GR · FW · 281
数据科学飞轮
Marketplace Data Science Flywheel · marketplace-data-science-flywheel--ramesh-johari
解决什么问题
Marketplace 中的数据科学团队不知道自己的核心工作是什么、如何系统化地创造价值。
核心内容
三个环节构成一个循环飞轮:
- Finding matches(找到潜在匹配):买方找到卖方、卖方找到买方。对应搜索、推荐、发现功能。
- Making matches(促成匹配):在多个潜在匹配中做筛选和排序。例如 oDesk 上一个职位收到多个申请,帮助雇主排序该面试谁、雇佣谁。
- Learning about matches(从匹配中学习):匹配完成后收集反馈信息——显性的如评分评价,隐性的如用户是否提前退订(passive data collection)。将这些信息回灌到前两个环节。
- 每一轮匹配产生的信息都改善下一轮的 finding 和 making,形成正向循环。
- 任何垂直领域的 marketplace 都需要解决这三个问题,并依赖算法和数据科学来实现。
- 这三个环节正是 marketplace 消除交易摩擦的底层机制。
适用边界
适用于已具备一定流动性的 marketplace。在流动性不足的早期阶段,这三个环节无法有效运转(见 marketplace-evolution-path)。
关键引述 · 原话
"Every single thing I just said, finding potential matches, making matches, and then learning about those matches, and then cycling back again, that is the data science in marketplaces." — Ramesh Johari
关联卡片
上游依赖 marketplace-friction-removal;下游连接 prediction-vs-causal-inference(匹配算法的评估方式)和 rating-system-design(learning 环节的核心工具)。
出处:Ramesh Johari · 03-podcasts/ramesh-johari.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast(2019–2026)。本站为个人学习用途的二次创作,与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast(2019–2026)。本站为个人学习用途的二次创作,与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2