本文尝试去梳理了因果推断的类型，并且列举了不同类型推断下的常用方法，希望能帮助大家了解因果推断怎么运用于不同的情景。

本文的框架如下：

1.因果推断到底在做什么？

2.因果推断的分类和常见的因果推断方法：统计实验（Statistical Experiment）、准实验（Quasi-experiment）、反事实（Counterfactuals）

本文用于记录关于数据和统计学的零碎知识，以及自己关于数据的杂思。

目前已经尝试回答的问题如下：

1.数据的几种本质用途

2.伯克松悖论selection bias和辛普森悖论confounding bias

3.完全随机试验CRD(Completely Randomized Design)和随机区组实验RCB(RCB Randomized Complete Blocking)

4.常用的三大检验：t/z检验，F检验，卡方检验

5.常见的分布汇总

6.协方差与相关系数的关系

本文是一个爬虫项目展示，起因是因为要去成都旅游，同时自己是咖啡爱好者，所以通过“爬虫+百度地图API+Tableau”制作了一张成都咖啡厅地图，以此来让自己可以住在更好/更多的咖啡厅附近。

基于21年社区团购的市场热度较高，在腾讯实习时和同事浅浅研究/讨论过社区团购的整体框架，因此本文尝试去解释了社区团购全局框架是怎样的。

本文的框架如下：

1.社区团购是什么-社区团购的运营模式？

2.社区团购的主要玩家和模式？

3.社区团购的价值体现在哪？

4.社区团购平台的商业模式？

5.社区团购KSF(Key Success Factors)？

6.社区团购的可能未来？

上了NUS MSBA的课之后发现，很多新入门数据建模的人其实对于算法、模型之类的信息很好获取，但是大部分人却很难知道整个建模的过程到底是怎样，因此在采访了一位做算法的朋友后，整理一个算法/建模pipeline的采访纪要，供大家参考。

*不适合大数据架构的建模

基于自己在美团和腾讯（零售方向）都实习过，所以对商品和餐饮的行业都有轻微的涉猎，因此本文尝试去讲述商品(淘宝)和餐饮(美团)零售的本质差异是什么，通过这个本质差异我们可以很容易解释淘宝和美团的诸多战略/策略。

一次和做联邦学习的博士朋友吃饭，刚好聊到联邦学习，因此尝试梳理了一下联邦学习的框架，希望能帮助大家对联邦学习有一个比较完整的概念理解。（本文为访谈纪要的形式）

本文的框架如下：

1.联邦学习是什么

2.联邦学习运作逻辑

3.联邦学习重要组成部分

4.联邦学习常见运用场景

做了一些数据分析的实习之后，自己对数据分析会有一些思考，因此本文尝试去回答以下两个问题，来帮助大家更好的认识“数据”和“数据驱动”

1.数据是什么

2.为什么数据驱动突然火了起来

因为在滴滴的时候参与过月报的设计，同时也要做日报，因此自己对日报、月报、周报的作用进行了一些思考，本文尝试回答我们怎么去设计月报，并且尝试讲明白三个报表的作用和关系。

本文的框架如下：

1.怎么设计一个完善的月报指标体系 ？

2.怎月报、周报、日报到底通过数据在解决什么问题？

基于自己在滴滴国际化的实习和思考，本文尝试梳理了一些关于滴滴国际化战略的思考。本文框架如下：

1.为什么滴滴要频繁开国？

2.滴滴怎么选择开国的国家？-滴滴国际化的两阶段战略

3.滴滴的战略支持：国际出行市场没有马太效应

4.滴滴开国的两个运营策略阶段

此为腾讯战略实习笔试题目，核心解决了两个问题：1.国内平台电商的格局和商业模式；2.字节电商的发展历程和阶段

因为自己在做数据分析时，常常会和产品/运营打交道，因此本文尝试去探讨了互联网这三大职能（产品经理、运营、数据分析）的核心价值所在，毕竟在明确了自己的价值之后，就更容易知道自己在工作中怎么发光发热了。