c 基本(必备)型需求——Must-beQuality/ Basic Quality. 期望(意愿)型需求——One-dimensional Quality/ Performance Quality. 兴奋(魅力)型需求—Attractive Quality/ Excitement Quality. 无差异型需求——Indifferent Quality/Neutral Quality. 反向(逆向)型需求——Reverse Quality,亦可以将 'Quality' 翻译成“质量”或“品质”

一.满意度的定义 消费者的满意度是取决于他们对企业所提供的产品和服务的事前期待,与实际(感知)效果之间的比较后,用户形成的开心或失望的感觉.就是说,如果购后在实际消费中的实际效果与事前期待相符合,则感到满意:超过事前期待,则很满意:未能达到事前期待,则不满意或很不满意. 二.模型简介 KANO模型是狩野纪昭等人发明的对用户需求分类和优先排序的工具,以分析用户需求对用户满意的影响为基础,体现了产品性能和用户满意之间的非线性关系.该模型将产品服务的质量特性分为五类: 兴奋(魅力)型需求:用户意想不到

引言 1979年10月东京理工大学教授狩野纪昭(Noriaki Kano)和其同事 Fumio Takahashi发表的论文 <Motivator and Hygiene Factor in Quality>,该论文第一次将满意与不满意引入质量管理领域.狩野教授于1982年完成了 <Attractive Quality and Must-be Quality>研究报告,并与1984年正式表表,由此标志着KANO模型即魅力质量理论的成熟. 双因素理论 KANO模型是收到 "

在 PO在敏捷需求下要遵守哪6条重要原则?   中讲到探索和交付两大阶段的6个原则 其中在原则[做有价值的需求]中讲了两个方法:BSA分析和产品Backlog 其中BSA分析是我在产品规划阶段常使用的一种工具 BAS分析的一个重要价值是可以从业务角度来划分优先级 BSA背后的模型其实是一个叫做卡诺的模型,今天我们就来说说它. 前几天某保险公司爆出产品经理和开发人员因开发随着手机壳变换主题需求而开架的事,如果我们学习了Kano模型,稍作分析就能以理服人了.Kano模型可以预测用户的满意度,能帮你考

本期开始进入设计方法论的学习,大湿自己也是边学边分享,算是巩固一遍吧: 另外这些理论基本都是交叉结合来应用于工作中,我们学习理论但不要拘泥于理论的框架中,掌握后要灵活运用一点- 这些理论一部分来自于我所在设计团队分享会的内容,是总监和同事们的经验总结: 另一部分来自大湿工作开始,在各大UED团队网站.大牛设计师博客.各类设计理论书籍中的知识. 有朋友可能有疑问:你写的东西,那个XXX也写过,你这个和XX的好像啊,抄的吗… 说实话从2011年UI行业爆发增长,到如今的稳定阶段,行业已经形成了一套近

前言: 任何一个互联网产品,哪怕是一个简单的页面,也会涉及到很多的需求,产品经理也会经常遇到这样的情况:老板,业务提的各种新需求一下子都扎堆,哪个需求对用户来说最重要,用户对我们的新功能是否满意?开发产品资源有限,开发.设计.测试人手总是不够用,这么多需求没办法都做,先做哪些需求? 这些都不应该是PM拍脑袋想出来的,其实产品经理的基本要求就是在有限的资源上,通过优化产品设计,提炼出正确.有效的需求,尽量避免在后续的设计.开发中临时改需求,至少要做到框架级的需求不大改,那么如何不用大脑YY出来或者

使用python的机器学习包sklearn的时候,如果训练集是固定的,我们往往想要将一次训练的模型结果保存起来,以便下一次使用,这样能够避免每次运行时都要重新训练模型时的麻烦. 在python里面,有一个joblib可以实现将模型保存,并将保存后的模型取出用于不同的测试集: from sklearn import svm from sklearn.externals import joblib #训练模型 clf = svc = svm.SVC(kernel='linear') rf=clf.f

Django 模型类的Meta是一个内部类,它用于定义一些Django模型类的行为特性.下面对此作一总结: abstract      这个属性是定义当前的模型类是不是一个抽象类.所谓抽象类是不会相应数据库表的.一般我们用它来归纳一些公共属性字段,然后继承它的子类能够继承这些字段. 比方以下的代码中Human是一个抽象类.Employee是一个继承了Human的子类,那么在执行syncdb命令时,不会生成Human表.可是会生成一个Employee表,它包括了Human中继承来的字段.以后假设再

缘由 之前写socket的CS模型代码,都是利用最原始的多线程方式.服务端是主线程,接到客户端的连接请求就从线程池中获取一个线程去处理整个socket连接的所有操作,虽然在连接数较短的情况下没有什么影响,但是当连接数很大的情况下,线程的切换和线程池的大小问题就明显起来了. 问题 应该存在一种方式可以让一个线程去处理多个连接,在连接有事情做的时候才过去处理,不然的话线程就挂起,让线程的利用率更高,于是后来学习了select以及epoll.在这里我重点总结一下select select的原理 sel

gensim是python下一个极易上手的主题模型程序库(topic model),网址在:http://radimrehurek.com/gensim/index.html 安装过程较为繁琐,参考http://radimrehurek.com/gensim/install.html 中的步骤. 我本机用的python2.7,需安装setuptools或者pip,然后通过这2个工具安装numpy和scipy,因为gensim里面依赖科学/数值计算.其中scipy还需要安装BLAS和LAPACK这

python信用评分卡(附代码,博主录制) https://study.163.com/course/introduction.htm?courseId=1005214003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share 在机器学习用于产品的时候,我们经常会遇到跨平台的问题.比如我们用Python基于一系列的机器学习库训练了一个模型,但是有时候其他的产品和项目想把这个模型集成进去,但是这

1.Python彻底分离了对象和引用,可以认为内存中的对象都是不可修改的,每次修改引用,相当于在堆上重新创建一个对象,引用指向新对象. 2.对于数值和字符串,修改意味着引用指向一个新对象. 3.集合中的元素都是引用.考虑元组,元组中的引用不能增加删除,也不能修改引用的指向.但是元组本身也是个引用,可以指向另一个元组. 4.考虑列表,列表中的引用可以增加删除,也可以修改引用的指向.列表本身也是个引用,也可以指向另一个列表. 5.考虑字典,字典的key不能修改指向,value可以修改指向.字典本身也

这篇博客是本人借鉴一些大神的博客并结合自己的学习过程写下的. 事件驱动模型 事件驱动模型是一种编程范式,这里程序的执行流由外部事件来决定.它的特点是包含一个事件循环,当外部事件发生时,不断从队列里取出事件,根据不同的事件,调用不同的函数,然后通过使用回调机制来触发相应的处理. IO多路复用 阻塞IO(blocking IO) 当用户进程调用了recvfrom时,kernel就开始准备数据.在此期间对于network io来说,很多时候完整的数据在一开始还没有到达,这个时候kernel就要等待足够

数据模型(译)   image.png 1 对象(object).类型(type)和值(value) python中所有的数据都是通过对象(object)或者对象之间的关系来表示 每个对象(object)都有ID.类型(type)和数值(value) 一旦对象创建,它的ID便固定不变,可以理解成对象存放在内存中的地址:is操作就是比较两个对象的ID,而id()函数则是返回对象ID的整数表达式 对象的类型(type)决定了对象的行为,以及决定对象可能的值(value):type()函数返回对象的类

IO多路复用 IO多路复用就是我们经常说的select epoll.select和epoll的好处是单个process就可以同时处理多个网络IO.基本原理是select\epoll会不断的轮询所负责的所有socket,当有某个socket数据到达了,就通知用户进程. 下面是流程图: 当用户进程调用了select,那么整个进程会被block,而同时,kernel会"监视"所有select负责的socket,当任何一个socket中的数据准备好了,select就会返回.这个时候用户进程再调

这次试验主要实现以平面和标记物进行姿态估计以及增强现实的应用. 一.以平面和标记物进行姿态估计(1)下面演示的是一个简单例子:如何在一副图像上放置一个立方体,原图如下: (2)先提取两幅JPG图像的SIFT特征,然后使用RANSAC算法稳健地估计单应性矩阵,这两个算法前面的博文都有介绍,代码参考<python计算机视觉编程>,按如下运行一般不会有什么问题.代码: # -*- coding: utf-8 -*-from pylab import *from PIL import Image #

一.模型的保存,主要是我们在训练完成的时候把训练下来的数据保存下来,这个也就是我们后续需要使用的模型算法.模型的加载,在保存好的模型上面我们通过原生保存好的模型,去计算新的数据,这样不用每次都要去训练,然后才能计算新的值的预测值. 二.代码 from sklearn.datasets import load_iris from sklearn.model_selection import GridSearchCV, train_test_split from sklearn.neighbors

import numpy as np import matplotlib.pyplot as plt from sklearn.svm import LinearSVC from sklearn.datasets import load_digits from sklearn.model_selection import validation_curve #模型选择验证曲线validation_curve模型 def test_validation_curve(): ''' 测试 validat

import numpy as np import matplotlib.pyplot as plt from sklearn.svm import LinearSVC from sklearn.datasets import load_digits from sklearn.model_selection import learning_curve #模型选择学习曲线learning_curve模型 def test_learning_curve(): ### 加载数据 digits = lo

from sklearn.metrics import mean_absolute_error,mean_squared_error #模型选择回归问题性能度量mean_absolute_error模型 def test_mean_absolute_error(): y_true=[1,1,1,1,1,2,2,2,0,0] y_pred=[0,0,0,1,1,1,0,0,0,0] print("Mean Absolute Error:",mean_absolute_error(y_tr