&p&第三次更新（春节特辑）：如何与不同的人交流（比如长辈）&/p&&p&&br&原答案：如何在与客户不熟悉的情况下约吃饭&/p&&br&第一次更新：请客户吃饭的深层意义（兼谈销售和泡妞的对比分析）&br&第二次更新：如何在资源有限的情况下开展销售工作（兼谈如何选男友/老公）&br&答复网友一：如何有效提升的自己分析和感知能力（如何进行案例分析）&br&&br&&b&===================原答案：如何在与客户不熟悉的情况下约吃饭===================&/b&&br&&br&一个不熟悉的客户，你一个电话就能约出来吃饭，那么他对于你的实际可利用价值非常之低。&br&&br&一个能给你带来较大甚至巨大收益的客户几乎是不可能在不熟悉的情况下被你（尤其是通过电话）给约出来的。&br&&br&如果你确实想见某个特定客户，最快速有效的办法是找个能约客户出来的人帮你引见。如果没有这个人，下面具体分析。&br&&br&先搞明白一个根本性的问题：他凭什么陪你吃这顿饭（注意：不是你陪他，这顿饭实际上是他抽出时间陪你）&br&&br&一个人的任何行为都有其内在逻辑，他去做一件事一定是他喜欢这件事，或者哪怕不喜欢但值得他去做。&br&&br&你现在去约客户吃饭，吃饭对你而言是手段，目的可能是客户手里的订单，这是你的逻辑。那客户来见你的目的或者说逻辑又是什么呢？一个值得你去约的人，自然也值得别家公司的销售去约，他根本不缺这一顿饭。&br&&br&如果一个客户对你而言很重要，那么和他吃的第一顿饭应该是当面邀请的，或者哪怕见面的时候客户身边有领导同事不方便，也应该是会面之后电话邀请。&br&&br&那么问题变成如何第一次见面并留下好印象。&br&&br&如果这个客户是你们公司现有的客户，你可以以服务回访（以及顺带新品推介）的名义去客户公司第一次拜访。服务回访名义的约见成功率最高，因为这里有个潜在逻辑，你取得的回访结果带回自己公司是会改善你们的服务，这对仍在使用你们服务的客户而言是有益处的。&br&&br&具体回访你准备的材料或者话题应该至少包括这几个方面：现在正在为客户提供哪些服务，这些服务你们在最近一两年里做过哪些自主改进，客户对你们现在的服务有哪些不满意，甚至可以请客户谈一下对你们公司以及竞争对手的看法。搜集完客户的反馈信息后，首先给予肯定的反馈，“一定改进”，然后“等我回去向公司做出汇报并认真改进后，再来向您做下一次回访”，走的时候可以留下你们公司的宣传材料以及准备的礼品。如果礼品收了算重要进展，如果不收也没关系，那就把宣传材料留下，并约定下一次回访的大概时间。&br&&br&等你带着客户意见回到公司，认真总结上报，一方面等到客户的意见被处理之后你有了第二次拜访的会谈材料，一方面带回回访结果这件事也会让领导会觉得你正在为公司创造价值。一举两得！&br&&br&然后第二次拜访之后再留下礼物（依据第一次观测，他抽烟就送烟，他桌上有茶具茶叶就送茶，有咖啡杯就送好点的咖啡），客户收下的可能性就会大增。&br&&br&然后不管第二次客户收不收，你都有了约吃饭的理由，即：感谢客户给予的反馈，感谢客户在帮自己公司创造价值。甚至可以说自己个人感情上很感谢客户给予的重视，自己一个年轻人，在工作在这个行业中也有很多问题不明白，非常希望能私下再和客户请教一下。&br&&br&而这个时候，客户跟你私下见面的逻辑出现了。他给你回访意见（帮了你们公司），你为表谢意请他吃饭，他答应吃饭；或者是他个人认可你的努力，愿意私下帮你分析指点（好为人师是人性弱点）。&br&&br&以上只是一个例子，如果你明白其中逻辑，可以演变出无数种方法。&br&&br&比如客户带着兄弟们干项目，过年过节总得请兄弟们吃个饭吧，这个钱如果客户公司能报销当然好，如果不能报销，你能不能用本打算请他吃饭的钱帮他报销？&br&&br&比如得知客户工作中遇到什么麻烦事，（是麻烦，不一定是大事），你能不能帮他解决。拿自己做例子，我从北京去外地拜访客户，对方说自己办了张北京电话卡不想用了，那我会主动帮他注销，他欠的话费要给我，我自然不会要。&br&&br&比如客户单身，帮他介绍女朋友。&br&&br&等等&br&&br&总之，创造出他愿意私下和你吃饭的理由。&br&&br&而到那个时候，你自然会明白，吃饭其实在你的销售工作中基本上不太重要。反而有些时候饭后第二场比较重要。&br&&br&&b&=======================第一次更新：请客户吃饭的深层意义=======================&/b&&br&&br&有些话我在原答案里没好直说，既然更新了就再点破一下。提问的这位知友对销售工作的认识还比较浅&b&，&/b&请客吃饭只是一个实现你目的的辅助手段而并非决定性因素，你把它看得过重了。&br&&p&&br&打个比方，假设你有几个喜欢的妹子，想追她们，就挨个打电话约吃饭，结果妹子们都说没空，然后你就会疑惑“约妹子吃饭还有什么窍门吗”，是不是挺相似的境况。&br&&br&一个优秀的销售一定也是个泡妞高手，因为销售和泡妞都属于人际交往，其中很多道理都是相通的。所以在以下内容中，我会把销售和泡妞做对比，寓教于乐。&br&&br&我们再来看一下问题的描述，“之前打了好几个电话给不同的客户都说没空去吃饭，销售约客户吃饭还有什么窍门吗？” 大家多读几遍这句话，能从其中感受到什么样的发问心态呢？&br&&br&不同人的感受会不同，但我感受到的是：“我都花钱主动请你吃饭了，你怎么能不答应呢”。就像一些人为了泡妞付出很多，多到把自己都感动了，但是妞却完全没反映，甚至更加讨厌他，为什么会这样呢？&br&&br&这里所反映出的恰恰是人际交往中一个相当普遍的问题，即一方&u&认为自己&/u&在付出，而对方却没有给与&u&前者所期望的&/u&回应（注意下划线部分）。&u&有这样心态的人比比皆是，横跨各个年龄段&/u&。为什么会这样呢？&br&&br&这里展开说明一下，因为这个问题的重要性关系到如何树立&u&务实的&/u&世界观和方法论，也是本文后续内容的基础。我在之前自己的某个帖子《&a href=&/question//answer/& class=&internal&&如何看待「也许总有一天我们都会变成自己当初所讨厌的样子」这句话？ - 鲤鱼门的回答&/a&》里，描述了这样一个世界观：我们普通人只是生活的配角，甚至很多时候连打酱油的都算不上。千万不要以令狐冲的心态来做人处事，不然你的结局很可能是梁发。（梁发是哪个？忘了很正常）。&/p&&br&&br&&u&&社会是有其内在运行规律的，这种规律不是以个人的主观好恶为转移的。不是社会规则让你讨厌，而是你太自以为是太傻逼，以为自己能凌驾于这些规则之上。这个世界不是你每天睡醒了睁眼看到的世界，而是一股奔涌前行的洪流，你只不过是被包裹夹杂在其中的一份子。&&/u&&br&“&u&如果你希望获取一样东西，首先要看这样东西的分配权决定权掌握在谁手里，其次要看分配的依据是什么。”&/u&&br&&br&如果你想获取客户的订单，就要分析这个客户真正在意什么，而不是寄希望于请了一顿饭客户就感恩戴德双手把订单奉上。如果你想泡妞，就要分析这个妞真正在意什么，而不是折出1000只千纸鹤来证明你有多爱她。&br&&br&&br&下面分析几种典型的客户，以及约对方吃饭后对方的可能反应：&br&&br&一、客户是基层，收入较低，几乎每天回家吃饭，或者吃食堂吃快餐。&br&&br&一般来说邀请吃饭的话，对方都会欣然前往，因为对于他来说这顿饭是改善伙食的好机会。但话说回来这种客户请了有意义吗，他手里几乎不掌握任何对你有利的资源。（当然如果你是搞房地产开发的，对方是个搞质检或者搞房屋面积测量的小伙子除外）&br&&br&二、客户是中层，收入稳定，生活条件较好，一般陪家人在家吃饭或外出聚餐，偶尔陪自己的领导或客户应酬，偶尔和自己的分包商/供应商应酬。&br&&br&这种客户往往手里有着你所渴望的某种资源分配权，想要获取这份资源就必须用一种客户所在意的资源去换。而单纯的请客吃饭已经对这种客户没有任何吸引力，甚至很多时候是负担。为了分析这种客户在意什么，我们尝试分析一下他可能的工作和生活状况。&br&&br&这种人往往领导着一个团队，肩负着公司的某项业务/项目。&br&1、面对上级，他要避免所负责的业务出问题（底线），要努力做业绩，从而获得上司的认可，目标一般来说是爬上更高的职位；&br&2、面对下级，他是一个团队的领导者，他会通过恩威赏罚各种手段聚拢手下人的心，让这个团队努力工作从而实现自己&u&面对上级时所要达成&/u&的目标；&br&3、此外他所负责业务可能需要分包商来干活，或者需要供应商提供货物，而这恰恰是身为销售的你想争取的资源分配。&br&&br&那么他所在意的又是哪些呢？仍然逐条分析。&br&&br&1、面对上级，一、他的底线是不求有功但求无过。所以作为分包商/供应商，你公司的底线是不给这位负责人添麻烦，比如你分包负责的工程不应该出质量问题、不应该出安全问题、不应该出进度问题、不应该成本超标。比如你提供的货物，质量应该有保障，供货不应延期，售后服务及时有效，和竞争对手的性价不该有明显劣势。（对应我正文所提到的服务回访，客户几乎不会拒绝任何回访约见）；二、他要做业绩做亮点。这里更多的是他如何指挥自己团队的问题，但实际上你的公司依然可以协助他。比如你们公司研发的新技术新方案新产品，能够降低货物的次品率，能够提高甲方在使用时的效率进而缩短工期，能够支持客户公司在面对他自己的竞争对手时获得优势。这种信息一定要及时传达给客户，这种信息很多时候比请客吃饭更有效。三、他要获得上司认可。前两条一般来说足以获得上司认可，因为他做出的业绩或者工作亮点，同时也是他的上级在面对他上级的上级时的业绩或者工作亮点。但是，某些情况下（尤其企事业单位），他和他的上级赚来的钱基本都是给公司/单位赚的，个人收入并不会对应的大幅增加，而他的个人的支出却是超过收入的，这个时候，所谓“请客吃饭”的意义才真正体现。&br&&p&&br&&b&请客吃饭到底意味着什么呢？简单说，意味着你把所能提供的一种资源（钱），换成另一种资源（一顿饭）交给客户，希望获得客户所掌控的资源作为回报。而之所以换不到客户手里的资源，甚至连交换的机会都没有，是因为你提供的中间资源客户根本不需要，或者份量不够。&br&&/b&&br&所以你需要做的就是把最初的资源（钱），换成一种客户认可的资源再交给他。哪些是他认可的或者需要的呢？继续分析，他的收入是有限的，他的支出有包括生活支出和工作支出。生活支出比如他个人吸烟喝茶，比如给老婆孩子买生活用品，比如带小三出去旅游，比如单身有性需求等等；工作支出，他要孝敬领导（因为领导也是有生活支出和工作支出的，领导也有自己的领导），他要给手下兄弟恩惠（过节请客，喜事送红包等）等等。&br&&br&而这时候你要做的，恰恰是找到他最真实的需求，用公司给与你的可支配的资源去换取他所需要的东西再交给他。比如他喜欢抽烟你送烟，他抽了你送的烟就等于节省了自己钱，自己的钱又可以去办其它事；比如他有性需求，你请他去某些场所满足；比如他疏通关系过程中需要解决招待费，你替他付账或者报销他拿来的发票等等。当然很多时候他缺的就是钱本身。&/p&&br&&br&当你送出了对方需要的东西时，他往往很难拒绝。（这里插一句，关于送礼上面举了很多例子，&u&如果你对对方的需求不完全明确，那所选的礼品一定要是对方仍然觉得值得再转送出去的&/u&。这句请仔细思考）&br&&br&当你找到他的真实需求之后，又会出现一个问题，他确实有需求，但他愿意收或者说敢收吗？（这部留个伏笔，后续章节说）&br&&br&2、面对下级，他在意的主要是团队建设问题，换句话说就是通过赏与罚等手段推动手下开展工作进而实现自己所担负的目标。这其中罚的部分他可以自己完成，赏的部分你可以寻找需求。比如过年过节，他得请手下人聚餐吃饭吧，得给手下发过节礼品吧。你能做的就是比如帮他解决他公司不能报销的餐饮费，或者中秋送很多月饼，从而可以让他的手下每人领到一份，等等。&br&&br&3、面对分包商/供应商。这个层面非常复杂，影响因素太多，可能性太多，仍然只分析两种典型情况。一、选择分包商的决策权就在他手里，这种情况你就使劲挖掘他的需求，尽全力满足就好；二、选择分包商的决策在他的上级手里，这时候你的目标重点应该是他的上级，但他这里仍然非常很重要，因为“阎王好过，小鬼难缠”。小鬼难缠的意思是，他也许可以帮你，也许帮不上你，但一定能给你添麻烦。比如他可以在上级那里说你的好话，也可以说你的坏话。所以也需要维持与他的友好关系，解决他的一些需求。“&u&小鬼难缠”同样适用于客户公司的基层人员&/u&。&br&&br&三、客户是高层，有决策权，收入极高。这种时候，他自己的能力（包括财力）已经能够解决他面临的大部分问题，你能挖掘的基本只剩下他的爱好，以及他现有能力实现不了东西。比如针对他的特定爱好，你需要请教跟他有同样爱好的人，进而确定他到底喜欢什么。比如他虽然有钱，但孩子就是无法送入理想中的中小学，而你是否有关系来替他打通关系，等等。&br&&br&&u&更有可能的是，坐到他那个位子，下面的分包商/供应商已经都是他的白手套或者代理人了，已经在为他解决核心需求了，你再怎么努力都没用。（而这也是当前社会两级分化加剧，上升通道越来越窄的原因。）&br&&/u&&br&以上三类客户的划分非常粗浅非常不科学，实际中所面临的客户可能是各式各样的，但对待不同客户的处理办法是互通，就是是挖掘出他的真实需求，并且满足他。&br&&br&好了，现在开始泡妞教学时间。女性网友看到这一部分，请跳出自己的性别，以旁观的角度来分析，或者以女性泡男性的角度展开分析。&br&&br&在具体谈之前，大家可以先自己尝试着把以上关于销售的逻辑分析带入泡妞的种种情形之中。&br&&br&想一想自己以及身边哥们的泡妞成功史和失败史，成功的为什么能成功，失败的为什么会失败？&br&想想非常勿扰里各色男嘉宾的成功和失败经过，为什么有些上来就有女嘉宾爆灯，有些上来就灭一片，为什么有的最终能牵手成功，有的黯然离去？&br&再想想前段时间两条热门新闻，一个是在女友楼下的大雪里跪了一夜的痴情男，一个是被关在监狱里仍能用微信聊出七个情人&br&女性网友可以考虑一下为什么男神为什么不来追自己？&br&&br&这样想了一圈之后是不是已经琢磨出味来了呢。&br&&br&其实挺简单一个事。&u&泡妞的过程，往美好了说叫爱情，往现实了说就是资源交换。你提供的资源能够满足女性最渴望的需求，她就会把自己作为回报交给你&/u&。（加分题：女性所在乎的男性要有上进心，到底意味着什么？）&br&&br&泡妞主要两个流派，自然流和技术流。&br&&br&自然流好理解，就是本来各方面条件就都挺好，正常的人际交往中就能吸引到女生，稍微主动一下妞就过来了。拿销售作比方，就是你们公司的产品特别牛，客户排着队来进货，不愁销路。&br&&br&技术流呢，顾名思义，就是自身条件不是很突出，想泡妞得想办法动脑子，要运用各种技术手法来实现泡妞的目的。对比销售，就是要想办法挖掘并满足客户的需求，进而拿到委托书或者采购订单。&br&&br&对应三种客户，仍然把女生粗略分为三种（各位女权主义者息怒，没有物化女性的意思），第一种是你觉得她配不上你，第二种是各方面条件都不错，第三种是女神。&br&&br&第一种咱们就直接跳过不谈了。&br&&br&第二种，女生各方面条件不错，那她的择偶需求又是什么呢？一般如果是涉世未深的女生，她希望的男友可能是高高帅帅的、爱运动、开朗、有幽默感等等，或者喜欢偶像剧就想找个韩范的；如果是已经对社会有一定认识的女性呢，往往在选择配偶的过程中越来越看重男方的家庭背景以及财力物力等。&br&&br&如果把以上这几种需求再往深挖，这些表象反应出的又是女性的哪些深层需求呢？&br&&br&直接放结论，&u&人类最根本的需求是繁衍，是让自己的基因更多更好地传播下去&/u&（丁克除外，这里只讨论大多数情况）。&br&&br&女性看重男方的身高、外貌、运动、健康，其实潜意识在乎的是男性的基因。女性想繁衍就需要男性提供基因，这些关注点都是为了保证自己后代的基金获得改良（至少不降低），从而更好的实现基因的延续。&br&女性看中男方的权力和财富呢，其实是为了让自己和后代基因获得更好的外在保护，从而更好的实现基因的延续。&br&&br&男性选择女性的角度大同小异，但一般来说对女性基因本身的质量更在意，因为男人一般都认为自己可以保护自己的基因后代。&br&&br&基因角度同样可以解释滥交、劈腿、嫖娼、强奸等等，体现的是人类希望能有更多的机会传播自己的基因。此部分不展开讲，也是看世界的一个角度。&br&&br&这样一来，如何追第二种女生不用再多说了吧。一个矮个子女生更希望找个高个子男朋友，一个肤色不那么好的女生可能更在意男友皮肤白不白，一个物质缺乏（或者说达不到她自己的消费需求）的女生更在意男生是不是能提供充足的财物，一个家境富足的女性往往不太在意你是不是有车有房面积多大而是有更多精神层面的需求，一个各方面都不错的女生往往希望男友的各方面都比自己更好。&br&&br&第三种，女神。一般自身基因条件好，家境也好。所以通常来说，对方基因不能差以至于拉低自己的基因优势，对方的财力物力强大的话更好，但要求反而没那么高。因为家境好的女生一般来说自己就可以为后代基因提供外在环境保护，所以这方面的需求反而不是很强烈。要追求她们，你就得在自己各方面条件都不差的前提下再以某些优秀特质吸引对方的注意，以及挖掘对方在精神层面的深度需求。&br&&br&再提一下送女生礼物的问题。送客户礼物，客户一般是私下用（风险问题后续谈），而送女生的东西，她是要在朋友面前用的，或者说是要拍照发到朋友圈里，同时朋友圈里也看得到她自己女性朋友们收到的是什么礼物。所以你送的礼物，在她喜欢之外，相当关键的一条是要考虑值不值得她发朋友圈（需要考虑她闺蜜们的男友们的财力等因素），发了有没有优越感，或者至少不会被别的女生笑话。&u&这也是女生的真实需求，但教养让她们一般避免在男友面前提起这个问题。&/u&现在知乎某些关于送礼物的帖子都是扯淡，都是直男写给直男看的，送给妹子，适得其反。你送女神一个天气瓶试试，直接呵呵拉黑。&br&&br&还记得上面的加分题吗：女性所在乎的男性要有上进心，到底意味着什么？&br&公布答案：&u&男性的上进心展示的是满足女性潜在需求的可能性。&/u&&br&就是你现在可以没车没房，但你要让我感觉到跟了你早晚会有。其实还是资源交换，只不过女方赌了一把。&br&&br&泡妞的部分简单说到这，看以上关于销售和泡妞的各种分析的时候呢，可以多尝试角度互换。销售的问题以泡妞的角度来看，泡妞的问题换成销售的角度来看。而当你可以在两种角度里毫不费力的互相切换时，就意味着你已经可以把这种处理方式带进所有的人际交往中。怎么处理和老板的关系，怎么处理和下属的关系（他们也有自己的需求），怎么处理和女友父母的关系，以及怎么处理所有你在意的人的关系。人际交往的道理都是相通的。&br&&p&&br&&br&&b&=================第二次更新：如何在资源有限的情况下开展销售工作=================&/b&&/p&&p&&br&&br&注：在后续分析中，我会多次引用已写过的内容。因为实际上所有的问题都是相互联系的，所有的因素都是互相作用的，而这种全局分析能力也是每个人尤其是涉世未深的年轻人需要不断总结提高的。&br&&br&先回顾一下上次更新中提到的资源交换问题：&u&你把所能提供的一种资源（钱），换成另一种资源（一顿饭）交给客户，希望获得客户所掌控的资源作为回报。而之所以换不到客户手里的资源，甚至连交换的机会都没有，是因为你提供的中间资源客户根本不需要，或者份量不够。&/u&然后又多角度多范例强调了挖掘对方真实需求的重要性。&br&&br&但可能有些时候，你明明觉得给出的价码已经很不错了，或者已经是你能给出的全部了，为什么对方依然不肯接受呢？两种主要可能性：&br&&br&一、对方不接受你提供的东西，是不想被你拿住把柄。&br&二、你所能提供的一切，早就已经有人为他提供了，你不知道而已。&br&&br&开始具体分析：&br&&br&第一种情况，其实比较好解释，就是俗话说的“吃人嘴软，拿人手短”。这个吃和拿的过程，其实是他在你手里留把柄的过程。吃了拿了，事情就必须给你办。而当你有了他的把柄，你可能会提出比最初商定的更高的要求，如果他不愿意继续办，你又威胁他，他就会可能会丧失掉现有的所有利益，包括合法的和灰色的。而当他连合法的利益都有可能失去时，就根本不值得冒着这个险。越是掌握巨大资源分配权的人，在这一点上越是谨慎。还有一种可能是，他的目标或者说野心，在于不断爬上更高的位置，在他真正坐上想要的位子并获得巨大的收益之前，他必须避免任何潜在的风险，比如不知底细的你，而你提供的资源，不管在你看来有多大，对他来说都是微不足道的小钱。&br&&br&第二种情况。其实就是上一次更新中描述的一个状态：“&u&更有可能的是，坐到他那个位子，下面的分包商/供应商已经都是他的白手套或者代理人了，已经在为他解决核心需求了，你再怎么努力都没用。”&/u&这种情况下不管你再怎么挖，挖出来的都是伪需求。比如仍然去挖掘我之前提到的他在面对上下级时的各种需求，甚至你愿意提供很高比例的回扣。但实际上可能他现有的代理人已经在给他提供稳定的回扣了，而且他们合作多年，利益输送隐蔽安全，更重要的是他们是一条绳上的蚂蚱。你所能提供的资源不一定比现有的高，同时引入你又会给他带来很大风险。所以这种局面更是难以打破。&br&&br&那么，面对这两种情况还有没有办法呢？&br&&br&当然有办法，一种高投入见效快风险高，一种低投入见效慢风险低。&br&&br&第一种办法，说白了就是想办法拿他的把柄，或者说把对方和自己拴到一条绳上。这条极度不符合当前主流价值观，为避免帖子被和谐就不展开了。&br&&br&第二种办法，也是我个人比较推荐的，放长线钓大鱼，或者说是“养鱼”。具体解释之前先明确几个基本性的概念。&br&&br&1、当你尝试建立自己的人际网的时候，很多情况下，你只能和“与你年龄相差五岁之内的人&建立起比较亲密的关系。&与你年龄差距超过十岁的人&和你的代沟会明显加大，也就会出现典型的不管你多热情积极，人家都不愿意带你玩。设想一下一个不到30岁的年轻销售去拜访40、50岁的客户负责人，你去介绍业务也许还可以，业务之外呢，聊什么话，晚上安排什么局，你有多大能耐让对方保持对你的持续兴趣？非常非常难。（当然也不是没办法，这个再留伏笔，后续讲）&br&&br&2、&u&&b&在中国，尤其是很多传统行业，你能赚到的大钱其实就是那一两届领导在位时候的钱&/b&&/u&。（这句话非常关键，它是上面提到的很多个问题的原因，同时又指出了解决问题的方向。各位可以先自己琢磨一下从这句话里能思考出什么，然后再看我后续的内容）&br&&br&这句话又分两层意思，&u&一，大钱都是来自当届领导的，二，你能傍上的领导最多也就是那一两届。&/u&第一层不用解释了吧。第二层，恰恰同时是上述“五岁”“十岁”问题的结果，以及领导现有白手套/代理人从哪里来的原因。&br&&br&所谓的“养鱼”：&u&就是在领导还没当上领导之前，跟他建立起密切的关系。&/u&&br&&br&领导没上当上领导之前是什么，就是上一次更新提到的已经开始初步管事的小中层，以及尚未管事的基层。而你要的做的，就是挑选出这样的潜力股，用你有限的资源投资他，帮助他上位。等他真正坐到了掌权的位置，你自然就成为了他的白手套/代理人。虽然这个过程可能长达五年、十年，但确实是你在资源有限的情况下所能做出的相对比较有意义的选择。&/p&&p&&br&&br&这一点上做得最牛的莫过于吕不韦，胡雪岩也是这么起家的。&br&&br&越是这种潜力股越关键，而你的早期金钱投入反而少，更偏重感情投入，但后期的金钱收益却非常非常高。&br&&br&是不是话题有点沉重。那换个角度，可以想像成女生在挑选男友或者老公时的情景吧。在女生自身条件没那么突出（手里的资源没那么多），而找不到高富帅（当权者），就去找一个虽然没钱但有发展潜力的年轻人，那时候你所能对他付出的感情和物质投资，会比投到高富帅那里更容易让对方感动并接受你。鼓励他，支持他，让他的成功带给你更好的生活水平。&br&&br&甚至泡妞也是这样，如果距离女神实在太远，怎么尝试都不行。不如找差不多水平的姑娘，一起减肥健身塑形，一起努力赚钱提高气质和物质水平，那么她也有可能向白富美的标准靠拢。收益的依然是你。&br&&br&这次更新的内容虽然不多，但是非常关键，可以解释很多问题，也可以解决很多问题。用这个视角可以分析如何争取客户公司，可以分析如何在自己公司里混，可以分析如何面对你自己的分包商/采购商，适当利用各种资源，最终获取最大的价值。&br&&br&&b&==================答复网友一：如何有效提升的自己分析和感知能力==================&/b&&br&&br&年前事情特别多，写这个帖子又特别耗心力，所以暂停更新一段时间。顺道答复一下评论里的两条留言。&br&&br&&u&网友甲：速度更新，不然我就把赞取消了。。&/u&&br&&br&答：我一直在强调，如果你希望获取对方的某样资源，一定要挖掘对方的真实需求并且提供对方感兴趣的资源。我们就按这个方法分析一下你的这句话，你想要的是我的经验，你能提供的是&u&你自己的一个&/u&赞。你觉得我的真实需求是什么？是赞吗？&br&&br&如果你是因为看到我在帖子最后说“别光点感谢，拉回左上角点个赞嘛，让我更有动力写”这句话就以为我的需求是要赞，那首先告诉你，这是一个典型的伪需求，你挖掘错了。再者即使是真需求，你能提供的资源的份量也远远不够。&br&&br&实际上我已经更新的几次内容，及后续打算更新的内容，是设计好了像剥洋葱一样层层深入的，为的就是逐层引导像发问者那样缺乏经验的朋友。但你的出现突然让我意识到，我的“课程设计”进度还是太快了，没有足够的人生阅历作为素材分析，你根本就理解不了我上面已经说的很多道理。&br&&br&就像《后会无期》里王珞丹饰演的那个角色说：“听过很多大道理，依然过不好这一生”。她过的不好不是因为大道理没用，而是恰恰因为她只是听过但不懂得那些道理。&br&&br&我写这个帖子的初衷是看到发问网友的疑惑，就想起那个曾经也努力去约客户却又经常约不到人的自己。而后面会继续更新，是我顺着这个问题开始回顾、反思、总结自己工作后走过的路。后续的文字其实是我写给自己的心得总结，只不过考虑到发问的这些年轻网友才在表述上采用了一种逐层引导的模式。&br&&br&我写的这些东西，真正有阅历有能力的人根本不会有兴趣看，对于他们而言，这些太小儿科了。但你的出现突然让我发觉，这些小儿科的东西可能对于一部分极度缺乏社会经验的网友来说，已经比较难以理解了。&br&&br&我现在已经更新的东西，足以支持你从一个组织的基层做到中层。而从中层到高层的路更复杂，我写出来了可能对你的效用也不大。&br&&br&&u&网友乙：对于阅历不足的年轻人，我们如何才能有效提升自己的感知能力，对于他人的需求能够有效了解？&/u&&br&&br&答：我常在一个大学哥们的小群里交流各种想法，开始写这个帖子之后也把链接放进了群里以供讨论。一个哥们最初不知道鲤鱼门这个ID是我，而当他发现之后有了这样一段对话：&br&&/p&&p&&img src=&/0dc073c2eada47af0f96_b.jpg& data-rawheight=&569& data-rawwidth=&937& class=&origin_image zh-lightbox-thumb& width=&937& data-original=&/0dc073c2eada47af0f96_r.jpg&&&br&所以这位网友的答案出来了。首先你要争取“跟对人”，对的领路人会让你少走很多很多弯路。如果没有这样一个领路人，你就只能自己不断得去尝试和总结，过程会异常艰辛，你也可能想到放弃，但实际上成长的过程别无他法。&/p&&p&&br&&br&&u&感知对方需求的能力，归根结底是对人性和逻辑的分析判断能力。除了以自身有限的经历来分析以外，也可以用一些经典的案例来分析。&/u&&br&&br&比如看《笑傲江湖》，不要以令狐冲的视角来读，试着以左冷禅的视角来分析，你没有风清扬传授绝世武功，没有黑道老大女儿罩着你，你开着一家公司，目标是推动行业整合搞出一个五岳联合公司。这个过程中，你拥有哪些资源？如何利用这些资源制定计划？实施计划的过程中又遇到哪些新状况（比如各派的反应，他们分别表达出哪些需求）？你如何解决所面临的问题（如何满足他们的需求），如何修正计划？实施过程中是否实现了一些既定目标，又有哪些目标没实现以及为什么？或者以岳不群、任我行、东方不败的视角来分析。&br&&br&&b&&u&分析的过程，一定要对比“你最初想获得的结果”和“最终所能获得的真实结果”之间有哪些偏差，并且重点分析为什么会出现这些偏差？&/u&&/b&当你能分析出偏差产生的原因，就可以极大的提升你对这个社会真实运行规则的认识高度和深度（就是反思出自己在哪些地方犯了错），这样在以后的道路中才会懂得怎样做才能更加有效的实现自己的目的。&br&&br&&b&===================春节特辑：如何与不同的人聊交流（尤其长辈）===================&/b&&br&&br&&br&本打算年后续更，但又有网友特意咨询如何与长辈交流，想必是临近春节这个问题更加凸显，故决定来个春节特辑分析一下，顺道给大家拜个早年。&br&&br&关于交流，家长里短吹牛扯淡之类的就不提了，我们从务实的角度出发，简单分为三种模型，面对长辈、面对晚辈、面对同辈。&br&&br&面对长辈的交流方式通用于面对领导、客户、岳父母公婆等；&br&面对晚辈的交流方式通用于面对下属、分包商、泡妞等；&br&面对同辈的交流方式通用语面对同事、同学、同龄朋友等；&br&&br&以下展开具体分析：&br&&br&&br&---------------------------------------------&br&后续待选更新话题：&br&&br&真实需求和伪需求，深度需求和浅层需求&br&明规则和潜规则的逻辑关系及应用（如何干掉竞争对手）&/p&&br&销售工作/人际交往的本质以及意义&br&如何培养客户的需求?&br&&br&&br&别光点感谢，拉回左上角点个赞嘛，让我更有动力写。
第三次更新（春节特辑）：如何与不同的人交流（比如长辈） 原答案：如何在与客户不熟悉的情况下约吃饭 第一次更新：请客户吃饭的深层意义（兼谈销售和泡妞的对比分析） 第二次更新：如何在资源有限的情况下开展销售工作（兼谈如何选男友/老公） 答复网友一…
&b&Hadoop&/b&&br&首先看一下Hadoop解决了什么问题，Hadoop就是解决了大数据（大到一台计算机无法进行存储，一台计算机无法在要求的时间内进行处理）的可靠存储和处理。&br&&ul&&li&HDFS，在由普通PC组成的集群上提供高可靠的文件存储，通过将块保存多个副本的办法解决服务器或硬盘坏掉的问题。&/li&&li&MapReduce，通过简单的Mapper和Reducer的抽象提供一个编程模型，可以在一个由几十台上百台的PC组成的不可靠集群上并发地，分布式地处理大量的数据集，而把并发、分布式（如机器间通信）和故障恢复等计算细节隐藏起来。而Mapper和Reducer的抽象，又是各种各样的复杂数据处理都可以分解为的基本元素。这样，复杂的数据处理可以分解为由多个Job（包含一个Mapper和一个Reducer）组成的有向无环图（DAG）,然后每个Mapper和Reducer放到Hadoop集群上执行，就可以得出结果。&/li&&/ul&&img src=&/adb253dbce2cbc_b.jpg& data-rawwidth=&627& data-rawheight=&195& class=&origin_image zh-lightbox-thumb& width=&627& data-original=&/adb253dbce2cbc_r.jpg&&（图片来源：&a href=&///?target=http%3A//www.slideshare.net/davidengfer/intro-to-the-hadoop-stack-javamug& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&slideshare.net/davideng&/span&&span class=&invisible&&fer/intro-to-the-hadoop-stack-javamug&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&br&&br&用MapReduce统计一个文本文件中单词出现的频率的示例WordCount请参见：&a href=&///?target=http%3A//wiki.apache.org/hadoop/WordCount& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&WordCount - Hadoop Wiki&i class=&icon-external&&&/i&&/a&，如果对MapReduce不恨熟悉，通过该示例对MapReduce进行一些了解对理解下文有帮助。&br&&br&在MapReduce中，Shuffle是一个非常重要的过程，正是有了看不见的Shuffle过程，才可以使在MapReduce之上写数据处理的开发者完全感知不到分布式和并发的存在。&br&&img src=&/57b942a32d5b035a7f1d_b.jpg& data-rawwidth=&774& data-rawheight=&367& class=&origin_image zh-lightbox-thumb& width=&774& data-original=&/57b942a32d5b035a7f1d_r.jpg&&（图片来源： Hadoop Definitive Guide By Tom White）&br&广义的Shuffle是指图中在Map和Reuce之间的一系列过程。&br&&br&&b&Hadoop的局限和不足&/b&&br&但是，MapRecue存在以下局限，使用起来比较困难。&br&&ul&&li&抽象层次低，需要手工编写代码来完成，使用上难以上手。&/li&&li&只提供两个操作，Map和Reduce，表达力欠缺。&/li&&li&一个Job只有Map和Reduce两个阶段（Phase），复杂的计算需要大量的Job完成，Job之间的依赖关系是由开发者自己管理的。&/li&&li&处理逻辑隐藏在代码细节中，没有整体逻辑&/li&&li&中间结果也放在HDFS文件系统中&/li&&li&ReduceTask需要等待所有MapTask都完成后才可以开始&/li&&li&时延高，只适用Batch数据处理，对于交互式数据处理，实时数据处理的支持不够&/li&&li&对于迭代式数据处理性能比较差&/li&&/ul&&br&比如说，用MapReduce实现两个表的Join都是一个很有技巧性的过程，如下图所示：&br&&img src=&/886cdc16b356e016d3ce_b.jpg& data-rawwidth=&713& data-rawheight=&359& class=&origin_image zh-lightbox-thumb& width=&713& data-original=&/886cdc16b356e016d3ce_r.jpg&&（图片来源：&a href=&///?target=http%3A////real-world-hadoop-implementing-a-left-outer-join-in-hadoop-map-reduce.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Real World Hadoop&i class=&icon-external&&&/i&&/a&）&br&&br&因此，在Hadoop推出之后，出现了很多相关的技术对其中的局限进行改进，如Pig，Cascading，JAQL，OOzie，Tez，Spark等。&br&&br&&b&Apache Pig&/b&&br&Apache Pig也是Hadoop框架中的一部分，Pig提供类SQL语言（Pig Latin）通过MapReduce来处理大规模半结构化数据。而Pig Latin是更高级的过程语言，通过将MapReduce中的设计模式抽象为操作，如Filter，GroupBy，Join，OrderBy，由这些操作组成&b&有向无环图（DAG）&/b&。例如如下程序：&br&&div class=&highlight&&&pre&&code class=&language-bash&&&span class=&nv&&visits&/span&
&span class=&o&&=&/span& load ‘/data/visits’ as &span class=&o&&(&/span&user, url, &span class=&nb&&time&/span&&span class=&o&&)&/span&&span class=&p&&;&/span&
&span class=&nv&&gVisits&/span&
&span class=&o&&=&/span& group visits by url&span class=&p&&;&/span&
&span class=&nv&&visitCounts&/span&
&span class=&o&&=&/span& foreach gVisits generate url, count&span class=&o&&(&/span&visits&span class=&o&&)&/span&&span class=&p&&;&/span&
&span class=&nv&&urlInfo&/span&
&span class=&o&&=&/span& load ‘/data/urlInfo’ as &span class=&o&&(&/span&url, category, pRank&span class=&o&&)&/span&&span class=&p&&;&/span&
&span class=&nv&&visitCounts&/span&
&span class=&o&&=&/span& join visitCounts by url, urlInfo by url&span class=&p&&;&/span&
&span class=&nv&&gCategories&/span& &span class=&o&&=&/span& group visitCounts by category&span class=&p&&;&/span&
&span class=&nv&&topUrls&/span& &span class=&o&&=&/span& foreach gCategories generate top&span class=&o&&(&/span&visitCounts,10&span class=&o&&)&/span&&span class=&p&&;&/span&
store topUrls into ‘/data/topUrls’&span class=&p&&;&/span&
&/code&&/pre&&/div&描述了数据处理的整个过程。&br&&br&而Pig Latin又是通过编译为MapReduce，在Hadoop集群上执行的。上述程序被编译成MapReduce时，会产生如下图所示的Map和Reduce：&br&&img src=&/27f938d43e54be4eba91c7899daa3bca_b.jpg& data-rawwidth=&692& data-rawheight=&455& class=&origin_image zh-lightbox-thumb& width=&692& data-original=&/27f938d43e54be4eba91c7899daa3bca_r.jpg&&&br&（图片来源：&a href=&///?target=http%3A//cs.nyu.edu/courses/Fall12/CSCI-GA./sigmod08-pig-latin.ppt& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&cs.nyu.edu/courses/Fall&/span&&span class=&invisible&&12/CSCI-GA./sigmod08-pig-latin.ppt&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&br&&br&Apache Pig解决了MapReduce存在的大量手写代码，语义隐藏，提供操作种类少的问题。类似的项目还有Cascading，JAQL等。&br&&br&&b&Apache Tez&/b&&br&Apache Tez，Tez是HortonWorks的Stinger Initiative的的一部分。作为执行引擎，Tez也提供了&b&有向无环图（DAG）&/b&，DAG由顶点（Vertex）和边（Edge）组成，Edge是对数据的移动的抽象，提供了One-To-One，BroadCast，和Scatter-Gather三种类型，只有Scatter-Gather才需要进行Shuffle。&br&&br&以如下SQL为例：&br&&div class=&highlight&&&pre&&code class=&language-sql&&&span class=&k&&SELECT&/span& &span class=&n&&a&/span&&span class=&p&&.&/span&&span class=&k&&state&/span&&span class=&p&&,&/span& &span class=&k&&COUNT&/span&&span class=&p&&(&/span&&span class=&o&&*&/span&&span class=&p&&),&/span&
&span class=&n&&AVERAGE&/span&&span class=&p&&(&/span&&span class=&k&&c&/span&&span class=&p&&.&/span&&span class=&n&&price&/span&&span class=&p&&)&/span&
&span class=&k&&FROM&/span& &span class=&n&&a&/span&
&span class=&k&&JOIN&/span& &span class=&n&&b&/span& &span class=&k&&ON&/span& &span class=&p&&(&/span&&span class=&n&&a&/span&&span class=&p&&.&/span&&span class=&n&&id&/span& &span class=&o&&=&/span& &span class=&n&&b&/span&&span class=&p&&.&/span&&span class=&n&&id&/span&&span class=&p&&)&/span&
&span class=&k&&JOIN&/span& &span class=&k&&c&/span& &span class=&k&&ON&/span& &span class=&p&&(&/span&&span class=&n&&a&/span&&span class=&p&&.&/span&&span class=&n&&itemId&/span& &span class=&o&&=&/span& &span class=&k&&c&/span&&span class=&p&&.&/span&&span class=&n&&itemId&/span&&span class=&p&&)&/span&
&span class=&k&&GROUP&/span& &span class=&k&&BY&/span& &span class=&n&&a&/span&&span class=&p&&.&/span&&span class=&k&&state&/span&
&/code&&/pre&&/div&&img src=&/666f395a113ccc523a32_b.jpg& data-rawwidth=&864& data-rawheight=&431& class=&origin_image zh-lightbox-thumb& width=&864& data-original=&/666f395a113ccc523a32_r.jpg&&（图片来源：&a href=&///?target=http%3A//www.slideshare.net/hortonworks/apache-tez-accelerating-hadoop-query-processing& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&slideshare.net/hortonwo&/span&&span class=&invisible&&rks/apache-tez-accelerating-hadoop-query-processing&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&br&途中蓝色方块表示Map，绿色方块表示Reduce，云状表示写屏障（write barrier，一种内核机制，可以理解为持久的写），Tez的优化主要体现在：&br&&ol&&li&去除了连续两个作业之间的写屏障&/li&&li&去除了每个工作流中多余的Map阶段（Stage）&/li&&/ol&通过提供DAG语义和操作，提供了整体的逻辑，通过减少不必要的操作，Tez提升了数据处理的执行性能。&br&&br&&b&Apache Spark&/b&&br&Apache Spark是一个新兴的大数据处理的引擎，主要特点是提供了一个集群的分布式内存抽象，以支持需要工作集的应用。&br&&br&这个抽象就是RDD（Resilient Distributed Dataset），RDD就是一个不可变的带分区的记录集合，RDD也是Spark中的编程模型。Spark提供了RDD上的两类操作，转换和动作。转换是用来定义一个新的RDD，包括map, flatMap, filter, union, sample, join, groupByKey, cogroup, ReduceByKey, cros, sortByKey, mapValues等，动作是返回一个结果，包括collect, reduce, count, save, lookupKey。&br&&br&Spark的API非常简单易用，Spark的WordCount的示例如下所示：&br&&div class=&highlight&&&pre&&code class=&language-scala&&&span class=&k&&val&/span& &span class=&n&&spark&/span& &span class=&k&&=&/span& &span class=&k&&new&/span& &span class=&nc&&SparkContext&/span&&span class=&o&&(&/span&&span class=&n&&master&/span&&span class=&o&&,&/span& &span class=&n&&appName&/span&&span class=&o&&,&/span& &span class=&o&&[&/span&&span class=&kt&&sparkHome&/span&&span class=&o&&],&/span& &span class=&o&&[&/span&&span class=&kt&&jars&/span&&span class=&o&&])&/span&
&span class=&k&&val&/span& &span class=&n&&file&/span& &span class=&k&&=&/span& &span class=&n&&spark&/span&&span class=&o&&.&/span&&span class=&n&&textFile&/span&&span class=&o&&(&/span&&span class=&s&&&hdfs://...&&/span&&span class=&o&&)&/span&
&span class=&k&&val&/span& &span class=&n&&counts&/span& &span class=&k&&=&/span& &span class=&n&&file&/span&&span class=&o&&.&/span&&span class=&n&&flatMap&/span&&span class=&o&&(&/span&&span class=&n&&line&/span& &span class=&k&&=&&/span& &span class=&n&&line&/span&&span class=&o&&.&/span&&span class=&n&&split&/span&&span class=&o&&(&/span&&span class=&s&&& &&/span&&span class=&o&&))&/span&
&span class=&o&&.&/span&&span class=&n&&map&/span&&span class=&o&&(&/span&&span class=&n&&word&/span& &span class=&k&&=&&/span& &span class=&o&&(&/span&&span class=&n&&word&/span&&span class=&o&&,&/span& &span class=&mi&&1&/span&&span class=&o&&))&/span&
&span class=&o&&.&/span&&span class=&n&&reduceByKey&/span&&span class=&o&&(&/span&&span class=&k&&_&/span& &span class=&o&&+&/span& &span class=&k&&_&/span&&span class=&o&&)&/span&
&span class=&n&&counts&/span&&span class=&o&&.&/span&&span class=&n&&saveAsTextFile&/span&&span class=&o&&(&/span&&span class=&s&&&hdfs://...&&/span&&span class=&o&&)&/span&
&/code&&/pre&&/div&其中的file是根据HDFS上的文件创建的RDD，后面的flatMap，map，reduceByKe都创建出一个新的RDD，一个简短的程序就能够执行很多个转换和动作。&br&&br&在Spark中，所有RDD的转换都是是&b&惰性求值&/b&的。RDD的转换操作会生成新的RDD，新的RDD的数据依赖于原来的RDD的数据，每个RDD又包含多个分区。那么一段程序实际上就构造了一个由相互依赖的多个RDD组成的&b&有向无环图（DAG）。&/b&并通过在RDD上执行动作将这个有向无环图作为一个Job提交给Spark执行。&br&&br&例如，上面的WordCount程序就会生成如下的DAG&br&&div class=&highlight&&&pre&&code class=&language-scala&&&span class=&n&&scala&/span&&span class=&o&&&&/span& &span class=&n&&counts&/span&&span class=&o&&.&/span&&span class=&n&&toDebugString&/span&
&span class=&n&&res0&/span&&span class=&k&&:&/span& &span class=&kt&&String&/span& &span class=&o&&=&/span&
&span class=&nc&&MapPartitionsRDD&/span&&span class=&o&&[&/span&&span class=&err&&7&/span&&span class=&o&&]&/span& &span class=&n&&at&/span& &span class=&n&&reduceByKey&/span& &span class=&n&&at&/span& &span class=&o&&&&/span&&span class=&n&&console&/span&&span class=&k&&&:&/span&&span class=&mi&&14&/span& &span class=&o&&(&/span&&span class=&mi&&1&/span& &span class=&n&&partitions&/span&&span class=&o&&)&/span&
&span class=&nc&&ShuffledRDD&/span&&span class=&o&&[&/span&&span class=&err&&6&/span&&span class=&o&&]&/span& &span class=&n&&at&/span& &span class=&n&&reduceByKey&/span& &span class=&n&&at&/span& &span class=&o&&&&/span&&span class=&n&&console&/span&&span class=&k&&&:&/span&&span class=&mi&&14&/span& &span class=&o&&(&/span&&span class=&mi&&1&/span& &span class=&n&&partitions&/span&&span class=&o&&)&/span&
&span class=&nc&&MapPartitionsRDD&/span&&span class=&o&&[&/span&&span class=&err&&5&/span&&span class=&o&&]&/span& &span class=&n&&at&/span& &span class=&n&&reduceByKey&/span& &span class=&n&&at&/span& &span class=&o&&&&/span&&span class=&n&&console&/span&&span class=&k&&&:&/span&&span class=&mi&&14&/span& &span class=&o&&(&/span&&span class=&mi&&1&/span& &span class=&n&&partitions&/span&&span class=&o&&)&/span&
&span class=&nc&&MappedRDD&/span&&span class=&o&&[&/span&&span class=&err&&4&/span&&span class=&o&&]&/span& &span class=&n&&at&/span& &span class=&n&&map&/span& &span class=&n&&at&/span& &span class=&o&&&&/span&&span class=&n&&console&/span&&span class=&k&&&:&/span&&span class=&mi&&14&/span& &span class=&o&&(&/span&&span class=&mi&&1&/span& &span class=&n&&partitions&/span&&span class=&o&&)&/span&
&span class=&nc&&FlatMappedRDD&/span&&span class=&o&&[&/span&&span class=&err&&3&/span&&span class=&o&&]&/span& &span class=&n&&at&/span& &span class=&n&&flatMap&/span& &span class=&n&&at&/span& &span class=&o&&&&/span&&span class=&n&&console&/span&&span class=&k&&&:&/span&&span class=&mi&&14&/span& &span class=&o&&(&/span&&span class=&mi&&1&/span& &span class=&n&&partitions&/span&&span class=&o&&)&/span&
&span class=&nc&&MappedRDD&/span&&span class=&o&&[&/span&&span class=&err&&1&/span&&span class=&o&&]&/span& &span class=&n&&at&/span& &span class=&n&&textFile&/span& &span class=&n&&at&/span& &span class=&o&&&&/span&&span class=&n&&console&/span&&span class=&k&&&:&/span&&span class=&mi&&12&/span& &span class=&o&&(&/span&&span class=&mi&&1&/span& &span class=&n&&partitions&/span&&span class=&o&&)&/span&
&span class=&nc&&HadoopRDD&/span&&span class=&o&&[&/span&&span class=&err&&0&/span&&span class=&o&&]&/span& &span class=&n&&at&/span& &span class=&n&&textFile&/span& &span class=&n&&at&/span& &span class=&o&&&&/span&&span class=&n&&console&/span&&span class=&k&&&:&/span&&span class=&mi&&12&/span& &span class=&o&&(&/span&&span class=&mi&&1&/span& &span class=&n&&partitions&/span&&span class=&o&&)&/span&
&/code&&/pre&&/div&&br&&br&Spark对于有向无环图Job进行调度，确定&b&阶段（Stage）&/b&，&b&分区（Partition）&/b&，&b&流水线（Pipeline）&/b&，&b&任务（Task）&/b&和&b&缓存（Cache）&/b&，进行优化，并在Spark集群上运行Job。RDD之间的依赖分为&b&宽依赖&/b&（依赖多个分区）和&b&窄依赖&/b&（只依赖一个分区），在确定阶段时，需要根据宽依赖划分阶段。根据分区划分任务。&br&&br&&img src=&/d9a22d31fe35d66f8d02_b.jpg& data-rawwidth=&602& data-rawheight=&439& class=&origin_image zh-lightbox-thumb& width=&602& data-original=&/d9a22d31fe35d66f8d02_r.jpg&&（图片来源：&a href=&///?target=https%3A//databricks-training./slides/advanced-spark-training.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&databricks-training.&/span&&span class=&invisible&&/slides/advanced-spark-training.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&br&&br&Spark支持故障恢复的方式也不同，提供两种方式，&b&Linage&/b&，通过数据的血缘关系，再执行一遍前面的处理，&b&Checkpoint&/b&，将数据集存储到持久存储中。&br&&br&Spark为&b&迭代式数据处理&/b&提供更好的支持。每次迭代的数据可以保存在内存中，而不是写入文件。&br&&br&Spark的性能相比Hadoop有很大提升，2014年10月，Spark完成了一个Daytona Gray类别的Sort Benchmark测试，排序完全是在磁盘上进行的，与Hadoop之前的测试的对比结果如表格所示：&br&&img src=&/029ab6e670fa8fab5fb3a59_b.jpg& data-rawwidth=&696& data-rawheight=&412& class=&origin_image zh-lightbox-thumb& width=&696& data-original=&/029ab6e670fa8fab5fb3a59_r.jpg&&（表格来源： &a href=&///?target=http%3A///blog//spark-officially-sets-a-new-record-in-large-scale-sorting.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Spark officially sets a new record in large-scale sorting&i class=&icon-external&&&/i&&/a&）&br&从表格中可以看出排序100TB的数据（1万亿条数据），&b&Spark只用了Hadoop所用1/10的计算资源，耗时只有Hadoop的1/3&/b&。&br&&br&&br&Spark的优势不仅体现在性能提升上的，Spark框架为批处理（Spark Core），交互式（Spark SQL），流式（Spark Streaming），机器学习（MLlib），图计算（GraphX）提供一个统一的数据处理平台，这相对于使用Hadoop有很大优势。&br&&br&&img src=&/c9c37ed908b6d7c6a1d98787efd649f7_b.jpg& data-rawwidth=&916& data-rawheight=&385& class=&origin_image zh-lightbox-thumb& width=&916& data-original=&/c9c37ed908b6d7c6a1d98787efd649f7_r.jpg&&（图片来源：&a href=&///?target=https%3A////4-reasons-why-spark-could-jolt-hadoop-into-hyperdrive/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&//4&/span&&span class=&invisible&&-reasons-why-spark-could-jolt-hadoop-into-hyperdrive/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&br&&br&按照Databricks的连城的说法是&b&One Stack To Rule Them All&/b&&br&&br&特别是在有些情况下，你需要进行一些ETL工作，然后训练一个机器学习的模型，最后进行一些查询，如果是使用Spark，你可以在一段程序中将这三部分的逻辑完成形成一个大的&b&有向无环图（DAG）&/b&，而且Spark会对大的有向无环图进行整体优化。&br&&br&例如下面的程序：&br&&div class=&highlight&&&pre&&code class=&language-text&&val points = sqlContext.sql(
“SELECT latitude, longitude FROM historic_tweets”)
val model = KMeans.train(points, 10)
sc.twitterStream(...)
.map(t =& (model.closestCenter(t.location), 1))
.reduceByWindow(“5s”, _ + _)
&/code&&/pre&&/div&（示例来源：&a href=&///?target=http%3A//www.slideshare.net/Hadoop_Summit/building-a-unified-data-pipeline-in-apache-spark& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&slideshare.net/Hadoop_S&/span&&span class=&invisible&&ummit/building-a-unified-data-pipeline-in-apache-spark&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&br&这段程序的第一行是用Spark SQL 查寻出了一些点，第二行是用MLlib中的K-means算法使用这些点训练了一个模型，第三行是用Spark Streaming处理流中的消息，使用了训练好的模型。&br&&br&&b&Lambda Architecture&/b&&br&Lambda Architecture是一个大数据处理平台的参考模型，如下图所示：&br&&img src=&/2a4e99ec84da2c367f883af2313c16dd_b.jpg& data-rawwidth=&800& data-rawheight=&453& class=&origin_image zh-lightbox-thumb& width=&800& data-original=&/2a4e99ec84da2c367f883af2313c16dd_r.jpg&&（图片来源： &a href=&///?target=https%3A///developercentral/lambda-architecture& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Lambda Architecture&i class=&icon-external&&&/i&&/a&）&br&其中包含3层，Batch Layer，Speed Layer和Serving Layer，由于Batch Layer和Speed Layer的数据处理逻辑是一致的，如果用Hadoop作为Batch Layer，而用Storm作为Speed Layer，你需要维护两份使用不同技术的代码。&br&&br&而Spark可以作为Lambda Architecture一体化的解决方案,大致如下：&br&&ul&&li&Batch Layer，HDFS+Spark Core，将实时的增量数据追加到HDFS中，使用Spark Core批量处理全量数据，生成全量数据的视图。，&/li&&li&Speed Layer，Spark Streaming来处理实时的增量数据，以较低的时延生成实时数据的视图。&/li&&li&Serving Layer，HDFS+Spark SQL（也许还有BlinkDB），存储Batch Layer和Speed Layer输出的视图，提供低时延的即席查询功能，将批量数据的视图与实时数据的视图合并。&/li&&/ul&&b&总结&/b&&br&如果说，MapReduce是公认的分布式数据处理的低层次抽象，类似逻辑门电路中的与门，或门和非门，那么Spark的RDD就是分布式大数据处理的高层次抽象，类似逻辑电路中的编码器或译码器等。&br&&br&RDD就是一个分布式的数据集合（Collection），对这个集合的任何操作都可以像函数式编程中操作内存中的集合一样直观、简便，但集合操作的实现确是在后台分解成一系列Task发送到几十台上百台服务器组成的集群上完成的。最近新推出的大数据处理框架Apache Flink也使用数据集（Data Set）和其上的操作作为编程模型的。&br&&br&由RDD组成的有向无环图（DAG）的执行是调度程序将其生成物理计划并进行优化，然后在Spark集群上执行的。Spark还提供了一个类似于MapReduce的执行引擎，该引擎更多地使用内存，而不是磁盘，得到了更好的执行性能。&br&&br&那么Spark解决了Hadoop的哪些问题呢？&br&&ul&&li&抽象层次低，需要手工编写代码来完成，使用上难以上手。&/li&&ul&&li&=&基于RDD的抽象，实数据处理逻辑的代码非常简短。。&/li&&/ul&&li&只提供两个操作，Map和Reduce，表达力欠缺。&/li&&ul&&li&=&提供很多转换和动作，很多基本操作如Join，GroupBy已经在RDD转换和动作中实现。&/li&&/ul&&li&一个Job只有Map和Reduce两个阶段（Phase），复杂的计算需要大量的Job完成，Job之间的依赖关系是由开发者自己管理的。&/li&&ul&&li&=&一个Job可以包含RDD的多个转换操作，在调度时可以生成多个阶段（Stage），而且如果多个map操作的RDD的分区不变，是可以放在同一个Task中进行。&/li&&/ul&&li&处理逻辑隐藏在代码细节中，没有整体逻辑&/li&&ul&&li&=&在Scala中，通过匿名函数和高阶函数，RDD的转换支持流式API，可以提供处理逻辑的整体视图。代码不包含具体操作的实现细节，逻辑更清晰。&/li&&/ul&&li&中间结果也放在HDFS文件系统中&/li&&ul&&li&=&中间结果放在内存中，内存放不下了会写入本地磁盘，而不是HDFS。&/li&&/ul&&li&ReduceTask需要等待所有MapTask都完成后才可以开始&/li&&ul&&li&=& 分区相同的转换构成流水线放在一个Task中运行，分区不同的转换需要Shuffle，被划分到不同的Stage中，需要等待前面的Stage完成后才可以开始。&/li&&/ul&&li&时延高，只适用Batch数据处理，对于交互式数据处理，实时数据处理的支持不够&/li&&ul&&li&=&通过将流拆成小的batch提供Discretized Stream处理流数据。&/li&&/ul&&li&对于迭代式数据处理性能比较差&/li&&ul&&li&=&通过在内存中缓存数据，提高迭代式计算的性能。&/li&&/ul&&/ul&&br&因此，Hadoop MapReduce会被新一代的大数据处理平台替代是技术发展的趋势，而在新一代的大数据处理平台中，Spark目前得到了最广泛的认可和支持，从参加Spark Summit 2014的厂商的各种基于Spark平台进行的开发就可以看出一二。
Hadoop 首先看一下Hadoop解决了什么问题，Hadoop就是解决了大数据（大到一台计算机无法进行存储，一台计算机无法在要求的时间内进行处理）的可靠存储和处理。 HDFS，在由普通PC组成的集群上提供高可靠的文件存储，通过将块保存多个副本的办法解决服务器或硬…
很明显，&b&你所提到的学校领导在智商、诚实和友爱三者之中最多只拥有一样，而且很有可能三者都缺&/b&。&br&&br&下图是P4 3.0GHz CPU同其他目前常见的中高端CPU的计算性能比较（CPU Mark），就算你花了九牛二虎之力把这20多个CPU组装到一起，并且奇迹般地没有任何通讯开销和效率损失，这20多台计算机的计算能力也只有勉强达到一个i7-2600主机的水平。某宝告诉我这种主机目前大约价钱4000元。&br&&img src=&/40ed9b3c2a9d6dfcc0baf25b_b.jpg& data-rawwidth=&520& data-rawheight=&314& class=&origin_image zh-lightbox-thumb& width=&520& data-original=&/40ed9b3c2a9d6dfcc0baf25b_r.jpg&&&br&如果这种“超级计算机”是你追求的目标，或者你希望通过这样一个活动来提高自己对并行计算的认识，不妨玩玩。否则我能给的最好的建议就是——把所有机器放淘宝上一个200卖掉，赚到的5000元钱买一个性能强劲新的主机回来。&br&&br&忍不住：你的领导真不知道IT设备5年价值归零吗？
很明显，你所提到的学校领导在智商、诚实和友爱三者之中最多只拥有一样，而且很有可能三者都缺。 下图是P4 3.0GHz CPU同其他目前常见的中高端CPU的计算性能比较（CPU Mark），就算你花了九牛二虎之力把这20多个CPU组装到一起，并且奇迹般地没有任何通讯开销…
作为当年书友会的主管级管理人员之一，看了这个问题，决定上来说两句，从内部人的角度谈一些大家看不到的点，也算给自己在贝塔斯曼奋斗的经历一个交代吧。&br&&br&先说背景，我曾经在书友会工作过一段时间，经历过书友会架构调整，负责过书友会的电商网站（确实，书友会是有电商网站的！），在书友会衰落前夕离开。&br&-------------------&br&&strong&首先，书友会的邮购模式是在欧美流行了很多年的模式&/strong&，但是，随着互联网的发展，不光在中国，在全球各地，这种业务模式都受到了严重的挑战。只是中国地大物博，邮政体系相对落后，互联网电商发展比较迅速，所以中国的邮购模式死得早。&br&&br&&strong&其次，书友会是外资企业，而且是大企业集团，犯了很多外资企业在中国都会犯的错误&/strong&：A.老外管理，而且有任期，导致管理思路不一致，换届之时就是内部调整和业务调头的时候。B.过于循规蹈矩，不光对于中国的政策尽量不违反，而且还要遵从总部的政策，甚至是服从公司内部政治斗争。&br&&br&这从根本上就决定了书友会的经营一定不能长期，在面对99reader, dangdang之流就非常力不从心了。&br&&br&说一些大家集中反映的点吧：&br&&strong&1. 强制购书&/strong&&br&这点其实是书友会最致命也是最操蛋的一条政策，但是这也是全球贝塔斯曼书友会的一个基本政策，公司里面没有哪个人有勇气来挑战这个规则。就算到了贝塔斯曼后期，管理层也只是默认了不执行这条政策，&strong&但是没有人敢放言出来&/strong&：我们不强制购书了。而且99reader, dangdang一直拿这点来打书友会：亲，我们没有强制购书，我们没有义务，来我们这看看呗。&br&举个栗子：当时我们电商网站改版后，执行的就是一个外人深究下去很精神分裂很滑稽的一条政策：在网站上买书，不代表你入会，也就没有强制购书义务。但是如果你是会员，网站上购买也不算完成你线下的购书义务（后期这点似乎也算了，年纪大了，记不清了）。&br&&br&&strong&2. 关于用户定位&/strong&&br&其实大部分人不知道，也意识不到：寄给你们的册子并不是千篇一律的，&strong&有两个版本，青年版和成年版&/strong&（其实还有很多小的不同的版本，测试用），针对的是完全不同的人群，提供的书也各有侧重。但是成年的人群一直比较少，购买也不活跃 (也很正常，天天上班的人谁有空1个月看一本书）；青年版的用户基数大，购买也比较活跃。但是青年版最悲剧的是什么呢？&strong&这拨人的地址是最不稳定的&/strong&，每年的9月份是目录部门最挠头的月份，因为各位都初中升高中了，高中考大学了，以前寄到你们班上的册子全都寄不到了。数据库里面这个地址就变成死地址了，我们只能抱着电话等各位来投诉：为毛我收不到册子了？收不到册子我怎么完成购书义务？哦？地址不对了？那你早说嘛，我的地址是xx学校xx班，赶紧给我寄来啊。&br&然后1年后以上对话再重复一次....&br&&br&&strong&3. 关于服务&/strong&&br&各位亲，你们别用几年后的快递，在线支付来要求当时的书友会好吗？我当时做网站的时候，没有宅急送，没有顺丰。网上支付只有工行和几个大银行，还需要你先去柜台开通业务，工行还会给你一张写满数字的密码卡。当年还没有支付宝，我离开前夕，支付宝来找我谈合作（没错，是主动来找我们谈合作，泪啊），他们还是适应淘宝上的思路，要用户确认后才能划款到公司账户。你觉得我这么做的话，公司的财务会放过我吗？每月过财务会议上一定会被财务批得狗血淋头：款没到系统怎么可以发货？你们部门为毛有这么多应收款？我的帐怎么做？支付宝？支付宝是哪根葱？&br&&br&&strong&最后说一点：价格。&/strong&&br&各位，你们要感谢当当，感谢卓越，有了他们你们才可能以5折甚至更低的折扣买到这么多书。贝塔斯曼全球书友会在法国活得很滋润，为什么，因为法国有规定，&strong&书籍禁止低价促销，打折不能超过多少多少，否则就是不正当竞争。&/strong&而在中国...我就呵呵了。所以贝塔斯曼书会友的价格一直是各电商站里面价格比较高的，这个行业纯粹是个价格的恶性竞争。我当年为了价格问题，简直生不如死。我们推什么书，当当能立马比我们便宜。我们要再去打报告，做促销，还要做好心理准备面对财务会议上财务同学的批判，黄花菜都凉了。最没天理的是，&strong&BAP（贝塔斯曼亚洲出版社）出版的书在当当上卖得都比我们要便宜&/strong&。。。&br&&br&PS：爱看青春文学的朋友，你们也应该感谢贝塔斯曼，当年是书友会和路金波一起，花了很多钱做了一大批的青春文学书籍。&br&&br&罗里罗嗦写了一堆，就先到这吧...&br&&br&------------10/23上来补充-----------------&br&真没想到这里还有这么多曾经的贝塔斯曼的会员，当年看青年版的一拨人现在成了社会的主力军了，哈哈。可惜贝塔斯曼没有跟上来。&br&&br&PS之PS：在评论里面，看到很多人在说99reader，我上来再爆个关于他们的内幕吧。其实在2004年前后，贝塔斯曼内部有次机构大变动。变动的结果（或者是原因）就是有&strong&一大波人离开贝塔斯曼，另起炉灶&/strong&。这个炉灶就是&strong&九久读书人&/strong&。他们带去了贝塔斯曼的运作理念，出版资源，还应该有一大批用户数据库（最后这点没有证据，本人不负任何法律责任（特此声明）。大家只是推测，但大家都不傻好么），&strong&唯一没带去的就是强制购书的政策&/strong&（呵呵呵呵）。所以曾经是贝塔斯曼的会员后来能收到九久的册子，一点都不奇怪。你们真的没有觉得这两家的册子看上去很像么？反正我看客服回答记录中时不时有人在问：你们贝塔斯曼怎么改名了...&br&所以有那么一段时间，&strong&贝塔斯曼是被当当和卓越打，后面还有个99reader时不时上来搂两拳&/strong&。&br&&br&---------------10/30 再次补充，兼回答 he keyes------&br&其实和大家想象的完全不一样，贝塔斯曼其实是最早意识到网购挑战的几个公司之一。在2000年第一波互联网大潮的时候，贝塔斯曼总部有一个比较激进的总裁，在他的战略下，贝塔斯曼各地出了一批BOL网站，中国的BOL也在其列。&br&&br&但是（就是神也敌不过这个但是啊...)，互联网第一波很快就进入了一个低谷，我个人认为这个对他的战略是一个严重的打击。所以这位总裁被干掉了，然后换了一个相对传统的总裁，然后矫枉过正是必须的，然后..各地的BOL网站就没有然后了，除了中国的BOL幸存了下来。&br&&a href=&///?target=http%3A///00/83/article.shtml& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/00/83&/span&&span class=&invisible&&/article.shtml&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&
这篇当时的文章比较好地勾勒出了这一个重大的变化。&br&&br&所以大家可以理解，在这之后，为什么没有人愿意去挑战之前的规则，大家都不傻啊。大家不要以上帝视角来看贝塔斯曼这件事情。当年贝塔斯曼确实是尝试过的，只是时间点不对，而大企业的战略变化很难快起来，大船难调头不是？&br&&br&PS：和现在大家一门心思想上市不同，欧洲很多这种老牌（几十年，上百年）的家族企业，生意很好，但是就是打死不上市。
作为当年书友会的主管级管理人员之一，看了这个问题，决定上来说两句，从内部人的角度谈一些大家看不到的点，也算给自己在贝塔斯曼奋斗的经历一个交代吧。 先说背景，我曾经在书友会工作过一段时间，经历过书友会架构调整，负责过书友会的电商网站（确实，…
&p&&b&是时候祭出这篇吃货文章了：&/b&&/p&&p&————————————————————&/p&&p&————————————————————&/p&&p&————————————————————&br&&/p&&img src=&/ab084a398f8cd5f85cdae7d_b.png& data-rawwidth=&714& data-rawheight=&431& class=&origin_image zh-lightbox-thumb& width=&714& data-original=&/ab084a398f8cd5f85cdae7d_r.png&&&br&&p&你一定听说过云计算中的三个“高大上”的你一定听说过云计算中的三个“高大上”的概念：IaaS、PaaS和SaaS，这几个术语并不好理解。&strong&不过，如果你是个吃货，还喜欢披萨，这个问题就好解决了!&/strong&好吧，其实你根本不是一个吃货，之所以自我标榜为吃货，其实是为了收获赞叹式的夸奖，“吃货还这么瘦，好羡慕啊!”或者，总得给伦家的微丰找个像样的理由。&/p&&p&一个“吃货”是怎样吃到披萨的呢?&/p&&p&&strong&1. 在家自己做&/strong&&/p&&p&这真是个麻烦事，你的准备很多东西，发面、做面团、进烤箱。。。。。简单列一下，需要下图所示的一切：&/p&&img src=&/9acf7bf654ae8d7e7fbe1_b.png& data-rawwidth=&373& data-rawheight=&425& class=&content_image& width=&373&&&br&&p&&strong&2. 买好速食披萨回家自己做着吃&/strong&&/p&&p&你只需要从披萨店里买回成品，回家烘焙就好了，在自己的餐桌上吃。和自己在家做不同，你需要一个pizza供应商。&/p&&img src=&/b642b741b913d0e71863_b.png& data-rawwidth=&340& data-rawheight=&422& class=&content_image& width=&340&&&br&&p&&strong&3. 打电话叫外卖将披萨送到家中&/strong&&/p&&p&打个电话，pizza就送到家门口。&/p&&img src=&/b7849abcfdf90d134b2295_b.png& data-rawwidth=&272& data-rawheight=&415& class=&content_image& width=&272&&&br&&p&&strong&4.在披萨店吃披萨&/strong&&/p&&p&你什么都不需要准备，连餐桌也是pizza店的。&/p&&img src=&/1ec7caa86e361e3f8796080_b.png& data-rawwidth=&257& data-rawheight=&409& class=&content_image& width=&257&&&br&&p&&b&&u&总结一下，吃货可以通过如下途径吃披萨：&/u&&/b&&/p&&img src=&/be14da9aafdae3f37eabda7e_b.png& data-rawwidth=&734& data-rawheight=&765& class=&origin_image zh-lightbox-thumb& width=&734& data-original=&/be14da9aafdae3f37eabda7e_r.png&&&br&&p&&b&&u&好了，现在忘掉pizza!&/u&&/b&&/p&&br&&p&假设你是一家超牛X的技术公司，根本不需要别人提供服务，你拥有基础设施、应用等等其它一切，你把它们分为三层：&strong&基础设施(infrastructure)、平台(platform)和软件(software)&/strong&，如下图：&/p&&img src=&/f3cc3fca72da988a748cca_b.png& data-rawwidth=&714& data-rawheight=&316& class=&origin_image zh-lightbox-thumb& width=&714& data-original=&/f3cc3fca72da988a748cca_r.png&&&br&&p&这其实就是云计算的三个分层，基础设施在最下端，平台在中间，软件在顶端，分别是分别是Infrastructure-as-a-Service(IaaS)，Platform-as-a-Service(PaaS)，Software-as-a-Service(SaaS)，别的一些“软”的层可以在这些层上面添加。&/p&&p&而你的公司什么都有，现在所处的状态叫本地部署(On-Premises)，就像在自己家做pizza一样。几年前如果你想在办公室或者公司的网站上运行一些企业应用，你需要去买服务器，或者别的高昂的硬件来控制本地应用，让你的业务运行起来，这就叫本地部署。&/p&&p&假如你家BOSS突然有一天想明白了，只是为了吃上pizza，为什么非要自己做呢?于是，准备考虑一家云服务供应商，这个云服务供应商能提供哪些服务呢?其所能提供的云服务也就是云计算的三个分层：IaaS、PaaS和SaaS，就像pizza店提供三种服务：买成品回家做、外卖和到披萨店吃。&/p&&p&用一张图来表示就是这样的。&/p&&img src=&/0f69d9c9720_b.png& data-rawwidth=&721& data-rawheight=&355& class=&origin_image zh-lightbox-thumb& width=&721& data-original=&/0f69d9c9720_r.png&&&br&&p&现在我们来谈谈具体细节。&/p&&p&&u&&strong&IaaS:&/strong& Infrastructure-as-a-Service(基础设施即服务)&/u&&/p&&p&有了IaaS，你可以将硬件外包到别的地方去。IaaS公司会提供场外服务器，存储和网络硬件，你可以租用。节省了维护成本和办公场地，公司可以在任何时候利用这些硬件来运行其应用。&/p&&p&一些大的IaaS公司包括Amazon, Microsoft, VMWare, Rackspace和Red Hat.不过这些公司又都有自己的专长，比如Amazon和微软给你提供的不只是IaaS，他们还会将其计算能力出租给你来host你的网站。&/p&&p&&u&&strong&PaaS:&/strong& Platform-as-a-Service(平台即服务)&/u&&/p&&p&第二层就是所谓的PaaS，某些时候也叫做中间件。你公司所有的开发都可以在这一层进行，节省了时间和资源。&/p&&p&PaaS公司在网上提供各种开发和分发应用的解决方案，比如虚拟服务器和操作系统。这节省了你在硬件上的费用，也让分散的工作室之间的合作变得更加容易。网页应用管理，应用设计，应用虚拟主机，存储，安全以及应用开发协作工具等。&/p&&p&一些大的PaaS提供者有Google App Engine,Microsoft Azure，,Heroku，Engine Yard。最近兴起的公司有AppFog,Mendix和Standing Cloud.&/p&&p&&u&&strong&SaaS: &/strong&Software-as-a-Service(软件即服务)&/u&&/p&&p&第三层也就是所谓SaaS。这一层是和你的生活每天接触的一层，大多是通过网页浏览器来接入。任何一个远程服务器上的应用都可以通过网络来运行，就是SaaS了。&/p&&p&你消费的服务完全是从网页如Netflix,MOG,Google Apps,Box.net,Dropbox或者苹果的iCloud那里进入这些分类。尽管这些网页服务是用作商务和娱乐或者两者都有，但这也算是云技术的一部分。&/p&&p&一些用作商务的SaaS应用包括Citrix的Go To Meeting，Cisco的WebEx，Salesforce的CRM，ADP，Workday和SuccessFactors。&/p&&br&&p&来源地址：&a href=&///?target=http%3A///show.aspx%3Fid%3D19758%26cid%3D18& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&如何理解云计算？很简单，就像吃货想吃披萨了...&i class=&icon-external&&&/i&&/a&&/p&
是时候祭出这篇吃货文章了：———————————————————————————————————————————————————————————— 你一定听说过云计算中的三个“高大上”的你一定听说过云计算中的三个“高大上”的概念：IaaS、Paa…
&p&作为有多年投标经验的人，我觉得这个标的结果就是多输，属于腾讯云不走寻常路，令到老司机都大翻车的案子。来，和大家一起仔细看看这个案子。按照惯例，以下把招标方称为甲方，投标方（五家公司）称为乙方。&/p&&img src=&/v2-40c9bdd1bb9bd1fdc7b8c0b2e8877ade_b.jpg& data-rawwidth=&600& data-rawheight=&904& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-40c9bdd1bb9bd1fdc7b8c0b2e8877ade_r.jpg&&&br&&p&为了迎合各位别的答主和评论区的白莲花圣母的政治正确性，先叫几句口号：&/p&&p&反对任何潜规则的商务行为！支持腾讯低价改变业界规则！&/p&&p&人民政府为人民活多钱少手抽筋！支持屠龙的勇士！反对多伦多猛龙！&/p&&br&&p&&b&首先，看看投标企业列表&/b&&/p&&p&去投标第一件事就是了解竞争对手，不同的竞争对手有不同的打法。&/p&&p&除了腾讯云之外，没有别的互联网厂商（为什么没有阿里云，这是个有趣的点），入围的是移动联通电信三家，加一家没那么有名气的“厦门纵横”。&/p&&p&福建的地方保护主义比较厉害。最近的政府的例子不敢说，说久远的企业的例子：全国中移动的BOSS（核心的业务运营支撑系统系统）按照不同的省来招开发商，以前福建移动BOSS系统开发商是新大陆公司。很多BOSS开发商（如亚信，邦讯等）都有多个省的生意，但新大陆只有一个福建省的生意，相当耐人寻味。&b&一言蔽之，福建本地政务系统，外省企业中标的机会不大。&/b&&/p&&p&福建移动是省公司，厦门电信是市公司，这两家都是福建本省企业。腾讯云和联通云数据不知道用什么法人去投，估计不是福建本地公司。厦门纵横这种本地企业看网站就知道没什么技术实力，这有可能是陪标的，也有可能是黑马，甚至特别黑。&/p&&blockquote&补充几位评论区的对厦门纵横的介绍，谢谢这几位朋友：&br&@马丽丽 1天前&br&我就是想告诉楼主纵横不是什么小公司，是原来邮政的子公司，现在还是国企呢&br&&br&@冠希的照相机回复 屠飞飞（作者）23小时前&br&在厦门当地，厦门纵横跟移动联通电信比不算小公司，他最早是邮电局的工程部，然后变成邮电局的下属企业，99年分家后由当地政府主导变成地方国企，然后经过一系列操作变成私企，所以要是出了厦门，他是小角色，在厦门当地，尤其是市政府标，它可不是小角色啦。&br&&br&@Energetic HydraEnergetic Hydra
20小时前&br&纵横是邮政系，在厦门也是有头有脸，应该说另外四家是移动联通电信邮政，反而腾讯是外来的，而且还非要刷个花枪&/blockquote&&p&有的答案觉得厦门纵横才是幕后黑手，这个我不同意。原因有两点：第一如果是厦门纵横的单子，入围投标的技术实力不强的本地企业应该不会只有1家，而是会有2-4家，这样中起来才不突兀，也容易控标。第二看报价，一般厦门纵横这种中小企业会比移动这种大国企业报价会低一截，这就转到了第二个分析点：投标价格。&/p&&p&&b&其次，看看投标价格（事后诸葛亮）&/b&&/p&&p&去投标第二件事就是准备报价，一般要做三件事：&/p&&p&a.估算自己成本 &/p&&p&b.猜对手价格 &/p&&p&c.打探客户项目预算&/p&&p&如果这三点有一点没做到，去投标就是在买彩票碰大运。这三点哪家做得越好，赢面就越大，特别是后两点就是考验销售能力的三味真火。如果连预算都打探不到，基本不用投了。如果不熟悉主力对手，猜不到对方策略，要赢也难。我认识厉害的销售可以算到对方采用不同策略的价格，误差在5%以内，运气好的时候甚至让对方以为自己公司出了内鬼（当然安排内鬼也是一个手段，嘿嘿嘿）。&/p&&p&厦门纵横和联通云数据价格都在300万左右，易证得这两家就是来打酱油的，属于要凑够五家投标商而已。福建移动贴着270万来报，厦门电信报170万，结合“福建项目本地企业优先”的经验来看，这两家都是真想赢单的（至于为什么尾数都是70万，可能是巧合，也可能有故事）。我猜项目预算可能大约就是270万左右，福建移动贴着预算报，厦门电信冲低价，不料还中途杀出一个遁地小企鹅。&/p&&p&评论区有人说网上公示是495万预算价格，但这种可以在网站公开的预算价格的和真正的不能公开的甲方心理预算往往有一定的差距，从报价的几家都在270-300万这个比较接近的区间，个人认为之前还是有人做了部分常规工作的。&/p&&p&至于腾讯云报一分钱的思路很可能是冲超低价来赢单，亏本占领市场，或者至少打个震惊业内广告，我觉得这个是不需要说的公理了。但被人在评论区各种教育，哈哈哈哈，难怪说在知乎答题要憋气。&/p&&p&腾讯不是锤子，不算是一家理想主义的公司，在商言商，亏本还坏了全盘生意，脱了裤子还得罪客人。这是很不明智的行为。&/p&&p&&b&下面会详细分析腾讯云不明智在什么地方，暂时想到的大致如下，欢迎大家补充：&/b&&/p&&p&&b&1.破坏了商务生态平衡&/b&&/p&&p&政府招标赢单思路要点是：价格一般不是最关键点（当然不能太高），关键是满足政绩和各方的利益平衡，人人有蛋糕吃才皆大欢喜。但这都需要利润。腾讯云1分钱的报价，明显大亏本根本没有利润，如何保证各方的利益分配？&/p&&p&一期项目被冲了超低价，之后政府这边明年怎么申请预算？你说今年之处是300万，明年变成200万，400万都有说法。今年的花费是1分钱，明年要变一亿倍变成100万？谁敢批这个大提价？有什么放得上台的可靠理由？难道说以前腾讯就是低价抢市场我们现在补偿给他们？&/p&&p&所以，冲低价绝对是政府投标的大忌。往轻里说，这是恶意竞争；往重里说，是不懂江湖规矩，把互联网To C的那种以免费/补贴的思路用到To B的生意中。对于个人用户，超低价很有吸引力，但对于企业用户，超低价就是破坏商务生态平衡。&/p&&p&如果给很多企业负责人留下了一个腾讯云会不受控超低价做烂市的印象，以后甚至可能连邀标都不会找腾讯云， 以避免再出现这种盘子失控，人人没钱赚的情况，影响比较恶劣。&/p&&p&一句话，单子可以丢，客户不能丢。一单里面不按规矩搞事，整个行业都知道。能承受后果，就搞吧。&/p&&p&&b&2.无法证明能亏本保障实施质量&/b&&/p&&p&从政府项目负责人角度，还需要考虑如何保证在腾讯在亏本的前提下，还会有合理的投入来很好的完成项目。&/p&&p&互联网公司兴盛于ToC（对个人）类产品，特点是产品简单，交易金额小，负责人责任小，项目周期短，一般买货的人也知道自己要什么（想想为什么电子商务最早做起来的品类是在图书？）。买了减价便宜货也不怕对方偷工减料，所以价格战很受欢迎。&/p&&p&和ToC产品不一样，ToB（对企业）产品的特点就是不确定因素太多，做好做坏的弹性很大，甚至甲方也不知道做到怎么样才算行。一个项目花1000万也可以做，花100万也可以做（甚至还能成功结项），但质量就难说了。&/p&&p&ToB和ToC还有个大区别：花的不是个人的钱，一般的甲方都不希望只是省钱，反而希望多给点钱，自己可以轻松点，活也干好，方方面面都照顾到，留足够上下级打点的商务费用，获得“能办事”的好口碑。&/p&&p&反面例子是：很多小企业低价中标的套路就是不管利润先拿下来，然后尽量看如何节省成本草草完成项目赚个口碑或者广告，或者绞尽脑汁增补服务合同，或者做成单一采购的贵价二期项目等等，反正一般都会搞到项目实施过程中偷工减料，鸡飞狗跳，不得安宁。甲方负责人很多时候上了贼船，还被绑架了来帮乙方搽屁股，特别难受。&/p&&p&（以上的原文是插屁股，令一些乙方受精了，对不起）&/p&&p&换个角度，低价中标也不是绝对不行，但起码要能保证基本的质量，这方面的佼佼者就是华为，也是业内很多人咬牙切齿的企业。但起码华为冲低价，大家都相信他家有能力亏本做好项目。腾讯云至今还没展现出这个实力。&/p&&p&请注意腾讯的实力和腾讯云的实力不是一回事。而且一般来说，大公司并不是铁板一块，所有亏本生意，都需要算到某个BU的财务数据上，不能因为《王者荣耀》赚了几个亿，就觉得腾讯云亏两百万很无所谓。具体数字怎么交换，怎么亏本还做好项目，还有待商榷。&/p&&p&&b&3.政府相关负责人会难以交待&/b&&/p&&p&这个结果出来之后，几家乙方的销售责任都不大。陪标的，碰运气的不用说，厦门电信冲了低价还拿不到单子可能会惨点，但碰到脱内裤光屁股价还输得情有可原。甲方负责人会比较痛苦，因为有个责任跑不掉：沟通不足，控单不力，原来有意向的合作伙伴没中标，反而是脱裤子的外人赢单了，特别是还弄到整个IT行业上上下下都在讨论这个事，这个尴尬可大了。&/p&&p&但，一般认为，这个尬局的主责还是在腾讯云。真要送，招标做好工作，不用招投标，直接免费做了，或者以POC（测试）为名，可以把整个活都做完了，比现在这样好看好多。而且先装成POC中推了自家产品，就不需要担心二期不是腾讯的了。&/p&&p&&b&4.懂行的乙方销售一般怎么做&/b&&/p&&p&有很多销售书籍的作者都自称自己是投标之神，赢标率多少多少。其实老司机都知道，商务实操中经常有大量的战略类输单围标的操作。好像谈恋爱一样，次次你都要操赢别人，谁跟你玩？当然是你陪我一次，我陪你一次，那才可以长久的厮混，也慢慢积累信任。&/p&&p&在这个案子中，真要冲低价，冲100万也好，150万也好，200万也好，别真的一分钱，而且最好事先给甲方一个心理准备。甚至甲方都会有默契地让大家都降下来，别现在这样龟立鹤群，好难看。也有的乙方实在不想玩，找理由不来投标（常见以资质不符就行，反正一共有五家不至于流标）。&/p&&p&有人}