Analytics 数据科技

移动解决方案为酒店经营者带来的投资回报

作为酒店经营者，您已经听说了有关出行能力的所有嗡嗡声。考虑到您的客人和员工似乎与他们的智能移动设备密不可分，因此很难忽略它。但是，您是否已经接受移动技术作为房地产的真正业务创新工具？尽管无线便利带来了所有好处，但客人是否真正欣赏创新的移动性或是否会带来可观的投资回报率仍是一个疑问。答案是“是” 归根结底，移动性是必不可少的，因为它是提供相关，及时，个性化的体验的门户-从为客人提供的个性化待遇到向员工实时传递关键信息。持续，大规模地提供此类经验将越来越成为成功的必要条件。一项针对北美各行业的300位C级高管的调查的最新结果表明，有84％的经验丰富的客户希望获得更加个性化的体验。不到20％的企业在提供高度个性化的客户或员工体验方面拥有最高的评价。其他人则承认自己的弱点，例如无法应对变化或无法提供个性化的经验并无法有效应对不断变化的市场需求。在vamps.vedicsoft.com上了解更多信息

Azure流分析的功能和实现

在当前的现代时代，数据分析在决定公司政策方面起着重要作用。由于这些天的所有内容都是在线的，因此尽管数据量很大，但其准确性和准确性更高，因此过滤和分析非常麻烦。大多数公司都在线，并且在分析其客户，竞争对手等数据时，每个在网络生态系统中运营的公司都非常关注。一个人可以构建自己的数据分析软件，也可以使用微软几年前开发的Azure数据分析工具。在本文的此处，我们将讨论提供Azure分析工具的功能。事件存储：借助Azure分析工具，您可以一次记录数百万个事件。它们具有事件中心的功能，可以帮助您一次记录百万字节的数据。当您在全球范围内在Web空间中进行操作时，每次都会发生数百万个操作，因此手动分析每个活动既不可能也不经济。因此，借助事件中心功能，您可以一次记录数百万个事件，并按事件对其进行分类。即时扩展：在任何网站，移动应用程序或Web应用程序上可以同时进行多项操作。您可能需要在特定时间分析多种数据类型。这需要扩大操作范围。 Azure数据分析工具为您提供了一项功能，可以在每增加一项工作时就扩展该工具。您只需要为到目前为止创建的工作付费。除此之外，您无需花费更多时间即可将操作扩展100倍。机器学习解决方案：手动分析是最好的操作之一，但是当数据量如此之大时，您将无法手动处理它。此时，您需要使用一些可以通过Azure分析工具获得的人工智能。实时仪表板：对于您分配的每个新作业，您都可以立即构建一个实时仪表板。…

两队都很努力：2016年NBA总决赛第一场比赛的分解

NBA总决赛正在进行中，金州勇士队和克利夫兰骑士队连续第二个赛季交锋。但是，该系列赛与我们在去年经历的这两场比赛的六局大决战非常不同。首先，两支球队都比去年健康得多-主要是对于现在同时拥有Kyrie Irving和Kevin Love在场上的克利夫兰-这两支球队都最适应现代NBA的新节奏和太空时代。进入总决赛，两支球队在季后赛中均取得了200多个三分（金州勇士队212和克利夫兰骑士队202），并且投篮命中率超过了40％（金州勇士队为40％，克利夫兰骑士队为联盟最高的43％）。但是，您知道所有这些。体育网络接连不断的体育网络使您的头顶数据像这样的统计数据-全年都是对勇士队和骑士队所有的季后赛。您还知道第一场比赛是由勇士替补决定的，胜过克里夫兰的45-10。勒布朗·詹姆斯（LeBron James）尽他最大的努力来确保自己在赛后的表现。然而，统计数据并不能说明全部。 2016 NBA季后赛的座右铭是NBA是“成败同盟”。尽管勇士队的防守努力使骑士队的投篮命中率达到了38.1％，但骑士队却错过了一些不错的公开投篮机会。在金州的终结上也可以这样说。斯蒂芬·库里（Stephen Curry）和克莱·汤普森（KlayThompson）的综合得分仅为20分，投篮命中率均未超过33％。…

在Power BI中可视化Hangfire作业统计信息

在我的日常工作中，我们在Azure中运行所有内容，这意味着我们大量使用Application Insights和Power BI来收集和可视化有关服务器和应用程序的统计信息。我们使用的非天蓝色特定部分之一是出色的后台作业执行引擎Hangfire。 Hangfire附带了自己的管理仪表板，非常适合向您显示Hangfire的工作，但是由于它不是Power BI，因此我无法在所有其他服务器和应用程序的统一视图中获得Hangfire的工作统计信息。 Hangfire仪表板也不会提供任何历史信息。我想不出一种简单的方法来将Hangfire统计信息纳入App Insights，因此我着手制作一个。将Hangfire作业统计信息导入Power BI涉及两个步骤。找出如何调用Hangfire仪表板/stats/端点以定期获取统计信息。编写一个Azure函数来轮询相同的/stats/终结点并将结果推送到App Insights中-我每分钟轮询一次，但也可以更快地进行。将统计数据消费到Power BI中并可视化。 ?? $$利润！…

为什么您不应该将Splunk日志分析局限于IT

Splunk是分析机器生成的数据的最受欢迎的软件。 IT社区非常喜欢Splunk，但业务用户将其视为一个复杂的技术平台。换句话说：不适合他们。结果，企业忽略了很多机会。公司可以从Splunk中获得的见解类型可以改善销售和营销结果。机器数据，大数据增长最快的部分如果您不熟悉“机器生成的数据”一词，则它包含来自网站，服务器，移动设备，应用程序和网络的数据。 IT通常使用它来监视安全威胁和基础结构性能，但也可以提供有关如何改善客户体验的见解。考虑客户的失败交易，智能手机位置记录，废弃的购物篮，信用卡购买等。所有这些都是机器生成的数据的示例，您可以从中提取洞察力。您如何准确地将机器数据转换为更好的结果？这是三个例子。改善您的产品公司可以使用机器数据分析来了解客户的需求。过去，Splunk共享了两个用例。首先是板球通讯。他们使用Splunk改善了流媒体音乐服务Deezer。机器生成的数据帮助Cricket确定哪些歌曲更受欢迎，应将其添加到Deezer目录中。另一个例子是一家咖啡公司，该公司使用其移动应用程序中的数据来了解订购最多的咖啡品种。…

实时监控A / B实验

肖恩| Pinterest工程师，数据作为一家数据驱动公司，我们严重依赖A / B实验来决定新产品和功能。我们运行这些实验的效率如何会强烈影响我们迭代的速度。通过为实验人员提供实时指标，我们增加了成功运行实验并加快运行速度的机会。我们每天都有工作流程来为每个实验计算数百个指标。这些每日指标可提供有关行为的重要见解，但通常要到第二天才能使用。如果触发不正确，从而导致实际未记录Pinner怎么办？如果存在会导致指标大幅下降的错误怎么办？不平衡的群体呢？在实时仪表盘之前，直到第二天都无法分辨。此外，任何后续更改/更正都需要一天的时间才能看到效果，这会使我们放慢速度。实时实验仪表板解决了这些问题。在这里，我们将分享如何建立实时实验指标管道，以及如何使用它正确设置实验，发现错误并尽早避免灾难性更改，包括：使用MemSQL设置实时数据管道建立按小时和按需度量计算框架…

提高您的Web Analytics数据质量

您信任您的网络分析数据吗？实施网站分析策略是一周，一个月还是一年；您如何知道跟踪是否仍然准确？您很可能不会，并且您并不孤单。数字分析中的数据跟踪监视和数据治理才刚刚开始获得可见性。除非您对实现的每个组件进行测试，否则每天（绝不实际）都无法对数据质量完全充满信心。为什么Analytics（分析）实施会中断？ Analytics（分析）实施因多种原因而中断：无意间破坏了相关组件（一个变更会破坏另一个）网站本身功能的变化标签被意外删除或重复实施失败会导致数据不正确，这是众所周知的：削弱组织对Web分析的信心障碍分析与决策阻止正确执行优化机会导致错误的决策并导致失去机会价值没有信任=没有数据驱动的决策…

Mixpanel成员，这是给您的！

有一阵子，我们正在考虑如何使主要使用独立服务（如Mixpanel）的应用程序所有者受益。现在，我们向任何Mixpanel成员开放我们的用户参与度预测服务，而且好消息是您不需要使用此解决方案就可以将任何代码集成到您的应用程序中。让我们发现如何在Mixpanel中使用Skyfunnel。 Skyfunnel解决了每个唯一客户的行为，然后为每个客户提供最佳的重新参与时间。在吸引客户的同时，您可以轻松地在自己的Mixpanel界面上使用这些时间，以在适当的时候吸引用户。在Mixpanel中使用最佳的重新接触时间将立即提高您的广告系列效果，并直接提高您的LTV。让我们在这里连接您的Mixpanel帐户以获得结果！

您正在接受研究-现在，昨天，明天。

您，正在研究中。到达此页面的方式，到达这里之前和离开这里之后所单击的内容。您去过的地方以及最可能去的地方。您所看的图片，您阅读的文章，您喜欢，被评论，被重新张贴，购物，研究过的东西……所有这些–都被馈送到某个分析程序中，以更好地了解您并弄清楚您应该提供的信息接下来喂。 Google Analytics（分析）正在确定您是否最有可能相信一个故事（如果包含此图片和该图片）。我们会不停地交换字词，以确保根据以前的分析方式，专门为我和您获得的文章量身定制，以引起您或我的共鸣。您几分钟前看到的那则广告……并非巧合。在Facebook上关于您非常感兴趣的主题的帖子–您看到它与您可能“应该”看到但没有表现出先前兴趣的东西绝非偶然，因此您不会看到它。也许您对某些事情有信念，但是由于人类有时会这样做，因此您的事实全都错了。猜猜是什么，如果您喜欢错误的信息，那么分析将继续向您显示支持错误信息的内容。结果，您将不会变得更聪明-您将对自己的错误信息更加热情。您不断且当前提供分析的数据表明了您的信念，并将反过来帮助那些试图向您出售产品的人-因为只有相信您所相信的人才能成为客户。 “我们所有人每天消费的绝大多数文章，视频和其他“内容”都是直接或间接地由为实现其目标而资助的公司支付的。并根据其执行能力对其进行衡量，放大和奖励。期。结果，我们得到了……好吧，我们得到了什么。而且情况越来越糟。”…

感知范围

将数据分析用于上游自杀预防使用数据分析和专门设计的护理计划，吸引自杀风险高的退伍军人我们正在努力为退伍军人提供更早更好的护理和服务，以免他们陷入危机。该目标激发并支持了新的伙伴关系，这些伙伴关系将公共部门和私营部门聚集在一起，其中包括弗吉尼亚州的临床医生和提供者，数据科学家，顾问和流行病学家。这些合作关系之一的结果（将继续重塑和改善VA服务退伍军人的方式中的一项）是Perceptive Reach Project，以数据分析如何扩展VA提供者和临床医生的见识和影响范围来识别退伍军人处于自杀的高风险中，并支持提供高质量和针对性的护理。知觉范围代表了如何识别自杀高风险退伍军人的范式转变。感知覆盖率不是仅依靠退伍军人来进行护理或筛查以识别有风险的人，而是使用大数据，预测分析和专门设计的程序以及“感知覆盖率”仪表板。仪表板会汇总数据和分析数据，以指导VA提供者，临床医生和护理人员主动接触并招揽自杀高风险的退伍军人，这些人可能被传统筛查遗漏或从未考虑过或从未考虑过。感知范围使提供者，临床医生和护理人员可以利用大型管理数据和高级分析的功能来增强需要风险的支持并支持临床决策，从而将重点放在需要护理的退伍军人上。该项目召集了来自整个VA的主题专家和协作解决方案，并从一个由VA研究人员，流行病学家和临床医生组成的团队开始，共同开发新的分析模型。该模型不再依靠传统的自杀风险筛查方法，而是结合并评估了380多种不同的属性，以识别自杀风险最大的人群。创新模型没有考虑如何识别个人危险因素，而是考虑了多种因素的组合如何影响个人的自杀累计风险。预测性分析风险模型产生的风险水平并非绝对威胁的绝对信号，而是许多因素之一，表明可能需要通过主动，专门的关注以及可能的治疗直接与退伍军人互动。初始预测模型与旨在识别处于其他不利后果风险中的退伍军人（例如住院和意外服药过量）的其他预测模型相似，进一步扩展了Perceptive Reach的数据分析如何改善退伍军人的护理。通过使用分析并评估新的和以前未使用的变量，“感知覆盖率”可以启发那些可能有需要但从未被视为有风险的人。…