Li Tan — 关于测量、信号，与更安静的手艺。
十年前我带着一个很窄的问题走进硅谷 — 我们怎么知道这笔营销预算真的有效？ — 此后就一直在追这个问题的各种变体：真实增量是多少、不能做随机实验时怎么测、哪些指标真正预示长期增长。
这一路穿过了科技行业的不同角落。最早在 AKQA，数字代理的工作让我学会数据在 deadline 和真实客户面前的样子。后来到 NerdWallet，帮人做更聪明的金融决策；再到现在的 Opendoor，研究人们如何买卖房屋。行业不同，核心问题相同：把混乱的数据变成清晰的决策。
最近有一件事在我这里发生了位移。我意识到 AI 不只是再往工具栈里加一件工具 — 它在根本上改变了数据工作的做法。过去要一周的事，现在几小时就能完成。我重建了自己的工作流，并开始在这里记录学到的东西。
我还带着一个不那么常见的视角：中国的根，加上湾区十年。两个生态系统的交叉点上，有一些别人不容易看到的模式。这个站的另一部分用途，就是把这些模式说清楚。
我如何思考
-
严谨胜于速度
一个花一周认真设计的分析，胜过一个给出错误答案的仪表盘。测量上的偷懒会叠加为糟糕的决策。
-
清晰胜于复杂
最好的分析是利益相关者能看懂、能行动的那种。只有另一个建模者看得懂的模型，没有意义。
-
影响胜于产出
代码行数、仪表盘数量、PPT 页数 — 如果没有改变某个人周一的决定，一切都不算数。
-
写作即思考
把一个方法用平实的中文或英文讲清楚，和发现它的漏洞，是同一个动作。这里的文章，对我自己的意义不亚于对读者。
履历简览
- 2025 至今 资深数据科学家 Opendoor · 房地产市场
- 2020 — 2025 高级首席数据分析师 NerdWallet · 个人金融
- 2015 — 2020 数据分析师 AKQA · 数字与创意代理
- 2013 分析学硕士 旧金山大学
方法与工具
- 方法
- 因果推断（DiD、合成控制、RDD）· A/B 实验设计 · 营销组合模型（MMM）· 多触点归因 · 留存与生命周期建模
- 技术栈
- Python · SQL · R · BigQuery · dbt · Looker · Airflow · Git
- AI / ML
- 大语言模型与智能体工作流 · Prompt 工程 · 检索增强管线 · 预测建模 · XGBoost & scikit-learn
- 写作
- 技术长文 · 写给高管的 memo · 教学笔记