简析FedEx Kinko's与Adobe的合作

FedEx Kinko‘s(以下简称FKC)最近有一次很成功的战略行动。
Adobe links Acrobate, Reader to FedEx Kinko's Stores
Adobe以旗下的图像设计工具Photoshop和
Illustrator闻名,收购MacroMedia后,得到了Flash和Dreamwave。
以上这些只是它旗下的设计工具,除了这些,还有一个不可不提的东东就是Acrobate 和 Reader,也就是做和看PDF文档的东东。
PDF这个东东是个好东东:在保证清晰度的同时大大减小了文件的体积;由于转成了图形格式所以不会被读者随便纂改。
再加上PDF文档可以很便利的由office文件转成,所以,PDF文档在商务上的应用非常多,是主流商务文档类型,尤其在公司之间交互文件时。

这次的合作,Adobe在Acrobate和Reader上加了一个"Send to FedEx Kinko's"的按钮,客户可以在查看PDF文档的过程中,随时把文件发送给FKC,打印制作。
不过这项业务目前只在美国开通试行。

这种合作是典型的双赢合作,尤其对于FKC来说,其意义不言自明。

那么,除了Adobe,FKC还可以和谁合作?

我觉得合作目标可以按产品分成两类,第一类:商务文档;第二类:图像文件。

先说第一类:商务文档。
商务文档,还可以考虑和一些文档处理商、在线书商、博客服务提供商、在线文档存储商合作。
举例如:Office、Google document;Google books search;Wikipedia;Amason;Facebook;mySpace;Box.net和尚在研发中的Gdriver、Livedriver;以及很多很多小型的这类网络服务提供商。
对于列出名字的这几家,可以提供专项的合作方案;但其他多如牛毛的小公司怎么合作呢?
这是一个长尾,带来的总收益肯定也很可观。
用长尾的合作方法再合适不过了——开发一个widget,提供开放的API,让这些网站自行调用代码。

再说第二类:图像文件。
随着数码相机和手机拍照功能的普及,图像电子文件(说白了就是数码照片)越来越多。这部分的打印和制作需求很大。和电子文档一样,客户可能会用自己的文档打印机、照片打印机来打。但是,如果涉及装订等进一步的工艺时,就需要外发制作了。
这方面可以考虑的合作商有很多:照片处理工具提供商、在线照片储存商、在线图片应用商(比如一些个性化物品网站)、手机商。
举几个大的目标为例:Photoshop、Flickr、Google picasa、Zazzle(Ofoto肯定是做不进去了,它被柯达收购了)、iPhone。

合作是需要基础的,要想拓展好合作,KFC自身还需要做好两件事情。
第一,改进online printing的业务,提高稳定性和技术含量。
FKC本身有Online printing的业务,但是还不稳定,有很多Bug,而且做得很简单:上传文件、选择装订方式、输入配送信息、打印制作。这和FTP没有实质的区别。
需要建立很好的配套后台客户数据库、开发widget、丰富应用。

第二,改进图像输出设备,提高图像输出质量。
能输出高质量的文档文件不见得就能输出高质量的图像文件。
图像文件的输出对影像清晰度、色彩还原性、色彩饱和度等的要求远高于文档打印。
在这方面,数码冲印的方式比打印有优势。
不过,速度、个性化、便捷性等方面,冲印不如打印。
随着打印技术的日新月异,冲印的优势会逐渐被淡化。

总之,未来是数字化的,为数码文档提供的相关服务具有广阔的空间。
广开合作之门,与主流巨头公司和长尾小公司都开展合作,是快速渗透市场的重要举措。

类别: 事业态度  查看评论
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值