需求太多，是程式設計師們共同面對的困局。
從前端到後端、從資料到分析、從互動到測試，幾乎每個人都很忙。大公司的用人標準，早期有乙個很常見的說法，叫作「三個程式設計師，拿四個人的工資，做五個人的事情」。在行業高速發展期，給更多的錢，確實非常吸引人。但後來，行業發展不像早期那麼快速，內捲的趨勢隱隱然在加劇，乾脆就把「996」當作了工作的常態。這種情況下，需求多，讓大家自覺的加班工作，看起來就是很自然的現象了。
但是，你的需求真的多嗎？
某種意義上是的，產品不斷的在提需求，如果業務高速發展，那就多點功能吸引使用者；如果業務遇到瓶頸，那就多嘗試方法來尋找突破點。所以定期總有新的需求過來，再加上時不時的緊急任務支援，需求是真的多。
某種意義上卻不是的，並不是說我們真的做不完，而是要花費很多的經歷在需求溝通、合作方對接等雜事上。「白天開會、晚上coding」，是很多人平時真實的工作狀態，以至於我們喊出了「少開會」的口號，或者是封閉式開發，每天**時間內，誰找都不理。
每個組都在不斷的提公升區域性的效率，成果還是有的，只是全域性的效率卻一直上不來，根本問題沒有解決。
需求方想要什麼？用一句話解釋，就是持續交付有價值的產品。
我們可以設想兩個場景：乙個場景是在醫院中看病，每位大夫都是專家，看病速度又好又快，但我們卻要花費很多的時間在排隊上：檢查、交費、列印報告…… 醫院是乙個典型的區域性效率非常高的地方，但也是典型的全域性效率非常低的地方，因此幾乎每個人提到去意願，心裡都會默默的打怵。另乙個場景是物流快遞，現在的物流效率已經遠遠不是過去所能相比的，基本上在京東上下單，隔日就到非常正常，在江浙滬包郵區，很多**的商品也能做到次日送達。雖然區域性效率可能很低，例如快遞送到的時候我們不在家、例如快遞員丟到了快遞櫃中，但是從全域性來看，效率是非常高的，這也讓中國電商的購物體驗遠遠超過了其他國家。
其實在日常的工作中也是如此，業務、產品、運營等需求方，並不關心資料的建設情況是怎樣的，也不會關心現有的資料能不能體現出它應有的價值，但非常關心能不能持續的給我交付有價值的產出，哪怕這種產出只是匯出資料，也會給人帶來非常不一樣的感覺。
因此，我們最理想的狀態上，在整體協調的基礎上，提公升交付速度，同步提公升資源效率和流動效率。
但是，「屁股決定腦袋。理想都是全棧」，除非全部的東西都是自己做，不然跨了團隊、或者跨了合作人，效率總是有打折的。最核心的問題，往往都是相同的：「我做這件事的價值是什麼？為什麼不提前說一下？你真的想好了產品的價值嗎？」
可以說，資料持續交付的過程中，從來不缺少有經驗的資料工程師，而是缺少有價值的產品需求。
有些時候資料的同學很容易說話，幫忙做個事情，順手也就做了，但其實是不對的，工作還是要有原則的支撐。
典型的原則，有兩個：
很多時候我們接到的是乙個半吊子需求，分析人員覺的能做、產品覺得可行，然後找到了你，要求實現它，但仔細一看需求，跟想法卻有了千差萬別的地方，於是又要重新跟產品溝通，再核對一遍邏輯，砍掉一些需求。最後交付的時候，不僅樣子變了很多，週期也非常的長。
因此，在對接需求的時候，一定要有乙個意識，判斷這個需求的背景是怎樣的，產出的價值是怎樣的。如果確實很好，標記為p0，優先支援；如果需求本身就存在很多問題，那就標記為p1或者p2，反正都有問題了，就不要急於去交付。
有乙個很著名的利特爾法則，平均交付週期 = 在製品數量/吞吐率，如果我們想持續的交付產品，那就必須減少在製品數量。
因此，我們根據正常的產品交付週期：臨時、緊急插入的需求，作為p0需求；正常情況，規劃和排期的需求，作為p1/p2需求；其他需求，作為p3需求。儘管資料的研發流程與前後端不同，但分出個輕重緩急，也是必須要做的。
另一件事情，就是要有標準化的流程，並且能夠加速這個流程。資料團隊面臨的最大問題，是高速發展一段時間後，面臨的架構重構問題。我們平時為了快速搞定需求，會搞出很多臨時性的方案：例如命名不規範、沒有code review、ads跨層依賴ods等。儘管資料交付出去了，質量也沒有問題，但卻是對架構產生了很重大的影響。
解決的思路也是有的，但要看情況，有條件的可以自行搞一些自動化的監控過程：例如跨層依賴、**相似度、資料引用次數等；或者是提交的任務，定期交給負責人進行審核，簡單的掃一眼，就能減少很多的問題。
但根源還是在於團隊要有標準化的流程體制，定義明確評審標準、交付過程和驗收標準。這個流程很重，我們可以簡化，但不能沒有。只有堅持下來，才能夠在兼顧速度的情況，提公升架構質量，不然總有重構的那一天。
資料存在的意義是產出商業價值，而不是產出技術價值。換一換思維，把資源效率為核心，改為以流動效率為核心，或許你會發現乙個不一樣的新天地。
c 分類 機器學習 聽說你要用C 做機器學習
修改program.cs內容 using microsoft.ml using microsoft.ml.data using microsoft.ml.legacy using microsoft.ml.trainers using microsoft.ml.transforms using mi...
聽說你的模型損失是NaN
有時候，模型跑著跑著，損失就莫名變nan了。不過，經驗告訴我們，大部分nan主要是因為除數是0或者傳給log的數值不大於0。下面說說是log出nan的幾種常見解決方法。畢竟，計算機的是無法表示所有實數的，儘管有些函式得出的結果只能無限近似0，但是由於計算機精度問題，最後的結果往往被表示為0。比如si...
奇葩需求之寫不完的樹目錄
需求 資料庫行轉列關聯查詢兩張表得出以下資料表 前提 然後再根據多個任意字段 有序 分組顯示，選出的目錄拼成樹目錄結構，下圖是前提資料表 行轉列sql語句 select a.id,a.serial no as column1,a.title as column2,a.project type as ...