大數據

“大数据”这个词，大家都已经不陌生了，已经从一个新兴的词汇变成了一个百姓茶余饭后都会聊到的概念。各种大大小小的互联网公司也都会创建自己的大数据团队，我也曾经在多家公司从事过大数据领域的开发和团队管理工作，这里写一下我自己的经历和感受。 公司一般什么时候需要大数据团队？ 大数据团队与前端、安卓、运维、测试这些团队不同，不是公司一开始就必须有的团队。公司在创业初期，往往不重视、或者说不需要重视数据，业务、产品、功能以及市场资源才是最重要的。 当公司的产品可以在市场上站稳，这之后的几个月到几年时间，随着用户量的增加，数据的量也慢慢上来了。这时候老板们就会开始重视数据带来的价值，希望从数据中发现产品的不足、运营的方向甚至一些新的机会点。 有人说，数据量大了才会需要大数据，这显然是一个外行的错误观念。更为准确的说法是，在公司有了数据意识的时候就会需要大数据。也不能排除这样的情况：有一些非常优秀的创业者，创业初期就不是从0开始的，而是带着资源、带着团队、带着项目出来创业的，依据他们项目的成熟度，有可能一开始就会需要大数据团队。 当然，我也遇到过个别的公司，他们在引入大数据团队的时候其实并没有给大数据团队一个清晰的定位，没有想清楚未来3、5年期望大数据团队实现什么样的成就。只是想在对外宣传的时候，号称自己公司有“大数据团队”而已。求职者在应聘时，务必区分清楚这类公司，以免进入公司之后才发现这其实是一个被边缘化的团队。 大数据团队组织架构V1.0 1.0阶段的核心，是数据分析。 背景 大数据团队一开始存在的意义，往往就是为公司高层或业务部门提供数据的分析和支持。在组建大数据团队之前，数据的提取和分析都是由后端开发工程师直接从线上数据库上捞取。稍微靠谱一点儿的开发团队，则会专门备份出一个只读库、专门用作数据的分析统计，以免直接在线上环境操作数据造成的数据库压力过大，影响了线上用户的正常使用，得不偿失。 开发直接做数据分析的好处，是线上的数据结构和代码逻辑都是开发自己设计的，减少了大量的沟通成本和学习成本，效率高。在初期数据量不大的时候，这种做法无疑是最合适的。 相应的坏处则是： 开发对于数据并不专业，更容易陷入到自己的逻辑中，察觉不出问题； 创业早期的开发，工作量一般都是巨大的，不会有太多时间“转换脑子”来做数据分析； 开发做的数据分析往往无法形成体系化，来一个、做一个，导致后边越来越混乱； 选择 这种时候，公司一般有两种选择： 引入第三方成熟的数据服务商； 自己建立大数据团队； 两种选择都各有利弊。 […]

第2章数据湖概念概览 数据湖概念的诞生，源自企业面临的一些挑战，如数据应该以何种方式处理和存储。最开始，企业对种类庞杂的应用程序的管理都经历了一个比较自然的演化周期。最开始的时候，每个应用程序会产生、存储大量数据，而这些数据并不能被其他应用程序使用，这种状况导致数据孤岛的产生。随后数据集市应运而生，应用程序产生的数据存储在一个集中式的数据仓库中，可根据需要导出相关数据传输给企业内需要该数据的部门或个人。然而数据集市只解决了部分问题。剩余问题，包括数据管理、数据所有权与访问控制等都亟须解决，因为企业寻求获得更高的使用有效数据的能力。为了解决前面提及的各种问题，企业有很强烈的诉求搭建自己的数据湖，数据湖不但能存储传统类型数据，也能存储任意其他类型数据，并且能在它们之上做进一步的处理与分析，产生最终输出供各类程序消费。在本章中，将介绍数据湖的一些主要方面，帮助读者理解为什么它对企业非常重要。 2.1 什么是数据湖 如果需要给数据湖下一个定义，可以定义为这样：数据湖是一个存储企业的各种各样原始数据的大型仓库，其中的数据可供存取、处理、分析及传输。 数据湖从企业的多个数据源获取原始数据，并且针对不同的目的，同一份原始数据还可能有多种满足特定内部模型格式的数据副本。因此，数据湖中被处理的数据可能是任意类型的信息，从结构化数据到完全非结构化数据。企业对数据湖寄予厚望，希望它能帮助用户快速获取有用信息，并能将这些信息用于数据分析和机器学习算法，以获得与企业运行相关的洞察力。数据湖与企业的关系数据湖能给企业带来多种能力，例如，能实现数据的集中式管理，在此之上，企业能挖掘出很多之前所不具备的能力。另外，数据湖结合先进的数据科学与机器学习技术，能帮助企业构建更多优化后的运营模型，也能为企业提供其他能力，如预测分析、推荐模型等，这些模型能刺激企业能力的后续增长。企业数据中隐藏着多种能力，然而，在重要数据能够被具备商业数据洞察力的人使用之前，人们无法利用它们来改善企业的商业表现。 2.2　数据湖如何帮助企业 长期以来，企业一直试图找到一个统一的模型来表示企业中所有实体。这个任务有极大的挑战性，原因有很多，下面列举了其中的一部分： 一个实体在企业中可能有多种表示形式，因此可能不存在某个完备的模型来统一表示实体。 不同的企业应用程序可能会基于特定的商业目标来处理实体，这意味着处理实体时会采用或排斥某些企业流程。 不同应用程序可能会对每个实体采用不同的访问模式及存储结构。 这些问题已困扰企业多年，并阻碍了业务处理、服务定义及术语命名等事务的标准化。从数据湖的角度来看，我们正在以另外一种方式来看待这个问题。使用数据湖，隐式实现了一个较好的统一数据模型，而不用担心对业务程序产生实质性影响。这些业务程序则是解决具体业务问题的“专家”。数据湖基于从实体所有者相关的所有系统中捕获的全量数据来尽可能“丰满”地表示实体。因为在实体表示方面更优且更完备，数据湖确实给企业数据处理与管理带来了巨大的帮助，使得企业具备更多关于企业增长方面的洞察力，帮助企业达成其商业目标。值得一提的是，Martin Fowler写过一篇很有意思的文章，在这篇文章中，他对企业数据湖的一些关键方面做了简明扼要的阐述，可参考下面这个链接：https://martinfowler.com/bliki/DataLake.html。数据湖的优点企业会在其多个业务系统中产生海量数据，随着企业体量增大，企业也需要更智能地处理这些横跨多个系统的数据。一种最基本的策略是采用一个单独的领域模型，它能精准地描述数据并能代表对总体业务最有价值的那部分数据。这些数据指的是前面提到的企业数据。对企业数据进行了良好定义的企业当然也有一些管理数据的方法，因此企业数据定义的更改能保持一致性，企业内部也很清楚系统是如何共享这些信息的。在这种案例中，系统被分为数据拥有者（data owner）及数据消费者（data consumer）。对于企业数据来说，需要有对应的拥有者，拥有者定义了数据如何被其他消费系统获取，消费系统扮演着消费者的角色。一旦企业有了对数据和系统的明晰定义，就可以通过该机制利用大量的企业信息。该机制的一种常见实现策略是通过构建企业级数据湖来提供统一的企业数据模型，在该机制中，数据湖负责捕获数据、处理数据、分析数据，以及为消费者系统提供数据服务。数据湖能从以下方面帮助到企业： 实现数据治理（data governance）与数据世系。 通过应用机器学习与人工智能技术实现商业智能。 预测分析，如领域特定的推荐引擎。 信息追踪与一致性保障。

作者：朱晓然，Tablestore存储服务技术专家 背景Spark 中国社区联合阿里云 EMR 技术交流群，Tablestore 技术交流群举办了一场联合技术直播。直播的话题是“海量结构化数据的实时计算和处理”，主要介绍基于 Tablestore 的数据变更实时捕获订阅能力，实现云上Lambda 架构的轻量化实现。在直播中有一个demo环节，本篇文章会提供demo环节的简单操作步骤，方便大家后续在阿里云上搭建和demo场景类似的一整套架构，实现数据的实时和离线处理。 演示场景介绍演示模拟了一个电商订单场景，通过流计算实现订单大屏的场景，做到海量订单实时注入的同时，进行10s的订单统计聚合以及交易金额统计并做实时的大屏幕展示。整个订单的大屏幕样例如下： 大屏我们使用阿里云的 DATAV 对接 Tablestore数据源来实现，那么下面我们就具体看看从订单的原始数据到结果大屏数据的产生过程以及操作步骤。 整套后台的架构大体如下： 在ecs，或者本地模拟一个订单生成器，实时的注入订单数据到 Tablestore 中。 在 Tablestore

需求背景 提供咨询的技术服务型企业往往需要一套系统来管理客户信息，商业机会，工作计划，售后服务，合同管理，数据分析。所有模块归结到底离不开三个能力，数据收集，数据协作，数据展示。目前宜搭以上能力都具备，我们可以基于宜搭搭建定制化程度较高的CRM应用。 操作步骤 1.创建单据页面，搭建基础信息模块。 客户基础信息 销售产品基础信息 客户和产品的关联信息，通过之前的教程，我们可以使用关联其他表单数据，使客户和产品的信息都取自上面两张基础表。 2. 创建流程页面，搭建数据协作模块。 商业机会往往需要上报，分享，协作，可以使用流程页面来进行数据流转。流程页面和单据页面一样也需要做页面设计，不同的是多出了流程设计。 表单页面设计 流程设计 其他的流程像工作计划报备，市场活动报备，销售业务也都需要设计表单和流程，具体内容各异。 3.创建报表页面，搭建数据展示模块。 作为团队中销售，技术人员，主管都需要清楚和自己相关客户的工单，合同，进展，收款状态等等信息。下面展示团队主管常需要查看的报表。 客户服务看板 其他一些销售看板也可以通过报表来查看。 总结回顾 案例文档我们只列举了比较典型的页面，实际的页面会有很多，用户可以基于自己的需求尝试搭建简单或者复杂的客户关系管理应用。 详细的基础功能讲解建议阅读

引言 James Watson 和 Francis Crick 于 1953 年发现了 DNA 的双螺旋结构，从此揭开了物种进化和遗传的神秘面纱，开启了人类对数字化遗传的认知，但是人类基因奥秘却是一点点被读懂的。 1956 年，一则癌症和染色体相关性的发现令整个癌症研究界震动：慢性骨髓性白血病（CML）患者的第 22 号染色体，比一般然明显短很多。二十余年后，学者们发现，9 号染色体的 Abl 基因，与 22 号染色体的

概念：LADV是DataV内嵌的智能识别设计产品，能够迅速学习和识别手绘草图、信息图表、大屏截图等资料，并在DataV内自动生成可配置的可视化应用。 有了LADV今后人人都能做可视化专家了！ 先来看看LADV的效果：以上例子中，生成的可视化图表，均可以在DataV的环境下做进一步的样式调优和数据接入，最终发布为一个实时数据驱动展示的页面。 1.LADV解决了什么问题？ 简单来说，就是大幅降低数据可视化的设计成本。让用户在制作数据可视化应用时，可以将更多的精力投放在前期需求梳理、指标设计，和后期的数据探索、可视分析这些关键环节上。 纵观数据可视化这个垂直领域，包括DataV在内的很多团队都在尝试降低可视化的实现的工程成本（如下图1, 2）。然而除了工程成本本身，数据可视化的设计效率极大的影响了数据挖掘效率。 工业界可视化先驱如Tableau, Power BI等提出的解决方案是为用户提供不同的模版。但模版不可能完全贴合实际使用场景下的需求，很多用户在使用过程中，只能向可视化设计的高门槛以及冗长的制作时间妥协，选择近似的模版来解决。如何让各种背景的用户真正制作自己中意的数据可视化一直是一个难题。而DataV团队研发的LADV——一个基于深度学习的可视化生成系统，通过机器学习可视化案例的风格而生成数据可视化(如下图3)，恰恰就是为了解决这个问题而生的。 2.颠覆可视化设计和搭建流程 2.1 传统流程 数据可视化设计需要多方配合，就DataV举例如下图传统流程，有产品和分析同学进行需求调研，而设计同学会根据所需图表进行高保真设计, 最后会交由前端同学进行还原。这样的流程由于需要多方协同，导致效率变慢。更重要的是，这样的流程致使很多没有设计能力的用户缺少创建属于自己可视化的能力。 2.2 LADV优化流程 通过LADV，我们设计了一种新的可视化创建流程。如上图所示，LADV极大减少了传统的设计流程，新的流程支持通过图片进行原型设计及前端还原，并支持后续的设计微调。 3.技术方案 3.1.1

今天大数据变的这么重要源自一个很重要的前提：数据更容易获取以及数据处理成本更低了。海量数据本身并不能给企业带来太多的价值，通过数据的理解、分析、探索和挖掘，找出对企业有价值的关键数据，帮助企业进行更好的管理和预测，这样数据才能给企业带来足够的价值。 随着科技的发展，特别是各种感应科技（如RFID技术）的出现使各种物体和设施能够被更准确、更透彻地感知，当今的世界里每个人至少拥有10亿个晶体管，每年全球要消耗掉几百亿个射频识别标记（RFID），这些物联化的设备每时每刻都在生成数据，有些数据是固定结构的，有些不是，如何从大量的不统一的数据中识别出有价值的数据，剔除没有价值的“噪音”数据是首先需要考虑的。先进的软硬件技术使用户可以对海量数据进行整理、加工、分析和处理从而实现高度的智能化，帮助人们做出正确的行动决策。智慧的力量无处不在，经济可行的智能技术将被应用到各种行业，提供很多以前无法实现的服务。在此基础上，整个世界都将更紧密的关联整合，形成各种各样的智慧系统。通过“智慧的交通”，城市管理者可以前瞻性地规划城市立体交通，比如城市路网设计、交通信号灯控制、公交路线设计、出租车数量控制、交通诱导系统、交通流量预测、交通拥堵防止系统、突发交通状况下应急处理、出行最佳线路提示和智慧交通管理平台构建（整合交管、公安、路政、公交和出租等部门）等；作为出行者，您可以随时了解城市的交通状态，从而及时调整出行路线；作为城市管理者，可以依据交通预测提前进行交通预案管理，提高车辆在拥堵时段的通行效率等。通过“智慧的医疗”，管理者可以合理地规划医疗资源布局和医疗平台建设，使得病人去医院看病时，不再需要排长队、奔波于各个窗口之间；通过构建全面的医院BI解决方案，可以帮助医院进行临床分析、管理分析和科研分析，优化疾病管理，帮助医院进行药品监测，如药品不良反应等；通过构建居民主索引系统，可以实现以人为本的医疗服务体系。通过“智慧的铁路”，管理者可以加强铁路资产管理、提高效率、安全性和旅客体验；通过“智慧的食品”，您可以了解摆在餐桌上的食物来自哪块土地、运输过程中经过了哪些环节；通过“智慧的城市”，可以使行政审批的速度大大加快，从“月”缩短至“天”，还可以让您享受教育、就业、社会保障和住房等方面更加便捷的服务；通过“智慧的水资源”，加强水资源的再生利用、高效管理和高科技治理污染，形成生态系统，让厨房里的自来水可以放心饮用，因为水的整个输送过程都在被严密监测着。

一、智能推荐（AIRec）简介 AIRec背景介绍智能推荐（简称AIRec）基于阿里巴巴集团领先的大数据和人工智能技术，结合阿里巴巴在电商、内容、新闻、视频直播和社交等多个行业领域的积累，为全球企业及开发者提供云推荐服务。AIRec能够有效解决用户偏好和物品之间的曝光选择问题。AIRec产品与淘宝、天猫推荐的底层是同根共源的，是淘宝、天猫推荐技术的首次对外输出。目前对于电商而言，获客等成本非常高，AIRec也希望能够解决以上这些问题，帮助用户去深度运营好每一个流量，将每一个流量的价值都充分地挖掘出来。因此AIRec在促活、留存、收入等整个流量生命周期中都可以提现它的价值。 AIRec产品架构阿里云智能推荐AIRec产品的实现方式整体上大致分为三层。其中最底层是数据接入层，对于这一层而言，一般需要客户提供两种数据，初始化离线数据和在线数据。初始化离线数据将用于整个推荐实例的启动，而在线数据则用于当服务启动之后在后续实时收集用户的行为，以及更新和回传。在数据接入层之上是推荐模型层，这里主要分为三部分，第一部分是特征工程，主要是对于用户的特征、商品的特征进行一定的挖掘；第二部分是召回模块；第三部分是排序模块。在推荐模型之上是业务逻辑层，各个应用厂家或者应用的场景不同，业务逻辑也会比较复杂，推荐系统往往无法覆盖所有的业务场景，所以AIRec覆盖了一些比较具有通用性的业务逻辑以及打散策略和混排策略等。在此基础之上，业务方也可以根据AIRec推荐的结果来进行第二次封装来满足业务上更为复杂的需求。 二、核心功能介绍 AIRec核心功能-接入使用整个AIRec接入使用主要分为四个部分：数据准备、服务开通、生效测试和增量对接。在数据准备方面，目前AIRec只能通过阿里云大数据计算服务MaxCompute上传初始数据，MaxCompute是一个能够处理PB级别的数据仓库解决方案。AIRec初始时需要三张表，分别为User表、Item表和Behavior表，User表存储了用户的基本信息、用户ID以及是否给这个用户进行推荐以及一些用户特征维度的信息。针对于表中的这些字段，客户可以根据自己的数据埋点以及数据收集情况酌情地进行上传，并且表中的字段也是分为必填、选填和推荐等类别。当然，这些数据如果填写的越饱满，对于后期的效果调优而言，就会越有优势。同样的，Item表存储了物品信息，Behavior表则存储了用户与物品之间的关联信息，数据中的点击和展示是必须要上传的，其次内容型的点赞等行为也推荐客户上传。在数据准备完成之后就可以开通AIRec服务了，开通完成之后可以进行对于行业、场景以及数据源的选择。选择完成之后，就可以在数据生效的页面检查数据生效的质量，同时在数据生效之后进行数据的测试。当测试完成之后就可以确认AIRec实例已经正常地运行起来了，在此基础之上可以对接服务端的SDK或者API实现增量数据的回传。 AIRec核心功能-行业阿里云智能推荐AIRec现在向外输出的行业主要包括四种，即电商行业、新闻行业、内容行业以及视频行业。之所以对于行业进行了划分，这是因为目标行业的特点不同会导致用户的关注点不同，这也就导致了运营人员所关注的指标也各不同，因此这些因素最终也会影响推荐系统对于模型的选用。举例而言，对比一下电商型和内容型行业，前者比较关注点击率、GMV成交值以及购买率等业务指标，而后者除了常见的关注点击率之外，还会更加关注人均点击量、用户停留时间以及浏览深度等业务指标。 AIRec核心功能-场景这里的场景可以理解为推荐所在的位置。根据推荐所在的位置不同，推荐系统使用模型和手段也会有所不同。比如在淘宝的首页推荐上“猜你喜欢”这部分属于一个比较综合的推荐位置，因此需要综合一些基于用户浏览历史行为的召回，也需要符合用户的兴趣，还需要在照顾热点的同时增加一些对于新品的关注度，因此这部分属于一个比较综合的推荐。而商品详情页的“相关推荐”位置则不同，其更加看重物品与物品之间的关联关系，这个关联可能是商品存在相似关系，也有可能商品之间存在类似于“啤酒和尿布”的关系。“热门推荐”就是热度排行榜了，其背后有着比较成熟的热度算法。而位于页面顶部Banner推荐位的“焦点图推荐”则是对于重要活动或者产品的推荐。 AIRec核心功能-召回模型如下图的左侧的推荐模型所示，其最下面的输入可以认为是全量的Item列表，通过召回可能筛选出了一批和用户相关的Item，经过规则过滤将其放入排序层，之后根据用户行为、用户特征以及商品特征进行排序并计算分数，并将最终算分的结果放入到业务逻辑层进行封装，并Push给终端用户，使得终端用户能够看到Push的结果。下图中右侧是召回系统的简单的实现方式示意图，对于召回而言，想要判断结果是否与用户的兴趣相关，就可以通过不同的链路实现不同兴趣的召回，比如Item 2 Item、热度、新品、语义相似、User 2 X 2 Item等。 召回模型I2I在I2I这个召回模型中，将用户的行为分为了长期行为和短期行为，进而分别训练出一些表格，这些表可能是Item_ID=A的一些商品可能有一些关联的Item_ID，并且这些Item_ID也会有对应的分值，而一些商品的权重可能会影响最终的分值。当这个表计算完成之后，后续如果有一个User过来，请求就会带来一个User_ID，根据这个User_ID就能获一个Trigger，进而获取一个Item_ID的列表将其推荐给排序模型，并且这个排序模型还能够接受其他的召回链路的推荐。 AIRec核心功能-排序模型如下图所示的是排序模型的简单原理。AIRec会将用户特征、行为数据以及商品特征全部都进行离线计算，生成针对用户场景的排序模型。举例而言，当一个男生过来，他会带有一些用户特征和行为特征，根据这些内容就可以在模型表上找到对应的分值，将特征所代表的分值进行相加并进行整体倒排，之后就会得到一个排序完成的Item表格，最后将这些东西作为排序层的输出给到上面的业务逻辑层。 AIRec核心功能-打散混排业务逻辑层中有两个能够控制的点，就是混排和打散。混排可以配置一些比例，而打散则可以配置一些层级和窗口等。 这里简单介绍一下混排和打散的具体功能： 混排功能：一方面是为了让喜好多种物品类型(item_type)的客户平衡其分发，另一方面是为了让用户在浏览过程中保持物品类型上丰富的多样性，提升用户的惊喜度。AIRec的混排功能目前支持image、article、video、short video、item、recipe等6种类型，后面将会增加更多的延展。

信息摘要： MPP架构实时大数据平台，云数据库 ADB for PostgreSQL 6.0 限时免费公测，邀您体验！适用客户： 互联网/游戏/政务/开发者 / 大型零售连锁商超 / 金融保险行业 / 考试认证的机构/版本/规格功能： 云数据库 ADB for PostgreSQL 6.0 正式发布，基于

首发！「阿里AI赛道明星班」企业解决方案项目合辑。 文 | 黄晓韵 2019年3月，阿里AI赛道明星班二期荣耀起航，34个来自新零售、新能源、芯片、医疗、教育、机器人、企业服务、新科技等多个领域的企业，用108天的时间，进行了三次线下集结，与超过80位投资大佬面对面交流，100%的企业与阿里生态60+业务线产生链接，达成了业务合作。 本周他们将迎来结业大考，以终极路演形式，与超过30位AI赛道的投资总监及以上级别的投资人进行最深度高效的融资对接。以下是「阿里AI赛道明星班」企业解决方案赛道项目合辑，由36氪整理。宜创科技宜创科技致力于机器替代人编程，基于无代码hpaPaaS为中国企业提供随需定制的SaaS服务。无代码hpaPaaS是全球领先的可视化高生产力应用云平台，无代码提升10倍开发效率，hpaPaaS实现企业数字化随需定制。宜创科技提供的服务由底层可视化编程语言Hex，部署云“Hexyun”，模板市场“Wudaima.com”，SaaS平台“企业内外”四部分组成，致力于帮助每一个企业实现新型数字化变革。2018年商业化以来，已经服务30余家大中小型客户，收入超过2000万元。深思考多模态深度语义理解与人机交互深耕落地于多种场景。深思考人工智能（iDeepWise）成立于2015年，核心团队由来自中科院、清华的一线AI科学家与领域业务专家组成，公司最突出的技术是“多模态深度语义理解引擎（iDeepwise.ai）技术”，该引擎技术可同时理解文本、视觉图像等多模态非结构化数据背后的深度语义，其中，对长文本的机器阅读理解技术、自由跨域的多轮人机对话技术、对多种模态信息的语义理解技术是其非常突出的竞品优势，在中文领域处于业内引领地位。（SMP-ECDT 中文多轮人机对话蝉联2017/2018全国冠军、中文机器阅读理解大赛2019全球冠军、2018上海世界人工智能创新大赛人机交互全国冠军）目前，深思考基于AI多模态深度语义理解技术与人机对话产品主要落地于智能车联网数字座舱、汽车智慧营销、手机智能移动终端、智能家居、智慧医疗健康等应用场景。合作客户包括奇瑞、华为、九阳、小米、上汽、科大讯飞、浙大一院、复旦大学附属肿瘤医院等。全天智能一家实时大数据可视化解决方案集成商，结合人工智能与物联网技术顾问公司。聚焦“大数据商业智能分析+实时数据可视化+人工智能”技术，为企业提供自助式实时大数据分析工具平台、大数据实时可视化解决方案、企业大数据可视化咨询顾问等服务，核心团队具备15年以上专业的商业智能BI以及数据分析经验，专注于企业大数据可视化、企业大数据平台建设。目前不仅拥有自主研发的实时大数据分析工具，而且拥有包括智慧城市、智慧交通、智慧零售、智慧社区、智慧公交、智慧物流等多个领域的实时大数据可视化分析解决方案，软硬件结合，为企业提供大数据可视化分析解决方案，挖掘企业数据潜在价值。人人云图人人云图成立于2017年，致力于互联网业务风控的数据技术提供商，提供合规的业务风控技术赋能，打击黑产上下游、帮助企业实现良性业务增长，并自建企业业务风控AI平台。人人云图由资深的数据科学家和安全专家共同创立，丰富的行业资源，产品已经获得包括中国移动，建行等客户验证和市场认可 。人人云图面向的市场是正在经历核心业务线下到线上；从封闭到开放的业务风险控制。目前也提供了SaaS服务负能中小型企业提供快速获取先进的业务风控能力。耸智科技一家致力于金融保险行业的高科技公司。公司拥有多项自主研发的产品，通过了ISO9001质量管理体系认证。现有38家客户，10余家战略合作伙伴，开发了15个核心产品。校聘网一家专门为企业提供基础性招聘，外包，综合人力资源服务平台，致力于用数据和算法帮助企业招聘变得更有效率，同时也根据行业数据提供雇员服务产品和雇员后勤服务，让企业招聘员工稳定性更高。致力于解决客服，销售，新零售，服务行业招聘难，流失率高的痛点。（如果您是投资人，并对我们的本次零售产品及解决方案领域的优秀项目感兴趣，欢迎添加微信：J18601921590或微信：day1_36Kr，通过36氪与项目方取得联系。)