我想现在读者已经明白了：尽管这个假

[sohanuzzaman44]

设场景看起来很完美，但它完全无关紧要，不仅因为不可能准确地重现 1,000 个不同用户的行为，而且因为我所做的几乎所有假设都是不切实际的。
您不能假设任何特定电子邮件营销服务的传递率是恒定的。电子邮件类型会影响人工智能行为，因此促销电子邮件、专业更新、时事通讯、直接垃圾邮件和其他类型的消息的数量会有所不同。这意味着应该针对每种消息类型分别进行实验。
其他条件不变的 假设是另一个大问题。人工智能学习是持续的，他们关注的事情之一就是重复。关于任何事情。一条已经发送过的消息，一个与已经收到的邮件列表太相似的邮件列表：这些方面都会被注意到，并且 AI 会对它们应用不同的处理。
简单地说，如果我们使用相同的消息和相同的邮件列表，那么当我们用另一项服务重复实验时，结果就已经改变了。保持“其他所有条件相同”是不可能的，因为系统在不断地学习并记住它们所学到的东西。
另一个假设是，两个注册同一份电子邮件营销服务的用户将收到从相似起点发送的消息。不一定：电子邮件营销服务使用多个共享服务器，您无法控制使用哪一个。
人工智能通过 IP 地址识别此类共享服务器，并对它们形成了 gcash 数据库 自己的看法（感谢附近的营销人员）。我们无法知道这种观点是积极的、消极的，还是介于两者之间。我们也不知道将来的注册是否会在同一台服务器上进行。
在这个实验中，机会发挥的作用比我们想象的要大得多。 AI系统的工作原理是根据概率和AI算法对一些电子邮件（而不是全部）进行抽样。无法保证系统在整个实验过程中的行为方式相同。事实上，我们可以相当肯定它不会。
因此，我们的理论实验站不住脚，因为由于系统的不确定性和持续学习，不可能复制大规模的人类行为。有人可能会说，通过调整场景并保留一些差异，仍然可以获得有趣的信息。我只能说我们尝试过了，但结果令人失望。
一些评论者如何“测试”传递率以及为什么这不是一个好方法 虽然我已经解释过为什么无法测试传递率，但网上有一些声称已经测试多年的人发表评论。它是关于什么的？
嗯，有些评论者编造了数字。很容易发现这一点，因为他们没有提供其测试方法的详细解释，并且认为没有必要包含屏幕截图来支持他们的说法。有时会插入指向某些包含多行数字的 Google Sheets 文件的链接。我们很难责怪这些审阅者难以捉摸：人们想看到传递率的数字，而他们只提供数字。但无论谁现在读到这篇文章，都不会再满足于这些花招。
其他评论者尝试做我的假设实验的玫瑰水版本。这些“测试”不仅与用户完全无关，而且还可能产生危险的误导。计划不周的实验可能会产生非常有希望的结果，即使对于根本不应该考虑的三流电子邮件营销服务也是如此。
应特别注意完全无意义的可交付性进展。例如，它声称该服务在三年内经过了六次“测试”，结果如下：77.6%、89%、92.6%、94.8%、78.4%、90%。你应该用这些数据做什么？三月份的服务是否比八月份更好，还是这些数字毫无意义？