产品的算法是什么

㈠ 产品开票怎么算法

买进8个税点，那么买进38400的进项是430.08（38400*0.14*0.08）
那么货款8448元-税点430.08元=8017.92元再减去-5376元→没有进项的成本=2641.92元。

两种方法计算，殊路同归，结果一样。问题在于你的进项没算对。

㈡ 产品成本怎么算

产品成本算法：通过设置“生产成本”明细账户核算，按生产的产品所需进行计算。

直接材料、直接工资、动力（电费）、燃料（煤、柴油）、机物料消耗、低值易耗品等等。按实际使用记账，月底合计就是当月生产成本。有的企业还有直接成本外的记“制造费用”。

生产成本主要包括：

1、直接材料。本月生产线领用的原材料金额全部计入该科目

2、直接人工。本月给直接产线工人发放的工资、福利、五险一金等薪酬支出全部计入该科目

3、制造费用。与生产有关的所有费用，无法直接归集到哪种产品上的，都先计入制造费用，月末将所有制造费用结转到“生产成本——制造费用”科目。

(2)产品的算法是什么扩展阅读

根据不同的企业，其生产过程有不同的特点，其成本管理的要求，对成本计算的具体方法带来了的影响。也就是说，只有根据企业生产的特点和成本管理的不同要求，选择不同的成本计算方法，才能正确地计算产品成本。

为了反映费用的发生及按用途分类的情况，需要作一笔会计分录，即：

借：有关成本费用账户

贷：有关资产负债账户

㈢ 产品产值的产品产值内容及计算方法

工业总产值包括本期生产成品价值、对外加工费收入，在制品半成品期末期初差额价值三部分。
1、本期生产成品价值：是指企业本期生产，并在报告期内不再进行加工，经检验、包装入库的全部工业成品（半成品）价值合计，包括企业生产的自制设备及提供给本企业在建工程、其他非工业部门和生活福利部门等单位使用的成品价值。本期生产成品价值按自备原材料生产的产品的数量乘以本期不含增值税（销项税额）的产品实际销售平均单价计算；会计核算中按成本价格转帐的自制设备和自产自用的成品，按成本价格计算生产成品价值。生产成品价值中不包括用定货者来料加工的成品（半成品）价值。
2、对外加工费收入：是指企业在报告期内完成的对外承接的工业品加工（包括用定货者来料加工产品）的加工费收入和对外工业修理作业所取得的加工费收入。对外加工费收入按不含增值税（销项税额）的价格计算，可根据会计“产品销售收入”科目的有关资料取得。
对于本企业对内非工业部门提供的加工修理、设备安装的劳务收入，如果企业会计核算基础比较好，能取得这部分资料，而且这部分价值所占比重较大，应包括在对外加工费收入中。
3、自制半成品在制品期末期初差额价值：是指企业报告期自制半成品、在制品期末减期初的差额价值，本指标一般可从会计核算资料中取得。如果会计产品成本核算中不计算半成品、在制品的成本，则总产值中也不包括这部分价值，反之则包括。
是以货币形式表现的工业企业在报告期内生产的工业产品和提供工业性劳务活动的总价值量。

㈣ 产品经理需要了解的几种常见算法

在产品算法化的时代，不了解算法，恐怕难以做好一款产品的设计。无论是信息流的推送还是搜索结果的展示，算法深刻塑造了用户体验。因此，了解算法，是作为PM的一项基础功课。本文总结了常见的一些算法知识，很多来自我对网路大神们的分享进行的梳理，大家一起补补课。由于文章内容较长，因此会分很多天更新完，下面进入正题。

一、热度算法。

假如现在我们要给一款新闻应用设计内容的分发机制，请问怎样分发新闻内容更为合理呢？在考虑算法时，我们首先想到有几个约束条件：

①不同新闻的重要性并不相同。

②用户参与的各种行为会助推或拉低新闻热度。

③新闻有时效性，热度随时间衰减。

④不同的人，新闻喜好是不同的。

前3个问题，我们首先解决。

1.1初始热度分S0

问题1的解决方案很简单，给不同类型的新闻赋予不同的初始值S0。比如，娱乐类新闻往往比文化类的新闻的热度更高，大家更爱看，因此初始值更大一点。

上图中，0.6、0.8、1.2、1.5就是不同类别新闻的初始权重。

上述初始值的设定还有一条补充，就是当天的重大头条新闻，我们希望入库时热度就很高。比如马保国老师打拳居然赢了迪迦奥特曼。为了让新闻媒体刚发出来就有很高的热度。我们需要提前准备一个 热词库 ，每天抓取各类头部门户网站或社交网站上的新闻热词。一旦平台上有用户发布的新闻命中了当天的热词，如：“马保国”、“奥特曼”、“迪迦”，我们就给这个用户的内容赋予较高的初始热度。

1.2用户交互热度分S(Users)

问题2的解决方案，是把表征用户喜好的各种行为拎出来。比如浏览、评论、点赞、喜欢、收藏、分享、转发、点踩、举报、截图等等。行为越多，颗粒越细。

比如我们只取几个指标：浏览（1分）、点赞（3分）、评论（5分）、分享（10分）

一个用户如果在某条新闻上都命中了上述行为，那么这条新闻可以获得的该用户S(Users)为：18分。

但是，这种计算方法还有一个问题要解决，那就是用户规模的问题。刚发出去的新闻，肯定看得人少，我们希望可以强化用户行为分，让用户的一个点赞和评价可以很强地助推该条新闻热度。但是随着阅读的人越来越多，我们希望可以弱化用户行为分。因此，需要针对用户规模，强化或者弱化用户的行为权重。用什么数学工具去解决这一问题？留给你思考。

1.3时间衰减热度分

问题3的解决方案需要用到一个工具。我们希望新闻的热度是随着时间而递减的，这样大家随时看到的都是新闻而不是旧闻了。如何来度量这种随时间递减的热度呢？

想象一下，房间里放了一杯热咖啡，这杯咖啡会随着温度慢慢衰减，直到与房间室温持平。新闻的热度就像房间里的热咖啡，随着时间而慢慢降温。因此，这里的工具就是牛顿冷却定律。

牛顿冷却定律 是由英国物理学家艾萨克·牛顿爵士（1642-1727）所提出的一个经验性的关系。是指物体所损失的热的速率与物体和其周围环境间的温度差是成比例的。当物体表面与周围存在温度差时，单位时间从单位面积散失的热量与温度差成正比，比例系数称为热传递系数。

数学公式为：

公式变换之后，变成下面更容易理解的公式：

其中，T0：初始温度、T(t)：物体当前的温度、to：初始时刻、t：某个时刻、H：周围的温度、α： 冷却系数。

将公式里的温度T换成热度，就可以用来衡量新闻的热度衰减了。这里面最核心的是冷却系数α，α在控制不同类型内容的衰减程度。有些内容的更替速度快，我们设置的冷却系数可以大一些，有些更替速度慢，我们可以控制得小一些。

具体计算冷却系数，可以这样操作。假设我们认为初始热度分为100，24小时后，热度分为1，那么就有：1=100*e^(-24α)，得到α=0.192。从这里可以看到，当我们希望一条内容，用时多久，可以冷却到何种程度时，即可确定α值。需要注意的是，此处计算我们设定的t-to的差值，是按小时为单位来计算的，而不是按照分钟或者秒。

找到了衡量新闻热度衰减的办法，如何用在整体的新闻热度分呢？

开头部分用了这个公式来大概描述我们希望达成的效果： 新闻热度分 = 初始热度分 + 用户交互产生的热度分 – 随时间衰减的热度分， Score = S0 + S(Users) – S(Time)。

看了上面的牛顿冷却定律后，该公式可以演化为Score =（S0 + S(Users)）/(e^α*(t-t0))

如果只是解决了前3个问题，即：初始热度分、用户行为助推热度分、热度分衰减，那么大家看到的新闻都是一样的，以前的网易新闻、腾讯新闻不就是这样么？现在我们想给不同的人推荐不同的新闻，怎么办？这便是今日头条解决的问题了。需要用到个性化推荐了。

个性化推荐一般有两种方法，方法1是根据内容相识度推荐。比如你喜欢看科比的新闻，那么我推荐欧文的似乎也不错。方法2是根据用户品味相识度推荐。比如你喜欢科比，另一个人也喜欢科比，那么我可以推荐另一个喜欢的新闻给到你。下来来说一说如何采取这两种办法来推荐。

二、基于内容推荐

按照方法1，我们是需要计算出两篇新闻的相似度。那么两篇新闻的关系要怎么计算呢？

首先呢，第一步我们需要对新闻进行分词。比如这样一个句子：科比是世界上最优秀的篮球运动员，詹姆斯也是。这句话我们分词后便得到了如下词组：科比、世界、优秀、篮球运动员、詹姆斯、是、也、上。

从这个词组可以看出，“是”、“也”、“上”这类词并没有太多含义，需要去掉，留下的词才有意义。因此，我们分词的时候，需要用到两个词库，正常词库和停用词库。停用词库的内容就是上述去掉的那类词，而正常词库就是我们拆解内容的标准。一篇新闻就是按照正常词库拆成一个个单独的词&词组的。

那么这里有个问题，就是分词到底是怎么分的。一般分词的方法有很多种，正向匹配拆分，逆向匹配拆分，最少切分。

正向匹配法是从左向右扫描寻找词的最大匹配。一般会先规定一个词的最大长度，每次扫描的时候寻找当前开始的这个长度的词来和字典中的词匹配，如果没有找到，就缩短长度继续寻找，直到找到或者成为单字。

举个例子。我们拟分词的长句为：科比见过凌晨四点的天空。

我们词典是这样的：{科比、见过、凌晨四点、天空}

那么正向匹配法是怎么运行的呢？

首先我们设定最大词长为4。我们从左到右，先试试4个字符"科比见过"，来跟我们词典匹配，发现没有匹配到的。那就缩短字符，试一试“科比见”，发现还是没有。继续缩短字符，试一试“科比”，词组中出现了！

好了，我们分出了第一个词，把这个词从原句中踢掉，那么原句现在变为：见过凌晨四点的天空。

继续按照原方法分词。先试试最左侧的4个字符“见过凌晨”，来跟词典匹配，找不到匹配的词。继续缩短字符“见过凌”，来跟词典匹配，还是匹配不到，那么继续缩短。

依次按照上述方法，这样长句就会被分成一个个词组了。这就是正向匹配法。

逆向匹配法是从右至左，分词规则跟正向匹配法差不多，就不赘叙了。

最少切分法是依据最少切分原则，从几种分词算法切分结果中取切分词数最少一种的。比如，从正向最大匹配和逆向最大匹配两者中选择词数较少的方案，当词数相同时，采取某种策略，选择其中一个。

㈤ 代表产品法换算回以具体产品表示的能力怎么算

代表产品法换算回以具体产品表示的能力算法如下。
1、计算以代表产品表示的设备组生产能力M（代表产品）。t为代表产品的台时定额。
2、将各种产品计划产量换算成以代表产品表示的总产量Q。
3、计算具体产品的生产能力即可。

㈥ 请问商品产值是什么意思怎么计算谢谢！

(2）工业商品产值。工业商品产值是工业企业在一定时期内生产的预定发售到企业外的工业产品的总价值，是企业可以获得到的货币收入。利用商品产值和企业的销售实际收入比较，可以体现出企业生产与市场需求的吻合程度。显然两者差距越少，说明生产越符合市场需求。商品产值包括：企业利用自备材料生产成品价值；利用订货者的来料生产成品的加工价值；完成承接的外单位的工业性作业的价值等。销售总额十分重要，企业应高度重视。

㈦ 推荐系统产品和算法概述丨产品杂谈系列

本文主要是对最近所学的推荐系统的总结，将会简单概述非个性化范式、群组个性化范式、完全个性化范式、标的物关联标的物范式、笛卡尔积范式等5种常用的推荐范式的设计思路。

许多产品的推荐算法都依赖于三类数据：标的物相关的描述信息（如推荐鞋子，则包括鞋子的版型、适用对象、材质等信息、用户画像数据（指的是用户相关数据，如性别、年龄、收入等）、用户行为数据（例如用户在淘宝上的浏览、收藏、购买等）。这三类数据是推荐模型的主要组成部分，除此之外一些人工标注的数据（例如为商品人工打上标签）、第三方数据也能够用于补充上述的三类数据。

服务端在有以上数据的基础上，就可以从三个维度进行推荐：

根据个性化推荐的颗粒度，我们可以将基于用户维度的推荐分为非个性化推荐、群组个性化推荐及完全个性化推荐三种类型。

非个性化推荐指的是每个用户看到的推荐内容都是一样的 在互联网产品中，我们最常见的非个性化推荐的例子是各种排行榜，如下图是酷狗音乐的排行榜推荐，通过各个维度计算各类榜单，不管是谁看到这个榜单，上面的排序和内容都是一致的。

群组个性化推荐指的是将具有相同特征的用户聚合成一组，同一组用户在某些方面具备相似性，系统将为这一组用户推荐一样的内容 。这种推荐方式是很多产品进行用户精细化运营时会采用的方式，通过用户画像系统圈定一批批用户，并对这批用户做统一的运营。例如音乐软件的推荐播放，若以摇滚乐为基准将一批用户聚合成组，则为这些用户提供的每日推荐歌单是相同的内容和顺序，但与另一组爱听民谣的用户相比，两组用户看到的每日推荐内容将是不同的。

完全个性化指的是为每个用户推荐的内容都不一样，是根据每一位用户的行为及兴趣来为用户做推荐，是当今互联网产品中最常用的一种推荐方式 。大多数情况下我们所说的推荐就是指这种形式的推荐，例如淘宝首页的“猜你喜欢”就是一个完全个性化的推荐，千人千面，每个人看到的推荐尚品都不一样。

完全个性化可以只基于用户行为进行推荐，在构建推荐算法时只考虑到用户个人的特征和行为 ，不需要考虑其他用户，这也是最常见的内容推荐方式。除此之外， 还可以基于群组行为进行完全个性化推荐，除了利用用户自身的行为外，还依赖于其他用户的行为构建推荐算法模型 。例如，用户属性和行为相似的一群用户，其中90%的用户买了A商品后也买了B商品，则当剩下的10%用户单独购买B商品时，我们可以为该用户推荐商品A。

基于群组行为进行的完全个性化推荐可以认为是全体用户的协同进化，常见的协同过滤、基于模型的推荐等都属于这类推荐形式。

基于标的物的推荐指的是用户在访问标的物详情页或者退出标的物详情页时，可以根据标的物的描述信息为用户推荐一批相似的或者相关的标的物，对应的是最开始提到的“标的物关联标的物范式” 。如下图酷狗的相似歌曲推荐，

除了音乐产品外，视频网站、电商、短视频等APP都大量使用基于标的物维度的推荐。如下图便是YouTube基于标的物关联标的物的推荐。在YouTube上我观看一个周杰伦的音乐视频时，YouTube在该页面下方为我推荐更多与周杰伦有关的视频。

基于用户和标的物交叉维度的推荐指的是将用户维度和标的物维度结合起来，不同用户访问同一标的物的详情页时看到的推荐内容也不一样，对应的是开头提到的笛卡尔积推荐范式。 拿酷狗音乐对相似歌曲的推荐来举例，如果该推荐采用的是用户和标的物交叉维度的推荐的话，不同用户看到的“没有理想的人不伤心”这首歌曲，下面的相似歌曲是不一样的。拿淘宝举例的话，一样是搜索“裤子”这一关键词，不同的人搜索得到的搜索结果和排序是不同的，可能用户A搜索出来优先展示的是牛仔裤，而用户B优先展示的是休闲裤，淘宝将结合搜索关键词与用户个人的历史行为特征展示对应的搜索结果和排序。

对于基于笛卡尔积推荐范式设计的推荐系统来说，由于每个用户在每个标的物上的推荐列表都不一样，我们是没办法是先将所有组合计算出来并储存（组合过多，数量是非常巨大的），因此对于系统来说，能否在用户请求的过程中快速地为用户计算个性化推荐的标的物列表将会是一个比较大的挑战，对于整个推荐系统的架构也有更高的要求，因此在实际应用中，该种推荐方式用的比较少。

非个性化范式指的是为所有用户推荐一样的标的物列表，常见的各种榜单就是基于此类推荐规则，如电商APP中的新品榜、畅销榜等。排行榜就是基于某个规则来对标的物进行排序，将排序后的部分标的物推荐给用户。例如新品榜是按照商品上架的时间顺序来倒序排列，并将排序在前列的产品推荐给用户。而畅销榜则是按照商品销量顺序降序排列，为用户推荐销量靠前的商品。

根据具体的产品和业务场景，即使同样是非个性化范式推荐，在具体实施时也可能会比较复杂。例如在电商APP中畅销榜的推荐可能还会将地域、时间、价格等多个维度纳入考虑范围内，基于每个维度及其权重进行最终的排序推荐。

大部分情况下，非个性化范式推荐可以基于简单的计数统计来生成推荐，不会用到比较复杂的机器学习算法，是一种实施门槛较低的推荐方式。基于此，非个性化范式推荐算法可以作为产品冷启动或者默认的推荐算法。

完全个性化范式是目前的互联网产品中最常用的推荐模式，可用的推荐方法非常多。下面对常用的算法进行简单梳理。

该推荐算法只需要考虑到用户自己的历史行为而不需要考虑其他用户的行为，其核心思想是：标的物是有描述属性的，用户对标的物的操作行为为用户打上了相关属性的烙印，这些属性就是用户的兴趣标签，那么我们就可以基于用户的兴趣来为用户生成推荐列表。还是拿音乐推荐来举例子，如果用户过去听了摇滚和民谣两种类型的音乐，那么摇滚和民谣就是这个用户听歌时的偏好标签，此时我们就可以为该用户推荐更多的摇滚类、民谣类歌曲。

基于内容的个性化推荐在实操中有以下两类方式。

第一种是基于用户特征标识的推荐。
标的物是有很多文本特征的，例如标签、描述信息等，我们可以将这些文本信息基于某种算法转化为特征向量。有了标的物的特征向量后，我们可以将用户所有操作过的标的物的特征向量基于时间加权平均作为用户的特征向量，并根据用户特征向量与标的物特征向量的乘积来计算用户与标的物的相似度，从而计算出该用户的标的物推荐列表。

第二种是基于倒排索引查询的推荐。
如果我们基于标的物的文本特征（如标签）来表示标的物属性，那么基于用户对该标的物的历史行为，我们可以构建用户画像，该画像即是用户对于各个标签的偏好，并且对各个标签都有相应的偏好权重。

在构建完用户画像后，我们可以基于标签与标的物的倒排索引查询表，以标签为关键词，为用户进行个性化推荐。

举个粗暴的例子，有歌曲A、B、C分别对应摇滚、民谣、古风三个音乐标签，我听了歌曲A、B，则在我身上打了摇滚和民谣的标签，又基于我听这两个歌曲的频率，计算了我对“摇滚”和“民谣”的偏好权重。
在倒排索引查询表中，摇滚和民谣又会分别对应一部分歌曲，所以，可以根据我对摇滚和民谣的偏好权重从查询表中筛选一部分歌曲并推荐给我。

基于倒排索引查询的推荐方式是非常自然直观的，只要用户有一次行为，我们就可以据此为用户进行推荐。但反过来，基于用户兴趣给用户推荐内容，容易局限推荐范围，难以为用户推荐新颖的内容。

基于协同过滤的推荐算法，核心思想是很朴素的”物以类聚、人以群分“的思想。所谓物以类聚，就是计算出每个标的物最相似的标的物列表，我们就可以为用户推荐用户喜欢的标的物相似的标的物，这就是基于物品的协同过滤。所谓人以群分，就是我们可以将与该用户相似的用户喜欢过的标的物(而该用户未曾操作过)的标的物推荐给该用户，这就是基于用户的协同过滤。

常见的互联网产品中，很多会采用基于标的物的协同过滤，因为相比之下用户的变动概率更大，增长速度可能较快，这种情况下，基于标的物的协同过滤算法将会更加的稳定。

协同过滤算法思路非常简单直观，也易于实现，在当今的互联网产品中应用广泛。但协同过滤算法也有一些难以避免的问题，例如产品的冷启动阶段，在没有用户数据的情况下，没办法很好的利用协同过滤为用户推荐内容。例如新商品上架时也会遇到类似的问题，没有收集到任何一个用户对其的浏览、点击或者购买行为，也就无从基于人以群分的概念进行商品推荐。

基于模型的推荐算法种类非常多，我了解到的比较常见的有迁移学习算法、强化学习算法、矩阵分解算法等，且随着近几年深度学习在图像识别、语音识别等领域的进展，很多研究者和实践者也将其融入到推荐模型的设计当中，取得了非常好的效果。例如阿里、京东等电商平台，都是其中的佼佼者。

由于该算法涉及到比较多的技术知识，在下也处于初步学习阶段，就不班门弄斧做过多介绍了，有兴趣的朋友可以自行进行学习。

群组个性化推荐的第一步是将用户分组，因此，采用什么样的分组原则就显得尤为重要。常见的分组方式有两种。

先基于用户的人口统计学数据（如年龄、性别等）或者用户行为数据（例如对各种不同类型音乐的播放频率）构建用户画像。用户画像一般用于做精准的运营，通过显示特征将一批人圈起来形成同一组，对这批人做针对性的运营。因为前头已经提到此算法，这里不再重复介绍。

聚类是非常直观的一种分组思路，将行为偏好相似的用户聚在一起成为一个组，他们有相似的兴趣。常用的聚类策略有如下两类。

标的物关联标的物就是为每个标的物推荐一组标的物。该推荐算法的核心是怎么从一个标的物关联到其他的标的物。这种关联关系可以是相似的（例如嘉士伯啤酒和喜力啤酒），也可以是基于其他维度的关联（例如互补品，羽毛球拍和羽毛球）。常用的推荐策略是相似推荐。下面给出3种常用的生成关联推荐的策略。

这类推荐方式一般是利用已知的数据和标的物信息来描述一个标的物，通过算法的方式将其向量化，从而根据不同标的物向量之间的相似度来急速标的物之间的相似度，从而实现相识标的物的推荐。

在一个成熟的产品中，我们可以采集到的非常多的用户行为，例如在电商平台中，我们可以手机用户搜索、浏览、收藏、点赞等行为，这些行为就代表了用户对某个标的物的某种偏好，因此，我们可以根据用户的这些行为来进行关联推荐。

例如，可以将用户的行为矩阵分解为用户特征矩阵和物品特征矩阵，物品特征矩阵可以看成是衡量物品的一个向量，利用该向量我们就可以计算两个标的物之间的相似度了，从而为该用户推荐相似度高的其他产品。

再例如， 采用购物篮的思路做推荐，这种思路非常适合图书、电商等的推荐 。 以电商为例，我们可以把用户经常一起浏览(或者购买)的商品形成一个列表，将过去一段时间所有的列表收集起来。对于任何一个商品，我们都可以找到与它一起被浏览或者购买的其他商品及其次数，并根据次数来判断其关联性，从而进行关联推荐。

我们可以对用户进行分组，同样，我们也能够对标的物进行聚类分组。通过某位参考维度，我们将一些列具有相似性的标的物分成一组，当我们为用户进行推荐的时候，便可以将同一组内的其他标的物作为推荐对象，推荐给用户。

笛卡尔积范式的推荐算法一般是先采用标的物关联标的物范式计算出待推荐的标的物列表。再根据用户的兴趣来对该推荐列表做调整（例如根据不同兴趣的权重重新调整推荐列表的排序）、增加（例如基于个性化增加推荐对象）、删除（例如过滤掉已经看过的），由于其复杂程度较高在实际业务场景中应用较少，这边不再详细介绍。

好了，本次的介绍就到此为止了。本次主要是做了一个非常简单的推荐算法概述，在实际的业务场景中，还经常需要与产品形态或者更多的未读（如时间、地点等）相结合，是一个很有意思的领域，有兴趣的朋友可以进一步了解。

㈧ 多种产品量本利分析之分算法指什么

分算法是指在一定的条件下，将全部固定成本按一定标准在各种产品之间进行合理分配，确定每种产品应补偿的固定成本数额，然后再对每一种产品按单一品种条件下的情况分别进行量本利分析的方法。

多种产品保本分析的方法包括加权平均法、联合单位法、分算法、顺序法和主要产品法等。

㈨ 确定产品成本计算方法的原则是什么

成本计算方法
按一定的成本对象归集生产费用,以便计算出各种产品总成本和单位成本的方法.最基本的成本计算方法有：品种法、分批法、分步法.成本计算方法的确定在很大程度上取决于企业生产的特点和成本管理的要求.例如,在大量大批单步骤生产的情况下,只要求按产品的品种计算成本,这种成本计算方法就稳定之为品种法.又如,在单件小批多步骤的生产情况下,由于生产是按照客户的订单以及企业组织的生产批别组织生产,因此,产品成本就应该按照订单或生产批别进行计算,这种成本计算方法就称之为分批法.而在大量大批多步骤生产的情况下,往往不仅要求按产品品种计算方法称之为分步法.
除此之外,还有一些可与基本方法结合使用的成本计算方法,例如,采用品种法计算成本,在产品品种规格繁多的情况下,为了简化成本计算工作,可以先将产品划分为若干类别,分别计算各类别产品成本,然后在各个类别内部采用一定的分配标准,计算出各个规模产品的成本,这种方法称之为分类法.在定额管理制度比较健全的企业中,为了加强成本的定额控制,还可以以定额成本为基础,计算产品的实际成本,这种方法就称之为定额法.

㈩ 产品经理识算法（一）：余弦相似度

这系列文章会以连载形式呈现，后面会不定时更新，旨在和大家一起分享学习相关的算法。

关于各个产品中的算法，像 CSDN 等技术博客都有介绍，总结下来有以下几点：

这就是我写这系列文章的动机，希望通过实例和通俗易懂的语言来解释算法的逻辑和具体的应用。

假设平面存在向量 a 和向量 b，由向量的点积公式可得俩向量的夹角：

将向量 a、b 赋予坐标，如：a（x1,y1）,b（x2,y2）,代入上面公式，得到：

将向量 a、b 由平面推广到多维空间上（有相关论文已经证明推广到多维空间，公式仍然成立），得到：

数学上，这些公式很好理解，只是简单的代换转化，那么余弦相似度是怎么引用到产品上的呢？这里有个思维的转换：我们先把文本当作是一个向量，里面出现的词频数量当作上述公式中多维向量的坐标。运用上面的公式就可以算出两个文本的相似程度；具体我们看一下下面的例子。

例 文本1:“产品经理”；文本2:“数据产品经理和项目经理”，现在用上面的公式计算文本1和文本2的相似度。
我们首先将文本1和文本2进行分词（关于分词，后面的文章会介绍），文本1分词后：“产品／经理”；文本2分词后：“数据／产品／经理／和／项目／经理”。分词完成后，将分好的词形成并集得到{数据，产品，经理，和，项目}。我们把文本1和文本2分别命名为向量 A 和向量 B ，接下来计算 A、B 的坐标；并集中的词一共有5个，那么这5个词分别在文本1和文本2中出现了多少次很容易得出来，形成以下这个表格

A（0，1，1，0，0）

B（1，1，2，1，1）

那么，代入上面的公式为

如果一模一样为100%的话，那么75%这个数值就可以来衡量文本1和文本2的相似度，其实通过字面意思，我们也可以判断两个文本是很相似的，无论数据产品经理、产品经理、项目经理在某些环境下，其实就是同一个人😭。

在分析优缺点的时候，我们先看一看余弦相似度的应用场景：

优点：

缺点：

一个算法只是一个模型，需要人工运营团队不断完善，因为不结合环境以及语义只靠算法判断相似性对用户是不负责任的行为。