搜索[元数据管理]结果-低调大师优秀个人博客

李彦宏：大模型为云业务带来约 6.6 亿元增量收入

在百度 2023 年第四季度及全年财报电话会上，百度创始人、董事长兼首席执行官李彦宏透露，百度智能云四季度总营收 84 亿元，其中大模型为云业务带来约6.6亿元增量收入。

2024-02-29

2023 年我国软件业务收入 123258 亿元，同比增长 13.4%

2023年，软件产品收入29030亿元，同比增长11.1%，增速较上年同期提高1.2个百分点，占全行业收入比重为23.6%。其中，工业软件产品实现收入2824亿元，同比增长12.3%。

2024-01-26

【直播预告】99 元的云虚拟机× 9 毛 9 的云原生架构√

一、直播信息直播主题：99元的云虚拟机× 9毛9的云原生架构√ 直播时间：1 月 10 日 19:00 - 20:30 直播平台：“OSC 开源社区”视频号主办方：开源中国特邀嘉宾：马工直播亮点

2024-01-03

作者：行疾相信近期从事基础设施工作的各位，对 IT 成本治理，以及 FinOps 体系的概念已经有了一些认知。在 Google 近 5 年的热度趋势中，FinOps 的趋势也在持续上升。在阿里云的同学与客户实际工作协同中，我们发现成本治理是几乎每位客户都存在的普适需求，特别是各位技术管理者重要的关注点之一。据 FinOps 基金会 2023 年的报告，有 43%、24%、17% 的公司，是由 CTO、CIO、CFO 直接指派 FinOps 团队向他汇报，只有 14% 的公司处于还未建立体系化的降本增效的 KPI。根据 FinOps 基金会的报告，建设 FinOps 体系 Top 的痛点非常复杂，包括技术方面问题、如何驱动工程师进行优化、如何减少浪费的资源、如何在容器场景做成本报告分析；同时也存在管理等问题，比如如何让团队组织适应 FinOps 体系等等。我们希望阿里云在提供产品功能的同时，也能正确真正地帮助我们的客户落地自己的 FinOps 体系，真正让客户降本增效。在 2023 年云栖大会现场，我们有幸邀请到某头部科技型量化投资公司的云基础设施负责人，为我们提供基于阿里云容器服务成本套件 ACK FinOps 落地的云原生场景成本治理案例，帮助大家了解在容器场景下的企业成本治理现状、挑战，以及如何结合 ACK 成本套件产品功能构建云原生用户自己的 FinOps 体系。容器场景成本治理挑战与实践本次分享的企业是中国领先的以人工智能和机器学习为基础的科技型量化投资公司，使用了大量的 AI、大数据作业来辅助量化交易决策，需要大量弹性的算力的同时，也需要更好的实现成本的控制，通过 Kubernetes 将 AI、大数据、工作流等作业放在一个集群中分时、弹性运行。以该企业为例，业务系统大致分为几类应用部署形态：稳定的系统应用不特定时间的按需任务测试开发环境的应用这几类应用都会消耗基础计算资源，并产生成本。目前该企业部分业务在使用阿里云容器服务 ACK 集群做容器化部署，通过 Kubernetes 进行量化交易的数据执行与决策，及阿里云 ACK FinOps 套件实现成本的洞察与分摊，经过治理后实现了近 30% 资源水位的提升。在企业成本治理的实践过程中，该企业主要遇到规划难、分账难、管理难、优化难这 4 方面的挑战。规划难在进行成本治理方面工作时，首先遇到的挑战是按需任务、测试开发环境的容量规划问题。开发、测试应用在容器化部署架构下，实现快速迭代的同时，难以较准确地给出分配的资源量。过度分配资源会导致资源浪费，资源超售过度则会导致稳定性问题。分账难该企业的云基础设施每天为很多的上层应用提供服务，多个容器应用共享一个 K8s 集群。一个计算节点上可能运行多个 Pod，而且 Pod 可以弹性伸缩，在节点间动态迁移。多个业务应用混部在同一个池化的 K8s 集群中，难以把整个集群的账单分摊到应用和人。应用层与资源层计量计费在空间、时间等多个维度都无法做到一一对应，成本治理的复杂性业因此而来。管理难另外，由于各个应用的使用场景存在很大差别，每当找出闲置浪费的资源后，往往难以“爽快地”马上缩容下线资源，如何在优化资源成本浪费的同时保障业务的稳定性，一直是一个难以回答的问题。优化难容器化后是拥有各种丰富的成本优化手段，但“这样调低 request 资源分配水位后，是否影响业务？”，“现有的 HPA 弹性伸缩策略，是否能在业务真正需求资源时正确工作”，甚至于“我现在要下线的网络、存储资源是不是真的没人使用？” 云原生技术中例如弹性、混部、Serverless、超卖等技术都有各自适合的典型场景。如果使用不当，比如弹性配置错误，可能带来意想不到的资源浪费甚至稳定性问题。如何解决分账难题首先要面对分账难问题，理清花费在哪儿是最重要的工作。站在 Infra 团队的视角，一直以来和上层业务、应用层的部门同事的协作工作方式都是：当新业务需要上线、或老业务需要扩容时，业务部门会申请告诉我们他们“期望”使用多少的容量，为了保证业务稳定性，资源需求往往拍脑袋定义，且业务团队都希望申请冗余远远超过实际预期的资源量。长此以往，集群的水位就会出现大量闲置。由于业务是容器化混合部署的应用在同一集群中，应用的水位分布也往往呈现长尾效应，稳定的大规模应用往往经过重点优化已经有较高的资源利用率，但大量小规模应用使用大量闲置资源。传统部署模型下的资源成本统计方式，是按业务使用的节点维度分析成本，但是在 K8s 场景下，业务使用的资源统一从资源池中调度，业务对资源浪费也隐藏在整个集群、节点的水位中难以发现。要算清这本糊涂账，一定要把成本归因到具体某个业务应用，甚至是具体到某个人，才能推动真正地降本。怎么把成本归因到具体业务，首先需要精细化的监控数据，来看清业务对资源的使用情况。阿里云 ACK 团队可以为企业提供详细的成本、资源观测数据，包括：每天每笔云上资源的真实花销成本账单每个容器部署的资源使用量、使用水位部门、业务、个人这些业务层层级关系，该企业通过按集群的 namespace、不同工作负载、任务通过打特定 label 的方式，最终与具体 K8s 集群中的花费资源成本的 Pod 进行映射。最终通过结合阿里云 ACK 成本洞察数据的方式，可构建多个不同视角的成本资源监控大盘，包括：每天每笔不同云资源账单维度的监控大盘归因到业务应用/个人的监控大盘由此，便于分析发现应用维度的浪费，如形成 Top 浪费的应用报表，进行数据驱动地成本优化推进。面对成本管理难题 Infra 团队在推动降本增效时往往是无力的，更多需要推动跨团队的协作。站在一个业务应用的上线过程来看协同关系，Infra 团队往往职责是接受上层业务层同事的需求，以及保证提供资源，这里的需求关系是从业务层到 Infra 层是至顶向下的。然而 Infra 团队与成本资源花销的距离是最近的，感知是最深切的，所以往往需要由 Infra 团队来推动成本治理，构建 FinOps 体系的建设。这里的路径在跨部门的协同关系上反而是至下而上反方向的。 Infra 团队就算找到对应的业务团队，推动他们缩容、下架掉闲置的云资源，往往由于没有数据驱动或对降本增效清晰的认识而难以开展工作，最终会导致极其低效的降本增效，白白浪费 Infra 团队工程师们宝贵的时间。我们不妨换个思路拆解一下解决方案。首先需要明确，所有人都需要对降本增效负责，且需要划分清晰的责任范围。以该企业为例，业务协同主要分为三大类角色：业务应用团队：负责业务应用的具体研发业务平台团队：负责为业务应用提供通用业务能力 Infra 团队：为以上团队提供基础设施顺着成本治理的至下而上的路径，该企业划分了成本治理清晰的权责范围，以及通过构建不同视角的成本监控大盘构建统一的数据驱动成本洞察体系。首先对成本资源感知距离最近的 Infra 团队：拿数据说话，驱动业务团队优化。通过集群的 overview 整体视角的监控大盘，从集群、各项云资源、节点等视角，界定确定性的浪费资源，以及通过对各集群资源使用的 breakdown 分析，找到成本问题的症结所在。对于业务平台团队，从业务预算、Quota 层面驱动业务成本优化。每个业务也需要从财务层面做成本治理，这里业务平台团队通过成本洞察的数据，结合财务的预算，形成统一的报表、监控。如预算超标，需要透传分配 Infra 团队根据 breakdown 数据，进行成本分析。业务应用团队，需要选择科学可靠的成本优化手段。作为应用的研发，使用业务平台、Infra 平台，他们是对业务、代码最了解的专家，也是需要平衡资源浪费与应用稳定性的最终负责人。在 FinOps 体系中，ACK 成本套件为他们提供应用视角的监控大盘，清晰观测自己应用资源、成本水位的同时，判断收敛后的资源水位是否合理，以及对自身业务变化规律来制定科学的弹性策略以满足动态资源的需求。如何规划资源 & 成本有了以上的分账、跨团队协作的解决方案后，我们来看规划难的问题。新业务上线需要规范流程，制定合理的容量规划。而新业务、跑批任务等，经过上线前压测，通过经验值或成本套件资源画像等只能推荐出科学的资源规格配置。针对这个问题，在上线过程可以使用 ACK AHPA 等智能弹性策略来做到动态业务趋势的智能资源调整。每个业务都不应该无限申请成本。把成本、资源归因到个人，同时也需要根据业务量、资源趋势制定财务预算，以及成本 Quota 计划。合理地进行成本控制。部门、业务、个人的成本预算，应按应用使用比例分摊到集群中的应用部署、Pod。该企业的做法主要是通过 namespace、给容器副本打业务 label 的方式进行映射。最终预算与归因到对应业务后的实际成本花费进行比对。成本控制方面也是通过 API 集成 ACK 成本洞察的成本数据后，细粒度到业务应用、个人来配置的成本超预算报警。寻找稳定和成本间的平衡最后，在真正进行资源优化过程中。平衡稳定性和成本浪费是非常重要的。首先对于浪费发现，存在两部分浪费：首先需要发现确定性的浪费。完全没有使用的网络 SLB、EIP 等资源，长期空闲的节点等，这些可以通过 ACK 限制资源检查找到这些确定性的浪费。第二部分是非常普遍的，应用的资源浪费。虽然平均集群资源利用率经过优化达到了约 50%。由于是容器化混合部署的应用在同一集群中，应用的水位分布也往往呈现长尾效应，稳定的大规模应用往往经过重点优化已经有较高的资源利用率，但大量小规模应用使用大量闲置资源，隐藏在整个集群中难以发现。这里可以通过拉取 ACK 成本洞察的 Pod 维度的成本资源数据，归因浪费到具体应用/个人后，会使这些应用的碎片化浪费逐个暴露出来。科学合理的 Quota 设置对 K8s 有经验的使用者，对 K8s 资源分配量(Request)、资源限制(Limit)两个值应该会有深刻的理解。科学地配置工作负载的 Request 量可以帮助进行容量规划控制资源成本，Limit 资源限制则可以实现混部的超卖和保证应用的稳定性。通过统一 K8s 集群上应用的 request、limit 设置规范，通过业务量压测、预估经验值，结合根据历史资源使用量的 ACK 资源画像智能推荐的 request、limit 值，该企业可以做到科学地为各个应用设置合理 Quota，平衡业务稳定性和成本浪费。合理地使用弹性策略 HPA 很先进，但激进的 HPA 配置会导致应用不符合预期地扩缩、甚至导致业务稳定性；保守的 HPA 配置可能会导致还是会有大量闲置资源，起不到太多成本节省的效果。云原生技术中例如通过业务指标进行 HPA、CronHPA 等都有各自适合的典型场景。在该企业中也有部分业务应用使用 HPA 策略。首先比较确定性的场景如周期性的业务，使用 CronHPA；同时，参考成本、资源监控数据优化阈值，通过HPA的历史数据，保证资源的流转效率。在决定 HPA 的指标的选择上，该企业会先区分 CPU 密集型的业务还是内存密集型的业务，根据调度的关键资源指标作为 HPA 的决定值。在一些新的业务，没有能参考的资源指标场景，也在使用 ACK AHPA 智能 HPA 策略，形成动态智能的弹性扩缩。整个成本治理工作是一个复杂且综合性的事务。经过近一年多，目前在 IT 成本上节省约 25% 的成本，超过月 10w+ 的成本节省，部分集群资源利用率从 20% 提升至 50%。在整个实践的过程中，该企业也定义了资源流转效率指标，一个业务应用通过弹性扩缩对新资源的使用率，来反映一个应用对资源的浪费程度，资源流转效率越大代表越节约。目前经过IT成本治理，资源流转效率有了 20% 的提升。 “我们也希望通过本次分享我们在 IT 成本治理方面的工作经验，帮助其他互联网金融客户等云上客户更好地建设 FinOps 体系。” 阿里云 ACK FinOps 套件助力容器成本数字化治理阿里云 ACK 团队希望提供真正能帮助用户在容器场景构建 FinOps 体系的产品能力。在深入沟通、了解企业对于容器成本治理的需求和问题后，我们总结出通用的三大 FinOps 治理流程：**成本洞察、成本优化、以及成本控制。 ** 在成本洞察中，ACK FinOp 套件提供多维度视角，帮助用户把集群中业务成本归因到组织和个人。成本洞察能力经过更多客户场景的打磨，推出更科学的分账算法，同时目前支持通过 API 让客户进行二次开发，以及如极氪汽车等多云场景我们支持多云成本适配器，帮助多云、IDC 机器混合等场景下成本治理保持统一。在成本优化中，我们提供资源画像功能，智能推荐应用优化配置，并通过 Koordinator 在离线混部组件进一步提升资源利用率。以及提供 CronHPA、 AHPA 等丰富的自动弹性扩缩容策略。并提供智能资源浪费巡检。在成本控制阶段，ACK 将提供成本洞察大盘周报功能，直接抄送成本周报至对应业务团队更能推进团队进行成本优化，并树立 FinOps 建设意识，提供费用趋势预测，帮助刚好地指定业务预算，最终进行成本控制。看清成本、找出浪费，永远是成本治理的第一步。 ACK 成本洞察功能帮助用户构建数据驱动的成本观测能力。 ACK 成本洞察功能提供开箱即用的集群成本大盘，实时计算出多维视角的集群应用成本账单，以及提供不同资源配型，如包年包月、抢占式节点的横向比较，以及推荐不同的节省策略。同时，下钻到应用层的应用视角成本大盘，提供对应用浪费资源程度的 Top 排序，清晰明了发现混部隐藏在集群中的应用浪费问题。 Infra 团队和上层应用团队需要按统一的口径进行成本分账。云原生场景架构复杂，不同应用形态也会在混部场景中对调度资源产生影响。ACK FinOps 提供独有的云原生容器场景成本分摊与估算模型，通过衡量应用对调度的影响大小，更科学合理地对应用成本进行拆分。多数用户的应用可分为两种场景，如 JAVA、J2EE 部署的应用，多为内存密集型场景，如跑批的分布式计算任务，多为 CPU 密集型场景，此类场景，CPU 或内存、甚至 GPU，会作为集群调度的关键资源，决定应用是否能被调度。此场景我们推荐单资源分摊模型，按关键资源进行分账。如一个典型场景，用户在 ACK 集群的 GPU 节点跑 spark 的跑批任务，GPU 资源是当前最影响调度的资源，所以该应用的成本，应该按当前应用运行时间内占用的 GPU 资源来拆分整个节点的成本。混部场景的用户，作为云原生的深度用户，一个集群中会有内存密集型、CPU 密集型等多种应用混部，此时每种资源都决定调度策略，此时我们推出按资源调度水位计算的权重混合资源分摊模型，此模型计算一个应用应该分摊的成本，是由他所申请资源影响可调度资源的部分决定。 ACK 成本洞察可通过混合资源分摊模型，按每个应用对调度的影响，自动计算出合理的应用分账成本。看清了成本浪费后，云原生容器场景下有复杂的架构体系，如何进行优化往往无从下手。 ACK FinOPs 成本套件梳理出 ACK 成本优化路径落地的最佳实践，帮助用户在同步场景选型不同的成本优化方案。如业务应用经常波动的场景，可以通过感知业务的波动，选择自动弹性策略、或通过混部场景的动态资源超卖等提高资源利用率。在不感知业务的情况下，可以检查是否已经是最优的资源配型等。确定性的浪费是我们首要需要找出来并收敛掉的。真实生产环境中，Infra 团队不敢轻易删除集群里的资源，在此 ACK 成本套件推出闲置资源巡检功能，帮助用户找出集群里确定性的闲置资源。这里通过找到处于未使用状态的资源，但在出账时却被计入本集群的成本的资源。包括无业务应用使用的云服务器 ECS、块存储、负载均衡 CLB 和弹性公网 IP 的闲置检查。根据 FinOps 基金会的 2023 年报告，对云资源的更大利用率使用，以及如何驱动工程师团队采取优化措施是现在 FinOps 体系中最令人头疼的问题。在容器场景混部、动态的应用环境下，ACK 资源画像功能可以提供基于应用历史数据的智能资源配置推荐功能。千人千面，在容器场景下是一应用一画像。为每个应用智能推荐升降配策略。解决应用刚上线、或应用业务波动大，无法正确容量规划问题。资源画像的核心技术点在于提供同时平衡过冗余时的浪费且保证过度超卖的稳定性的推荐算法。我们的推荐算法主要考虑了以下 3 方面：使用多种资源维度进行统计，并使用类似分位数的统计方法区分应用突发峰值需求和日常资源需求。使用半衰期华东窗口模型，确保新的数据对算法模型的影响越大，越旧的数据对算法的影响越小。以及考虑了容器运行时状态，参考容器的 OOM 等运行状态，进一步提高推荐值的准确性以及保证稳定性。用户为什么要云原生容器化，除了使用统一标准化的配置方式规范地使用云资源，更大程度也是为了享受集群池化的资源带来的资源利用率提升与系统稳定性的平衡。 HPA 弹性伸缩策略是 Kubernetes 技术生态对这一平衡的重要体现。ACK 容器服务提供丰富的 HPA 弹性策略，针对不同的场景。标准的 HPA，主要解决的业务负载压力波动比较大时，需要人工根据监控来不断调整副本数的问题，实现自动扩缩容。 VPA 垂直扩容 Pod 所在的节点，主要解决资源配额（Pod 的 CPU、内存的 limit/request）评估不准的问题。非常实用的如上文企业面对的周期性波动的应用场景，使用 CronHPA，定时水平扩缩容。基于可预期的时间，提前规划扩缩容 Pod 数。主要解决在可预期的时间，资源不足的问题。同时我们也提供一些领域垂直的弹性伸缩解决方案，如业务事件驱动的 Keda、以及 Serverless 场景支持如灰度发布等场景的 knative 等领域弹性伸缩解决方案。 HPA 的配置确实需要根据应用具体场景，如是否波动，来决定具体选择哪种 HPA 解决方案，以及关键指标应该如何选择等。很多同学看到这里就知难而退了，这里有太多的 HPA 策略，复杂的场景，难以规划的阈值参数，需要丰富的 K8s 经验。现在 ACK 推出 AHPA 智能弹性策略功能，解决这个问题，也让我们窥见了下一个阶段 HPA 弹性策略的新形态。 AHPA 通过收集应用 Pod 的历史数据，通过智能的周期检查+预测算法，结合 ACK 专业的 K8s 应用部署经验。通过资源提前预热，解决 HPA 弹出滞后性的问题。 AHPA 自动配置阈值，智能识别业务指标曲线，无需人工干预，自动弹性规划。支持配置弹性降级保护，快速兜底容错。 AHPA 使用资源提前预热的方法，根据智能算法提前预测将要发生的弹性对资源的需求，实时调整资源容量。正常客户的 HPA 拉起新的 Pod，需要经历如资源调度、拉取镜像、等待容器启动等耗时过程，AHPA 预热后解决客户弹性之后性的问题。通过历史数据的智能预测，无需人工干预，自动规划弹性策略、阈值，解决阈值配错、不好配的问题；以及 AHPA 与标准 HPA 相比，更合理阈值的配置也解决了弹性的滞后性问题。对突发的业务流量收缩，支持配置弹性降级保护措施，避免过保守的 HPA 策略不能降本增效，过激进的 HPA 策略面对突发情况时会影响业务稳定性。在提升资源使用率的同时，保障业务的稳定性。希望通过我们的分享，能够帮助更多企业了解在容器场景下的企业成本治理现状、挑战，以及如何结合阿里云容器服务 ACK 成本套件产品功能，构建企业自己的云原生 FinOps 体系。

2023-12-27

国内最大、性能媲美 GPT 3.5，元象开源 650 亿参数高性能大模型

XVERSE-65B是由深圳元象科技自主研发的支持多语言的大语言模型（Large Language Model），参数规模为 650 亿，本次开源的模型为底座模型XVERSE-65B，主要特点如下：模型结构

2023-11-14

深圳一公司奖励程序员“黄金键帽”，价值近 2 万元

据称这款空格键键帽是 40g 黄金，价值近 2 万元。 △“黄金C键”是该公司去年的奖励获得奖励程序员根据代码行数排名和部门推举共同选出，最具分量的“黄金空格键”奖励给有效代码量最多的程序员。

2023-10-31

如何用 NPS 确定研发优先级，打破技术与业务的次元壁？

「不了解利益相关者的需求是僵尸 Scrum 团队的四大常见症状之一，其主要表现为成员们忽视价值链上下游的内容，无法或不愿意带来任何改变或影响」，《拯救僵尸 Scrum》如是写道。它们的工作，以及工作所涉及的组织，往往被设计成远离真正使用产品或者为产品付费的人。……其结果是，团队大量炮制出价值可疑的产品功能。这些功能可能不是利益相关者真正需要的。或者它们很好用，但并不能真正帮助用户提高工作效率。这可能是产品开发中最大的浪费：平庸的产品没有提供多少价值。 ——《拯救僵尸 Scrum：卓越敏捷团队生存手册》《拯救僵尸 Scrum》从现象出发诊断僵尸 Scrum 的症状，运用大量的真实案例，解码僵尸 Scrum 给团队和组织带来的危害。同时，全书蕴藏大量的实践指南，提供了一系列的诊断工具和实验，有助于迅速提升 VUCA 时代下的团队和组织效能。对组织管理者、Scrum Masters，以及任何愿意了解如何摆脱僵尸 Scrum 困局的团队来说，这都是一本实操性极强的必读宝藏书籍。（此处感谢👉优普丰敏捷教练👈的小伙伴空投！比心🙆‍♀️）那么，面对复杂多变的环境，企业应当如何培养并平衡团队的客户视角与商业视角，让组织专注于有效的价值交付而非高效的产出，真正打造利益相关者需要的产品，避免陷入/及时摆脱「僵尸 Scrum」困境？本文将分享一个能够有效弥合技术和业务部门的理解鸿沟，让研发交付围绕业务和价值展开的管理指标—— NPS。 01 什么是 NPS？ NPS（Net Promoter Score），净推荐值，由 Fred Reichheld 于 2003 年提出，用于评估客户自发推荐产品的意愿强弱/可能性大小，是应用最广泛的客户情绪与客户忠诚度的分析指标。从 AARRR 模型的角度看，NPS 会直接影响企业获客、留存和传播三个环节，因此成为影响业务增长的重要因素。 NPS 将「价值」编译为「客户推荐意愿」，可以为研发组织提供一个以「客户反馈」为中心的直观的定量工具。它能够快速拉齐产研与业务团队对价值和目标的理解，打破跨部门、跨组织协作的信息墙；同时，其清晰的评估结构又能辅助产品团队制定更明智的优先级管理决策，激励组织又快又好地构建价值增量，为业务服务。 02 如何计算 NPS 分数？「你有多大程度会向朋友或同事推荐我们？」是 NPS 调研中最基础，也最核心的问题。受访者需要将自己的推荐意愿量化成 0 - 10 的评分，其中 0 分代表肯定不推荐，10 分代表肯定会推荐。根据打分情况，受访者将被分为三类： 🥰 9 - 10 分为「推荐者 Promoters」。他们是企业的忠实用户，很可能是口碑营销的传播者；他们愿意继续为产品/服务付费，并将其安利给更多人。 😶 7 - 8 分为「中立者 Passives」。他们对产品/服务持中立态度，总体感到满意但并不狂热，可能会被其他竞品吸引走。 🤬 0 - 6 分为「贬损者 Detractors」。他们对产品/服务不满意，甚至可能传播有关产品的负面评价，阻碍业务增长。受访者中「推荐者占比」与「贬损者占比」的差值即为产品/服务的 NPS 分值。举个例子，如果一次 NPS 调研收集了 100 个回答，其中有 50 个推荐者、30 个被动者和 20 个贬损者，那么 NPS 分数就是 50% - 20% = +30%。 NPS 的取值区间是 [ -100%, +100% ]：如果参与调研的受访者中，产品推荐者比贬损者更多，则净推荐值为正数，反之为负数。「NPS 分值低说明产品不优秀吗？」还真不一定。 03NPS 分数达到多少才算好？ Retently 对从 To B 和 To C 领域共 14 个行业收集到的超 10,000 份调查样本进行了研究与分析，整理出 2023 年各行业的 NPS 基准值。 To B 领域：咨询行业以 67 分夺得第一；B 端软件和 SaaS 行业的平均值为 41 分。 To C 领域：保险行业以 74 分稳居首位，而互联网软件和服务行业则以 9 分排名最后。由此可见，优化 NPS 的行业相对值或者变化绝对值或许比追求高分更具实践意义。此外，Retently 还表示，尽管 NPS 分数会受到行业领域和细分赛道的影响，但普遍来说 NPS 低于 0 分代表贬损者比推荐者更多，产品急需关注和解决； 0 - 30 分代表产品不错，但仍有进步空间； 30 - 70 分代表产品表现非常不错，客户满意度较高； 70 分以上代表产品口碑非常好，且大多数用户都是企业忠诚者。 04 如何使用 NPS 管理研发优先级？虽然 NPS 在一定程度上可以反映产品是否存在问题，或客户当前是否对产品感到满意，但作为一个数值，它无法明确地指出问题出在哪里，以及客户为什么（不）满意。此外，除了行业和赛道等外因，NPS 还会受到产品本身、品牌价值观、营销手段、客户服务等不同内因的影响。也即是说，同一个产品的 NPS 值降低并不一定说明产品功能的表现变差了。因此，我们需要获取更多信息（如受访者的打分动机等）进一步支撑可靠的产品管理分析和决策。常见的补充信息来源有三种。 1. 在问卷中追问开放性问题在 NPS 调研问卷中追加开放式问题，了解客户打分动机或有关功能/产品的意见和建议是最常用的手段之一。为保证能获取到足够多的真实数据，NPS 调研一般采用只包含「NPS 值评分 + 开放式反馈」两道题的精简模式。企业可以设置不同的触发条件，了解不同用户对产品优化和功能改进的具体建议。比如，向推荐者了解用户眼中的产品价值点，向中立者询问能增强其推荐意愿的进步空间，以及向贬损者请教其不满意的具体原因，捕捉产品短板等等。 2. 结合其他调研数据综合分析 NPS 数据分析还可以适当采纳客户满意度评分（CSAT）、客户费力指数（CES）、客户声音（VOC）等其他调研数据，以便综合全面地掌握真实的客户反馈和客户情绪。它们可以是关于全局的用户反馈数据，也可以是在特定使用场景下，根据上下文触发的满意度调研。其关键在于，不同调研的受访者属性应尽可能与 NPS 调研保持一致或相似，否则补充数据的可靠性可能会有所降低。 3. 开展定性访谈挖掘深度信息如果样本量较少，那么主动联系受访者开展深度访谈也是个不错的主意。面对面交流更容易复现客户在产品使用过程中遇到的问题和阻碍，也有助于释放分值评价背后的真实的客户诉求。拥有充足的 NPS 数据后，我们便可以根据目标推进数据分析和数据解读，而其中一个非常重要的步骤是对受访者进行细分管理。受访者属性是一个非常宝藏的数据库，它可以帮助我们了解用户的角色身份、所处行业、使用产品的时长和习惯、对产品的主要功能诉求等重要信息。将 NPS 调研数据按照关键属性分组管理，并挖掘其与主观性数据间的正向强关联关系，产品团队将有机会快速识别出高价值的产品优化和改进建议，及时响应真正的客户需求。接下来，产品团队将结合 NPS 调研结果和时间、资源等限制，提出可行且敏捷的产品策略，包括但不限于现有功能的优化和高价值需求的构建等。最后，别忘了定期跟踪 NPS 的动态变化，持续关注优化效果，持续进步。简而言之使用 NPS 管理研发优先级需要研发团队设置精简且轻量的 NPS 问卷，结合其他可靠的客户反馈数据，在数据的有效细分和精细化管理中找到并构建利益相关者真正需要的功能和需求，让研发交付为价值、为业务服务。 LigaAI@@OSCHINA 还将分享更多研发效能度量、研发管理实践等干货内容，欢迎关注我们。助力开发者扬帆远航，点击体验新一代智能研发协作，一起变大变强！

2023-08-04

一次元数据空间内存溢出的排查记录 | 京东云技术团队

在应用中，我们使用的SpringDataES的ElasticsearchRestTemplate来做查询，使用方式不对，导致每次ES查询时都新实例化了一个查询对象，会加载相关类到元数据中。

2023-07-11

【有奖众测】端云一体化开发元服务，加入鸿蒙生态！

我们将会为您建立一个高质量的元服务技术交流平台，聆听真实反馈，不断完善开发工具，以期为您提供更好的服务。参与众测，您将有机会获取丰厚的奖品，优秀的元服务案例还会获得展示和推广的机会。

2023-05-25

java netty 分布式游戏服务器框架 ioGame 17.1.27 元附加信息

如果开发者想在处理 action 时，携带上一些自定义的信息时，可以通过元附加信息特性来完成。

2022-12-14

2min速览：从设计、实现和优化角度浅谈Alluxio元数据同步

元数据同步的实现原理和优化目前元数据的同步粗略分为以下几个步骤：（1）RPC线程向UFS读取文件的元信息。

2022-08-18

IDC：2020年政务云基础设施市场总规模达270亿元

8月5日消息，国际数据公司(IDC)发布的《2020政务云基础设施市场研究报告》显示，2020年政务云基础设施市场总规模达到270亿元人民币，增速为24% 中国政务云基础设施市场包括公有云市场和专属云市场

2021-08-06

全球肉食巨头JBS向黑客认怂：支付7000万元比特币赎金

报道称，当地时间6月9日，JBS美国分部发布一份声明表示，已向黑客支付了等价于1100万美元(约合7025元万人民币)的赎金，用以解决此次遭到黑客攻击事件所带来的问题，并确保数据不被泄漏。

2021-06-10

工信部：云服务、大数据服务共实现收入4116亿元

公报显示，2020年，云服务、大数据服务共实现收入4116亿元。公报指出，2020年，我国软件和信息技术服务业持续恢复，逐步摆脱新冠肺炎疫情负面影响，呈现平稳发展态势。

2021-01-28

市场规模达1300亿元，我国云计算发展迎来黄金期

据中国信通院最新数据显示，截至2019年，我国云计算市场规模已经达到1334亿元，同比增长在38.6%，取得了高速发展态势与良好发展成果。在此背景下，我国云计算发展正式迎来黄金期，未来前景令人期待!

2020-12-24

2020上半年，云运营服务市场规模为100.8亿元

12月23日消息，据国际数据公司(IDC)近日发布的《中国云运营服务市场(2020上半年)跟踪》报告显示，2020上半年，中国整体云运营服务市场规模为100.8亿元人民币，同比增长19.5%。

2020-12-23

苹果将推新iPhoneSE：国行或2999元起，目标出货3000万

此外，新机还会有64GB、128GB和256GB三个版本，其中起步价预计为399美元起步(2805元)，对应的国行价格可能是2999元或3299元。

2020-04-12

微软中标 700 亿元的 JEDI 云计算超级大单

JEDI 合同为期 10 年，价值高达 100 亿美元。其他公司也在争取这份合同，但最后都被排除在外，其中包括 IBM 和 Oracle。美国五角大楼周五声称，在竞相为美国国防部提供公共云资源的激烈竞争中，微软击败了市场领头羊 AWS，成为了大赢家。这份声明称，这份合同为期 10 年，价值高达 100 亿美元。消息一出，微软股在延长交易时段应声上涨 2.3%，而亚马逊股下跌近1%。这一成果恰恰表明了微软 Azure 云已强势崛起，成为 AWS 的有力挑战者；这也是 Satya Nadella 取得的最新胜果，2014 年他接替 Steve Ballmer 成为微软总裁。就在 AWS 一路高歌猛进之际，微软还与沃尔玛等公司签下了金额庞大的云基础设施订单。如果这笔交易最终价值 100 亿美元，相对亚马逊而言，这对于微软来说是一笔更大的单子。微软并没有披露 Azure 收入方面的确切数字，但外界普遍认为 Azure 的市场份额要低于亚马逊，后者在第三季度从 AWS 获得 90 亿美元的收入。其他比较小的云竞争对手（比如 IBM 和 Oracle）在招标过程中早早被淘汰出局，招标过程一直颇受争议，而且数次推迟。 7 月份特朗普总统表示，多家公司对这份合同提出抗议后，他在审查合同。当时的国防部长 Mark Esper 称，他会审查合同。随后本周早些时候，五角大楼表示 Esper 已退出招标过程的审查，因为他儿子 Luke Esper 供职于 IBM。早期，亚马逊被认为最有希望中标，一方面是由于其 AWS 业务在 2013 年赢得了美国中央情报局（CIA）的单子。此外，亚马逊还获得了现有最高安全许可级别的认证，微软在努力追赶。 Nadella 在微软效力了 27 年，曾掌管过 Azure 业务。他在淡化 Windows 重要性的同时，让云业务成为微软的更庞大主业。微软还拥抱 Linux，Nadella 加入进来后，云由 Windows Azure 改名为 Microsoft Azure，这表明可以在微软的公共云端运行 Linux。

2019-10-27

Python 之父的解析器系列之七：PEG 解析器的元语法

我们可以称之为元解析器（meta-parser）。该元解析器与要生成的解析器类似：GrammarParser 继承自Parser ，它使用相同的 mark()/reset()/expect() 机制。

2019-09-27

导致企业破产的DDOS，成本可能只需30元人民币

让人不敢相信的是30元左右的DDOS攻击，就可以让线上运营的企业或者新建站不长时间，还没产生收益的企业处于关门状态。可能那些平常不接触的人是理解不了。而我每天都会遇见类似的问题。

2019-07-30

精选列表