数字营销:大数据精准营销的七个关键要素
稿源：亿邦动力网
说到大数据精准营销，不得不先提个性化的用户画像，我们针对每一类数据实体，进一步分解可落地的数据维度，刻画TA的每一个特征，在聚集起来形成人群画像。01用户画像用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。具体包含以下几个维度：用户固定特征：性别，年龄，地域，教育水平，生辰八字，职业，星座用户兴趣特征：兴趣爱好，使用APP，网站，浏览/收藏/评论内容，品牌偏好，产品偏好用户社会特征：生活习惯，婚恋，社交/信息渠道偏好，宗教信仰，家庭成分用户消费特征：收入状况，购买力水平，商品种类，购买渠道喜好，购买频次用户动态特征：当下时间，需求，正在前往的地方，周边的商户，周围人群，新闻事件如何生成用户精准画像大致分成三步。1.采集和清理数据：用已知预测未知首先得掌握繁杂的数据源。包括用户数据、各式活动数据、电子邮件订阅数、线上或线下数据库及客户服务信息等。这个是累积数据库；这里面最基础的就是如何收集网站／APP用户行为数据。比如当你登陆某网站，其Cookie就一直驻留在浏览器中，当用户触及的动作，点击的位置，按钮，点赞，评论，粉丝，还有访问的路径，可以识别并记录他／她的所有浏览行为，然后持续分析浏览过的关键词和页面，分析出他的短期需求和长期兴趣。还可以通过分析朋友圈，获得非常清晰获得对方的工作，爱好，教育等方面，这比个人填写的表单，还要更全面和真实。我们用已知的数据寻找线索，不断挖掘素材，不但可以巩固老会员，也可以分析出未知的顾客与需求，进一步开发市场。2.用户分群：分门别类贴标签描述分析是最基本的分析统计方法，描述统计分为两大部分：数据描述和指标统计。数据描述：用来对数据进行基本情况的刻画，包括数据总数，范围，数据来源。指标统计：把分布，对比，预测指标进行建模。这里常常是Data mining的一些数学模型，像响应率分析模型，客户倾向性模型，这类分群使用Lift图，用打分的方法告诉你哪一类客户有较高的接触和转化的价值。在分析阶段，数据会转换为影响指数，进而可以做"一对一"的精准营销。举个例子，一个80后客户喜欢在生鲜网站上早上10点下单买菜，晚上6点回家做饭，周末喜欢去附近吃日本料理，经过搜集与转换，就会产生一些标签，包括"80后""生鲜""做饭""日本料理"等等，贴在消费者身上。3.制定策略：优化再调整有了用户画像之后，便能清楚了解需求，在实际操作上，能深度经营顾客关系，甚至找到扩散口碑的机会。例如上面例子中，若有生鲜的打折券，日本餐馆最新推荐，营销人员就会把适合产品的相关信息，精准推送这个消费者的手机中；针对不同产品发送推荐信息，同时也不断通过满意度调查，跟踪码确认等方式，掌握顾客各方面的行为与偏好。除了顾客分群之外，营销人员也在不同时间阶段观察成长率和成功率，前后期对照，确认整体经营策略与方向是否正确；若效果不佳，又该用什么策略应对。反复试错并调整模型，做到循环优化。这个阶段的目的是提炼价值，再根据客户需求精准营销，最后追踪客户反馈的信息，完成闭环优化。我们从数据整合导入开始，聚合数据，在进行数据的分析挖掘。数据分析和挖掘还是有一些区别。数据分析重点是观察数据，单纯的统计，看KPI的升降原因。而数据挖掘从细微和模型角度去研究数据，从学习集、训练集发现知识规则，除了一些比较商业化的软件SAS，WEKA功能强大的数据分析挖掘软件，这边还是更推荐使用R，Python，因为SAS，SPSS本身比较昂贵，也很难做页面和服务级别的API，而Python和R有丰富的库，可以类似WEKA的模块，无缝交互其他API和程序，这里还需要熟悉数据库，Hadoop等。02数据细分受众“颠覆营销”书中提到一个例子，可以引述一下，大家思考一个问题：如果你打算搜集200份有效问卷，依照以往的经验，你需要发多少份问卷，才能达到这个目标？预计用多少预算和时间来执行？以往的方法是这样的：评估网络问卷大约是5%的回收率，想要保证收到200份的问卷，就必须有20倍的发送量，也就是发出4000份问卷，一个月内如果可以回收，就是不错的表现。但现在不一样了，在执行大数据分析的3小时内，就可以轻松完成以下的目标：精准挑选出1%的VIP顾客发送390份问卷，全部回收 问卷寄出3小时内回收35%的问卷 5天内就回收了超过目标数86%的问卷数 所需时间和预算都在以往的10%以下 这是怎么做到在问卷发送后的3个小时就回收35%？那是因为数据做到了发送时间的"一对一定制化"，利用数据得出，A先生最可能在什么时间打开邮件就在那个时间点发送问卷。举例来说，有的人在上班路上会打开邮件，但如果是开车族，并没有时间填写答案，而搭乘公共交通工具的人，上班路上的时间会玩手机，填写答案的概率就高，这些都是数据细分受众的好处。03预 测“预测”能够让你专注于一小群客户，而这群客户却能代表特定产品的大多数潜在买家。当我们采集和分析用户画像时，可以实现精准营销。这是最直接和最有价值的应用，广告主可以通过用户标签来发布广告给所要触达的用户，这里面又可以通过上图提到的搜索广告，展示社交广告，移动广告等多渠道的营销策略，营销分析，营销优化以及后端CRM/供应链系统打通的一站式营销优化，全面提升ROI。我们再说一说营销时代的变迁，传统的企业大多还停留在“营销1.0”时代，以产品为中心，满足传统的消费者需求，而进入“营销2.0”，以社会价值与品牌为使命，也不能完全精准对接个性化需求。进入营销3.0的数据时代，我们要对每个消费者进行个性化匹配，一对一营销，甚至精确算清楚成交转化率，提高投资回报比。大数据下的营销颠覆经典的营销4P理论，Product，Price，Place，Promotion，取而代之的是新的4P，People，Performance，Process，Prediction。在大数据时代，线下地理的竞争边界早就不存在，比的是早一步的先知能力，利用大数据，从顾客真实交易数据中，预测下一次的购买时间。 营销3.0时代关键词就是“预测”。预测营销能够让你专注于一小群客户，而这群客户却能代表特定产品的大多数潜在买家。以上图为例，你可以将营销活动的目标受众锁定为20万潜在客户或现有客户，其中包括特定产品的大多数买家（4万人）。你还可以拨出部分预算用于吸引更小的客户群（比如20% 的客户），而不是整个客户群，进而优化你的支出。过去我们看数据可能是被动的方式，但预测营销强调是决策价值，比如购买时间，你该看的不是她最后的购买日期，而是下次购买的时间，看未来的存活概率，最后生成客户终身价值（CLV）。预测营销催生了一种新的数据驱动营销方式，就是以客户为中心，核心在于帮助公司完成从以产品或渠道为中心到以客户为中心的转变。04精准推荐大数据最大的价值不是事后分析，而是预测和推荐，我就拿电商举例，"精准推荐"成为大数据改变零售业的核心功能。譬如服装网站Stitch fix例子，在个性化推荐机制方面，大多数服装订购网站采用的都是用户提交身形、风格数据+编辑人工推荐的模式，Stitch Fix不一样的地方在于它还结合了机器算法推荐。这些顾客提供的身材比例，主观数据，加上销售记录的交叉核对，挖掘每个人专属的服装推荐模型。 这种一对一营销是最好的服务。数据整合改变了企业的营销方式，现在经验已经不是累积在人的身上，而是完全依赖消费者的行为数据去做推荐。未来，销售人员不再只是销售人员，而能以专业的数据预测，搭配人性的亲切互动推荐商品，升级成为顾问型销售。05技术工具关于预测营销的技术能力，有几种选择方案：1、使用预测分析工作平台，然后以某种方法将模型输入活动管理工具；2、以分析为动力的预测性活动外包给市场服务提供商；3、评估并购买一个预测营销的解决方案，比如预测性营销云和多渠道的活动管理工具。但无论哪条路，都要确定三项基本能力：1）连接不同来源的客户数据，包括线上，线下，为预测分析准备好数据 ；2）分析客户数据，使用系统和定制预测模型，做高级分析 ；3）在正确时间，正确客户，正确的场景出发正确行为，可能做交叉销售，跨不同营销系统。06预测模型预测客户购买可能性的行业标准是RFM模型（最近一次消费R，消费频率F，消费金额M），但模型应用有限，本质是一个试探性方案，没有统计和预测依据。“过去的成绩不能保证未来的表现”，RFM只关注过去，不去将客户当前行为和其他客户当前行为做对比。这样就无法在购买产品之前识别高价值客户。我们聚焦的预测模型，就是为了在最短时间内对客户价值产生最大影响。这里列举一些其他模型参考：参与倾向模型，预测客户参与一个品牌的可能性，参与定义可以多元，比如参加一个活动，打开电子邮件，点击，访问某页面。可以通过模型来确定EDM的发送频率。并对趋势做预测，是增加还是减少活动。钱包模型，就是为每个客户预测最大可能的支出，定义为单个客户购买产品的最大年度支出。然后看增长模型，如果当前的总目标市场比较小，但未来可能很大，就需要去发现这些市场。价格优化模型，就是能够去最大限度提升销售，销量或利润的架构，通过价格优化模型为每个客户来定价，这里需要对你想要的产品开发不同的模型，或者开发通用，可预测的客户价格敏感度的模型，确定哪一块报价时对客户有最大的影响。关键字推荐模型，关键字推荐模型可以基于一个客户网络行为和购买记录来预测对某个内容的喜爱程度，预测客户对什么热点，爆款感兴趣，营销者使用这种预测结果为特定客户决定内容营销主题。预测聚集模型，预测聚集模型就是预测客户会归为哪一类。07AI在营销领域的应用去年人工智能特别火，特别是深度学习在机器视觉，语言识别，游戏AI上的突飞猛进，以至于人们开始恐慌人工智能是不是已经可以接管人类工作，我个人是对新技术有着强烈的兴趣，也非常看好新科技，数据与现实的关联。我以前在国外零售店买单的时候经常被询问“你有没有购物卡”，当我说没有收银员会赶紧劝我免费开通，有打折优惠，只需要填个手机号和邮箱，后面就可以针对我的购买记录做营销活动，而当我下次进来，他们就让我报出电话号码做消费者识别，当时我想如果做到人脸识别，岂不是更方便，刷脸就可以买单。而这个场景在去年也有了实验，蚂蚁金服研发出了一个生物识别机器人，叫蚂可Mark，据说其认脸能力已经超越了人类肉眼的能力。还有VR购物，Amazon推出的无收银员商店Amazon Go，通过手势识别，物联网和后续数据挖掘等技术实现购物体验。针对营销领域，主要有以下三种预测营销技术： 1、无监督的学习技术无监督学习技术能识别数据中的隐藏模式，也无须明确预测一种结果。比如在一群客户中发现兴趣小组，也许是滑雪，也许是长跑，一般是放在聚类算法，揭示数据集合中 真实的潜在客户。所谓聚类，就是自动发现重要的客户属性，并据此做分类。2、 有监督的学习技术通过案例训练机器，学习并识别数据，得到目标结果，这个一般是给定输入数据情况下预测，比如预测客户生命周期价值，客户与品牌互动的可能性，未来购买的可能性。3、强化学习技术这种是利用数据中的潜质模式，精准预测最佳的选择结果，比如对某用户做促销应该提供哪些产品。这个跟监督学习不同，强化学习算法无须仅需输入和输出训练，学习过程通过试错完成。从技术角度看，推荐模型应用了协同过滤，贝叶斯网络等算法模型。强化学习是被Google Brain团队的负责人Jeff Dean认为是最有前途的AI研究方向之一。最近Google的一个AI团队DeepMind发表了一篇名为《学会强化学习》的论文。按团队的话来说，叫做“学会学习”的能力，或者叫做能解决类似相关问题的归纳能力。除了强化学习，还在迁移学习。迁移学习就是把一个通用模型迁移到一个小数据上，使它个性化，在新的领域也能产生效果，类似于人的举一反三、触类旁通。强化学习加上迁移学习，能够把小数据也用起来，我认为是很激动人心的，通过AI来创造AI，数据科学家的部分工作也可以让机器来实现了。
有好的文章希望站长之家帮助分享推广，猛戳这里
本网页浏览已超过3分钟，点击关闭或灰色背景，即可回到网页　　网舟科技数据分析组：林凯文　　亚马逊通过个性化推荐所获取的交易额占总交易额的20%；双十一期间，天猫和淘宝通过对数据的挖掘，使用了&千人千面&的个性化推荐；阿里CEO张勇在之后的媒体沟通会上肯定赞扬了个性化推荐所取得的成绩&&.。　　这一切表明，个性化推荐所突显的作用越来越受到企业的重视。　　何为个性化推荐？概括来说&人－场景－商品&这三个维度是人性化推荐的基础。推荐的过程就是通过寻找这三个维度之间的相关性，提供&人－场景－商品&的最佳组合。　　个性化推荐可分为两类：基于内容的推荐、协同过滤推荐，下面我们来分别了解一下。　　一、基于内容的推荐（Content-based Recommendations）　　第一步是统计相应的内容材料，确定样本集的正例和负例。举个栗子：如果要将iphone6s 推荐给相应的客户，那么样本集正例就是那些购买过iphone6s的人，样本集负例就是那些没购买过iphone6s的人。　　第二步就是引用学习算法，基于内容的推荐的学习算法主要有：Rocchio算法、决策树算法、线性分类算法、朴素贝叶斯算法、GBDT。这些学习算法都可以在网上找到相应的代码，可以根据相应的数据特点和所要应用的商业场景选择相应的学习算法。　　第三步是确定模型的特征变量，这需要先为每一个item（场景下的商品）提取出相应的特征数据，并且统计样本中的人对于每一个item的特征偏好（喜欢和不喜欢），这样学习算法可以算出特征变量对于模型的卡方和增益，卡方越大，说明该特征变量对于模型样本的区分度越高，增益越大，说明该特征变量给模型带来的信息熵越高。举个栗子：对于&iphone6s目标客户&模型，有地域、收入、年龄、学历、历史购买均单价等特征变量，其中卡方的大小：收入&历史购买均单价&学历&年龄&地域，那么对于&iphone6s目标客户&模型来说，特征变量的重要性大小：收入&历史购买均单价&学历&年龄&地域。需要说明的是；选择特征变量时，要结合样本集的数据量，因为当样本集数据量过大，而特征变量太少，就会导致内容推荐模型欠拟合，当样本集数据量太少，而特征变量又多，则会导致内容推荐模型过拟合。过拟合和欠拟合都会影响推荐模型的准确性。　　第四步是训练模型，可以通过调参数的方式优化模型的正确率，正确率越高，表示模型的质量越高。　　简要的说：基于内容的推荐是就是通过机器学习产生相应的规则模型，然后用模型预测用户在特定场景下对商品的偏好度。　　基于这样的思维方式，我们可以在各个场景下针对不同的商品构建出不同的模型，有了这些模型集，当新的用户进来，跑下各个模型，就可以判断该用户是哪个商品的目标客户，从而判断给她推荐什么商品。　　二、协同过滤（Collaborative Filtering Recommendation）　　第一种是基于用户的协同过滤，这种一般基于用户有足够的社会属性数据。举个栗子：用户凯文对iphone6s没有相应信息记录，那么可以(采用皮尔森系数)找到和凯文社会属性相似的晓华, 统计晓华对iPhone6s 的偏好度( 对比晓华对于所有商品的偏好度)。最后预测出凯文对于iphone6s的偏好度。　　第二种是基于物品的协同过滤，这种多应用于电商业务中，再举个栗子：用户凯文对于iphone6s没有相应的信息记录，那么可以（采用余弦算法）找到和iPhone6s具有相同的产品特征的商品x, 统计凯文于商品x的偏好度（对比凯文对于所有商品的偏好度），最后预测出凯文对于iphone6s的偏好度。　　协同过滤的算法主要有：皮尔森算法，杰西卡算法，余弦距离相似算法，欧式距离算法等。在此不做赘述，本文重点对个性化推荐相关分类内容进行阐述，以此抛砖引玉，期待与大家进一步深入探讨。　　三、案例　　网舟科技为客户提供的个性化荐服务，通过对用户线上线下数据的聚类、关联和协同过滤，建立了不同使用场景的推荐机制，实现推荐引擎从传统的大众化推荐向差异化推荐转变，协助企业实现智能商品导购，提升了用户购买过程的体验，增加了商品的销量。通过分析大量用户行为日志，精准把握消费偏好，针对用户整个浏览过程中的各个页面，给用户提供个性化页面展示。在用户购买最佳的时间，为用户推荐最适合的商品，从而提高网站的点击率和转化率。达到拉动销售额增长，增加交叉/向上销售，提升客户满意度的效果（如图所示）。　　拒绝访问 | www.dginfo.com | 百度云加速
请打开cookies.
此网站 (www.dginfo.com) 的管理员禁止了您的访问。原因是您的访问包含了非浏览器特征(42bc82-ua98).
重新安装浏览器，或使用别的浏览器大数据下的精准营销是未来运营的方向
文章标签：
互联网，云技术，新媒体，大数据，先进的科技让我们眼花缭乱，未来的趋势又是怎样的呢？可以想象一下，由第一次工业革命开始，粗放式的经济就在持续的发展。到21世纪，随着污染的严重性和资源的稀缺性大家开始重视集约化的模式，各行各业都在考虑着用最少的资源去创造最大的价值。在互联网行业也一样，随着大数据的越来越成熟，新媒体的经济越来越往精准营销上去努力。都在希望着，用更少的资源去获取更大的利益。
当下自媒体也是很火热的一个词，伴随而生的网红经济也在不断给的升温，面对大数据的应用，自媒体人也是受益良多。在自媒体做投放，有效果是前提也是结果，如何提升投放效果，除了创意要好，那在前期“选号”上就要足够精准，这部分是可以通过数据进行分析，比如粉丝活跃，看点赞、评论以及评论点赞等。利用大数据分析可以预判营销效果：通过大数据的分析，我们可以了解到哪个行业，哪个热点是人们所关注的有利于我们实现精准营销。利用大数据对热点的分析还可以帮助我自媒体人更好的发布，当然内容营销一直存在，且远比推销式的硬广好的多，大数据的理念和分许使得内容更精准的触及目标用户，在提升效果的同时也是在降低成本。
与此同时大数据对于广告所带来的影响还是很巨大的，精准数据对媒体、用户属性进行多维度分析，通过对于数据的分析，达到对人群画像的分析结果，对于区广告的投放可以做到更好的投放，避免了粗放式的广告投放，使得广告费得以节省同时也实现了的目的。
在互联网时代，数字时代做营销，技术工具是重要的辅助手段，我们要的是“趋利避害”更好的利用有限的资源去创造更多的回报，这不仅仅只是对资源的合理利用也是未来发展的一共合理化的规范。
大数据是未来的一种趋势，各行各业都在利用这一资源为公司为企业去谋福利，但是如何去运用就是值得思考的，不要只是盲目的去照搬，这样虽然公司有利这项技术，但也仅仅只是一个“屠龙之术”，并无实际意义，要想真正的做好还需要理论联系实际，从自身的企业出发，找到自身的痛点，再去找解决方法。
最后总结一下，无论是互联网还是大数据这只是我们实现营销的一种手段，最后所要达到的效果无非是利益最大化，也就是所谓的“精准营销”，所以不要被大数据的理念所局限，这是一种我们利用的一种手段，但不是目的，只有明确自己的目的才能更好的利用方法去实现这一目的。
此版块内容仅用于学习、研究或欣赏。我们不保证内容的正确性。通过使用本站内容随之而来的风险与本站无关访问者可将本网站提供的内容或服务用于学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律的规定，不得侵犯本网站及相关权利人的合法权利。51CTO旗下网站
三个真实案例告诉你大数据如何触发精准营销
每次我跟很多企业家在沟通的时候，总会说到一个问题，就是现在生意难做，为什么生意难做?我们看到几点：
作者：佚名来源：36大数据| 09:59
每次我跟很多企业家在沟通的时候，总会说到一个问题，就是现在生意难做，为什么生意难做?我们看到几点： 第一，我们整个中国是制造业大国，但是我们产能高度过剩; 第二，我们的产成品库存积压周转也不够灵活，在交易过程中，不能将经济效益更大化地提高?
每次我跟很多企业家在沟通的时候，总会说到一个问题，就是现在生意难做，为什么生意难做?我们看到几点：
第一，我们整个中国是制造业大国，但是我们产能高度过剩;
第二，我们的产成品库存积压周转也不够灵活，在交易过程中，不能将经济效益更大化地提高?
为此大家都感觉十分的困惑和无助......告诉大家，有一种技术解决的方案，可能会对我们整个经济的福利带来巨大的效益，那就是现在我们未来的。
大数据势不可挡
这里我分享三个真实案例：
第一个案例发生在一家超市里面，人们发现了一个有趣的现象：尿布与啤酒这两种风马牛不相及的商品居然摆在一起。但这一奇怪的举措居然使尿布和啤酒的销量大幅增加了。这可不是一个笑话，而是一直被商家所津津乐道的发生在美国沃尔玛连锁超市的真实案例。原来，美国的妇女通常在家照顾孩子，所以她们经常会嘱咐丈夫在下班回家的路上为孩子买尿布，而丈夫在买尿布的同时又会顺手购买自己爱喝的啤酒。这个发现让商家决定将啤酒与尿布摆放在一起，结果带来了两者销售量的剧增。
第二个案例发生在淘宝：有数据显示，每一天上网高峰期主要集中在中午12点之后和晚上的12点之前。研究人员发现，出现这种&怪现象&的原因是因为现代人普遍睡觉前都会有上网的习惯，于是有些淘宝商家就利用消费者这种&强迫症&在晚上12点进行促销秒杀活动，带动销量的倍增。
第三个案例发生在我们的日常生活中：按照惯例，我们普通市民想要乘坐公共巴士，就必须到指定的巴士站被动的等待，有时候遇到路上塞车，等上个把小时的事情时有发生，而现在通过数据信息化手段可以直接进行客源组织，为处于相同区域、相同出行时间、具有相同出行需求的人群量身定做公共交通服务，并享受&一人一座&的定制服务，着实为出行提供了不少便利。
这三个小故事就是对历史数据进行挖掘的结果，反映的是数据层面的规律，它通过对大量的数据系统中提取、整合有价值的数据，从而实现从数据到知识、从信息到知识、从知识到利润的转化。
数据服务于精准营销
然而，让数据产生价值，不是大数据One-link.cn自身能够解决的。首先要把数据组织成数据资源体系，再对数据进行层次、类别等方面的划分，同时，要把数据和数据的相关性标注出来，这种相关性是反映客观现象的核心。在此基础上，通过分析数据资源和相关部门的业务对接程度，以此发挥数据资源体系在管理、决策、监测及评价等方面的作用，从而产生大数据的大价值，真正实现了从数据到知识的转变，为领导决策提供服务依据。
数据，已经渗透到当今每一个行业和业务智能领域，成为重要的生产因素。数据库的组织结构以网状为主，复杂多变，程序和数据间你中有我，我中有你，彼此产生强烈的依赖性。用通俗的话来说，就是数据库和程序之间连在一起，彼此交缠。我们对于这种数据规律的挖掘和运用，实质上也是为了精准营销而做铺垫。
壹串通，用数据说话
回到企业层面来讲，中国几乎所有的企业，尤其是传统企业，都面临着产能过剩的弊端，大部分企业不清楚消费者需求的精准性情况下，大量生产。而通过大数据的背景下，企业可以把上游和下游商品一直到末端个体消费者，整个链条里面的内容，甚至国民经济社会环境其他的数据关联起来，而这种关联起来能给企业带来什么东西呢?就是我的企业到底是为谁服务?他们到底在哪?
有一个消费者企业跟我说，它已经对客户进行细分了，客户类型有15类，按年龄、性别、需要等等，他说我们是针对这15类进行不同的定位和服务。可是更加领先的企业他们已经把这些分类从客户细分，十类二十类到几百类，还有一些能够做到个性化营销和定位，加强对客户的认知，为客户找到价值，从而带动销量。
我们在生长过剩的年代需要供需对接，利用大数据，恰到好处的匹配，预见性的生产已经是完全有可能实现的了。我们也一直在努力帮助客户实现这一点，以前我们做策划都是通过调研、采样、简单数据统计、消费者代表这几种方式来研究消费者行为，这种方法最大的问题是缺乏精准性，并不能完全够代表整个消费者需求，而随着大数据的进入，壹串通跟美国IRI数据公司形成战略合作，利用美国先进的数据规律模型，用数据说话，帮助客户拿到真正利于我们生产的数据，用技术能力为企业提高品牌影响力和销量开辟另一种途径。
【编辑推荐】
【责任编辑： TEL：（010）】
大家都在看猜你喜欢
头条头条关注热点热点
24H热文一周话题本月最赞
讲师：5人学习过
讲师：34人学习过
讲师：5人学习过
精选博文论坛热帖下载排行
本书分为8章。第1章主要对XML做了简单的介绍。第2章详细讲解规范的XML文件。第3章主要讲解有效的XML文件，特别重点讲解DTD文件。第4章讲解C...
订阅51CTO邮刊}