請確保兩個(gè)要素之間沒有線性相關(guān)。那將是刪除功能的好用例。無論北京香油包裝設(shè)計(jì)公司是否對解釋系數(shù)感興趣，都可以肯定一件事：您需要從內(nèi)部專家那里收集見識。盡管有普遍的看法，但是傾向建模并不能減少對業(yè)務(wù)和營銷專業(yè)知識的需求。因此，請聚集一個(gè)充滿領(lǐng)域?qū)＜业臅?huì)議室：電子郵件營銷人員，轉(zhuǎn)換優(yōu)化人員，數(shù)據(jù)科學(xué)家，財(cái)務(wù)專家，CRM專家…… -具有相關(guān)業(yè)務(wù)敏銳度的任何人。

北京香油包裝設(shè)計(jì)公司有許多數(shù)學(xué)方法來決定選擇哪些功能，但是它們不能代替人類的知識和經(jīng)驗(yàn)。無論您對準(zhǔn)確性有多自信，都可以進(jìn)行實(shí)驗(yàn)?？赡苁悄形纯紤]的因素?；蛘撸?，該模型可能會(huì)意外地針對數(shù)量（例如，會(huì)話到潛在客戶的轉(zhuǎn)化率）進(jìn)行優(yōu)化，而不考慮對質(zhì)量的影響（例如，潛在客戶到客戶的轉(zhuǎn)化率，保留率等），使用實(shí)驗(yàn)來驗(yàn)證傾向模型至關(guān)重要。它使您高枕無憂。

同樣，傾向建模是優(yōu)化器可以使用的工具，而不是替代工具，無法全面理解實(shí)驗(yàn)和優(yōu)化。充分利用開放回歸的優(yōu)勢 —深入了解并確保所看到的數(shù)據(jù)在運(yùn)行之前是有意義的。我知道我知道。北京香油包裝設(shè)計(jì)公司不需要再進(jìn)行有關(guān)因果關(guān)系不是因果關(guān)系的講座。但是，通過傾向模型，很容易看到因果關(guān)系不存在的地方。

在回歸模型中，您不能假定要素與嘗試預(yù)測的變量具有因果關(guān)系。可以輕松查看模型，例如，可以看到在試用期間下載X應(yīng)用程序可以很好地表明潛在客戶將轉(zhuǎn)化為客戶。但是，絕對沒有證據(jù)表明在試用期間增加更多的應(yīng)用下載量將使任何人更有可能轉(zhuǎn)化為客戶。

另一個(gè)重要的警告詞：不要用傾向得分代替您的（非常有價(jià)值的）優(yōu)化知識。傾向建模與其他工具一樣，不會(huì)告訴您如何進(jìn)行優(yōu)化。當(dāng)您打開北京香油包裝設(shè)計(jì)公司或啟動(dòng)Adobe Analytics儀表板時(shí)，洞察力不會(huì)落到屏幕上，也不會(huì)落到您的腿上。您可以使用自己的經(jīng)驗(yàn)，知識和直覺來挖掘這些見解。例如，您可能知道，由于您的傾向模型，客戶很可能流失。但是，您花費(fèi)在防止客戶流失上的價(jià)值是否高于該客戶的生命周期價(jià)值？您的模型無法回答這個(gè)問題，它不能代替批判性思維。