此外，Kaggle 上似乎有一个非常全面的按功能和垂直排列的数据科学用例列表—— “数据科学用例”

满意度是我经常遇到的一个巨大的问题。巨大的指重要性/难度/复杂性。

底线是，对于非常大的服务（搜索引擎、facebook、linkedin 等），您的用户只是日志行的集合。您几乎没有能力从他们那里征求反馈（不一定是硬性规定）。所以大多数时候你必须推断他们的正面或负面反馈。

这意味着即使在预测建模之外，也要找到方法，从一系列日志行中真正分辨出某人是否真的喜欢他们经历过的事情。这个简单的行为比 a/b 测试更基本（在我看来），因为您谈论的是最终将在测试记分卡上跟踪的指标。

一旦掌握了良好的 SAT 指标，您就可以开始制作预测模型并进行试验。但是，即使决定哪些日志工具可以告诉您有关 SAT 的信息，也并非易事（并且经常会发生变化）。

当然，这取决于公司的重点：商业、服务等。除了您建议的用例之外，其他一些用例将是：

• 漏斗分析：分析消费者使用网站和完成销售的方式可能包括数据科学技术，尤其是在公司大规模运营的情况下。
• 广告：投放广告的公司使用大量机器学习技术来分析和预测哪些广告将最有效或最有回报，从而为用户提供可以查看它们的人口统计数据。