数据分析知识点搜集（纯粹的搜集）

A/B Testing

A/B 测试是促进业务持续增长的最实用、最有效的方式。
主要是实验组和对照组的对比，观察（A/B差别的显著性）是否符合统计上的显著和业务上的显著。

产品迭代流程

产品 / 业务迭代的流程大概分为 3 步：

1. 具体的业务问题催生出迭代的想法，比如出现业务问题后，团队会提出具体的迭代方案；
2. 团队论证方案的可行性和效果；
3. 论证完成后，具体实施迭代方案。

棣莫弗—拉普拉斯中心极限定理

棣莫弗—拉普拉斯中心极限定理（De Moivre-Laplace），即二项分布以正态分布为其极限分布定律。

中心 极限定理

不管是什么概率分布，只要样本数据量足够大，样本 统计量近似服从 正态分布

中心极限定理在A/B测试中的应用

中心极限定理是概率论中最重要的一类定理，它支撑着和置信区间相关的T检验和假设检验的计算公式和相关理论。如果没有这个定理，之后的推导公式都是不成立的。

事实上，以上对于中心极限定理的两种解读，在不同的场景下都可以对A/B测试的指标置信区间判定起到一定作用。

• 对于属于正态分布的指标数据，我们可以很快捷地对它进行下一步假设检验，并推算出对应的置信区间；
• 而对于那些不属于正态分布的数据，根据中心极限定理，在样本容量很大(>30)时，总体参数的抽样分布是趋向于正态分布的，最终都可以依据正态分布的检验公式对它进行下一步分析。

幂律分布

统计物理学家习惯于把服从幂律分布的现象称为无标度现象,即,系统中个体的尺度相差悬殊,缺乏一个优选的规模。可以说,凡有生命的地方,有进化,有竞争的地方都会出现不同程度的无标度现象。

指标的统计属性

• 均值类的指标，比如用户的平均使用时长、平均购买金额、平均购买频率，等等。
• 概率类的指标，比如用户点击的概率（点击率）、转化的概率（转化率）、购买的概率（购买率），等等。

在数量足够大时，均值类指标服从正态分布；概率类指标本质上服从二项分布，但当数量足够大时，也服从正态分布。

假设检验

Null Hypothesis
Alternative Hypothesis

• 零假设是，实验组和对照组的点击率是相同的。
• 备择假设是，实验组和对照组的点击率是不同的。

在 A/B 测试的实践中，更推荐使用双尾检验。

T检验和Z检验

根本是，方差是否知道。
不知道，就用样本反差估计总体方差，然后用t检验，但是在现在的大数据时代，基本上只要样本量>30就可以认为Z和T检验是一样的。

第一类错误 a

假阳性概率
误诊

第二类错误 b

假阴性概率
漏诊

把握度power

1-b = 不漏的概率

P值

当零假设成立，观测到对照组和实验组不同的概率。

同比和环比

同比」

与历史「同时期］比较，例如2011年3月份与2010年3月份相比，叫「同比」。

环比」

与「上一个」统计周期比较，例如2011年4月份与2011年3月份相比较，称为「环比」。

波士顿矩阵

波士顿矩阵将产品类型分为四种：

1，明星类产品：高增长且高市占，发展前景好，竞争力强，需加大投资以支持其发展；

2，问题类产品：高增长但低市占，发展前景好但市场开拓不足，需谨慎投资；

3，现金牛产品：低增长但高市占，成熟市场的领导者，应降低投资，维持市占并延缓衰退；

4，瘦狗类产品：低增长且低市占，理论率低甚至亏损，应采取撤退战略。