科技创业公司的效率工具箱

1. 创业公司协同办公适合用什么在线文档编辑软件

我们就是创业公司，由于人员比较少，而且资金方面不怎么充裕，所以在选择协同办公的在线文档编辑软件时，我们希望尽量选择功能较为丰富的、使用方便的高性价比软件。网上比较火的有石墨文档、亿方云等等，使用体验了一圈下来，我们觉得还是亿方云比较适合我们公司。首先是因为亿方云支持预览的格式更多，亿方云支持100多种格式文件在线预览，包括一般Office文档、PDF文件、图片格式，及CAD、Photoshop、AI、Project、Visio等专业格式，不用额外安装任何插件；而石墨文档只支持word、excel、ppt等常规格式的预览，不支持CAD、Photoshop、AI这类专业格式。其次是亿方云的多人同时在线编辑功能更丰富，支持web端、客户端、移动端三端多人同时在线编辑word、excel、PPT、PDF格式文件；而石墨文档只有网页端和移动端支持多人同时在线编辑文档、表格、幻灯片等文件，文档、表格、幻灯片文件格式还是石墨文档的专有格式，导入导出都需要转换格式，又要多费一番功夫。此外，亿方云还支持文件（夹）评论和语音评论（移动端），可@全员，也可@某人，还支持消息提醒，可以替代一部分即时通讯软件和邮箱的功能；而石墨文档仅支持石墨专有格式（文档、表格、思维导图）文件进入文件编辑模式时评论，功能并不完善。所以综合考虑下来，我司还是决定选择亿方云。

2. 推销产品的技巧

1、熟悉自己推销的产品的特点。

优点、缺点、价格策略、技术、品种、规格、宣传促销、竞争产品、替代产品。尤其在客户面前要注意显示对产品非常熟悉。

2、熟悉自己推销产品的目标客户。

这些目标客户要进行分类，哪些是核心客户，那些的非核心客户，哪些是重点客户，哪些是非重点客户，客户可以分成几类，按照什么方式分类，争对不同的客户类别应该分别采用什么不同的策略和方法。

3、熟悉产品的市场。

市场怎样细分，竞争对手有哪些，市场的容量如何，客户的地理分布和产品的时间分布如何，产品市场的短期发展趋势(未来2-3年的发展趋势)。

4、合理安排时间。

推销产品时，要合理安排时间，要根据客户的购买习惯和地理位置进行合理的空间分配。要讲究方法和策略。推销不是一味的蛮干，要随时总结经验，不断提高。而且销售还具有这样的特点，就是一开始着手的时候非常难，无从下手，随着时间的增长，会渐入佳境。

5、销售人员要有良好的心理素质。

销售时最经常碰到的现象是被冷漠的拒绝，所以要承受被拒绝、被冷落、被挖苦等等现象。销售时还有一种现象是不得其门而入，这是就要动脑筋达到目标。尤其是要注意克服惰性和克服畏难情绪。

(2)科技创业公司的效率工具箱扩展阅读：

推销员如何挖掘和推销卖点：

1、品牌卖点

产品的品牌地位处于有利地位时，能让顾客产生一种心理上的满足感，能给顾客带来很多附加值。从顾客的角度出发，品牌是顾客下定决心购买的重要因素，因此当你进行销售时，假如你的产品很有品牌优势，就一定要抓住品牌效应作为卖点向顾客推销。

2、人文卖点

现在是个创意的时代，我们只有给产品赋予某种新的文化概念，其附加值才能得到更大的提升。例如，买菜讲究无公害、买奶粉讲究不添加等等。

3、心理卖点

每个顾客的文化程度、收入水平，社会背景都不一样，所以，不同的人对产品的需求就会有不同。例如，青少年和儿童家具，环保和款式最能打动顾客;价格、高雅等最能打动中产阶级。

销售技巧-网络

3. 互联网创业20个工具盘点

互联网创业必备20个工具盘点

现在互联网创业是很多创业者的选择，那么大家了解有哪些好的互联网创业工具?

一、产品原型制作工具

下面是一些常用的产品原型制作工具：

纸与笔：这个就不用介绍了，是制作产品原型都会用到的基础工具。

Axure：产品原型设计工具，如果产品经理对产品原型、交互演示、原型细节设计等的需求比较强烈，Axure RP是非常不错的选择。Axure RP 能让产品经理快速创建应用软件和基于Web的的线框图、流程图、原型页面、交互页面和规格说明文档。

Pencil：免费的手绘风格原型图设计工具，可以用来绘制各种架构图和流程图。

Photoshop：对于创业公司产品经理来说，学会一些常用的Photoshop图像设计和处理技术是非常必要的，它能为产品经理的日常工作带来很多便利。

Mockups：如果产品经理的主要工作内容是制作产品概念图，表达产品设计概念、理念和基本布局，这种情况下不妨选择Mockups。用Mockups制作出来的作品都是手绘风格的，比较适合用来画线框图及原型，但不适合做带有交互性质的原型设计。

墨刀：墨刀是去年刚推出的一款免费的移动应用原型和线框图工具。它的定位是APP产品原型的快速设计。墨刀的功能比较简洁，上手简单，制作快速，浏览文件比较方便。墨刀目前有网页端、Mac和Windows客户端。

Visio：是微软推出的一款流程图制作工具，也是目前产品经理最常用的一款流程图工具。通过Visio可以方便、快速地把业务流程、系统实现流程画出来。它本身有很多的组件库，可以很方便的完成各类流程图、结构图和网络图的制作。

XMind：XMind是一款商业思维导图软件，产品经理不仅可以用它绘制思维导图，还可以绘制鱼骨图、二维图、树形图、逻辑图和组织结构图，还可以很方便地在这些展示形式之间进行转换。

MindManager：是一款思维导图软件，能够帮助你将想法和灵感以清晰的思维导图的形式记录下来，对产品经理梳理产品规划非常有帮助。和同类思维导图软件相比，MindManager最大功能特性是同微软软件无缝集成，可以快速将数据导入或导出到Word、PPT、Excel、Outlook、Project 和 Visio等。

网络脑图：网络脑图是网络公司推出的一款在线思维导图编辑器。它支持随处拖拽，文件储存在云端，不占用硬盘空间。除基本功能外，网络脑图还支持 XMind、FreeMind 文件的导入和导出，也能导出 PNG和SVG格式的图像文件。

二、团队协作和文档协作工具

创业公司要想提高工作效率，使用一些团队协作和文档协作类工具是非常必要的，下面这些工具是一些比较常用的团队协作类工具：

团队协作工具

Teambition：是一款项目协作工具。在Teambition上创建一个项目后，可在任务看板里新建任务组，大家可以在任务组里添加、跟踪并推动任务进展。此外，大家还可以在分享墙里沟通想法，在文件库里共享文件，从而从多个方面实现项目的协作管理。

Worktile：Worktile是一个团队协同办公工具，通过简单的协作、沟通和分享，实现团队交互与任务管理的轻松协作。Worktile功能相对齐全，聚焦团队协作，适用中小企业使用。

Tower.im：这是一款在线团队协作项目管理工具，你可以在这里快速处理任务、开展讨论、查看项目进展，随时与你的团队紧密协作。 展讨论、查看项目进展，随时与你的团队紧密协作。

Slack：Slack 的目标是将公司内部所有沟通方式整合到一个地方。Slack有即时通讯功能，你可以和团队成员直接沟通。此外，Slack还整合了80多款工具产品，包括邮件、IM 、Asana和Github等，将这些工具收到的信息整合到Slack，这样公司内部的所有沟通都能在此完成。此外，Slack 还整合了文件分享系统，公司内所有的共享文件，包括共享在Slack 、Google Doc和Dropbox 里文件，都能通过内置搜索工具搜索到。

团队协作文档工具

石墨文档

石墨文档是一款在线协作文档工具，支持多人同时编辑一个文档。互联网公司产品经理可以在石墨文档里撰写产品需求文档，整理用户的产品使用反馈等。运营人员可以用它来多人协作撰写文案、一起制定运营规划和开展头脑风暴等。你可以对文档细节内容进行评论，其他人可以一起参与讨论，这样直接在一个文档里就能轻松完成方案讨论和稿件校对等工作。

所有文档都是实时保存在云端的，所以无需担心文档内容会丢失。石墨文档同时拥有网页端和微信端和APP，即使你不在电脑前，在手机上也可以处理一切工作。

Google Docs

Google Docs是一套在线办公软件，包括在线文档、表格和演示文稿。

允许多人同时在线编辑和更新同一个文件。协作编辑时，也可以实时看到其他成员编辑的内容。系统会自动保存每次编辑修改的内容，这样你就可以查看谁在什么时候做了什么修改。作为一款老牌在线办公软件，Google Docs的功能较为齐全，用户群体也非常广泛。

三、创业公司数据库

对于创业者而言，了解行业内其他创业公司的信息动态是非常必要的，创业者可以通过以下几种渠道了解相关动态

IT桔子： IT互联网公司产品数据库，里面有大量互联网创业项目信息。

36氪创业公司数据库：里面有汇聚了目前国内外最火的一批创业公司数据。

CrunchBase: 是美国科技博客Techcrunch旗下的一款产品，科技公司、技术行业知名人物和投资者相关信息的数据库。

Demo8：创业邦旗下新产品分享交流平台。

四、值得创业者关注的科技媒体

36氪 ：一个关注互联网创业的科技博客

钛媒体 ：为创新、创业、创造人群,提供最高效、最专业,最具价值的信息交流平台

创业邦：中国创业者的信息平台和服务平台

虎嗅 ：关注创业型企业的个性化商业资讯与交流平台

爱范儿：发现创新价值的科技媒体

i黑马：创业创新服务媒体

雷锋网：一个专注智能硬件创业媒体平台

Pingwest：互联网科技媒体

五、产品经理书单

《启示录：打造用户喜爱的产品》：从人员、流程、产品三个角度介绍了现代软件(互联网)产品管理的实践经验和理念。

《点石成金：访客至上的Web和可用性设计秘笈》：本书作者根据多年从业的经验，剖析用户的心理，在用户使用模式、为扫描进行设计、导航设计、主页布局、可用性测试等方面提出了许多独特的观点，并给出了大量简单、易行的可用性设计的建议。

《浪潮之巅》：科技的发展不是均匀的，而是以浪潮的形式出现。每一个人都应该看清楚浪潮，赶上浪潮，如此，便不枉此生。

《引爆点》：一书精彩诠释了种种奇特现象，将彻底颠覆人们对于产品营销和创意传播的传统目光。

《写给大家看的设计书》：作者以其简洁明快的风格，将优秀设计所必须遵循的基本原则及其背后的原理通俗易懂地展现在读者面前。

六、创业类书单

《史蒂夫▪乔布斯传》 ：乔布斯不一定是有史以来最好的创业者，但一定是其中之一。他用产品改变了世界，他的思想影响了一代又一代的企业家和创业者。

《精益创业》：创业管理领域的重磅之作，也绝对有潜质经受时间的考验，成为创业管理的经典图书。

《精益创业实战》：融合了精益创业法、客户开发、商业模式画布和敏捷/持续集成的精华，讲解精益创业实战法。

《创业者的窘境》、《创新者的解答》、《创新者的基因》：非常好创业三部曲，经典之作、企业长青必备思路。

《周鸿祎自述：我的互联网方法论》：在书中，周鸿祎首次讲述了自己的互联网观、产品观和管理思想，厘清了互联网产品的本质特征和互联网时代的新趋势，列举了颠覆式创新在现实中的实践和应用。同时，针对目前传统企业的互联网转型焦虑，也提出了一套系统解决方案。

《参与感》：作为小米联合创始人，黎万强真诚有趣地向你讲述小米公司创业几年来的内部故事，从公司创立到产品开发，从产品设计到品牌建设，从日常运营到营销推广，从服务理念到公司理念等等，清晰透彻地道出其中的逻辑必然，并将其独创的“参与感三三法则”和盘托出。

《影响力：口碑实战版》：这本书不仅仅提供的是营销策略和方法，而且还提出了一种全新的企业经营理念。

《定位》：在竞争日益激烈的今天，《定位》揭示了现代企业经营的本质(争夺顾客)，为企业阐明了获胜的要诀(赢得心智之战)。

《免费》：阐释了“免费经济学”背后的原理，创造了代表商业未来的新型商业模式，为企业在零成本、零收费的基础上实现快速发展提供了重要指导。

七、云服务提供商

创业者都需要云服务、云数据、云运营等方面的服务，下面这些是目前市场上主流的云服务提供商：

阿里云：阿里云是一个云计算技术和服务提供商。用户通过阿里云，用互联网的方式即可远程获取海量计算、存储资源和大数据处理能力。

腾讯云：是腾讯公司面向广大企业和个人的公有云平台，提供云服务器、云数据库、云存储和CDN等基础云计算服务，以及提供游戏、视频、移动应用等行业解决方案。

盛大云：盛大云以快速的步伐不断满足客户在主机租赁、存储扩展、网络加速、快捷建站、数据库服务等方面的基础设施需求，并陆续推出了视频云等行业垂直云服务。产品以按需使用、弹性扩展、高可靠、高安全、高可控为核心特点。

青云：青云QingCloud是一家新的云计算公司，提供IAAS弹性云服务，支持私有网络、按秒计算、开放 API、全面监控、多重实时副本安全策略等。

UCloud：基础云计算服务提供商，长期专注于移动互联网领域，深度了解移动互联网业务场景和用户需求。针对特定场景，UCloud通过自主研发提供一系列专业解决方案，包括计算资源、存储资源和网络资源等企业必须的基础IT架构服务，满足互联网研发团队在不同场景下的各类需求。运维团队只需注册UCloud云平台，即可在管理界面中实现各服务的统一管理和使用。

七牛云存储：是专为移动时代开发者打造的数据管理平台，为互联网网站和移动App提供数据的在线托管、传输加速以及图片、音视频等富媒体的云处理服务。

又拍云：通用的`大规模存储服务，开放高度可扩展的API，开发人员可轻松使用，帮助互联网企业以极其低的价格，获得可靠、安全、快速的基础存储系统，主要为用户网站提供静态文件存储+CDN加速的服务，静态文件主要是指图片，APP，音频，视频，小文件等等服务。

八、代码托管平台

Github：它是一个代码托管平台和开发者社区，开发者可以在Github上创建自己的开源项目并与其他开发者协作编码。创业公司可以用它来托管软件项目，开源项目可以免费托管，私有项目需付费。

Bitbucket：和Github相比，Bitbucket的一大特色是可以免费支持私有库。

GitCafe：这是一个基于代码托管服务打造的技术协作与分享平台，程序开发爱好者们可以通过使用代码版本控制系统git来将他们所写的开源或商业项目的代码托管在GitCafe上，与其他程序员针对这些项目在线协作开发。GitCafe可以看作是中国版的Github。

九、适合创业者逛的社区

Hacker News：来自Y Combinator，有大量的顶级创业者参入讨论，用户创造的内容质量比其他创业者主题网站要高。

Quora：这个一个专门面向互联网人群的问答社区

知乎：一个国内的高质量问答社区

十、DNS域名解析服务

一般来说，国内的网站和域名建议使用国内的DNS域名解析服务，而国外的则既可以选择国外的DNS，也可以选择国内的DNS。下面是比较常用的3款DNS域名解析工具：

DNSPod: 是一个DNS域名解析商和域名托管商，DNS实时生效，不限制用户添加的域名和记录数量，DNSPod还免费提供D监控、URL转发、搜索引擎优化、域名共享管理等功能。

DNS.LA/eDNS：免费智能DNS解析服务商

十一、适配服务

云适配：通过云适配，用户只需在原网站中插入一行代码，即可在网址不变的情况下完成内容实时更新的跨屏体验。

十二、测试服务工具

Testin云测：Testin云测试平台是一个基于真实终端设备环境、基于自动化测试技术的7x24云端服务。开发者只需在Testin平台提交自己的App应用，选择需要测试的网络、机型，便可进行在线的自动化测试。

十三、统计工具

网站和移动应用数据统计工具是所有互联网创业者都必须掌握的工具，下面是一些比较常用的数据统计和分析工具：

谷歌分析：Google Analytics是一款免费的网站和移动应用数据统计和分析工具。只需在网站/移动应用页面上加入一段代码，就可以跟踪产品的各项数据，如流量来源、访客资料、入口页面、分享数据、转化数据等，可帮助产品开发者快速了解产品数据。

网络统计：一款免费的网站流量分析工具，提供的功能包括流量分析、来源分析、网站分析等多种统计分析服务。网络统计能够告诉网站运营人员访客是如何找到网站的，在网站上做了什么。有了这些信息，可以帮助网站运营人员改善访客在用户的网站上的使用体验，不断改善网站推广方式。此外，网络统计还提供了几十种图形化报告，全程跟踪访客的行为路径。

CNZZ统计：CNZZ是一个中文网站统计分析平台，在页面添加统计代码后，运营人员可以通过它快速了解网站的各项运营数据、包括PV、IP、独立访客、来访次数、搜索关键词、地域分布、用户属性等多项统计指标，这样可以一目了然地了解网站的各项访问数据，运营人员可以根据统计数据及时调整页面内容和运营推广方式等。

友盟 ：友盟是一款移动应用统计分析平台。它可以帮助移动应用运营人员统计和分析流量来源、产品留存数据、用户属性和行为数据等，以便产品开发者和运营人员利用数据进行产品、运营、推广策略的决策。

Talking Data：是一个第三方移动应用数据平台，主要为移动应用开发者提供移动应用数据统计功能;为移动应用运营者提供用户行为数据分析功能;帮助开发者完善产品;协助运营者制定策略。

十四、消息推送工具

目前国内比较好用的消息推送工具有以下几款：

个推：个推是一个第三方消息推送技术服务商，提供安卓推送和iOS推送SDK，使APP快速集成云推送功能，免去开发成本。

网络云推送：是网络云平台向开发者提供的消息推送服务;通过云端与客户端之间建立稳定、可靠的长连接来为开发者提供向用户端实时推送消息的服务。

极光推送：它是一个独立的第三方云推送平台，致力于为全球移动应用开发者提供专业的移动消息推送服务。

十五、短信服务

目前创业公司比较常用的短信服务工具有：亿美软通、百悟科技、云片。

十六、即时通讯服务

环信：环信即时通信云服务为开发者提供类似微信的社交和沟通能力，如单聊，群聊，发语音，发图片，发位置等。让APP内置聊天功能和以前网页中嵌入分享功能一样简单。

十七、社会化分享工具

ShareSDK：作为一款社会化分享工具，ShareSDK为iOS、Android、WP8 的APP提供社会化功能，集成了一些常用的类库和接口，缩短开发者的开发时间，还有社会化统计分析管理后台。

十八、支付服务工具

很多创业公司的产品都需要接入支付接口，几个比较常用的支付接口工具包括：银联、支付宝、微信支付和Ping++。

银联、支付宝和微信支付大家都比较熟悉，Ping++是一款比较新的移动支付SDK 产品，主要提供支付入网申请、移动支付接口、交易管理平台服务，让移动 App 接入微信、支付宝、银联、网络钱包等主流支付渠道。

十九、应用市场

要想让自己开发的应用被更多用户看到并下载，就需要将自己的应用提到尽可能多的应用商店平台，目前主流的应用商店平台包括：应用汇、360手机助手、网络手机助手、豌豆荚、搜狐畅游和苹果应用商店等。

二十、招聘服务工具

最后分享一些目前互联网创业公司最常用的一些招聘网站和工具：

拉勾网、周伯通、哪上班、 内推网、100offer、猎聘网、大街网、站酷、缘创派、爱合伙、V2EX、Ruby China、CocoaChina。

;

4. 创业公司如何组建技术团队

组建技术团队前的思考

着手组建技术团队之前，我们不妨先思考下面三个问题：1.该不该组建技术团队？2.该招什么样的工程师？3.该招多少工程师？

1.该不该组建技术团队？

这个问题看起来很傻，没有人怎么做事呢？但凡事都有两面性，技术团队给我们带来更多自主性的同时也带来了极大的人力开支。在北京一个本科刚毕业的工程师，月薪至少10000+，换算成公司开销至少是15000。想组建一个最基本配置的团队，每个月至少得有50000以上的预算。

另一方面，随着互联网的发展，基础组件都已经服务化，很多事情都可以通过这些服务或者是外包来实现，不一定非得有一个专属的技术团队。

是否组建技术团队要在综合考量公司发展、财务情况之后再做决定。很多时候我们因果倒置先组建了团队再来考虑公司实际的需求，这是很大的决策失误。

2.该招什么样的工程师？

对人工智能，大数据运算，公有云服务这类创业公司来说，技术是最大的壁垒，他们需要顶尖的学术型人才。而对于青橙科技这样的Saas类或者解决某类实际问题的创业公司来说，技术是辅助，我们需要实干的能解决问题的工程型人才。

BAT都有各自的研发序列：

2.怎么吸引工程师

对于很多创业公司来说，招聘是一种挫败的体验。原因挺简单：创业公司需要优秀的工程师，而优秀的工程师是最不愁工作的一群人。我们要跟各路公司争抢人才。

我在这方面感受非常真切，投入了大量的精力招人，最后入职的寥寥无几。

我开始反思。第一感觉是钱给得不够，身为半个hr自然也从一些渠道了解到其他公司的薪资待遇。但是薪资问题切忌对比，拼钱永远没有尽头，我们只能量力而为。

难道这是一个无解的问题？

当然不是，薪资只是其中的一个环节而已。想招到合适的人，还必须提升公司的综合竞争力。这是一个长期的挑战，我们可以尝试从各个方面去实践：

(1)提升公司品牌影响力。

(2)形成公司文化差异化竞争。比如：知乎的海盗文化与帆船训练，Tower远程协同工作。而我们青橙的特色就是健身文化。

(3)技术氛围的培养以及团队牛人的吸引。技术圈其实很小，一些开源的产出就能辐射大部分圈内目标人群。

3.提高团队效率，选择扩大化

我们的目的是招到合适的工程师。如果我们自身的竞争力已经很难在短期内提高，没办法吸引到高端的优秀人才，我们能不能从其他角度入手，让组建团队这件事更加容易进行呢？

我观察了一下我们公司工程师们的工作分配情况：

回答客户反馈的问题，其中大多数不是程序bug（10%）

编写代码（60%）

调试代码（20%）

开会讨论项目的设计方案（8%）

上线（2%）

其中编写代码是工程师最耗费时间的工作，能否快狠准的完成需求看似是能力问题，但事实却并非如此。

编写代码时间具体花在哪了？

(1)思考该用什么样的方式实现功能？

(2)思考这个功能之前有人做过吗？能不能复用？在哪找到复用的代码？

(3)知道该怎么实现功能了，但是该怎么做代码分层？

(4)提供对外调用的文档。

(5)重复性的做数据格式转化，数据校验。

以上5点中只有第一点是能力的体现，其他大部分是编码规范的问题。开放性的编码造成大家花费大量时间思考怎么写代码，也让很多解决方案不能沉淀，制造了重复性的工作。

程序界有一句名言：规范大于配置。我制定了一套符合青橙现状的编码准则，目的是让大家都能明确的知道如何工作，把精力聚焦到实现逻辑上，排除编码不规范带来的困扰。这里强调“明确”二字，何谓明确？对于一个需求，当实现逻辑固定的时候，方法的拆分也是固定的，各层编码所在的位置和命名也是固定的。这样一来，代码量的增加、功能的增加都不会让工程过于失控。

有了规范的好处远不止于此。按照规范编码无形的给工程师设定了一个行为下限，我们不再需要一个珍贵且昂贵的架构师，而需要能兢兢业业将功能考虑周全的工程师，选择的范围扩大了不少。

除此之外，工程师工作时最忌讳精力分散，以及做很多重复的无意义工作。

所以我们重新调整了问题反馈机制，任何反馈都必须经过产品经理确认，只有真正的问题才会分配到开发。

我们减少了不必要会议，并且需要开发参与的会议都得带有明确的产品需求和实现方案。

我们将冗余的工作自动化：代码检测、接口参数检查、自动化反射文档、错误统计与日志、自动化上线等等。

一切的一切，就是为了让每个工程师能聚焦到手头的工作上，提高大家的工作效率。3个人拿4个人的工资干5个人的活。在整体预算固定的情况下，提高效率意味着我们拥有了更多的筹码，大大降低了招聘的难度。

如何留住工程师

留住工程师跟招聘工程师一样也是组建技术团队不可或缺的一环，同时也是最容易被忽视的一环。

工程师为什么选择离职呢？三年来，我面试了数百位工程师，排除公司倒闭裁员的情况，不外乎以下几个原因：

1.成长：工程师个人的成长遇到瓶颈。

2.存在感：感受不到自己的价值，觉得公司不重视自己。

3.待遇：和各种同学、朋友，甚至是新闻对比之后，觉得自己的待遇太低。

而我也遇到过一些出乎意料的离职：入职第二天告诉我离家太远不来了；入职一周后告诉我身体有大病必须回家养病；入职一段时间后告诉我有其他的offer了……

经历得多了，我便开始思考我们在这方面是不是应该更加重视，以及该怎么留住工程师。

首先情感维系是很重要的。试想，当你进入一个新环境是什么感受？应该是陌生而紧张的吧，而我们前期的关心可以让新人尽快找到归属感。新同学入职两周之内是建立情感联系的黄金时间，往往这段时间里他就能融入团队，找到自己的位置。对于创业公司来说，情感是保持团队关系稳定最重要的因素之一。

除此之外，帮助他们与公司一同成长也同样重要。创业公司人数不多，作为Leader我们有义务了解每个人的需求和特点，并且在自己的能力范围之内去帮助他们。比如鼓励他们做一次分享，鼓励他们做一次面试，鼓励他们参加一些行业会议，这些看似简单又普通的事情，对他们来讲可能有另外的感受。创业公司一般都在高速发展并且面临无数挑战，这时候可以适当的给他们一些压力，困难与挑战往往是工程师的兴奋剂。同时，解决问题后带来的满足与认同感更是会让人乐此不疲。

总结

闲扯了太多，浓缩成三句话：

1.组建团队之前先考虑实际需求与成本。

2.挑人的同时别忘了提升自己。

3.把工程师留下来比招聘更重要！

很多感悟和想法不是一句话就能概括的。在工程师团队组建这件事上，我也只是一个新手。

5. 程序员为什么要学深度学习

费良宏：程序员为什么要学深度学习？

深度学习本身是一个非常庞大的知识体系。本文更多想从程序员的视角出发，让大家观察一下深度学习对程序员意味着什么，以及我们如何利用这样一个高速发展的学科，来帮助程序员提升软件开发的能力。
本文根据费良宏在2016QCon全球软件开发大会（上海）上的演讲整理而成。
前言
1973年，美国上映了一部热门的科幻电影《WestWorld》，三年之后又有一个续集叫做《FutureWorld》。这部电影在80年代初被引进到中国叫《未来世界》。那部电影对我来讲简直可以说得上是震撼。影片中出现了很多机器人，表情丰富的面部下面都是集成电路板。这让那时候的我觉得未来世界都是那么遥远、那么神秘。
时间到了2016年，很多朋友可能都在追看HBO斥巨资拍摄的同一题材的系列剧《WestWorld》。如果前两部电影还是局限在机器人、人工智能这样的话题，2016年的新剧则在剧情和人工智能的思考方面有了很大的突破。不再渲染机器人是否会威胁到人类，而是在探讨“Dreamsaremainlymemories”这一类更具哲理的问题。
“记忆究竟如何影响了智能”这个话题非常值得我们去思考，也给我们一个很好的启示——今天，人工智能领域究竟有了怎样的发展和进步。
今天我们探讨的话题不仅仅是简单的人工智能。如果大家对深度学习感兴趣，我相信各位一定会在搜索引擎上搜索过类似相关的关键字。我在Google上以deeplearning作为关键字得到了2,630万个搜索的结果。这个数字比一周之前足足多出了300多万的结果。这个数字足以看得出来深度学习相关的内容发展的速度，人们对深度学习的关注也越来越高。

从另外的一个角度，我想让大家看看深度学习在市场上究竟有多么热门。从2011年到现在一共有140多家专注人工智能、深度学习相关的创业公司被收购。仅仅在2016年这种并购就发生了40多起。
其中最疯狂的是就是Google，已经收购了 11 家人工智能创业公司，其中最有名的就是击败了李世石九段的 DeepMind。排名之后的就要数 Apple、Intel以及Twitter。以Intel 公司为例，仅在今年就已经收购了 3 家创业公司，Itseez、Nervana 和 Movidius。这一系列大手笔的并购为了布局人工智能以及深度学习的领域。
当我们去搜索深度学习话题的时候，经常会看到这样的一些晦涩难懂的术语：Gradient descent（梯度下降算法）、Backpropagation（反向传播算法）、Convolutional Neural Network（卷积神经网络）、受限玻耳兹曼机（Restricted Boltzmann Machine）等。
如打开任何一篇技术文章，你看到的通篇都是各种数学公式。大家看到如下左边的图，其实并不是一篇高水准的学术论文，而仅仅是维基网络关于玻耳兹曼机的介绍。维基网络是科普层面的内容，内容复杂程度就超过了大多数数学知识的能力。

在这样的背景之下，我今天的的话题可以归纳成三点：第一，我们为什么要学习深度学习；第二，深度学习最核心的关键概念就是神经网络，那么究竟什么是神经网络；第三，作为程序员，当我们想要成为深度学习开发者的时候，我们需要具备怎样的工具箱，以及从哪里着手进行开发。
为什么要学习深度学习
首先，我们谈谈为什么要学习深度学习。在这个市场当中，最不缺乏的就是各种概念以及各种时髦新技术的词汇。深度学习有什么不一样的地方？我非常喜欢AndrewNg（吴恩达）曾经用过的一个比喻。
他把深度学习比喻成一个火箭。这个火箭有一个最重要的部分，就是它的引擎，目前来看在这个领域里面，引擎的核心就是神经网络。大家都知道，火箭除了引擎之外还需要有燃料，那么大数据其实就构成了整个火箭另外的重要组成部分——燃料。以往我们谈到大数据的时候，更多是强调存储和管理数据的能力，但是这些方法和工具更多是对于以往历史数据的统计、汇总。
而对于今后未知的东西，这些传统的方法并不能够帮助我们可以从大数据中得出预测的结论。如果考虑到神经网络和大数据结合，我们才可能看清楚大数据真正的价值和意义。AndrewNg就曾经说过“我们相信（神经网络代表的深度学习）是让我们获得最接近于人工智能的捷径”。这就是我们要学习深度学习的一个最重要的原因。

其次，随着我们进行数据处理以及运算能力的不断提升，深度学习所代表的人工智能技术和传统意义上人工智能技术比较起来，在性能上有了突飞猛进的发展。这主要得益于在过去几十间计算机和相关产业不断发展带来的成果。在人工智能的领域，性能是我们选择深度学习另一个重要的原因。

这是一段Nvidia在今年公布的关于深度学习在无人驾驶领域应用的视频。我们可以看到，将深度学习应用在自动驾驶方面，仅仅经历了3千英里的训练，就可以达到什么样的程度。在今年年初进行的实验上，这个系统还不具备真正智能能力，经常会出现各种各样的让人提心吊胆的状况，甚至在某些情况下还需要人工干预。
但经过了3千英里的训练之后，我们看到在山路、公路、泥地等各种复杂的路况下面，无人驾驶已经有了一个非常惊人的表现。请大家注意，这个深度学习的模型只经过了短短几个月、3千英里的训练。
如果我们不断完善这种模型的话，这种处理能力将会变得何等的强大。这个场景里面最重要的技术无疑就是深度学习。我们可以得出一个结论：深度学习可以为我们提供强大的能力，如果程序员拥有了这个技术的话，无异于会让每个程序员如虎添翼。
神经网络快速入门
如果我们对于学习深度学习没有任何疑虑的话，接下来就一定会关心我需要掌握什么样的知识才能让我进入到这个领域。这里面最重要的关键技术就是“神经网络”。说起“神经网络”，容易混淆是这样两个完全不同的概念。
一个是生物学神经网络，第二个才是我们今天要谈起的人工智能神经网络。可能在座的各位有朋友在从事人工智能方面的工作。当你向他请教神经网络的时候，他会抛出许多陌生的概念和术语让你听起来云里雾里，而你只能望而却步了。
对于人工智能神经网络这个概念，大多数的程序员都会觉得距离自己有很大的距离。因为很难有人愿意花时间跟你分享神经网络的本质究竟是什么。而你从书本上读的到的理论和概念，也很让你找到一个清晰、简单的结论。
今天就我们来看一看，从程序员角度出发神经网络究竟是什么。我第一次知道神经网络这个概念是通过一部电影——1991年上映的《终结者2》。男主角施瓦辛格有一句台词：
“MyCPUisaneural-netprocessor;alearningcomputer.”（我的处理器是一个神经处理单元，它是一台可以学习的计算机)。从历史来看人类对自身智力的探索，远远早于对于神经网络的研究。
1852年，意大利学者因为一个偶然的失误，将人类的头颅掉到硝酸盐溶液中，从而获得第一次通过肉眼关注神经网络的机会。这个意外加速了对人类智力奥秘的探索，开启了人工智能、神经元这样概念的发展。
生物神经网络这个概念的发展，和今天我们谈的神经网络有什么关系吗？我们今天谈到的神经网络，除了在部分名词上借鉴了生物学神经网络之外，跟生物学神经网络已经没有任何关系，它已经完全是数学和计算机领域的概念，这也是人工智能发展成熟的标志。这点大家要区分开，不要把生物神经网络跟我们今天谈到的人工智能有任何的混淆。

90年代中期，由Vapnik等人提出了支持向量机算法（Support Vector Machines，支持向量机）。很快这个算法就在很多方面体现出了对比神经网络的巨大优势，例如：无需调参、高效率、全局最优解等。基于这些理由，SVM算法迅速打败了神经网络算法成为那个时期的主流。而神经网络的研究则再次陷入了冰河期。
在被人摒弃的十年里面，有几个学者仍然在坚持研究。其中很重要的一个人就是加拿大多伦多大学的Geoffery Hinton教授。2006年，他的在著名的《Science》杂志上发表了论文，首次提出了“深度信念网络”的概念。
与传统的训练方式不同，“深度信念网络”有一个“预训练”（pre-training）的过程，这可以方便的让神经网络中的权值找到一个接近最优解的值，之后再使用“微调”(fine-tuning)技术来对整个网络进行优化训练。这两个技术的运用大幅度减少了训练多层神经网络的时间。在他的论文里面，他给多层神经网络相关的学习方法赋予了一个新名词— “深度学习”。
很快，深度学习在语音识别领域崭露头角。接着在2012年，深度学习技术又在图像识别领域大展拳脚。Hinton与他的学生在ImageNet竞赛中，用多层的卷积神经网络成功地对包含一千个类别的一百万张图片进行了训练，取得了分类错误率15%的好成绩，这个成绩比第二名高了将近11个百分点。
这个结果充分证明了多层神经网络识别效果的优越性。从那时起，深度学习就开启了新的一段黄金时期。我们看到今天深度学习和神经网络的火热发展，就是从那个时候开始引爆的。

利用神经网络构建分类器，这个神经网络的结构是怎样的？

其实这个结构非常简单，我们看到这个图就是简单神经网络的示意图。神经网络本质上就是一种“有向图”。图上的每个节点借用了生物学的术语就有了一个新的名词 – “神经元”。连接神经元的具有指向性的连线（有向弧）则被看作是“神经”。这这个图上神经元并不是最重要的，最重要的是连接神经元的神经。每个神经部分有指向性，每一个神经元会指向下一层的节点。
节点是分层的，每个节点指向上一层节点。同层节点没有连接，并且不能越过上一层节点。每个弧上有一个值，我们通常称之为”权重“。通过权重就可以有一个公式计算出它们所指的节点的值。这个权重值是多少？我们是通过训练得出结果。它们的初始赋值往往通过随机数开始，然后训练得到的最逼近真实值的结果作为模型，并可以被反复使用。这个结果就是我们说的训练过的分类器。
节点分成输入节点和输出节点，中间称为隐层。简单来说，我们有数据输入项，中间不同的多个层次的神经网络层次，就是我们说的隐层。之所以在这样称呼，因为对我们来讲这些层次是不可见的。输出结果也被称作输出节点，输出节点是有限的数量，输入节点也是有限数量，隐层是我们可以设计的模型部分，这就是最简单的神经网络概念。
如果简单做一个简单的类比，我想用四层神经网络做一个解释。左边是输入节点，我们看到有若干输入项，这可能代表不同苹果的RGB值、味道或者其它输入进来的数据项。中间隐层就是我们设计出来的神经网络，这个网络现在有不同的层次，层次之间权重是我们不断训练获得一个结果。
最后输出的结果，保存在输出节点里面，每一次像一个流向一样，神经是有一个指向的，通过不同层进行不同的计算。在隐层当中，每一个节点输入的结果计算之后作为下一层的输入项，最终结果会保存在输出节点上，输出值最接近我们的分类，得到某一个值，就被分成某一类。这就是使用神经网络的简单概述。

除了从左到右的形式表达的结构图，还有一种常见的表达形式是从下到上来表示一个神经网络。这时候，输入层在图的最下方，输出层则在图的最上方。从左到右的表达形式以AndrewNg和LeCun的文献使用较多。而在Caffe框架里则使用的则是从下到上的表达。
简单来说，神经网络并不神秘，它就是有像图，利用图的处理能力帮助我们对特征的提取和学习的过程。2006年Hinton的那篇著名的论文中，将深度学习总结成三个最重要的要素：计算、数据、模型。有了这三点，就可以实现一个深度学习的系统。
程序员需要的工具箱
对于程序员来说，掌握理论知识是为了更好的编程实践。那就让我们看看，对于程序员来说，着手深度学习的实践需要准备什么样的工具。
硬件
从硬件来讲，我们可能需要的计算能力，首先想到的就是CPU。除了通常的CPU架构以外，还出现了附加有乘法器的CPU，用以提升计算能力。此外在不同领域会有DSP的应用场景，比如手写体识别、语音识别、等使用的专用的信号处理器。还有一类就是GPU，这是一个目前深度学习应用比较热门的领域。最后一类就是FPGA（可编程逻辑门阵列）。
这四种方法各有其优缺点，每种产品会有很大的差异。相比较而言CPU虽然运算能力弱一些，但是擅长管理和调度，比如读取数据，管理文件，人机交互等，工具也丰富。DSP相比而言管理能力较弱，但是强化了特定的运算能力。
这两者都是靠高主频来解决运算量的问题，适合有大量递归操作以及不便拆分的算法。GPU的管理能力更弱一些，但是运算能力更强。但由于计算单元数量多，更适合整块数据进行流处理的算法。
FPGA在管理与运算处理方面都很强，但是开发周期长，复杂算法开发难度较大。就实时性来说，FPGA是最高的。单从目前的发展来看，对于普通程序员来说，现实中普遍采用的计算资源就还是是CPU以及GPU的模式，其中GPU是最热门的领域。

这是我前天为这次分享而准备的一个AWS 上p2的实例。仅仅通过几条命令就完成了实例的更新、驱动的安装和环境的设置，总共的资源创建、设置时间大概在10分钟以内。而之前，我安装调试前面提到的那台计算机，足足花了我两天时间。

另外，从成本上还可以做一个对比。p2.8xLarge 实例每小时的费用是7.2美元。而我自己那台计算机总共的花费了是¥16,904元。这个成本足够让我使用350多个小时的p2.8xLarge。在一年里使用AWS深度学习站就可以抵消掉我所有的付出。随着技术的不断的升级换代，我可以不断的升级我的实例，从而可以用有限的成本获得更大、更多的处理资源。这其实也是云计算的价值所在。
云计算和深度学习究竟有什么关系？今年的8月8号，在IDG网站上发表了一篇文章谈到了这个话题。文章中做了这样一个预言：如果深度学习的并行能力不断提高，云计算所提供的处理能力也不断发展，两者结合可能会产生新一代的深度学习，将带来更大影响和冲击。这是需要大家考虑和重视的一个方向！
软件
深度学习除了硬件的基础环境之外。程序员会更关心与开发相关的软件资源。这里我罗列了一些曾经使用过的软件框架和工具。

Scikit-learn是最为流行的一个Python机器学习库。它具有如下吸引人的特点：简单、高效且异常丰富的数据挖掘/数据分析算法实现； 基于NumPy、SciPy以及matplotlib，从数据探索性分析，数据可视化到算法实现，整个过程一体化实现；开源，有非常丰富的学习文档。
Caffe专注在卷及神经网络以及图像处理。不过Caffe已经很久没有更新过了。这个框架的一个主要的开发者贾扬清也在今年跳槽去了Google。也许曾经的霸主地位要让位给他人了。
Theano 是一个非常灵活的Python 机器学习的库。在研究领域非常流行，使用上非常方便易于定义复杂的模型。Tensorflow 的API 非常类似于Theano。我在今年北京的QCon 大会上也分享过关于Theano 的话题。
Jupyter notebook 是一个很强大的基于ipython的python代码编辑器，部署在网页上，可以非常方便的进行交互式的处理，很适合进行算法研究合数据处理。
Torch 是一个非常出色的机器学习的库。它是由一个比较小众的lua语言实现的。但是因为LuaJIT 的使用，程序的效率非常出色。Facebook在人工智能领域主打Torch，甚至现在推出了自己的升级版框架Torchnet。
深度学习的框架非常之多，是不是有一种乱花渐欲迷人眼的感觉？我今天向各位程序员重点介绍的是将是TensorFlow。这是2015年谷歌推出的开源的面向机器学习的开发框架，这也是Google第二代的深度学习的框架。很多公司都使用了TensorFlow开发了很多有意思的应用，效果很好。
用TensorFlow可以做什么？答案是它可以应用于回归模型、神经网络以深度学习这几个领域。在深度学习方面它集成了分布式表示、卷积神经网络(CNN)、递归神经网络(RNN) 以及长短期记忆人工神经网络（Long-Short Term Memory, LSTM）。
关于Tensorflow 首先要理解的概念就是Tensor。在辞典中对于这个词的定义是张量，是一个可用来表示在一些向量、标量和其他张量之间的线性关系的多线性函数。实际上这个表述很难理解，用我自己的语言解释Tensor 就是“N维数组”而已。

使用 TensorFlow, 作为程序员必须明白 TensorFlow这样几个基础概念：它使用图 (Graph) 来表示计算任务；在被称之为 会话 (Session) 的上下文 (context) 中执行图；使用 Tensor 表示数据；通过 变量 (Variable) 维护状态；使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据。
一句话总结就是，TensorFlow 就是有状态图的数据流图计算环境，每个节点就是在做数据操作，然后提供依赖性和指向性，提供完整数据流。
TensorFlow安装非常简单，但官网提供下载的安装包所支持的CUDA 的版本是7.5。考虑到CUDA 8 的让人心动的新特以及不久就要正式发布的现状。或许你想会考虑立即体验CUDA 8，那么就只能通过编译Tensorflow源代码而获得。目前TensorFlow已经支持了Python2.7、3.3+。
此外，对于使用Python 语言的程序员还需要安装所需要的一些库，例如：numpy、protobuf等等。对于卷积处理而言，cuDNN是公认的性能最好的开发库，请一定要安装上。常规的Tensorsorflow的安装很简单，一条命令足矣：
$ pip3 install —upgrade https://storage.233.wiki/tensorflow/linux/cpu/tensorflow-0.11.0rc0-cp35-cp35m-linux_x86_64.whl
如果想评估一下或者简单学习一下，还可以通过Docker进行安装，安装的命令如下：
$ docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow
TensorFlow有很多优点。首先，目前为止，深度学习的开发框架里面TensorFlow的文档做的最好，对程序员学习而言是非常好的一点。第二，TensorFlow有丰富的参考实例，作为参考学习起来非常容易。
第三，开发者社区活跃，在任何一个深度学习的社区里，都有大量关于TensorFlow的讨论。第四，谷歌的支持力度非常大，从2015年到现在升级速度非常快，这是其他开源框架远远达不到的结果。
参考TensorFlow的白皮书，我们会看到未来TensorFlow还将会有巨大的发展潜力。让我特别感兴趣是这两个方向。第一，支持跨多台机器的 parallelisation。尽管在0.8版本中推出了并行化的能力，但是目前还不完善。随着未来不断发展，依托云计算的处理能力的提升这个特性将是非常让人振奋的。
第二，支持更多的开发语言，对于开发者来说这是一个绝大的利好，通过使用自己擅长的语言使用TensorFlow应用。这些开发语言将会扩展到Java、Lua以及R 等。
在这里我想给大家展示一个应用Tensorflow 的例子。这个例子的代码托管在这个网址上 https://github.com/anishathalye/neural-style。白俄罗斯的现代印象派艺术家Leonid Afremov善于用浓墨重彩来表现都市和风景题材，尤其是其雨景系列作品。他习惯用大色块的铺陈来营造光影效果，对反光物体和环境色的把握非常精准。
于是我就找到了一张上海东方明珠电视塔的一张摄影作品，我希望通过Tensorflow 去学习一下Leonid Afremov 的绘画风格，并将这张东方明珠的照片处理成那种光影色彩丰富的作品风格。利用Tensorflow 以及上面提到的那个项目的代码，在一个AWS 的p2类型的实例上进行了一个一千次的迭代，于是就得到了下图这样的处理结果。

这个处理的代码只有350行里，模型使用了一个成名于2014年ImageNet比赛中的明星 VGG。这个模型非常好，特点就是“go depper”。
TensorFlow 做出这样的作品，并不仅仅作为娱乐供大家一笑，还可以做更多有意思的事情。将刚才的处理能力推广到视频当中，就可以看到下图这样的效果，用梵高著名的作品”星月夜“的风格就加工成了这样新的视频风格。

可以想象一下，如果这种处理能力在更多领域得以应用，它会产生什么样的神奇结果？前景是美好的，让我们有无限遐想。事实上我们目前所从事的很多领域的应用开发都可以通过使用神经网络和深度学习来加以改变。对于深度学习而言，掌握它并不是难事。每一个程序员都可以很容易的掌握这种技术，利用所具备的资源，让我们很快成为深度学习的程序开发人员。
结束语
未来究竟是什么样，我们没有办法预言。有位作家Ray Kurzweil在2005年写了《奇点临近》一书。在这本书里面他明确告诉我们，那个时代很快到来。作为那个时代曙光前的人群，我们是不是有能力加速这个过程，利用我们学习的能力实现这个梦想呢？

中国人工智能的发展
人工智能的时代无疑已经到来，这个时代需要的当然就是掌握了人工智能并将其解决具体问题的工程师。坦率的说，市场上这一类的工程师还属于凤毛麟角。职场上的薪酬待遇可以看得出来这样的工程师的抢手的程度。人工智能这门学科发展到今天，就学术自身而言已经具备了大规模产业化的能力。
所以说，对于工程师而言当务之急就是尽快的掌握应用人工智能的应用技术。当下在互联网上关于人工智能的学习资料可以说已经是“汗牛充栋”，那些具备了快速学习能力的工程师一定会在人工智能的大潮当中脱颖而出。
中国发展人工智能产业的环境已经具备。无论从创业环境、人员的素质乃至市场的机遇而言完全具备了产生产业变革的一切条件。与美国相比较，在人工智能的许多领域中国团队的表现也可以说是不逞多让。就人工智能的技术层面而言，中国的工程师与全球最好的技术团队正处于同一个起跑线上。
时不我待，中国的工程师是有机会在这个领域大展身手的。不过值得注意的是，要切忌两点：一是好高骛远，盲目与国外攀比。毕竟积累有长短，术业有专攻，我们要立足于已有的积累，寻求逐步的突破。二是一拥而上，盲目追求市场的风口。人工智能的工程化需要大量的基础性的积累，并非一蹴而就简单复制就可以成功。
中国的科研技术人员在人工智能领域的成就有目共睹。在王咏刚的一篇文章里面，他统计了从2013年到2015年SCI收录的“深度学习”论文，中国在2014年和2015年超已经超过了美国居于领跑者的位置。
另外一让我感到惊讶的事情，Google的JeffDean在2016年发表过一篇名为《TensorFlow:Asystemforlarge-scalemachinelearning》的论文。文章的22个作者里面，明显是中国名字的作者占已经到了1/5。如果要列举中国人/华人在人工智能领域里的大牛，吴恩达、孙剑、杨强、黄广斌、马毅、张大鹏……很容易就可以说出一大串。
对于中国来说目前的当务之急是人工智能技术的产业化，唯有如此我们才可以讲科研／智力领域的优势转化为整体的、全面的优势。在这一点上，中国是全球最大的消费市场以及制造业强国，我们完全有机会借助市场的优势成为这个领域的领先者。
硅谷创新企业
硅谷虽然去过许多回，但一直无缘在那里长期工作。在人工智能领域的市场我们听到的更多是围绕Google、Apple、Intel、Amazon这样的一些大型科技公司的一举一动。但是在美国市场上还有一大批小型的创业企业在人工智能这个领域有惊艳的表现。仅以硅谷区域的公司为例：
Captricity，提供了手写数据的信息提取；
VIVLab，针对语音识别开发了虚拟助手服务；
TERADEEP，利用FPGA提供了高效的卷积神经网络的方案；
还有提供无人驾驶解决方案的NetraDyne。
这个名单还可以很长，还有许许多多正在利用人工智能技术试图去创造历史的团队正在打造他们的梦想。这些团队以及他们正在专注的领域是值得我们去学习和体会的。

6. 什么是正点

船、火车、飞机按规定时间运行
正点率是旅客运输部门在执行运输计划时，航班、列车、客轮、客车实际出发时间与计划出发时间的比率，是衡量承运人运输效率和运输质量的重要指标，由于民航运输相对对火车、轮船和汽车运输而言，受到客观条件如天气、空中管制、机械故障等因素影响较大，所以，正点率用于衡量航空公司的运行效率和服务质量。

7. 拼多多如何快速提高排名和销量

现在越来越多的人选择做拼多多，那我们在拼多多上传新品以后怎样提高销量呢？接下来就跟电商知识网一起来看看吧！

一，测款

首先想要打造一款热销款，款式很重要，选对款式对热销款的打造至关重要，所以，前期测款最为重要。但是，我们在前期往往没法确定自己即将要上的新品能不能成为爆款，那么就交给市场决定。

二、做好店铺产品上架的优化

1、商品标题的优化。

商品标题起得好，就等于让你成功了一半了。现在拼多多标题只能写30个字，那么在选择关键词时就要认真谨慎了；而且在搜索列表中只会展现标题的前12个字，所以组合标题时重点放在前12个字上，建议活动+商品+属性+特点+人群词+长尾词。

2、商品轮播图的优化。

轮播图是决定宝贝流量的多少的，特别是首图，点击率高还是低就看它了。首图的话最好放商品的实拍图或模特图，剩下的几张轮播图建议放商品细节图或是活动的介绍图，向买家全面展现商品。

3、商品详情页的优化。

拼多多商品上架之后是否有转化，就要看详情页是否能击中买家痛点，同时又考验运营和美工的功底了。店铺运营要先将详情页的内容及布局列出来，之后美工就要根据店铺及商品的风格去设计。

三、推广引流/活动引流打爆款（操作店铺的重中之重）

除了活动流量之外，卖家不可或缺的就是付费流量。除去站外广告引流之外，在站内还有点击扣费引流广告方式。

四、做好店铺的数据分析

1.日常数据统计，找出目标差距，做出下一步运营计划。

做运营一定要给自己定目标计划，流量，点击，访客，转化等等。日常数据的统计的重要性就尤为关键，可以看出计划每天完成情况，去做总结和下一步安排。所以大家也可以去观察自己日常数据指标，不要出现周期内连续下滑的情况，一旦有问题及时优化。

2.分析竞争对手，及时作出针对性的运营策略改变。

有时候你自己突然浏览量转化下降，很多卖家都不知道问题出在哪里了~很有可能就是竞争对手有了调整，价格优惠，参加活动等等，有些卖家不关注这些，还以为自己哪里出了问题，盲目的运营！在这里强调一下关注同行，特别是产品相近的同等级，同价格区间的店铺同行。必须要知道他的一举一动。

3.根据历史数据安排自己未来运营计划，可以根据一些经验判断一下发展趋势，我们可以根据以往年份的情况预测今年，然后有了这些历史数据的时候，你才会更清楚知道在什么开始准备切入，什么时候开始发力推广，什么时候开始清仓处理。

怎样操作才能提升商品的排名呢？

1、关键词。

优化商品排名时一定要从关键词入手。如果想要通过关键词让商品排名靠前，那么关键词一定要精准。

2、击率和转化率

。点击率和转化率对拼多多商品具有一定的影响，若商品连点击率都没有，排名怎么可能会高呢？价格和主图是影响商品点击率主要因素。点击率和转化率上来了，商品排名自然而然就上来了。

3.推广。

推广有利于提高商品排名。通过微信、朋友圈等渠道分享产品，可以带来流量，提高产品活跃性，从而提高权重，提高排名。

4.质量和价格。

众所周知，商品的质量是开店的基础，而在拼多多中直接影响商品的竞争力的是价格。拼多多走薄利多销扥路线，虽然商品价格低，但商家还是要保证商品的质量，才能提高商品排名。

5.维护好服务。

商家售后服务不好易引来买家投诉，严重的平台介入。平台介入次数多，对店铺会有很不好的影响，对商品排名产生不好的影响，所以商家要做好售后服务，好评多了，排名自然就上来了。

6.新品加权

拼多多对新品是有搜索加权的，市场规律注定需要新鲜的血液的进入，拼多多也是如此，只是加权的大小不同而已。

7.综合质量得分