Technology

• PJSIP a free and open source multimedia communication library written in C language implementing standard based protocols such as SIP, SDP, RTP, STUN, TURN, and ICE.
• 深入臉書《Libra》技術白皮書：一個參考各家區塊鏈特色的協議

Workshop：GCPUG Taipei Kubernetes Workshop

• Workshop Sample: https://github.com/William-Yeh/workshop-gcpug201906
• https://github.com/William-Yeh/workshop-gcpug201906/blob/master/gke-steps.md
• 基本概念
• 用 Environment Variable 帶入參數
• 注意 Image versions
• Legacy code 先搬上 Docekr 後才有機會放入 Kubernetes
• Database 是否適合放上 Kubernetes?
  • DB 版本通常不需要時常更新、升級
• Lab 1.0
• Architecture: Open port:30000
• Lab 2.0
• Containerize
• Lab 3.0 - Frontend/Backend separation
• wwwroot 移出去獨立成另一個 Docker
• 前端設定 API_ENDPOINT_URI
• docker-compose build
  • mcr.microsoft.com/dotnet/core/sdk:2.2 需要 1.7GB 硬碟空間，現場大家同時 pull image 會等很久
• Lab 4.0 - Support Kubernetes (locally)
• Kubernetes 101: Pods, Nodes, Containers, and Clusters
• https://github.com/William-Yeh/workshop-gcpug201906/blob/4.0/README.md
• Issue 1: Backend is stateful (In memory), 3 replicas cause data not sync
• Issue 2: New code but same image version tag, Kubernetes do not pull newer
• Lab 5.0 - Configuration: ConfigMap
• k8s/config.local.yml file
• Lab 6.0 - Cloud
• Use Skaffold to build and deploy
• kubectl get svc -n todo get frontend external IP
• Lab 7.0 - Canary

Other

• 商業思維：月薪不到5萬不要儲蓄，從企業自由現金流運用來探討背後思路
• CEO是公司成長天花板！從10到100，新創快速擴張該如何面對？

講座：人人都該懂的數據思維課 - 木木卡工作室

Slide: https://storage.googleapis.com/s.momoka.tw/人人都該懂的數據思維課.pdf

• 拉資料，做報表（定義範疇），算命
• 讓更多人接觸到資料，看到需要看的資料
• 無法知道：粉絲會在哪出沒、使用者年收入多少、數據真實性
• 了解現況、找出著力點、擬定策略、觀察成效
• 即時監控
• 數據思維
• 憑感覺 v.s. 看數據
• 數據分析不是大數據

1. 檢查

• 與現實世界的正確性：人事時地物
• 是否有闕漏
• 欄位特性：違反特性的資料
• 分布方式

2. 來源

• 各頻道撥出特定候選人時間比例
  • 電腦辨識？工人智慧統計？電視台提供？
• 抽樣
  • 課程滿意度調查，是否有提供誘因
  • 通常餐廳難吃才會去評價

3. 定義

• 出席率計算方式：有出現就算？待超過半場才算？沒有遲到早退才算？
• 營收：每個部門要的數字定義不一樣，營業額、毛利、淨利？
• 電商轉換率：起點和終點分別是？訂單建立 or 完成付款（信用卡？ATM？）
• 觀展人數/人次、影片觀看次數

4. 脈絡

• 使用者跟你想的不一樣
• 安裝停車位 App 的人不一定是駕駛，可能是附駕駛
• 沒被追蹤到的數據，例如使用非官方渠道而沒被追蹤到
• 蝦皮免運搬家：同一組買賣家

5. 拆解

• 找出害群之馬
• App 下載->註冊率
  • 下載時段不同註冊率不同->買廣告時段
  • 裝置差異
  • 使用者來源：平台、文案
• 離職率
  • 到職多久？ 3 個月、1 年、3 年以上？

6. 放大鏡

• 針對一群人觀查
• Cohort

7. 因果

• 該如何把使用者找回來
• EX: 留言超過 5 則的，訂閱率上升。加入 LINE 群組的使用者對訂閱率的影響
• Magic Moment
  • 新用戶註冊後 10 天內新增 7 個好友，留存率特別高
• 陷阱：中間可能藏其他未知的關聯、變數，或根本完全運氣好
• 統計學內，關聯和因果的不同

8. 指標

• Cost Per Registration (CPR)
• 假流量的過濾
• 思考：不同數據結果到底需不需要一致？
• 看趨勢變化而非絕對數字
• GA 的 User、Session、Paveview
• 抽樣偏誤：是否提供誘因，前後變數是否一致

9. 比較

• 跟自己比
• 跟別人比
• 沒辦法比較？那就沒意義啊！

10. 慢即是快

• 經驗導向
• 錯誤的資料可能導致錯誤決策
• 避免產出錯誤資料，數據量大通常無法人工驗證正確性