ADADELTA An Adaptive Learning Rate Method

ADADELTA:AN ADAPTIVE LEARNING RATE METHOD

Matthew D.Zeiler 1,2?

1

Google Inc.,USA

2

New York University,USA

ABSTRACT

We present a novel per-dimension learning rate method for gradient descent called ADADELTA.The method dynami-cally adapts over time using only ?rst order information and has minimal computational overhead beyond vanilla stochas-tic gradient descent.The method requires no manual tuning of a learning rate and appears robust to noisy gradient informa-tion,different model architecture choices,various data modal-ities and selection of hyperparameters.We show promising results compared to other methods on the MNIST digit clas-si?cation task using a single machine and on a large scale voice dataset in a distributed cluster environment.

Index Terms —Adaptive Learning Rates,Machine Learn-ing,Neural Networks,Gradient Descent

1.INTRODUCTION

The aim of many machine learning methods is to update a set of parameters x in order to optimize an objective function f (x ).This often involves some iterative procedure which ap-plies changes to the parameters,?x at each iteration of the algorithm.Denoting the parameters at the t -th iteration as x t ,this simple update rule becomes:

x t +1=x t +?x t

(1)

In this paper we consider gradient descent algorithms which attempt to optimize the objective function by following the steepest descent direction given by the negative of the gradi-ent g t .This general approach can be applied to update any parameters for which a derivative can be obtained:

?x t =?ηg t

(2)

where g t is the gradient of the parameters at the t -th iteration ?f (x t )

?x t

and ηis a learning rate which controls how large of a step to take in the direction of the negative gradient.Fol-lowing this negative gradient for each new sample or batch of samples chosen from the dataset gives a local estimate of which direction minimizes the cost and is referred to as stochastic gradient descent (SGD)[1].While often simple to derive the gradients for each parameter analytically,the gradi-ent descent algorithm requires the learning rate hyperparam-eter to be chosen.

?This

work was done while Matthew D.Zeiler was an intern at Google.

Setting the learning rate typically involves a tuning pro-cedure in which the highest possible learning rate is chosen by hand.Choosing higher than this rate can cause the system to diverge in terms of the objective function,and choosing this rate too low results in slow learning.Determining a good learning rate becomes more of an art than science for many problems.

This work attempts to alleviate the task of choosing a learning rate by introducing a new dynamic learning rate that is computed on a per-dimension basis using only ?rst order information.This requires a trivial amount of extra compu-tation per iteration over gradient descent.Additionally,while there are some hyper parameters in this method,we has found their selection to not drastically alter the results.The bene?ts of this approach are as follows:

?no manual setting of a learning rate.?insensitive to hyperparameters.

?separate dynamic learning rate per-dimension.?minimal computation over gradient descent.

?robust to large gradients,noise and architecture choice.?

applicable in both local or distributed environments.

2.RELATED WORK

There are many modi?cations to the gradient descent algo-rithm.The most powerful such modi?cation is Newton’s method which requires second order derivatives of the cost function:?x t =H ?1

t g t (3)

where H ?1

t is the inverse of the Hessian matrix of second derivatives computed at iteration t .This determines the op-timal step size to take for quadratic problems,but unfortu-nately is prohibitive to compute in practice for large models.Therefore,many additional approaches have been proposed to either improve the use of ?rst order information or to ap-proximate the second order information.2.1.Learning Rate Annealing

There have been several attempts to use heuristics for estimat-ing a good learning rate at each iteration of gradient descent.These either attempt to speed up learning when suitable or to slow down learning near a local minima.Here we consider the latter.

a r X i v :1212.5701v 1 [c s .L G ] 22 D e c 2012

When gradient descent nears a minima in the cost sur-face,the parameter values can oscillate back and forth around the minima.One method to prevent this is to slow down the parameter updates by decreasing the learning rate.This can be done manually when the validation accuracy appears to plateau.Alternatively,learning rate schedules have been pro-posed[1]to automatically anneal the learning rate based on how many epochs through the data have been done.These ap-proaches typically add additional hyperparameters to control how quickly the learning rate decays.

2.2.Per-Dimension First Order Methods

The heuristic annealing procedure discussed above modi?es a single global learning rate that applies to all dimensions of the parameters.Since each dimension of the parameter vector can relate to the overall cost in completely different ways, a per-dimension learning rate that can compensate for these differences is often advantageous.

2.2.1.Momentum

One method of speeding up training per-dimension is the mo-mentum method[2].This is perhaps the simplest extension to SGD that has been successfully used for decades.The main idea behind momentum is to accelerate progress along dimen-sions in which gradient consistently point in the same direc-tion and to slow progress along dimensions where the sign of the gradient continues to change.This is done by keeping track of past parameter updates with an exponential decay:

?x t=ρ?x t?1?ηg t(4) whereρis a constant controlling the decay of the previous parameter updates.This gives a nice intuitive improvement over SGD when optimizing dif?cult cost surfaces such as a long narrow valley.The gradients along the valley,despite being much smaller than the gradients across the valley,are typically in the same direction and thus the momentum term accumulates to speed up progress.In SGD the progress along the valley would be slow since the gradient magnitude is small and the?xed global learning rate shared by all dimensions cannot speed up progress.Choosing a higher learning rate for SGD may help but the dimension across the valley would then also make larger parameter updates which could lead to oscillations back as forth across the valley.These oscil-lations are mitigated when using momentum because the sign of the gradient changes and thus the momentum term damps down these updates to slow progress across the valley.Again, this occurs per-dimension and therefore the progress along the valley is unaffected.

2.2.2.ADAGRAD

A recent?rst order method called ADAGRAD[3]has shown remarkably good results on large scale learning tasks in a dis-tributed environment[4].This method relies on only?rst order information but has some properties of second order methods and annealing.The update rule for ADAGRAD is as follows:

?x t=?

η

t

τ=1

g2τ

g t(5)

Here the denominator computes the 2norm of all previous gradients on a per-dimension basis andηis a global learning rate shared by all dimensions.

While there is the hand tuned global learning rate,each dimension has its own dynamic rate.Since this dynamic rate grows with the inverse of the gradient magnitudes,large gra-dients have smaller learning rates and small gradients have large learning rates.This has the nice property,as in second order methods,that the progress along each dimension evens out over time.This is very bene?cial for training deep neu-ral networks since the scale of the gradients in each layer is often different by several orders of magnitude,so the optimal learning rate should take that into account.Additionally,this accumulation of gradient in the denominator has the same ef-fects as annealing,reducing the learning rate over time.

Since the magnitudes of gradients are factored out in ADAGRAD,this method can be sensitive to initial conditions of the parameters and the corresponding gradients.If the ini-tial gradients are large,the learning rates will be low for the remainder of training.This can be combatted by increasing the global learning rate,making the ADAGRAD method sen-sitive to the choice of learning rate.Also,due to the continual accumulation of squared gradients in the denominator,the learning rate will continue to decrease throughout training, eventually decreasing to zero and stopping training com-pletely.We created our ADADELTA method to overcome the sensitivity to the hyperparameter selection as well as to avoid the continual decay of the learning rates.

2.3.Methods Using Second Order Information Whereas the above methods only utilized gradient and func-tion evaluations in order to optimize the objective,second order methods such as Newton’s method or quasi-Newtons methods make use of the Hessian matrix or approximations to it.While this provides additional curvature information useful for optimization,computing accurate second order in-formation is often expensive.

Since computing the entire Hessian matrix of second derivatives is too computationally expensive for large models, Becker and LecCun[5]proposed a diagonal approximation to the Hessian.This diagonal approximation can be computed with one additional forward and back-propagation through the model,effectively doubling the computation over SGD. Once the diagonal of the Hessian is computed,diag(H),the update rule becomes:

?x t=?

1

|diag(H t)|+μ

g t(6) where the absolute value of this diagonal Hessian is used to ensure the negative gradient direction is always followed and

μis a small constant to improve the conditioning of the Hes-sian for regions of small curvature.

A recent method by Schaul et al.[6]incorporating the diagonal Hessian with ADAGRAD-like terms has been intro-duced to alleviate the need for hand speci?ed learning rates.This method uses the following update rule:

?x t =?1

|diag (H t )|E [g t ?w :t ]2E [g 2t ?w :t ]

g t (7)where E [g t ?w :t ]is the expected value of the previous w gra-dients and E [g 2

t ?w :t ]is the expected value of squared gradi-ents over the same window w .Schaul et al.also introduce a heuristic for this window size w (see [6]for more details).

3.ADADELTA METHOD

The idea presented in this paper was derived from ADA-GRAD [3]in order to improve upon the two main draw-backs of the method:1)the continual decay of learning rates throughout training,and 2)the need for a manually selected global learning rate.After deriving our method we noticed several similarities to Schaul et al.[6],which will be com-pared to below.

In the ADAGRAD method the denominator accumulates the squared gradients from each iteration starting at the be-ginning of training.Since each term is positive,this accumu-lated sum continues to grow throughout training,effectively shrinking the learning rate on each dimension.After many it-erations,this learning rate will become in?nitesimally small.3.1.Idea 1:Accumulate Over Window

Instead of accumulating the sum of squared gradients over all time,we restricted the window of past gradients that are ac-cumulated to be some ?xed size w (instead of size t where t is the current iteration as in ADAGRAD).With this win-dowed accumulation the denominator of ADAGRAD cannot accumulate to in?nity and instead becomes a local estimate using recent gradients.This ensures that learning continues to make progress even after many iterations of updates have been done.

Since storing w previous squared gradients is inef?cient,our methods implements this accumulation as an exponen-tially decaying average of the squared gradients.Assume at time t this running average is E [g 2]t then we compute:

E [g 2]t =ρE [g 2]t ?1+(1?ρ)g 2

t (8)

where ρis a decay constant similar to that used in the momen-tum method.Since we require the square root of this quantity in the parameter updates,this effectively becomes the RMS of previous squared gradients up to time t :

RMS [g ]t = E [g 2]t + (9)

where a constant is added to better condition the denomina-tor as in [5].The resulting parameter update is then:

?x t =?η

RMS [g ]t

g t (10)

Algorithm 1Computing ADADELTA update at time t

Require:Decay rate ρ,Constant Require:Initial parameter x 1

1:Initialize accumulation variables E [g 2]0=0,E [?x 2]0=02:for t =1:T do %%Loop over #of updates 3:Compute Gradient:g t

4:Accumulate Gradient:E [g 2]t =ρE [g 2]t ?1+(1?ρ)g 2

t

5:Compute Update:?x t =?RMS [?x ]

t ?1RMS [g ]t g t 6:Accumulate Updates:E [?x 2]t =ρE [?x 2]t ?1+(1?ρ)?x 2t 7:Apply Update:x t +1=x t +?x t 8:end for

3.2.Idea 2:Correct Units with Hessian Approximation When considering the parameter updates,?x ,being applied to x ,the units should match.That is,if the parameter had some hypothetical units,the changes to the parameter should be changes in those units as well.When considering SGD,Momentum,or ADAGRAD,we can see that this is not the case.The units in SGD and Momentum relate to the gradient,not the parameter:

units of ?x ∝units of g ∝?f ?x ∝1

units of x

(11)assuming the cost function,f ,is unitless.ADAGRAD also does not have correct units since the update involves ratios of gradient quantities,hence the update is unitless.

In contrast,second order methods such as Newton’s method that use Hessian information or an approximation to the Hessian do have the correct units for the parameter updates:

?x ∝H

?1

g ∝

?f ?x ?2f ?x 2

∝units of x (12)

Noticing this mismatch of units we considered terms to add to Eqn.10in order for the units of the update to match the units of the parameters.Since second order methods are correct,we rearrange Newton’s method (assuming a diagonal Hessian)for the inverse of the second derivative to determine the quantities involved:

?x =

?f ?x ?2f ?x 2

?

1

?2f ?x 2

=

?x

?f ?x

(13)

Since the RMS of the previous gradients is already repre-sented in the denominator in Eqn.10we considered a mea-sure of the ?x quantity in the numerator.?x t for the current time step is not known,so we assume the curvature is locally smooth and approximate ?x t by compute the exponentially decaying RMS over a window of size w of previous ?x to give the ADADELTA method:

?x t =?RMS [?x ]t ?1

RMS [g ]t g t (14)

where the same constant is added to the numerator RMS as well.This constant serves the purpose both to start off the ?rst

iteration where?x0=0and to ensure progress continues to be made even if previous updates become small.

This derivation made the assumption of diagonal curva-ture so that the second derivatives could easily be rearranged. Furthermore,this is an approximation to the diagonal Hessian using only RMS measures of g and?x.

This approximation is always positive as in Becker and LeCun[5],ensuring the update direction follows the negative gradient at each step.

In Eqn.14the RMS[?x]t?1quantity lags behind the de-nominator by1time step,due to the recurrence relationship for?x t.An interesting side effect of this is that the system is robust to large sudden gradients which act to increase the de-nominator,reducing the effective learning rate at the current time step,before the numerator can react.

The method in Eqn.14uses only?rst order information and has some properties from each of the discussed meth-ods.The negative gradient direction for the current iteration ?g t is always followed as in SGD.The numerator acts as an acceleration term,accumulating previous gradients over a window of time as in momentum.The denominator is re-lated to ADAGRAD in that the squared gradient information per-dimension helps to even out the progress made in each di-mension,but is computed over a window to ensure progress is made later in training.Finally,the method relates to Schaul et al.’s in that some approximation to the Hessian is made, but instead costs only one gradient computation per iteration by leveraging information from past updates.For the com-plete algorithm details see Algorithm1.

4.EXPERIMENTS

We evaluate our method on two tasks using several different neural network architectures.We train the neural networks using SGD,Momentum,ADAGRAD,and ADADELTA in a supervised fashion to minimize the cross entropy objective between the network output and ground truth https://www.wendangku.net/doc/474320783.html,par-isons are done both on a local computer and in a distributed compute cluster.

4.1.Handwritten Digit Classi?cation

In our?rst set of experiments we train a neural network on the MNIST handwritten digit classi?cation task.For comparison with Schaul et al.’s method we trained with tanh nonlinear-ities and500hidden units in the?rst layer followed by300 hidden units in the second layer,with the?nal softmax out-put layer on top.Our method was trained on mini-batches of 100images per batch for6epochs through the training set. Setting the hyperparameters to =1e?6andρ=0.95we achieve2.00%test set error compared to the2.10%of Schaul et al.While this is nowhere near convergence it gives a sense of how quickly the algorithms can optimize the classi?cation https://www.wendangku.net/doc/474320783.html,parison of learning rate methods on MNIST digit classi?cation for50epochs.

To further analyze various methods to convergence,we train the same neural network with500hidden units in the?rst layer,300hidden units in the second layer and recti?ed linear activation functions in both layers for50epochs.We notice that recti?ed linear units work better in practice than tanh,and their non-saturating nature further tests each of the methods at coping with large variations of activations and gradients.

In Fig.1we compare SGD,Momentum,ADAGRAD, and ADADELTA in optimizing the test set errors.The unal-tered SGD method does the worst in this case,whereas adding the momentum term to it signi?cantly improves performance. ADAGRAD performs well for the?rst10epochs of training, after which it slows down due to the accumulations in the de-nominator which continually increase.ADADELTA matches the fast initial convergence of ADAGRAD while continuing to reduce the test error,converging near the best performance which occurs with momentum.

SGD MOMENTUM ADAGRAD =1e0 2.26%89.68%43.76%

=1e?12.51% 2.03%2.82%

=1e?27.02%2.68% 1.79%

=1e?317.01%6.98%5.21%

=1e?458.10%16.98%12.59%

Table1.MNIST test error rates after6epochs of training for various hyperparameter settings using SGD,MOMENTUM, and ADAGRAD.

ρ=0.9ρ=0.95ρ=0.99

=1e?22.59%2.58%2.32%

=1e?42.05%1.99%2.28%

=1e?61.90% 1.83%2.05%

=1e?82.29%2.13%2.00%

Table2.MNIST test error rate after6epochs for various hyperparameter settings using ADADELTA.

4.2.Sensitivity to Hyperparameters

While momentum converged to a better ?nal solution than ADADELTA after many epochs of training,it was very sen-sitive to the

learning rate selection,as was SGD and ADA-GRAD.In Table 1we vary the learning rates for each method and show the test set errors after 6epochs of training using recti?ed linear units as the activation function.The optimal settings from each column were used to generate Fig.1.With SGD,Momentum,or ADAGRAD the learning rate needs to be set to the correct order of magnitude,above which the so-lutions typically diverge and below which the optimization proceeds slowly.We can see that these results are highly vari-able for each method,compared to ADADELTA in Table 2in which the two hyperparameters do not signi?cantly alter performance.

4.3.Effective Learning Rates

To investigate some of the properties of ADADELTA we plot in Fig.2the step sizes and parameter updates of 10randomly selected dimensions in each of the 3weight matrices through-out training.There are several interesting things evident in this ?gure.First,the step sizes,or effective learning rates (all terms except g t from Eqn.14)shown in the left portion of the ?gure are larger for the lower layers of the network and much smaller for the top layer at the beginning of training.This property of ADADELTA helps to balance the fact that lower batches during training the MNIST network with tanh non-linearities for 25epochs.Left:Step sizes for 10randomly selected dimensions of each of the 3weight matrices of the network.Right:Parameters changes for the same 10dimen-sions for each of the 3weight matrices.Note the large step sizes in lower layers that help compensate for vanishing gra-dients that occur with backpropagation.

ent problem in neural networks and thus should have larger learning rates.

Secondly,near the end of training these step sizes con-verge to 1.This is typically a high learning rate that would lead to divergence in most methods,however this conver-gence towards 1only occurs near the end of training when the gradients and parameter updates are small.In this scenario,the constants in the numerator and denominator dominate the past gradients and parameter updates,converging to the learning rate of 1.

This leads to the last interesting property of ADADELTA which is that when the step sizes become 1,the parameter updates (shown on the right of Fig.2)tend towards zero.This occurs smoothly for each of the weight matrices effectively operating as if an annealing schedule was present.

However,having no explicit annealing schedule imposed on the learning rate could be why momentum with the proper hyperparameters outperforms ADADELTA later in training as seen in Fig.1.With momentum,oscillations that can occur near a minima are smoothed out,whereas with ADADELTA these can accumulate in the numerator.An annealing sched-ule could possibly be added to the ADADELTA method to counteract this in future work.4.4.Speech Data

In the next set of experiments we trained a large-scale neu-ral network with 4hidden layers on several hundred hours of US English data collected using V oice Search,V oice IME,read data.The network was trained using the distributed of [4]in which a centralized parameter server accu-the gradient information reported back from several of the neural network.In our experiments we used ei-100or 200such replica networks to test the performance in a highly distributed environment.

The neural network is setup as in [7]where the inputs 26frames of audio,each consisting of 40log-energy ?l-bank outputs.The outputs of the network were 8,000labels produced from a GMM-HMM system using alignment with the input frames.Each hidden layer neural network had 2560hidden units and was trained either logistic or recti?ed linear nonlinearities.

Fig.3shows the performance of the ADADELTA method using 100network replicas.Notice our method ini-converges faster and outperforms ADAGRAD through-training in terms of frame classi?cation accuracy on the set.The same settings of =1e ?6and ρ=0.95from MNIST experiments were used for this setup.

When training with recti?ed linear units and using 200model replicas we also used the same settings of hyperpa-rameters (see Fig.4).Despite having 200replicates which inherently introduces signi?cants amount of noise to the gra-dient accumulations,the ADADELTA method performs well,quickly converging to the same frame accuracy as the other methods.

https://www.wendangku.net/doc/474320783.html,parison of ADAGRAD and ADADELTA on the

Speech Dataset with100replicas using logistic

nonlinearities. https://www.wendangku.net/doc/474320783.html,parison of ADAGRAD,Momentum,and ADADELTA on the Speech Dataset with200replicas using

recti?ed linear nonlinearities.

5.CONCLUSION

In this tech report we introduced a new learning rate method based on only?rst order information which shows promis-ing result on MNIST and a large scale Speech recognition dataset.This method has trivial computational overhead com-pared to SGD while providing a per-dimension learning rate. Despite the wide variation of input data types,number of hid-den units,nonlinearities and number of distributed replicas, the hyperparameters did not need to be tuned,showing that ADADELTA is a robust learning rate method that can be ap-plied in a variety of situations.

Acknowledgements We thank Geoff Hinton,Yoram Singer,Ke Yang,Marc’Aurelio Ranzato and Jeff Dean for the helpful comments and discussions regarding this work.

6.REFERENCES

[1]H.Robinds and S.Monro,“A stochastic approximation

method,”Annals of Mathematical Statistics,vol.22,pp.

400–407,1951.

[2]D.E.Rumelhart,G.E.Hinton,and R.J.Williams,“Learn-

ing representations by back-propagating errors,”Nature, vol.323,pp.533–536,1986.

[3]J.Duchi,E.Hazan,and Y.Singer,“Adaptive subgradient

methods for online leaning and stochastic optimization,”

in COLT,2010.

[4]J.Dean,G.Corrado,R.Monga,K.Chen,M.Devin,

Q.Le,M.Mao,M.Ranzato, A.Senior,P.Tucker, K.Yang,and A.Ng,“Large scale distributed deep net-works,”in NIPS,2012.

[5]S.Becker and Y.LeCun,“Improving the convergence of

back-propagation learning with second order methods,”

Tech.Rep.,Department of Computer Science,University of Toronto,Toronto,ON,Canada,1988.

[6]T.Schaul,S.Zhang,and Y.LeCun,“No more pesky

learning rates,”arXiv:1206.1106,2012.

[7]N.Jaitly,P.Nguyen,A.Senior,and V.Vanhoucke,“Ap-

plication of pretrained deep neural networks to large vo-cabulary speech recognition,”in Interspeech,2012.

e-Learning 分享：2015年elearning发展趋势

2015年elearning发展趋势 1.大数据 elearning涉及的数据量越来越大，而传统的数据处理方式也变得越来越难以支撑。 仅在美国就有46%的大学生参加在线课程，而这也仅仅是一部分elearning用户而已。虽然大数据的处理是一个难题，但同时也是改善elearning的一个良好的契机。 下面是大数据改善elearning的一些案例。 大数据能够使人们更深入的了解学习过程。例如：对于（课程）完成时间及完成率的数据记录。 大数据能够有效跟踪学习者以及学习小组。例如：记录学习者点击及阅读材料的过程。 大数据有利于课程的个性化。例如：了解不同的学习者学习行为的不同之处。 通过大数据可以分析相关的学习反馈情况。例如：学习者在哪儿花费了多少时间，学习者觉得那部分内容更加有难度。 2.游戏化 游戏化是将游戏机制及游戏设计添加到elearning中，以吸引学习者，并帮助他们实现自己

的学习目标。 不过，游戏化的elearning课程并不是游戏。 elearning的游戏化只是将游戏中的元素应用于学习环境中。游戏化只是利用了学习者获得成功的欲望及需求。 那么，游戏化何以这么重要？ 学习者能够回忆起阅读内容的10%，听讲内容的20%。如果在口头讲述过程中能够添加画面元素，该回忆比例上升到30%，而如果通过动作行为对该学习内容进行演绎，那么回忆比例则高达50%。但是，如果学习者能够自己解决问题，即使是在虚拟的情况中，那么他们的回忆比例则能够达到90%！（美国科学家联合会2006年教育游戏峰会上的报告）。近80%的学习者表示，如果他们的课业或者工作能够更游戏化一些，他们的效率会更高。（Talent LMS 调查） 3.个性化 每位学习者都有不同的学习需求及期望，这就是个性化的elearning如此重要的原因。个性化不仅仅是个体化，或差异化，而是使学习者能够自由选择学习内容，学习时间以及学习方式。 相关案例： 调整教学进度使教学更加个性化； 调整教学方式使教学更加与众不同； 让学习者自己选择适合的学习方式； 调整教学内容的呈现模式（文本、音频、视频）。

连锁咖啡厅顾客满意度涉入程度对忠诚度影响之研究以高雄市星巴克为例

连锁咖啡厅顾客满意度涉入程度对忠诚度影响之研究以高雄市星巴克 为例 Document number【SA80SAB-SAA9SYT-SAATC-SA6UT-SA18】

连锁咖啡厅顾客满意度对顾客忠诚度之影响－以高雄 市星巴克为例 The Effects of Customer Satisfaction on Customer Loyalty—An Empirical study of Starbucks Coffee Stores in Kaohsiung City 吴明峻 Ming-Chun Wu 高雄应用科技大学观光管理系四观二甲 学号：06 中文摘要 本研究主要在探讨连锁咖啡厅顾客满意度对顾客忠诚度的影响。 本研究以高雄市为研究地区，并选择8间星巴克连锁咖啡厅的顾客作为研究对象，问卷至2006年1月底回收完毕。 本研究将顾客满意度分为五类，分别是咖啡、餐点、服务、咖啡厅内的设施与气氛和企业形象与整体价值感；将顾客忠诚度分为三类，分别是顾客再购意愿、向他人推荐意愿和价格容忍度，并使用李克特量表来进行测量。 根据过往研究预期得知以下研究结果： 1.人口统计变项与消费型态变项有关。 2.人口统计变项与消费型态变项跟顾客满意度有关。 3.人口统计变项与消费型态变项跟顾客忠诚度有关。 4.顾客满意度对顾客忠诚度相互影响。 关键词：连锁、咖啡厅、顾客满意度、顾客忠诚度 E-mail

一、绪论 研究动机 近年来，国内咖啡消费人口迅速增加，国外知名咖啡连锁品牌相继进入台湾，全都是因为看好国内咖啡消费市场。 在国内较知名的连锁咖啡厅像是星巴克、西雅图极品等。 本研究针对连锁咖啡厅之顾客满意度与顾客忠诚度间关系加以探讨。 研究目的 本研究所要探讨的是顾客满意度对顾客忠诚度的影响，以国内知名的连锁咖啡厅星巴克之顾客为研究对象。 本研究有下列五项研究目的： 1.以星巴克为例，探讨连锁咖啡厅的顾客满意度对顾客忠诚度之影响。 2.以星巴克为例，探讨顾客满意度与顾客忠诚度之间的关系。 3.探讨人口统计变项与消费型态变项是否有相关。 4.探讨人口统计变项与消费型态变项跟顾客满意度是否有相关。 5.探讨人口统计变项与消费型态变项跟顾客忠诚度是否有相关。 二、文献回顾 连锁咖啡厅经营风格分类 根据行政院（1996）所颁布的「中华民国行业标准分类」，咖啡厅是属於九大行业中的商业类之饮食业。而国内咖啡厅由於创业背景、风格以及产品组合等方面有其独特的特质，使得经营型态与风格呈现多元化的风貌。 依照中华民国连锁店协会（1999）对咖啡产业调查指出，台湾目前的咖啡厅可分成以下几类：

elearning时代：企业培训大公司先行

e-learning时代：企业培训大公司先行 正如印刷书籍造就16世纪后的现代大学教育，互联网的普及，将使学习再次发生革命性的变化。通过e-learning，员工可以随时随地利用网络进行学习或接受培训，并将之转化为个人能力的核心竞争力，继而提高企业的竞争力。 从个人到企业，从企业到市场，e-learning有着无限的生长空间，跃上时代的浪尖是必然，也是必须。 企业培训:e-learning时代已经来临 约翰-钱伯斯曾经预言“互联网应用的第三次浪潮是e-learning”，现在，这个预言正在变为现实。 美国培训与发展协会(ASTD)对2005年美国企业培训情况的调查结果显示，美国企业对员工的培训投入增长了16.4%，e-learning培训比例则从24%增长到28%，通过网络进行学习的人数正以每年300%的速度增长，60%的企业已使用网络形式培训员工;在西欧，e-learning市场已达到39亿美元规模;在亚太地区,越来越多的企业已经开始使用e-learning…… 据ASTD预测，到2010年，雇员人数超过500人的公司，90%都将采用e-learning。 e-learning:学习的革命 正如印刷书籍造就16世纪后的现代大学教育，互联网的普及，将使学习再次发生革命性的变化。 按照ASTD给出的定义,e-learning是指由网络电子技术支撑或主导实施的教学内容或学习。它以网络为基础、具有极大化的交互作用，以开放式的学习空间带来前所未有的学习体验。 在企业培训中，e-learning以硬件平台为依托，以多媒体技术和网上社区技术为支撑，将专业知识、技术经验等通过网络传送到员工面前。通过e-learning，员工可以随时随地利用网络进行学习或接受培训，并将之转化为个人能力的核心竞争力，继而提高企业的竞争力。 据IDC统计，自1998年e-learning概念提出以来，美国e-learning市场的年增长率几乎保持在80%以上。增长速度如此之快，除了跟企业培训本身被重视度日益提高有关，更重要的是e-learning本身的特性: 它大幅度降低了培训费用，并且使个性化学习、终生学习、交互式学习成为可能。而互联网及相关产品的开发、普及和商业化是e-learning升温最强悍的推动力。 数据表明，采用e-learning模式较之传统模式至少可节约15%-50%的费用，多则可达

书单 2016年度亚马逊中国图书排行总榜TOP30

1、《秘密花园》作者：（英）乔汉娜贝斯福著出版社：北京联合出版公司 这是一本既可以涂色又可以探宝的书，这是一本既可以娱乐又可以作为设计参考的书。同时这又是一个由奇幻花朵和珍奇植物构成的黑白魔幻世界。这里有可以涂色的画，可以探索的迷宫，等待去完成的图像，以及可以让你尽情涂画的空白空间。请用彩笔来添加五彩斑斓的色彩，或者用细头黑色笔创作更多的涂鸦和细节。在每一页中你都会发现一些若隐若现的爬虫和珍奇小生物，并且你还可以在花朵中寻觅到黄蜂、蝴蝶和鸟的踪迹。你可以将书末的提示清单作为辅助，来找出所有出现在花园中的事物。 2、《解忧杂货店》作者：东野圭吾著，李盈春译出版社：南海出版社

日本著名作家东野圭吾的《解忧杂货店》，出版当年即获中央公论文艺奖。作品超越推理小说的范围，却比推理小说更加扣人心弦。僻静的街道旁有一家杂货店，只要写下烦恼投进店前门卷帘门的投信口，第二天就会在店后的牛奶箱里得到回答：因男友身患绝症，年轻女孩静子在爱情与梦想间徘徊；克郎为了音乐梦想离家漂泊，却在现实中寸步难行；少年浩介面临家庭巨变，挣扎在亲情与未来的迷茫中……他们将困惑写成信投进杂货店，奇妙的事情随即不断发生。生命中的一次偶然交会，将如何演绎出截然不同的人生？ 3、《岛上书店》作者：（美）加布瑞埃拉泽文著孙仲旭李玉瑶译出版社：江苏文艺出版社

A．J．费克里，人近中年，在一座与世隔绝的小岛上，经营一家书店。命运从未眷顾过他，爱妻去世，书店危机，就连唯一值钱的宝贝也遭窃。他的人生陷入僵局，他的内心沦为荒岛。就在此时，一个神秘的包袱出现在书店中，意外地拯救了陷于孤独绝境中的A．J．，成为了连接他和小姨子伊斯梅、警长兰比亚斯、出版社女业务员阿米莉娅之间的纽带，为他的生活带来了转机。小岛上的几个生命紧紧相依，走出了人生的困境，而所有对书和生活的热爱都周而复始，愈加汹涌。 4、《自控力》作者：凯利麦格尼格尔著，王岑卉译出版社：文化发展出版社

星巴克swot分析

6月21日 85度C VS. 星巴克SWOT分析 星巴克SWOT分析 优势 1.人才流失率低 2.品牌知名度高 3.熟客券的发行 4.产品多样化 5.直营贩售 6.结合周边产品 7.策略联盟 劣势 1.店內座位不足 2.分店分布不均 机会 1.生活水准提高 2.隐藏极大商机 3.第三空间的概念 4.建立电子商务 威胁 1.WTO开放后，陆续有国际品牌进驻 2.传统面包复合式、连锁咖啡馆的经营 星巴克五力分析 １、供应商：休闲风气盛，厂商可将咖啡豆直接批给在家煮咖啡的消费者 ２、购买者：消费者意识高涨、资讯透明化（比价方便） ３、同业內部竞争：产品严重抄袭、分店附近必有其他竞争者 ４、潜在竞争者：设立咖啡店连锁店无进入障碍、品质渐佳的铝箔包装咖啡 ５、替代品：中国茶点、台湾小吃、窜红甚快的日本东洋风...等 ８５度ｃ市場ｓｗｏｔ分析： 【Strength优势】 具合作同业优势 产品精致 以价格进行市场区分，平价超值 服务、科技、产品、行销创新，机动性强 加盟管理人性化 【Weakness弱势】 通路品质控制不易 品牌偏好度不足 通路不广 财务能力不健全 85度c的历史资料，在他们的网页上的活动信息左邊的新聞訊息內皆有詳細資料，您可以直接上網站去查閱，皆詳述的非常清楚。

顧客滿意度形成品牌重於產品的行銷模式。你可以在上他們家網站找找看！【Opportunity机会】 勇于變革变革与创新的经营理念 同业策略联盟的发展、弹性空间大 【Threat威胁】 同业竞争对手(怡客、维多伦)门市面对面竞争 加盟店水准不一，品牌形象建立不易 直，间接竞争者不断崛起(壹咖啡、City Café．．．) 85度跟星巴克是不太相同的零售，星巴客应该比较接近丹堤的咖啡厅，策略形成的部份，可以从 1.产品线的宽度跟特色 2.市场区域与选择 3.垂直整合 4.规模经济 5.地区 6.竞争优势 這6點來做星巴客跟85的区分 可以化一个表，來比较他們有什么不同 內外部的話，內部就从相同产业來分析(有什麼优势跟劣势) 外部的話，一樣是相同产业但卖的东西跟服务不太同，来与其中一个产业做比较(例如星巴客) S(优势):點心精致平价,咖啡便宜,店面设计观感很好...等等 W(劣势):对于消费能力较低的地区点心价格仍然较高,服务人员素质不齐,點心种类变化較少 O(机会):对于点心&咖啡市场仍然只有少数的品牌独占(如:星XX,壹XX...等),它可以透过连锁店的开幕达成高市占率 T(威协):1.台湾人的模仿功力一流,所以必须保持自己的特色做好市场定位 2.消費者的口味变化快速,所以可以借助学者"麥XX"的做法保有主要的點心款式外加上几样周期变化的點心 五力分析 客戶讲价能力（the bargaining power of customers）、 供应商讲价能力（the bargaining power of suppliers）、 新进入者的竞争（the threat of new entrants）、 替代品的威协（the threat of substitute products）、 现有厂商的竞争（The intensity of competitive rivalry）

美国大学校计算机专业哪所院校好呢

很多准备申请美国就读的朋友，想必都会想到计算机专业，美国该专业的人才在世界各地都十分有名气;而且美国该专业的院校也有很多可以供大家选择的。那么美国大学校计算机专业哪所院校好呢? 美国大学校计算机专业院校推荐： 1.麻省理工学院Massachusetts Institute of Technology 位于马萨诸塞州剑桥市(Cambridge, Massachusetts)，是美国一所综合性私立大学，有“世界理工大学之最”的美名。麻省理工学院在众多大学排名里，均位列世界前五位。该校的数学、科学和工学专业都非常著名。 位于查尔斯河附近的麻省理工学院的宿舍被认为是美国最酷的宿舍之一，由著名建筑师斯蒂文·霍尔设计。这个名为“海绵”的宿舍拿下了许多建筑奖项。 计算机专业毕业生最好去向：谷歌、IBM、甲骨文、微软 2.斯坦福大学 Stanford University位于加州帕洛阿尔托(Palo Alto, California)，斯坦福大学的毕业生遍布了谷歌、惠普以及Snapchat等顶级技术公司。斯坦福大学有着一个惊人的数字，该校毕业生创办的所有公司每年的利润总和为2.7 万亿美元。

计算机专业毕业生最好去向：谷歌、苹果、思科 3.加州大学伯克利分校 University of California-Berkeley位于加州伯克利(Berkeley, California)，建于1868年，是美国的一所公立研究型大学，加州大学伯克利分校还是世界数学、自然科学、计算机科学和工程学最重要的研究中心之一，拥有世界排名第1的理科、世界第3的工科和世界第3的计算机科学，其人文社科也长期位列世界前5。 2015年11月，QS发布了全球高校毕业生就业力排名，加州大学伯克利分校排名第八。据经济学家分析，一个在加州大学伯克利分校的工科学生和e799bee5baa6e997aee7ad94e78988e69d8331333433623139 一个没读过大学的人相比，在大学毕业20年后，该校毕业生的总收入会比没上过大学的人多110万美元。 计算机专业毕业生最好去向：谷歌、甲骨文、苹果 4.加州理工学院 California Institute of Technology位于加州帕萨迪纳市(Pasadena, California)，成立于1891年，是一所四年制的私立研究型学院。 该院研究生课程门门都出类拔萃，2010年U.S. News美国大学最佳研究生院排名中，加州理工学院的物理专业排名全美第1，化学第1，航空航天第1，地球科学第1，生物学第4，电子工程第5，数学第7，计算机科学第11，经济学第14。 加州理工学院不仅仅是工科好，在综合排名上，该校也能够排进前五十。该校的研发部门与NASA、美国国家科学基金会以及美国卫生与人类服务部有着密切的合作关系。 计算机专业毕业生最好去向：谷歌、英特尔、IBM 5.佐治亚理工学院 Georgia Institute of Technology位于佐治亚州亚特兰大市(Atlanta, Georgia)，是美国一所综合性公立大学，始建于1885年。与麻省理工学院及加州理工学院并称为美国三大理工学院。其中计算机科学专业全美排名第10，该校的电气与电子工程专业声誉不错。 计算机专业毕业生最好去向：IBM、英特尔、AT&T 6.伊利诺伊大学香槟分校 University of Illinois —Urbana-Champaign位于伊利诺伊州香槟市(Champaign, Illinois)，创建于1867年，是一所享有世界声望的一流研究型大学。 该校很多学科素负盛名，其工程学院在全美乃至世界堪称至尊级的地位，始终位于美国大学工程院排名前五，几乎所有工程专业均在全美排名前十，电气、计算机、土木、材料、农业、环境、机械等专业排名全美前五。

Elearning平台未来发展新趋势

Elearning 平台未来发展新趋势

随着e-Learning概念被大众逐渐所接受，如今许多e-Learning公司纷纷涌现，现基本形成三大氛围趋势。一类提供技术（提供学习管理平台，如上海久隆信息jite公司、Saba公司、Lotus公司）、一类侧重内容提供（如北大在线、SkillSoft公司、Smartforce公司、Netg公司）、一类专做服务提供（如Allen Interactions公司）。不过随着e-Learning发展，提供端到端解决方案的公司将越来越多，或者并不局限于一个领域，如目前北大在线除提供职业规划与商务网上培训课件外，还提供相应的网络培训服务，e-Learning作为企业发展的添加剂，必将成为知识经济时代的正确抉择。 e-Learning的兴起本身与互联网的发展应用有着密切关联，它更偏重于与传统教育培训行业相结合，有着扎实的基础及发展前景，因而在大部分互联网公司不景气之时，e-Learning公司仍然被许多公司所看好。 权威的Taylor Nelson Sofresd对北美的市场调查表明，有94%的机构认识到了e-Learning的重要性，雇员在10000人以上的公司62.7%都实施了e-Learning，有85%的公司准备在今后继续增加对e-Learning的投入。而54%的公司已经或预备应用e-Learning来学习职业规划与商务应用技能。 面对如此庞大的e-Learning市场，全世界e-Learning公司将面临巨大机遇，但竞争也更加激烈。优胜劣汰成为必然。将来只有更适应市场需求，确保质量，树立信誉，建设自有品牌的公司才更具备有竞争力。那么未来e-Learning到底将走向何方？ 如今很多平台开发厂商以及用户都很关心这个问题。其实从e-Learning诞生到现在，如今大家有目共睹，移动终端上的3-D让我们的体验飘飘欲仙，该技术放大了我们的舒适度；云计算使得软件的访问轻而易举；全息图像为学习环境提供了逼真的效果；个性化的LMS使得用户可以学会更多专业人员的从业经验；更多的终端、更低廉的带宽连接为现实向世界提供解决方案的能力。 个性化学习是e-Learning平台共同追求的目标，力求解决单个群体的日常需求，将成为elearning平台下一阶段发展的新追求。那么个性化的学习将为何物呢？它又将通过何途径来实现呢？ 移动学习 移动学习（M-learning）是中国远程教育本阶段发展的目标方向，特点是实现“Anyone、Anytime、Anywhere、Any style”（4A）下进行自由地学习。移动学习依托目前比较成熟的无线移动网络、国际互联网以及多媒体技术，学生和教师使用移动设备（如无线上网的便携式计算机、PDA、手机等），通 模板版次：2.0 I COPYRIGHT? 2000- JITE SHANGHAI

《自控力》读书心得

《自控力（斯坦福大学最受欢迎心理学教程）》的读书心得 －刘华 在寒假期间读了凯利?麦格尼格尔教授的《自控力》一书后，心中感触颇多。古人云“古之成大事者，不惟有超世之术，亦必有坚韧不拔之志。”此处所说的坚韧不拔之志不正是顽强的自控力吗？身处这个复杂的社会，形形色色的诱惑是避免不了的，只有像古今中外的那些名人一样，抵制诱惑才能走的更远。所以自控力就是制胜的关键了。 放眼社会，普遍存在购物狂，低头族，减肥控，月光族，工作狂，抽烟，酗酒等问题，而我自己也是其中的一员，希望能通过此书有所改变。 在读此书之前，我对自控力的理解就是人脑能够控制自己的行为的行为的能力。可是，事实好像并非如此。意志力实际上是“我要做”，“我不要”，和“我想要”这三种力量的集合。它们协同努力，让自身变得更加完美。 书中提出意志极限损耗极限理论，说明了意志力如同肌肉一样有极限的，人的一天从早到晚意志力是如何衰减的。自控力不仅和心理有关，更和生理有关，只有大脑和身体同时作用的瞬间，才有力量克服冲动。所以他建议我们在意志力旺盛时期处理繁冗事物，避免在意志力薄弱处理这类事物大量消耗意志力，因为使用意志力也会消耗能量的。正是如此，教授才建议说不必时时克制，事事克制，重要的是在关键时候发挥作用。 另外，想必我们小时候都学过“明日复明日，明日何其多”这句诗吧。我自己也深陷于向明天借账的困惑中。对未来的乐观主义精神，不仅会影响我们的决定，还会影响我们究竟会不会按自己说的做。这也是拖延症的症结所在，总是一天拖一天，直至最后关头。心理学家也证明，我们错误地认为自己明天会比今天有更多空闲时间。其实明天与今天是一样的，但因为想着下一次会做，或是下一次会有某些改变，人们往往会在今日放纵自我。所以为了克服这种明日复明日的心态，凯利教授建议我们试着减少行为的变化性而不是减少行为本身。 总之，读了此书后，我对意志力有了一个科学的认识。拥有强大的意志力是成功的保障。爱迪生曾说过“生活中许多失败，都是因为人们决定放弃的时候并没有意识到自己是如此接近成功”。在书中的那些事例中很多我都能找到自己的影子，有许多是自己曾经经历过的。看到他们能够战胜自己，对自己也有了更大的自信。我也相信，按照书中所介绍的方法锻炼自我，我也会离成功更近一步！

斯坦福大学创业成长课

斯坦福大学创业成长课 书籍简介 想知道最有用的创业课——斯坦福大学和著名的硅谷孵化器YC公司研发的创业课程是怎么样的吗？想知道李笑来老师丰富的创业经历中总结的最热血沸腾也最精华的部分吗？这本书将为你揭晓所有的答案，把神秘而不可知的创业成功要素系统化、具象化，为你解决创业过程中的各种迷惑。 关于作者 李笑来，前新东方名师，著名天使投资人，中国比特币首富，新东方时期著有《TOEFL核心词汇21天突破》，为广大考生必备书籍，后著有《把时间当作朋友》、《新生——七年就是一辈子》等个人成长相关书籍，他的《通往财富自由之路》专栏订阅量约21万，总营业额超4000万元。 核心内容 一是创业者具备的特点； 二是创业三要素。

前言 你好，这期音频为你解读的是《斯坦福大学创业成长课》，这本书约18万字，我会用大约10分钟的时间，为你讲述书中精髓：创业者如何从零到一，一步一步走向成功。 在全民创业的时代，死守着一份工资，望着显而易见的职业晋升天花板，看着朋友们毅然决然地离开单位，一拳一脚地创业成功，开豪车、住豪宅，心里是无比的羡慕。为什么有些人就能创业成功？而大多数人只能看着别人吃肉，自己却只能在“是否要创业”、“怎么创业”的矛盾和纠结中浑浑噩噩地过日子？ 我们今天要讲的《斯坦福大学创业成长课》将完美解答这些问题。本书基于美国硅谷顶尖孵化器YC和斯坦福大学联手打造的“如何创业”的课程，总结互联网趋势下产品、市场、团队等方面的创业干货，对有创业意愿的人有极大参考价值。 本书的作者李笑来创业经验丰富，通过财富积累，李笑来成为中国比特币首富，并创立比特基金，专注于互联网、比特币相关领域。 好，接下来我们来说这本书的核心内容吧。我将从两部分为大家讲解，第一部分是创业者具备的特点；第二部分是创业的三要素。 第一部分：创业者具备的特点 创业者和一般人究竟有什么不一样？《斯坦福大学创业成长课》总结了创业者的三个特点，这些特点让他们出类拔萃、与众不同。 第一个特点就是关注进步。 人的关注点分为两种，分别是“关注进步”和“关注表现”，乍看上去差不多，其实对人生造成的影响可谓是天壤之别。 “关注进步”的人焦点在于自己今天是否比昨天强，是不是又学会了新的东西；而“关注表现”的人焦点在于自己在人群里是不是表现的最好，别人对自己的看法如何。因为太在意自己一定要表现得“好”，所以有可能失败的事情，他们就不会去尝试，从而错失很多成长的机会。 创业者只有做到不在意别人的眼光，培养“关注进步”的习惯，才能获得持续的成长。 第二个特点是好奇心旺盛，善于学习。 在任何创业的领域，都需要深度了解行业技术，特别是在各行各业发展日新月异的现代，保持终身学习的习惯非常重要。

美国排名前100的大学

美国排名前100的大学 美国的教育质量在全球是有口皆碑的，因此去美国留学的外国学生特别多，中国学生要申请美国留学，最重要的是要选对学校和专业。 在这里，加成出国梦工厂教育小编为大家列举出了美国排名前100的大学，以及这些大学比较强的专业，以供大家选择。 1、哈佛大学 强势专业有历史学、工商管理、数学、经济学、英语学、物理学、心理学、社会学、生理学、政治学、生物化学、化学、地球科学等。 2、耶鲁大学 最重点学科是社会科学、人文科学和生命科学，三项最热门专业是生物学、历史学和经济学。 3、普林斯顿大学 数学和哲学闻名遐迩，历史、英语、政治和经济系也一样闻名遐迩。

4、哥伦比亚大学 建筑学、MBA、金融、艺术史、天文、生物科学、化学、计算机科学、数学、物理、地质、心理学、社会学、哲学、政治学、宗教、电影、历史、经济学、英语、法语、西班牙语及东亚和中亚语言文学系等。 5、芝加哥大学 人类学、天文学、地球科学、经济学、地理学、历史学、语言学、物理学、统计学、社会学、神学。商学院(金融、策略、国际商业、企业领导、市场行销等)全美顶尖。 6、斯坦福大学 最有特色的学科是生物、经济、心理学、英文、政治科学、其他名列前茅的课程有心理学、大众传播、化学、经济学和戏剧等。 7、麻省理工学院 电子工程、机械工程、物理学、化学、经济学、哲学、政治学。 8、杜克大学 政治学、公共政策、历史、化学、电子工程和生物医学工程。医学部、法学院、商学院排全美前11位，科学和工程学科尤为著名。 9、宾夕法尼亚大学 人类学、经济学、艺术史、语言学、心理学、音乐和拉丁语、商学、法学、医学、大众传播学。 10、西北大学 新闻学院、法学院、商学院。商学院全美TOP1,有商界的“西点军校”，新闻学院全美最好。 11、加利福尼亚理工学院 物理、工程、化学、生物、天文学、地质学、经济与政治学。在生物学、行星科学、地学领域被公认为全美第一，超过半数学生修读工科。 12、达特茅斯学院

星巴克咖啡连锁店客户满意度测评报告

顾客满意度测评报告 星巴克咖啡连锁店顾客满意度测评报告 一、报告摘要 我们对本公司的星巴克咖啡连锁店进行了顾客满意度指数测评。通过对珠海市范围内92名用户的问卷调查，测评出星巴克咖啡连锁店的顾客满意度指数为。测评结果反映出顾客对星巴克咖啡连锁店的满意程度，以及存在的急需解决的问题，我们对此提出了针对性的改进建议。 二、基本情况介绍 行业分类：快餐行业 调查地点：广东省珠海市 调查方法：问卷发放地点为珠海市各星巴克咖啡店门口，进行实地人员访问调查，并在现场对研究主题加以解说，对受访者之提问加以解析，以防止漏答或乱答所产生之无效问卷，以求收集到最多、最正确的资料。 调查时间：2011年10月23日~10月30日 样本数量：92份 样本情况：2个星期内光顾星巴克咖啡店的顾客 调查机构：星巴克咖啡连锁公司 报告撰写：星巴克咖啡连锁公司 三．正文 1、测评的背景 随着咖啡产业的开发，咖啡的激烈竞争及消费者意识升高压力，提升咖啡店的服务品质，追求顾客的满意，进而提高顾客的忠诚度已成为咖啡店经营管理者一個重要课題。为了更深入、客观地了解顾客对本公司主导星巴克系列产品的需求和使用感受，开展了顾客满意度指数的测评工作。本次测评的目的是： 确定影响星巴克系列产品顾客满意度指数的主要因素； 了解顾客对星巴克系列产品的满意度水平； 分析店铺环境、服务质量等因素对满意度结果的影响； 分析星巴克咖啡连锁店与竞争对手相比较存在哪些强项和薄弱环节。

2、测评指标设定 该模型主要由6种变量组成，即顾客期望、顾客对质量的感知、顾客对价值的感知、顾客满意度、顾客抱怨、顾客忠诚。其中，顾客期望、顾客对质量的感知、顾客对价值的感知决定着顾客满意程度，是系统的输入变量；顾客满意度、顾客抱怨、顾客忠诚是结果变量。 顾客满意度指数测评指标体系分为四个层次： 第一层次：总的测评目标“顾客满意度指数”，为一级指标； 第二层次：顾客满意度指数模型中的6大要素，如下所示； 顾客对星巴克的期望 顾客对星巴克质量的感知 顾客对星巴克价值的感知 顾客对星巴克的满意度 顾客对星巴克的抱怨 顾客对星巴克的忠诚 为二级指标 第三层次：由二级指标具体展开而得到的指标，为三级指标； 第四层次：三级指标具体展开为问卷上的问题，形成四级指标。 测评体系中的一级和二级指标适用于所有的产品和服务，实际上我们要研究的是三级和四级指标。见下表： 顾客满意度指数测评的二、三级指标

马云斯坦福大学励志演讲稿

马云斯坦福大学励志演讲稿【马云斯坦福大学演讲稿：对困难说爱，在沙漠中寻找的机会】 大家好。我今天感到非常荣幸能来到这里和大家见面。大约几个月前，斯坦福邀请我来演讲。我没有意料到。很多人说因为所有关于雅虎，阿里巴巴，和许多其他的新闻，这个时间点来这里演讲是非常的敏感。但是既然我做了一个承诺，我还是来了。今天如果你有任何问题要问我，我都会一一回答。 今天是我来美国的第15天，而且我打算在这里待上一年。这个计划没有人知道。甚至我的公司也不知道。大家问我为什么要来这里。要打算作收购雅虎的准备吗?不，大家都太敏感了。我来这里是因为我累了。过去XX年来太累了。我在1994年开创我的事业，发现了互联网，并为之疯狂，然后放弃了我的教师工作。那时候我觉得自己就像是蒙了眼睛骑在盲虎背上似的，一路摔摔打打，但依然奋斗着、生存着。在政府机关工作了16个月之后，1999年建立了阿里巴巴。 我们还幸运地拥有着淘宝网，支付宝，阿里云和集团下其他的公司。所以，建立阿里巴巴XX年后的今天，我决定需要休息一段时间。尤其今年的挑战实在是太艰辛了，这也

是我没有意料到的。中国人说每XX年是一个本命年。阿里巴巴今年在中国刚好是第XX年，也遇上了许多棘手的问题，好比今年初因为供应商欺诈事件导致首席执行官辞职，还有vie的问题，虽然我到现在仍然不知道什么是 vie，以及把淘宝分成四个公司的决策。所以，忙完所有这些事情之后我累了。我告诉自己，为什么不花个一年好好休息。尤其明年是我个人的本命年，肯定会比今年更辛苦。我想要花多一点时间好好准备，迎接明年更艰苦更困难的挑战。我需要好好休息才能为3到4年后的挑战做好准备。这三年如果事情出了错，大家可以批评淘宝，阿里巴巴或阿里云的首席执行官。但是三年后，如果事情出了错，那就是我的错。所以我准备在美国花上一段时间好好思考和放松。前两天，我开始再次练习起高尔夫球，好好放松。所以，来美国的目的真的不像是大家揣测的这么复杂。 我们是一间非常幸运的公司。我没有任何的背景，没有富裕的父亲，也没有很有权势的叔伯们，根本不用想能够有成功的机会。我记得1999年来到硅谷寻找资金，跟很多风投、资本家接洽，也去了menlo park一带开会。但是没有人有兴趣投资阿里巴巴，我被一一回拒。回到了中国，一点资本都没拿到。但是，我充满了信心。我看到了美国梦。我看到硅谷的快速成长，我看到许多公司的停车场不管是白天或黑夜，周一到周日，都是停满了车。我相信那种快速的成

企业战略Elearning在企业里的发展与展望

企业战略E l e a r n i n g在企业里的发展与展望 集团文件发布号：（9816-UATWW-MWUB-WUNN-INNUL-DQQTY-

★★★文档资源★★★【摘要】E-learning是知识经济时代新兴的一种学习方式。它以其丰富的信息资源、友好的交互性能以及优良的开放性等特点而越来越受到人们的青睐。在知识经济时代，合理地利用时间，高效地接受信息，更快地更新知识已成为人们占主导地位的价值观念。互联网的建立为快捷化的学习提供了良好的内部和外部环境。文章首先对E-learning进行了简单介绍，其次阐述了E-learning在我国企业的发展现状；最后提出未来E-learning在我国企业里最好的发展途径就是建立“企业大学”培训方式。 【关键词】E-learning；现状；展望 E-learning自从20世纪90年代以来，被称作“第四媒体”的互联网以其无限的容量、广阔的覆盖面实现了人类传播史上新的****，一个个由它创造的新景观，不断向人们展示它独特的魅力。此外，E-Learning以其网络化、个性化、可管理等优点成为一种新的技术应用时尚，受到各国企业培训的青睐。中国的E-Learning市场在经过几年的培育以后，国内的企业开始对E-Learning表现出浓厚的兴趣，并逐步实施E-Learning的解决方案。E-Learning是一种不同与传统企业培训的一种培训方式，有自己独特的优势，如果不考虑区别，培训很难达到预期的效果。 一、E-learning

依据美国教育部2000年度“教育技术******”权威的论述，认为“E-learning”是一种受教育的方式，主要包括新技术条件下的沟通机制和人与人之问的交互作用。这些沟通机制与方式主要指：计算机网络、多媒体、专业内容网站、信息搜索、电了图书馆、远程学习与网上课堂等.通过该概念可以引伸为通过互联网进行的教育及相关服务。其作用主要有：提供了学习的随时随地性;改变传统的教师作用和师生之问的关系；提高学生批判性思维和分析能力；极大地改变课堂教学的目的和功能。 二、E-learning在我国企业里的发展现状 中国大陆关于E-learning问题的研究热潮比国外滞后近10年左右，中国台湾要比大陆早一些，有关E-learning研究的文章，有许多都是对外国资料的引入，本土化的E-learning研究还十分少，主要原因是E-learning确实还是新生事物，其发展还需要很长的一个过程。尤其是在企业培训方面的学术论文很少。而研究新员工E-learning培训的就少之又少了。在中国大陆，E-learning研究主要有两个方向：（1）学术界（主要是教育技术界），将视角放在了远程教育，关注网络学历教育，学校的网络课堂建设，学习支持服务系统的建设等等，几乎与网络远程教育是一个概念；（2）企业培训及咨询业，焦点则是落在企业的培训，且重点放在企业管理培训。对于新员工的E-learning培训方面的研究，无论是国外，还是国内，都很少见到有专门的分支研究，而是常常在企业E-learning培训系统中作为案例或是系统的一个部分来解说。现

《斯坦福大学最受欢迎的创意课》读后感800字

《斯坦福大学最受欢迎的创意课》读后感 800字 导读：读书笔记《斯坦福大学最受欢迎的创意课》读后感800字，仅供参考，如果觉得很不错，欢迎点评和分享。 《斯坦福大学最受欢迎的创意课》读后感800字： 《斯坦福大学最受欢迎的创意课》这本书的作者是蒂娜.齐莉格，她是斯坦福大学的教授、斯坦福大学科技创业计划执行长和全国工业创新中心主任，2009年她获得美国国家工程学会戈登奖，除了这本书外，她还写了《真希望我20几岁就知道的事》。蒂娜.齐莉格教授是一位真正沉浸在自我创新和鼓励学生学习创新中的教授，听完这本书最大的感受是：创新是多么有趣的一件事，如果我们把创新当做一场好玩的游戏，那么探索也不是什么很难的事。 书中作者就创新教给了我们九招：1.把不相干的东西联系成新奇的创意。2.头脑风暴。3.细致观察寻找机会。4.营造有创意的环境。 5.用约束催生创意。 6.好的制度可以带来创新。 7.激发团队创意。 8.大胆尝试才会有创意产生。 9.阳光心态对创新很重要。看了这些高招，你是否与我一样有着强烈的想试一试的冲动？ 创新是现在非常流行的词，我们的工作要具有创新性，才会有价值。可是，我们也很清楚地看到，从接受教育开始，中国的孩子就较少被鼓励创新——一切都有标准答案，这也造成了中国很大一部分优

秀孩子共同的学习特点：吃苦耐劳，擅长考试。而美国教育，对创意、创新和创业的专业态度，已然是他们的文化，已经在他们那里成为课程、科学，成为体系。 听完这本书后以下几点让我反思：1.说到创新，我们总有惰性，总是想守着经验，舒适地工作，殊不知，也许安逸的背后就要面临淘汰。如我们老师，如果只会墨守成规，吃老本，不接触新的教育理念，课堂不革新，那他终会跟不上时代。2.只有勇于创新，我们才会发现另一个新天地，新的自我，才会到达一个新的高度。教学就是这样，有经验就会有瓶颈，如何突破，还得有创新的勇气才行，破才能立。 当然我也有疑惑之处，创新需要尝试，实践出真知！即使答案是否定的，也可以通过尝试找到新的创意，而且创新也需要一次一次的尝试完善。可我们教育行业面对的是学生，是人，如果我们的尝试一旦失败，谁又能负责？但我们又不能因为这固步自封。作者：许玉华感谢阅读，希望能帮助您！

连锁咖啡店顾客满意度涉入程度对忠诚度影响之研究以台北市星巴克为例

连锁咖啡店顾客满意度涉入程度对忠诚度影响之研究以台北市星巴克 为例 Document number【SA80SAB-SAA9SYT-SAATC-SA6UT-SA18】

连锁咖啡店顾客满意度、涉入程度对忠诚度影响之研 究-以台北市星巴克为例 The Effects of Customer Satisfaction and Involvement Levels on Customer Loyalty—An Empirical study of Starbucks Coffee Stores in Taipei City Area 郭佳铭 Chia Ming Kuo 高雄应用科技大学观光管理系四观三甲 中文摘要 近年来咖啡馆不断地在大街小巷崛起，可见各品牌咖啡馆的战国时期已然展开，连锁品牌的引进与知名财团的投入，不外乎是因为看好国内咖啡市场，着眼於其背後可观的商机，但到底台湾的咖啡市场还有多大的发展空间随着国人饮用咖啡的习惯逐渐养成，频率日渐升高，各咖啡品牌展店的数目和速度也全力加快，市场供需间的竞争自然日渐白热化，因此，各咖啡连锁店如何锁定目标客层，培养满意的顾客群，进而建立消费者对其的忠诚度，就必须各凭本事了。本研究试图针对咖啡连锁店建构消费者满意度与忠诚度间关系的架构，并纳入消费者本身对咖啡的涉入程度加以探讨，希望能提供相关业者在经营管理上与行销策略上的建议与修正。 本研究选定的产业范围为咖啡连锁店，碍於人力与时间的限制，选定台北市作为本研究的研究地理范围，并定义本研究所指咖啡连锁店乃是在台北市具有七家分店以上的咖啡连锁业者。本研究选定星巴克六家台北市咖啡店之消费者作为研究母体，根据过往研究结果预期得知以下研究结果： 1.「人口统计变数」对「满意度」或对「忠诚度」的差异只有部分显着。 2.「涉入程度」对「满意度」或对「忠诚度」的差异皆为显着。 3.「满意度」与「忠诚度」具有显着的关联性。 4.「涉入程度」对满意度与忠诚度间关系具有中介效果。 针对以上研究结果，本研究提出以下建议：研究计画提建议 1.吸引一个新顾客所需花费的成本是留住一个旧有顾客的五倍之多(Kolter, Leong, Ang & Tan,1996)，显见提升消费者忠诚度的重要性，而本研究发现消费者满意度与忠诚度间的确呈现正向关系，表示满意度的提升能有效带动忠诚度，使得消费者愿意再次购买、推荐亲朋好友购买，甚至可以容忍产品价格的些微上涨，因此，咖

学习课程eLearning基础知识

e-Learning基本知识（2008） 一、e-Learning概念及定义 E-learning又称电子化学习，是指通过计算机、网络等数字化方法进行学习与教学的活动，它充分利用IT技术所提供的、具有全新沟通机制与丰富资源的学习环境，实现一种新的学习方式。 （1）广义地讲，E-learning指电子化、数字化或互联网化学习。 （2）狭义地讲，E-learning指互联网化学习，因为互联网对人们工作和生活的影响越来越巨大，特别是在学习方面，日益成为一种主流的学习方式。 （3）从企业角度讲，E-learning是一种学习与绩效提升的解决方案，它通过网络等技术实现学习的全过程管理（设计、实施、评估等），使学习者获得知识、提高技能、改变观念、提升绩效，最终使企业提升竞争力。] 综上，E-learning是由网络电子技术支撑或主导实施的教学内容和学习，它是网络与信息科技（指学习管理系统-learning management system）、教学内容和学习技术的完美结合。包括因特网在线学习和内部网在线学习两种基本方式。 二、e-learning的历史及发展趋势 1、在E-learning已经得到了重视和较为广泛的运用： （1）在E-learning的发源地美国，自从1999年，在美国加州的online Learning大会上第一次提出这个概念以来，在全球范围内电子化学习的应用一直保持了一个很高的增长速度； （2）美国92%的大型企业已经或开始采用在线学习，其中60%的企业已经将e-Learning 作为企业实施培训的主要辅助工具。 （3）截止到2004年，全球20%的企业运用了在线学习模式； （4）据IDC(互联网数据中心)的估计，E-learning将达到占企业总训练量的40%，而传统的教室训练将下降至60%； （5）据ASTD（美国培训与发展协会）预测，到2010年，雇员人数超过500人的公司中90%都将采用E-learning进行培训。 2、在中国，E-leaning经历了一个逐渐被接受的过程： （1）从1999年已经有人开始研究E-learning的企业应用； （2）2001年国外在线学习公司开始进入中国 （3）2002年开始，很多中国大型的金融、通讯企业开始采用在线学习，如工行、太保、中移动、中国电信等企业。但由于发展阶段和需求的不同，国外的系统在中国无法大规模地推广和有效使用，市场呼唤国内的专业化企业能够开发出有效的系统和内容以满足市场不断增长的需求。 （4）04、05年在线学习以各种方式在中小企业开始运用2004年以来，中国企业E-learning 在加速发展之中，企业的HR部门逐渐看到了应用E-learning能为企业带来的优势，不但节省经费、时间、人力，而且使企业内部知识得到快速的更新，成为企业竞争力提升必不可少的一部分。另外，市场上也出现了一些能够提供很好内容和服务的供应商，如以时代光华为代表的e-learning提供商。 2001年e-learning的市场总额为52亿美元，预计2006年市场总额将达到237亿美元，年平均增长率为35.6%。这主要是由于这种新的学习培训模式确实能够大幅降低培训的

服务营销案例-星巴克的困境2.0

星巴克的困境 一、服务产品分析 (一) 星巴克的战略与差异化定位 1. 服务发展战略： 为人们提供“第三空间”的享受，倡导将生活与咖啡结合起来，将享受咖啡时的体验交错在人们的生活中； 2. 差异化定位： (二) 服务设计过程产生难点和解决 1. 服务设计过程中的难点： 服务不同于有型的产品，它具有四种主要的特性：不可储存性、无形性、同步性和可变性。 星巴克的战略与差异化 定位 服务设计过程产生难点和解决服务包的构成与服务的 传递

导致人们只能通过语言来描述服务，这就需要星巴克解决服务设计中的两个问题： （1）. 过于简单，不全面； （2）. 主观性较强，阐述具有偏见 2. 服务设计过程中难点的解决： （1）. 服务过程中提供丰富多样的产品，如零售渠道销售咖啡产品、咖啡豆和咖啡粉 等，让用户从多个角度感受到了星巴克的品牌价值和服务主张； （2）. 无形的服务通过有形的产品表现出来，如用户在进入星巴克之前，可能会尝试 星巴克的冰淇淋，让用户切实感受到星巴克的优质产品。 (三) 服务包的构成与服务的传递 1. 服务包的构成 （1）. 核心服务——提供根本服务 为顾客提供最好的咖啡和周边产品，如罐装咖啡、咖啡粉、咖啡豆和冰淇淋等。 （2）. 便利性服务——增加服务可获得性 咖啡粉、罐装咖啡等产品遍布在机场、餐厅和旅馆；（购买前） 星巴克服务场所多位于交通密集、可见度高的场所；（购买前） 整个咖啡购买过程当中，3分钟内的服务承诺；（购买中） 拟引进自主咖啡机，用户更方便地获取咖啡；（购买中） 会员卡制度，为顾客提供方便的；（购买中） 提供享用咖啡的场所，用户可以更方便地品尝咖啡（购买后） （3）. 支持性服务——增加服务的互动性 合作者被鼓励和顾客交谈，为顾客提供意想不到的惊喜； 提供点心、苏打水和果汁和咖啡相关的器具； 无线高速上网； 与其他顾客进行互动，周围的环境让顾客愿意留下来 （4）. 顾客参与 核心服务 便利性 服务 辅助性 服务 顾客参与