按照Elder博士的总结，这10大易犯错误包括：

0. 缺乏数据（Lack Data）
1. 太关注训练（Focus on Training）
2. 只依赖一项技术（Rely on One Technique）
3. 提错了问题（Ask the Wrong Question）
4. 只靠数据来说话（Listen (only) to the Data）
5. 使用了未来的信息（Accept Leaks from the Future）
6. 抛弃了不该忽略的案例（Discount Pesky Cases）
7. 轻信预测（Extrapolate）
8. 试图回答所有问题（Answer Every Inquiry）
9. 随便地进行抽样（Sample Casually）
10. 太相信最佳模型（Believe the Best Model）

0. 缺乏数据（Lack Data） 

对于分类问题或预估问题来说，常常缺乏准确标注的案例。 

例如：
－欺诈侦测（Fraud Detection）：在上百万的交易中，可能只有屈指可数的欺诈交易，还有很多的欺诈交易没有被正确标注出来，这就需要在建模前花费大量人力来修正。
－信用评分（Credit Scoring）：需要对潜在的高风险客户进行长期跟踪（比如两年），从而积累足够的评分样本。 

1. 太关注训练（Focus on Training）
IDMer：就象体育训练中越来越注重实战训练，因为单纯的封闭式训练常常会训练时状态神勇，比赛时一塌糊涂。 

实际上，只有样本外数据上的模型评分结果才真正有用！（否则的话，直接用参照表好了！）

例如：
－癌症检测（Cancer detection）：MD Anderson的医生和研究人员（1993）使用神经网络来进行癌症检测，惊奇地发现，训练时间越长（从几天延长至数周），对训练集的性能改善非常轻微，但在测试集上的性能却明显下降。
－机器学习或计算机科学研究者常常试图让模型在已知数据上表现最优，这样做的结果通常会导致过度拟合（overfit）。 

解决方法：
解决这个问题的典型方法是重抽样（Re-Sampling）。重抽样技术包括：bootstrap、cross-validation、jackknife、leave-one-out...等等。

2. 只依赖一项技术（Rely on One Technique）
IDMer：这个错误和第10种错误有相通之处，请同时参照其解决方法。没有对比也就没有所谓的好坏，辩证法的思想在此体现无遗。 

“当小孩子手拿一把锤子时，整个世界看起来就是一枚钉子。”要想让工作尽善尽美，就需要一套完整的工具箱。
不要简单地信赖你用单个方法分析的结果，至少要和传统方法（比如线性回归或线性判别分析）做个比较。 

研究结果：按照《神经网络》期刊的统计，在过去3年来，只有1/6的文章中做到了上述两点。也就是说，在独立于训练样本之外的测试集上进行了开集测试，并与其它广泛采用的方法进行了对比。

解决方法：
使用一系列好的工具和方法。（每种工具或方法可能最多带来5%~10%的改进）。

3. 提错了问题（Ask the Wrong Question）
IDMer：一般在分类算法中都会给出分类精度作为衡量模型好坏的标准，但在实际项目中我们却几乎不看这个指标。为什么？因为那不是我们关注的目标。 

a)项目的目标：一定要锁定正确的目标

例如：
欺诈侦测（关注的是正例！）（Shannon实验室在国际长途电话上的分析）：不要试图在一般的通话中把欺诈和非欺诈行为分类出来，重点应放在如何描述正常通话的特征，然后据此发现异常通话行为。

b)模型的目标：让计算机去做你希望它做的事

大多数研究人员会沉迷于模型的收敛性来尽量降低误差，这样让他们可以获得数学上的美感。但更应该让计算机做的事情应该是如何改善业务，而不是仅仅侧重模型计算上的精度。

4. 只靠数据来说话（Listen (only) to the Data）
IDMer：“让数据说话”没有错，关键是还要记得另一句话：兼听则明，偏听则暗！如果数据＋工具就可以解决问题的话，还要人做什么呢？ 

4a.投机取巧的数据：数据本身只能帮助分析人员找到什么是显著的结果，但它并不能告诉你结果是对还是错。
4b.经过设计的实验：某些实验设计中掺杂了人为的成分，这样的实验结果也常常不可信。 

5. 使用了未来的信息（Accept Leaks from the Future）
IDMer：看似不可能，却是实际中很容易犯的错误，特别是你面对成千上万个变量的时候。认真、仔细、有条理是数据挖掘人员的基本要求。 

预报（Forecast）示例：预报芝加哥银行在某天的利率，使用神经网络建模，模型的准确率达到95%。但在模型中却使用了该天的利率作为输入变量。
金融业中的预报示例：使用3日的移动平均来预报，但却把移动平均的中点设在今天。 

解决方法：
要仔细查看那些让结果表现得异常好的变量，这些变量有可能是不应该使用，或者不应该直接使用的。
给数据加上时间戳，避免被误用。 

6. 抛弃了不该忽略的案例（Discount Pesky Cases）
IDMer：到底是“宁为鸡头，不为凤尾”，还是“大隐隐于市，小隐隐于野”？不同的人生态度可以有同样精彩的人生，不同的数据也可能蕴含同样重要的价值。 

异常值可能会导致错误的结果（比如价格中的小数点标错了），但也可能是问题的答案（比如臭氧洞）。所以需要仔细检查这些异常。
研究中最让激动的话语不是“啊哈！”，而是“这就有点奇怪了……”
数据中的不一致性有可能会是解决问题的线索，深挖下去也许可以解决一个大的业务问题。

例如：
在直邮营销中，在对家庭地址的合并和清洗过程中发现的数据不一致，反而可能是新的营销机会。 

解决方法：
可视化可以帮助你分析大量的假设是否成立。

7. 轻信预测（Extrapolate）
IDMer：依然是辩证法中的观点，事物都是不断发展变化的。 

人们常常在经验不多的时候轻易得出一些结论。
即便发现了一些反例，人们也不太愿意放弃原先的想法。
维度咒语：在低维度上的直觉，放在高维度空间中，常常是毫无意义的。 

解决方法：
进化论。没有正确的结论，只有越来越准确的结论。

8. 试图回答所有问题（Answer Every Inquiry）
IDMer：有点像我爬山时鼓励自己的一句话“我不知道什么时候能登上山峰，但我知道爬一步就离终点近一步。” 

“不知道”是一种有意义的模型结果。
模型也许无法100%准确回答问题，但至少可以帮我们估计出现某种结果的可能性。 

9. 随便地进行抽样（Sample Casually）

9a 降低抽样水平。例如，MD直邮公司进行响应预测分析，但发现数据集中的不响应客户占比太高（总共一百万直邮客户，其中超过99%的人未对营销做出响应）。于是建模人员做了如下抽样：把所有响应者放入样本集，然后在所有不响应者中进行系统抽样，即每隔10人抽一个放入样本集，直到样本集达到10万人。但模型居然得出如下规则：凡是居住在Ketchikan、Wrangell和Ward Cove Alaska的人都会响应营销。这显然是有问题的结论。（问题就出在这种抽样方法上，因为原始数据集已经按照邮政编码排序，上面这三个地区中不响应者未能被抽取到样本集中，故此得出了这种结论）。

解决方法：“喝前摇一摇！”先打乱原始数据集中的顺序，从而保证抽样的随机性。

9b 提高抽样水平。例如，在信用评分中，因为违约客户的占比一般都非常低，所以在建模时常常会人为调高违约客户的占比（比如把这些违约客户的权重提高5倍）。建模中发现，随着模型越来越复杂，判别违约客户的准确率也越来越高，但对正常客户的误判率也随之升高。（问题出在数据集的划分上。在把原始数据集划分为训练集和测试集时，原始数据集中违约客户的权重已经被提高过了）

解决方法：先进行数据集划分，然后再提高训练集中违约客户的权重。

10. 太相信最佳模型（Believe the Best Model）
IDMer：还是那句老话－“没有最好，只有更好！” 

可解释性并不一定总是必要的。看起来并不完全正确或者可以解释的模型，有时也会有用。
“最佳”模型中使用的一些变量，会分散人们太多的注意力。（不可解释性有时也是一个优点）
一般来说，很多变量看起来彼此都很相似，而最佳模型的结构看上去也千差万别，无迹可循。但需注意的是，结构上相似并不意味着功能上也相似。

解决方法：把多个模型集装起来可能会带来更好更稳定的结果。

三天的清明节假期，在成都出差，还要一直待到18号。

前两天受工作所累，在酒店写文档，昨晚写完，长长伸个懒腰，看一下牢笼一样的房间，觉得真是辜负了大好春光，小狗小猫尚且喜欢在草地上跑跳嬉戏，何况人乎？还是那句我经常说给同事听的名言有道理——“工作是永远做不完地……”，把任务计划暂且丢到一边，出去玩耍吧，就象猫啊狗啊鸡啊兔啊那样。

常来成都的同事曾经向我提过成都周边的古镇，Google了一下，发现了很近很有名的黄龙溪，就在双流县，距离市区大约四十多公里。早上被手机上定好的闹钟吵醒，下去吃了久违两天的早餐，就直接去了新南门汽车站，那里有直接到古镇的班车。

汽车站的人出乎意料的多，也许是因为节假日的缘故。排到窗前，告诉我最早的车次也是11点10分了，郁闷啊，我看了一下时间，才刚刚9点半。昨晚在网上看到去古镇的车每半小时一班，还以为是即来即上（Come and Go？）呢，自己被自己晃点了。刚一犹疑，售票的大姐又说了一句：“11点10分的车也只剩下最后一张了”，嗯，孔老夫子说过多思无益不如以学，我也就先买了票再说吧。

买了车票从车站出来，还有一个半小时，该干啥呢？拦了辆出租车，心想50公里也不算太远，车费也应该不会很贵罢（成都出租车每公里1.4元）。开出租的大哥问我去哪里，我说黄龙溪，大哥很爽快，啥也没说，抬离合便走。开出100米，突然回头问我“是去xxx公园么？”等他弄明白是去古镇后，急忙说“去那里就不能打表咧”。我让他开个价，答曰200元，因为要放空回来。砍到100未果，于是下车重回路边。

算了罢，还是不奢侈了，还是在旁边逛逛体验一下成都的生活吧。

穿过一条街，又过了一条街，好像还过了一条街，象华文兄教给我的那句上海话——“东窥窥，西窥窥”，漫无目的地看人看景看树看房子。蓦然发现马路对面是川大华西校区，进去耍耍罢。

足球场有人在踢球赛，咦，人怎么这么多？一五、一十、十五、二十……居然有三十多人。让我想起了大学刚毕业在中科院工作时所住的单身职工宿舍——小红楼，楼下的院子里也常常是30多人60多条腿在比篮球场大不了多少的空间玩这项运动，当然也包括我。看了一会儿，嗯，这个人动作太慢了，那个把球停大了，突破！突破啊！唉，被断了……心里正在想如果我在场上，应该会好一些罢。一位前锋或者前卫追球冲到离我很近的底线，竟然是满头的花白头发，再仔细看看其他人，也大多是花甲年岁。惭愧啊惭愧，没的比了。

校区内继续前行，路牌上写着留学生宿舍，右边是林荫街。顺时针转向60度，林荫池塘映入眼帘。

三三两两的老人坐在池塘边的长椅上，恬淡闲适，面对着一方似乎已变成可数名词的池水。偶尔有刻苦的学子从身边飘过，喃喃着我在学校里也曾喃过，或者更准确地说是难过的英文。有意思的是，他或她手里捧着的无不是那本让我倍感熟悉的《新概念英语》(三)，难道现在大学里的英文教材换了么？

“噹……噹……”，突然的钟声让我不禁转头搜寻，原来是它——

在川大里逛得时间差不多了，出来回新南门车站，顺便在路边买了本《中篇小说选刊》。本来想买本书，遗憾的是碰到的一个书屋里实在是乏善可陈，有陋室之实，而无陋室之名。

从成都到黄龙溪的确不算太远，大约过了一个小时，便到了。

距今已有1700年历史的黄龙溪，据说是全国十大古镇之一。不知道其他九位是谁？应该包括我曾经去过的平遥、丽江罢。（网上一查，发现谬矣。这两个应该算是古城，而且似乎这个十大的标准也无定论）。黄龙古名“赤水”，有句与它相关的诗相当地有名，那就是诗圣杜甫的“窗含西岭千秋雪，门泊东吴万里船”，据称这“万里船”出发的第一夜便是宿黄龙溪。黄龙溪镇区东面是鹿溪河，锦江的支流。

考古完毕，接下来便是古镇里无方向地漫游。

开始人还很多，然后渐行渐少。

古镇里随处可见“住宿 吃饭 机麻”的招牌，四川的麻将相当风行，和在北京时打麻将的感觉也截然不同。有人说“减肥是一种人生态度”，那么在四川，“打麻将也是一种人生态度”罢。茶馆中、大树下、甚至在一片桃花林中支起麻将桌，一边喝茶一边玩耍是何等惬意啊。在成都和客户、和18M的合作伙伴打过几次麻将，基本上都是在酒店，有一次在老顺兴茶馆，还未能把这种人生态度深刻体会。在古镇的河边，看到也有不少的人在玩，感觉应该很爽，可惜这次我是“一缺三”，无福消受。

古镇上有的旅馆还打出了“包月 吃住全包”的招牌，每月700元即可，呵呵，不错啊。

不知不觉古镇逛到了头，看到了一座城门式的建筑，上书“黄龙溪”，下书“古码头”。码头下的客船上用英文在welcome着来自五湖四海的游客。“我们来自五湖四海，为了一个共同的革命理想走到了一起……”，这个理想么，也许是逍遥罢。

从古码头折回，穿过小街小巷，还在不经意间发现了这个小东西：

它很专注哦，我给它偷拍，不，明拍时也丝毫未能影响到它。

还看到另外一只白色的小狗，侧躺在马路边………………睡着了。

还看到一位梳着马尾的老人，五六十岁，一看就有种文艺圈里的气质，在河堤旁拉着二胡。拉的曲子忘记了，似乎是革命年代的流行歌曲。每次有人向他面前的篮子里扔钱，他就会客气地说声谢谢。我听了会儿，也放了点钱在篮子里，他也很客气地说了声谢谢。

最后在河堤停下了脚步，准备打尖喝茶。对招揽客人的小妹说我想坐在靠近护栏的位子，小妹问我是几个人，我说只有我一个。她于是便开始摇头，嫌人太少，还要占据她们的黄金位置。我问喝茶是一个人多少钱，答曰10元/位。我说这样好了，那你就给我算两个人的价钱罢，算是补偿了，而且我还要在这里吃饭呢。小妹答应了，把我领到位置上，正准备坐下，老板过来了。

老板看起来也是50岁不到，又是重复小妹曾经做过的动作——摇头，我心想莫非他们都吃了摇头丸不成？

摇头老板跟我说“一个人太少了，为什么不带几个女朋友过来？”

我乐了：“我也想带啊，没带着”。

老板继续摇头：“带不来没本事啊”

我把头一低，叹口气说“你看看，我都没本事带人来了，只想在河边喝喝茶，看看书，放松一下，你还要说我，于心何忍啊……”

老板哈哈一笑，拍了拍我：“好罢，好罢，就坐这儿罢”

吃了有名的“黄辣丁”和无名的野菜，看了两篇小说，这期上的“红酒”一文不错，值得推荐。

对web分析有兴趣的同仁可以打开以下网址查看：http://www.google.com/support/conversionuniversity/

课程的主要内容包括：

Follow these lessons to prepare for the Google Analytics Individual Qualification (IQ) test or to simply become a more knowledgeable Google Analytics user. The presentations move quickly; use the Pause and Back buttons to make sure that you don't miss anything. You can click the Notes tab in the presentation to read what is being said. Access to a Google Analytics account is strongly recommended so that you can experiment and apply what you learn.

First Steps

• Introduction to Google Analytics: What you'll learn | Watch presentation

  Introduction (6:29 minutes)

  In this lesson, you will learn:

  • what Google Analytics can do for your business or website
  • how Google Analytics works
  • how often your data is updated and how Google stores it
  • how to set your Data Sharing preferences

  Watch presentation
• Interface Navigation: What you'll learn | Watch presentation

  Interface Navigation (7:39 minutes)

  In this lesson, you will learn:

  • how to set date ranges and comparison date ranges
  • how to graph data by day, week, and month
  • how to compare multiple metrics on graphs
  • about the user interface options for exporting data
  • how to email reports to others
  • how to navigate between report detail levels
  • how to use the report views
  • how to quickly segment and sort data in reports

  Watch presentation
• Installing the Google Analytics Tracking Code: What you'll learn | Watch presentation

  Installing the Google Analytics Tracking Code (7:37 minutes)

  In this lesson, you will learn:

  • how to create a new account
  • where to place the Google Analytics Tracking Code
  • about website setups that require customization
  • how to verify installation

  Watch presentation

Interpreting Reports

• Guidelines: What you'll learn | Watch presentation

  Guidelines (4:25 minutes)

  In this lesson, you will learn:

  • best practices for analyzing data
  • how to analyze data trends
  • how to use the data visualizations in Google Analytics

  Watch presentation
• Pageviews, Visits, and Visitors: What you'll learn | Watch presentation

  Pageviews, Visits, and Visitors (3:27 minutes)

  In this lesson, you will learn:

  • where to find Pageviews, Visits, and Visitors metrics
  • how Pageviews, Visits, and Visitors are calculated
  • the difference between Pageviews and Unique Pageviews
  • the difference between Absolute Unique Visitors and New vs. Returning Visitors

  Watch presentation
• Time Metrics: What you'll learn | Watch presentation

  Time Metrics (2:11 minutes)

  In this lesson, you will learn:

  • how Time on Page and Time on Site are calculated
  • how Avg. Time on Page and Avg. Time on Site are calculated
  • about the Length of Visit report

  Watch presentation
• Traffic Sources: What you'll learn | Watch presentation

  Traffic Sources (6:09 minutes)

  In this lesson, you will learn:

  • about the different kinds of traffic sources
  • how to identify quality traffic
  • how to identify revenue and conversion drivers
  • what kinds of information to look for in keyword reports
  • how campaign attribution works in Google Analytics

  Watch presentation
• Content Reports: What you'll learn | Watch presentation

  Content Reports (3:53 minutes)

  In this lesson, you will learn:

  • how to use and interpret the Top Content, Content by Title, and Content Drilldown reports
  • how to use the Top Landing Pages report
  • how to use and interpret the Navigation Summary report
  • how to use and interpret the Entrance Paths report

  Watch presentation

Fundamentals

• Profiles in Google Analytics: What you'll learn | Watch presentation

  Accounts and Profiles (7:09 minutes)

  In this lesson, you will learn:

  • how to create, manage, and delete accounts
  • best practices for managing accounts
  • when to create profiles
  • how to create, manage, and delete profiles

  Watch presentation
• Campaign Tracking and AdWords Integration: What you'll learn | Watch presentation

  Campaign Tracking and AdWords Integration (13:47 minutes)

  In this lesson, you will learn:

  • how to track campaigns using tagged links
  • how to track AdWords campaigns
  • when to use autotagging and how it works
  • how to enable autotagging
  • where to find AdWords data in your reports
  • the expected kinds of data discrepancies between AdWords and Analytics data
  • when and how to manually tag URLs
  • how to use the URL Builder
  • best practices for tagging links

  Watch presentation
• Analysis Focus - AdWords: What you'll learn | Watch presentation

  Understanding AdWords Reports (7:03 minutes)

  In this lesson, you will learn:

  • how to use the Clicks tab metrics in AdWords reports
  • how to analyze the effect of search result position on performance
  • how to track audio and TV campaigns in AdWords
  • how to track ad performance

  Watch presentation
• Goals in Google Analytics: What you'll learn | Watch presentation

  Goals and Funnels (8:13 minutes)

  In this lesson, you will learn:

  • the purpose of using goals, goal values, and funnels
  • when to use each Goal URL Match Type
  • how to assign meaningful values to goals
  • how goal conversions differ from transactions
  • how filters can affect goals
  • where to find goal and funnel information in reports

  Watch presentation
• Analysis Focus - Funnel Visualization: What you'll learn | Watch presentation

  Funnel Visualization (2:48 minutes)

  In this lesson, you will learn:

  • how to use and interpret the Funnel Visualization report

  Watch presentation
• Filters in Google Analytics: What you'll learn | Watch presentation

  Google Analytics Filters (10:31 minutes)

  In this lesson, you will learn:

  • when to apply filters in Google Analytics
  • how filters act on data
  • how to create custom filters
  • the differences between the different kinds of filters (i.e. exclude, include, etc)
  • how to filter Google AdWords traffic
  • how to use filters and profiles together to track certain kinds of traffic
  • best practices for using filters

  Watch presentation
• Regex and Google Analytics: What you'll learn | Watch presentation

  Regex (8:59 minutes)

  In this lesson, you will learn:

  • when to use regular expressions in Google Analytics
  • how to use the most common metacharacters: dot, backslash, etc.
  • some examples of common regular expressions in Google Analytics

  Watch presentation
• Cookies and Google Analytics: What you'll learn | Watch presentation

  Cookies and Google Analytics (11:25 minutes)

  In this lesson, you will learn:

  • how Google Analytics uses cookies
  • the differences between persistent and temporary cookies
  • the differences between first party and third party cookies
  • the names of the Google Analytics cookies and the information they track

  Watch presentation
• E-commerce Tracking: What you'll learn | Watch presentation

  Ecommerce Tracking (5:21 minutes)

  In this lesson, you will learn:

  • where to find ecommerce metrics in reports
  • how to enable and track ecommerce

  Watch presentation
• Analysis Focus - Revenue Metrics: What you'll learn | Watch presentation

  Revenue Metrics (3:30 minutes)

  In this lesson, you will learn:

  • the differences between goal value and e-commerce revenue
  • how $Index is calculated and how to use it

  Watch presentation
• Domains and Subdomains: What you'll learn | Watch presentation

  Tracking Domains and Subdomains (7:14 minutes)

  In this lesson, you will learn:

  • when to track across domains using the _link() method
  • when to track across domains using the _linkByPost() method
  • how to track across subdomains
  • best practices for tracking across subdomains
  • how to track across multiple domains with subdomains

  Watch presentation

In-Depth Analysis

• Custom Reporting: What you'll learn | Watch presentation

  Custom Reporting (4 minutes)

  In this lesson, you will learn:

  • how to create, save, and edit a custom report

  Watch presentation
• Advanced Segmentation: What you'll learn | Watch presentation

  Advanced Segments (6 minutes)

  In this lesson, you will learn:

  • how Advanced Segments differ from filtered profiles
  • to apply an Advanced Segment to your reports
  • how to create and modify an Advanced Segment

  Watch presentation
• Motion Charts: What you'll learn | Watch presentation

  Motion Charts (4 minutes)

  In this lesson, you will learn:

  • how to read Motion Charts
  • how to create and save a Motion Chart

  Watch presentation
• Internal Site Search: What you'll learn | Watch presentation

  Internal Site Search (9:40 minutes)

  In this lesson, you will learn:

  • how to set up internal site search
  • why internal site search is important
  • how to find site search information in your reports
  • how to interpret the Site Search Usage, Terms, Start Pages, and Destination Pages reports
  • how to use Search Refinement and Search Navigation options with the Search Terms report
  • how to set up and analyze Site Search Categories
  • how to find Site Search Trending
  • how Site Search metrics differ from the metrics in other reports

  Watch presentation
• Event Tracking and Virtual Pageviews: What you'll learn | Watch presentation

  Event Tracking and Virtual Pageviews (7 minutes)

  In this lesson, you will learn:

  • when to use virtual pageviews versus event tracking
  • how to generate a virtual pageview
  • how to track an event using _trackEvent()
  • the relationship between Categories, Actions, Labels, and Values
  • the difference between Total Events and Unique Events
  • best practices for setting up Event Tracking

  Watch presentation
• The Custom Visitor Segment Variable: What you'll learn | Watch presentation

  Custom Visitor Segmentation Variable (4:08 minutes)

  In this lesson, you will learn:

  • how to use and set the User Defined variable
  • the best practices for using User Defined
  • how to view User Defined values in reports

  Watch presentation
• Additional Customizations: What you'll learn | Watch presentation

高级顾问（Senior Consultant）和首席顾问（Principal Consultant）之间差了一个level，我看了一下公司内部关于Work Stream的说明，两者的描述简要如下，也给大家参考吧：

Senior Consultant
At this level the employee demonstrates in-depth practical and theoretical knowledge to define project outcomes, organise their own work and the work of others.  Requires a working knowledge of a variety of technical processes as well as the ability to evaluate and modify approaches to meet requirements.

Principal Consultant
At this level the employee provides expert knowledge technical disciplines, demonstrates credibility with clients and peers concerning interactions and application to customer issues inside and outside of SAS.  Develops methods, plans or tools to improve solution quality and minimise high-risk components of the work.

并非所有的分析方法作用都相同。和大多数软件解决方案一样，你会发现分析方法的能力也存在差异，从简单明了的到高级复杂。下面我们按照不同分析方法所能给人带来的智能程度，把分析能力划分为8个等级。

	1. 标准报表 回答: 发生了什么？什么时候发生的？ 示例：月度或季度财务报表 我们都见过报表，它们一般是定期生成，用来回答在某个特定的领域发生了什么。从某种程度上来说它们是有用的，但无法用于制定长期决策。
	2. 即席查询 回答：有多少数量？发生了多少次？在哪里？ 示例：一周内各天各种门诊的病人数量报告。 即席查询的最大好处是，让你不断提出问题并寻找答案。
	3. 多维分析 回答：问题到底出在哪里？我该如何寻找答案？ 示例：对各种手机类型的用户进行排序，探查他们的呼叫行为。 通过多维分析(OLAP)的钻取功能，可以让您有初步的发现。钻取功能如同层层剥笋，发现问题所在。
	4. 警报 回答：我什么时候该有所反应？现在该做什么？ 示例：当销售额落后于目标时，销售总监将收到警报。  警报可以让您知道什么时候出了问题，并当问题再次出现时及时告知您。警报可以通过电子邮件、RSS订阅、评分卡或仪表盘上的红色信号灯来展示。
	5. 统计分析 回答：为什么会出现这种情况？我错失了什么机会？ 示例：银行可以弄清楚为什么重新申请房贷的客户在增多。 这时您已经可以进行一些复杂的分析，比如频次分析模型或回归分析等等。统计分析是在历史数据中进行统计并总结规律。
	6. 预报 回答：如果持续这种发展趋势，未来会怎么样？还需要多少？什么时候需要？ 示例：零售商可以预计特定商品未来一段时间在各个门店的需求量。 预报可以说是最热门的分析应用之一，各行各业都用得到。特别对于供应商来说，能够准确预报需求，就可以让他们合理安排库存，既不会缺货，也不会积压。
	7. 预测型建模 回答：接下来会发生什么？它对业务的影响程度如何？ 示例：酒店和娱乐行业可以预测哪些VIP客户会对特定度假产品有兴趣。 如果您拥有上千万的客户，并希望展开一次市场营销活动，那么哪些人会是最可能响应的客户呢？如何划分出这些客户？哪些客户会流失？预测型建模能够给出解答。
	8. 优化 回答：如何把事情做得更好？对于一个复杂问题来说，那种决策是最优的？ 示例：在给定了业务上的优先级、资源调配的约束条件以及可用技术的情况下，请您来给出IT平台优化的最佳方案，以满足每个用户的需求。 优化带来创新，它同时考虑到资源与需求，帮助您找到实现目标的最佳方式。

看看人们心目中的互联网精英都是什么北京吧，部分国内知名网站创始人或老总的学历、籍贯的整理，说不定能找到和你有相似背景的呢，只要你努力，说不定也能变成他们。
（排名不分先后）

（1）百度
创始人：李彦宏
籍贯：山西阳泉
学历：北京大学信息管理专业本科，布法罗纽约州立大学完成计算机科学硕士

（2）腾讯
创始人：马化腾
籍贯：广东潮阳
学历：深圳大学计算机专业本科

（3）新浪
创始人：王志东（已离职，创办点击科技）
籍贯：广东东莞
学历：北京大学无线电电子学本科
现任总裁：曹国伟
籍贯：上海
学历：复旦大学新闻系本科，美国奥克拉荷马大学新闻学硕士及德州奥斯町大学商业管理学院财务专业硕士。

（4）搜狐
创始人：张朝阳
籍贯：陕西西安
学历：清华大学物理系本科，美国麻省理工大学博士

（5）网易
创始人：丁磊
籍贯：浙江宁波
学历：成都电子科技大学本科

（6）迅雷
创始人：邹胜龙
籍贯：安徽淮南
学历：美国杜克大学计算机科学硕士

（7）淘宝、中国雅虎、阿里巴巴
创始人：马云
籍贯：浙江杭州
学历：杭州师范学院英语专业本科

（8）google
中国区老总：李开复
籍贯：台湾
学历：美国卡内基梅隆大学计算机学博士。

（9）优酷
创始人：古永锵
籍贯：不详，只知道是中国人
学历：加利福尼亚伯克利(Berkeley)分校，获学士学位，而后在斯坦福(Stanford)大学获得MBA学位。

（10）hao123、4399在线游戏
创始人：李兴平
籍贯：广东兴宁
学历：初中

（11）土豆
创始人：王微
籍贯：福建
学历：王微拥有欧洲工商管理学院(INSEAD，枫丹白露，法国)的MBA学位以及约翰霍普金斯大学的计算机硕士学位。

（12）酷六
创始人：李善友
籍贯：吉林省吉林市
学历：南开大学获得数学学士学位，并在中欧国际工商学院获MBA学位。

（13）51.com
创始人：庞东升
籍贯：浙江天台
学历：宁波大学经济学本科

（14）凤凰网
CEO：刘爽
籍贯：江苏常州
学历：美国杜克大学法学博士

（15）我乐网（56.com）
创始人：周娟
籍贯：江西临川
学历： 中国科技大学计算机本科

（16）TOM
CEO：王雷雷
籍贯：北京
学历：清华大学电子工程系本科

（17）六间房
创始人：刘岩
籍贯：北京
学历：北京大学数学系毕业本科

（18）开心网
创始人：程炳皓
籍贯：不详（太低调了）
学历：不详（太低调了）

（19）东方财富网
创始人：其实（我可没打错啊，名字是有点怪）
籍贯：上海
学历：上海交通大学本科，复旦大学EMBA

（20）卓越
前CEO：王树彤（女）现敦煌网(http://www.dhgate.com/)总经理
籍贯：北京
学历：北京电子工程学院本科

（21）中华网
创始人：叶克勇
籍贯：香港
学历：美国沃顿工商管理学院硕士

（22）猫扑社区、校内
猫扑
创始人：田哲
籍贯： 长沙
学历：不详（相当低调）

（23）校内、海内、饭否
创始人：王兴
籍贯： 北京
学历：清华大学电子工程系无线电专业本科，美国特拉华大学（University of Delaware)电子与计算机工程系硕士

猫扑和校内，中国人
现在的老总：陈一舟
籍贯：湖北武汉
学历：武汉大学物理系本科，美国麻省理工大大学硕士，张朝阳是校友啊。

（24）中国博客网
创始人：方兴东
籍贯：浙江义乌
学历：西安交大本科硕士,清华大学传播学博士

（25）PPlive
创始人：姚欣
籍贯：河南
学历：华中科技大学计算机本科，读到研究生一年级时休学创业

（26）分贝网
创始人：郑立
籍贯：重庆人
学历：四川大学物理系大专

（27）小熊在线
创始人：张睿
籍贯：浙江杭州
学历：合肥工业大学本科，中国航天部运载火箭研究院硕士。

（28）汽车之家、泡泡网、手机之家
创始人：李想
籍贯：河北石家庄
学历：高中

（29）奇虎、3721
创始人：周鸿祎
籍贯：湖北黄冈
学历：西安交大管理学院系统工程系获硕士学位

（30）天涯社区
创始人： 刑明
籍贯： 海南
学历：中山大学中文系本科

（31）搜房网
创始人：莫天全
籍贯：广西桂林市
学历：华南理工大学机械系本科，清华大学经济管理学院硕士，美国印第安纳大学经济与管理双博士学位。

（32）天空软件站
创始人：张鹤
籍贯： 湖北省武穴市
学历：华中师范大学计算机本科

（33）空中网
创始人：周云帆
籍贯：北京
学历：毕业于清华大学电子工程系,获学士学位;后取得斯坦福大学电机工程系硕士学位
创始人：杨宁
籍贯：西安
学历：美国Michigan大学电机工程学士，美国Stanford大学电机工程硕士学位

（34）前程无忧
创始人：甄荣辉
籍贯：香港
学历：香港中文大学工程系

（35）世纪佳缘
创始人：龚海燕
籍贯：湖南省桃园县
学历：北京大学文学本科、复旦大学新闻学硕士

（36）中华英才网
创始人：张杰贤
籍贯：四川
学历：四川大学英文系本科

（37）盛大在线
创始人： 陈天桥
籍贯：浙江新昌
学历：复旦大学经济系本科（成绩优异，提前一年毕业）

（38）265网址导航
创始人： 蔡文胜
籍贯：福建石狮
学历：高中

（39）焦点房产网
创始人：龚宇
籍贯：北京
学历：清华大学自动化系获得自动控制理论及应用工学博士

（40）西祠胡同
创始人： 网名“响马”
籍贯： 河南
学历：曾经南京动力专科学院的一名教师，至少是个本科吧

（41）U9网
创始人：刘亮
籍贯：陕西
学历：当过警察和参过军，高中毕业

(42)豆瓣网
创始人： 杨勃
籍贯： 陕西汉中
学历：清华大学物理系本科,美国加州大学物理系博士,

（43）起点小说网
创始人：吴文辉
籍贯：北京
学历：北京大学计算机系本科

（44）UUME
创始人：刘健
籍贯：上海
学历：上海交通大学计算机系，美国斯坦福大学商学院，取得MBA学位

（45）当当
创始人：俞渝（女）
籍贯： 重庆
学历：北京外国语学院英语专业本科，纽约大学MBA

（46）爆米花视频
创始人：吴根良
籍贯： 北京
学历：北京邮电大学网络应用专业的硕士

（47）久游网
创始人：王子杰
籍贯：浙江省宁波市
学历：复旦大学数学系硕士
（48）金融界
创始人： 张立波
籍贯：东北
学历：北京大学硕士

（49）veryCD
创始人： 黄一孟
籍贯：上海
学历：上海大学本科（辍学）

（50）携程网
创始人： 季琦
籍贯：江苏省如东县
学历：上海交通大学机械工程系机器人专业硕士

（51）口碑网
创始人：李治国
籍贯：河南济源市
学历：大专

（52）酷讯网
创始人：陈华
籍贯： 广东台山
学历：北京大学计算机硕士

（53）爱帮网
创始人：刘建国
籍贯：陕西
学历：西安交通大学计算机科学工程系本科，北京大学计算机科学技术系硕士

（54）中国站长站
创始人：姚剑军
籍贯：福建泉州
学历：中专

（55）我爱打折
创始人：韩华
籍贯：陕西咸阳
学历：北京航空航天大学 项目管理 硕士

（56）手机之家
创始人：高春辉
籍贯：辽宁沈阳
学历：职业高中
（57）IT168
创始人：宫玉国
籍贯：山东曲阜
学历：北京大学中文系本科

（58）一听音乐网
创始人：杜雪骞
籍贯：江苏
学历：扬州大学工程管理系本科

（59）狗仔网、中国娱乐网
创始人：高燃
籍贯：湖南人
学历：清华大学新闻系本科

（60）DISCUZ
创始人：戴志康
籍贯：黑龙江
学历：哈尔滨工程大学计算机专业，中途退学创业

（61）赶集网
创始人：杨浩涌
籍贯：湖南
学历：中国科技大学工学学士，美国耶鲁大学计算机科学硕士

（62）中国化工网
创始人：孙德良
籍贯：浙江萧山
学历：沈阳工业大学计算机专业本科
 
（63）潇湘书院
创始人：鲍伟康
籍贯：江苏
学历：高中

（64）大旗网
董事长创始人：王定标
籍贯：江苏淮安人
学历：清华大学机电工程系本科

（65）9158
创始人：傅政军
籍贯：浙江
学历：浙江工业大学本科

（66）粉丝网
创始人：王吉鹏
籍贯：北京
学历：中国人民大学本科

（67）悠视网
创始人：李竹
籍贯：北京
学历：清华大学计算机系

综上统计一下
籍贯：

北京：10人
浙江：9人
陕西：5人
江苏：5人
广东：4人
上海：4人
湖南：3人
东北：3人
福建：3人
河南：3人
湖南：3个
湖北：3人
不详：2人
四川：2人
香港：2人
河北：1人
广西：1人
山东：1人
台湾：1人
安徽：1人
山西：1人
重庆：1人
四川：1人
江西：1人

学历：

博士：7人
硕士：26人
本科：24人
专科：2人
大学一下：6人
辍学：2人
不详：1人

总结一下：

北京皇城跟下,上海国际大都市能人多不说了，其次就是陕西和浙江了，不知道是不是出了张朝阳和马云的缘故。学历方面，大部分是名校，硕博士学历占近百分之50，说上学没用的年轻人要学习一下哦，成功不问出身，关键是有真才实学，并非唯学历是途。（能力有限资料不全，欢迎补充）。

编译：IDMer（数据挖掘者）

这就是经济，愚蠢的经济！(IT'S THE ECONOMY, STUPID!)

美元已经不再强势，食品和石油的价格却高高在上。我们的国家（编者注：美国）的大手大脚让它已经欠下了上万亿的国债。大多数悲观绝望的报告中并没有指出前景会如何——从经济发展的历史数据中可以看到它的起起落落。本文向读者展示了美国这台喜怒无常的经济机器是如何运作的，并让您近距离观察它的现状。

文章导读（IDMer）：
文章以图片为主，三条曲线鲜明地反映了从1920年至今美国经济发展的走势，这三条曲线是做过通货膨胀调整的美国国债（U.S. National Debt, in inflation-adjusted 2007 dollars）、按现有美元计算的美国国债（U.S. National Debt, in actual dollars）、国民生产总值（GDP）。

从图上我们可以看出，美国的国债在1950~1980年间保持平稳，而在上世纪80年代后，美国国债增长迅猛。从1980年的2.3万亿美元暴涨到现在的9.6万亿美元，翻了两翻（有点象中国的GDP，呵呵）。当然美国的GDP也在持续增长，而且看起来增速还很稳定，从1940年（二战后）的1.5万亿增长到目前的13.8万亿。

文中右上方用粗体字列出了一个问题：是谁拥有美国？
按照各个国家持有美国国债的多少，从高到低排列，前五名依次为：日本、中国、英国、石油输出国*、巴西。
（IDMer：我最近在看一本书——《货币战争》。从这本书里你可以发现，持有大笔美国国债并非是值得欣喜的事情，恰恰相反，更应该值得担忧。对于美元这种债务型货币，因为它脱离了金本位，是很容易被国际银行家集团操纵，用来实施对其它国家的经济打击和掠夺，实际上是一场没有硝烟的战争）

最后，在图形的右侧，作者谈到如何降低美国的国债来拯救经济。解决方法看起来满有意思，他号召民众给美国公共债务局寄支票。不知道这个方法可行不？也许在韩国可以，可是在美国，我看悬。

资源中心
想要了解白皮书或者分析人士的最新观点？所有这些内容尽在这里。 通过下列资源了解SAS如何帮助您解决业务难题。

分析人士观点 (来自行业分析公司) 年报 (PDF: 820KB) SAS 博客 书店 客户成功案例 (400多例) 演示与互动展示 (30多个) 电子快讯 (10条) 活动

新闻报摘与新闻稿 播客 RSS Feeds sascom在线杂志 屏幕截图 培训 网上研讨 (70多个) 白皮书 (100多份)

课程讲稿请登陆 http://www.cs.uiuc.edu/homes/hanj/dragon08/index.htm 下载查看。

The course introduces the principles, algorithms, and applications of advanced data mining, including algorithms, methods, implementations and applications of classification, clustering, association and correlation analysis, multidimensional and OLAP analysis, mining sequential and structured data, stream data, text data, Web data, spatiotemporal data, biomedical data and other forms of complex data.

Slides: http://www.cs.uiuc.edu/homes/hanj/dragon08/index.htm

MAJOR TOPICS:
1.General overview of data mining
2.Advanced data integration and preprocessing
3.Data warehouse, data cube, OLAP and multidimensional analysis
4.Frequent pattern and correlation analysis
5.Classification and predictive modeling
6.Cluster analysis
7.Mining sequence and time-series data
8.Mining graphs and structured patterns
9.Link analysis and mining information networks
10.Stream data mining
11.Mining spatial, spatiotemporal, RFID data, trajectories, and moving objects
12.Mining multimedia, text, and web data
13.Data mining applications: Software engineering and bioinformatics
14.Other issues on data mining: visual data mining and privacy-preserving data mining
15.Research frontiers and social impacts of data mining

主要内容来自http://www.cos.name/bbs/read.php?tid=5362
　　
　　统计学读物推荐
　　
　　一、统计学基础部分
　　 1、《统计学》 David Freedman等著，魏宗舒，施锡铨等译 中国统计出版社 　　 据说是统计思想讲得最好的一本书，读了部分章节，受益很多。整本书几乎没有公式，但是讲到了统计思想的精髓。
　　 2、《Mind on statistics(英文版）》 机械工业出版社
　　 只需要高中的数学水平，统计的扫盲书。有一句话影响很深： Mathematics as to statistics is something like hammer, nails, wood as to a house, it's just the material and tools but not the house itself。
　　3、《Mathematical Statistics and Data Analysis（英文版.第二版）》 机械工业出版社
　　看了就发现和国内的数理统计树有明显的不同。这本书理念很好，讲了很多新的东西，把很热门的Bootstrap方法和传统统计在一起讲了。Amazon上有书评。
　　4、《Business Statistics a decision making approach（影印版）》 中国统计出版社
　　在实务中很实用的东西，虽然往往为数理统计的老师所不屑
　　5、《Understanding Statistics in the behavioral science（影印版）》 中国统计出版社
　　和上面那本是一个系列的。老外的书都挺有意思的
　　6、《探索性数据分析》中国统计出版社 和第一本是一个系列的。大家好好看看陈希儒老先生做的序，可以说是对中国数理统计的一种反思。
　　7、 数理统计引论
　　著译者： 陈希孺
　　出版者：科学出版社
　　《数理统计学简史》陈希孺
　　8 《概率论与数理统计教程》魏宗舒
　　
　　二、回归部分
　　1、《应用线性回归》 中国统计出版社
　　还是著名的蓝皮书系列，有一定的深度，道理讲得挺透的。看看里面对于偏回归系数的说明，绝对是大开眼界啊！非常精彩的书
　　2、《Regression Analysis by example (3rd Ed影印版)》
　　这是偶第一本从头到底读完的原版统计书，太好看了。那张虚拟变量写得比小说都吸引人。没什么推导，甚至说“假定你有统计软件可以算出结果”，主要就是将分析，怎么看图，怎么看结果。看完才觉得回归真得很好玩
　　3、《Logistics回归模型——方法与应用》 王济川 郭志刚 高等教育出版社 不多的国内的经典统计教材。两位都是社会学出身，不重推导重应用。每章都有详细的SAS和SPSS程序和输出的分析。两位估计洋墨水喝得比较多，中文写的书，但是明显老外写书的风格
　　
　　三、多元
　　0、《多元统计分析引论》张尧庭，方开泰著 科学出版社
　　1、《应用多元分析（第二版）》 王学民 上海财经大学出版社
　　现在好像就是用的这本书，但是请注意，这本书的亮点不是推导，而是后面和SAS结合的部分，以及其中的一些想法（比如P99 n对假设检验的影响，绝对是统计的感觉，不是推推公式就能感觉到的）。这是一本国内很好的多元统计教材。
　　2、《Analyzing Multivariate Data（英文版）》 Lattin等著 机械工业出版社 这本书有很多直观的感觉和解释，非常有意思。对数学要求不高，证明也不够好，但的确是“统计书”，不是数学书。
　　3、《Applied Multivariate Statistical Analysis (5th Ed影印版)》 Johnson & Wichem 著 中国统计出版社
　　个人认为是国内能买到的最好的多元统计书了。Amazon 上有人评论，评价很高的。不过据王学民老师说，这本书的证明还是有不太清楚，老外实务可以，证明实在不咋的，呵呵
　　
　　四、时间序列
　　1、《商务和经济预测中的时间序列模型》 弗朗西斯著
　　Amazon 上五星推荐的书，讲了很多很新的东西也非常实用。我看完才知道，原来时间序列不知有AR(1) MA(1)啊，哈
　　2、《Forecasting and Time Series an applied approach(third edition)》 Bowerman & Connell 著
　　本书的主讲Box-Jenkins(ARIMA)方法，附上了SAS和Minitab程序
　　
　　五、抽样
　　1、《抽样技术》 科克伦著 张尧庭译
　　绝对是该领域最权威，最经典的书了。王学民老师说：这本书不是那么好懂的，数学系的人，就算看得懂每个公式，未必能懂它的意思（不是数学系的人，还是别看了吧）。
　　2、《Sampling: Design and Analysis（影印版)》 Lohr著 中国统计出版社
　　讲了很多很新的方法，无应答，非抽样误差，再抽样，都有讨论。也很不好懂，当时偶是和《Advance Microeconomic
　　Theory》一起看的，后者被许多人认为是梦魇，但是和前者一比，好懂多了。主要还是理念上的差距。我们的统计思想和数据感觉有待加强啊
　　
　　六、软件及其他
　　1、《SAS软件与应用统计分析》 王吉利 张尧庭 主编
　　好书啊！！！！
　　2、《SAS V8基础教程》 汪嘉冈编 中国统计出版社
　　主要讲编程，没怎么讲统计。如果想加强SAS编程可以考虑。
　　3、《SPSS11统计分析教程（基础篇）（高级篇）》 张文彤 北京希望出版社
　　当初第一次看这本书，发现怎么几乎都看不懂，尤其是高级篇，现在终于搞清楚了：）
　　4、《金融市场的统计分析》 张尧庭著 广西师范大学出版社
　　张老师到底是大家，薄薄的一本书，言简意赅，把主要的金融模型都讲清楚了。看完会发现，分析金融单单数学模型还是纸上谈兵，必须加上统计模型和统计方法才能真正应用。本书用的多元统计（代数知识）比较深。
　　
　　其它
　　Common Errors in Statistics : (and How to Avoid Them)
　　Good P.I., Hardin J.W.
　　John Wiley & Sons; 2003; 240стр.; ISBN: 0471460680

轻松归轻松，也不能一直当坐车的大爷，更何况以后要出去自驾游或远行，还是要两个人换着开车才可以，所以我也就开始了学车的生活。

上上周末在东方时尚报名学车，上周末被驾校的老师疲劳轰炸了两天的交通法规，回来后就背呀背呀（记性不好，就只能多下苦功）。周三参加了法规考试，是在电脑上考试，出乎意料的很快很简单，一共100道题，11分钟做完，再用了9分钟检查，然后交卷——“祝您顺利通过法规考试：98分”，也就是说，我一共错了两道题。惭愧的是，我还是延续了从小到大一直的考试习惯——考完试立刻忘了自己考了些啥，所以也就不知道到底错了哪两道题。

学习交通法规时，认真做了笔记，这里顺便把一些总结贴出来，以为备忘；）

① 不同车型的年龄要求

② 交警的手势信号（一共8种）

③ 道路通行规定
   限速

   安全车距、警告标志距离、停车距离



  
限高限宽

④ 法律责任
   刑事法律责任

   行政处罚

   罚款

   扣分

根据Gartner公司的报告，2007年全球BI（商业智能）软件市场份额达到了51亿美元，比2006年增加了13%。
但美国的BI软件开支则仅增加了5%，与其在2006年16%的增长相比下降明显，这主要是因为美国经济开始出现衰退迹象以及美元的持续走弱所致，次贷危机的影响明显。

最大的赢家是那些大的软件厂商，如SAP、IBM、Oracle和Microsoft，它们总的市场份额从2006年的20%，增加到2007年的66%。这种急剧增长主要是通过并购来实现的。在2007年1月份，SAP收购了BO（Business Object），IBM收购了Cognos。在2007年3月份，Oracle则收购了Hyperion。

合并之后，SAP和BO排名第一，占据了全球26.3的BI软件市场，比第二名（IBM和Cognos，市场份额为14.7%）高出了将近一倍。SAS为第三名，市场份额为14.5%。下表中的排名与此不同，是因为有些并购直到2008年才最终完成。

2007年全球BI厂商的营收排名 (单位：百万美元)

 

公司	2007营收	2007市场份额 (%)	2006营收	2006市场份额	'06-'07增长率(%)
Business Objects	939.6	18.2	870.6	19.0	7.9
SAS Institute	752.3	14.5	665.8	14.4	13.0
Cognos	710	13.7	621.5	13.6	14.2
Microsoft	547	10.6	455.2	9.9	20.2
Oracle	484.5	9.4	236.4	5.2	105
SAP	408.5	7.9	306.5	6.7	33.3
Others	1,332.6	25.8	1,420.4	31	-6.2
Total	5,141.7	100	4,576.3	100	13.1

数据来源: Gartner (May 2008)

转自：http://sx4.i.auto.sohu.com/zt-869620.html#1

老外的想法做法就是不一样，如果你想在外企工作得好，有些潜规则你最好心里有数。

Unacceptable：
老外打小受的教育是人要以表扬鼓励为主，所以老外批评人比较含蓄。说你这件事办的unacceptable，已经算是说的很重了，中国老板在外企混久了， 也便跟着装起来，对你不满，写email给你，左一个unacceptable右一unacceptable。
潜台词相当于：你这个SB，你奶奶个熊， 给老子小心点，等等。

CC：
就是Copy。我看email，第一看标题，第二看CC给谁，第三才看内容。CC给谁基本上能够说明对方的态度，CC一大批老板的，肯定不是啥好事，对方要推卸责任。
潜台词：我这件事告诉你了哦，和我没关系了，你自己看着办吧，反正老板都知道?都盯着你呢。 最开心的是看到自己的名字在CC那一栏里面，因为那意味着那就是这封信不用回，看看就可以。有人会回的。

Concern：
中文翻译成"关注"，其实根本不是关注的意思，老外要是说他很concern， 那就是事情不妙，所谓老外打喷嚏，中国人集体感冒。
潜台词：老子很不爽，这事儿怎么这么乱七八糟，给我注意点!

Great：
刚才说了，老外打小受教育要多夸人，少批评人，所以老外一天到晚把"It"s great!"，"youdidagreatjob!"挂在嘴上，初听还飘飘然了几回，听久了，才知道其实压根儿就是他们口头禅，心里未必觉得你有多 great，同义词还有fantastic!wonderful!Gorgeous!Fabulous!等等。
潜台词：还马马虎虎啦，一般般了，还过得去。

F.Y.I：
以前一直以为是forward邮件的时候系统会自动加上这几个字，因为人家转过来的信上都有这三个字母，过了好久才知道是人家自己加的，意思是：For Your Information。看到这几个字母意味着下面内容和我有关，但是关系不大，看看就好。因为对方如果要你采取行动，一定会说清楚：Allen， please……。。而不会只是F.Y.I了事。
潜台词：和你关系不大，给你随便看看。

Issue：
中文翻译成事情，其实是贬义词，准确意思是"不好的事情"，老外说有一个issue，就是有件鸟事要处理。要有很多issue，那就是一团糟。
潜台词：事情不妙，大家都赶快处理。

Aggressive：
中文翻译成"进攻性的"，在外企里面意思含糊，褒义的有"具有开拓精神的"，"有事业心的"，贬义的有"咄咄逼人的"，"喜欢没头脑乱闯的"，"容易得罪别人的"，反正意思可褒可贬，看你自己琢磨。 面试时候说自己"aggressive"的，潜台词是：我可不是那种混日子的人，我是能干事的，招我准没错。 但是一但说别人"very aggressive"，基本上潜台词是说：这SB凶巴巴的，不好相处，做事没头没脑，老闯祸…不是啥好鸟。

Involve：
中文翻译成"介入"，反正involve的老板越高层事情就越复杂，director要是involve了，manager就开始紧张，VP要是involve了，中国区相关人员都别想有好日子过，得加班加得四脚朝天。
潜台词：大佬很生气，后果很严重。

RESEND！
重传。
潜台词：有没在上班的呀？还没有答复过来？是不是在混水摸鱼？我的时间很宝贵的，不快点回复你就死定了。

highlight ：
强调，意思是说你搞不定一定要提前highlight出来，抗不住就早点讲，一般要highlight的东西都是比较难搞定的。

urgent ：
紧急的，遇到这样的urgent的case你就有得麻烦了，电话基本不会停下来，好一阵子的热线。

appreciate ：
欣赏。当事情自己解决不了的时候，需要别人帮忙的时候，或者是自己做错事无法挽回的时候，一句yourkindhelpshouldbeappreciated。就会发挥很大的作用 了。

guarantee ：
保证，之前promise的东西没有出现，于是再次向别人求助的时候，对方一句Are you guarantee of it?让你很是尴尬，使对方陷入困境。对于sales来讲，此词使用 的几率教高。

myunderstandingis...
翻成中文是我的理解是。
潜台词是：应该是。你的理解有误，我在此再给你解释一下。虽然看上 去是对方在说自己的理解，但基本上是认为你的看法是错的，他的是正确的。

Im very disappointed...
中文是：我很失望。
潜台词是：你怎么搞得，弄成这样。后果有点严重，基本上这个人对你有了 一个很差的印象了。

在网上看到了整理的Ralph Lengler和Martin J.Eppler整理的这份“可视化方法的元素周期表”，挺有意思，可以让你一览可视化方法的全貌。当然它也不是尽善尽美，某些方法的归类值得商榷，不过总体上而言，值得参考。

为了方便使用，我把整个网页打包成一个.mht文件，大家可以下载到本地查看，鼠标移动到每个元素上时会显示相应的可视化图片。注意：使用IE打开时，需允许阻止的内容（脚本或ActiveX控件）。

附件：A Periodic Table of Visualization Methods.zip