强。《21世纪》：数字阅读的增长点会出现在哪些领域？周炜：我们有一个认识，在无线互联网时代，渠道比内容更重要，信息如何到达用户值得继续探索。比如投资鲜果，我们希望它能成为无线互联网用户获得有价值内容的通道，不单是阅读一种。核心竞争力来自三个方面，第一是有没有足够大的覆盖量、用户储备；第二是用户体验的舒适程度，比拼谁更了解用户；第三是用户的粘性，要看用户在你的云端有没有积累足够的资源，此外，社交也是黏住用户的重要手段，你对产品可以和朋友保持分享，这种关系维持下去，让你不愿放弃。王煜全：社会化阅读是有机会的。简单地根据一个人以前的阅读行为做推算是不够好的，要依托社交网络来做。阅读其实和新媒体的很多东西相似，内容的产生相对会容易很多，这样就对内容的制作者带来要求，以前你写出一篇好文章来就可以出名，相当于当初你是短跑选手，现在必须是长跑选手，你得持续不断地写出好东西来，才会有价值，对内容提供者来讲实际上是有了更高的要求。另一方面是平台的突破，以前在传统媒体中，编辑部、出版社是最关键的，但实际上未来可能会有更多个性化整合的机会，比如说像薛蛮子做的《蛮子文摘》，内容不是他的，但是他是一个很好的整合者，未来整合者的角色也会涌现出来。我们说会有一个新的媒体平台的出现，媒体平台的核心是说有非常好的整合者，然后把最好的内容集成起来，整合者的要素就是他是能够长期提供好的内容，而且形成自己的风格。未来媒体业者还是有价值的，但是报社就未必了。至于市场切入的时机，首先需要背后的团队为社会化阅读提供算法；其次任何一个新东西起来它有一个周期，微博刚刚起来，社会化阅读的重点一定都在微博上，过一段时间以后，大家对微博的阅读方式不满了，开始期望更高质量的阅读方式，而现在的阅读平台没有太出彩的，宁可等这一波小的泡沫过去以后再进入。龙宇：我觉得未来的增长点可能还会在更加多的互动和定制上面。高度提升的客户体验，也使得大家愿意为此付费。中国早期互联网上基本都是用广告支撑的模式，但是在移动方面的一些打包服务是有收费可能性的，这上面的产品设计思路会有所不同。互动这块，我觉得也不用夸张社会化阅读的高深，这不是一个新的概念，其实现在我觉得我们要解决的一个最大的问题就是海量信息，以前是信息很少，所以独家新闻非常热，但是现在这些信息都在那里，关键是怎么样被再次传播。现代读者很大的一个困扰是，没有跟它自己高度相关的信息，可能对你来讲是高质量的、特别有趣的话题，对另外一个人来说则是垃圾。社会化无非是说跟它相关的逻辑关系、跟它相类似的、气味相投的人群，帮他做了前期的筛选和编辑，这以前是通过黄页式的导入，由少量掌握着媒体话语权的精英或者专业的编辑来做这件事情，现在可能是通过他自己感兴趣的一些垂直门户来做出的导入，真正了解他的个人社会网络，帮他做了信息的再次整理、传播和编辑。社交化时代信息的编辑和整理，是由很多的好友关系来建立的。这非常有效率，而不是跳过信息的海洋，自以为自由，但上岸的时候发现一无所获。到今天为止，我潜下心来，还是很顽固地会读这些纸质媒体，我说的纸质媒体其实是指传统媒体，我可能也会在pad上面读，但是我喜欢这种经过挖掘、整理、沉淀、集成的信息，三个小时会给我非常大的信息量。《21世纪》：这个领域的创业者如何应对大公司的挑战？周炜：对于大公司的威胁，现在还没有具体的解决办法。KPCB希望给鲜果这样的企业以成长空间，先不考虑盈利模式，让它慢慢做起来。对于国外的竞争，有两点看法，其一，竞争是必然的、不可避免。其二，国内互联网的用户体验还是比较特别，一些本土企业的积累和用户的理解不亚于国外公司。当然，现在无线互联网让国外公司在中国成功愈发的容易，但他们还是有很长的道路需要摸索。KPCB投资过Google、Evernote等企业，作为VC方，也希望促成它们与鲜果等国内企业的合作空间。王煜全：大公司的围剿没法面对。没太多技术含量的东西本来就不该是创业者做的，创业者不能拿AK47跟人家打，必须有制导武器。一个简单的阅读平台不构成制导武器，除非你有很强的社会化计算能力。一方面所谓给你推荐什么东西，是通过算法来决定的；另一方面推荐谁的东西也可以通过算法来决定，比如说你对任何一个门类有需求，你喜欢体育，那我会从微博的体育用户当中，筛选出在体育领域最权威的人，他摘的文章我推荐给你，实际上双方都是用算法来做到最优的针对性提供，这样才会有未来。龙宇：其实国内一些公司的模式在欧美市场上是没有先例的。比如我们对豆瓣，并不作为简单的投资，而是希望能把豆瓣的模式、思路、更具体到它的技术水准、操作形态，完全都推广和结合在我们欧洲的资产上，能够给这个产业带来一些变革性的创新。只有拥有海量资源的人愿意开始主动的转型，以开放的姿态来接受一些新的商业模式和技术模式，才能去定义市场。我们很愿意跟豆瓣成为一个合资企业，在欧洲用中国的技术，来颠覆欧洲的媒体消费习惯。
⑵ 股票投资盈利模式
首先问大家一个问题，我们初入股市的原因是什么?大部分人都会回答：赚钱。这没错，但触发你在某个时间节点进入股市其实最主要的导火索还是身边的朋友，同学，或者同事等在那个时间节点在股市赚到钱了，消息被你听到，于是你也想进仓赚一笔，对吧?但奇怪的是我们现实生活中，投资一个生意，都会非常谨慎考察，小心求证，然后才敢拿出资金投入进去，而到了股市我们的谨慎态度好像被完全遗忘，基本都是兴冲冲跑到证券公司或者手机扫码开户，把资金往里面一转，反手找人打听一个股票就干进去。各位是不是这个场景似曾相识?想过没有我们投资股市也是一项投资，难道不需要做任何准备工作吗?了解这个市场的游戏规则吗?了解你将要投资的对象吗?了解你的竞争对手吗?诸如此类的问题，我想作为个人投资者初入股市的时候基本都没有人想过，以为来股市肯定能赚钱，理由就是别人赚了钱，我为啥不行?!于是一幕幕悲剧不断上演?
有朋友会说，既然进入股市我们也需要做些准备工作，那么最主要的准备工作是哪些?今天咱就聊其中第一个，盈利模式。所谓盈利模式，其实很简单，就是你通过什么套路赚钱。总结我们A股市场最常见的四种盈利模式，大家可以对号入座，看哪种盈利模式适合自己?
(1)
价值投资，价值投资是目前主流机构投资者最主要的盈利模式，它们资金庞大，有管理规定方面的各种限制不允许它们每天做追涨杀跌或者高抛低吸的短线交易。价值投资的核心是：寻找质地优良的上市公司，耐心等待股价显着低于内在价值的时候买入，并且长期持有。价值投资的难点在于①寻找质地优良公司，②会对上市公司进行估值，③耐心等待，④买入长期持有。
(2)
成长投资，其核心是有能力发现上市公司未来的成长上升空间，能够发掘上升周期的新兴产业，并且投资自重有巨大上升潜力的公司，谋求风险收益。成长投资的核心是：发掘潜力的行业及公司。这其中注意成长潜力不等于概念炒作，我们A股股民听到的大部分成长投资其实都是人为制造的概念，一不小心就会被动当成接盘侠和韭菜。
(3)
指数投资，发掘具备长期投资的大盘指数或者板块成分指数，优点是能够排除个股的波动风险，追求的是整个市场或者整个板块的平均收益，对投资者不需要有突出的选股水平。
(4)
技术投资，这是我们个体投资者最常见的盈利模式，细分起来实际可以划分为两大类，第一类是通过交易信息(主要是价格和成交量)以及其衍生出来的各种传统技术指标建立的盈利模式，比如依靠均线，MACD，BOLL等建立的模式。第二类是通过对投资者的行为(买和卖)在筹码留下的足迹建立起来的盈利模式，也就是行为金融学的范畴，目前这类分析及交易模型非常小众，但优点是非常有效。千层金股票配资
以上四种盈利模式，没有好坏之分，作为投资者选择哪种盈利模式最合适，只有一个判断标准，就是你自身的优势，在哪方面你具备相应的分析优势，就选择哪种盈利模式，但有一个原则，盈利模式使用的越小众，成功率及回报率相对越高。因为别忘了我们股市还有另外一个规律：少数人成功。
⑶ 算法相对论｜关于人工智能的产业化之路的三点思考
彭嘉昊
在过去的2021年，我们见证了人工智能这个细分行业的起起伏伏，有些企业长期亏损乃至濒临破产，有些企业顺利获得融资或成功上市，可谓几家欢喜几家愁。但纵观现在国内人工智能的产业化之路，总是无法回避一个现实的问题，即“人工智能企业究竟离盈利还有多远？”诚然人工智能领域的研发工作需要巨大的投入，但所有的研发投入只有在产业化的落地场景中才能实现真正的商业价值，脱离了现实的产业需求，人工智能只能停留在技术本身。
目前，人工智能的产业化发展的3个路径：（1）AI+产业，即人工智能的技术型公司掌握某种人工智能技术后，向产业化的具体场景落地。比如商汤 科技 、云天励飞、旷世 科技 等知名人工智能公司都是采取的这条路径。（2）产业+AI，即由某一细分产业里的公司，尤其是头部大型企业作为主导力量，主动引入人工智能技术完成升级。比如平安保险、、顺丰快递等细分领域的大型企业自身的产业升级。（3）产学研成果转化，即由高校和科研机构为主导，主动面向市场的科研成果转化道路。近些年各大顶尖高校都建立了人工智能研究院，诸如北京、上海、深圳等城市也有很多政府背景的人工智能科研和成果转化平台。
笔者从2020年以来持续走访了上百家人工智能企业及科研机构，就在行业里的所见所闻，结合自己的想法，谈一下我对于人工智能的产业化之路的思考。
一、“AI+产业”的道路已经进入平台期
“AI+产业”的模式，主要指人工智能的技术型公司通过技术先行，然后寻找合适的业务场景实现商业价值。这条路可以借鉴移动互联网的发展历程，诸如淘宝、滴滴这样的互联网企业，都是通过技术和商业模式创新，发现了一个0-1的全新产业。我们曾经也认为人工智能的技术型公司可以通过0-1的技术突破，借鉴移动互联网的经验，广泛覆盖到各行各业的细分场景中。但除了人脸识别等少数几个场景外，人工智能的技术型公司并没有复制 科技 前辈在移动互联网的成功。
其中的原因有很多，我们并不能将其简单归咎于市场、资本或团队本身，笔者认为根源在于人工智能技术本身进入了一个进步相对缓慢的平台期了，我们拿人工智能的三大核心要素：算力、算法和数据来对应分析。
我们先说算力的问题，根据中国信息通信研究院在2021年《中国算力发展指数白皮书》的分析，虽然近些年基础算力、智能算力和超算算力都有很大程度的增长，未来5年全球的增速甚至超过50%，但与日益复杂的算法模型和快速增长的现实需求而言，仍然存在较大的缺口。同时，存算一体架构、量子计算、光子计算和类脑计算芯片尚处于实验室的研发阶段，离大规模商业化还有较长的时间，无法以技术革命的方式实现跨越式发展。虽然，诸如商汤 科技 、华为等头部公司采取了建立人工智能计算中心（AIDC）的方式，来满足未来智能计算需求的快速增长；我国神威、天河、曙光三台E级超算系统的研制工作也在逐步推进，很多国内的硬件公司着手计算机硬件的国产化替代。但从短期来看，算力将会是一个制约人工智能技术发展的现实困难。
我们再说到算法，算法表面上是计算机技术，但就本质抽离分析它是个数学问题。近些年数学领域还是有很多发展，比如无限函数计算等，但在计算机领域的发展速度相对而言没有那么的快。就算法这一特定领域的发展，中美最顶级的算法之间目前并没有代差。虽然层算法需要投入海量的资金进行研发，但是就应用层来说，企业完全可以自己下载Gitub或OpenAI的开源代码，或者使用网络、阿里、腾讯等互联网大厂的现有技术方案，从而大大降低技术应用的门槛。在市场竞争的层面上，人工智能技术型公司并不必然比传统互联网公司，甚至处于数字化转型的传统企业更具有优势。
另外一个关键要素就是数据，我国从2020年开始就逐步收紧了数据安全相关的管理，《个人信息保护法》、《数据安全法》以及九部委《关于加强互联网信息服务算法综合治理的指导意见》的陆续出台，使得人工智能的技术型公司获得数据的难度越来越，除非他们能够深入到业务的细分场景中，否则很难像过去那样获得训练算法模型的大规模数据。而这些“喂养”算法模型的数据，大都掌握在产业里的公司，尤其是大型公司的手中。这些大型公司无论是处于商业目的，还是自身业务安全性的考虑，几乎很难同人工智能的技术型公司开展合作，这也造成人工智能的技术型公司在产业化的道路上困难重重。
二、“产业+AI”和产学研成果转化的机遇
“产业+AI”的路径，属于产业里的企业自发性升级换代的过程，我们可以将其归纳进企业数字化转型的进程。产业里的企业为了适应市场竞争，会主动寻求与人工智能领域的技术型公司或者研究机构进行合作，甚至自己建立团队完成研发工作。对于大部分产业里的企业来说，他们面对的并不是0-1的全新市场，往往是在既有的红海市场中竞争，这种长期在产业内的拼搏经历，使得他们在人工智能的产业化上具备以下两大独特优势：
1. 掌握了大量特定生产场景下的专业知识和数据资料：我们一般称其为行业knowhow，比如化工材料的配方或某种特殊的生产工艺流程等。这种行业knowhow往往是企业的核心机密，在一些数据采集封闭、生产流程保密的领域，往往只有少数几家企业可以获得足够训练人工智能模型的专业知识和数据资料。所以，很多产业里的企业在寻找技术合作方时，会对侵略性较强的技术型公司比较排斥，往往要求技术型公司提交算法源代码，目的在于避免培养潜在竞争对手。
2. 了解真实的交易和应用场景：比如怎样建立可靠的供应链，怎样探析市场的情报信息，怎样建立全新的商业模式和盈利模式等。这些内容看似都属于业务相关的范畴，但却是技术型公司的痛点，几乎90%的人工智能公司都死在了打磨商业模式、寻找应用场景的道路上。但对于产业里的企业来说，敏锐捕捉市场机会并从产业里赚到钱，是他们与生俱来的天然能力，所有不具备这种能力的企业都在过去的市场竞争中淘汰掉了。
随着人工智能技术准入门槛的降低，大量传统企业与人工智能技术的适配将更加便捷，未来每一家企业都具备成为“人工智能+公司”的潜质。相信随着国家新基建和数字化转型工作的不断深化，在各行各业里都会出现“产业+AI”的明星企业。
在人工智能的产业化之路上，少不了高校和科研机构的参与，对于产业里的企业来说，高校和科研机构可以很好补充其自身研发能力的不足。目前，我国的产学研成果转化的之路并不十分顺畅，虽然国家每年投入了大量科研经费，但由于学术、科研同商业、市场的差异巨大，高校和科研机构在商业判断和市场嗅觉等方面总显得不太“接地气”，更多的成果停留在实验室里很难走出去，面临“酒香也怕巷子深”的现实窘境。
另外，高校和科研机构往往在工程能力也有所欠缺，虽然容易聚集高层次的顶尖人才，但缺乏实际操作的操盘型业务能手。正因为强于研发而弱于市场，高校和科研机构往往更愿意将 科技 成果以出售、技术入股或收益分成的方式与产业里的企业进行合作，而不是自己开拓市场。与人工智能的技术型公司相比，高校和科研机构有着大量国家基础科研经费的保障，对于本就容易聚集人才的高校和科研机构来说，很多人工智能的技术型公司而言很复杂的技术，对于高校和科研机构来说并不困难。随着国家《科学技术进步法》的修订，科研人员参与到成果转化的途径也将更通畅，一旦企业找到适合自身的成果转化路径，就可以很好的与高校和科研机构建立“产业+技术”的联合。可以预见，未来各类新型技术和成果转化平台将持续涌现，作为技术与市场的桥梁。
三、以产业需求出发，以产业结果为验证标准
人工智能行业的发展变化很快，即使在产业内的从业人员也免不了持续性、高强度的学习和研究。各行各业的专家在跨到人工智能这个领域的时候，可能都需要经历持续性“回头看”的过程。笔者在2020年参与深圳特区人工智能立法的时候，关于“什么是人工智能”的界定，现在看起来内涵和外延都不充分。过去，我们曾经认为人工智能就是模拟人的智能，但随着近些年的发展，我们发现机器在模拟人的智能上出现了很多痛点，但在模拟昆虫、动物的智能上反而进展很快，很多成果应用在障碍躲避、行为预判等诸多领域。于是，我们发现人工智能并不能单纯界定为“模拟人的智能”，而应当是“人造的智能”。显然，当时几乎所有的立法专家对于人工智能的基础理解并不全面和前瞻。
人工智能学界有一个着名的猴子上树的故事：我们不能认为基于当下在人工智能领域的技术进步，都是为通用人工智能的到来添砖加瓦；这正如我们不能认为一只猴子上了树，就意味着它向登月迈了一大步一样。在人工智能的产业化之路上，我们必须保持着谦虚、务实的精神，一切从产业的需求出发，一切以产业的实际结果为验证标准。任何一种技术或者商业模式的验证，都有自己的时间窗口，当市场机遇的红利期错过后，再想实现企业的快速发展就非常困难了，势必面临更加激烈的肉搏战。
与人工智能技术的发展一样，产业化的道路总是“看”起来容易，“做”起来难。虽然我们不提倡以成败论英雄，但在人工智能的产业化道路上，能够解决真实问题、拿到客观结果，才是企业家需要思考的核心问题。对于每一个产业里的专家来说，与其采取一种“预判式”的论证，执着于向其他人说明自己了解的知识，远不如切实在产业里面做出现实案例更具有说服力。未来各行各业的每一家企业都是“人工智能+公司”，愿与行业里的同仁一起共同成长、见证人工智能产业化之路的发展。（彭嘉昊系上海人工智能研究院数字化治理中心主任）
校对：栾梦
⑷ 加盟店盈利模式算法
首先加盟店不要每个月都付加盟费，只需一次付给品牌使用费，员工当然属于加盟店的，这样便于管理，财政当然也是归加盟店自己管理，总部会协助加盟店做好相关工作，乳妍经络养胸连锁小铺就是很好的连锁加盟模式，投资小见效快，针对目标客户明确，只需21天就可学会乳妍经络养胸独家方法，乳妍经络养胸连锁小铺就是专业改善中年女性乳腺增生，预防乳房下垂的调理机构，也是预防乳腺癌的最佳选择。操作起来很简单。你可以详细了解。
⑸ 推荐算法简介
在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战:作为信息消费者，如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情;作为信息生产者， 如何让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息 生产者的双赢。和搜索引擎不同的是，推荐系统不需要用户提供明确的需求，而是通过分析用户的历史行为给用 户的兴趣建模，从而主动给用户推荐能够满足他们兴趣和需求的信息 个性化推荐的成功需要两个条件。第一是存在 信息过载 ，因为如果用户可以很容易地从所有物品中找到喜欢的物品，就不需要个性化推荐。第二用 户大部分时候没有特别明确的需求 ，因为用户没有明确的需求，可以直接通过搜索引擎找到感兴趣的物品。
一个完整的推荐系统一般存在3个参与方：用户、物品提供者和提供推荐系统的网站。以图书推荐为例， 首先，推荐系统需要满足用户的需求，给用户推荐那些令他们感兴趣的图书。其次，推荐系统要让各出版社的书都能够被推荐给对其感兴趣的用户，而不是只推荐几个大型出版社的书。最后， 好的推荐系统设计，能够让推荐系统本身收集到高质量的用户反馈，不断完善推荐的质量，增加 用户和网站的交互，提高网站的收入。因此在评测一个推荐算法时，需要同时考虑三方的利益， 一个好的推荐系统是能够令三方共赢的系统。
推荐系统中，主要有3种评测推荐效果的实验方法，即离线实验(offline experiment)、用户调查(user study)和在线实验(online experiment)。
2.1 离线实验
离线实验的方法一般由如下几个步骤构成: (1) 通过日志系统获得用户行为数据，并按照一定格式生成一个标准的数据集; (2) 将数据集按照一定的规则分成训练集和测试集; (3) 在训练集上训练用户兴趣模型，在测试集上进行预测; (4) 通过事先定义的离线指标评测算法在测试集上的预测结果。
从上面的步骤可以看到，推荐系统的离线实验都是在数据集上完成的，也就是说它不需要一个实际的系统来供它实验，而只要有一个从实际系统日志中提取的数据集即可。这种实验方法的 好处是不需要真实用户参与，可以直接快速地计算出来，从而方便、快速地测试大量不同的算法。它的主要缺点是无法获得很多商业上关注的指标，如点击率、转化率等，而找到和商业指标非常相关的离线指标也是很困难的事情
2.2 用户调查
3.3 在线实验
在完成离线实验和必要的用户调查后，可以将推荐系统上线做 AB测试 ，将它和旧的算法进行比较。 AB测试 是一种很常用的在线评测算法的实验方法。它通过一定的规则将用户随机分成几组，并对不同组用户采取不同的算法，然后通过统计不同组用户的各种不同的评测指标比较不同算法的好坏。 AB测试的优点是可以公平获得不同算法实际在线时的性能指标，包括商业上关注的指标。 AB测试的缺点主要是周期比较长，必须进行长期的实验才能得到可靠的结果。因此一般不会用 AB测试测试所有的算法，而只是用它测试那些在离线实验和用户调查中表现很好的算法。其次， 一个大型网站的AB测试系统的设计也是一项复杂的工程。
一般来说，一个新的推荐算法最终上线，需要完成上面所说的3个实验。 1）首先，需要通过离线实验证明它在很多离线指标上优于现有的算法。 2）然后，需要通过用户调查确定它的用户满意度不低于现有的算法。 3）最后，通过在线的AB测试确定它在我们关心的指标上。
本节将介绍各种推荐系统的评测指标。这些评测指标可用于评价推荐系统各方面的性能。这 些指标有些可以定量计算，有些只能定性描述，有些可以通过离线实验计算，有些需要通过用户 调查获得，还有些只能在线评测。
(1) 用户满意度
用户作为推荐系统的重要参与者，其满意度是评测推荐系统的最重要指标。但是，用户满意度没有办法离线计算，只能通过用户调查或者在线实验获得。
在在线系统中，用户满意度主要通过一些 对用户行为的统计得到 。比如在电子商务网站中，用户如果购买了推荐的商品，就表示他们在一定程度上满意。因此，我们可以 利用购买率度量用 户的满意度 。此外，有些网站会通过设计一些用户 反馈界面收集用户满意度 。比如在视频网站中，都有对推荐结果满意或者不满意的 反馈按钮 ，通过统计两种按钮的单击情况就可以度量系统的用户满意度。更一般的情况下，我们可以用 点击率、用户停留时间和转化率等指标度量 用户的满意度。
(2) 预测准确度
预测准确度度量一个推荐系统或者推荐算法预测用户行为的能力。这个指标是最重要的推荐系统离线评测指标
在计算该指标时需要有一个离线的数据集，该数据集包含用户的历史行为记录。然后，将该数据集通过时间分成训练集和测试集。最后，通过在训练集上建立用户的行为和兴趣模型预测用户在测试集上的行为，并计算预测行为和测试集上实际行为的重合度作为预测准确度。 预测准确度指标有分为以下几种：
评分预测：
预测用户对物品评分的行为成为评分预测，在评分预测中，预测准确度一般通过均方根误差RMSE和平均绝对误差MAE计算，对于测试集中的一个用户u和物品i,令[图片上传失败...(image-62a797-1560412790460)] 是用户u对物品i的实际评分，而[图片上传失败...(image-28cfbc-1560412790460)] 是推荐算法给出的预测评分，那么RMSE定义为：
其中T为样本个数
MAE采用绝对值计算预测误差，它的定义为:
TopN推荐
网站在提供推荐服务时，一般是给用户一个个性化的推荐列表，这种推荐叫做TopN推荐。TopN推荐的预测准确率一般通过准确率(precision)/召回率(recall)度量。 令R(u)是根据用户在训练集上的行为给用户作出的推荐列表，而T(u)是用户在测试集上的行为列表。那么，推荐结果的召回率定义为:
推荐结果准确率定义：
(3) 覆盖率
覆盖率（coverage）描述一个推荐系统对物品长尾的发掘能力。覆盖率有不同的定义方法，最简单的定义为推荐系统能够推荐出来的物品占总物品集合的比例。假设系统的用户集合U，推荐系统给每个用户推荐一个长度为N的物品集合R（u）。那么推荐系统的覆盖率可以通过下面的公式计算：
I为总物品数
此外，从上面的定义也可以看到，热门排行榜的推荐覆盖率是很低的，它只会 推荐那些热门的物品，这些物品在总物品中占的比例很小。一个好的推荐系统不仅需要有比较高的用户满意度，也要有较高的覆盖率。
但是上面的定义过于粗略。覆盖率为100%的系统可以有无数的物品流行度分布。为了更细致地描述推荐系统发掘长尾的能力，需要统计推荐列表中不同物品出现次数的分布。如果所有的 物品都出现在推荐列表中，且出现的次数差不多，那么推荐系统发掘长尾的能力就很好。因此， 可以通过研究物品在推荐列表中出现次数的分布描述推荐系统挖掘长尾的能力。如果这个分布比 较平，那么说明推荐系统的覆盖率较高，而如果这个分布较陡峭，说明推荐系统的覆盖率较低。 在信息论和经济学中有两个着名的指标可以用来定义覆盖率。第一个是信息熵:
其中：n代表推荐列表中物品类别个数，p(i)代表每个类别的所占的比率
第二个指标是基尼系数：
(4) 多样性
为了满足用户广泛的兴趣，推荐列表需要能够覆盖用户不同的兴趣领域，即推荐结果需要具有多样性。多样性推荐列表的好处用一句俗话表示就是（不在一棵树上吊死）。尽管用户的兴趣在较长的时间跨度中是一样的。但具体到用户访问推荐系统的某一时刻，其兴趣往往是单一的，那么如果推荐列表只能覆盖用户的一个兴趣点，而这个兴趣点不是用户这个时刻的兴趣点，推荐结果就不会让用户满意。反之如果推荐列表表较多样，覆盖用户绝大多数的兴趣点，那么久会增加用户找到感兴趣物品的概率。因此给用户的推荐列表也需要满足用户广泛的兴趣，即具有多样性。
多样性描述了推荐列表中物品两两之间的不相似性，因此，多样性和相似性是对应的。假设s(i, j) ∈Î[0,1] 定义了物品i和j之间的相似度，那么用户u的推荐列表R(u)的多样性定义如下：
而推荐系统的整体多样性可以定义为所有用户推荐列表多样性的平均值：
(5) 新颖性
新颖的推荐是指给用户推荐那些他们以前没有听说过的物品。在一个网站中 实现新颖性 的最简单办法是，把那些用户之前在网站中对其有过行为的物品从推荐列表中过滤掉。比如在一个视 频网站中，新颖的推荐不应该给用户推荐那些他们已经看过、打过分或者浏览过的视频。 评测新颖度的最简单方法是利用推荐结果的平均流行度，因为越不热门的物品越 可能让用户觉得新颖。因此，如果推荐结果中物品的平均热门程度较低，那么推荐结果就可能有比较高的新颖性。
(6) 惊喜度
惊喜度(serendipity)是最近这几年推荐系统领域最热门的话题。如果推荐结果和用户的历史兴趣不相似，但却让用户觉得满意，那么就可以说推荐结果的惊喜度很高，而推荐的新颖性仅仅取决于用户是否听说过这个推荐结果。提高推荐惊喜度需要提高推荐结果的用户满意度，同时降低推荐结果和用户历史兴趣的相似度。
(7) 信任度
度量推荐系统的信任度只能通过问卷调查的方式，询问用户是否信任推荐系统的推荐结果。 提高推荐系统的信任度主要有两种方法。首先需要增加推荐系统的透明度(transparency)， 而增加推荐系统透明度的主要办法是提供推荐解释。只有让用户了解推荐系统的运行机制，让用 户认同推荐系统的运行机制，才会提高用户对推荐系统的信任度。其次是考虑用户的社交网络 信息，利用用户的好友信息给用户做推荐，并且用好友进行推荐解释。这是因为用户对他们的 好友一般都比较信任，因此如果推荐的商品是好友购买过的，那么他们对推荐结果就会相对比较信任
(8) 实时性
在很多网站中，因为物品(新闻、微博等)具有很强的时效性，所以需要在物品还具有时效 性时就将它们推荐给用户。 推荐系统的实时性包括两个方面。首先，推荐系统需要实时地更新推荐列表来满足用户新的 行为变化。实时性的第二个方面是推荐系统需要能够将新加入系统的物品推荐给用户。这主要考验了推 荐系统处理物品冷启动的能力。
(9) 健壮性
健壮性(即robust,鲁棒 性)指标衡量了一个推荐系统抗击作弊的能力。算法健壮性的评测主要利用模拟攻击。首先，给定一个数据集和一个算法，可以用这个算法 给这个数据集中的用户生成推荐列表。然后，用常用的攻击方法向数据集中注入噪声数据，然后 利用算法在注入噪声后的数据集上再次给用户生成推荐列表。最后，通过比较攻击前后推荐列表 的相似度评测算法的健壮性。如果攻击后的推荐列表相对于攻击前没有发生大的变化，就说明算 法比较健壮
(10) 商业目标
很多时候，网站评测推荐系统更加注重网站的商业目标是否达成，而商业目标和网站的盈利模式是息息相关的
(11) 总结
上一节介绍了很多评测指标，但是在评测系统中还需要考虑评测维度，比如一个推荐算法， 虽然整体性能不好，但可能在某种情况下性能比较好，而增加评测维度的目的就是知道一个算法 在什么情况下性能最好。这样可以为融合不同推荐算法取得最好的整体性能带来参考。
一般来说，评测维度分为如下3种。 1） 用户维度 ：主要包括用户的人口统计学信息、活跃度以及是不是新用户等。 2） 物品维度 ：包括物品的属性信息、流行度、平均分以及是不是新加入的物品等。 3） 时间维度 ：包括季节，是工作日还是周末，是白天还是晚上等。 如果能够在推荐系统评测报告中包含不同维度下的系统评测指标，就能帮我们全面地了解推 荐系统性能，找到一个看上去比较弱的算法的优势，发现一个看上去比较强的算法的缺点。
⑹ 老板他们自己算利润是怎么算的
老板他们自己算利润是怎么算的?
一般老板自己算利润的依据是运用的收付实现制原则，是按公司实际到帐收入-实际成本·费用·支出-库存=利润的简单模式计算利润的。
我们会计的依据是权责发生制原则，即收入按现金收入及未来现金收入――债权的发生来确认；费用按现金支出及未来现金支出――债务的发生进行确认。而不是以现金的收入与支付来确认收入费用。按照权责发生制原则，凡是本期已经实现收入和已经发生或应当负担的费用，不论其款项是否已经收付，都应作为当期的收入和费用处理；凡是不属于当期的收入和费用，即使款项已经在当期收付，都不应作为当期的收入和费用。
⑺ 我投资一万元，预期年化收益率为6.8%，那一月的收益是多少又该怎么算哪
1、一个月的收益是56.66。
2、算法：月收益=本金*年收益率/12=10000*0.068/12=56.66。
拓展资料：
引入网络（什么是投资）：
指的是特定经济主体为了在未来可预见的时期内获得收益或是资金增值，在一定时期内向一定领域投放足够数额的资金或实物的货币等价物的经济行为。可分为实物投资、资本投资和证券投资。前者是以货币投入企业，通过生产经营活动取得一定利润，后者是以货币购买企业发行的股票和公司债券，间接参与企业的利润分配。投资是创新创业项目孵化的一种形式，是对项目产业化综合体进行资本助推发展的经济活动。
投资需要注意的：
1、学会合理的分配自己的资金：理财也是一种投资。
2、不要梦想一夜暴富：天上没有馅饼，天上有什么？雨、雪、沙尘暴，偶尔会掉下来一个花盆什么的，一定不会有馅饼掉下来的，中国有句俗话“财不进急门”。一年40%-50%的机会不可信，要想想别人的动机，听起来过于完美的东西往往不是真的。很多中了彩票头奖的人十年后还是贫困，因为买大房子，买车，钻出来几十个穷亲戚。精神上也受不了，像范进中举，一下子厥过去。当别人给你貌似很好的投资机会时，先问问自己：①谁在卖我东西，对方的信誉如何？②我的钱干啥去了？③我挣的是什么钱，盈利模式。④收益率合理吗？（年收益1%-5%低，5%-8%中等，8%以上高）。
3、不要让债务缠住一生：房奴、车奴、卡奴。中国的负翁大多28-35岁。例如在上海买100平的房子，500万，首付30%，150万，20万装修，5万家电，5万内饰细软，没有30万没法住进去。月还款应该在收入的30%以下，50%会非常难受。其次车奴更难，车子是持续消费。日本的富翁每天拎着饭盒坐公交。最后信用卡是财务鸦片。大学生，月消费1800。北京硕士毕业月薪3000，本科2000，年轻人不要对未来生活抱着虚无的幻想。改变生活要从小钱开始还，还卡——还车——还房——攒钱——投资。
4、专心一项投资：中国有一句老话叫一招鲜，吃遍天，一生做好一件投资你就会过上美满和幸福的生活。
最后要说的一句：生活不易，投资需谨慎。
⑻ 盈亏平衡点计算方法
盈亏平衡点的计算公式为：固定费用/价格-可变费用=盈亏平衡点（产量）
扩展知识；各行业可能有业务的特殊性算法不一，我这里以销售实物产品为盈利模式的实体店流通行业（代理商、经销商、加盟商）为例，讲解单店单月盈亏平衡点的算法。
我们都知道和认同最基本的财务公式：利润 = 营业收入 - 所有支出
盈亏平衡点，即生意处于不赔不赚的状态，俗称保本，即利润既不是正数也不是负数而是利润为0的时候，营业收入（又叫销售额）应该是多少。
即 销售额-所有支出=利润=0
实体店，我们把所有支出分成三类，一是商品进货价、二是固定费用、三是变动费用。
分别解释：
1，商品进货价：即不含任何费用的商品采购价。销售额-进货价=毛利润
2，固定费用：指的是，不受销售额影响而每月必须硬性支出的费用，就是不管卖货不卖货都要支出的钱。一般包括：（1）门店租金、门店水电物管费、门店日常办公费、门店装修分摊，这些部分是该门店专属的费用；（2）仓库租金分摊、仓库水电物管费分摊、员工宿舍租金分摊、公司宿舍水电物管费、办公室租金、办公室水电物管费、员工基本工资（底薪）、员工社保费、运营管理团队建设费、差旅招待费、资金成本分摊，这些部分是指公司因为有多个营业门店而产生的后台费用需要分摊到各个营业门店里边去，固定费用的合计是金额。
3，变动费用：指的是，随着销售额变化而变化的与销售额为正向比例关系的费用。一般包括：门店广告费用、门店促销推广费用、门店活动物料费用、员工提成、员工奖金、长途运费、市内运费、支付成本手续费、商场销售额扣点、售后服务成本、税费，变动费用的合计是百分率，核算成金额即销售额*变动费用率。
即 销售额-进货价-固定费用-变动费用=0
即 销售额-进货价 = 变动费用+固定费用
即 毛利润=变动费用+固定费用
即 销售额*毛利率=销售额*变动费用率+固定费用
即 销售额（毛利率-变动费用率）=固定费用
即 盈亏平衡销售额 = 固定费用/（毛利率-变动费用率
⑼ 科创股鉴 | 虹软科技：不仅是视觉AI第一股
控制人为美藉华人，公司性质为“外商投资股份有限公司”。虽然以前也有外企在A股上市，但基本上都是中国台湾企业。虹软 科技 登陆科创板可以被视为我国“进一步扩大开放”的标志性事件。
上周五，6月21日，在科创板上市委2019年第8次审议会议上虹软 科技 “过会”。这意味着再过几个星期，科创板将迎来视觉AI第一股。我考量的结果是，这个第一好像不仅是国内的，多半也是全球的。
虹软 科技 是视觉人工智能技术、产品与解决方案提供商。20 多年来，虹软 科技 研发出了一系列视觉人工智能领域的底层算法，并将其产品化、解决方案化。目前，虹软 科技 的视觉人工智能技术、产品与解决方案主要被用于智能手机行业，客户包括三星、华为、小米、OPPO、维沃（vivo）、 LG、索尼、传音等厂商。同时，随着人工智能时的来临，虹软 科技 开始向智能 汽车 、智能家居、智能保险、智能零售、互联网视频等领域进军。以行业需求为导向，虹软 科技 在与全球消费电子领导厂商的深度合作中实现了核心技术的不断迭代及产品的持续创新。
另外，虹软 科技 还推出了 AI 开放平台，将人脸识别、人证核检、活体检测等核心技术免费提供给相关企业、创业团队和个人开发者，在助力广大中小企业打破技术壁垒的同时也让自己的技术与产品在更多的场景中落地。
产品与解决方案
目前，虹软 科技 提供3类解决方案：智能手机视觉解决方案、智能驾驶视觉解决方案、其他 IoT 智能设备视觉解决方案，其中来自智能手机视觉解决方案的收入占全部营业收入的绝大部分：2016年为67.93%，2017年为91.27%，2018年为96.57%。
虹软 科技 针对每一款智能设备的不同特点，在有限的开发周期内，为客户提出有针对性的解决方案，帮助客户的智能设备在“性能-功耗-硬件成本”三方面达到最优平衡。通过采用虹软 科技 提供的视觉人工智能解决方案，智能设备可以在既有能力的基础上突破硬件成像能力的限制，提升成像质量、效果，尤其是可以通过先进的算法对智能计算进行控制、优化来降低功耗，使得众多全新的智能拍照摄像及相关视觉应用成为可能，用户体验和设备的性价比因此提升，产品的市场竞争力因此增加。目前，虹软 科技 提供的视觉人工智能解决方案已经成功应用于智能手机、智能 汽车 、智能家居、智能保险、智能零售、互联网视频等多种场景中，且仍在不断 探索 新的视觉人工智能技术和产品应用场景。
商业模式
虹软 科技 是典型的To B企业，即主要面向行业客户销售自己的技术、产品与解决方案。虹软 科技 设有销售部门，采用直销的方式，主要向智能手机、智能 汽车 、智能家居、智能零售以及各类带摄像头的 IoT 设备制造商销售视觉人工智能算法软件。
盈利模式
虹软 科技 的盈利模式是将视觉人工智能算法技术与客户的特定设备深度整合，通过合约的方式授权给客户使用，即客户将相关算法软件或软件包装载在约定型号的智能设备。
虹软 科技 自称是能以计件的方式对国内外客户收取软件技术授权费用的企业，即按照客户生产的装载有虹软 科技 算法技术的智能设备的数量进行收费。
市场地位
虹软 科技 是全球视觉人工智能行业领先的技术、产品与解决方案提供商。IDC 的统计数字显示，2018 年全球出货量前5的手机品牌中，除苹果完全采用自研的视觉人工智能算法外，其余4家采用安卓系统的手机厂商，即三星、华为、小米、OPPO ，其主要中高端机型均搭载了虹软 科技 智能手机的视觉人工智能解决方案。2018年，虹软 科技 来自这5家客户的收入分别为26860.37 万元，占营业收入的比例为58.64%。
招股说明书显示，采用虹软 科技 视觉人工智能解决方案的手机客户有：三星、华为、小米、OPPO、vivo、魅族、索尼、中兴、传音、联想、摩托罗拉、HTC、ASUS 等，2018年的前5大客户是三星、小米、OPPO、 华为、Foxconn。
技术优势
在招股说明书中虹软 科技 自称拥有4种优势：人才优势、技术积累优势、产业链深度合作优势、客户及品牌优势，其中最重要的是技术积累优势：一是端计算和边缘计算技术的积累优势；二是视觉人工智能技术的层次积累优势。虹软 科技 自称已全面掌握了视觉人工智能及人工智能的各项底层算法技术，掌握包括人体识别、物体识别、场景识别、图像增强、三维重建和虚拟人像动画等全方位视觉人工智能技术。截至 2018 年 12 月 31 日，虹软 科技 在视觉人工智能领域拥有专利 129 项（其中发明专利 126 项）、软件着作权73 项。2018 年，虹软 科技 获得第八届“吴文俊人工智能 科技 进步奖”。
实际控制人
虹软 科技 原为 ArcSoft US 的全资子公司。1994 年 5 月，ArcSoft US 在美国加利福尼亚州成立。2003年5月，ArcSoft US通过旗下百慕大 e-Image 有限公司以美元现汇的方式出资在中国设立了虹软有限公司——直白地说就是后者在中国的一家子公司。后来先后经历4次增资扩股、4次股权转让，2017 年 9 月至 12 月，虹软有限反相收购了ArcSoft US的与视觉人工智能技术相关的全部业务、资产与人员。2018 年 12 月，软虹有限变更为股份有限公司，同时更名为虹软 科技 股份有限公司，即这次上市的主体。招股说明书显示，虹软有限的性质为“中外合资有限责任公司”，变更后，虹软 科技 的性质为“外商投资股份有限公司”。换言之，虹软 科技 登陆科创板意味着科创板迎来了第一家外资企业。
招股说明书显示，HomeRun公司是虹软 科技 最大的股东， 持有其 118698840 股股份，占总股本的32.9719%，为发行人的控股股东。HomeRun公司的注册地为香港，为Hui Deng(邓晖)个人所有。
值得注意的是，Hui Deng(邓晖)并非中国国籍，而是美国国籍。招股说明书显示，Hui Deng(邓晖)出生于1962 年 5 月，1991 年 7 月毕业于圣路易斯华盛顿大学（Washington University in St. Louis），博士学历；1991 年 8 月至 1992年 8 月曾在英国剑桥大学卡文迪许实验室从事博士后研究工作；1992 年 8 月至 1994年4月曾担任美国Enertronics Research Inc.产品经理和工程师，是首位获得美国 PMDA 技术成就奖的华人。1994年4月，，Hui Deng(邓晖)创立ArcSoft US，现任虹软 科技 董事长、总经理（首席执行官）,同时其也是3名核心技术人员之一。虹软 科技 的其他两名核心技术人员是王进和徐坚，前者现任虹软 科技 董事、高级副总裁兼首席技术官，后者现任虹软 科技 董事、高级副总裁兼首席营销官。
另外，招股说明书还显示，Hui Deng(邓晖)的配偶Liuhong Yang通过其个人所有在香港注册的HKR公司控制占有虹软 科技 5.4431%的股份，两人合计共持有虹软 科技 38.4150%的股份。此外，Hui Deng(邓晖)还通过股权激励平台 Arcergate间接持有虹软 科技 0.3377%的股份。因此， Hui Deng(邓晖)及其配偶 Liuhong Yang 合计持有虹软 科技 38.7527%的股份，为虹软 科技 的实际控制人。
竞争对手与对标企业
在招股说明书中，虹软 科技 提到5家竞争对手：以色列的CorePhotonics Ltd.、日本的Morpho, Inc.、以色列的EyeSight Technologies Ltd.、中国的商汤 科技 和旷视 科技 。不过，这5家公司均非上市公司，没有公开的财务数据及其他经营信息可查。因此，在招股说明书中，在就各种财务数据等进行“同行对比”时，虹软 科技 提及的对标企业并非是上述5家公司，而是中国的中科创达和诚迈 科技 、美国的杜比实验室。
财务数据
下表为虹软 科技 2016-2018三年的部分财务数据。
注1：即所得税前利润。
注2：主要指政府补贴，其中最大的一项是上一财年的软件增值税退税。2016年记的是营业外收入。
市值估计
下面是虹软 科技 在招股说明书中提及的中科创达、诚迈 科技 、杜比实验室3家上市公司和A股最正宗的人工智能概念股科大讯飞的上一财年营业收入、净利润、市值、动态市盈率、市销率数据，后3项为截至发稿时的数据。
虹软 科技 在招股说明书中自称其最后一轮融资的估值为94 亿元人民币。对比上述4家公司的估值，这一估值显然有点高。不过，由于主业清晰，发展前景较为明确，如果按五六十倍市盈率估值还是合理的。因此，我认为上市后（不是IPO价格对应的市值）虹软 科技 的市值还是有望达到94亿元的，如果科创板刚开板极度疯狂，甚至会超过。下限可以2018年9-10倍市销率计，对应的市值约为四五十亿元人民币。
推荐阅读
数字生态元年|“中国数字生态大会”7月31日重磅来袭！