核心算法大量训练

‘壹’ 请教学习ACM入门的方法

刚刚接触信息学领域的同学往往存在很多困惑，不知道从何入手学习，在这篇文章里，我希望能将自己不多的经验与大家分享，希望对各位有所帮助。
一、语言是最重要的基本功

无论侧重于什么方面，只要是通过计算机程序去最终实现的竞赛，语言都是大家要过的第一道关。亚洲赛区的比赛支持的语言包括C/C++与JAVA。笔者首先说说JAVA，众所周知，作为面向对象的王牌语言，JAVA在大型工程的组织与安全性方面有着自己独特的优势，但是对于信息学比赛的具体场合，JAVA则显得不那么合适，它对于输入输出流的操作相比于C++要繁杂很多，更为重要的是JAVA程序的运行速度要比C++慢10倍以上，而竞赛中对于JAVA程序的运行时限却往往得不到同等比例的放宽，这无疑对算法设计提出了更高的要求，是相当不利的。其实，笔者并不主张大家在这种场合过多地运用面向对象的程序设计思维，因为对于小程序来说这不旦需要花费更多的时间去编写代码，也会降低程序的执行效率。

接着说C和C++。许多现在参加讲座的同学还在上大一，C的基础知识刚刚学完，还没有接触过C++，其实在赛场上使用纯C的选手还是大有人在的，它们主要是看重了纯C在效率上的优势，所以这部分同学如果时间有限，并不需要急着去学习新的语言，只要提高了自己在算法设计上的造诣，纯C一样能发挥巨大的威力。

而C++相对于C，在输入输出流上的封装大大方便了我们的操作，同时降低了出错的可能性，并且能够很好地实现标准流与文件流的切换，方便了调试的工作。如果有些同学比较在意这点，可以尝试C和C++的混编，毕竟仅仅学习C++的流操作还是不花什么时间的。

C++的另一个支持来源于标准模版库（STL），库中提供的对于基本数据结构的统一接口操作和基本算法的实现可以缩减我们编写代码的长度，这可以节省一些时间。但是，与此相对的，使用STL要在效率上做出一些牺牲，对于输入规模很大的题目，有时候必须放弃STL，这意味着我们不能存在“有了STL就可以不去管基本算法的实现”的想法；另外，熟练和恰当地使用STL必须经过一定时间的积累，准确地了解各种操作的时间复杂度，切忌对STL中不熟悉的部分滥用，因为这其中蕴涵着许多初学者不易发现的陷阱。

通过以上的分析，我们可以看出仅就信息学竞赛而言，对语言的掌握并不要求十分全面，但是对于经常用到的部分，必须十分熟练，不允许有半点不清楚的地方，下面我举个真实的例子来说明这个道理——即使是一点很细微的语言障碍，都有可能酿成错误：

在去年清华的赛区上，有一个队在做F题的时候使用了cout和printf的混合输出，由于一个带缓冲一个不带，所以输出一长就混乱了。只是因为当时judge team中负责F题的人眼睛尖，看出答案没错只是顺序不对（答案有一页多，是所有题目中最长的一个输出），又看了看程序发现只是输出问题就给了个Presentation error（格式错）。如果审题的人不是这样而是直接给一个 Wrong Answer，相信这个队是很难查到自己错在什么地方的。

现在我们转入第二个方面的讨论，基础学科知识的积累。

二、以数学为主的基础知识十分重要

虽然被定性为程序设计竞赛，但是参赛选手所遇到的问题更多的是没有解决问题的思路，而不是有了思路却死活不能实现，这就是平时积累的基础知识不够。今年World Final的总冠军是波兰华沙大学，其成员出自于数学系而非计算机系，这就是一个鲜活的例子。竞赛中对于基础学科的涉及主要集中于数学，此外对于物理、电路等等也可能有一定应用，但是不多。因此，大一的同学也不必为自己还没学数据结构而感到不知从何入手提高，把数学捡起来吧！下面我来谈谈在竞赛中应用的数学的主要分支。

1、离散数学——作为计算机学科的基础，离散数学是竞赛中涉及最多的数学分支，其重中之重又在于图论和组合数学，尤其是图论。

图论之所以运用最多是因为它的变化最多，而且可以轻易地结合基本数据结构和许多算法的基本思想，较多用到的知识包括连通性判断、DFS和BFS，关节点和关键路径、欧拉回路、最小生成树、最短路径、二部图匹配和网络流等等。虽然这部分的比重很大，但是往往也是竞赛中的难题所在，如果有初学者对于这部分的某些具体内容暂时感到力不从心，也不必着急，可以慢慢积累。

竞赛中设计的组合计数问题大都需要用组合数学来解决，组合数学中的知识相比于图论要简单一些，很多知识对于小学上过奥校的同学来说已经十分熟悉，但是也有一些部分需要先对代数结构中的群论有初步了解才能进行学习。组合数学在竞赛中很少以难题的形式出现，但是如果积累不够，任何一道这方面的题目却都有可能成为难题。

2、数论——以素数判断和同余为模型构造出来的题目往往需要较多的数论知识来解决，这部分在竞赛中的比重并不大，但只要来上一道，也足以使知识不足的人冥思苦想上一阵时间。素数判断和同余最常见的是在以密码学为背景的题目中出现，在运用密码学常识确定大概的过程之后，核心算法往往要涉及数论的内容。

3、计算几何——计算几何相比于其它部分来说是比较独立的，就是说它和其它的知识点很少有过多的结合，较常用到的部分包括——线段相交的判断、多边形面积的计算、内点外点的判断、凸包等等。计算几何的题目难度不会很大，但也永远不会成为最弱的题。

4、线性代数——对线性代数的应用都是围绕矩阵展开的，一些表面上是模拟的题目往往可以借助于矩阵来找到更好的算法。

5、概率论——竞赛是以黑箱来判卷的，这就是说你几乎不能动使用概率算法的念头，但这也并不是说概率就没有用。关于这一点，只有通过一定的练习才能体会。

6、初等数学与解析几何——这主要就是中学的知识了，用的不多，但是至少比高等数学多，我觉得熟悉一下数学手册上的相关内容，至少要知道在哪儿能查到，还是必要的。

7、高等数学——纯粹运用高等数学来解决的题目我接触的只有一道，但是一些题目的叙述背景往往需要和这部分有一定联系，掌握得牢固一些总归没有坏处。

以上就是竞赛所涉及的数学领域，可以说范围是相当广的。我认识的许多人去搞信息学的竞赛就是为了逼着自己多学一点数学，因为数学是一切一切的基础。

三、数据结构与算法是真正的核心

虽然数学十分十分重要，但是如果让三个只会数学的人参加比赛，我相信多数情况下会比三个只会数据结构与算法的人得到更为悲惨的结局。

先说说数据结构。掌握队列、堆栈和图的基本表达与操作是必需的，至于树，我个人觉得需要建树的问题有但是并不多。（但是树往往是很重要的分析工具）除此之外，排序和查找并不需要对所有方式都能很熟练的掌握，但你必须保证自己对于各种情况都有一个在时间复杂度上满足最低要求的解决方案。说到时间复杂度，就又该说说哈希表了，竞赛时对时间的限制远远多于对空间的限制，这要求大家尽快掌握“以空间换时间”的原则策略，能用哈希表来存储的数据一定不要到时候再去查找，如果实在不能建哈希表，再看看能否建二叉查找树等等——这都是争取时间的策略，掌握这些技巧需要大家对数据结构尤其是算法复杂度有比较全面的理性和感性认识。

接着说说算法。算法中最基本和常用的是搜索，主要是回溯和分支限界法的使用。这里要说的是，有些初学者在学习这些搜索基本算法是不太注意剪枝，这是十分不可取的，因为所有搜索的题目给你的测试用例都不会有很大的规模，你往往察觉不出程序运行的时间问题，但是真正的测试数据一定能过滤出那些没有剪枝的算法。实际上参赛选手基本上都会使用常用的搜索算法，题目的区分度往往就是建立在诸如剪枝之类的优化上了。

常用算法中的另一类是以“相似或相同子问题”为核心的，包括递推、递归、贪心法和动态规划。这其中比较难于掌握的就是动态规划，如何抽象出重复的子问题是很多题目的难点所在，笔者建议初学者仔细理解图论中一些以动态规划为基本思想所建立起来的基本算法（比如Floyd-Warshall算法），并且多阅读一些定理的证明，这虽然不能有什么直接的帮助，但是长期坚持就会对思维很有帮助。

四、团队配合

通过以上的介绍大家也可以看出，信息学竞赛对于知识面覆盖的非常广，想凭一己之力全部消化这些东西实在是相当困难的，这就要求我们尽可能地发挥团队协作的精神。同组成员之间的熟练配合和默契的形成需要时间，具体的情况因成员的组成不同而不同，这里我就不再多说了。

五、练习、练习、再练习

知识的积累固然重要，但是信息学终究不是看出来的，而是练出来的，这是多少前人最深的一点体会，只有通过具体题目的分析和实践，才能真正掌握数学的使用和算法的应用，并在不断的练习中增加编程经验和技巧，提高对时间复杂度的感性认识，优化时间的分配，加强团队的配合。总之，在这里光有纸上谈兵是绝对不行的，必须要通过实战来锻炼自己。

大家一定要问，我们去哪里找题做，又如何检验程序是否正确呢？这大可不必担心，现在已经有了很多网上做题的站点，这些站点提供了大量的题库并支持在线判卷，你只需要把程序源码提交上去，马上就可以知道自己的程序是否正确，运行所使用的时间以及消耗的内存等等状况。下面我给大家推荐几个站点，笔者不建议大家在所有这些站点上做题，选择一个就可以了，因为每个站点的题都有一定的难易比例，系统地做一套题库可以使你对各种难度、各种类型的题都有所认识。

1、Ural：

Ural是中国学生对俄罗斯的Ural州立大学的简称 ，那里设立了一个Ural Online Problem Set，并且支持Online Judge。Ural的不少题目算法性和趣闻性都很强，得到了国内广大学生的厚爱。根据“信息学初学者之家”网站的统计，Ural的题目类型大概呈如下的分布：

题型
搜索
动态规划
贪心
构造
图论
计算几何
纯数学问题
数据结构
其它

所占比例
约10%
约15%
约5%
约5%
约10%
约5%
约20%
约5%
约25%

这和实际比赛中的题型分布也是大体相当的。有兴趣的朋友可以去看看。

2、UVA：

UVA代表西班牙Valladolid大学(University de Valladolid)。该大学有一个那里设立了一个PROBLEM SET ARCHIVE with ONLINE JUDGE ，并且支持ONLINE JUDGE，形式和Ural大学的题库类似。不过和Ural不同的是，UVA题目多的多，而且比较杂，而且有些题目的测试数据比较刁钻。这使得刚到那里做题的朋友往往感觉到无所适从，要么难以找到合适的题目，要么Wrong Answer了很多次以后仍然不知道错在那里。 如果说做Ural题目主要是为了训练算法，那么UVA题目可以训练全方位的基本功和一些必要的编程素质。UVA和许多世界知名大学联合办有同步网上比赛，因此那里强人无数，不过你先要使自己具有听懂他们在说什么的素质：）

3、ZOJ：

ZOJ是浙江大学建立的ONLINE JUDGE，是中国大学建立的第一个同类站点，也是最好和人气最高的一个，笔者和许多班里的同学就是在这里练习。ZOJ虽然也定位为一个英文网站，但是这里的中国学生比较多，因此让人觉得很亲切。这里目前有500多道题目，难易分配适中，且涵盖了各大洲的题目类型并配有索引，除此之外，ZOJ的JUDGE系统是几个网站中表现得比较好的一个，很少出现Wrong Answer和Presentation error混淆的情况。这里每月也办有一次网上比赛，只要是注册的用户都可以参加。

说起中国的ONLINE JUDGE，去年才开始参加ACM竞赛的北京大学现在也建立了自己的提交系统；而我们学校也是去年开始参加比赛，现在也有可能推出自己的提交系统，如果能够做成，到时候大家就可以去上面做题了。同类网站的飞速发展标志着有越来越多的同学有兴趣进入信息学的领域探索，这是一件好事，同时也意味着更激烈的竞争。

看看那有没有帮助，我也是新手入门……

‘贰’ 常用的数据挖掘算法有哪几类

常用的数据挖掘算法分为以下几类：神经网络，遗传算法，回归算法，聚类分析算法，贝耶斯算法。

目前已经进入大数据的时代，所以数据挖掘和大数据分析的就业前景非常好，学好大数据分析和数据挖掘可以在各个领域中发挥自己的价值；同时，大数据分析并不是一蹴而就的事情，而是需要你日积月累的数据处理经验，不是会被轻易替代的。一家公司的各项工作，基本上都都用数据体现出来，一位高级的数据分析师职位通常是数据职能架构中领航者，拥有较高的分析和思辨能力，对于业务的理解到位，并且深度知晓公司的管理和商业行为，他可以负责一个子产品或模块级别的项目，带领团队来全面解决问题，把控手下数据分析师的工作质量。

想要了解更多有关数据挖掘算法的信息，可以了解一下CDA数据分析师的课程。课程教你学企业需要的敏捷算法建模能力，可以学到前沿且实用的技术，挖掘数据的魅力;教你用可落地、易操作的数据科学思维和技术模板构建出优秀模型，只教实用干货，以专精技术能力提升业务效果与效率。点击预约免费试听课。

‘叁’ 中国跳水队用3DAI技术训练，这是种什么样的技术

在奥运健儿争金夺银的背后，除了运动员的刻苦训练和教练员的悉心教导之外，还出现了很多高科技的训练设备和手段。中国跳水队在训练中采用了3D+AI技术，对动作、姿势等进行针对性的训练。有了高科技手段的助力，教练员就可以针对运动员的相关量化指标进行针对性的指导，训练结束后，运动员还可以使用这套系统像复习功课一样及时地总结经验、改进不足，这对于运动员赛前的备战和准备工作非常重要，毫无疑问，中国跳水梦之队的骄人战绩，来自队员的刻苦训练。为了备战东京奥运会，今年4月，中国跳水队还请来了一个"国家AI教练"。

简单来说，就是利用“3D+AI跳水训练系统”对跳水动作进行三维姿态计算，对运动员的训练状态进行量化评估，重建三维人体模型和跳水场馆，自动提取关键动作。

‘肆’ 普通人怎样成为一个领域的高手

互联网江湖里，有一个号称“没有围墙的互联网创新大学”——混沌大学。它的创始人叫李善友。

有人说混沌大学是个创业黑帮，有人却说它是个“传销”组织。李善友为混沌创业营广发英雄帖，是这么写的：

“基督教里，天堂是一道窄门。创业路上，成功是一道窄门。创业营是一个陪你找到窄门的地方，因为我们自己选择的，也是一道窄门。”

乍一看还有点唬人，其实和鲁迅的“世上本没有路，走的人多了便有了路”异曲同工。

阿婆在混沌大学听过李善友的“认知升级之第一性原理”，其中他提到了一个概念：刻意练习。

‘伍’ 需要掌握哪些大数据算法

数据挖掘领域的十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART。

1、C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法。
2、2、k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。
3、支持向量机，英文为Support Vector Machine，简称SV机（论文中一般简称SVM）。它是一种监督式学习的方法，它广泛的应用于统计分类以及回归分析中。
4、Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。
5、最大期望（EM）算法。在统计计算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然 估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）。
6、PageRank是Google算法的重要内容。2001年9月被授予美国专利，专利人是Google创始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。
7、Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器 (强分类器)。
8、K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。
9、Naive Bayes。在众多的分类模型中，应用最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBC）。
10、CART, Classification and Regression Trees。 在分类树下面有两个关键的思想。

关于大数据算法的相关问题推荐CDA数据分析师的相关课程，课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。要求学生具备从数据治理根源出发的思维，通过数字化工作方法来探查业务问题，通过近因分析、宏观根因分析等手段，再选择业务流程优化工具还是算法工具，而非“遇到问题调算法包”点击预约免费试听课。

‘陆’ 核心算法是什么它对机器人有多重要

机器人的算法大方向可以分为感知算法与控制算法，感知算法一般是环境感知、路径规划，而控制算法一般分为决策算法、运动控制算法。环境感知算法获取环境各种数据，通常指以机器人的视觉所见的图像识别等 。

虽然对于工业机器人来说，要想实现高速下稳定精确的运动轨迹，精密的配件必不可少，如电机，伺服系统，还有非常重要的减速机等等。但是这些都只是硬件的需求，仅仅只有好的硬件，没有相应的核心算法，也就是缺少了控制硬件的大脑，那么工业机器人使用再好的硬件，也只能完成一些精确度要求不高的简单工作，而且还容易出问题。而这就是中国机器人制造商面临的最大问题。

作为工业级产品，衡量机器人优劣主要有两个标准：稳定性和精确性。核心控制器是影响稳定性的关键部件，有着工业机器人“大脑”之称。而软件相当于语言，把“大脑”的想法传递出去。 要讲好这门“语言”，就需要底层核心算法。

好的算法，几千行就能让机器人稳定运行不出故障；差的算法，几万行也达不到人家的水准。不掌握核心算法，生产精度需求不高的产品还勉强可以，但倘若应用到航天航空、军工等高端领域，就只能依赖进口工业机器人了。

对于机器人来说，每一个动作都需要核心控制器、伺服驱动器和伺服电机协同动作，而现在的机器人通常拥用多个服务器，因此多台伺服系统更需要核心算法提前进行计算。只有通过底层算法，国外核心控制器才可以通过伺服系统的电流环直接操作电机，实现高动态多轴非线性条件下的精密控制，同时还能满足极短响应延时的需求。这也是为何如今在中国的机器人市场上，6轴以上的高端机器人几乎被国外的机器人公司垄断。

‘柒’ 数据挖掘的经典算法

1. C4.5：是机器学习算法中的一种分类决策树算法，其核心算法是ID3算法。
2. K-means算法：是一种聚类算法。
3.SVM：一种监督式学习的方法，广泛运用于统计分类以及回归分析中
4.Apriori ：是一种最有影响的挖掘布尔关联规则频繁项集的算法。
5.EM：最大期望值法。
6.pagerank：是google算法的重要内容。
7. Adaboost:是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把弱分类器集合起来，构成一个更强的最终分类器。
8.KNN:是一个理论上比较成熟的的方法，也是最简单的机器学习方法之一。
9.Naive Bayes：在众多分类方法中，应用最广泛的有决策树模型和朴素贝叶斯（Naive Bayes）
10.Cart：分类与回归树，在分类树下面有两个关键的思想，第一个是关于递归地划分自变量空间的想法，第二个是用验证数据进行减枝。
关联规则规则定义
在描述有关关联规则的一些细节之前，我们先来看一个有趣的故事： 尿布与啤酒的故事。
在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。但是这个奇怪的举措却使尿布和啤酒的销量双双增加了。这不是一个笑话，而是发生在美国沃尔玛连锁店超市的真实案例，并一直为商家所津津乐道。沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是：跟尿布一起购买最多的商品竟是啤酒！经过大量实际调查和分析，揭示了一个隐藏在尿布与啤酒背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。
按常规思维，尿布与啤酒风马牛不相及，若不是借助数据挖掘技术对大量交易数据进行挖掘分析，沃尔玛是不可能发现数据内在这一有价值的规律的。
数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。Agrawal等于1993年首先提出了挖掘顾客交易数据库中项集间的关联规则问题，以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。他们的工作包括对原有的算法进行优化，如引入随机采样、并行的思想等，以提高算法挖掘规则的效率；对关联规则的应用进行推广。关联规则挖掘在数据挖掘中是一个重要的课题，最近几年已被业界所广泛研究。

‘捌’ 做房地产销售的人，是不是只吃青春饭

地产行业的现状，就是案场销售很多时候都是靠天吃饭，“把行情当能力”。

市场行情非常好，傻子都卖得出去；但是行情不好，真正考验一个销售功力的时候，他们就无能为力。

现在的房地产无论是规划、设计，还是园林、管理、运营，相比国外的同行都已经做得非常好。但是如果这几个领域都可以打90分的话，销售只能打60分。

融创曾经做过统计，同一个售楼处，销冠比末位的销售均价高了3%。越是三四五线城市差距越大，有的相差4%、5%。主流的高周转的公司，每年的净利润也就是大概10%左右，同样的产品、同样的成本，蹩脚的销售一哆嗦就丢掉了净利润的30%，非常可怕。

从比较狭义的营销角度来讲，营的能力现在各家大公司都做得很好，包括网络营销、怎么做活动、怎么做渠道，大家都做到极致，哪怕派单都整理出精细化20招。唯独在案场销售这一块，我们的研究非常薄弱，这一块现在是整个房地产行业的短板。

地产销售为什么会成为整个行业的短板？怎么才能提升地产销售的水平呢？

着名营销专家、《房地产销售30讲》主理人陈利文，曾在明源地产创新研习社发表了一次演讲，揭开了所有秘密。下面是他的演讲内容……

01

地产销售的行业现状很不合理

地产销售成为整个行业的短板，我们看到很多不合理的现象……

1、销售是吃青春饭行业，做到30岁就成老油条，这不合理

卖房子在中国还是一个吃青春饭的行业，售楼处全部都是年轻人；而发达国家的同行，很多人一辈子都在做经纪人，我在国外见过白发苍苍的职业经纪人，非常专业，很难问得倒他。

中国房地产公司的销售队伍是售而优则仕，销售做得好，慢慢的就当官了，离地面越来越远，听不到一线炮火的声音。结果就是我们案场都是一群经验不是很充足、队伍不是很稳的销售员上阵。这些人员，要么是新兵蛋子，要么是老油条。

前者把握不住客户，后者把握过度，往往变成势利眼。每次调控，就是老油条大规模改行的开始。市场最不好的时候，往往没有经验的新兵比老油条要卖得好。为什么呢？很多老油条干了5年、10年，他觉得现在市场不好，我们这么高的价格卖不掉，固有的经验对他有很大的束缚。

老油条一般从业6年以上，掌握了大量的信息和熟练的小技巧，但他们实际上是待在自己的舒适区里做一个低水平的重复，再多练几年也不会有什么进步，而且还会缓慢退化。如果老售楼员无法击透自身的临界点，就干不过新人，只能草草退出。

2、许多销售做了很多年，背了许多案场的标准说辞，但连“卖点”是什么都不知道

我在顾问的过程中见到两个真实案例，深思背面的现象，可以说触目惊心。

一个是某市的一个中式别墅项目，严重滞销。他一户有两个车库，车库的开间是7米，进深是6米。而所有的标准车位2.3米宽，如果7米宽，就可以放两辆超大的车。超大车位是豪宅的一个重要标签，但他们对这个卖点视而不见。

一个是南方沿海某市的一个别墅项目，停车位配比达到1:2.3，每户至少有两个封闭车库。销售人员给客户介绍这个卖点，客户没有感觉。

卖点是什么？卖点是指商品具备了前所未有、别出心裁或与众不同的特色、特点，从而能引发销售者的购买欲望。从这个定义我们看到，卖点不是自说自话，卖点是一种比较“关系”，必须放在“关系”的框架内才可以理解。

销售人员知道了这个原理，如果告诉客户，全市一共在售16个别墅项目，唯有我们项目是两个封闭车库，其他的要么是地上开放停车位，要么是地下开放停车位，再好一些的也只有一个封闭车库，我们的停车私密性是最好的。这才是“卖点”的正确表达方式。

有些案场搞了洋洋洒洒几万字的说辞，要求销售背，一个个过销讲，但是有些销售新兵，说辞背得很溜，但是到了提问的环节直接露馅。客户问一些问题，一下就被问倒。

根据我的经验，很多的疑难杂症项目，都是销售这个环节出了问题。很多销售去到一个楼盘就背一个新的说辞，结果那么多年下来不一定水平高。我认为中国的销售以后也将会过渡到职业化，也就是这个行业我们可以做一辈子。当然，要做一辈子，我们就必须不断进步……

02

地产销售如何才能突破自我？

有本书叫《刻意练习》，这本书讨论了一个问题：职业化的高手是如何练成的。他提出一个观点：必须走出自己的舒适区，只有在学习区里持续地做自己做不好的事情，才可能取得进步。大脑分成三个区，最里面的区域叫舒适区，外面能力达不到的区域是恐慌区，在舒适区和恐慌区中间的是学习区。

普通的高尔夫爱好者打高尔夫纯粹是为了爱好，但是职业的高尔夫选手要在各种不舒适的地方打各种各样的球。我前面说的那些老油条销售，他可能干10年、20年，一直在他的舒适区，所以他是没有长进的。

一个人如果要想进步，你原来已经学会的东西你不要去重复练习，而是要做自己做不好的事情，这才叫做刻意练习。现在我们的销售环节就缺乏这样的刻意练习。

一块土地之所以能够升值，就是因为它产生的周边的生态环境造成了很多的复利，就是货币、劳动力和土地三个因素共同构成一个复利系统。

政府开始有钱去投入，比如投入立体交通，引进产业、建一个学校，建了学校之后又有很多的人口，有了人口税源又增多了，政府就有钱建基础设施，基础设施更好了，又会有更多的人过来，政府又会有更多的税源，这就是一个土地的复利系统，不停地循环……

综上所述，就像了解房子的本质一样。销售只有掌握了房子价值的核心算法模型之后，才能真正地知道关键的地方在哪里，才能用最简单的模式去说服客户。

04

地产销售以及进入4.0时代

● 1.0时代的销售员是一个接待员的角色，你愿意买就买，不买就不买。现在在三四线城市，很多销售还是1.0时代的角色。

● 2.0时代的销售是推销员，有一点小聪明，懂得一点小技巧，能锦上添花。

●3.0时代是真正的置业顾问，他担得起顾问这两个字，他有专业的高度，能用他很清晰的模式和概念给客户“洗脑”，因此具备价格承载力。

● 4.0时代的销售是职业经理人，他会尝到这个行业的甜头，把这个行业作为终生职业。

4.0时代的经纪人不但要会卖房子，能卖上价格，还要有自己的客户资源渠道，自己要去拓展客户资源。在美国买房，我们很难找到售楼处，你只能找你的经纪人，这个经纪人要用自己的办法去联系客户。

现在看到很多行业营与销的边界在逐渐的溶解，搞营的人也要有销的能力，搞销的人要有营的能力，自己要知道从哪些渠道找客户。在市场不好的时候，我认为4.0的观念很重要。

地产销售4.0时代，置业顾问想要不被淘汰，唯有学习提升自己这一条路！为了帮助大家快速进入4.0时代，明源地产研究院联合陈利文老师，精心打造了课程《房地产销售30讲》，已经有超过2300位

‘玖’ 人脸识别技术的核心算法是什么

人脸识别核心算法包括检测定位、建模、纹理变换、表情变换、模型统计训练、识别匹配等关键步骤，其中最关键的技术包括两部分：人脸检测（Face Detect）和人脸识别（Face Identification）。

检测技术核心称为：迭代动态局部特征分析(SDLFA)，它是以国际通用的局域特征分析（LFA）和动态局域特征分析（DLFA）为基础，并且针对现实业务场景进行了全面的算法增强及结果优化，识别技术核心称为：实时面部特征匹配（RFFM），其识别特征数据紧凑，特征算法准确高效，是国际国内独创性的识别技术。

‘拾’ 怎么计算自己的核心能力

为什么这么讲呢？专业终归一种手段，不是目的，归根结底是一种被前人总结的相对标准化或者是概念化的可操作的经验。它是基于我们过往的前辈，在解决问题的那个实际场景中来归纳下来的。

所以追本溯源，要先去找到要解决的问题，就是那个目标在哪里？有了目标以后，才有路径，才能让自己活成自己想要的样子然后才是根据目标来构建自己的核心能力，这个能力一定是跨专业的、多维度的，同时也是系统化的。

第二，我们来讲讲如何构筑核心能力的具体的练习方法。我把它总结为核心算法加刻意练习。那什么是核心算法呢？其实核心算法是一种习得模式，是一种闭环，它是一系列动作的连续指令，目的是将构建你核心的能力的事情串联起来。