「原理」这个专题,主要介绍数据分析师的常用分析方法和原理。我们先从目前最常用的AB-Test讲起。
主要从以下一些知识点做了准备: 常用的分析方法、Excel、SQL、 A/B测试、产品分析。
本文主要探讨了小流量AB测试的可行性,以及如何通过消除异常数据、正确统计进入试验的用户数、点击转化率、同层试验共用原始版本数据等方法,来减少流量浪费,提高试验的准确性和效果。
越来越多的公司重视AB测试,按照猫哥的经验,之前会Excel就行,SQL是加分项。后来变成了必须懂SQL,AB测试是加分项。再到后来变成了,AB测试和SQL都是必会的东西。
AB测试在很多互联网产品中都很常用,甚至有很多老牌的软件企业也从这种方式中汲取经验。 AB测试指的是什么呢? 在我看来,AB测试是一种评价体系的核心思想。大致的工作流程如下,当我不知道一种产品的A方案好还是B方案好的时候,或者两种设计完全不同的产品A和B的市场反应如何的时候,我会考虑找两组用户来进行测试。 比如设置两个对比组,A组100人,B组100人,给A组人产品的A方案,给B组人产品的B方案,然后观测各种反应指标。最后得出一种相对客观的比对结论。这就是AB测试的整体思路。 AB测试虽然对于互联网产品是一
在互联网行业,无论是构建搜索推荐系统,还是智能营销等场景,都是围绕用户进行不同的实验,从各项指标上观察用户对不同交互、流程、策略、算法等反馈,进而对产品、营销策略、搜索推荐算法等进行迭代改进。
可能大家都会有个疑惑,来了一个需求,要我们跑个数据,我们不输出数据,我们要输出啥?其实输出数据是最简单的,但是不知道大家是否有想过,他要这个数据的背后是什么?
广告主是指想为自己的品牌或者产品做广告推销的用户,广告的根本目的是提高营销收入,从模式上看又分为两种:品牌广告和效果广告。
在上一篇文章统计学(2)|A/B测试—理论基础中,我们理清了AB测试的理论基础——假设检验的思想,并且严格推导了为什么现在公司做AB测试基本全都使用
“把用户分为两拨儿,一拨儿依然使用旧版本产品,另一拨儿测试新版本产品,最后比较两拨儿人的指标,比如转化率,人均利润等等,看哪拨儿用户的指标结果好,就说明哪版产品更好,为后续产品更新迭代提供数据支持。”
AB测试最核心的原理,就四个字:假设检验。检验我们提出的假设是否正确。对应到AB测试中,就是检验实验组&对照组,指标是否有显著差异。
在推荐系统中,评测效果,除了离线的AUC,更合理的方法是通过线上真实的AB测试,来比较策略的效果。
近期和团队完成了一次AB测试,期间发现有些小伙伴对AB测试的理解还不够透彻,刚好项目结束,结合实际情况,对AB测试做一次完整梳理,一方面算是复盘实际项目,另一方面也算是个总结,以帮助更多的初级数据分析师快速掌握一些高阶方法,促进晋升。
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
严谨的产品迭代过程(策略,算法, 界面调整, 功能调整), 一定要先经过AB测试, 在少部分流量上进行测试, 没问题了再逐渐放量
2000年Google的工程师第一次将AB测试用于测试搜索结果页展示多少搜索结果更合适,虽然那次的AB测试因为搜索结果加载速度的问题失败了,但是这次的AB测试可以认为是Google的第一次AB测试。
App的内购的优化很重要。或者说,凡是移动端的购买转化优化都很重要。 这么说有一点同意反复的啰嗦,但app与web不同,app用于说服(或者影响)消费者的空间比较有限,篇幅不能太长,画面不能太多,而且也不可能总是弹出窗口骚扰消费者。 所以app中实现转化的难度我觉得总体要比web高很多,实现app的转化不能拖泥带水,试错的机会不多,需要在洞察消费者心理之后一击必中。 但是,普遍的一个感觉困惑的地方在于,消费者的心理很难把握,尤其是对于消费者愿意接受的价格的把握。如何将价格优化到正好合适的地方
大家好,从本章开始,我们用Apache bench和JMeter对kubernetes环境中的web服务做性能测试,经历过一系列实战后,对我们有以下帮助:
文章[2] 策略的改变,不是由我们随便“拍脑袋”得出,而是一种建立在数据基础上的思维方式,数据反馈会告诉我们做的好不好,哪里有问题,以及衡量可以带来多少确定性的增长。
在之前的两篇文章里,我们详细介绍了AB测试的理论基础,以及如何科学全面地对AB测试的结果进行分析。有了这些基础之后,我们来看一下实际工作如何进行AB测试。
来源:https://www.jianshu.com/p/0df88fe4a1e3
这个“常见”,是说当我们经历多了之后,会发现这个概念其实很常见,在当前你所处的这个人群中,发现大家都挂在嘴上。
AI 科技评论按,在近日世界人工智能大会智能金融主题论坛上,加州大学伯克利分校迈克尔·欧文·乔丹(Michael I. Jordan)教授进行了精彩的分享。甫一开始,他就笑谈称,金融论坛让他更加舒服和自如。“这两天参加的AI论坛,让我不是那么自在,感觉他们是在讲科幻小说,金融领域更加实际。”
我们是一个做云服务的创业公司,所以我就云服务创业公司的角度,来谈谈我们是怎么去实践敏捷开发的。确切地说,就是讲讲我们这几年的这些教训...
上篇文章我们详细的解读了AB测试的原理及流程。今天我们来结合流程,讲讲具体的AB测试案例,以及AB测试中需要注意的问题,还有面试中可能会踩的坑。
本期汇总整理常见的几种数据分析方法:归因分析、AB测试、RFM模型、热图分析、标签管理和同期群分析等11个精华问答。
前两讲从比较宽的范围讲了一下推荐系统做什么,以及在这个时代背景下的发展历程。从这一讲开始,我们则会逐渐进入技术细节。
上周日,帮一个做B端业务的商业产品总监面了两个入门不久的同学。这里给大家分享下过程,以及师兄在里面看到的一些普遍的问题。
在实际工作中,大家很少有机会经历从0到1的项目,绝大多数情况是加入到一个已经发展了一段时间的团队,参与维护已经运行了几年的项目。
眼花缭乱的东西很多,真正派上用场的,却不见得是那些看起来炫酷的。很多方法朴实无华,却解决大量的问题。 下面十个方法都是我这么多年做互联网运营分析时一定会用到的最经典的方法。这些方法如果烂熟于心,其实互
当我们设计了一个新的功能模块、策划了某种活动或者有多种方案不知如何抉择时,想要验证新的功能模块或者活动上线是否能给业务带来显著的收益,但由于受到个人思维的局限性以及全量用户的不可调研性,可能会导致一个功能的预期效果与实际线上后的效果存在认知、实用上的差异。
作者简介 杨宗良,携程深圳机票研发部资深开发工程师,现参与国际机票Online项目的维护及JAVA重构工作。 最近,在给项目组使用Spring搭建Java项目基础框架时,发现使用Spring提供的B
基于找靓机APP接入内部UITest框架,已累计了70+场景case和140+埋点验证case ,且已经投入业务上线的回归使用。同时现有的AB测试需求,虽经过前期的AB实验流程建设,人工验证流程在质量和效率上已有大大提升,但是投入的人力成本还是比较高,重复性极强,且验证的数据都是固定的,假设1个需求有ABC共3个分组,验证Android+IOS 两端,人力预计投入约8-10小时。那么有没有办法通过UI 自动化去提效,解决这种困境呢?
很多方法朴实无华,却解决大量的问题。下面十个方法都是我这么多年做分析时一定会用到的最经典的方法。这些方法如果烂熟于心,其实只要掌握分析的最核心部分也就差不多了。真没那么复杂。
这篇文章是《互联网运营增长的十个经典模型(2019年版)》的“兄弟篇”,两篇文章一个讲模型,一个讲方法,都是数据化营销与运营领域非常重要的知识内容。
PAL: A Position-bias Aware Learning Framework for CTR Prediction in Live Recommender Systems(RecSys2019)
故事先从 [高德宣布日活超越百度,终成业界第一] 说起,在中国互联网界过去10年有三座过不去的大山–BAT。 但是最近几年看下来,B在与AT的竞争者逐渐掉队了。 说说百度 腾讯在微信崛起之后,成为移动时代当仁不让的霸主,阿里也在“O2O火爆,支付先行”的理念下,支付宝+金融模式深入百姓生活。 百度在折腾了91助手(APP分发),糯米(O2O+外卖+团购)投入200亿之后,被证明走了两段弯路,同时一直作为收入领军方向的PC端搜索,也在魏则西事件后,贴吧商业化这条路也堵死了。 遥想当年,百度也是一次次推出劲爆产
apache自带的工具,所以只要安装上apache后,就能够使用 ab 工具进行网站压力测试
在这个时代,无论是信息消费者还是信息生产者都遇到了很大的挑战:作为信息消费者,如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情;作为信息生产者,如何让自己生产的信息脱颖而出,受到广大用户的关注,也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。
基本上1,3 ,4 ,6,7项工作是属于工程属性比较强的工作,2,5项属于工程和领域知识有交叉的工作。
本文以履约场景下的具体实践为背景,介绍如何提供一个可信赖的AB测试解决方案。一方面从实验方法的角度论述实验过程中容易被忽视的统计陷阱,给出具体的解决方案,一方面从平台建设角度论述针对业务场景和对应约束制定实验方案提供给用户,而不只是功能和方法由用户自由选择,因为实验方法差之毫厘,结果可能是失之千里。希望能给大家带来一些帮助或启发。
大家好,我是ZZ,欢迎大家来到我的公众号:人人都是数据分析师。之所以起这个名字是因为在我看来,数据分析不仅仅是一个职位或者专业,而且是互联网时代一个人人必备的基本技能。
领取专属 10元无门槛券
手把手带您无忧上云