【促销定价】背后的算法技术3-数据挖掘分析

【促销定价】背后的算法技术3-数据挖掘分析

    • 01 整体分析
      • 1）整体概览
      • 2）类别型特征概览
      • 3）数值型特征概览
    • 02 聚合分析
      • 1）天维度
      • 2）品维度
      • 3）价格维度
      • 4）数量维度
    • 03 相关分析
      • 1）1级品类
      • 2）2级品类
      • 3）3级品类
      • 4）sku
    • 04 聚类分析
    • 05 核心结论
    • 06 小结
      • 参考文献

导读：在日常生活中，我们经常会遇见线上/线下商家推出各类打折、满减、赠品、新人价、优惠券、捆绑销售等促销活动。一次成功的促销对于消费者和商家来说是双赢的。一方面，促销活动能让消费者买到低价的商品；另一方面，促销活动也能为商家带来可观的利润。因此，对于商家来说，如何科学合理地制定促销策略是必须仔细思考的问题。

作者1：张哲铭，算法专家，某互联网大厂
作者2：向杜兵，算法专家，某制造业龙头

大家好！我们是IndustryOR团队，致力于分享业界落地的OR+AI技术。欢迎关注微信公众号/知乎【运筹匠心】 。本期我们来谈一谈《促销定价背后的算法技术》。促销活动五花八门、玩法多变，但其底层的核心商业逻辑是“价格”。因此，本期案例将选择某零售商超“促销定价”场景，共分5篇文章依次讲解：（1）业务问题拆解；（2）数据预处理生成；（3）数据挖掘分析；（4）模型算法实现-价格弹性模型；（5）模型算法实现-运筹决策模型。

本篇文章讲解（3）数据挖掘分析。

共分为4个部分，依次为：
01 整体分析
02 聚合分析
03 相关分析
04 聚类分析
05 核心结论

注：本案例数据改编自【2019年全国大学生数学建模E题】公开数据集。

01 整体分析

经过（2）数据预处理生成，我们将订单中的SKU销量聚合至日维度，生成了待分析求解的促销定价数据大宽表（promotional_pricing_data1.csv），表结构如下：

  • 促销定价数据大宽表
字段含义
sku_id商品ID
sku_name商品名称
ori_prc原价
sale_prc售价
cost_prc成本价
sku_cnt销量
cate1_id一级类目id
cate2_id二级类目id
cate3_id三级类目id
cate1_name一级类目名称
cate2_name二级类目名称
cate3_name三级类目名称
sale_dt销售日期

1）整体概览

图片图片

我们发现，经过（2）数据预处理生成加工后的数据集共有1105365条样本，无空值。

2）类别型特征概览

图片类别型特征

3）数值型特征概览

图片我们发现，数据共有3187种sku，1级品类26种、2级品类156种、3级品类565种。75%的商品售价不高于18.8、日销量不超过4个，但也有超过千元的高价品和销量过千的高销品。

02 聚合分析

为了进一步挖掘数据，我们分别在天维度、品维度、价格维度和数量维度对数据进行聚合分析。

1）天维度

统计每日的销量、GMV(销售额)、成本、毛利额、折扣率等信息，画出趋势图。

# 各日期下的销量、GMV(销售额)、成本、毛利额、折扣率等  
data_df['gmv'] = data_df['sale_prc'] * data_df['sale_cnt']  
data_df['cost'] = data_df['cost_prc'] * data_df['sale_cnt']  
data_df['profit'] = data_df['gmv'] - data_df['cost']  
data_df['discount'] = 1 - data_df['sale_prc'] / data_df['ori_prc']  
data_df['discount_amount'] = data_df['ori_prc'] - data_df['sale_prc']  
ret_df = IOR_DP.group_agg(df=data_df,   grp_cols=['sale_dt'],   agg_dict={'sale_cnt': 'sum', 'gmv': 'sum', 'cost': 'sum',  'profit': 'sum', 'discount': 'mean'})  
ret_df['profit_ratio'] = ret_df['profit_sum'] /  ret_df['cost_sum']  
ret_df = ret_df.sort_values(by='sale_dt')  pic1 = ret_df.plot(x='sale_dt', y=['gmv_sum', 'cost_sum', 'profit_sum', 'sale_cnt_sum'],  secondary_y= 'sale_cnt_sum', title = '日gmv/成本/毛利额/销量趋势图',  kind='line', figsize=(20, 5), fontsize=18)  pic2 = ret_df.plot(x='sale_dt', y=['profit_ratio', 'profit_sum', 'sale_cnt_sum'],   secondary_y= 'profit_ratio', title = '日毛利率/毛利额/销量趋势图',  kind='line', figsize=(20, 5), fontsize=18)  pic3 = ret_df.plot(x='sale_dt', y=['discount_mean', 'sale_cnt_sum'], secondary_y= 'discount_mean',  title = '日平均折扣/销量趋势图', kind='line', figsize=(20, 5), fontsize=18)  plt.show([pic1, pic2, pic3])

图片图片图片我们发现：

  • GMV、利润额与销量呈强正相关，销量越高，GMV、利润额越高。

  • 利润率与销量、利润额相关性不明显，有时利润率很低，但利润额很高；有时相反。这说明“降价促销”是存在赚钱的可能性的。

  • 折扣率与销量呈正相关，趋势相同，但并不是折扣率越高一定是销量越高，如：商家在5.4后大幅调低整体折扣，但销量不降反升。这说明精细化定价是可行的，在合理的折扣区间制定高销的价格，增加GMV和利润。

2）品维度

统计各级品类/sku下子品类宽度（子品类个数）、sku宽度（个数）、sku总销量、sku价格等信息，画出分布图。由于篇幅有限，这里只列出sku维度下相关代码。

# 各sku历史价格数/总销量/日售价均值/售卖天数/日均销量分布  
ret_df = IOR_DP.group_agg(df=data_df,   grp_cols=['sku_id', 'sku_name'],   agg_dict={'sale_cnt': 'sum', 'sale_prc':  ['nunique', 'max', 'min', 'mean'],   'ori_prc': ['nunique', 'max', 'min', 'mean'], 'cost_prc':  ['nunique', 'max', 'min', 'mean']},  sort_dict={'sale_cnt_sum': 'desc'})  
ret_df = ret_df.head(50)  
pic1 = ret_df.plot(x='sku_name', y=['sale_prc_nunique', 'sale_cnt_sum'],  secondary_y= 'sale_cnt_sum', title = 'Top50总销量的sku的历史价格数/总销量(降序)分布',  kind='bar', figsize=(20, 5), fontsize=18)  top_sku = ret_df['sku_name']  
ret_df = IOR_DP.group_agg(df=data_df, grp_cols=['sku_id', 'sku_name'], agg_dict={ 'sale_dt': 'count',  'sale_cnt': 'mean'},  sort_dict={'sale_cnt_mean': 'desc'})  
ret_df = pd.merge(left=ret_df, right=top_sku, how='inner', on=['sku_name'])  
pic2 = ret_df.plot(x='sku_name', y=['sale_dt_count', 'sale_cnt_mean'], secondary_y= 'sale_cnt_mean',  title = 'Top50总销量的sku的历史售卖天数/日均销量(降序)分布',  kind='bar', figsize=(20, 5), fontsize=18)  ret_df = IOR_DP.group_agg(df=data_df,   grp_cols=['sale_dt', 'sku_name'],   agg_dict={ 'sale_prc': 'mean'},  sort_dict={'sale_dt': 'asc'})  
ret_df = pd.merge(left=ret_df, right=top_sku, how='inner', on=['sku_name'])  
ret_df = ret_df.pivot_table(values='sale_prc_mean', index='sale_dt', columns='sku_name').reset_index()  
pic3 = ret_df.plot(title = 'Top50总销量的sku日均售价均值分布', kind='box', rot=90, showfliers=False, figsize=(20, 5), fontsize=18)  plt.xlabel('sku_name')  
plt.show([pic1, pic2, pic3])

图片图片图片图片图片图片图片我们发现：

  • 不同品类下的子品类和sku数量差异较大。以3级品类下sku数为例：最少1个，最多63个，中位值3个；

  • 不同sku的价格带不同。以售价均值为例：最小0.8元，最大1100元，中位值13.80元。这说明定价时每个sku的价格区间需要精细化制定。

3）价格维度

统计不同价格区间下sku宽度、总销量、总gmv、总成本、总毛利，画出分布图。

ret_df = data_df[['sale_prc', 'sku_name', 'sale_cnt', 'gmv', 'cost', 'profit']]  
ret_df['sale_prc_range'] = pd.cut(ret_df['sale_prc'], bins)  
ret_df = IOR_DP.group_agg(df=ret_df,   grp_cols=['sale_prc_range'],   agg_dict={'sku_name': 'nunique', 'sale_cnt': 'sum', 'gmv': 'sum', 'cost': 'sum', 'profit': 'sum'},  sort_dict={'sale_prc_range': 'asc'})  
ret_df = ret_df.rename(columns={'sku_name_nunique':'sku_cnt'})  
pic1 = ret_df.plot(x='sale_prc_range', y=['sku_cnt', 'sale_cnt_sum', 'gmv_sum', 'cost_sum', 'profit_sum'],   secondary_y = 'sku_cnt', kind='bar', title='不同价格区间下sku宽度/销量/GMV/成本/毛利分布',   figsize=(20, 5), fontsize=18)  
plt.show(pic1)

图片我们发现，绝大部分sku的价格分布在20元以下，5-10元区间的sku占比最多。

4）数量维度

分别统计不同历史售卖天数和不同历史价格数下的sku宽度分布，画出分布图。

# 不同历史售卖天数下sku宽度分布  
ret_df = IOR_DP.group_agg(df=data_df, grp_cols=['sku_id', 'sku_name'], agg_dict={ 'sale_dt': 'count'})  
ret_df = IOR_DP.group_agg(df=ret_df, grp_cols=['sale_dt_count'], agg_dict={ 'sku_id': 'count'}, sort_dict={'sale_dt_count':'asc'})  
ret_df = ret_df.head(70)  
pic1 = ret_df.plot(x='sale_dt_count', y='sku_id_count', kind='bar',   title='不同历史售卖天数下sku宽度分布', figsize=(20, 5), fontsize=18)  
plt.show(pic1)  
# 不同历史价格数下sku宽度分布  
ret_df = IOR_DP.group_agg(df=data_df, grp_cols=['sku_id', 'sku_name'], agg_dict={ 'sale_prc': 'nunique'})  
ret_df = IOR_DP.group_agg(df=ret_df, grp_cols=['sale_prc_nunique'], agg_dict={ 'sku_id': 'count'}, sort_dict={'sale_prc_nunique':'asc'})  
pic1 = ret_df.plot(x='sale_prc_nunique', y='sku_id_count', kind='bar',   title='不同历史价格数下sku宽度分布', figsize=(20, 5), fontsize=18)  
plt.show(pic1)

图片图片

我们发现：不同sku的历史价格数量不同，绝大部分的sku历史价格数量只有1个。针对该现象需要进一步分析，有2种可能：

  • 这部分商品为低价格弹性商品，即价格改变不会引起销量的变化；

  • 这部分商品是高价格弹性商品，但商家未进行太多的促销价格尝试，这会导致这部分商品精细化定价时样本不足，需要思考如何解决该问题。

03 相关分析

针对1级品类/2级品类/3级品类/sku，分别计算售价/折扣比例/折扣额与日销量间的pearson相关性系数，画出分布图。

1）1级品类

cate_level = 'cate1_name'  
corr_df = cal_corr_by_cate(data_df, cate_level = cate_level)  
feature_cols = list(corr_df.columns)[1:]  
corr_df = corr_df.sort_values(by=feature_cols, ascending=[True] * len(feature_cols))  
pic1 = corr_df.plot(x=cate_level, y=feature_cols, title = '1级品类售价/折扣比例/折扣额与日销量相关性',  kind='bar', figsize=(20, 5), fontsize=18)

图片

2）2级品类

cate_level = 'cate2_name'  
ret_df = IOR_DP.group_agg(df=data_df,   grp_cols=[cate_level],   agg_dict={'sale_cnt': 'sum'},  sort_dict={'sale_cnt_sum': 'desc'})  
ret_df = ret_df.head(50)  
corr_df = cal_corr_by_cate(data_df, cate_level = cate_level)  
corr_df = pd.merge(left=ret_df, right=corr_df, how='inner', on=[cate_level])  
feature_cols = list(corr_df.columns)[2:]  
corr_df = corr_df.sort_values(by=feature_cols, ascending=[True] * len(feature_cols))  
pic1 = corr_df.plot(x=cate_level, y=feature_cols, title = 'Top50销量的2级品类售价/折扣比例/折扣额与日销量相关性',  kind='bar', figsize=(20, 5), fontsize=18)

图片

3）3级品类

cate_level = 'cate3_name'  
ret_df = IOR_DP.group_agg(df=data_df,   grp_cols=[cate_level],   agg_dict={'sale_cnt': 'sum'},  sort_dict={'sale_cnt_sum': 'desc'})  
ret_df = ret_df.head(50)  
corr_df = cal_corr_by_cate(data_df, cate_level = cate_level)  
corr_df = pd.merge(left=ret_df, right=corr_df, how='inner', on=[cate_level])  
feature_cols = list(corr_df.columns)[2:]  
corr_df = corr_df.sort_values(by=feature_cols, ascending=[True] * len(feature_cols))  
pic1 = corr_df.plot(x=cate_level, y=feature_cols, title = 'Top50销量的3级品类售价/折扣比例/折扣额与日销量相关性',  kind='bar', figsize=(20, 5), fontsize=18)

图片

4）sku

cate_level = 'sku_name'  
ret_df = IOR_DP.group_agg(df=data_df,   grp_cols=[cate_level],   agg_dict={'sale_cnt': 'sum'},  sort_dict={'sale_cnt_sum': 'desc'})  
ret_df = ret_df.head(50)  
corr_df = cal_corr_by_cate(data_df, cate_level = cate_level)  
corr_df = pd.merge(left=ret_df, right=corr_df, how='inner', on=[cate_level])  
feature_cols = list(corr_df.columns)[2:]  
corr_df = corr_df.sort_values(by=feature_cols, ascending=[True] * len(feature_cols))  
pic1 = corr_df.plot(x=cate_level, y=feature_cols, title = 'Top50销量的sku售价/折扣比例/折扣额与日销量相关性',  kind='bar', figsize=(20, 5), fontsize=18)

图片

我们发现，不同品类/sku的售价/折扣比例/折扣额与日销量间相关性差异极大。如：

  • 对于可口可乐、散装东北大米等长保质期商品来说，售价越低/折扣比例越大/折扣额越大，销量越高。可能是因为该类商品可以囤货。

  • 对于进口香蕉、土鸡蛋等生鲜品来说，售价越低/折扣比例越大/折扣额越大，销量越高。可能是因为该类商品日常消耗较快。

  • 对于红枣风味酸牛奶等短保质期商品来说，售价越低，销量越高；折扣比例/折扣额和销量呈负相关，但相关性不大。可能是因为该类商品一旦打折就意味着临近保质期，大家不愿意购买。

  • 对于伊利高钙奶等高品质商品来说，则售价越高，销量越高，但相关性不大。可能是因为该类商品价格越高品质越佳。

因此，在促销定价时，需要根据不同的sku制定不同的定价策略。

04 聚类分析

根据03节计算出来的3级品类平均售价/折扣比例/折扣额与日销量间的相关性系数，对3级品类进行聚类，画出聚类图。

cate_level = 'cate3_name'  
corr_df = cal_corr_by_cate(data_df, cate_level = cate_level)  
n_clusters = 4  
x_cols = list(corr_df.columns)[1:]  
x_df = corr_df[x_cols]  
from sklearn.cluster import KMeans#导入聚类模型  
model1=KMeans(n_clusters=n_clusters, n_init=1000).fit(x_df)#聚成3类传入自变量  
model1.labels_.size  
corr_df['label']=model1.labels_  # 3D  
fig =plt.figure(figsize=(20, 10))  
ax = Axes3D(fig)  
pic2 = ax.scatter(xs=corr_df['sale_prc&&sale_cnt'], ys=corr_df['discount&&sale_cnt'], cmap='jet',  zs=corr_df['discount_amount&&sale_cnt'], c = corr_df['label'], alpha=1)  
ax.set_xlabel('sale_prc&&sale_cnt', color='r')  
ax.set_ylabel('discount&&sale_cnt', color='g')  
ax.set_zlabel('discount_amount&&sale_cnt', color='b')  
plt.title('售价/折扣比例/折扣额与日销量相关性分类图')  
plt.show(pic2)

图片图片经过实验我们发现，聚4类即可将样本较好的分开，聚类结果也符合业务常识。详情如下：

  • label=0分类的3级品类，平均售价与日销量弱负相关，折扣比例/折扣额与日销量弱正相关，多为保质期较长，购物频次一般的品类，如：‘一次性内裤’, ‘丸类’, ‘乌龙茶饮品’, ‘冰冻贝类’, '冰淇淋’等。

  • label=1分类的3级品类，平均售价与日销量强负相关，折扣比例/折扣额与日销量强正相关，多为保质期较短，购物频次较高的品类，如：‘中式点心’, ‘低温加味牛奶’, ‘可乐’, ‘叶菜类蔬菜’, ‘吐司类’, ‘国产季节性水果’, ‘国产梨类’ '婴儿卫生用品’等。

  • label=2分类的3级品类，平均售价与日销量强负相关，折扣比例/折扣额与日销量强不相关，多为购物频次一般，但平时很少有折扣促销的品类，如：‘其他冲饮粉’, ‘其他肉干’, ‘其他进口洋酒’, ‘名酒’, '味精’等。

  • label=3分类的3级品类，平均售价/折扣比例/折扣额与日销量强均不相关，多为购物频次较低，平时也很少有折扣促销的品类，如：‘LED灯泡’, ‘一口酥/酥饼’, ‘一次性卫生筷’, ‘一次性塑料口杯’, ‘一次性手套’, ‘一次性纸口杯’, '一次性纸碗’等。

05 核心结论

综上诉说，我们利用数据挖掘技术，从各个维度较为全面的分析了数据的全貌，并深度挖掘了价格/折扣和销量之间的关系。最终，我们得到了一个核心结论：不同的sku的价格/折扣与销量之间的关系不同，促销定价做的越精细，效果越好。而精细化正是算法相较人工的优势所在。

06 小结

第一篇（业务问题拆解）：我们把一个实际的促销定价问题拆解成了一系列的数学问题。

第二篇（数据预处理生成）：我们选择了一份公开的促销定价数据集，将其加工成了可分析求解的数据。

本篇（数据挖掘分析）：我们对数据进行了全方位的挖掘和分析，介绍了数据挖掘分析和可视化方法。敬请期待~~~

下一篇（价格弹性模型）：我们将介绍如何利用价格弹性模型量化商品价格与销量的关系。敬请期待~~~

参考文献

  1. Hua J, Yan L, Xu H,et al. Markdowns in E-Commerce Fresh Retail: A Counterfactual Prediction and Multi-Period Optimization Approach[J]. arxiv, 2021.(https://arxiv.org/pdf/2105.08313.pdf)

  2. Kui Zhao, Junhao Hua, Ling Yan, et al. A Unified Framework for Marketing Budget Allocation[J]. arxiv, 20.(https://arxiv.org/pdf/1902.01128.pdf)

  3. 用相关系数进行Kmeans聚类，利用利润率、打折率、销售额、毛利润得到商品价格弹性标签，建立价格折扣力度模型(https://blog.csdn.net/weixin_45934622/article/details/114382037)

  4. 2019全国大学生数学建模竞赛讲评：“薄利多销”分析(https://dxs.moe.gov.cn/zx/a/hd_sxjm_sxjmstjp_2019sxjmstjp/210604/1699445.shtml)

  5. 策略算法工程师之路-基于线性规划的简单价格优化模型(https://zhuanlan.zhihu.com/p/145192690)

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.mzph.cn/news/718965.shtml

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email:809451989@qq.com，一经查实，立即删除！

相关文章

无公网ip环境使用DS file软件远程访问内网群晖NAS中储存的文件

无公网ip环境使用DS file软件远程访问内网群晖NAS中储存的文件

文章目录 1. 群晖安装Cpolar2. 创建TCP公网地址3. 远程访问群晖文件4. 固定TCP公网地址5. 固定TCP地址连接 DS file 是一个由群晖公司开发的文件管理应用程序，主要用于浏览、访问和管理存储在群晖NAS（网络附加存储）中的文件。这个应用程序具有…
阅读更多...
echarts如何实现3D饼图(环形图)?

echarts如何实现3D饼图(环形图)?

一、实现的效果 二、具体步骤 1.安装依赖 npm install echarts 2.引入echarts import * as echarts from echarts; 注意：这里需要用到echarts-gl，必须单独引入才可以 import echarts-gl; 3.echarts部分代码 我知道这部分内容很多，但只要cv…
阅读更多...
羊大师揭秘羊奶与健康，美味的保健佳品

羊大师揭秘羊奶与健康，美味的保健佳品

羊大师揭秘羊奶与健康，美味的保健佳品 羊奶确实是一种美味且健康的保健佳品，其独特的营养成分和风味使其成为许多人的健康选择。以下是一些羊奶与健康的关系： 营养丰富：羊奶含有丰富的蛋白质、脂肪、矿物质和维生素，…
阅读更多...
ruoyi-nbcio-plus的Vue3前端升级组件后出现的问题（一）

ruoyi-nbcio-plus的Vue3前端升级组件后出现的问题（一）

更多ruoyi-nbcio功能请看演示系统 gitee源代码地址 前后端代码： https://gitee.com/nbacheng/ruoyi-nbcio 演示地址： http://122.227.135.243:9666 更多nbcio-boot功能请看演示系统 gitee源代码地址 后端代码： https://gitee.com/nbach…
阅读更多...
大模型ChatGLM-6B实现本地部署

大模型ChatGLM-6B实现本地部署

大模型ChatGLM-6B实现本地部署 一、写在前面：二、ChatGLM-6B下载：三、项目所需要的环境配置：四、项目运行：五、遇到的主要问题及解决 一、写在前面： 1、 确保你的电脑中已安装git，git lfs。 2、确保你的电…
阅读更多...
浅析前端的堆栈原理以及深浅拷贝原理

浅析前端的堆栈原理以及深浅拷贝原理

浅析前端的堆栈原理以及深浅拷贝原理 首先来看一个案例 const obj {name:hzw,age:18 } let objName2 obj objName2.age 12 console.log(obj,objName2) // {name: hzw, age: 12} {name: hzw, age: 12}这里是不是很奇怪，为什么，为什么我改变objName2的…
阅读更多...
AirPods Pro 2 耳机推送新固件，苹果Find My功能助力产品成长

AirPods Pro 2 耳机推送新固件，苹果Find My功能助力产品成长

苹果公司面向 AirPods Pro 2（包括 USB-C 和 Lightning 版本），推出了全新的测试版固件更新，版本号为 6E188，高于 12 月份发布的 6B34 固件。 苹果和往常一样，并没有提供详细的更新日志或者说明&#xff0c…
阅读更多...
算法刷题day20：二分

算法刷题day20：二分

目录 引言概念一、借教室二、分巧克力三、管道四、技能升级五、冶炼金属六、数的范围七、最佳牛围栏 引言 这几天一直在做二分的题，都是上了难度的题目，本来以为自己的二分水平已经非常熟悉了，没想到还是糊涂了一两天才重新想清楚&#xff0…
阅读更多...
力扣区间题：合并区间、插入区间

力扣区间题：合并区间、插入区间

我们可以将区间按照左端点升序排列，然后遍历区间进行合并操作。 我们先将第一个区间加入答案，然后依次考虑之后的每个区间： 如果答案数组中最后一个区间的右端点小于当前考虑区间的左端点，说明两个区间不会重合，因此…
阅读更多...
Java基于springboot的课程作业管理系统

Java基于springboot的课程作业管理系统

摘 要 随着科学技术的飞速发展，社会的方方面面、各行各业都在努力与现代的先进技术接轨，通过科技手段来提高自身的优势，课程作业管理系统当然也不能排除在外。课程作业管理系统是以实际运用为开发背景，运用软件工程原理和开发方法…
阅读更多...
Linux常见命令总结

Linux常见命令总结

1.创建文件夹 mkdir 目录名 mkdir 文件夹名 创建单个文件夹 mkdir 文件夹1 文件夹2 文件夹3 创建多个文件夹 mkdir -p parent/child 创建多级文件夹 2.创建文件 touch 文件名 touch的主要功能有两个,如果要创建的文件的名称存在,将文件的创建时间修改到当前的系统时间(也…
阅读更多...
五种常用的可视化项目管理工具

五种常用的可视化项目管理工具

传统的项目管理通常依赖于文本文档，容易造成误解和混乱。在快节奏的商业环境中，没有哪个项目经理愿意处理繁重的文档流程。 另一方面，可视化项目管理通常使用图表和视觉板来展示复杂的项目信息。因此，项目经理能快速了解关键信息…
阅读更多...
基于 rk3566 的 uboot 分析 - dts 加载和 dm 模型的本质

基于 rk3566 的 uboot 分析 - dts 加载和 dm 模型的本质

文章目录 一、设备树加载使用1、概述2、第一阶段1) fdtdec_setup2) 总结 3、第二阶段1) kernle dtb 编译打包2) 加载流程2.1) board_init2.2) init_kernel_dtb2.3) rockchip_read_dtb_file2.4) rockchip_read_resource_dtb 3) 总结 二、dm 模型1、树的创建1) device_bind_commo…
阅读更多...
使用Matlab计算IGRAv2探空站的Tm和PWV

使用Matlab计算IGRAv2探空站的Tm和PWV

1. 探空站IGRAv2数据 探空站的Tm常作为真值，去检验Tm线性公式或者ERA5 Tm等的精度 。 探空站PWV常作为真值，去检验GNSS PWV等的精度 2. Tm 的计算方法 Tm 的计算方法有两种在前面的文章有讲，这里用 使用水汽压和温度计算Tm。 ei和 Ti 表示…
阅读更多...
本地如何配置支付宝模拟支付场景并结合内网穿透实现公网环境调试开发？

本地如何配置支付宝模拟支付场景并结合内网穿透实现公网环境调试开发？

文章目录 前言1. 下载当面付demo2. 修改配置文件3. 打包成web服务4. 局域网测试5. 内网穿透6. 测试公网访问7. 配置二级子域名8. 测试使用固定二级子域名访问 前言 在沙箱环境调试支付SDK的时候，往往沙箱环境部署在本地，局限性大，在沙箱环境…
阅读更多...
还在犹豫学不学？鸿蒙技术是否有前途的最强信号来了

还在犹豫学不学？鸿蒙技术是否有前途的最强信号来了

2024年3月3日 上午10 点，深圳官方账号发布了一篇关于鸿蒙技术发展的重要文章，看到这篇文章后我非常激动，忍不住和大家分享一下！ 华为鸿蒙系统自提出以来，网友们的态度各不相同，有嘲笑“安卓套壳”的&#…
阅读更多...
2024 CHINASHOP丨悠络客AI应用亮点抢鲜看，还有价值百元门票免费送哦！

2024 CHINASHOP丨悠络客AI应用亮点抢鲜看，还有价值百元门票免费送哦！

3月13日-15日，备受国内外关注的第二十四届中国零售业博览会（2024 CHINASHOP）将在上海国家会展中心正式开展！悠络客作为深耕智慧门店15年的公有云人工智能企业，也将带着全新AI产品和智慧门店解决方案亮相展会&#xff0…
阅读更多...
Windows系统中ollama下载模型前设置下载路径

Windows系统中ollama下载模型前设置下载路径

Windows系统中ollama下载模型前设置下载路径 一开始设置了用户环境变量 OLLAMA_MODELS，没有效果 添加系统环境变量后，ollama pull和run的模型都到了环境变量中的路径下； 设置完后可以在cmd中检查一下：echo %ollama_models% ollam…
阅读更多...
Electron 多显示器渲染

Electron 多显示器渲染

Electron打出的包，如果当前有俩个显示器，则可以配置当前显示倒哪个显示器上，或者可以配置不同的显示器，启动不同的项目，只在Windows和Linux下测试过，Mac没有真机，可以利用docker安装MacOS环境&a…
阅读更多...
使用mapbox navigation搭建一个安卓导航 示例

使用mapbox navigation搭建一个安卓导航 示例

一.代码示例地址： https://github.com/mapbox/mapbox-navigation-android-examples/tree/main 二. 具体步骤： git clone gitgithub.com:mapbox/mapbox-navigation-android-examples.git Go to app/src/main/res/values Look for mapbox_access_token.…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023