根據前面作業做個檢討，決定新的題目需要有這些條件：

1. 簡單、明確，即使團隊未參與ml研究的同仁，對於我們要做什麼也完全明白，沒有歧異。
2. 可以擁有確定答案。
3. 不論一般來說的資料收集或事件發生才能拿到的資料，都很容易取得，例如一天才發生一次的事件就不考慮。
4. 處理資料，特徵工程的工作盡量能壓到最小，可以的話盡量是靜態的離散資料就可以做為input來完成題目最好。

尤其是第4點，對於沒什麼經驗的我們，如果第一個題目就要處理複雜的特徵萃取，實在太過辛苦。

相對於靜態的離散資料，就是指動態的連續性資料，或者是說有方向性的資料，在下面簡單舉兩個例子。

例子1：

如果你想知道一個人的脈搏數是不是變快或變慢了甚至異常，那麼可能要收集一段時間的資料才得以做出判斷，或者是說才有意義，單單只看1~2秒內的脈搏數，很直觀的大家都知道沒意思。

所以問題來了，收集多久時間的脈搏數，做出的資料才是最恰當？假設1分鐘，1分鐘會不會太久？假設30秒？假設10秒？其實並沒有標準答案，這是一種需要參考連續的前後變化，才能得到的資料，而抓多少時間才合適，需要重複的實驗以及嘗試，光是研究如何讓這個參數轉換成適當的資料，工作上會曠日費時。

例子2：

假設想知道客戶在某項商品購買的成長率，所謂的成長率，簡單來說是這次比起上次多了多少，然後多的部分除以上次的量，單位是百分比，關鍵字就是這次和上次。兩次購買的時間可能隔了很久，所以並非連續的資料一定是指時間的連續，但從DB紀錄的資料卻可以知道有個次序的關係。

那問題又來了，或許有可能衍伸的很複雜，例如所謂連續的關係，如果客人上週買過，這週也買，大多人可能直覺兩個有關係，但是上次是一年前買的，那會覺得跟這次購買有關係嗎？可能就不一樣，最後又是回到、一個模糊圈定時間範圍的問題，更何況商品的品項，或者個人狀況，促銷價格狀況，可能都同時影響著購買意願，是不是非常麻煩呢？

光是資料的選定或處理，可能就碰頭灰頭土臉，因為這是商務的實作發展，怎麼挑怎麼處理只有自家最清楚，需要從頭自己來，不像kaggle的練習題目，資料已經是處理好的狀態。

最後我們討論出想嘗試的題目是：

「客人流量與訂單金額量的關係」，以此訓練出一個模型，輔助判斷是否客人有異常的操作，或者系統發生異常行為。例如來說，可能在某個流量數，系統收到的訂單總金額短時間暴增多出預期的好幾倍，或者相反狀況，流量穩定的狀態之下，為何金額銳減，是不是有人因為系統問題購買不了某些商品呢？