人格特质
职业3A
勾画出你职业生涯的核心。
职业3A可以快速概述您的行为方式，职业驱动力和个人技能。 根据评估结果，列出最合适的职业，帮助您思考职业选择的方向。 您可以邀请朋友组成一个团队，并通过输入相同的团队名称来查询团队的评估结果，这可以帮助您更好地与具有不同优先级和偏好的同事建立关系。
行为风格
此评估可以快速确定你的行为风格。
职涯动力
此评估将帮助你了解是什么驱动着你的职业生涯。
个人技能
此评估将帮助你确定在工作中最喜欢使用哪些个人技能。
职业3A
职位匹配
职业3A
团队分析
聚类2A
聚类分析
聚类分析工具。
聚类是一种无监督的机器学习技术，它将相似的对象分组到同一个聚类中。聚类2A结合了两种最流行的聚类算法K-means和DBSCAN，帮助你发现数据中有趣的模式。例如，它可以根据客户的消费行为帮助你找到不同的客户群体。
K-means 模型
K-means算法要求指定聚类的数量。其主要目标是在大量高维数据中找到有代表性的数据点 (称为质心)，然后根据这些质心为每个数据点分配最近的质心。它可以很好地扩展到大量样本，并已广泛应用于许多不同领域。聚类2A使用K-means++选择初始聚类中心以提高收敛速度。
DBSCAN 模型
与K-means不同，DBSCAN不需要指定要生成的聚类数。DBSCAN算法基于密度处理数据点，主要是将特征空间中足够密集的点划分为同一聚类，并且可以识别不属于任何聚类的离群值，这非常适合检测离群值。
聚类2A
K-means 模型
聚类2A
DBSCAN 模型
资源分配
分配3M
资源分配计算器。
分配3M结合了三种数学统计模型，可帮助你分析生活中的资源分配问题，例如时间分配，人力分配，商品分配等。这些模型根据分配目标的过去数据提供了三种分配策略：预期增长率高，低波动率和波动率平价。当你面临资源分配决策时，这些策略为你提供了数据方面的参考信息。
Mean Variance 模型
均值方差模型根据分配目标过去的数据计算预期的增长率和波动性。使用 Monte Carlo method 求得在给定波动率下预期增长率最高的分配比例或在给定预期增长率下波动率最低的分配比例。
Black–Litterman 模型
Black-Litterman 模型结合了均值方差模型，Bayesian estimation method 和用户对预期增长率的看法来计算资源分配比例。如果你对未来预期增长率有自己的看法，则可以使用 Black-Litterman 模型来计算给定波动率下具有最高预期增长率的分配比例，或在给定预期增长率下计算具有最低波动率的分配比例。
Risk Parity 模型
与旨在优化预期增长率的均值方差模型和 Black-Litterman 模型不同，风险平价模型旨在优化波动性。风险平价模型使用 Newton’s method 计算近似的资源分配比例，以便每个数据对数据组合的波动性贡献是一致的。
Mean Variance 模型
寻求具有最佳预期增长率的资源分配比率。
Black–Litterman 模型
结合对预期增长率的看法来计算资源分配比例。
Risk Parity 模型
在每个数据的波动贡献相同的情况下寻求资源分配比率。
分配3M
Mean Variance 模型
分配3M
Black–Litterman 模型
分配3M
Risk Parity 模型
经济预测
宏观3M
宏观经济分析工具。
宏观3M使用三种机器学习模型来分析美国月度经济指标发布后的市场反应，找出规律，建立泛化模型。你可以使用这些模型输入每月的指标数据，以映射下个月的市场表现，并帮助你分析经济指标对市场的影响。
宏观3M使用的数据集包含1962年至2020年的22个美国经济指标。通过统计工具分析，其中6个指标与美国市场高度相关。这6个指标分别是非农就业人数(NFP)、工商业贷款(C&I Loans)、个人收入(PI)、M2货币存量(M2)、工业生产指数(IPI)和生产者价格指数(PPI)。
宏观3M在机器学习中使用了三种深度学习模型：多层感知器模型，循环神经网络模型和长期短期记忆网络模型。这些模型的评估指标是使映射值和目标值之间的平均绝对误差(MAE)最小化。
在机器学习中，我们的目标是获得一个可推广的模型，该模型在以前从未见过的数据上表现良好。在这个目标下，在我们跟踪的模型中，深度学习模型的性能优于传统的机器学习模型。
MLP
多层感知器模型
RNN
循环神经网络模型
LSTM
长期短期记忆模型宏观3M
MLP 模型
宏观3M
RNN 模型
宏观3M
LSTM 模型
客户关系
销售TSK
分析你的销售核心。
销售TSK是由时间矩阵，销售阶段和关键指标组成的销售跟踪工具，可以指导你将时间和精力集中在销售流程上。根据你过去的销售数据和当前的销售目标，计算关键指标并预测销售结果。
时间矩阵 (Time Matrix)
时间矩阵是一种简单而有效的工具，它可以根据每个活动的紧迫性和重要性对你的销售活动进行优先排序。时间矩阵可以帮助你快速确定哪些活动应该重点关注，哪些活动应该忽略，从而为重要的活动腾出时间。
销售阶段 (Sales Stages)
将你的销售过程划分为几个清晰的阶段，例如已建立联系，定义需求，提出建议，完成/赢得订单等。清晰的销售阶段将销售过程可视化，当你控制每个阶段时，你将控制最终结果。
关键指标 (Key Indicators)
根据你过去的销售数据和当前的销售目标，计算关键的销售指标，预测你的销售结果和所需的潜在客户数量。关键指标包括交易规模，销售周期和获胜率。你可以寻找更大的交易，更短的销售周期和更高的获胜率来改善销售业绩。
时间矩阵
根据每个活动的紧迫性和重要性来确定您的销售活动的优先级。
销售阶段
指导您专注于销售过程。当您控制过程时，您将控制最终结果。
关键指标
分析关键指标，例如交易规模，销售周期和获胜率，并预测销售结果。
销售TSK
时间矩阵
销售TSK
销售阶段
销售TSK
关键指标
