Wie man einen gleitenden Durchschnitt verwendet, um Aktien zu kaufen Der gleitende Durchschnitt (MA) ist ein einfaches technisches Analyse-Tool, das Preisdaten durch die Schaffung eines ständig aktualisierten Durchschnittspreises ausgleicht. Der Durchschnitt wird über einen bestimmten Zeitraum, wie 10 Tage, 20 Minuten, 30 Wochen oder jede Zeitdauer, die der Händler wählt, übernommen. Es gibt Vorteile mit einem gleitenden Durchschnitt in Ihrem Trading, sowie Optionen auf welche Art von gleitenden Durchschnitt zu verwenden. Moving durchschnittliche Strategien sind auch beliebt und kann auf jeden Zeitrahmen angepasst werden, sowohl langfristige Investoren und kurzfristige Händler passen. (Siehe Die Top Four Technical Indicators Trend Trader müssen wissen.) Warum ein Moving Average Ein gleitender Durchschnitt kann dazu beitragen, reduzieren die Menge an Lärm auf einer Preis-Chart. Schauen Sie sich die Richtung der gleitenden Durchschnitt, um eine grundlegende Vorstellung davon, wie der Preis bewegt wird. Abgewinkelt und Preis ist nach oben (oder war vor kurzem) insgesamt, abgewinkelt und der Preis verschiebt sich insgesamt, seitwärts verschieben und der Preis ist wahrscheinlich in einer Reihe. Ein gleitender Durchschnitt kann auch als Unterstützung oder Widerstand dienen. In einem Aufwärtstrend kann ein 50-Tage-, 100-Tage - oder 200-Tage-Bewegungsdurchschnitt als Stützpegel dienen, wie in der folgenden Abbildung gezeigt. Dies ist, weil der Durchschnitt fungiert wie ein Boden (Unterstützung), so dass der Preis springt von ihm aus. In einem Abwärtstrend kann ein gleitender Durchschnitt als Widerstand wie eine Decke wirken, der Preis schlägt ihn und fängt wieder an, wieder zu fallen. Der Preis nicht immer respektieren die gleitenden Durchschnitt auf diese Weise. Der Preis kann durch ihn leicht oder stoppen und rückwärts laufen, bevor er es erreicht. Als allgemeine Richtlinie, wenn der Preis über einem gleitenden Durchschnitt ist der Trend ist. Wenn der Preis unter einem gleitenden Durchschnitt ist der Trend nach unten. Bewegungsdurchschnitte können jedoch unterschiedliche Längen haben (kurz erörtert), so kann man einen Aufwärtstrend angeben, während ein anderer einen Abwärtstrend anzeigt. Arten von Bewegungsdurchschnitten Ein gleitender Durchschnitt kann auf unterschiedliche Weise berechnet werden. Ein fünf Tage einfacher gleitender Durchschnitt (SMA) addiert einfach die fünf letzten täglichen Schlusspreise und teilt sie durch fünf, um einen neuen Durchschnitt jeden Tag zu verursachen. Jeder Durchschnitt ist mit dem nächsten verbunden, wodurch die singuläre fließende Linie. Eine andere populäre Art von gleitendem Durchschnitt ist der exponentielle gleitende Durchschnitt (EMA). Die Berechnung ist komplexer, erfordert aber grundsätzlich mehr Gewichtung auf die jüngsten Preise. Plot ein 50-Tage-SMA und eine 50-Tage-EMA auf dem gleichen Chart, und Sie werden bemerken, dass die EMA reagiert schneller auf Preisänderungen als die SMA, aufgrund der zusätzlichen Gewichtung auf aktuelle Preisdaten. Charting-Software und Handelsplattformen tun die Berechnungen, so dass keine manuelle Mathematik erforderlich ist, um eine MA zu verwenden. Eine Art von MA ist nicht besser als eine andere. Eine EMA kann in einer Aktie oder einem Finanzmarkt für eine Zeit besser funktionieren, und manchmal kann ein SMA besser funktionieren. Der Zeitrahmen, der für einen gleitenden Durchschnitt gewählt wird, wird auch eine bedeutende Rolle spielen, wie effektiv er ist (unabhängig vom Typ). Durchschnittliche durchschnittliche Länge Durchschnittliche durchschnittliche Längen sind 10, 20, 50, 100 und 200. Diese Längen können je nach Handelshorizont auf einen beliebigen Chartzeitrahmen (eine Minute, täglich, wöchentlich usw.) angewendet werden. Der Zeitrahmen oder die Länge, die Sie für einen gleitenden Durchschnitt wählen, der auch Rückblickzeit genannt wird, kann eine große Rolle spielen, wie effektiv er ist. Ein MA mit einem kurzen Zeitrahmen reagiert viel schneller auf Preisänderungen als ein MA mit einem langen Blick zurück Zeitraum. In der unten stehenden Grafik zeigt der 20-Tage-Gleitkurs den tatsächlichen Preis näher als der 100-Tage-Kurs. Der 20-tägige Tag kann für einen kürzerfristigen Trader von analytischem Nutzen sein, da er dem Preis enger folgt und daher weniger Verzögerungen verursacht als der längerfristige gleitende Durchschnitt. Lag ist die Zeit, die für einen gleitenden Durchschnitt benötigt wird, um eine mögliche Umkehr zu signalisieren. Als eine allgemeine Richtlinie, wenn der Preis über einem gleitenden Durchschnitt liegt, wird der Trend betrachtet. Also, wenn der Preis sinkt unter dem gleitenden Durchschnitt es signalisiert eine potenzielle Umkehr auf der Grundlage dieser MA. Ein 20-Tage gleitender Durchschnitt liefert viel mehr Umkehrsignale als ein 100-Tage gleitender Durchschnitt. Ein gleitender Durchschnitt kann jede beliebige Länge, 15, 28, 89 usw. sein. Die Anpassung des gleitenden Durchschnitts, so dass es genauere Signale auf historischen Daten liefert, kann dazu beitragen, bessere Zukunftssignale zu erzeugen. Handelsstrategien - Crossovers Crossovers sind eine der wichtigsten gleitenden Durchschnittsstrategien. Der erste Typ ist ein Preis-Crossover. Dies wurde früher diskutiert und ist, wenn der Kurs über oder unter einem gleitenden Durchschnitt kreuzt, um eine mögliche Trendveränderung zu signalisieren. Eine andere Strategie ist es, zwei gleitende Durchschnitte auf ein Diagramm anzuwenden, ein längeres und ein kürzeres. Wenn die kürzere MA über die längerfristige MA geht, ist das ein Kaufsignal, wie es den Trend anzeigt, sich zu verschieben. Dies wird als goldenes Kreuz bezeichnet. Wenn die kürzere MA unterhalb der längerfristigen MA geht, ist sie ein Verkaufssignal, da sie anzeigt, dass sich der Trend nach unten verschiebt. Dies wird als Tot - / Todeskreuz bezeichnet. Bewegungsdurchschnitte werden auf der Grundlage von historischen Daten berechnet, und nichts über die Berechnung ist prädiktive Natur. Daher können Ergebnisse mit gleitenden Durchschnitten zufällig sein - manchmal scheint der Markt zu respektieren MA Support / Widerstand und Handel Signale. Und andere Male zeigt es keinen Respekt. Ein großes Problem ist, dass, wenn die Preisaktion wird choppy der Preis schwingen hin und her erzeugen mehrere Trend Umkehr / Handel Signale. Wenn dies geschieht, sein bestes, um beiseite zu treten oder einen anderen Indikator zu verwenden, um zu helfen, den Trend zu erklären. Dasselbe kann bei MA-Crossover auftreten, wo die MAs für eine Zeitspanne verwirren, die mehrere (magere Verlierenden) Trades auslöst. Gleitende Mittelwerte arbeiten sehr gut in starken Trending-Bedingungen, aber oft schlecht in choppy oder ranging Bedingungen. Das Anpassen des Zeitrahmens kann dies vorübergehend unterstützen, obwohl es an einem gewissen Punkt wahrscheinlich ist, dass diese Probleme ungeachtet des für die MA (s) gewählten Zeitrahmens auftreten. Ein gleitender Durchschnitt vereinfacht die Preisdaten durch Glätten und Erzeugen einer fließenden Linie. Dadurch können Trenntrends vereinfacht werden. Exponentielle gleitende Mittelwerte reagieren schneller auf Preisänderungen als ein einfacher gleitender Durchschnitt. In einigen Fällen kann dies gut sein, und in anderen Fällen kann es zu falschen Signalen. Auch die Wechselkurse mit einer kürzeren Rückblickperiode (z. B. 20 Tage) reagieren schneller auf Preisänderungen als ein Durchschnitt mit einer längeren Blickperiode (200 Tage). Moving Durchschnitt Crossovers sind eine beliebte Strategie für die Ein-und Ausgänge. MAs können auch Bereiche der potenziellen Unterstützung oder Widerstand. Während dies kann prädiktiv erscheinen, sind gleitende Durchschnittswerte immer auf historischen Daten basieren und zeigen einfach den durchschnittlichen Preis über einen bestimmten Zeitraum. Rechnungslegungsmethoden, die sich auf Steuern und nicht auf das Auftreten von öffentlichen Abschlüssen konzentrieren. Steuerberatung wird geregelt. Der Boomer-Effekt bezieht sich auf den Einfluss, den der zwischen 1946 und 1964 geborene Generationscluster auf den meisten Märkten hat. Ein Anstieg der Preise für Aktien, die oft in der Woche zwischen Weihnachten und Neujahr039s Day auftritt. Es gibt zahlreiche Erklärungen. Ein Begriff verwendet von John Maynard Keynes verwendet in einem seiner Wirtschaftsbücher. In seiner 1936 erschienenen Publikation The General Theory of Employment. Ein Gesetz der Gesetzgebung, die eine große Anzahl von Reformen in U. S. Pensionspläne Gesetze und Vorschriften. Dieses Gesetz machte mehrere. Ein Maß für den aktiven Teil einer Volkswirtschaft. Die Teilnahmequote bezieht sich auf die Anzahl der Personen, die sind. Transformation: Analysis Techniques Teil 4 Verwandte Beiträge: Transformation ist der Akt des Nehmens einer Reihe von Werten aus einem Datensatz, die Verarbeitung sie in irgendeiner Weise (abhängig von den Zielen der Forschung) und Mit dem Ziel, einige Aspekte der Daten aus einer neuen Perspektive aufzudecken. (Dieser Artikel ist der vierte Teil in der Deconstructing Analysis Techniques-Reihe.) Diese Technik ist dadurch gekennzeichnet, dass die Werte geändert werden, dass jemand, der die neuen Werte betrachtet, nicht in der Lage ist, rückwärts zu den ursprünglichen Werten zu arbeiten, und dass für jede Originaldaten Punkt gibt es einen einzigen, neuen Datenpunkt. Der Unterschied zwischen einer Manipulationstechnik und einer Transformationstechnik besteht darin, dass manipulierte Datensätze mit dem Original kongruent sind, während transformierte Daten nur die Kardinalität (dh die gleiche Anzahl von Elementen) beibehalten, . Also, was bedeutet das alles We8217re reden hier über Analyse-Methoden wie: Skalierung 8211 unter einem Satz von Daten und massiert sie an eine Verteilung oder 8216shape8217 der Werte passen. Gleitende Mittelwerte 8211, die eine Anzahl aufeinanderfolgender Werte annehmen und sie als 8216smoothing8217 den letzten Wert in der Reihe mitteln. Die gewichteten Durchschnitte 8211 berechnen einen Durchschnittswert, bei dem mehr Werte 8211 8216weight8217 8211 auf einige Werte gegeben werden. Die gewichteten Indizes 8211 berechnen eine indizierte Punktzahl (gegen eine Grundlinie), wobei mehr Wert 8211 8216weight8217 auf einige Werte gegeben wird. Saisonale Anpassungen 8211 eine Anpassung an einen Datenpunkt zur Berücksichtigung der zyklischen Spitzen und Täler, um die 8216real8217 Verschiebung Unterschiede 8211 eine Methode der Betrachtung der Veränderungen zwischen einem Wert und dem nächsten. Nun, die meisten dieser Methoden fühlen sich zunächst ziemlich technisch, quantitativ und entfernt von Standard-Design-Forschung Analyse. Allerdings bilden sie eine leistungsstarke Sammlung von Analyse-Methoden, die besser ausrüsten Sie bei der Gestaltung der Forschung. Sie stellen auch relativ niedrige mathematische / quantitative Methoden dar und sind in einem Standardkalkulationsprogramm verfügbar. Noch wichtiger ist, richtig verwendet, diese Methoden 8211 und Transformationstechniken im Allgemeinen 8211 eröffnen neue Wege für das Verständnis der Menschen, die die Dienste und Produkte, die wir entwerfen verwenden wird. Diese Methoden 8211 und Transformationstechniken in der Regel 8211 eröffnen neue Wege für das Verständnis der Menschen, die die Dienste und Produkte, die wir design.8221 In 8220Deconstructing Analysis Techniques 8221 verwenden wir das Beispiel der Anpassung Testergebnisse auf eine vorgegebene Wahrscheinlichkeitsverteilung verwendet 8211 Skalierung 8211 als Beispiel für Transformationstechniken. Wenn wir ein Populationsmerkmal 8211 wie eine Höhe oder eine Testkerbe 8211 messen, erzeugen wir für diese Eigenschaft einen Beispielsatz von Daten (sofern wir nicht die gesamte Population messen). Es gibt Zeiten, wenn die Rohverteilung (die Häufigkeit des Auftretens für jeden Wert in unseren Daten) der Ergebnisse ist nicht das, was wir nachher. Wir können die Form und die Attribute von zwei getrennten Proben 8211 zwei Gruppen von Testteilnehmern vergleichen, zum Beispiel 8211 und so verwandeln wir die beiden Sätze von Daten, so dass sie einen gemeinsamen Mittelwert haben (der Durchschnittswert für den Datensatz). Normalerweise wird dies getan, um beide Sätze von Daten zu einer sogenannten 8216normalized8217-Verteilung mit einem Mittelwert von 0 zu bringen. Natürlich wollen wir in unserem Test - / Prüfergebnisbeispiel die Punkte so anpassen, dass die Klasse als Ganzes eine erhält Vordefinierte Anzahl von A, B, C, D Verstärker F. Was wir hier tun, ist, die Gesamtform der Daten anzupassen. (In diesen Fällen wird ein Diagramm der Rohdaten von den skalierten Daten abweichen.) Beim Graphen sehen die skalierten Daten grob glockenförmig aus. Wobei die mittleren 8211 oder 8216hump8217 8211 die durchschnittliche Leistung darstellen und die zwei dünnen Schwänze, die Hochleistungs (am oberen Ende) und Versagen (am unteren Ende) darstellen. Moving Averages Ein gleitender Durchschnitt wird verwendet, um Tages-Tages-Fluktuationen mit Zeitreihendaten zu glätten. Es ist, buchstäblich, der Durchschnitt der vorherigen x Tage8217 Wert von Daten. Ein gutes Beispiel wäre die Anzahl der Seitenaufrufe, die von einer Website erhalten werden. Jeden Tag werden die Daten auf und ab springen, wodurch ein Gefühl von 8220noise8221, dass die Analyse schwierig macht, und, wenn eine kleine Anzahl von Beobachtungen isoliert betrachtet werden, kann einen falschen Eindruck erzeugen. Ein gleitender Durchschnitt ist nützlich in Zeitreihen oder Längsschnittstudien, bei denen wir den Wert eines Merkmals für ein einzelnes Objekt (Person, Server, Standort usw.) über die Zeit messen. Ein sehr gut publiziertes und wichtiges Beispiel dafür ist die Reihe der globalen Temperaturmessungen, die von beiden Seiten der Klimawandeldebatte genutzt wurden. Skeptiker der globalen Erwärmung weisen auf eine jüngste Beobachtungsperiode (2002 8211 2007) hin, die einen Rückgang der globalen Durchschnittstemperaturen zeigen. Wenn die gleichen Daten mit einem gleitenden Durchschnitt betrachtet werden, Glätten der Spitzen und Täler, eine deutliche Aufwärtsbewegung gesehen wird. Die Wahl des Zeitraums, der bei der Berechnung eines gleitenden Durchschnitts verwendet werden soll, beruht auf den spezifischen Umständen der Daten. Allerdings ist der gesunde Menschenverstand in der Regel alle that8217s erforderlich. Zum Beispiel, wenn man auf Web-Traffic, ein gleitender Durchschnitt über 7 Tage berechnet ist ausreichend, um Spikes, die während einer bestimmten Woche auftreten. Sie können auch einen gleitenden Durchschnitt über einen Monat berechnen, wenn Fluktuationen über einen längeren Zyklus auftreten. Gewichtete durchschnittliche gewichtete Durchschnittswerte zielen darauf ab, eine der Kritikpunkte eines gleitenden Durchschnitts 8211 und anderer Arten von Durchschnittswerten 8211 anzusprechen, dass alle Werte im Durchschnitt gleich behandelt werden. Oftmals ist eine Beobachtung wichtiger oder wichtiger als die andere. Let8217s sagen zum Beispiel we8217re Messung der Zeit, um eine Aufgabe in einer User-Evaluation-Session abzuschließen. Wir haben Vertreter aus jeder unserer Personas (oder anderen Zielgruppensegmente): 2 primäre personas, 3 sekundäre personas und eine tertiäre persona. In diesem Fall ist die Leistung der beiden primären Persönlichkeitsvertreter weitaus bedeutsamer als die des tertiären Teilnehmers. Wenn wir den mittleren Zeit-bis-Wert berechnen, können wir die Ergebnisse gewichten, um die relative Wichtigkeit der einzelnen Teilnehmer zu reflektieren. Wir können die Gewichtung folgendermaßen zuordnen (und die genauen Werte variieren für Sie): Primär: multiplizieren mit 9 Sekundär: multiplizieren mit 3 Tertiär: kein Multiplikator Was wir im Wesentlichen sagen, ist, dass unsere Sekundärpersonen dreimal so wichtig sind wie unsere Tertiärpersonen Und dass unsere primären Persönlichkeiten dreimal so wichtig sind wie unsere sekundären. Wir könnten genauso einfach einen Faktor von 2 (anstelle von 3) verwenden, der zu Werten von 4, 2 Ampere 1 im obigen Beispiel führt, worauf es ankommt, dass wir gewichtete Durchschnitte verwenden, um die Datenmenge anzupassen, um der relativen Bedeutung einiger messbarer Daten Rechnung zu tragen Gesetzt durch irgendeine exogene Variable. Gewichteter Index Ein indexierter Wert wird in Bezug auf eine bestimmte Grundlinie gemessen. Ziel ist es, eine Bewegung um einen Startpunkt zu vermitteln, wenn keine Möglichkeit besteht, eine Null festzulegen. Ein Beispiel für einen Index könnte eine Zufriedenheitsscore sein. Da die Zufriedenheit ein weitgehend subjektives Maß ist, gibt es keine Möglichkeit, einen Nullpunkt zu definieren. Stattdessen messen wir normalerweise eine 8216pre8217 Abbildung und Diagramm, das über Zeit. Gemeinsame Werte für einen Index sind Null und 100. Die Wahl ist willkürlich und wird typischerweise für Klarheit in der Kommunikation gewählt. Indizes werden oft als ein Aggregat aus einer Anzahl von Messungen berechnet. Aber es ist auch der Fall, dass wir manchmal die Daten, die wir erhalten, von einer Gruppe als wichtiger als eine andere behandeln. Hier ist ein gewichteter Index nützlich. Ein gewichteter Index 8211 wie unser gewichteter Durchschnitt 8211 behandelt verschiedene Werte als mehr oder weniger wichtig. Wenn es also gängige Praxis ist, ein Produkt oder eine Dienstleistung zu entwerfen, um die Bedürfnisse unserer primären Zielgruppensegmente besser zu erfüllen, ist es auch sinnvoll für unseren Zufriedenheitsindex, mehr Bestände an der Zufriedenheit unserer primären Segmente zu setzen. Wir tun dies, indem wir eine Gewichtung (einige Multiplikator) auf jedes Stück von Daten basierend auf seiner relativen Bedeutung gesammelt. Wir könnten leicht das gleiche tun, mit Antworten auf eine Frage wie 8220Would empfehlen Sie diesen Service zu einem friend8221 Diese Technik bietet uns eine mit einem bequemen Weg, um positive Bias 8211 auf die Bedürfnisse unserer wichtigen Zielgruppen Segmente 8211 direkt in unsere Forschungsmethoden zu bauen. Saisonale Anpassungen Einige der Dinge, die wir in der Designforschung beobachten, unterliegen zyklischen Variationen. Wir können jedoch nicht eine Änderung in unseren Daten aufgrund von 8220seasonal8221 Fluktuationen einschließen, sondern stattdessen 8220real8221 Änderungen (z. B. in der Häufigkeit der Verwendung) identifizieren. Um die realen Veränderungen in unseren beobachteten Daten betrachten zu können, müssen wir zunächst die saisonale Variabilität berücksichtigen. Ein vertrautes Beispiel könnte sein, die Anzahl der Seitenansichten oder eindeutige Besuche zu sehen, die von einer Website empfangen werden. Wir könnten einen großen Lift im Verkehr zwischen Sonntag amp Montag und einem großen Tropfen zwischen Freitag Am Samstag sehen. Um festzustellen, ob ein beobachteter Rückgang der Verkehr an einem Samstag 8220normal8221 ist, müssen wir auf die regelmäßige Muster der Veränderungen und 8220adjust8221 der Samstag-Abbildung zu suchen. Eine Möglichkeit, dies zu tun ist, um den durchschnittlichen Rückgang der Verkehr im Laufe der Zeit (zwischen Freitag und Samstag Samstag) zu berechnen und dann gelten für die aktuelle Beobachtung für Freitag. Dies als Prädiktor oder Schätzer für den aktuellen Samstag, den wir dann mit den tatsächlichen beobachteten Daten vergleichen können. Der durchschnittliche Unterschied fungiert als saisonale Anpassung. Das Adaptive Path Aurora-Konzept verwendet ein Szenario, in dem ein Landwirt zeigt, dass ihre Farm wird immer noch regen, mit saisonalen Anpassung. Siehe Video Unterschiede Es gibt Zeiten, in denen das, was wir wissen wollen, nicht der rohe Wert einer Beobachtung ist, sondern der Wechsel zwischen einer Beobachtung und der nächsten. Die Berechnung (Transformation) ist einfach: Für jedes Paar von Beobachtungen, subtrahieren eine von der anderen. Von mehr Interesse ist, warum wir so etwas wissen wollen. Betrachten wir einen Test eines neuen Designs, in dem wir zuerst die Zeit testen, um eine Aufgabe mit dem aktuellen Design und dann die gleiche Aufgabe mit einem neuen Design abzuschließen. Über alle Teilnehmer des Tests sind die rohen Beobachtungen (d. h. Zeit bis zum Ende) weit weniger interessant als die Veränderung in dieser Zeit als Ergebnis des neuen Designs. (Man beachte, dass wir diese Veränderung eher als einen Prozentsatz und nicht als einen Rohwert ausdrücken wollen.) Wir können die gleiche Technik verwenden, um die Variabilität einer Beobachtung über die Zeit hervorzuheben. Zum Beispiel können wir verfolgen die Anzahl der Verbindungen oder 8216friends8217 eine Person hat in einigen sozialen Netzwerk zu verstehen, die Beziehung zwischen der aktuellen Anzahl von Verbindungen und die Rate, mit der neue Verbindungsanforderungen kommen. Um die Anzahl der neuen Verbindung identifizieren wir einfach Berechnen Sie den Unterschied zwischen aufeinanderfolgenden Beobachtungen. Obwohl primär auf quantitative Daten angewendet, sind Transformationstechniken in einer breiten Palette von Designforschungsaktivitäten über die quantitative hinaus nützlich. Die Transformation unserer Forschungsdaten kann dazu dienen, Lärm zu reduzieren und scharfe Entlastungseigenschaften des zugrunde liegenden Nutzerverhaltens zu bewirken. Der Akt der Umwandlung entfernt uns von den rohen, ursprünglichen Daten, aber dabei können wir die Möglichkeit gewinnen, sinnvolle Einblicke aufzudecken, die uns sonst verborgen bleiben. Steve Baty Steve Baty, Leiter der Meld Studios. Hat über 14 Jahre Erfahrung als Design - und Strategiepraktiker. Steve ist im Bereich der Erfahrungsstrategie und - designs bekannt und trägt durch Artikel und Konferenzen zum öffentlichen Diskurs über diese Themen bei. Steve dient als Vice President der Interaction Design Association (IxDA) ist ein regelmäßiger Beitrag zu UXMatters dient als Redakteur und Beitragender zu Johnny Holland (johnnyholland. org) und ist der Gründer von UX Book Club eine weltweite Initiative bringt Benutzer Erfahrung Praktiker in über 80 Standorten zu lesen, zu verbinden und zu diskutieren Bücher über User Experience Design. Steve ist Co-Chair von UX Australia Australias führende Konferenz für User Experience Praktiker und Chair of Interaction 12 die jährliche Konferenz der IxDA für 2012.
No comments:
Post a Comment