比起直接問(wèn)顧客對(duì)你的新產(chǎn)品感興趣嗎。應(yīng)該問(wèn) 和老產(chǎn)品比起來(lái)怎么樣次泽，或者問(wèn) 和競(jìng)爭(zhēng)對(duì)手的同質(zhì)產(chǎn)品比起來(lái)竿秆，新產(chǎn)品怎么樣传趾。
tabular - relational
這三個(gè)再加一個(gè)stacked bar chart
用什么做一個(gè)dashboard?
cluster就是server
data analytics + machine learning + deep learning 是三個(gè)東西
data science workflow: data collection comes first, --> exploration and visualization, then experimentation and prediction（包括分類和預(yù)測(cè)，a linear regression to estimate也是的负蚊。
OKR stands for Objective/Key Result 目標(biāo)和結(jié)果
Add Transparency to Company KPIs：
不是說(shuō)增加透明度神妹，要理解為增加信息的一目了然颓哮〖易保可以做newsletter和dashboard
Persona和Profile
可以有好幾個(gè)persona/ profile（用戶角色、用戶畫(huà)像）冕茅，賣汽車的比如主婦的需求可以和白領(lǐng)類似伤极，那么他們算一個(gè)persona
1 .用戶角色不是用戶細(xì)分
我們關(guān)注的是用戶如何看待、使用產(chǎn)品姨伤，如何與產(chǎn)品互動(dòng)哨坪，這是一個(gè)相對(duì)連續(xù)的過(guò)程，人口屬性特征并不是影響用戶行為的主要因素乍楚。根據(jù)使用当编、需求來(lái)聚類劃分。
可以探索的方向有：動(dòng)機(jī)徒溪、能力（被阻礙的點(diǎn)）忿偷、環(huán)境、來(lái)自他人的影響臊泌、persona之間的關(guān)系（四象限圖鲤桥， 又稱矩陣圖）
2.用戶角色不是平均用戶
3.用戶角色不是真實(shí)用戶**
regular job: A/B test, dashboard
偷時(shí)間的job: ad-hoc requests （一次性的，某個(gè)時(shí)間節(jié)點(diǎn)的渠概，不用更新的）
The less sensitive our tests,（Minimum Detectable Effect越胁璧省） the smaller the sample size we need.
the baseline conversion increases（和原來(lái)比，提升效果更明顯）, it becomes easier to reach significance
(ml就是用來(lái)做預(yù)測(cè)的) machine learning is a set of method for making predictions on existing data (with labels and features)
有監(jiān)督的學(xué)習(xí)就是有l(wèi)abels & features：
case study: subscribe or churn(訂了又退訂)（結(jié)果就是labels）
- training data
- find features (影響因素)
- 得到一個(gè)model 先用test data測(cè)試
- 然后做prediction播揪。 如果這個(gè)人不會(huì)churn贮喧，那可以把它計(jì)入下個(gè)月的revenue；如果他要churn猪狈，就reach out and offer a special promotion
無(wú)監(jiān)督的學(xué)習(xí)：例子clustering （聚類）
無(wú)監(jiān)督學(xué)習(xí)use data only with features 比如customer category
- select features define # of clusters
- use clusters to solve business problems (在聯(lián)系前面有監(jiān)督的學(xué)習(xí)塞淹，對(duì)不同的clusters可以分別做預(yù)測(cè)~)
Special topics in ML
- time series forecasting (把時(shí)間看做一個(gè)feature，有監(jiān)督的學(xué)習(xí))
商業(yè)問(wèn)題像 seasonality 就是時(shí)間序列預(yù)測(cè)的一個(gè)應(yīng)用
Topic 2: NLP 自然語(yǔ)言處理 (根據(jù)具體問(wèn)題罪裹，從text提取信息饱普，去創(chuàng)造features)
data-intensive的事情machine learning做不了，要用deep learning做（涉及到神經(jīng)元）状共。一般應(yīng)用于{{ language learning（比如從會(huì)議紀(jì)要中自動(dòng)總結(jié)概要） 和 image classification }}
Anything involving a physical device is probably an IoT problem 物聯(lián)網(wǎng)
Deep Learning and Explainable AI:
Deep Learning 又叫做 神經(jīng)網(wǎng)絡(luò),
It requires much much more data than traditional ML.
Best used in less structured input 比如文本和圖像
-
can give high accurate predictions (predictive)套耕。但人們不知道，為什么做出這個(gè)假設(shè)來(lái)峡继。（DL 缺乏解釋力度冯袍，用來(lái)講清楚what）
網(wǎng)路說(shuō)的 Deep learning能做一切數(shù)據(jù)挖掘有關(guān)的事情Explainable AI 可以講清楚影響因素，講清楚why leads to such results。傳統(tǒng)ML 也可以解釋為啥康愤。AI 讓計(jì)算機(jī)自己動(dòng)手儡循，ML 訓(xùn)練計(jì)算機(jī)動(dòng)手。
又有人說(shuō) DL is part of ML is part of AI
