pipeline工作流程（如何搞懂一个销售pipeline）

本文目录

• 如何搞懂一个销售pipeline
• CPU的工作原理
• pipeline和StandarScaler和SVC之间的关系
• hadoop pipeline 搭建

如何搞懂一个销售pipeline

做销售，首先是搞懂自己企业产品或服务的基础功能和客户价值，尤其是客户价值非常关键。有了这些，销售部门的主要工作大致就是这个过程：寻找客户、发现潜在客户、接触客户、发掘需求、产品或服务展示、促成交易达成。

公司领导会通过对这个过程的深入了解、全程参与，全面、动态掌握公司的销售现状，及时发现问题并调动各项资源解决主要矛盾，帮助销售部门推进进程、完成交易。

因此，销售人员在跟领导一起复盘时，一边要如实汇报，一边更要仔细聆听领导的分析和讲解，这样大概率会提升自己的工作效率。

Pipeline的3个功能

1、过滤网：把那些冗余，甚至是混淆视听的错误信息，通过其不同的漏网密度进行过滤，从而得到销售管理人员所想要的重要“信息”。Pipeline Management作为过滤网，它不会去“添加”信息，所起的就是“筛选”。帮助企业避免时间成本和机会成本的损失。

2、准确预测：销售管理人员如何核算当前销售额度，并合理、准确的预测下一月度/季度/年度数据也是一个难题。

Pipeline对每一层次进行定位的同时，也按照销售进度给每一层估算了一个成功度可能性的估值。这个估值也是经过时间检验的一个比较准确的数值。我们在进行下一月度/季度/年度数据预测中，就可以参照这个Pipeline数值。

3、形成共通的语言：销售间，上下级间沟通困难就需要一种语言，Pipeline能够形成一种销售人员沟通中共通的语言。画个图就能知道销售流程进展到了哪个部分，下一步该做什么也能一目了然。这个图，就是Pipeline Analysis Process（漏斗分析），而这个销售流程自然就要按照Pipeline来进行勾画。

CPU的工作原理

CPU工作原理
一·CPU的基本概念及组成
CPU（Central Processing Unit 中央处理器）
世界上第一台PC机中的CPU－i8086是美国IBM公司1981年推出的·
其执行指令为X86指令集·同时为提高浮点运算能力，增加X87指令集，以后的X86及X87统称为X86指令集·该指令集一直沿用到现在的PIIICPU·
CPU主要包含运算器及控制器，其内部结构可分为控制单元，逻辑单元和存储单元·运算器主要完成各种算数（加，减，乘，除）和逻辑运算（逻辑加，逻辑减和非运算）·控制器不具有运算功能，它只是读取各种指令，并对指令分析，作出相应的控制·
二·CPU的主要参数
1·位，字节和字长
通常我们提到的16位，32位机是指CPU可以同时处理16位，32位的二进制数据·CPU按照其处理信息的字长可分为8位微处理器，16位微处理器
32位微处理器及64位微处理器·
位：在数字电路中和电脑技术中采用二进制，代码只有“0“和“1“，“0“和“1“在CPU中都是一“位“·
字节和字长：CPU在单位时间内（同一时间）能处理的二进制数的位数叫字长·一个字节等于八位（1byte=8bit）·如32位的CPU能在单位时间内同时处理字长为32位的二进制·通常8位称一个字节·32位的CPU一次只能同时处理4个字节·
2·CPU的外频
CPU的外频是指CPU的总线频率，是由主板提供的基准时钟频率·CPU的主频是按CPU的外频乘以倍频系数而来的·CPU的外频从过去的66MHZ发展到现在的100MHZ，133MHZ甚至200MHZ，随著外频的不断提高，CPU与内存数据之交换速度也随之不断提高·
3·前端总线（FSB－Front Site Bus）
前端总线的频率就是CPU的总线频率，内存的总线频率与前端总线频率相同，也就是CPU与L2 CACHE及内存之间交换数据的工作时钟·数据传输最大带宽取决于所同时传输的数据位宽度和传输频率，即数据带宽＝（总线频率＊数据宽度）／8·如前端总线的频率为100MHZ，CPU的数据宽度为64位，则其数据带宽＝（100＊64）／8＝800MHZ，目前AMD公司已经推出前端总线频率为200MHZ的K7CPU，但CPU内核与内存之间的数据交换时钟仍然是100MHZ·
4·CPU的主频
CPU主频就是CPU的工作频率，是CPU内核（整数和浮点运算器）电路的实际运行的频率·在486DX2 CPU之前，CPU的主频与外频相等，在486DX2 CPU开始，所有的CPU主频等于外频乘上倍频系数·
5·L1和L2CACHE的容量和速度
L1和L2 CACHE的容量和工作速率起著决定性的作用·L2CACHE是从486时代开始的，目的是弥补L1CACHE（一级高速缓存）容量的不足，最大程度减少主内存对CPU运行造成的延缓·PII的L1的容量为64K，L2的容量为256K或512K，K6III的L1CACHE为64K，L2的容量为256K，在板的L3CACHE高达2M·设在CPU芯片内部L2CACHE运行速度与主频相同，而采用PII方式安装在CPU外部的L2CACHE运行频率一般为主频的二分之一，其效率要比芯片内的L2CACHE要低·
6·CPU执行指令步骤及其方式
1）·从RAM或CACHE中读出指令（FETCH）
2）·将读出的指令解成微指令（DECODE）
3）·将执行指令所需的控制质料读出（FECCH OPERANDS）
4）·执行解码后的微指令（EXECUTE）
5）·执行后的结果存回RAM中（WRITE BACK）
CPU执行指令方式可分为以下两种：
1）·非管线处理方式（NO－PIPELINE）
必须等前一个指令的上述5个步骤完成后，才进入下一个指令·
2）·管线处理方式（PIPELINE）
可以在前一个指令进入第二个步骤同时，下一个指令便可进入第一个步骤·
7·CPU的指令集
1）MMX：多媒体指令集·其使用了SIMD（Single Instruction,Multiple Data）
技术，MMX增强多媒体信息处理，提高CPU处理3D图形视频和音频能力·优化整数运算，但没有加强浮点运算·（共57条指令）
2）SSE：因特网数据流单指令序列扩展（Internet Streaming SIMD Extensions 的缩写·该指令增加了浮点预算能力，提高了内存的使用效率，优化了3D几何运算及动画处理，视频／压缩／解压（图像DVD等）语音识别等功能·（70条指令）
3）3DNOW：AMD公司开发的多媒体扩展指令集，针对MMX指令集没有加强浮点处理能力的弱点，重点提高了AMD公司K6系列CPU对3D图像的处理能力，该指令主要是应用于3D游戏·对其它商业图形应用处理支持不足

pipeline和StandarScaler和SVC之间的关系

Pipeline、StandardScaler和SVC（Support Vector Classifier）是机器学习中常用的三个概念，它们可以在一起使用以构建一个完整的机器学习模型。
- Pipeline（管道）是一种用于将多个数据处理步骤连接在一起的工具。它允许你按顺序应用一系列的转换和估计器（estimator），并将其视为一个整体。每个步骤都是一个元组，包含一个名称和一个转换器或估计器。使用Pipeline可以更方便地组织和管理机器学习工作流程。
- StandardScaler（标准化器）是一种数据预处理技术，用于对特征进行标准化处理。它通过去除特征的平均值并按标准差缩放特征，使得每个特征的均值为0，方差为1。标准化可以使得不同尺度的特征具有相同的重要性，有助于提高模型的性能。
- SVC（支持向量分类器）是一种机器学习算法，用于进行二分类或多分类任务。它通过在特征空间中找到一个最优的超平面来划分不同类别的样本。SVC可以处理非线性问题，通过使用内核函数将数据映射到高维空间来进行分类。
当这三个概念结合在一起时，可以构建一个机器学习流水线。Pipeline可以将多个数据处理步骤组合在一起，比如先使用StandardScaler对数据进行标准化处理，然后使用SVC进行分类。这样可以实现一个端到端的机器学习流程，方便地对数据进行预处理和建模，并且可以重复使用和部署整个流水线。

hadoop pipeline 搭建

    在互联网公司做算法工程师，一般的工作流程是1.hadoop跑数据做线下调研，2 调研结果出来后，跟线上效果做对比，3 线下调研结果OK 将模型上线。一般来讲，训练数据都具有时效性，模型需要常常更新才能在线上获得稳定的效果，于是在模型上线后搭建一个自动化更新模型的pipeline就变得非常重要了。

    pipeline的一般搭建流程如图一所示：

    

    首先是日志挖掘，从线上日志利用hadoop挖掘原始数据；其次是从原始数据中清洗并且提取特征（可能这里还需要对数据进行采样，变换数据分布）；然后是重新自动训练一个新的模型，在测试集上自动评估后，以词典的方式上线。（深度学习的模型参数值保存为pb文件，可以通过上线词典的形式更新模型）。我将整体的pipeline 流程分为三段： 

        a.数据集生成，hadoop 日志挖掘与清洗

        b.模型生成，模型自动训练

        c.词典上线，评估结果并自动上线

    在数据集生成阶段，其实可以分为三段： 1 日志挖掘原始数据；2 数据清洗与特征变换；3 数据抽样变换分布，用一个主shell处理数据集生成。

    1 在这里每一个子任务都应该由一个shell脚本处理，在每一个子任务里都应该打印重要的参数信息，例如输入和输出以及其他的重要参数，方便脚本出错debug调试。每一个子任务都可能有很多需要控制的参数，这些参数不应该分开写在每个shell里，应该写在主shell里统一控制。

    2 一个自动化的pipeline应该是全程自行的，不需要我们去管他。只有当遇到错误发生的时候需要提醒我们去处理。所以在每一个子shell里应当编写if语句 发送邮件通知。

            if ;then

                       echo "dst M/R Job  fails" | mail -s "check the hadoop shell"  邮箱名

                        exit 1

            fi

    3 有的数据清洗与特征变换任务可以在hadoop上直接完成，有的可能由于一些特征原因需要在本地完成，这点需要工程师自行决定怎么才是最优选择。

    4 对于数据抽样变换分布，我一般用蓄水池抽样，根据不同的分类，等概率抽取每个类别的样本数据