今天参加了数据科学大会的会议。觉得有几个方向后面需要进一步关注研究一下。
1）腾讯竟然有一个ab实验科学部门，如果ab这件事事情在点评ba这边不是他们工作范畴的一个工作，我们可否成立一个实验探索分析，归因分析方向的专题。做积累，以后也可以为以后进一步做产品化做沉淀。
2）实验分析不仅仅是ab实验，还有在没有ab实验的情况下也可以做实验分析。另外ab实验还是有很多分析的小细节需要进一步梳理的。
比如一个实验策略，既要考虑短期收益，也要考虑长期收益，还要考虑在哪些用户群里中效果最显著；
比如，实验单元与分析单元要保持一致。在退出1分钟后触发热启动闪屏，实验5分钟触发热启动善平的实验中，哪些5分钟后或者1分钟内触发热启动的分析样本其实是没什么意义的，实验对他们也没有什么影响，这部分数据需要刨除后才能做统计。实验下发人群不等于真正策略有效人群。
比如，策略溢出问题，在红包提现活动是否增加用户后续时长收益的实验中，因为红包活动本身具有分享机制，所有即使没在实验组的用户，也可能被分享发送了红包，这些用户的数据也需要刨除才能分析，或者在一开始就通过社区关系，做用户切分。；
比如，需要做整体指标链路的拆解做分析，一个直接作用于热点内容提权的实验，虽然实验的结果是大盘人均总消费金额涨了，但是与你直接有关系的热点内容ctr没有涨，那根本不能说明你的实验有效果，因为是其他因素带来的。
比如人群异质性效果探查，找到策略未触达的人群
3）归因分析是一个已经开始流行的科学分析方向，里面用到的方法论非常多。
整体的分析框架下需要进一步了解力量知识：uplift模型，双重差分模型。
4）重新理解了不同层级对数据的要求，其实决策层对数据的依赖度是比较少的，因为数据代表的是过去的情况，而决策者需要依据未来的可能性来决策。数据更多的是被管理层，执行层使用，而数据产品更多是被执行层使用。这个要调整自己以前的错误认知。
管理层拆解战略目标，需要ba给出更多的路径拆解思路。而执行层是基于拆解思路做执行，每个动作都要可量化，可分析原因。最依赖数据。
5）关于数据团队的工作，从四象限做了切分。
6）分析方面：
采用生存分析来刻画用户的活跃度，替代原有的统计量，更考虑是时间维度因素；
基于用户使用路径的聚类方法（n-gram，acttion to vector）
