这里介绍因果推断中的两个方法——匹配和逆概率加权。并将其和直接回归方法的结论进行对比,看看相关和因果的结论到底会差异多少。
数据分析 36 计(21):Uber、Netflix 常用倍差法模型量化营销活动、产品改版影响效果
这篇文章将介绍倍差法和普通回归法在效应量评估上的真实差异。
数据分析 36 计(20):优化新财年广告预算,乘法营销组合模型的 Python 实现
广告客户使用营销组合模型(MMM)来衡量其广告媒介投入如何促进销售增加,从而优化未来的预算分配。广告投入回报率(ROAS)和边际投入回报率(mROAS)是要关注的关键指标。
数据分析 36 计(19):美国生鲜配送平台【Instacart】如何实现按时配送——使用分位数回归
在许多预测问题中,可能不仅需要平均水平。分位数回归允许近似分布的任何百分比,因此可以提供变量之间关系的更全面分析。
数据分析 36 计(18):Shopify 如何使用准实验和反事实来优化产品
在Shopify,我们相信了解因果关系是探寻业务价值最大化的关键。由于因果关系可以验证整个业务战略是否有效,因此我们旨在识别出数据现象背后真正的原因。
数据分析 36 计(17):Uber 的 A/B 实验平台搭建
实验是 Uber 如何改善客户体验的核心。Uber 将多种实验方法应用于各种用例,例如测试一项新功能以增强我们的应用程序设计。Uber的实验平台(XP)在此过程中扮演着重要角色。
数据分析 36 计(16):和 A/B 测试同等重要的观察性研究:群组研究 VS 病例-对照方法
群组研究(cohort study)和 病例-对照研究(case-control study)是观察研究的两种主要类型,主要用于医学判断评估疾病和条件暴露之间的关联,同时在商业分析...
数据分析 36 计(15):这个序贯检验方法让 A/B 实验节约一半样本量
在相同的时间内可以运行更多的测试了,从而增加为用户找到更好的体验的机会。
数据分析 36 计(14):A/B 测试中的 10 个陷阱,一不注意就白做
本节概述了公司在执行 A/B 测试时可能遇到的十大隐患。 此外,本节还介绍了避免这些陷阱的方法,从而可以通过这种测试工作获得更高的投资回报率 (ROI),并对报告的 A/B 测试结...
数据分析 36 计(13):中介模型利用问卷数据探究用户心理过程,产品优化思路来源
中介模型比因果推断更准确的探究变量间的因果关系,利用这种分析,我们探索产品优化的思路,并清晰用户对产品优化的反应。