我有幸在很早參與了一個大數(shù)據(jù)科學(xué)項目，我非常喜歡其中的工作，甚至我意識到我的努力可以增加一些公司的價值。
然而，可悲的是，只有不到30%的數(shù)據(jù)科學(xué)項目最終實施了。我備受打擊的意識到我的努力被浪費了。但是，我不是唯一的一個。幾乎，每一個分析家都有同樣失望的感覺。
即使在今天，數(shù)據(jù)科學(xué)行業(yè)面臨的真正挑戰(zhàn)是企業(yè)和分析人員之間缺乏協(xié)調(diào)。令我驚訝的是，我甚至注意到，這些人更喜歡坐在同一個辦公室里坐在一起。
如果這兩種技能的專業(yè)人士很普遍，我們就可以看到一個實施可能性更高的項目。在過去的四年里，我花了很多時間思考使一個項目成功的最佳實踐。
我發(fā)現(xiàn)，如果有個對癥的人坐在你的辦公室，他能明確定義業(yè)務(wù)問題，并且誘導(dǎo)你突破思維定式，你將突破管窺限制。
因此，你在數(shù)據(jù)科學(xué)/分析工作中正在取得成功時，我建議你遵循下面提到的提示。這些都是嘗試和測試的總結(jié)。為了獲得最大的利益，我建議你遵守。我從他們身上已經(jīng)受益?，F(xiàn)在輪到你了！
以下是優(yōu)先順序
在你開始解決問題之前請先掌握業(yè)務(wù)
我知道你是一個數(shù)據(jù)分析師，所有你關(guān)心的都是數(shù)字。但是，一個令人敬畏的業(yè)務(wù)分析師和一般數(shù)據(jù)分析師有哪些不同呢？那就是他們對業(yè)務(wù)理解的潛質(zhì)。你應(yīng)該在開始你的第一個項目之前試著去了解企業(yè)。下面是一些你應(yīng)該需要探索的東西：
客戶信息：活動客戶總數(shù)，月客戶流失，業(yè)務(wù)上的業(yè)務(wù)組合定義。
經(jīng)營策略：我們?nèi)绾潍@得新客戶，渠道有哪些？我們?nèi)绾瘟糇∮袃r值的客戶？
產(chǎn)品信息：你的客戶如何被你的產(chǎn)品吸引？你如何通過你的產(chǎn)品賺錢？你的產(chǎn)品是直接盈利者還是媒介工具？
如果你能回答這些問題，你對開始你的第一個項目已入門。
想想你是正在解決一個潛在問題，還是只是一個結(jié)果
我觀察到，分析師瞄準(zhǔn)的甚至不是問題的主要目標(biāo)。例如，讓我們想象一下，我們發(fā)現(xiàn)，一個客戶在撥打客戶服務(wù)電話，談話更多的是他在放棄服務(wù)。
現(xiàn)在，如果我們開始解決降低客戶服務(wù)的呼叫數(shù)量的方法，我們可能不會降低流失率。相反，在你沒有過失的情況下，我已經(jīng)看到你客戶較高的不滿。這可能是一個簡單的致命傷，你會拒絕進入這種簡單的陷阱。但是，現(xiàn)實生活中的問題幾乎難以發(fā)現(xiàn)。我想說，解決一個明確的問題要比找到解決問題的正確方法要容易的多。
花費更多的時間在找到正確的評估指標(biāo)和完成工作需要的必備條件
這個可能是對分析師來說是非常容易解決的一個難題，但也是最容易導(dǎo)致失敗的一個陷阱。讓我用幾個簡單例子來做解釋。
假設(shè)，你將要建一個營銷活動的目標(biāo)模型，你將選擇哪個指標(biāo)來評估你的模型：
KS正態(tài)分布統(tǒng)計
等分提升指數(shù)
AUC-ROC曲線
Log-Likelihood 對數(shù)似然數(shù)
在這種模型中，我常會選擇KS正態(tài)分布曲線。等分提升指數(shù)只能給你在某個特定等分的評估，因此，它可能不會幫助我們找到巨大的目標(biāo)人群和突破點。AUC-ROC曲線可以對整體人群評估，不適合在這個模型中。對數(shù)似然數(shù)可能是最大的最不適合這個模型，因為所有的事情是順序排名而不是實際概率。
使用發(fā)散-收斂的思維過程，以避免過早收斂
我已經(jīng)看到這在許多行業(yè)是最大的問題。當(dāng)今的商界領(lǐng)袖在他們所做的一切中尋求創(chuàng)新。
要真正的創(chuàng)新，您可以遵從發(fā)散-收斂的系統(tǒng)方法。在某種程度上，你需要對將要到來的進行發(fā)散思維，通過這種方法你得到更多的經(jīng)驗。我們的意思是想所有的可能方式，在可行性、時間發(fā)展、傳統(tǒng)方式等各個方面破解難題。但是，你確信你已經(jīng)發(fā)散到足夠大了，你需要立即應(yīng)用所有的約束條件來縮小方法。
打破行業(yè)壁壘想到替代解決方案
分析正在使用在每一個可能的行業(yè)中。但是，為什么我們不能超越傳統(tǒng)的方法，在其他行業(yè)尋找解決方案？
例如，一個應(yīng)用于電子商務(wù)行業(yè)的推薦視頻解決方案可以像Analytics Vidhya公司在博客門戶使用一樣好。唯一的方法就是與其他行業(yè)的人進行互動，通過分析來學(xué)習(xí)他們奮斗的成果。
與業(yè)務(wù)伙伴共同前行
從你的分析事業(yè)的第一天起，你應(yīng)該與業(yè)務(wù)伙伴進行互動。我常常會看到一件一般會出錯的事，分析師和業(yè)務(wù)伙伴就解決方案交流很不頻繁，業(yè)務(wù)合作伙伴想遠離技術(shù)細節(jié)從業(yè)務(wù)角度進行分析，這確實對項目不利。在模型實施和模型建模中保持持續(xù)的互動是非常重要的。
思考最簡單的讓你的想法落地的方案
我知道你是一個數(shù)據(jù)分析師，喜歡用復(fù)雜的想法讓業(yè)務(wù)人士迷惑。和業(yè)務(wù)人士使用如此復(fù)雜的討論可以幫助你快速結(jié)束眼前的談話，但會降低成功實施的可能性
以下是你需要做的：一旦你輸出一個指標(biāo)，盡量找出一個簡單的方式，可以讓企業(yè)更容易理解。讓我給你這個方法的一個例子。我們試圖找出那些一旦有機會，就可以做的非常好的代理商，我們想出不同層次的人群和他們預(yù)期的表現(xiàn)。然而，我們不得不選擇一個可以區(qū)分人群組合的方式。我們所做的很簡單：我們實施了差別收費策略，以改變申請人的組合和我們?nèi)后w的組合。
當(dāng)做一個業(yè)務(wù)組件的時候，確保你把它放到它們的語言場景中
目標(biāo)指標(biāo)永遠不是你分析的最終產(chǎn)品。它只是一個業(yè)務(wù)組件！因此，你需要在使你的想法更清晰和更有效而投入大量的精力。嘗試學(xué)習(xí)能與你的聽眾更好連接在一起的術(shù)語，思考你的商業(yè)伙伴想尋找什么，假象你是他們的鞋子。
給企業(yè)領(lǐng)導(dǎo)做講演的時候?qū)W會使用業(yè)務(wù)語言
我最近開始為我的一個項目學(xué)習(xí)中文。整個項目都非常簡單，但我發(fā)現(xiàn)，即使有一個強大的模型，在銷售它的時候我犯了個錯誤。原因是我對他們內(nèi)部討論的理解一篇空白。使用你的聽眾的語言是非常重要的。我看到非常簡單的模型被贊賞和最聰明的模型被拒絕。唯一的區(qū)別是分析師在介紹他們的模型時使用的業(yè)務(wù)語言。
積極跟進落實計劃
最后來的但不是最不重要的，一旦每個人都相信你的模型的有效性，會發(fā)生什么。你的工作還沒有完成。建立每月項目跟進計劃，了解項目如何實施，是否在正常的進行。
積極參與數(shù)據(jù)類的比賽
隨著時間的發(fā)展，你會意識到一件事情：分析行業(yè)的變化非?？臁Ｈ欢?，如果你是喜歡待在自己舒適區(qū)的一個人，你很快就會發(fā)現(xiàn)你的技能都過時了。我發(fā)現(xiàn)一個非常有用的方法就是參與數(shù)據(jù)類的科學(xué)競賽，并與同行競爭/學(xué)習(xí)。 Kaggle 和Analytics Vidhya就是一些非常好的比賽。
通過博客和書本學(xué)習(xí)關(guān)于分析方面的最新工具和技術(shù)
《Programming Collective Intelligence》集體智慧編程
《Machine Learning for Hackers》黑客機器學(xué)習(xí)
《The Elements of Statistical Learning: Data Mining, Inference, and Prediction》統(tǒng)計學(xué)習(xí)的要素：數(shù)據(jù)挖掘、推理和預(yù)測
《Learning from Data》從數(shù)據(jù)中學(xué)習(xí)
《Pattern Recognition and Machine Learning》模式識別與機器學(xué)習(xí)
學(xué)習(xí)最新的工具，以了解什么是可能的，什么不是
走出你在SAS、R、 編程的安樂窩，試著學(xué)習(xí)最新的技術(shù)來掌握大數(shù)據(jù)，Spark和java將是我對入手的建議。
聯(lián)系客服
