公告
周五BI飞起来，每周一个主题，一场跟数据有关的行业、工具、技术的交流盛宴，锁定在每周五晚20:30，不见不散！
本期Friday BI Fly微信直播主题：大数据挖掘：系统方法与实例分析
预告一下未来几期的微信直播活动分享主题将包括谈谈BI在生产企业的应用、看大数据职位学数据场技能、数据科学家应用 、SPSS数据挖掘、腾讯大数据分析与挖掘应用、R语言实战、数据挖掘经典案例赏析等，具体日期安排请关注天善智能问答社区活动版块https://www.hellobi.com/events
主持人：加入本群的同学们，感谢大家参加由天善智能举办的 Friday BI Fly 活动，每周五微信直播，每周一个话题敬请关注。
【群规】本群为商业智能和大数据行业、技术、工具的交流学习群。不准发广告，只能发红包，发广告者一律移除微信群。
本次微信直播讨论内容
1、R基础介绍
2、时间序列
3、量化策略建模
本期嘉宾介绍
张丹 前况客创始人兼CTO，10 年的IT编程背景，多项SUN及IBM技术认证，连续创业者。丰富的互联网应用开发架构经验，精通R ,Java, Nodejs 多种编程语言，掌握大数据处理，数据挖掘等核心技术，有统计和金融的知识积累。熟悉金融二级市场、交易规则和投研体系。多次在IT互联网技术大会中担任演讲嘉宾。著有《R的极客理想-工具篇》、《R的极客理想-高级开发篇》图书，自媒体平台http://blog.fens.me， Alexa全球排名80k。
直播内容
咖啡@天善智能:
大家好，我是微信直播活动的主持人咖啡，每周一个主题，一场跟数据有关的行业、工具、技术的交流盛宴。我们的口号是“Friday BI Fly 周五BI飞起来”。
本期讨论内容：
1、R基础介绍
2、时间序列
3、量化策略建模
咖啡@天善智能:
今天有幸请到了背景这么给力，并且在R方面已有两本著作的丹哥，给大家带来R语言方面的分享，重要的是丹哥还懂金融，还会给大家讲解量化策略建模，小伙伴们是不是眼睛都亮了！快有请丹哥吧！
张丹:
大家晚上好，感谢@咖啡的介绍，非常荣幸能够有机会与这么多数据挖掘爱好者或R语言的使用者一起交流，希望今天的交流能让大家有所收获。
今天主要给大家介绍，在量化投资中为什么要用R语言。
我是第一次进行微信直播，主要用文字的方式来进行介绍，由于不能分享屏幕，代码部分会通过图片截屏，或者直接去我的博客上看。
不知道大家之前是否都用过R做数据分析？是否用R做过量化交易模型？
用R做量化策略细节非常多的，并不是一次分享可以说完的，今天的介绍主要以思路为主，并不涉及到具体的建模过程。具体的问题，我们私下继续沟通。
本来我想的主题是“R语言，为量化而生”，标题名虽然有点大，但R语言真的很适合做量化策略。因为金融就是玩数据，R的最大的优势就是数据分析，所以用R来做量化投资的策略，是非常方便和顺手的。
张丹:
那么为什么是R语言？而不是其他的语言？ 先简单介绍一下，我们的个人经历。
我是一个程序员，从2004年开始接触Java写了10多年的Java程序，期间还尝试过多种编程语言，VB、PHP、Python、SAS、R、Nodejs，最后把自己锁定在R,Nodejs和Java。
谈不上对每一种语言都有很深的理解，但是每种语言的特点还是有点心得。
之所以，把自己锁定在R,Nodejs和Java这3种语言上面，有一部分情怀，更多的是理性。
从技术发展来看，编程开发变得越来越简单，10年前用JavaEE做一个简单的web项目至少要2人月，现在用Nodejs新人边学边搞只需10人天。
而且随着业务的多样化，单一的技术已经不足以支撑业务的发展，业务在从传统的软件业务向互联网和数据产品的方向在进化。根据不同语言的特点，都将在开发中占据一席之地，而很难在出现一种语言一统天下的情况。
R语言在数据分析领域发挥着重要的作用。
R语言的3个特性，数学计算，数据建模，可视化。
张丹:
R语言封装了各种基础学科的计算函数，我们在R语言编程的过程中只需要调用这些计算函数，就可以构建出面向不同领域、不同业务的、复杂的数学模型。
R的知识体系结构是复杂的，要想学好R，就必须把多学科的知识综合运用，所以最大的难点不在于语言本身，而在于使用者的知识基础和综合运用。
张丹:
图中我将R语言知识体系结构分为3个部分：IT技术 + 业务知识 + 基础学科。
IT技术：是计算时代必备的技术之一，R语言就是一种我们应该要掌握技术。
业务知识：是市场经验和法则，不管你在什么公司，都会有自己的产品、销售、市场等，你要了解你的公司产品有什么，客户是谁，怎么才能把产品卖给你的客户。
基础学科：是我们这十几年在学校学的理论知识，当初学的时候并不知道是为了什么，毕业后如果你还能掌握一些知识并实际运用，那么这将是你最有价值的竞争力。
关于R的知识体系，可以参考文章，R语言知识体系概览，http://blog.fens.me/r-overview/
对于金融量化投资来说，刚好是一个交叉学科，你需要懂IT技术，熟悉金融市场的规则，有数学建模的能力。R语言，正好可以帮我们来解决这样的问题，所以“R语言，为量化而生”！
对于做过数据分析的人来说，大家都了解，什么是最费时间的！！那就是数据处理的部分。
张丹:
第二部分，我们来介绍一下R语言的数据类型和数据处理的一些方法
当然，本文并没有介绍如何入门R语言。新手入门请参考文章， R的极客理想系列文章，http://blog.fens.me/series-r/
这里有50篇关于R语言的文章，供你学习。
张丹:
2.1R语言的基本数据类型
在R语言中，数据类型包括向量类型，字符串类型，数字类型，布尔类型，矩阵类型，数据框类型，list类型等，通常我们在使用R语言里做数据处理的时候，大部分都会以数据框(data.frame)类型为一个主要的数据内存类型来使用
数据框(data.frame)类型是R语言内置的一种数据类型，我们可以简单地把它理解为，与关系型数据库中表的结构是类似的，是一种二维的数据结构。
正是由于R语言内置了这样的数据类型，使我们从数据库读取数据或导入CSV格式的数据时，与R语言有了一个很好的映射关系，直接加载到R语言的内存中变成标准化数据格式。
张丹:
然后，就可以基于标准化的数据格式，用R语言的功能函数来处理数据了。
比如，对于做数据库开发的人员来说，他可以使用sqldf包，在R语言中通过SQL语句对数据进行数据变换。
同时，也可以按着数据框(data.frame)的标准方法进行数据处理，通过约定的 向量索引下标 的方式来按行按列来读取数据，
或使用功能函数处理数据。
张丹:
我们经常还会对数据进行转型处理，把数据框(data.frame)类型和其他数据类型的进行转化。
我们有时会使用矩阵计算，R语言中默认供了矩阵(matrix)数据类型，可以很方便地把数据框转类型成矩阵类型，有时也需要把数据框的某一行或某一列转型为一个向量类型数据，或者把数据框变成一个list类型。
过数据的格式变换，用标准化的数据结构来满足数据分析的要求。
虽然R语言是统计语言，从性能上来说比C++/Java等语言慢不少。
但对于数据分析的业务场景，用R语言来做数据处理的时候，你不用考虑程序如何架构，指针怎么定义，内存是否会泄露，只要关注你的数据和算法就行了。
张丹:
唯一需要注意的一点，不要直接用for循环的方式处理数据，尽量使用向量计算或矩阵计算的计算方法。
当必须用循环的时候，你就需要用apply家族函数，代替for循环来做数据处理。关于apply家族函数的用法，请参考文章掌握R语言中的apply函数族
如果你的数据量比较大，1GB，10GB，甚至有100GB，对于这种规模比较大的数据集，apply的计算方式就不太能满足计算性能的要求了。
你依然可以用data.table包, bigmemory包, ff包等，或者并行计算的包加速R语言在单机上的计算的性能。
data.table的使用方法，请参考文章超高性能数据处理包data.table， http://blog.fens.me/r-data-table/
张丹:
那么再大规模的数据，超过1TB这个量级，不只是R语言，每种语言都会遇到计算性能的瓶颈。这个时候，我们需要把数据放到分布式系统中，如Hadoop或其他大数据的引擎中进行存储和计算。
R语言与各种的大数据平台的通信接口都是通的，比如RHadoop，rhive, rhbase, rmongodb, rCassandra,SparkR, sparklyr等。
如果你想了解hadoop的知识，请参考文章Hadoop家族系列文章（http://blog.fens.me/series-hadoop-family/），RHadoop实践系列文章（http://blog.fens.me/series-rhadoop/）, R利剑NoSQL系列文章 之 Hive（http://blog.fens.me/nosql-r-hive/）。
张丹:
2.2时间序列类型
除了R语言的内置基础数据类型，对于金融的数据处理，一般我会把它变成标准的时间序列类型的数据，R语言中基本的时间序列的类型为 zoo 和 xts类型，当然还有一些其他包提供的数据类型。
张丹:
关于zoo和xts的详细介绍，请参考文章 R语言时间序列基础库zoo（http://blog.fens.me/r-zoo/），可扩展的时间序列xts（http://blog.fens.me/r-xts/）
通过类型变换可以很方便地把的data.frame或者matrix等基础类型数据，变成xts时间序列类型的数据。
时间序列类型的好处是它默认会以时间作为索引，对于量化策略来说，每条数据记录他都会有数据产生的时间，那这个时间就正好可以作为索引列的时间。
张丹:
data.frame和xts时间序列类型的转换的例子
那么以时间作为数据的索引列的好处是，可以很方便地把数据以时间维度进行对齐。
比如，你设计了一个股票交易策略和一个期货交易策略，由于股票是T+1交易，今天买了明天才能卖；而期货是T+0交易，今天买了马上就可以卖出。
根据不同的市场规则，在设计交易策略时，可能就会选择不同的交易周期，那么这时两个策略的交易周期就会不一样，那么时间维度可能也不是对齐的。
如果这两个策略是对冲的，那么我们就需要把它们以时间维度进行对齐，才能进行实现对策略模型对冲的准确计算。
把不同时间的维度的数据转化成同一个时间维度，相当于做时间的标准化。通过标准化的操作，让数据变成同一时间维度，数据之间才能够进行计算。
我们做股票交易，在实盘交易过程中，你可能最关心的是每秒最新的价格数据，每一秒都会产生一条数据，这是属于日内交易策略。
另外，我们再做一个周期稍微长一点的策略，以日线为基础的，那么这里一条记录就是一天收盘价。对比日内策略，1秒钟一条数据和1天一条数据，它们不同维度的数据，是不能直接进行计算。
我们要处理这种不同周期维度数据的时候，就需要把数据转成同一个维度的。
比如，我们对日线和周线的数据进行合并的时候，可以是把周线数据拆成日线数据，就是把一周分成五天。
反过来，也可以把日线数据合并为周线数据，把5天的数据合并成一周。
所以这个时候就需要一个统一的数据格式进行标准化的数据定义，zoo和xts就是我们作为时间序列基础数据类型。
这两个包是由第三方开发的，提供了很丰富的时间序列处理函数，我们可以直接使用这些函数来操作金融数据。很多其他的第三方金融算法分析包，也都是以这两个包作为基础开发。
张丹:
3.R语言和金融模型
当我们掌握了R语言处理数据的方法，了解了如何使用R语言的基础数据类型和时间序列数据类型，下面我们就可以构建金融的策略模型。
金融建模跟其他行业的数据建模是类似的，只是由于行业不一样，金融行业有很多背景知识和金融市场规则需要我们了解。
金融本身就是一个玩数据的行业，你可以通过获得交易数据，财务数据，上市公司的各种事件数据，基本面数据，宏观数据，舆情数据，互联网数据等，来构建你自己的交易策略。
我们需要把这些数据进行组合整理，结合你自己对业务的理解，使用R语言从数据中发现规律，并构建交易模型。
用程序对历史数据进行回测，来验证规律的可靠性，是否会长期有效，并控制风险，最后把验证过的规律变成算法模型，这个就是金融策略建模的过程。
从金融交易分析的角度，可以从3个维度进行分析 基本面分析，技术面分析和消息面分析。
基本面:指对宏观经济、行业和公司基本情况的分析，包括公司经营理念策略、公司报表等的分析。长线投资一般用基本面分析，通过基本面可以判断是否值去交易。
技术面:指通过技术指标变化，判断股票走势形态，进行K线组合等，通过技术面可以判断如何进行交易。
消息面:指上市公司发布的利好和利空的消息，通过消息面可以判断市场的情绪。
对于量化模型，大部分都是基于技术指标的模型，通过技术指标建模，跟踪市场的表现。在不完全了解金融业务和金融市场的情况下，通过几个技术指标来监控市场的走势，发现市场的机会也是有可能的。
量化交易和主观交易并不是对立的，量化交易是对主观交易的补充，当我们以数据作为决策基础的时候，其实可以尽量减少拍脑袋过程，创建数据模型也可以给我们心里建立良好的信心。
如果交易没有使用量化的方法，那就跟我们平时做事一样，你可能想到什么就是什么。
没有数据基础，那完全就是感觉，这样子交易就是很容易赔钱。
张丹:
对于中国的很多散户，听到一个消息就跟着风的买卖股票，或者凭自己感觉大盘该涨了就跟进去，这些操作其实都是很不理性的。如果你通过量化的方法，即使再简单，就靠几条均线来进行判断，这样也是能给自己一个数据的基础，建立信心，而不是完全拍脑子的事儿。
量化交易模型主要是以技术指标为主，常用的技术指标有不少，虽然简单但还是很有用的。
对于很多实盘上运行的量化策略，大都会基于这些基础的指标，但并不是每个指标单独使用。而是把多个指标通过变换组合使用，比如说MACD是均线模型，大部分的趋势策略，都以MACD做为基础指标，通过变换再生成新的衍生指标。
常用的技术指标还包括，KDJ、Boll、RSI、CCI等，当你直接使用这些指标的时候，可能效果并不是太好。因为市场上已经普遍接受了这些技术指标，已经被大量使用，单纯地用一个指标，你掌握的信息并不比别人多，所以你可能抓不到市场上赚钱的机会。
我们需要把多种技术指标或者多个维度的指标进行结合，通过组合优化的方式来降低策略的不确定风险，同时提高收益率。
如果你找到了一个只有你自己知道市场规律，你的策略产生的信号完全是跟别人有区别的，你才能抓住别人看不到的机会，这个才是你的赚钱机会。
建立量化模型，其实和我们平时做数据分析的思考方式是一样的。
你领先的越多，越少人知道这个规则，那你可能赚钱的机会就越多。
所以要把这件事做好，我们需要把IT技术，业务知识和基础学科知识做进一步的结合，当你发现这个结合是属于你自己特有一个知识体系，你才能更好的发挥你的才能。
张丹:
我们为什么要用R来做这件事情？
首先，R语言本身提供了很多数学、统计的基础包，让数学计算变得非常容易。R语言提供了常用的数据结构，向量、数据框、矩阵等，把数据变成标准化的数据，你的关注点只在数据上就可以了。
另外，R语言是免费开源的，很多的第三方开发者提供了丰富的数据挖掘包，让你可以方便的使用各种算法模型，短短几行代码，就可以搞定一个复杂的事情。
R语言，在金融领域提供了很多交易框架或者计算模型，如果你了解了金融的理论知识以后，同时有一定的金融市场经验，你可以很方便的利用这些别人提供的这些技术框架，来构建自己的交易模型。
CRAN上发布的金融项目，你可以去 R的官方网站 (https://cran.r-project.org/)，找到Task Views 菜单里的 Finance标签。
张丹:
通过调用第三方的程序包，自己的代码量就变的非常少。我们做一个R语言的策略，如果是很复杂的，你可能要写100-200行。
但是如果你要实现同样复杂的策略，放到C++/Java去实现，这个策略就是没有1000-2000行是不可能实现的。
虽然说R语言在性能上有些问题，但是我们会有多少的交易策略是基于高频的模型，对性能要求极高的呢？
其实很少。就算是高频交易策略，几秒钟交易一次，R语言都可能满足要求。
张丹:
海量金融数据我们怎么处理呢？
我们可以把基于海量数据的计算变成离线模型，金融行业每天都会产生大量的数据，像每日产生的交易数据，中国市场每天可能都是以GB的量来增长，跟互联网比起来不是很快，但对于你程序加载10年的数据，至少也要GB或TB的一个量级。
R语言本身真的很难处理这种量级的数据，但是这种量级数据对于其他语言来说同样是很难处理的。我们并不需要把这种体量的数据，都加载到内存中，进行实时数据计算。
张丹:
变成离线的计算模型，仅用于建模回测。把海量数据能变成离线的方式，放到hadoop或spark计算，用海量数据进行模型的训练。
我们用到的实时数据，一般就是一天或几天的数据，不会很大。每天从开盘到收盘可能也就1-2GB，对于这个大小，我们完全有能力放到内存中，进行各种各样的计算。
R语言可以很好的满足数据计算，建模，分析等的所有技术的部分。利用你的擅长，找到市场的机会，然后去实盘交易赚到钱，我们就完成了整个的交易过程。
本次分享并没有介绍，如何用R语言真正的去实现一个交易策略，你感兴趣通过下面的列表找到对应的文章。
张丹:
二条均线打天下（http://blog.fens.me/finance-stock-ma/）
均值回归，逆市中的投资机会（http://blog.fens.me/finance-mean-reversion/）
R语言构建追涨杀跌量化交易模型（http://blog.fens.me/finance-chase-sell/）
R语言构建配对交易量化模型（http://blog.fens.me/finance-pairs-trading/）
张丹:
2015年我在创业，希望能推动R语言在金融量化领域的发展，但是由于种种原因项目没有持续发展。接下来，我还会以个人的方式继续努力，继续推动R在金融领域的发展。
R对我们的影响和改变是非常大的，我认识R是非常好的一门语言，我会把推动R的发展，当成一项事业来做。希望也能和各位业界朋友，一起努力，把这份事业做下去。
谢谢大家
咖啡@天善智能:
好的，感谢丹哥给我们带来的精彩分享，“R语言，为量化而生”！老师给大家讲解了如何用R语言实现量化策略建模，大家理解了吗，赚钱的机会来了，回去快实践下吧！丹哥的社区专栏：https://ask.hellobi.com/blog/fensme以后也会继续更新更多文章的。现在有什么问题赶紧跟丹哥提，现场解决疑问的时间到了！
自由讨论
1、替新手问一个，请教一下，R语言的数据分析应该从哪方面入手练习啊？因为目前工作上不是用R的，看完书之后想具体去试一下。
张丹： R其实上手很快，找一本书，认真操作练习一遍就上手了。
2、玉琴:不建议用for loop的原因是考虑到性能问题吗
张丹:for loop是调用的R的循环库，apply是调用C的循环库，性能差距还是很大的
3、来自20群的提问：提个问题，微软对R的收购会对R语言的发展产生什么影响？
张丹:我觉得这是正向发展的，是好事情。大公司看到了R的潜力！
4、尚林栋:R语言金融建模的具体步骤能说一下吗
金融建模的具体步骤，你可以参考这篇文章，http://blog.fens.me/finance-stock-ma/
5、刘嘉丰Alan:丹哥，现在有很多量化平台，提供打包好的函数，在线回测，和自己造轮子拿R语言相比，您觉得各有什么优势呢？
张丹:R的优势，就是在数学计算，数据处理上。但另外，我们从开发或使用的角度，更多的用到的R包，都是rstudio公司的产品，我觉得是rstudio在推动R的整个的进化过程。
6、我也觉得r语言不错，但经常想不到商业场景，到现在，我只是用它统计考勤，各种绩效kpi，每月算一次奖金，已经这样过去2年了，r语言，路在何方哪？
张丹: 你所说的统计，只能说简单计数。比如，你要预测下个月的考勤情况，从而设计预算。你可能就需要做个，回归分析，这时R就能给你很大的帮助了。
7、Allen:r在拟合上感觉比python用起来更爽一些，其返回的结果较多
张丹:那么R和python比，R更面向数据，特别是对于没有编程基础的人。PYTHON，还是程序语言，还要了解程序结构，程序架构，代码量不会少。
有IT背景程序员，可能更倾向于PYTHON；如果没有IT背景，R更容易上手。
8、越中女儿:请教一个问题：quantmod对美股的实时接口很好用，对A股不支持，且A股基本面数据才更新到2013.09，请问有好用的ETL包么，类似于python的tushare那样对A股友好的，各种etl啊清洗的脏活累活感觉python更好啊，R就是安安静静做做统计，玩玩图形。
张丹:
quantmod使用的是yahoo等国外的数据源，这些数据源本身没有A股数据，如果需要A股数据，用tushare还是不错的。 R特有的data.frame,matrix 等类型和操作方法，在python也需要单独去实现。
9、柠檬味的香草:最近想研究一些互联网文本数据与指数或各股走势的关系，但是在使用R语言处理文本数据不是很方便，丹哥可有一些强大的library推荐，对于非结构，文本数据的处理。
张丹:
“尽量使用向量计算或矩阵计算的计算方法"，可以这样理解，对于一个二维结构，for需要2次，0(N^2)的时间复杂度。如果我们把数据，直接就按矩阵存储， 你让矩阵里的每个点都加1， 只需要算一次。Hadley提供的包，源代码我都看过，写很棒，也很实用。
r在拟合上感觉比python用起来更爽一些，其返回的结果较多
其实R有很多的第三方的包，已经有了大量的算法包，而其他语言相对较少。只是我们平时接触的不多，所以觉得用不到。R有大量的统计包，你可以从官方网站找到，输出的结果，大部分也都是统计的结果。
R所支持的行业领域，非常广泛。而工程的语言，不会做细粒度的区分，只是通用的解决方法。
10、郑州—金融数据：python有pandas.DataFrame，pandas应该是第三方的数据库结构吧？R的data.frame是内置的。
张丹:
pandas.DataFrame，在底层处理，还需要对原PYTHON的数据结构做映射。当然他可以解决的很好，但你看到的内存结构，可能并不是真正的内存结构。
R内置数据类型，就可以理解是内存结构。不需要再考虑转换了。找一个自己熟悉的语言，大多数的功能，每种语言都是能实现。只有很细的领域，才会进一步区分。
11、RHaoop采用分布式并行计算，那请问如何解决需要嵌套循环的算法。
张丹:对于基于hadoop大数据的MR计算，建议做数学变成，通过数学的角度处理。我写过2个例子，一个是pagerank, 一个是itemcf。
12、@柠檬味的香草：想听听丹哥对传统数据挖掘转量化投资的建议。比如前景？竞争力？
张丹:量化投资，其实是IT人都想转的行业。你写的代码，不是通过工资来赚钱，而直接通过交易赚钱。代码的效用是最大化的。这个行业竞争很大，聪明人都在这里，要么你的技术牛，要么你了解市场，要么的算法是独特的，不然也很难。
JhT:
做量化交易和策略的都是高智商的
越中女儿:
我觉得量化对金融市场的理解比对技术本身更重要，R的需求，应该会很快凸显出来。因为数据基础都有了，后面就是差会分析的人了。通常懂数据分析的程序员，比纯程序员待遇高。
13、老师，有好的spark或者hadoop入门的书吗，计算机能力弱和java不懂啊
张丹:hadoop有很多书了，我当初看的是 权威指南。
14、@Mia.W 学RHadoop需要对Hadoop或Mapreduce了解到什么程度，需要从头学hadoop或java吗
张丹:hadoop的MR的原理要了解，找到懂JAVA的同事，帮你把环境搭好。
15、@JhT 我是刚进来的，R的优势是什么？
张丹:R是免费开源的，有6000多个包，遍布各行各业。R语言的3个特性，数学计算，数据建模，可视化。
16、@郑州—金融数据个人感觉商业上matlab比R和python支持度都要好，不管是分析，统计，挖掘还是量化方便，收费的毕竟是收费的
张丹:有商业推动，当然要比，免费的好了。不如，matlab也要打通和R的接口，毕竟开源包，比一家公司提供的包，要多很多的。
17、@越中女儿 有用R做过实盘风控么
张丹:有做，其实不太复杂。你把需要的实时数据，都同步存到redis中，用R在秒级调reids取数据，计算完成再写回去。
18、@Jason.k计算机8g内存，数据虽然行数不多，但是很多列，所以数据csv格式大小会高达几个G，这个规模数据量，内存应该是不够的。
张丹:R的机制，会把数据一次性加载到内存中。就算能读到内存，每次计算时，也会有中间变量，所以你的基础内存是不够的。而且对于win性能会更差。
下期预告：
2016年07月08日晚8点半微信直播交流大数据职位，数据场技能交流会第23场https://www.hellobi.com/event/69
今天的微信直播活动到这里就结束了，喜欢天善智能的朋友们请继续关注我们，每周五晚8:30，我们不见不散哦！
每周 Friday BI Fly 微信直播参加方式，加个人微信：fridaybifly，并发送微信：公司+行业+姓名，即可参加天善智能微信直播活动。
