引言： 1、数据挖掘在B2B环境中没有真正工作通常，经理人认为数据挖掘在business-to-business (B2B)环境中不能很好工作，因为商业模型中独特的区别，比如财务经理指定的账目，产品毛利润的大幅摆动，有时候又长又不频繁的购买周期，产品线详细目录的扩展。
摘要： 今天看到pointer-to-member functions一节，说到指向虚函数、多继承条件下的成员函数的函数指针时，给出了stroustrup的方案：添加一个结构以记录指针间的区别，对普通成员函数而言，取得的是成员函数的地址，而虚函数则得到该函数在虚函数表中的序号。而后又提到microsoft的一个方案，即使用thunk函数（这个词不是很确定它的翻译，虽然意思能够理解，大概类似于“桩”函数之......
摘要：com组件的方法在idl中的声明：[id(1), helpstring("方法inputarray")] hresult inputarray([in] variant vdata); 在脚本中建立数组并调用com组件的方法：当数组很大的时候，like 100k ,javascript在给数组赋值的时候效率非常低！完成时间，cpu占用率，占用的内存都大的可怕。反而vbscrip......
B2B电子商务中常见的对数据挖掘的5种误解1.数据挖掘在b2b环境中没有真正工作 通常,经理人认为数据挖掘在business-to-business (b2b)环境中不能很好工作,因为商业模型中独特的区别,比如财务经理指定的账目,产品毛利润的大幅摆动,有时候又长又不频繁的购买周期,产品线详细目录的扩展.在成功的数据挖掘中 重要的是你正在打交道的数据,而不是商业的特性,尤其是产生于商品交易的数据更显著.这些数据包括了顾客购买什么,什么时间购买的,销售总额等等.长期的基础存档数据,总销售额,总利润等反映的数据给分析带来了巨大的价值.最后,销售的历史记录比如有效的目录总数与有效的邮件列表也能给分析带来很大的价值.借助于已经拥有的数据,数据挖掘能够很好的工作在b2b环境中.2.没有充足数据为商业活动开发优秀的模型 有一种错误的理解:好的数据库营销需要分析数百万顾客.显然不是那样.开发好的模型更依赖于高质量的数据,而不是数据的数量.比如,如果你正在开发预测反应模型来测定谁最可能对公司的邮件目录有回应,关键的标准是最后发送的邮件目录有多少回应的人.如果有上千个回应的人,你就可以开发一个很好的预测模型.有些数据挖掘产品甚至只需要更少的数据.3.有效的挖掘b2b数据需要更新与更好的技术 数据挖掘这门科学已经演化了很长时间,达到了成熟并且稳定的水平.许多有用的商业产品可以很好的分析b2b数据.区别是产品是否经过商业实际应用的提炼.供应商不断的升级他们的产品是为了吸引市场上的听众与经理们....
下一页 摘要： 以前常听别人说：学习编程最好的方法是学习高手的源码，看来这话确实没错。不过，想要读懂别人的源码并不是件十分容易的事，想从这当中获得乐趣自然是更难的事了。 以前也尝试过去读别人的代码，可是一直没能读懂，因而也就谈不上有任何的收获和乐趣了。今天看了一个简单的留言板程序，更开始调试的时候就花了九牛二虎之力，最后终于是能够运行了，那种高兴和兴奋感真是油然而生。虽然我还不能完全从理论上说明我是如何调试成功......
