物语之说（3）
12月1日，旧金山的人工智能实验室OpenAI发布了，一个名为ChatGPT的自然语言生成式模型。
ChatGPT是一种基于GPT-3（统计语言模型）技术的聊天机器人，它可以通过人工智能模型来与用户对话，并自动理解用户的问题，提供更精确、更有价值的信息。
ChatGPT具有高度的自然语言理解能力和智能的应答方式，为用户提供更好的体验。
OpenAI的开发人员解释了ChatGPT的工作原理：“我们使用与InstructGPT（基于反馈指令的PPO强化学习 ）相同的方法，以从人类反馈中强化学习（RLHF）的方法训练该模型，人工智能训练者扮演对话的双方，即用户和人工智能助手，提供对话样本。在人类扮演聊天机器人的时候，会让模型生成一些建议，辅助训练师撰写回复，训练师会对回复选项打分排名，将更好的结果输回到模型中，通过以上奖励策略对模型进行微调并持续迭代。”
OpenAI公司于2015年，由山姆阿尔特曼、埃隆马斯克和彼得蒂尔等人的10亿风险资本创建。
2019年，微软注资了10亿美元，今年5月，微软GitHub（开源项目平台）与OpenAI合作，将Visual Studio Code（开源的代码编辑器）等软件开发程序集成在GitHub Copilot（AI编程工具）中，进一步降低了AI开发和软件开发的门槛。
OpenAI CEO萨姆奥特曼称，ChatGPT自推出以来，短短5天内用户数量已经突破100万。在与马斯克的推特对话中，奥特曼表示“目前ChatGPT每次对话的平均费用可能只有几美分，正试图找出更精确的测量方法并压缩费用。”
就ChatGPT目前的表现来看，它的优势是技术方向，但具体到搜索引擎、绘画、写作、营销等领域，最终究竟能否可以成，要看这家公司的能力，OpenAI 的ChatGPT更像是为科技行业提供一种新的思路和方向，并不关乎商业问题。
对于谷歌、百度、搜狗、360搜索、神马搜索等搜索引擎而言，或许他们并不在意尴不尴尬，他们只想“搞钱”。（2022-12/08-11 白话华尔街-博客中国郭静）（2022/12/14）
不再公布无症状染疫人数，跟各省染疫高峰同时到来，不如直接放弃之前的统计模型，直接每天通报各省的确诊比例，这样更直观，大家一眼就可以看出自己所在省域的感染比例，并且可以对自己的感染状况做出一个预期。大数据预计全国范围内所有城市都会在12月进入群体感染，且第一波感染速度会非常快，新增病例4到6个星期就会触顶，随后就开始下降，再花同样多的时间结束第一波感染。#官方：不再公布无症状感染者数据#
电商人必备：运营8大营销模型
一、6W2H分析法
二、AIPL模型
三、FAST模型
四、GROW模型
五、数据分析6步法
六、KISS复盘法
七、PDCA循环
八、SCQA模型
内容如下：
一、6W2H分析法
目标(which)——选择对象
原因(why )——选择理由
对象(what)——功能与本质
场所(where)——什么地点
时间和程序(when)——什么时候
组织或人(who)——责任单位、责任人
如何做（how to do）——如何提高效率
价值(how much)——预算是多少
二、AIPL模型
A（Awereness）:品牌认知人群。主要有品牌广告曝光，页面浏览，品类词搜索人群
I（Interest）：品牌兴趣人群。主要有品牌点击广告，参与品牌互动加购收藏人群
P（purchase）：品牌购买人群。品牌购买人群
L（Loyalty）：品牌忠诚人群。复购、评论、分享人群
三、FAST模型
F（Fertility）可运营人群数量-活跃消费者
A（Advancing）人群转化力-关系周加深率
S（Superiority）高价值人群总量-会员总量
T（Thriving）高价值人群活跃度-会员活跃率
四、GROW模型
渗透力（Gain）
复购力（Retain）
价格力（Boost）
延伸力（Widen）
五、数据分析6步法
设计方案
数据收集
数据处理
数据分析
输出呈现
编制报告
六、KISS复盘法
Keep（可以保持的）
Improve（需要改进的）
Start（需要开始的）
Stop（需要停止的）
关注专栏《运营是什么？你真的懂运营之道?》
为你的运营赋能，成为一个优秀的运营！
头条专栏
数据分析经典模型 | 用RFM模型衡量用户价值#数字化##数据分析##互联网##可视化##运营##程序员#
RFM分析是美国数据库营销研究所提出的一种实用的客户分析法，发现客户数据中有三个神奇的要素：
⭕️R 离最近一次购买的时间有多远
⭕️F 最近一段时间购买的次数
⭕️M 消费金额，代表客户的消费能力
用这三个指标，把客户分成了八类⬇️
①重要价值客户： 最近消费时间近、消费频次和消费金额都很高（VIP）
②重要保持客户： 最近消费时间较远，消费金额和频次都很高。
③重要挽留客户 最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当基于挽留措施。
④重要挽回客户： 最近消费时间较远，消费金额和频次都很高。
⑤一般价值客户 ： 最近消费时间近，频率高但消费金额低，需要提高其客单价。
⑥一般保持客户： 最近消费时间较远、消费频次高，但金额不高。
⑦一般发展客户： 最近消费时间较近、消费金额，频次都不高。
⑧流失客户： 都不高。
～
通过这种分析，可以帮我们定位到最有可能成为品牌忠诚客户的群体，让我们把主要精力放在最有价值的用户身上。图五是用FineBI做的一个RFM分析，客户已经被分成不同类别，我们只要按照类别去针对性得制定营销策略就OK啦，另外还可以做RFM模型可视化仪表盘，用可视化的形式展现客户价值。
电商人必备：运营8大营销模型
一、6W2H分析法
二、AIPL模型
三、FAST模型
四、GROW模型
五、数据分析6步法
六、KISS复盘法
七、PDCA循环
八、SCQA模型
内容如下：
一、6W2H分析法
目标
原因
对象
场所
时间和程序
组织或人
如何做
价值
二、AIPL模型
A（Awereness）
I（Interest）
P（purchase）
L（Loyalty）
三、FAST模型
F（Fertility）
A（Advancing）
S（Superiority）
T（Thriving）
四、GROW模型
渗透力（Gain）
复购力（Retain）
价格力（Boost）
延伸力（Widen）
五、数据分析6步法
六、KISS复盘法
Keep（可以保持的）
Improve（需要改进的）
Start（需要开始的）
Stop（需要停止的）
订阅关注《人人都是运营高手（高阶运营）》
运营总监的修炼之道，技能+实战的教学。
头条专栏
【名卷分享】广东省高考研究会高考测评研究院2022-2023学年高三上学期阶段性学习效率检测调研卷数学试卷
广东省名下联考试卷，新高考省份可以下载，试题比较新颖且全面，概率统计的解答题是递推模型，值得大家做
#长沙头条##炎德英才##新高考数学##长沙高中##高考数学#
私域流量运营：高级运营能力
一、整体运营能力
1.有能力对模糊问题进行定义
2.能够对目标进行具体的动作拆解。
二、私域模型运营能力
1.熟悉单个行业的私域玩法
2.对于该行业有成熟、可复用的方法论
三、活动策划能力
1.大流量、多资源投入的大型活动策划和操盘
2.如何通过活动持续稳定拉升产品显著增长
四、用户运营能力
1.基于项目用户生命周期运营体系设计
2.更精细化和数据驱动的用户分层策略运营
五、数据分析能力
1.根据不同业务&产品形态进行关键指标定义
2.对产品及项目做充分的数据分析评估
六、项目管理能力
1.业务规划及团队管理能力
2.业务流程设计能力
#运营需要学什么##运营怎么自学##运营人如何自我成长#
关注专栏《自媒体运营丨如何做好裂变营销》
口碑营销+引流获客，击碎用户痛点，内容营销新纪元!
网页链接
2021年美国GDP增长5.7%，创下1984年以来最高值，这就是典型的数据会骗人系列。没错，理论上讲，实际GDP增长是剔除通胀因素的。但你知道这里面有个bug在哪么？bug在于，GDP统计是按照实际发生的数据100%统计的，但cpi系数却是人为加权后的数据，啥意思？
我们简化一个GDP统计模型（图一）：比如GDP只有两种商品，食品和汽车。先看红框部分，基于食品和汽车产值计算，GDP名义增长率是26.7%；而由于当年CPI涨了21%，所以计算出来的实际GDP增长率是5.7%。没有问题吧？
注意看绿色部分，这里我们计算CPI的时候，赋予不同商品不同的权重，在这一案例中，两个商品的权重均为50%。如此一来，汽车涨价幅度虽然达到37%，且GDP规模是食品的两倍还多，但是对CPI的拉动作用被压低了。
同样的数据，我们只调整一下CPI的权重，再来看看图二。可以看到，当CPI计算过程中，把食品的权重调整为40%，汽车权重调整为60%的时候，CPI从21%增加到24.2%，其他所有数据都没变，实际GDP增长率却从5.7%降低为2.5%。
换句话说，只要人为调低涨价幅度大的商品价格统计权重，就可以调高GDP【实际】增长率。这就叫统计的“艺术”，这就是权重的奇妙。毕竟美国是个自由民主的国家，疫情爆发绝对没人能隐瞒，更何况CPI统计呢。
#热点观察局新春季#
数据分析挖掘，洞察用户价值
一、数据分析指标
（一）基础指标
1.新增：日/周/月新增（增量与增速）
2.传播：病毒系数、传播周期
3.活跃：活跃用户数DAU/MAU
4.留存：留存率，次日、周、月
5.流失：流失率
（二）用户行为指标
1.黏性指标：留存率、周活跃
2.参与度指标：活跃度、停留时长、访问深度
3.转化指标：付费情况、成交量
二、用户分群模型
（一）AARRR模型分群法
1.注册用户：通过不同获客渠道完成注册的用户
2.活跃用户：注册且登陆的用户
3.留存用户：一定时间内未流失的用户
4.下单用户：对营收产生价值的用户
5.忠诚用户：对产品高度认同及依赖的用户
（二）RFM模型分群法
1.R（Recency）代表消费新鲜度。最近一次消费时间。
2.F（Frequency）代表消费频率。在某段时间内购买商品或服务的次数。
3.M（Monetary）代表消费金额。消费金额体现用户的消费能力。
（三）用户五等分模型
1.前20%标记为R5，记为5分；
2.前20%～40%，标记为R4，记为4分；
3.前40%～60%，标记为R3，记为3分；
4.前60%～80%，标记为R2，记为2分；
5.前80%～100%，标记为R1，记为1分。
三、数据分析模型
（一）4P营销理论（适用于业务整体分析）
1.产品
我们的产品是什么？
是否实现盈利？
产品如何满足用户需求？
产品的目标用户是谁？
产品的优化是否有效？
存在什么问题？
2.价格
产品如何定价？
收入情况如何？
ROI如何？
哪些环节会影响到收入？
3.促销（Promotion）
促销方式是什么？
促销效果怎么样？
4.渠道（Place）
渠道质量如何？
渠道覆盖如何？
用户的渠道偏好是怎样的？
（二）5W2H
1.What：数据分析的对象是什么？
2.Why：数据分析的背景是什么，为什么要做这次数据分析？
3.Where：数据源是什么？
4.When：数据采集时段是多久？
5.Who：谁来执行具体的数据环节？
6.How：如何执行？
7.How much：需要投入什么资源？
关注《数据化运营丨人人都是数据分析师》
让你“理论+实际+技巧”快速的掌握数据化运营的技能
头条专栏
数字历史
数字工具和方法分析来源于历史创建的数据。这种方法不是回到基于20世纪60年代和70年代统计分析的定量社会科学历史；相反，这是一种不同的数据及其分析方法。为了标记这些区别，我选择了“数据驱动”这个标签，而不是“定量”。
数据驱动历史比定量历史使用的数据范围更大，但更重要的是，它以更广泛的方式使用这些数据。数字化让更多数据在两个方面变得可用：让历史记录以各种文件格式包括图像、视频和音频在线可用，以及创建机器可读文本。也就是说，将文本转化为数据。这些数据的各种用途部分源于新的分析工具的出现——用于创建非结构化文本数据的文本挖掘工具，以及鼓励创建关于空间位置和关系的结构化数据的制图和网络绘图工具，这些工具可以生成超越定量历史图表和图形的可视化数据。
不仅如此，数据驱动的历史以探索的方式使用数据，不仅用于假设检验和使用统计方法创造知识。弗雷德吉布斯和特雷弗欧文斯认为：仅仅处理数据，并不能让历史学家依赖抽象的数据分析，历史数据可能只需要简单的频率计数、简单的相关性或重新格式化，就可以让历史数据挖掘出对寻找异常、趋势或不寻常但有意义的巧合。
这种对数据的探索性使用可以用来“发现和构建研究问题”以及寻找证据。这种方法与对来源的仔细阅读相结合，以解释数据中确定的模式，而不是像定量历史那样在统计模型中寻求解释。通过这种方式，数据驱动的历史使人们能够关注数据来源的真实经历。
使用数据带来了对方法的关注。为了使用数字工具而将来源表示为数据是一种历史解释行为。原始数据，“预先存在的事实的自然表示”是不存在的。在约翰娜德鲁克颇具影响力的表述中数据是被接受而非被给予，被建构为对现象世界的一种解释，不是它所固有的。"
然而，用米丽娅姆波斯纳的比喻来说，人文学者通常沉浸在资源中，深入其中，并从内部理解它们，创建数据就是从资源中提取信息和特征，这需要主体或客体分解为抽象的属性和变量。异质和模糊的历史记录不会直接归入不同的类别。
作为回应，数字历史学家使用迭代过程来创建数据:“他们……与他们的数据集互动，并随着研究的进展，以互动的方式丰富和扩大它们。选择、丰富和分类的每一步都代表了一种基于对数据的探索和解释的选择。这些互动会改变数据。”
至关重要的是，这种方法“可能需要对区别特征、重叠和相似之处的有意义的混乱进行更深入的研究，”正如哈莫尼本奇和凯特埃尔斯维特所指出的，“重新引入了本体论的复杂性。”它还可以对抗将历史主题，转化为抽象类别所涉及的非人化：“从档案材料中手动整理数据的过程，将我们紧密地吸引到它们所索引的生活经历中，因为我们要努力处理每个数据点背后的多重和冲突的故事，以及每个数据点意味着什么。”杰西卡玛丽约翰逊所代表的黑色数字实践，强调了推进这种参与的必要性，即“用对相关人员的人性和灵魂的相应关注来注入对数据的驱动力。”
里克霍克斯特拉和马林库伦认为，“数字数据交互的变革性质要求透明度，这超出了模拟研究引用所用来源的要求。吉布斯和欧文斯主张，对数据的解释有两种形式:“历史写作，既阐明了研究过程，也阐明了研究结论”和“历史写作，与历史学家使用的数据进行交互，解释并使其可访问。
对于通过计算生成的数据，阐明研究过程通常意味着讨论计算机脚本、模型或为创建数据而执行的模拟，这可能是叙述的一部分。这些方法本身要求它们被精心设计，因为它们涉及一个可以遵循多种不同轨道的实施过程。
里克霍克斯特拉和马林库伦说:“这个过程中的每一步都需要与研究问题和来源联系起来，作为阐述论点的一部分。”这一过程对于由该计算工具，从单一种类的来源创建的所有数据都是相同的。从多个来源创建的数据就不一样了，这些数据通常是手工制作的，而不是通过计算生成的。
然而，随着数据驱动的数字历史机会的增长，使用和开发专业认可的形式的机会的匹配扩展，采用计算机媒介并结合这些属性，似乎是不确定的。在美国，长期论证的场所在很大程度上取决于梅隆基金会发起的倡议的发展和可持续性；赠款资助活动的寿命，尤其是在学术出版等资源匮乏的部门，有着好坏参半的记录。
美国期刊印刷形式的任何变化都必然始于编辑。与主要出版商的利润丰厚的合同和会员资格仍然倾向于受印刷影响的几代历史学家，这一直阻止领先的专业组织任命可能重新构想其出版物格式的编辑。如果我们可以看到变革的方向，这将产生一种完全实现的数字历史形式，那么这条道路仍然是一条漫长的道路:我们不仅在等待使用计算机处理和访问信息是常态的一代历史学家的到来，而且在等待这些历史学家在我们的职业中担任领导角色。
近日，大数据专家通过百度搜索指数推演了各地首轮感染峰值到来的时间。其预测河北是１２月１３日。也有大数据统计值石家庄为８４%。以上预测模型曾在台湾、香港地区得到过验证，有一定的参考意义。当然，数据模型如果再加上一些测试手段，比如污水测试……数据会更真实些。不过，其参考价值还是很重要的。
#头条##石家庄头条##科学每一天#
请头条号的流量密码把我推给想要参加数模比赛的宝子们，下面是数学建模比赛中常用的五大模型和十大算法总结（强烈建议收藏起来）
一、五大模型
1 预测模型
（1）神经网络预测模型
（2）灰色预测模型
（3）拟合插值预测（线性回归）
（4）时间序列模型
（5） 马尔科夫模型
（6）支持向量机模型
（7）Logistic模型
（8）组合预测模型
（9）微分方程预测
（10）组合预测模型
2 评价模型
（1）模糊综合评价法
（2）层次分析法
（3）聚类分析法
（4）主成分分析评价法
（5）灰色综合评价法
（6）人工神经网络评价法
（7）BP神经网络综合评价法
（8）组合评价法
3 优化模型
（1）规划模型（目标规划、线性规划、非线性规划、整数规划、动态规划）
（2）排队论模型
（3）神经网络模型
（4）现代优化算法（遗传算法、模拟退火算法、蚁群算法、禁忌搜索算法）
（5）图论模型
（6） 组合优化模型
4 分类模型
（1）决策树
（2）逻辑回归
（3）随机森林
（4）朴素贝叶斯。
5 统计分析模型：
（1）均值T检验
（2）方差分析
（3）协方差分析
（4）分布检验
（5）相关分析
（6）卡方检验
（7）秩和检验
（8）回归分析
（9）Logistic回归
（10）聚类分析
（11）判别分析
（12）关联分析
二、十大算法
1、蒙特卡罗算法
2、数据拟合、参数估计、插值等数据处理算法
3、线性规划、整数规划、多元规划、二次规划等规划类问题
4、图论算法
5、动态规划、回溯搜索、分治算法、分支定界等计算机算法
6、最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法
7、网格算法和穷举法
8、一些连续离散化方法
9、数值分析算法
10、图象处理算法
#数学建模#
#数学建模比赛#
#大学比赛#
#大学竞赛#
今天央行召开新闻发布会，公布了第一季度的金融数据，包括了三月份的金融数据。
发布的金融数据显示：人民币广义货币M2在3月底的余额为227.65万亿，同比增长了9.4%，人民币贷款余额180.41万亿元，同比增长12.6%，人民币存款余额220.92万亿元，同比增长9.9%。
根据我们的模型（图二），3月份实际往市场多投放了2.1826万亿元，加上前两月多投放的1.2437万亿元，还有去年多投放了1.1772万亿元，总共多投放了4.6036万亿元。
3月份货币投放力度之大，仅次于去年疫情期间同期的投放，成为历史上第二大货币投放增长月，这可能与目前央行受到来自美国市场的压力有关，自2月份后中美10年期国债市场利差持续收窄，人民币开始转为贬值，美元资金回流美国使新兴市场货币承受贬值压力，巴西、俄罗斯、土耳其货币持续贬值使这些国家央行开始加息以缓解压力，土耳其因此还撤换了央行行长。
在上月发布的金融数据分析中，我们曾预计“基于这个判断与前面的分析，三月中下旬股票市场应该是个震荡向上的过程，应该不再会大幅下调了，不然怎么对得起“慢牛”二字，又如何给广大投资者以“获得感”呢！”，这个判断基本上是对的，从3月10日至3月31日，沪深300上涨了0.8943%，尽管人民币这段时间还贬值了0.9323%，值得注意的是这段时间银行股指数上涨了3.4655%，国债期货也上涨了0.2012%。
那么未来4月份中下旬的市场会如何呢？
先看看4月上旬的市场状况，到今天收市为止本月沪深300下跌了1.993%，上旬人民币开始升值了0.2054%，国债期货下跌了0.0201%，银行指数下跌了2.5125%。
基于对央行稳定市场的判断，以及市场已从最高点下跌14.8%这个事实，本月中下旬仍然是弱势整理时期，但大幅下跌应该都是机会。
MATLAB环境下涡轮风扇发动机的预测性维护数据分析
程序运行环境为MATLAB R2018a，数据集为C-MAPSS大型涡轮风扇发动机数据集 ，采用霍特林T平方分布，高斯混合模型，One-class SVM等机器学习模型对数据集进行分析
面包多代码下载
网页链接
现在一个非常迫切需要马上解决的问题是，在没有常态化核酸检测的情况下，如何收集感染数据。今天公布的数据，确诊加上无症状感染者不到两万，这个明显和大家的感觉完全不一样。光北京市民的感觉，北京市恐怕都不止这个数。
这是一个非常迫切需要解决的问题，刻不容缓，你得想出一个新的统计方法，和统计模型，并迅速形成新的机制在全国立即执行，否则，不仅国家无法掌握疫情走势(这个对国家非常重要)，而且以权威机构的名义，公布这样一些人们都不信的数据，不仅是笑话，更是很快就会把权威机构的权威性消耗殆尽，这可是一个非常非常严重的问题。
还有健康码，绿码等等，其实也已经毫无意义了。
#NVIDIA大讲堂# #NVIDIA# NVIDIA 大讲堂 | NVIDIA 大讲堂 | 什么是机器学习？（一）机器学习名词介绍
机器学习 (ML) 采用算法和统计模型，使计算机系统能够在大量数据中找到规律，然后使用可识别这些模式的模型来预测或描述新数据。
简而言之，机器学习就是训练机器去学习，而不需要明确编程。机器学习作为 AI 的一个子集，以其最基本的形式使用算法来解析数据、学习数据，然后对现实世界中的某些内容做出预测或判断。
6个数据分析模型，快速搞懂数据的分析流程
数据分析不是个事儿3大数据分析板块，6个数据分析模型，快速搞懂数据分析流程
美国10月CPI数据造假再被抓，为了让人接盘，无所不用其极。
美国10月CPI数据上周公布为7.7％，比预期值7.9％低0.2％，比9月CPI8.2％，大幅下降0.5％。
上周金融市场普遍反应是兴高采烈，美股均出现大涨。
归其下降的根本原因在，医疗开支通胀，从9月上涨2％，到10月变为下降4％，这是此次通胀数据下降的主要原因。
而在每年的10月份，劳工部将对医疗开支通胀模型例行进行调整。换句话说，这一个月，高达6％的波动，是人为技术因素造成的，劳工部在可以压缩通胀模型，以影响占GDP比值70％的服务型通胀，使得10月服务型通胀从9月的7.365％下降到了10月7.2％。
反观其他CPI数据，比如，10月租金通胀，比9月的6.594％，上涨了近0.3％，达到6.9％。
较去年同期，翻倍有余。
居民消费核心指数CPI从9月的296.808，上涨到了10月的298.012。
据美国统计局统计表明，在2020年以来，美国医疗保险费用以20％的速度上涨，由于医疗开支通胀统计复杂，劳工部简单的采取账户结余算法。
根据医疗账户的单月开支以及当月的结余直接进行换算，对比前值，从而得出当月的医疗开支通胀水平。
换句话说，在医疗资源有限的情况下，患者的增加，这些人并无法得到救治，很多开支没有进行。
加上大涨的保险费用，从而导致开支变得更趋于固定，而保险费结余则在不断增多。
而事实上，美国医疗的排队情况，即使在简中平台再美华人的作品中，也是屡见不鲜的。
同时，劳工部为配合民主党的中期选举，在10月，每年例行的调整会议上，再次压低了其统计模型。
看金融数据，如果不明白所有的操作细节和统计规则，那就只有等着被割韭菜的命了！
美国大文豪马克吐温曾在《我的自传》一书中写道：
数字经常欺骗我，特别是我自己整理它们时。针对这一平砍，本杰明迪斯雷利的说法十分准确。
世界上的谎言有三种，谎言，该死的谎言，统计数字。
还是那个结论。
你不清楚数据的统计规则，解读的人朝着对自己有利的方向解读数据，给你看到他想给你看的数据，给你看到他想让你知道如何使用的数据。
那么，你终将被数据所欺骗！
这也是我不喜欢多谈数据的原因。
1、帕累托模型:判断哪些客户是我们的重要客户，80%的结果是由20%的变量产生的；
2、四象限法:判断哪些客户是我们的最大客户，从而对客户进行分组和归类；
3、RFM模型:判断客户价值，衡量客户价值和客户创利能力，精细化管理，制定不同策略。
#数据分析# #数据分析思维# #客户运维#
