信用卡欺诈数据的分析-ecel篇

本篇文章为大家提供了数据集分析的思路和步骤，同时也分享了自己的经验。一、背景反欺诈是一项识别服务，是对交易诈骗、网络诈骗、电话诈骗、盗卡盗号等行为的一项风险识别。其核心是通过大数据的收集、分析和处理，建立反欺诈信用评分和反欺诈模型，解决不同场景中的风险问题。国内常见的提供反欺诈服务的公司有：同盾科技，百融金服，众安保险的Xmodel，腾讯的天御借贷反欺诈AF，阿里云的云盾，

产品 2018年12月07日

一个真实案例教你运用数据分析

数据分析是产品经理必备技能之一，本文以一个真实案例给大家提供了一些数据分析的思路，但还需大家自己多多思考，学以致用。这次我们来聊聊产品经理的必备技能，数据分析，这也是18年我获得的最大收获之一。为什么想单独拿出来聊聊，我归纳为三个原因：第一是重要，不重要的事谁会拿出来说不是；第二是网上的文章理论偏多，实际真实案例少，谁会用一大堆概念和飘在天上的话去工作；第三是对自己的复盘，

产品 2019年01月10日

搞懂这5个问题前，PM千万别说自己懂数据

注：ACID原则即DB管理系统中的事务所要遵循的四个特性：原子性(Atomicity)、一致性(Consistency)、隔离性(Isolation)、持久性(Durability)。原子性是指一个事务是不可再分的，必须作为一个整体完整执行。一致性是指无论事务执行结果如何，执行前后的数据约束规则应保持一致，不能被打破。隔离性是指两个及以上的事务并发执行时不能相互影响。持久性

产品 2019年03月06日

续：你的 A/B 测试结果真的靠谱吗？

原文再续，书接上回，Z检验醒木拍案，AB组高下立判，但究竟是霄壤之别，还是聊胜一筹，且听本回分解～之前在《 你的A/B测试结果真的靠谱吗？ 》一文中，我们分享了如何用假设检验的方法，来确定两组之间的差异是否显著，但两组之间的真实差异有多大，是否和数字表面上的差距一样呢？为此，我们需要了解另一个知识点—置信区间。知识点：置信区间在回顾知识点的时候，大家还是不要慌张，让我们循序

产品 2019年04月16日

机器学习 | 贝叶斯算法及应用

朴素贝叶斯是基于“特征之间是独立的”这一朴素假设，应用贝叶斯定理的监督学习算法。基于条件概率的贝叶斯定律数学公式 朴素贝叶斯算法定义朴素贝叶斯（Naive Bayes，NB）是基于“特征之间是独立的”这一朴素假设，应用贝叶斯定理的监督学习算法，是一种分类算法；对应给定的样本X的特征向量x1,x2,……,xm；该样本X的类别y的概率可以由贝叶斯公式得到： 区别KNN分类算法

产品 2019年04月29日

五个方面，聊聊大数据可视化的初体验

数据可视化常常需要通过统计图来展现，不同类型的统计图有着不同的使用场景以及使用方法。距离上一次投稿快9个月了（感谢那些给我评论的人，还有给我赏的人），那时候我刚毕业正在一家医院里工作，后来还是想要做一名产品经理。于是，在去年的中秋节我成功获得了做医疗大数据产品的工作。刚入职的时候心里特别忐忑不安，怕做不好这份工作，现在也会因为想懂而无从下手的各种技术变得焦虑。在这半年的时光

产品 2019年04月29日

案例拆解：产品 / 运营如何训练自己的数据思维？

每个互联网岗位的JD都有一句话：对数据敏感。什么叫“对数据敏感”？可能做了三年运营，你都没看过关键数据。可能做了三年产品，公司连个数据展示平台都没有。这种情况下，是不是就没法训练自己对数据的敏感了？我们用一个案例，来描述一下，对数据敏感是什么意思，以及如何训练自己的数据思维。请听题：假设你在京东的3C品类部门工作，你发现手机销量在过去三个月中稳步下滑，你该怎么办？划重点：要

产品 2019年05月06日

7000 字深度总结：运营必备的 15 个数据分析方法

这篇文章来自 GrowingIO 联合创始人 & 运营副总裁陈明先生，全文总结了 15 个运营必备的数据分析方法论。不论是刚刚入行的萌新，还是深耕多年的老司机，这篇深度总结，都值得你再次回顾。提起数据分析，大家往往会联想到一些密密麻麻的数字表格，或是高级的数据建模手法，再或是华丽的数据报表。其实，“ 分析 ”本身是每个人都具备的能力，比如根据股票的走势决定购买还是抛出；依照

产品 2019年05月08日

数据中台实战（一）：以 B2B 电商亿订为例，谈谈产品经理视角下的数据埋点

本文以B2B电商产品“亿订”为实例，与大家一同谈谈数据中台的数据埋点。笔者所在公司为富力环球商品贸易港，是富力集团旗下汇聚原创设计师品牌及时尚买手/采购商两大社群，通过亿订B2B电商、RFSHOWROOM、环贸快版、环贸映像、富运通、富贸通等子品牌为时尚行业提供一站式产业＋渠道服务的平台。笔者所在部门为数据中台，职责就是为公司搭建数据中台，支撑各产品线数据化运营，通过数据中

产品 2019年05月20日

增长模型下的数据体系运用（2）：利用 AB 测试选择最优功能

本篇谈一个大家十分熟悉的技术——AB测试。所有有实际产品或运营经验的同学对它都不陌生，然而，在实际运用中却常常存在意识或决策上的明显错误。有四个问题，常常会存在判断上的困难：到底什么要做AB测试？什么不要做？AB测试时，我们应该如何判定什么数据是正确的观察对象？A和B本身只是两个平级的分支，那么如果想要同时测试多个因素，尤其是互相重叠的因素（无法对等分为A、B、C、D测试组

产品 2019年05月30日