有赞是一个商家服务公司，致力于帮助每一位重视产品和服务的商家成功。随着移动互联网的流量增长红利渐渐褪去，商家获得新的流量越来越困难，帮助商家实现更有效的流量转化与长期目标的增长是有赞SaaS服务的应有之义；同时，随着有赞SaaS功能的不断完善，服务的商家不断增多，而业务场景也越来越复杂，考虑到有限的研发资源，提升产品和技术的迭代效率成为当务之急。
如果之前看过我文章的同学就知道我在工作中搞的是推送系统，之前写过一篇 带你了解什么是Push消息推送，里面也提到了我们或许可以做ABTest，最终提高推送消息的点击率。
比如我写了一篇关于ABTest的文章，我希望这篇文章的阅读量能上2500，但是我没想好标题叫什么比较合适。一条推文的标题非常能影响到阅读量，于是我想了几个的标题：
今天跟大家分享的是万众期待的ABtest原理。其实ABtest的难度主要在开发上：开发新版本、进行测试、测试数据回传保存等等。在数据上，ABtest原理很简单，只要上一篇《3分钟，看懂假设检验》认真看了的话，能很轻松get哦！
产品的改变不是由我们随便「拍脑袋」得出，而是需要由实际的数据驱动，让用户的反馈来指导我们如何更好地改善服务。正如马蜂窝 CEO 陈罡在接受专访时所说：「有些东西是需要 Sense，但大部分东西是可以用 Science 来做判断的。」
本文通过一次完整的项目经历，从业务数据的分析开始，到产品优化建议，再到通过机器学习进行进一步的处理进行了比较完成的提炼。 腾讯电脑管家作为一款目前最流行的pc端软件之一，如何提升市场份额同时提升用户体验是我们一直在探索和考虑的问题。业务数据分析方面主要是考虑产品优化的建议；机器学习方面，特征构造、模型选型、ABtest等都有比较充分的描述和说明。希望能够对大家在数据分析的工作能有一定的启发，如有不足之处还望大家多指教。
本文通过一次完整的项目经历，从业务数据的分析开始，到产品优化建议，再到通过机器学习进行进一步的处理进行了比较完成的提炼。
本文通过一次完整的项目经历，从业务数据的分析开始，到产品优化建议，再到通过机器学习进行进一步的处理进行了比较完成的提炼。 腾讯电脑管家作为一款目前最流行的pc端软件之一，如何提升市场份额同时提升用户体验是我们一直在探索和考虑的问题。业务数据分析方面主要是考虑产品优化的建议；机器学习方面，特征构造、模型选型、ABtest等都有比较充分的描述和说明。希望能够对大家在数据分析的工作能有一定的启发，如有不足之处还望大家多指教。 腾讯电脑管家作为一款安全软件，目前在市场上拥有数量非常巨大的用户，并且承载着很多很多与用
本文介绍了ABTest平台在个性化推荐系统、搜索引擎、广告系统等领域的应用，以及通过ABTest平台实现算法优化、服务提升、数据效果提升等作用。
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。
在使用jsoup爬取其他网站数据的时候，发现class是带空格的多选择，如果直接使用doc.getElementsByClass(“class的值”),这种方法获取不到想要的数据。
携程金融核心产品为：拿去花、借去花、信用卡、理财。其中拿去花提供携程产品分期支付服务，借去花提供现金借款服务，信用卡提供携程联名卡、理财则给用户提供有竞争力的理财产品。除此之外还有闪游卡、二维码、程金币等小的业务线。
很多同学会经常看到“用户增长”“增长黑客”“增长团队”之类的说法，并且这些岗位常常一眼看上去和数据分析有关系。
由于原团队的特殊性，功能逻辑和界面视觉都比较简陋且有一定的堵塞问题。我们团队接手后，开始对imo app进行梳理改版，让其更符合用户心智、更具备扩展性，为日后转型作铺垫。
在现实的产品设计场景中，我们经常会遇到多个设计方案的选择。例如，App或网页端某个页面的某个按钮的颜色是用蓝色还是红色，是放在左边还是右边？传统的解决方案通常是集体表决或由某位Leader拍板，类似的选择还有很多，从概率上很难保证传统的选择策略每次都是有效的，而ABTest显然是一种更加科学的方法。
无法衡量就无法优化，对于互联网产品而言，不仅是推荐系统，整个 app 系统的更新迭代必然需要建立一套度量衡，来把控整个流程优化的方向。而 abtest 系统就是一个很好的进行变量控制和优化方向选取的工具，循环：衡量-发现-迭代-验证。所谓精细化迭代是一种建立在数据基础上的思维方式——用较少的成本获得较好的效果。无数据，不优化， 线上分流实验是进行推荐算法优化的必由之路。并且 abtest 不仅是推荐迭代的利器，他还可服务于所有需要逐步完善的产品迭代。有人说为什么需要 abtest ，为什么不能够前后进行实验比较；因为同时期测试的 abtest 非常有必要的原因是不同时间的测试无法说明 b 比 a 好，通常时间也是一个变量，比如电商的双十一等。
越来越多的公司都在尝试 ABTest，要么是自己搭建系统，要么依赖于第三方的系统。那么在我们进行ABTest的时候，必备的基础知识有哪些？该如何一步一步的进行AB实验呢？本文将根据 AB 实验的流程带领大家一窥究竟。
二分法表面上看很简单，但历史上出现第一个没有 bug 的二分法代码还颇费了一番工夫。虽然我们在日常工作中不用手写二分法，但它的思想却很有用，例如用于排查 master 分支上有问题的 commit。
另外，我主页上还有不少与ABTest和数据分析相关的博客，感兴趣的朋友可以再去看看，希望能给你带来收获！
一 、ABTest与统计学 ABTest的目的是为了快速验证一个版本是不是比另外一个版本要好。为了简化问题，我们假设要验证的app是手机QQ浏览器，同时假设衡量版本好坏的指标只有1个：用户日均使用时长。 现在我们我们有手机QQ浏览器A版本和手机QQ浏览器B版本。我们怎么知道验证谁的用户日均使用时长更长呢？最容易想到的方法是：先让全部用户都使用A版本，统计用户日均使用时长；再让全部用户使用B版本，统计用户日均使用时长。 这样得出的数据结果当然非常精确。但一来成本有点高，二来两个版本并不是同时间发布，有可能因
本文由携程技术中心投递，ID：ctriptech。作者：饿了么数据运营部资深算法工程师陈一村，在携程个性化推荐与人工智能Meetup上的分享。 陈一村2016年加入饿了么，现从事大数据挖掘和算法相关工作，包括推荐系统、用户画像等。 随着移动互联网的发展，用户使用习惯日趋碎片化，如何让用户在有限的访问时间里找到想要的产品，成为了搜索/推荐系统演进的重要职责。作为外卖领域的独角兽, 饿了么拥有百万级的日活跃用户，如何利用数据挖掘/机器学习的方法挖掘潜在用户、增加用户粘性，已成为迫切需要解决的问题。 个性化推荐系
最近公司高层开始发力，各种产品review，各种痛点吐槽，整改上线，整的跟真的似得。
随着移动互联网的发展，用户使用习惯日趋碎片化，如何让用户在有限的访问时间里找到想要的产品，成为了搜索/推荐系统演进的重要职责。作为外卖领域的独角兽, 饿了么拥有百万级的日活跃用户，如何利用数据挖掘/机器学习的方法挖掘潜在用户、增加用户粘性，已成为迫切需要解决的问题。 个性化推荐系统通过研究用户的兴趣偏好，进行个性化计算，发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。 本次分享介绍饿 了么如何从0到1构建一个可
一、背景 在互联网信息量爆炸式增长的今天，我们已然从信息匮乏时代走入信息过载的时代。在这样的时代背景下，用户在精准内容消费方面的需求也随之提高，由此浏览器作为移动流量的巨大入口，其角色也自然发生了变化——《艾媒：2017年上半年中国手机浏览器市场研究报告》中提到“目前中国手机浏览器已发展至内容聚合及服务平台阶段，成为移动互联网超级入口及内容聚合平台的手机浏览器产品能满足用户多样化功能需求和提供丰富多样的内容服务。”移动端浏览器的业务重心已经逐渐转向内容消费。而发展个性化推荐（无论内容来源为全局热点或者是个
本文来自陈一村在携程个性化推荐与人工智能Meetup上的分享。 陈一村 ，饿了么数据运营部资深算法工程师。2016年加入饿了么，现从事大数据挖掘和算法相关工作，包括推荐系统、用户画像等。 *视频时长约43分钟，请在wifi环境下观看* 随着移动互联网的发展，用户使用习惯日趋碎片化，如何让用户在有限的访问时间里找到想要的产品，成为了搜索/推荐系统演进的重要职责。作为外卖领域的独角兽, 饿了么拥有百万级的日活跃用户，如何利用数据挖掘/机器学习的方法挖掘潜在用户、增加用户粘性，已成为迫切需要解决的问题。 个性
推荐系统可以说是一个闭环的生态系统了。从整体架构图中，我们就可以看出来，推荐列表从RankServer产生，用户点击推荐列表产生的日志又反作用于画像系统的更新，模型训练，新的推荐算法的实验，以及BI报表的生产，而这些又都是RankServer依赖的模块。
做数据分析的同学们都遇到过这个问题：从多维度分析问题，提出对业务有意义的建议。这个题目看起来很简单，可很多同学辛辛苦苦跑了一堆报表，结果只落得业务一堆抱怨：
8月11日晚20:30，受CSDN人工智能用户群邀请，美团推荐与个性化团队技术经理沈国阳来到CSDN在线视频分享平台，为我们深度解析美团本地生活服务推荐的工作经验，并与群友进行互动交流。沈国阳重点介绍了美团推荐系统的架构和特色，以及在排序层面的主要工作。 沈国阳表示， 对于推荐系统的效果提高，排序比候选集的贡献要大很多。美团排序的主要工作包括：模型及建模，样本采样及label处理，去除position bias，特征工程，Interleaving的使用，以及Online Learning的尝试等。 美团推
持续集成（Continuous integration，简称CI）是一种软件开发实践，即团队开发成员经常集成它们的工作，通常每个成员每天至少集成一次，也就意味着每天可能会发生多次集成。每次集成都通过自动化的构建（包括编译，发布，自动化测试)来验证，从而尽快地发现集成错误。许多团队发现这个过程可以大大减少集成的问题，让团队能够更快的开发内聚的软件。
今天来说说假设检验。这是个古老的方法，近年ABtest大行其道，使假设检验方法迎来了新一波文艺复兴，搞得很多小伙伴都在问：如何做假设检验？那一堆似懂非懂的统计符号啥意思？
有同学问：领导总让我们挖掘用户需求，咋个挖掘法？ 特别是手头还没什么数据，最多只有一个用户购货记录，感觉挖不出东西。今天系统解答一下。做用户需求挖掘上，有很多很流行的无解，今天也一并澄清。
2018年5月18-19日，由51CTO主办的全球软件与运维技术峰会在北京召开。此次峰会围绕人工智能、大数据、物联网、区块链等12大核心热点，汇聚海内外60位一线专家，是一场高端的技术盛宴，也是顶级IT技术人才学习和人脉拓展不容错过的平台。 在“容器下的AIOps”分会场，转转公司首席架构师／架构算法部负责人孙玄做了主题为《转转如何打造AI工程架构体系》的精彩演讲。演讲核心内容涉及转转AI工程体系中，推荐与搜索架构、召回与排序算法的演进。 基于微服务架构的转转二手交易平台 “一个帮你赚钱的网站”是转转二手交
今天邀请了一位小姐姐舒梦做了春招DA岗位面经分享，文章经授权首发于公众号「数据管道」，以下为作者自述全文，希望对正在求职数据分析或准备跨行数据分析的朋友有些许帮助。
2019年，将针对数据化运营进行一系列的文章总结，期待能够形成一套科学和体系化的方法和指引。而过程中，随着思考和实践的深入，相关的方法论会有优化，甚至推翻重构，请独立思考，根据实际情况，借鉴使用。
说一下这次更新原因，本来说是不在更新这个系列，但是其他博友实际使用中发现的问题。在linux-ubuntu20.04/raspi-4b 在播放视频的过程中出现了url不识别倒是网络视频无法播放的问题以及本地播放没有音频等相关问题。博主在几周前已经解决，但是最近一直很忙，今天抽空也写了一下相关的linux下播放的相关依赖文件还有代码修改原因。
绩效分析是数据分析中最重要，也是最容易见成效的部分。绩效是业务部门行动的指挥棒，是企业里领导们最关心的事。数据分析想引起领导重视、驱动业务发展，通过绩效分析来辅助领导决策是最快捷的方法了。
统计学是个历史悠久的学科，有着300年以上历史。随着近代科学的发展，人们不再满足于“普天之下”“众所周知”这一类含糊的描述，希望用精确的数据来描述事物，因此诞生了描述性统计（descriptive statistics）。
大家接触过形形色色的压力测试工具，例如lr,jmeter各有各的优点，那么最近在做接口测试中涉及到压力测试，小弟就看到一个好用的工具俗称“加特林”英文Gatling,就简单研究一番，今天为大家分享一下。 Gatling是一款基于Scala 开发的高性能服务器性能测试工具，它主要用于对服务器进行负载等测试，并分析和测量服务器的各种性能指标。目前仅支持http协议，可以用来测试web应用程序和RESTful服务 官网：https://gatling.io/ 优点： 1.gatling和其他压力工具相比有个好处是
通常来讲，有四种方法，可以从数据中推导出高质量、可落地、可见效的分析结论。但是，并没有一种方法是包治百病的仙丹。每种方法都有特定的使用场景和难点，今天和同学们系统的分享一下，以供参考。
1、信鸽的挑战 应用的用户的生命周期来说分5个阶段，即用户的获取、激活、留存、传播和收入，信鸽的消息推送是触达用户，提升留存的重要途径。 信鸽平台现已服务于数万的App开发者，日推送消息数
上一篇【这套系统，可能真的是数据分析师们未来5年的机遇！】引起了同学们强烈反响，其中提到一个关键点：CDP与增长实验结合，很容易让数据分析师立功。今天我们就系统的讲解下这一点。话不多说，直接上干货！
数据分析领域有很多终极难题。如果你和营销、运营等部门打交道，最常遇到的问题一定有一个叫：自然增长率！
推荐在今天互联网产品，特别是电商产品中被广泛使用。在转转这样一个二手交易平台下，一个好的推荐系统能够帮助买家发现对自己有价值的商品，也能让商品尽可能多的展现在对它感兴趣的用户面前，达到买家与卖家的双赢
之前分享了ABtest的基本原理，有小伙伴问：那如果我不止AB两个版本，而是有ABC三个版本做测试，还能用ABtest方法吗？当然能用！只是使用的统计学方法换成了：方差分析，今天简单跟大家分享一下。
上一篇主要讲述了苹果原生iOS框架的架构，这一篇我们就说一下如果自己要完成一个APP，需要如何去设计架构。
给大家总结了8个计算机视觉深度学习中的常见bug，相信大家或多或少都遇到过，希望能帮助大家避免一些问题。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
云直播
