2019 06 22

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