9-应用场景分析 (假设)
区块链技术在供应链金融中的应用场景分析
区块链技术在供应链金融中的应用场景分析谈起区块链，自然而然会联想起各种“币”，就我个人浅见，币，仅仅是区块链的一种应用而已，不是全部。
区块链也并非能上升到能改造、重构互联网，甚至到神话和哲学的程度，但是，区块链的很多特性，确实有用，而且能解决传统技术框架下难点和痛点。
在正常的业务中，无论是手工线下作业，还是传统线上供应链金融平台，可能都很难解决一个问题：单据、信息在传递过程中被篡改的难题！我们以自己粗浅理解和肤浅实践，谈谈如何用区块链进行防篡改。
举个例子：我们假设3个角色：供应商（融资方）、保理商、资方。
场景是：供应商需要通过保理融资，保理商提供保理融资服务，但保理商缺资金，需要引入提供资金的资方，比如银行或其它另外一家财大气粗的保理商。
1、线下的过程：按照常规的做法，保理商去供应商进行尽调、收集各项资料，并提供给资方，交由资方进行审核，最终无论是采用双保理还是再保理，完成了融资动作。
但此时，问题就来了，即使假设供应商提供的资料是真实的情况下，资方会相信保理商提供的资料是真实的、没被保理商篡改过？那么，最终在资料被证伪的情况下，可能会发生的情况是：保理商说，供应商提供的资料本来就是假的，而供应商说，我给你的是真的，你给换了、改了...。
所以，谨慎一些的，或者说绝大部分的资方都会自己再直接去收集资料，一遍一遍地摩擦供应商。
2、无区块链的线上供应链金融平台的过程：供应商在线上供应链金融平台提交资料，无论是经由保理方审核通过后对接给资方，还是采用直接给资方，看起来没有问题，是吧？但是，平台可信吗？会不会存在一种可能，某一个组织（比如平台运营方）、某一个个人（比如黑客）通过后门或通过获取超级权限的方式，直接进入数据库对资料进行篡改？因为传统供应链金融平台的数据库是“中心存储”方式，改了就生效。
所以，资方一样不相信！所以，如不能解决“防篡改”，无论线下还是线上均无法做到可信！那么，加上区块链为什么就能解决呢？防篡改，指的是防止被非法修改数据。
假设检验应用场景
假设检验应用场景
所谓假设检验(Hypothesis Testing)也就是基于数理统计学，判定假设条件是否成立的方法论。
其作为统计学的一门学问，其特有的方法论可以帮助使用者从千头万绪中抽丝剥茧，指明分析问题的思路，并核算所需的最小样本量，从而大幅提高判断的效率和准确性，为正确决策提供可能。
凡是涉及到判定真伪，做出决策的场合都可以尝试用假设检验的逻辑和方法。
如果是一名制造工程师
为了改善某个问题完成了一组测试，其原假设H0：“实验有效“，
如果做出了错误的判断会导致：
I类错误
试验有效,但判定无效.造成错失改善机会.
均值不等,但判定相等.后果同上.
标准差不等但判定相等后果同上
II类错误
试验无效，但判定有效，造成无效的措施被采纳. 均值相等，但判定不等，后果同上.
标准差相等，但判定不等，后果同上.
管理者如何面对有疑问的说辞
如果是一名管理者面对有疑问的说辞：原假设是“相信此人是诚实/正确的”，
做出了错误的判断会导致：
I类错误
错过好的改善或者盈利的机会
II类错误
可能使得企业遭受或大或小的损失，随着企业对管理人员的
容错范围在收窄，对其职业生涯会产生直接影响。
这也是管理者一般不轻信别人的原因。
如果是一名法官
庭审上面对疑犯的原假设H0是“疑犯无罪”（注意律政的原则是疑罪从无），
做出了错误的判断会导致：
I类错误
清白的人进监狱，需要特别谨慎，一般选择5%
II类错误
罪犯逍遥法外，一般选择10%
这些就是假设检验的一般应用场合，更多请关注天行健咨询！。
区块链技术与应用场景分析考核试卷
五、主观题（参考）
1.区块链的核心组成部分包括数据区块、网络节点、共识算法和加密技术。数据区块通过哈希值链接，确保数据的不可篡改性和连续性。网络节点分布式存储数据，共识算法协调节点间的一致性，加密技术保护数据安全。
2.以物流行业为例，区块链可以提高货物追踪的透明度，减少欺诈风险，实现智能合约自动化的支付和结算流程。应用场景包括：供应链管理、货物所有权转移、物流成本优化。
18. A
19. D
20. C
二、多选题
1. BCE
2. ABC
3. ABCD
4. AB
5. AC
6. ABCD
7. AB
8. ACDE
9. ABCD
10. ABCD
11. ABCD
12. ABC
13. ABCD
14. ABCD
15. ABCD
16. ABCD
17. ABCDE
18. ABCDE
19. ABCDE
3.主要挑战包括扩容性、能源消耗和法律合规性。解决方案：分片技术提高处理能力；采用更高效的共识算法减少能源消耗；与监管机构合作，制定合规框架。
4.身份认证系统通过区块链技术确保用户身份的真实性和不可篡改性。关键功能：去中心化身份管理、生物识别数据保护、跨平台身份验证。业务优势：提高安全性、减少欺诈、改善用户体验。
20. ABCDE
三、填空题
1.数据区块
2.哈希值
3.共识
4.区块链平台
5.加密货币
6.加密
7.节点
8.跨链
9. Bitcoin: A Peer-to-Peer Electronic Cash System
10.智能合约
四、判断题
计算机视觉技术的应用场景与案例分析
计算机视觉技术的应用场景与案例分析计算机视觉技术是一种能够使计算机通过摄像机等视觉传感器获取图像或视频，并利用图像处理与分析算法来解读和理解图像内容的技术。
它已经在各行各业中得到广泛应用，包括工业制造、医疗诊断、交通管理、人脸识别等领域。
这篇文章将就计算机视觉技术的应用场景与案例进行分析。
一、工业制造领域工业制造是计算机视觉技术的一个重要应用领域。
在工业制造过程中，计算机视觉技术可以被用于产品质量检测、产品分类与分拣、机器人自动引导等方面。
例如，自动化生产线上的计算机视觉技术可以识别和检测产品表面的缺陷，如瑕疵、裂痕等，提高产品的质量和一致性。
另外，计算机视觉技术还可以应用于机器人自动化导航，使机器人能够更精确地感知周围环境，并且根据图像信息进行自主导航和工作。
二、医疗诊断领域医疗诊断是计算机视觉技术的另一个重要应用领域。
计算机视觉技术可以用于医学影像的分析与处理，辅助医生进行疾病的诊断与治疗。
例如，在医学影像方面，计算机视觉技术可以自动识别和检测影像中的异常位置，辅助医生进行肿瘤、骨折等疾病的诊断。
此外，计算机视觉技术还可以应用于手术室的辅助操作，如机器人辅助手术和计算机辅助导航，提高手术的准确性和安全性。
三、交通管理领域交通管理是计算机视觉技术的重要应用场景之一。
计算机视觉技术可以通过分析交通摄像头拍摄的图像和视频，实时监测和分析交通状况，如交通流量、车辆违规行为等，为交通管理部门提供决策支持。
例如，交通摄像头可以利用计算机视觉技术自动识别交通流量密集的道路，并根据识别结果调整交通信号灯的时间。
此外，计算机视觉技术还可以用于自动驾驶技术的开发和改进，实现道路标志和交通信号灯的识别与理解。
四、人脸识别领域人脸识别是计算机视觉技术的一个热门应用领域。
计算机视觉技术可以通过分析和识别人脸的特征，实现个体的识别与辨认。
人脸识别技术已经被广泛应用于安全监控、手机解锁、人员出入管理等场景。
例如，在公共安全领域，计算机视觉技术可以在监控摄像头中实时识别和追踪嫌疑人的人脸，提供及时的警报和报警信息。
oee应用分析场景模型
oee应用分析场景模型设备综合效率"(Overall Equipment Efficiency，OEE)是全面设备维修TPM2(Total Productive Main-tenance，TPM)中很重要的内容之一。
OEE数据分析简单而实用，综合考虑生产车间里最常见最重要的因素，已成为现代精益生产理论的最基本的工具。
OEE理论虽不复杂，但是在实践中很多生产性企业缺乏一个可行的分析模型，因此本文将针对单机设备OEE数据分析模型的建立进行研究。
一、OEE的理论基础和概况OEE是评定设备或一组设备运行效率最有效的管理指标，首先我们通过某单机设备的运行曲线分析一下OEE是如何建立起来的。
可以看出设备经过一段启动时间逐渐达到额定运行速度，正常运行一段时间后由于某种原因，出现了速度波动，此时设备虽然还在运转但是不能够以最大的生产能力输出产品甚至会出现短暂的小停机，我们把小停机视为低速运转的一种特例。
运行过程中，有时会出现故障或突发事件面停机，还有一种情况是设备虽然在运转但无原料输入和产品输出，即空转，空转时设备耗费能源但不产生效益。
人们将所有影响OEE的因素概括为以下6个方面:设备大停机，设置/调节，小停机和减速、空转，启动停机、不合格品，我们称之为“六大损失”若把“六大损失"折算成时间损失，其中不合格产品数可以折算成时间损失，即不合格品时间损失=不合格产品数/设备额定能力。
可以容易看出总工作时间中去掉损失时间后得到的是实际有价值时间。
损失时间越大，有价值时间越小，而设备的综合效率就是其创造价值的效率(5，所以OEE的计算公式可写为OEE=实际有价值时间/总工作时间×100%。
其中，实际有价值时间=合格产品数/设备额定能力。
因此OEE 的公式也可写为OEE=合格产品数/(总工作时间×设备额定能力)×100%。
二、OEE数据分析模型的建立方法与步骤上面给出了OEE的计算公式，接下来再把设备物理状态考虑进去。
九张牌每次翻两张,怎么全部翻不成正面的数学道理
九张牌每次翻两张,怎么全部翻不成正面的数学道理摘要：1.问题背景及描述2.数学原理的解释3.实例演示4.应用场景及启示正文：【提纲】一、问题背景及描述在日常生活中，我们可能会遇到这样的游戏规则：九张牌每次翻两张，要求全部翻成正面。
那么，这个游戏是否可行呢？接下来，我们将从数学角度来分析这个问题。
二、数学原理的解释我们可以将这个问题转化为概率论中的组合问题。
假设每张牌有两面，一面为正面，一面为反面。
每次翻两张牌，我们需要计算全部翻成正面的概率。
设牌的总数为N，正面牌数为M，则反面牌数为N-M。
每次翻两张牌，有以下几种可能情况：1.两张都是正面：概率为M/N * (M-1)/(N-1)2.两张都是反面：概率为(N-M)/N * (N-M-1)/(N-1)3.一张正面，一张反面：概率为2 * M/N * (N-M)/(N-1)要使全部翻成正面的概率不为零，我们需要满足以下条件：M/N * (M-1)/(N-1) ≥ 1/2化简得：M ≥ N/2也就是说，当正面牌数不少于总牌数的一半时，才有概率全部翻成正面。
三、实例演示以九张牌为例，假设其中有五张正面牌和四张反面牌。
我们可以计算一下全部翻成正面的概率：1.两张都是正面的概率：5/9 * 4/8 = 1/62.两张都是反面的概率：4/9 * 3/8 = 1/63.一张正面，一张反面的概率：2 * 5/9 * 4/8 = 10/18全部翻成正面的概率为：1/6 + 1/6 + 10/18 = 1/2可见，在九张牌的例子中，全部翻成正面的概率是存在的。
四、应用场景及启示1.彩票：在彩票游戏中，通常会设置各种奖项，如一等奖、二等奖等。
了解概率论可以帮助我们更好地分析和选择彩票号码，提高中奖概率。
2.赌博：在赌博游戏中，如扑克、麻将等，了解概率论可以帮助我们更好地判断局势，制定策略。
3.投资：在投资领域，了解概率论可以帮助我们更好地评估风险，做出明智的投资决策。
分类在实际场景中的应用案例实训目的
分类在实际场景中的应用案例实训目的分类算法的应用我们将算法应用分为表述问题和解决过程两个阶段，表述问题即需要运用数据挖掘能多理解和处理的语言来闸述业务问题，最重要的是能够用正确目符合实际的方式把业务问题转化成数据掘问题，这往往决定了后续工作是否能有效的展开，尝试解决一个不符合实际的业务问题往往会使得数据挖掘的工作陷入数据的海洋中，既费时费力又得不到想要的结果，而解决过程，顾名思义就是将表述清楚的问题通过数据挖掘的方法加以解决的过程。
在我们把业务领域的问题很清晰地转化为数据挖掘领域的问题之后，解决问题也就变得相对直截了当。
分类算法的应用非常广泛，只要是牵涉到把客户、人群、地区、商品等按照不同属性区分开的场景都可以使用分类算法。
例购我们可以通过客户分类构造一个分类模型来对银行贷款进行风险评估，通过人群分类来评估酒店或饭店如何定价，通过商品分类来考虑市场整体营销策路等。
在当前的市场营销行为中很重要的一个特点是强调目标客户细分。
无论是银行对贷款风险的评估还是营销中的目标客户（或市场）细分，其实都属于分类算法中客户类别分析的范睛。
而客户类别分析的功能也正在于此：采用数据挖据中的分类技术，将客户分成不同的类别，以便于提高企业的决策效率和准确度。
例如呼叫中心设计时可以分为呼叫频繁的客户、偶然大量呼叫的客户、稳定呼叫的客户和其他客户，以帮助呼叫中心寻找出这些不同种类客户的特征。
这样的分类模型可以让呼叫中心了解不同行为类别客户的分布特征下面是几个做得比较成熟的具体分类应用描述和解决过程直邮营销（DirectMail）直邮销是直效行销的一种，是把传统邮件直接发送给消费者的首销方式，而且很多传统行业把直邮销作为整个营销体系中一个重要的组成部分，涉及的行业主要是大型商场、大卖场、商业连锁店铺、专卖店等。
当然由于直邮营销的应用很广，所以这种方式也同样适用于其他行业。
案例闸述：A公司是一家汽车4S店，公司拥有完备的客户历史消费数据库，现公司准备举办一次高端品牌汽车的促销活动，为配合这次促销活动，公司计划为潜在客户（主要是新客户）寄去一份精美的汽车销售材料并附带一份小礼品。
数据分析案例EXCEL实际应用场景解析
数据分析案例EXCEL实际应用场景解析近年来，随着大数据时代的到来，数据分析越发受到重视。
作为一种强大的数据处理工具，EXCEL在实际应用场景中扮演着重要角色。
本文将以案例形式，解析几个数据分析在EXCEL中的实际应用场景，揭示其在数据处理与决策支持方面的价值与作用。
案例一：销售数据分析某电商平台想要了解各商品类别的销售情况，以便进行进一步的产品优化和销售策略制定。
他们收集了大量的销售数据，包括商品名称、销售额、销售量、销售时间等信息，并通过EXCEL进行数据分析。
1. 数据清洗：首先，使用EXCEL的筛选功能，筛选出所需要的数据字段，并删除重复数据和无效数据，确保数据的准确性与完整性。
2. 数据统计：根据不同商品类别的销售数据，使用EXCEL的函数功能（如SUM、AVERAGE、COUNT等），分别计算出每个类别的销售总额、平均销售额和销售量，并进行可视化展示（如柱状图、折线图等）。
3. 数据分析：通过EXCEL的排序功能，对销售额进行降序排列，找到销售额最高的商品类别，进一步分析该类别的销售特点和消费者偏好，为优化产品和调整销售策略提供决策支持。
案例二：市场调研数据分析某市场调研机构收集了大量的消费者调研数据，想要了解目标受众的消费偏好和市场趋势，以便为客户提供有针对性的市场推广方案。
他们使用EXCEL对数据进行了深入分析。
1. 数据筛选：根据调研对象的特征和目标需求，利用EXCEL的高级筛选功能，筛选出符合条件的样本数据，并将其按照不同维度（如性别、年龄、职业等）进行分类整理。
2. 数据可视化：根据调研问题的不同，使用EXCEL的图表功能（如饼图、条形图等），对调研数据进行可视化展示，直观地呈现受众群体的消费偏好和市场趋势。
3. 数据分析：通过EXCEL的数据透视表功能，对调研数据进行透视分析，探索不同变量之间的关系和趋势，为客户提供洞察和建议，辅助制定精准的市场推广方案。
案例三：项目进度管理与风险评估某公司正在进行一个复杂的项目，需对项目进度和风险进行有效管理和评估。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
应用场景分析---假设
在这段视频中，我将展示如何使用应用场景分析- 用于数据挖掘的“假设”表分析工具。
这个工具只是用于Excel 的众多数据挖掘外接程序之一，并且我们为每个外接程序都制作了视频。
该应用场景分析工具使用逻辑回归算法，可用于对两种类型的应用场景进行建模，并且报告对输入数据中的单行或整个表的影响。
“假设”分析有助于您了解“如果我这样更改，将会有什么结果？”此工具将基于它从您的数据中分析出的成果来帮助您做出决策，例如，裁减营销人员将会对销售额产生的影响。
在本教程中，我们将使用呼叫中心数据来了解如何减少“各问题平均所用时间”(Average Time Per Issue)。
我所使用的Excel 数据来自。
如果您使用自己的电子表格，只要记住为了找到有意义的模式，必须从有价值的少量数据开始，但数据至少要有50 行。
向导
我们对Level2Operators和“各问题平均所用时间”(Average time per issue) 很感兴趣，为了更好地进行演示，我要隐藏一些列，这样更容易看清结果。
1.开始时，选择“表分析工具示例”(Table Analysis Tools Sample) 选项卡，然后单击表
内的任何地方以激活表分析工具。
2.在“表工具”(Table Tools) 菜单下，选择“分析”(Analyze) 选项卡，从而打开“表
分析工具”(Table Analysis Tools) 功能区。
3.单击“应用场景分析”(Scenario Analysis)，然后单击“假设”(What-If) 以启动该向
导。
4.选择“各问题平均所用时间”(Average time per issue) 作为要更改的列。
5.选择“百分比”(Percentage)，然后键入80。
这样做的意思是：平均而言，我们愿
意在每个问题上稍微多花一点时间。
6.如果“更改”(Change) 列包含连续数值，您也可以在值中指定所需的增减量。
例如，
我可以选择“每个问题的平均服务时间”(Service Average time per issue) 并将更改指定为一个确切值。
7.在“影响目标”(What happens to) 框中，选择将会受“各问题平均所用时间”(Average
time per issue) 变化影响的列。
我要选择Level2Operators。
如果我降低我的“各问题平均所用时间”预期值，将会需要多少2 级运营商呢？
8.如果我现在单击“运行”(Run)，将对所有列执行分析。
我不这样做，而是打开“选
择分析时要使用的列…”(Choose columns to be used for analysis…)，然后取消选中FactCallCenterID和TotalOperators。
通过简化我的分析，可以改进性能和准确性。
但是要小心，不要取消选中将用于“目标”(Target) 或“更改”(Change) 的列。
9.我将对“整个表”(Entire table) 作出预测，并且单击“运行”(Run)。
10.我的结果将作为新列添加到原始数据表的右侧。
这些列显示了由于更改“各问题平
均所用时间”(Average time per issue) 而对Level2Operators产生的影响。
第一列显示了如果我们进行这样的更改，是需要增加还是减少 2 级运营商的数量。
最后一列为各行显示了调查结果的置信度。
现在，我们来针对单行数据进行“假设”分析。
1.对于单行数据，该工具将在对话框的“结果”(Results) 窗格中报告结果。
如果找到
了成功的解决方案，该工具将显示结果。
例如，“假设”工具可能会告诉您：如果您
增加“各问题平均所用时间”(Average time per issue)，您将会需要更多的Level2Operators。
与对整个表执行的步骤一样，我将快速执行一遍大体相同的步骤，只不过我将对“当前行”(On this row) 作出预测，然后单击“运行”(Run)。
1.我的结果将显示在下面，同时还显示置信度。
这样我就知道，如果我将“各问题平
均所用时间”(Average time per issue) 更改为平均值的80%，我就需要将2 级运营商从10 增加到11。
2.现在，我需要从8 减少到7。
3.如果我选择“各问题平均所用时间”(Average time per issue) 为81% 的这一行，“假
设”会提出将2 级运营商从8 减少到6 的建议。
但针对同样也是81% 的这一行，它会建议从9 增加到10。
您会注意到，结果并不像您预测的那样简单！这决不是简单地在“各问题平均所用时间”(Average time per issue) 少于平均值时就减少2 级运行商，在“各问题平均所用时间”(Average time per issue) 多于平均值时就增加2 级运营商。
当前的“各问题平均所用时间”(Average time per issue) 不能用于预测更改是否将导致产生增减运营商的需求，数据中的其他因素也会影响到“假设”分析的结果，从而阐明使用数据挖掘来指导业务决策的重要性。