做好PPT的5个方向

Treat your audience as king 听众是上帝

减少灌输，更多的给听众他需要的内容，使用更易懂的沟通模式。

Spread ideas and move people

较少平白的讲解，图片可以适当的活动，产品的弹出可以加一个突然的动作，以及一些动态的小视频。吸引听众对PPT的注意，需要动态的东西。

Help them see what you are saying

让大家看到你所说的

• 人的思维分为两种，思考者和观察者，让思考者去听和思考，让观察者去观察。所以需要在演讲和PPT两方面去做
• 使用最少的文字表达你的意思，尽量使用图，减少文字，过多的文字会让听众从你的语言上分心去阅读。
• 使用脑图更好的表达意思。让听众接受你的思维方式，让你和听众能够有一个一致的思维方式。
• 将文字改为图片、表格或者图形，更容易吸引人。

Pratcice design, not decoration

• 90% 以上的设计都是破坏性的
• 需要有一个主要要点。每次只显示一个观点，不要把所有的东西一次推给听众。 缩放图片，使其占满幻灯片。删掉不需要的东西

Cultivate healthy relationships 和幻灯片培养健康的关系

• 放手幻灯片，不要隐藏在幻灯片后面
• 打破对幻灯片的依赖，让你和听众做好准备
• 将文字尽量减到最少，只显示关键的字
• 然后不停的练习、练习、练习，思考如何和幻灯片的内容结合，最后可以直接面对观众去演讲。让你和观众有眼生的交流和互动

做好PPT的前期建议

在讲述之前，首先明确几个事情

• 你跟谁在沟通？——和你的受众保持共识
• 希望你的受众了解哪些内容或者做什么？ —— 明确希望受众如何反应，并考虑你的沟通方式以及调整基调
• 如何表达自己的观点？

了解你的对象

你的受众

你的受众越具体，你就越能成功地进行沟通。

一次性尝试与太多需求不同的人沟通，远没有与细分的一部分受众沟通高效。

你对受众了解得越多，就越能准确理解如何与之产生共鸣，如何在沟通中满足双方的需求。

你自己

思考你与受众的关系以及你期望他们如何看待你是非常有帮助的。

现场演讲的建议

• 写下每页幻灯片的重点。
• 大声讲给自己听。这有利于激活大脑半球，从而帮助你记住演讲的重点。这还能迫使你练好幻灯片之间的承接词，避免像其他人一样卡壳。
• 在朋友或同事面前做一次模拟演讲。

简洁的幻灯片用于现场演示（因为你会在现场详细地解释一切），详实的文档则留给受众自行消化。

三分钟故事

三分钟故事就是：如果你只有三分钟的时间把必要的信息告诉受众，你会讲什么？这是确保你对所要讲的故事理解得清晰透彻的好办法。 ——摆脱幻灯片的好办法

三要素：

1. 必须能陈述你独特的观点
2. 必须切中要害
3. 必须是一个完整的句子

故事版——思维导图

也可以参考这篇文章

首先什么是系统设计？

The process of defining the architecture, components, modules, interfaces, and data for a system to satisfy specified requirements.

系统设计有四大要素。 第一，是要满足一个需求即Requirements；第二，对内容进行一个定义；第三，从不同维度去考虑宏观的架构层、组件层、模块层；第四，也要考虑到互相间交流的接口和相关传递的数据。所以这些内容一起构成了整个系统设计。

系统设计有什么层次呢？ 从上向下是从概念层到逻辑层再到物理层，从清晰度来看，会从不清晰，到越来越清晰，到最清晰，角度则是从宏观到微观。换句话理解，如果系统设计时，我们从顶层向下做设计，那就是一个自上而下的方法；如果是自下层往顶层设计，就是一个自下而上的方法。在后文中我们分别称之为宏观设计与微观设计。我们以Netflix为例来讲这两个方法。

如何设计Netflix

现在我们通过设计Netflix，来具体了解什么是系统设计的SNAKE原则。

这是Netflix的官方网页，上面有各种用户信息、搜索功能、以及列出的各个频道：Netflix流行的电影（Popular on Netflix）、当前的趋势（Trending Now）、惊险刺激电影（Exciting Movies）、漫画动画（Goofy Comedies）等等。每个电影类目下面会有很多具体的电影，如果点击可以看到详细内容，相信大家十分熟悉。

宏观设计

Scenario（场景）：用例/接口

• 第一步：枚举在Netflix里面，到底有哪些场景

• 第二步：选出里面最重要的排序

  • 基本需求：播放电影

  • 获得频道

  • 获得频道内电影

  • 播放频道内电影

这是三个基本需求的排序。

Necessary（限制）：查看需求/假设

• 第一步：询问

• 第二步：预测

- 通过日活用户，计算平均并发用户

=日活用户/每日秒数*平均在线时长（假设为30min）

= 5,000,000 / (24 * 60 * 60) * (30 * 60)

= 104,167

• 高峰并发用户，通常是平均用户的2-10倍，这里假设为6倍

高峰并发用户 = 平均并发用户 * 6 = 625,000

• 假设未来3个月，Netflix用户涨2倍

- 3月后高峰并发用户 = 高峰并发用户 * 2 = 1,250,000

* *流量*

* - 单用户流量 = 3mbps（假设数据，满足看电影基本需求）

* - 3月后高峰流量 = 1,250,000 * 3 mbps = 3.75 Tb/s

* *内存*

- 单用户内存 = 10KB（假设用户数据不清空）

• 3月后高峰内存 = 5,000,000 * 2 * 10 KB= 100GB（当前日活用户500万，3个月后日活用户为2倍）

  • 硬盘

  • • 电影数=14,000份，每部电影=50G（假设数据，且每部电影需要存储不同清晰度版本）
  • • 总硬盘=电影数单电影空间=14,00050GB=700TB

Application（应用）：服务/算法

具体来看，我们有用户服务、频道服务和电影服务三种需求，在上面有一个接待员可以获得各种服务请求，接待员把所有服务接受完以后发送给后台的服务，就可以满足需求。

Kilobit（数据）

• 第一步：为每个请求添加服务模块

• 第二步：选择存储方式。对于用户数据用MySQL；频道数据用MongoDB；电影服务由于只是从文件出来，所以往往采取Movies的方式。

Evolve（进化）

• 第一步：分析

  • 三个方向

    • 更好：限制性条件，10个用户变为100个

    • 更广：场景，是否还有支付场景等

    • 更深：细节，是否用CDN，如何部署

  • 三个角度

    • 性能：单个点的计算能力如何，或某个算法的性能如何

    • 扩展：如果机器或者用户量翻倍怎么办

    • 鲁棒：发生各种危险，崩溃时服务器能不能处理

• 第二步：根据场景回溯并进化

以上是我们SNAKE五步原则在宏观设计中的应用。

微观设计

因为Netflix里推荐电影是最基本的一个需求，那我们就做一个具体的微观设计模块——推荐模块

如何设计推荐模块？
[image:31D5BBBD-90C1-46A7-83FF-770ECDF000DB-18349-00003D57A76D6211/46EF94A2-E9B2-4202-80F2-FCA3D3A6B0F1.png]

我们可以看到用户1和用户2重复喜欢的电影数有3个：m3、m5、m7。

我们的需求是：寻找一个用户的最相似用户。

Scenario（场景）

[image:380CD6F7-214C-4F59-BDAC-A58B8307980F-18349-00003D59219C3908/33B15465-DA6E-42B6-B1FF-E6C43C3CBFFF.png]

我们可以定义一个接口，定义之后直接找到我最相似的用户，输入一个用户ID，输出一个用户ID，接口就出来了。

Necessary（限制）

在微观设计里我们可以继续做预测，比如针对这个请求，它的QPS即每秒请求量是多少？
[image:CFBBE35B-6C6D-47B2-B0A9-5B28334709AC-18349-00003D5ABD820D5D/EAEC4D4C-2F47-4849-ACD7-EFEE87AC5101.png]

Algorithm（算法）&Kilobit（数据）

算法和数据在微观设计里往往可以放到一起。具体做时，不同的算法和不同的数据结构性能差异很大。

比如有3个用户u1，u2，u3，最简单的方法是两两比较。想算出与u1最相似的用户，就先把u1、u2比，发现相似度是1；u1、u3比，发现相似度是2。最终我们发现，这个算法的性能非常差，可能每一个计算都需要200毫秒，相当于每个计算节点只能计算5个QPS，而我们需要2000多QPS，明显无法达到。
[image:6506D45F-90F3-465D-8D5A-0BE95D72D5AC-18349-00003D5CE1C444B1/4AC1E2CF-B647-43CB-AFDD-8122AB3989B5.png]

Evolve（进化）

我们先看一下当前的架构：原始数据给推荐模块，推荐模块返回请求。
[image:B1DDDB7E-FBA0-4051-95CD-D4E4E35083BD-18349-00003D5E7BC647B2/D4119C6C-32B7-46BE-8719-286C8344BFFE.png]

因此我们需要从性能、扩展、鲁棒三个维度来进化。

1. 提升性能

怎么提升性能？提升单点的计算能力？

我们通过建立倒排索引，能够非常简单地优化算法的性能。比如现在把由用户建立改为由电影建立，即先计算出每个电影被哪些用户喜欢。比如m3被用户1、2、3喜欢。我们先找u1喜欢的电影，这里是m1、m3、m7，然后轮流遍历这些电影，每当这个电影还被其他用户喜欢，则相似度+1。于是我们就可以降低n的复杂度，计算所有的相似度。这样复杂度就从n的三次方降为了n的平方。所以性能大大提升，变成了每个20毫秒，能实现单机50QPS，但仍然无法达到需要的2000+QPS。
[image:52D38FB3-1AC2-41E4-B3C4-43C222EB23BF-18349-00003D615DC545A3/3C6C80AB-74BD-40A8-92A4-7581CB75C7A4.png]

这时的架构已经做了提升：通过加入一个准备器，将原始数据输入进来，并且创建索引返回给推荐器。
[image:BA00E10D-18EE-43EB-88F8-03A22DF3A0BB-18349-00003D6308699FB7/4986DC9F-D5BB-41F8-A6E0-031BE0709349.png]

2. 提升扩展性

之前有了一个简单的架构，能计算出所有索引，现在需要将推荐模块全部平行地放进来。现在不仅有一个推荐模块，还可以有好几个推荐模块，同时上面还有一个分配器，把整个推荐模块的请求分配给不同推荐器来进行计算。
[image:320CC916-AE69-43F0-9A53-E9341637317B-18349-00003D65221072D7/9BFD0854-7C09-4F51-82CF-3370785AD744.png]

那么问题是：需要多少个推荐器来满足2083QPS呢？

其实很简单，因为刚才单个推荐模块能满足50QPS，所以用2083除以50就可以得出答案，当然也可以多算几个来进行缓冲。

3. 提高鲁棒性

提高鲁棒性，防止服务器崩溃，需要怎么办呢？答案是做热备。

之前的数据有1个人管理，推荐器有一个模块在运行，上面是管理者在管理。

现在可以热备出另外一个数据集，把它们放一起；同时也热备出一个推荐模块放在一起。下图中每个橙色的虚框表示一个集群组合在一起。顶层可以用Apache接外部服务器顶住请求。还会有一些记录日志，比如Big Brother。它们中间通过一个消息分配者把消息分配出去。

如果要给系统进行升级，我们可以通过添加模块来轻松地实现。比如想加入一个Feed流，相当于新浪微博这样的架构，那只需要把这个模块添加到系统中。
[image:D0A434A5-4272-41AE-A3DF-42A409E16763-18349-00003D675BED419B/2AE5AFC8-6C0C-4FEF-9849-EF96568249A9.png]

上图可以看到，绿色的虚线表示它们之间进行消息传递；而绿色粗线表示它们之间有一个数据的快速通道，这样就不用所有消息都通过中间的消息传递者传输，避免影响效率。

总结：SNAKE原则

• Scenario（场景）

• Necessary（限制）

• Application（应用）

• Kilobit（数据）

• Evolve（进化）

通过项目的搭建，建立Solid的系统设计思维，真正了解系统设计中会遇到的问题，并亲手解决这些问题，提升50%你的学习效率。

欢迎了解BitTiger大数据工程师、全栈工程师、大数据工程师直通车

BitTiger直通车特色

三个月、三个工业级别大项目

全面提升编程实力与简历背景

硅谷一线IT公司导师、了解痛点的助教

全方位指导及答疑

修改简历、模拟面试、职业咨询

Career Service全程护航

独家面试题库精讲

上百小时基础及面试视频资源助

点击“阅读原文”查看BitTiger直通车

最方便的kindle使用姿势肯定是直接的Amazon上面购买然后直接下载，这种方式最快速，同时也最方便。但是有时候一些国外的书在amazon.cn上没有电子版的。这时可能需要一些互联网上的资源了。

网上的电子书

在网站上可以直接下载kindle可用的电子书，许多很早的电子书都提供了质量很好的电子版。

Kindle个人文档服务目前只能转换并发送以下类型的文档：

• Microsoft Word (.doc, .docx)
• RTF文件(.rtf)
• HTML(.htm, .html)
• TXT文件(.txt)
• Zip, x-zip压缩文件
• Mobi格式电子书
• JPEG (.jpg), GIF (.gif), Bitmap (.bmp) 和 PNG (.png) 格式的图片。
• Adobe PDF (.pdf)文档可维持原文件格式，发送至您的Kindle。
• Adobe PDF (.pdf)文档可转换为Kindle格式发送，目前处于试用阶段。

非支持格式的电子书

比如epub这种就是kindle不支持的电子书格式，为满足kindle的读取，我们同样可以将epub转成mobil格式的电子书来发布。

上篇文章简单的介绍了数据可视化的基础，将数据进行设计可视化后，可以让我们有一种全新的方式去认识数据，改变对数据的呈现和思考方式。那现在就让开始做一份数据的可视化表，一步步的来看下我们如何获取数据，以及如何进行可视化的展示。

在上章内容中，提到了关于【数据可视化迭代过程】的步骤，这也能看出整个过程包含的步骤，大致有：

1. 确定主题 - 2．数据获得 - 3.图表选择（表达）- 4图表绘制
   当然了我们也可以看到可视化是要一个不断迭代的过程，步骤之间都需要多次的迭代修改的。

确定主题

这肯定是第一步了，在做数据可视化的时候，首先你要明了你要做什么，想要从数据获中取什么信息，有了目标才能明确的往下做。

那我们这次还是来做关于空气质量PM2.5的数据展示，了解历年来PM2.5的实际情况和发展趋势。

数据获得

近日星巴克与微信推出的社交礼品功能“用星说”，可以说刷遍了朋友圈。无论你爱不爱喝咖啡，星巴克似乎都成为了一种文化象征。上班族青睐，小清新喜欢，基本上大家看到绿色的人鱼标志就能马上认出它来。

虽然一直也有喝咖啡的习惯，但至今不知道星巴克菜单版上列的【摩卡】、【拿铁】、【美式】、【卡布奇诺】等等有什么区别。直到看到下列图，才很直观的了解到每个咖啡类别的区别是什么。

类似上图示，针对内容复制，难以形象表达的信息，通过图形简单清晰地向受众呈现出来，这种图称之为 信息图 。

信息图

信息图本身是一个合成词，由信息和图两个词组成多称之为（Infographics或Infographics Graphics），在40年代的时候就开始出现，使用在报纸及新闻类杂志方面，其中杰出的代表阿根廷的信息图先驱 Alejandro Malofiej ，在1993年西班牙设立了以他为名的主要针对信息图表设计的Malofiej奖。

在报纸、杂志等纸质媒体中，为了让读者感到新奇且直观容易的理解，运用了大量的信息图解的表现。

如下图所示：

信息图早已融入我们的日常生活中，目的为了创造方便舒适的生活环境，使人们的生活变得更加更加安全舒适。

为什么人们会对信息图的传播内容更有效呢？主要原因是因为视觉是人类最强的信息输入方式，人类感知周围世界最强的方式，在 Brain Rules 《大脑法则》一书中，发展分子生物学家 John Medina 写道：“视觉是迄今我们最主要的感官，占用了我们大脑中一半的资源。”信息图提供了一种语境的方法（Language of Context），通过展示多个维度数值并且相互比较来为受众提供语境，使我们更高效的把内容反射到大脑中。

后来随着技术的发展，除了传统的纸质媒体出现了以互联网为主的电脑，电视，手机，大屏终端等更多类型的电子媒体。信息图的分类也逐步划分为：图解（Diagram） 、图表（Chart） 、 表格（Table） 、统计图（Graph） 、 地图（Map）和图形符号（Pictogram）这几部分。

图解Diagram – 主要运用插图对事物进行说明

图表 Chart - 运用图形、线条及插图等，阐明事物的相互关系

表格 Table – 根据特定信息标准进行区分，设置纵轴与横轴

统计图 Graph – 通过数值来表现变化趋势或进行比较

地图 Map – 描述在特定区域和空间里的位置关系

图形符号 Pictogram – 不使用文字，运用图画直接传达信息

在以纸质媒体为主的报刊杂志的传统行业中信息图是对实际 事物 的描述， 而在互联网行业中侧更多的是对 数据 的描述。将数据图形化的过程又称之为数据可视化。把数据，包括测量获得的数值、图像或是计算中涉及、产生的数字信息变为直观的、以图形图像信息表示的、随时间和空间变化的物理现象或物理量呈现出来。

我们来看一组简单的数据，比较下图形和数据对于人脑感观的差异。

这组数据包括I、II、III、IV，一共四组，每组有X和Y两个维度。数据很简单，但从数据上来看，你能说出这四组数据的区别吗？

从数据上很难看出有什么区别，因为每组数据看上去都十分的相近。下面我们把这四组数据转换成图表来进行对比下。

通过图表的比较，我们很容易就能找出这四组数据的区别了。I组数据呈现整体离散向上的趋势。II组数据呈现弧度上升，然后再下降的趋势。III组数据呈现线性上涨的趋势，但有一个点突出。IV组数据呈现Y坐标不变X上升的趋势，但有一点突出。

将数据图形化后，大脑天然的会对图形的不同点做出反应，从而更高效的理解数据带来的意义。

我们再来看下其他例子：

将当前QQ的在线人数，通过可视化的方式展示给用户。把数据置于视觉控件中，这样用户就能很直观的了解到QQ当前使用的人群分布在中国是怎么样的，那里的人群分布多，那里的人群少。

Eric Fischer 针对Twitter 发短消息的位置和Flickr 拍照片的位置为数据源做的名为“看图或说话”（SeeSomething or Say Something）的大数据可视化展示，通过简单但大量的数据，做出非常美的数据图展示。

这种用图形化对数据进行描述设计的过程，我们通常称为【数据可视化】。有时候，可视化的结果可能只是一个条形图表，但大多数的时候可视化的过程会很复杂的，因为数据本身可能会很复杂的。一般流程包括【数据收集】-【数据分析&清理】-【可视化设计】，从抽象的原始数据到可视化图像。

要做出好的【数据可视化】，拆分出来核心要先了解什么是【数据】

数据

数据是可视化的基础，它不仅仅是数字，要想把数据可视化，就必须知道它表达的是什么。根据 Ben Shneiderman 的分类，信息可视化的数据分为以下几类：

一维数据：X轴一个维度如果1、2、3、4 ···

二维数据：X，Y两个二维度（1、2），（3、4），（5、6），（7、8）···

三维数据：X，Y，Z三个维度（1、2、3），（4、5、6），（7、8、9） ···

多维数据：X，Y，Z，···多个维度（1、2、3、4、···），（5、6、7、8、···）

时态数据：具有数据属性的数据集合。

层次数据：具有等级或层次关系数据集合。

数据种类划分是十分多的，但是这些数据都描述了现实的世界中的一部分，是现实世界的一个快照。除了类型，数据的数量级也影响这数据的表达结果。

小数据量（小于100）展示一下静态结果，中数据量（1K~100K）呈现数据反映的事实，大数据量（大于1M+）用于研究分析，推测结果。

我们来看一个数据：【 2017年1月28号，成都PM2.5值245 】，从这个数据里能看出什么，可能只是会觉得当天成都空气质量不好，我们可能会联想到这个样一个画面。

好像就不能得出什么了。其实从单个小数据上来看，我们很难得到什么有价值的信息。

只能匹配出数据代表的当前的静态状态结果。所以要想发挥出数据可视化的作用，首先我们需要大量真实的数据，知道数据的来龙去脉，把它作为一个整体来理解，关注全貌对原始数据了解得越多，打造的基础就越坚实，也就越可能制作出令人信服的数据图表。