用例模型设计需要注意的几个问题

1. Empathy(同理心)

同理心是设计的核心。如果不了解用户的想法，感受和体验，设计就是一项毫无意义的任务。同理心帮助我们设计更好的产品，做准确的抉择。当然在这个阶段我们需要筛选不同类型的用户，这样能保证我们所收集的信息是充分的、可用的。

2. Define(需求定义)

用户的具体问题，可以通过下面这三个步骤解决， who 、 what、why。who：用户群体是什么?what：痛点是什么?有什么未满足的需求?why：为什么会是这些通过这三步我们可以构建问题的大体框架，提供一个清晰的思路。

3. Ideate(解决方案)

这阶段最常用的方法就是 “头脑风暴”我们集思广益，搜集大家对问题的看法及一些创新想法，找到合适的解决方案，当然头脑风暴最关键的是 如何去结构化的构建脑暴形式，如果无止境的去散发，那么到后面很难往回收拢。

4. Prototype(制作原型)

原型，这个阶段的目的就是将前面的想法画出来，更加直观的去看到和感受到，我们可以看到这是一个从抽象到具体的过程，这个阶段我们可以快速原型，在白纸上画，这样能节省时间，也能快速看到之前想法是否准确，可以快速拿去验证。

5. Test(实际测试)

测试过程中最关键点是需要观察用户真实反馈，如果有偏差的地方 我们需要改进我们的定义阶段的想法，在设计过程的早期测试原型非常重要，如果前期假设不准确，还可以快速修改调整，避免在最后产生较大损失。

以上就是新设计思维模型的关键要素，关于如何提高自己的设计思维，这是一个长期的过程，各位小伙伴们千万不要忽视这一点，想要了解更多技能相关内容，请关注本平台，小编将会进行及时的整理与发布。

用计算机软件进行物体的三维建模，是20实际最伟大的发明之一。（鄙人之观点）它到底有什么用呢？试想一下你如果要做一架飞机，怎么做他的外形设计呢，原始的方法是在图示上构想他的外形，然后做出比例的模型，然后放到风洞试验场进行空气流体学实验，得到数据优化方案然后再来一遍，一个方案可能要设计上千遍上万遍每一遍都可能要3天到1个月。而现在的三维建模及配套的软件设计能力的帮助下出了一个设计方案只需要在电脑面前工作，而且修改起来也比手工制图，然后制作模型要方便无数倍，效果高出N倍，现代还有模拟风洞实验的模拟程序，更加简化了设计时间和效率，能够在无数种方案中选出最优方案。

这是高科技，你可能说不够实际，再举例说明我们住的楼房，每个细节应为尺寸、功能、方案的不同都需要进行全新的不同的设计，一个5层楼的简易施工图纸的厚度叠在一起都有15CM厚，0.6M2的面积，试想要用手工绘制得花多少人力物力和时间，还不说其中复杂繁琐的结构设计。你能够有什么结构上的设想计算机都能给你在电脑中实现出来，节省了巨大的物力财力与失败的代价。

可以说这个社会的飞速发展的结果与计算机的飞速发展是功不可没的，进行三维设计只是一部分，希望以上解释对你有帮助。

专业原创解答，广交四海朋友———**爽歪歪**

概念模型设计

概念模型不依赖于具体的计算机系统，他是纯粹反映信息需求的概念结构。

建模是在需求分析结果的基础上展开，常常要对数据进行抽象处理。常用的数据抽象方法是‘聚集’和‘概括’。

E-R方法是设计概念模型时常用的方法。用设计好的ER图再附以相应的说明书可作为阶段成果

概念模型设计可分三步完成： ① 确定局部概念模型的范围

② 定义实体

③ 定义联系

④ 确定属性

⑤ 逐一画出所有的局部ER图，并附以相应的说明文件 建立全局E-R图的步骤如下：

① 确定公共实体类型

② 合并局部E-R图

③ 消除不一致因素

④ 优化全局E-R图

⑤ 画出全局E-R图，并附以相应的说明文件。 概念模型的评审分两部分进行：

第一部分是用户评审。

第二部分是开发人员评审。

你可以先去【绘学霸】网站找“3d建模”板块的【免费】视频教程-【点击进入】完整入门到精通视频教程列表： www.huixueba.net/web/AppWebClient/AllCourseAndResourcePage?type=1&tagid=307&zdhhr-11y04r-1117401913221929179

想要系统的学习可以考虑报一个网络直播课，推荐CGWANG的网络课。老师讲得细，上完还可以回看，还有同类型录播课可以免费学（赠送终身VIP）。

自制能力相对较弱的话，建议还是去好点的培训机构，实力和规模在国内排名前几的大机构，推荐行业龙头：王氏教育。

王氏教育全国直营校区面授课程试听【复制后面链接在浏览器也可打开】： www.huixueba.com.cn/school/3dmodel?type=2&zdhhr-11y04r-1117401913221929179

在“3d建模”领域的培训机构里，【王氏教育】是国内的老大，且没有加盟分校，都是总部直营的连锁校区。跟很多其它同类型大机构不一样的是：王氏教育每个校区都是实体面授，老师是手把手教，而且有专门的班主任从早盯到晚，爆肝式的学习模式，提升会很快，特别适合基础差的学生。

大家可以先把【绘学霸】APP下载到自己手机，方便碎片时间学习——绘学霸APP下载：www.huixueba.com.cn/Scripts/download.html

设计千表的数据库模型设计模块模型的方法：

细化和确定模块的功能(包括异常处理需求)、识别关键问题和实现策略与流程、以及主要静态类和线程结构设计等。

详细设计完成并通过评审之后，模块负责人根据详细设计指导，进行编码并实现模块。

模块设计方法是从计算机的模块程序设计法发展而来用于操作系统的方法，即对操作系统的各个模块分别进行设计的方法。要使操作系统具有较高的可靠性、可维护性和高效率，关键是结构设计。早期的传统模块设计法出自于早期的管理程序。

总结如下：

一个庞大的操作系统划分成许多模块之后，各模块之间必然产生联系，组成复杂的网状结构，其复杂程度将随着模块的增加而成倍增长。

主要问题是如何划分模块，如何处理模块之间的接口关系。近来提出的类程和管理模块是划分模块的好方法。它可使模块之间的接口简化，而且还保持了模块具有的效率高、系统开销小的特点。

机器学习模型设计五要素

数据可能没什么用，但是数据中包含的信息有用，能够减少不确定性，数据中信息量决定了算法能达到的上限。

数据环节是整个模型搭建过程中工作量最大的地方，从埋点，日志上报，清洗，存储到特征工程，用户画像，物品画像，都是些搬砖的工作也被认为最没有含金量同时也是最重要的地方。这块跟要解决的问题，所选的模型有很大关系，需要具体问题具体分析，以个性化为例讲讲特征工程中的信息损失：

我们搭模型的目的是预测未来 -“以往鉴来，未卜先知 ”，进一步要预测每个人的未来，实时预测每个人的未来。要想做好这件事情，对过去、对用户、对物品越了解越好，首先需要采集用户的行为（什么人在什么时间什么地点以什么方式对什么东西做了什么事情做到什么程度 ），然后进行归因找到影响用户点击的因素，构建用户兴趣图谱，最后在此基础上去做预测。

这个过程中，每个环节都会有信息损失，有些是因为采集不到，比如用户当时所处的环境，心情等等；有些是采集得到但是暂时没有办法用起来，比如电商领域用户直接感知到是一张图片，点或不点很大程度上取决于这张图片，深度学习火之前这部分信息很难利用起来；还有些是采集得到，也用的起来，但是因为加工手段造成的损失，比如时间窗口取多久，特征离散成几段等等。

起步阶段，先搞“量”再搞“率”应该是出效果最快的方式。

#2 f(x)

f(x)的设计主要围绕参数量和结构两个方向做创新，这两个参数决定了算法的学习能力，从数据里面挖掘信息的能力（信息利用率），类比到人身上就是“天赋”、“潜质”类的东西，衡量这个模型有多“聪明”。相应地，上面的{x,y}就是你经历了多少事情，经历越多+越聪明就能悟出越多的道理。

模型复杂度-VC维

参数量表示模型复杂度，一般用VC维衡量。VC维越大，模型就越复杂，学习能力就越强。在数据量比较小的时候，高 VC 维的模型比低 VC 维的模型效果要差，但这只是故事的一部分；有了更多数据以后，就会发现低 VC 维模型效果再也涨不上去了，但高的 VC 维模型还在不断上升。这时候高VC维模型可以对低VC维模型说：你考90分是因为你的实力在那里，我考100分是因为卷面只有100分。

当然VC维并不是越高越好，要和问题复杂度匹配：

-- 如果模型设计的比实际简单，模型表达能力不够，产生 high bias；

-- 如果模型设计的比实际复杂，模型容易over-fit，产生 high variance；而且模型越复杂，需要的样本量越大，DL动辄上亿样本

模型结构

模型结构要解决的是把参数以哪种方式结合起来，可以搞成“平面的”，“立体的”，甚至还可以加上“时间轴”。不同的模型结构有自身独特的性质，能够捕捉到数据中不同的模式，我们看看三种典型的：

LR：

只能学到线性信息，靠人工特征工程来提高非线性拟合能力

MLR：

与lr相比表达能力更强，lr不管什么用户什么物品全部共用一套参数，mlr可以做到每个分片拥有自己的参数：

-- 男生跟女生行为模式不一样，那就训练两个模型，男生一个女生一个，不共享参数

-- 服装行业跟3C行业规律不一样，那就训练两个模型，服装 一个3C一个，不共享参数

沿着这条路走到尽头可以给每个人训练一个模型，这才是真正的“个性化”！

FM：

自动做特征交叉，挖掘非线性信息

DL：

能够以任意精度逼近任意连续函数，意思就是“都在里面了，需要啥你自己找吧”，不想花心思做假设推公式的时候就找它。

#3 objective

目标函数，做事之前先定一个小目标，它决定了接下来我们往哪个方向走。总的来说，既要好又要简单；已有很多标准方法可以选，可创新的空间不大，不过自己搞一个损失函数听起来也不错，坐等大牛。

损失函数：rmse/logloss/hinge/...惩罚项：L1/L2/L21/dropout/weight decay/...

P（model|data） = P(data|model) * P(model)/P(data) —>log(d|m) + log(m)

#4 optimization

目标有了，模型设计的足够聪明了，不学习或者学习方法不对，又是一个“伤仲永”式的悲剧。 这里要解决的问题是如何更快更好的学习。抛开贝叶斯派的方法，大致分为两类：

达尔文式

启发式算法，仿达尔文进化论，通过适应度函数进行“物竞天择，适者生存”式优化，比较有代表性的：遗传算法GA，粒子群算法PSO，蚁群算法AA；适合解决复杂，指数规模，高维度，大空间等特征问题，如物流路经问题；问题是比较收敛慢，工业界很少用。

拉马克式

拉马克进化论，获得性遗传，直接修改基因(w)；比较有代表性的分两类：

-- sgd variants（sgd/Nesterov/Adagrad/RMSprop/Adam/...）

-- newton variants（newton/lbfgs/...）

#5 evaluation

怎么才算一个好的模型并没有统一标准，一个模型部署上线或多或少的都会牵扯到多方利益。以个性化场景为例，就牵扯到用户，供应商/内容生产方以及产品运营三者的博弈。总的来说，一个“三好模型”要满足以下三个层面：

算法层面：准确率，覆盖率，auc，logloss...公司层面：revenue，ctr，cvr...用户层面：用户体验，满意度，惊喜度...

#0 模型调优思路

拆解之后，模型调优的思路也很清晰了：

想长胖，首先要有东西吃；其次要能吃，啥都能吃不挑食；最后消化要好

用一条公式来概括：模型效果 ∝ 数据信息量 x 算法信息利用率

一方面，扩充“信息量”，用户画像和物品画像要做好，把图片/文本这类不好量化处理的数据利用起来；另一方面，改进f(x)提高“信息利用率”，挖到之前挖不到的规律；

不过在大数据的初级阶段，效果主要来自于第一方面吧。

1、确定渠道模式。

企业分销渠道设计首先是要决定采取什么类型的分销渠道，是派推销人员上门推销或以其他方式自销，还是通过中间商分销。如果决定中间商分销，还要进一步决定选用什么类型和规模的中间商。

2、确定中间商的数目

即决定渠道的宽度。这主要取决于产品本身的特点，市场容 量的大小和需求面的宽窄。通常有三种可供选择的形式。

（1）密集性分销。运用尽可能多的中间商分销，使渠道尽可能加宽。消费品中的便利品（卷烟、火柴、肥皂等）和工业用品中的标准件，通用小工具等，适于采取这种分销形式，以提供购买上的最大便利。

（2）独家分销。在一定地区内只选定一家中间商经销或代理，实行独家经营。独家分销是最极端的形式，是最窄的分销渠道，通常只对某些技术性强的耐用消费品或名牌货适用。独家分销对生产者的好处是，有利于控制中间商，提高他们的经营水平，也有利于加强产品形象，增加利润。但这种形式有一定风险，如果这一家中间商经营不善或发生意外情况，生产者就要蒙受损失。采用独家分销形式时，通常产销双方议定，销方不得同时经营其他竞争性商品，产方也不得在同一地区另找其他中间商。这种独家经营妨碍竞争，因而在某些国家被法律所禁止。

（3）选择性分销。这是介乎上述两种形式之间的分销形式，即有条件地精选几家中间商进行经营。这种形式对所有各类产品都适用，它比独家分销面宽，有利于扩大销路，开拓市场，展开竞争；比密集性分销又节省费用，较易于控制，不必分散太多的精力。有条件地选择中间商。还有助于加强彼此之间的了解和联系，使被选中的中间商愿意努力提高推销水平。因此，这种分销形式效果较好。

（4）复合式分销。生产者通过多条渠道将相同的产品销售给不同的市场和相同的市场。这种分销策略有利于调动各方面的积极性。

3、规定渠道成员彼此的权利和责任。

在确定了渠道的长度和宽度之后，企业还要规定出与中间商彼此之间的权利和责任，如对不同地区、不同类型的中间商和不同的购买量给予不同的价格折扣，提供质量保证和跌价保证，以促使中间商积极进货。还要规定交货和结算条件，以及规定彼此为对方提供哪些服务，如产方提供零配件，代培技术人员，协助促销；销方提供市场信息和各种业务统计资料。在生产者同中间商签约时应包括以上内容。