13招神技 讓你在數據科學和數據分析工作中脫穎而出

文 | Tavish Srivastava

翻譯 | 36大數據翻譯組-望天

來自36大數據

我有幸在很早參與了一個大數據科學項目，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%的數據科學項目最終實施了。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，數據科學行業面臨的真正挑戰是企業和分析人員之間缺乏協調。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。

我發現，如果有個對癥的人坐在你的辦公室，他能明確定義業務問題，并且誘導你突破思維定式，你將突破管窺限制。

因此，你在數據科學/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。為了獲得最大的利益，我建議你遵守。我從他們身上已經受益?，F在輪到你了！

以下是優先順序

在你開始解決問題之前請先掌握業務

我知道你是一個數據分析師，所有你關心的都是數字。但是，一個令人敬畏的業務分析師和一般數據分析師有哪些不同呢？那就是他們對業務理解的潛質。你應該在開始你的第一個項目之前試著去了解企業。下面是一些你應該需要探索的東西：

客戶信息：活動客戶總數，月客戶流失，業務上的業務組合定義。

經營策略：我們如何獲得新客戶，渠道有哪些？我們如何留住有價值的客戶？

產品信息：你的客戶如何被你的產品吸引？你如何通過你的產品賺錢？你的產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，還是只是一個結果

我觀察到，分析師瞄準的甚至不是問題的主要目標。例如，讓我們想象一下，我們發現，一個客戶在撥打客戶服務電話，談話更多的是他在放棄服務。

現在，如果我們開始解決降低客戶服務的呼叫數量的方法，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，現實生活中的問題幾乎難以發現。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，但也是最容易導致失敗的一個陷阱。讓我用幾個簡單例子來做解釋。

假設，你將要建一個營銷活動的目標模型，你將選擇哪個指標來評估你的模型：

KS正態分布統計

等分提升指數

AUC-ROC曲線

Log-Likelihood 對數似然數

在這種模型中，我常會選擇KS正態分布曲線。等分提升指數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。對數似然數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。

使用發散-收斂的思維過程，以避免過早收斂

我已經看到這在許多行業是最大的問題。當今的商界領袖在他們所做的一切中尋求創新。

要真正的創新，您可以遵從發散-收斂的系統方法。在某種程度上，你需要對將要到來的進行發散思維，通過這種方法你得到更多的經驗。我們的意思是想所有的可能方式，在可行性、時間發展、傳統方式等各個方面破解難題。但是，你確信你已經發散到足夠大了，你需要立即應用所有的約束條件來縮小方法。

打破行業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中。但是，為什么我們不能超越傳統的方法，在其他行業尋找解決方案？

例如，一個應用于電子商務行業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的人進行互動，通過分析來學習他們奮斗的成果。

與業務伙伴共同前行

從你的分析事業的第一天起，你應該與業務伙伴進行互動。我常常會看到一件一般會出錯的事，分析師和業務伙伴就解決方案交流很不頻繁，業務合作伙伴想遠離技術細節從業務角度進行分析，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

我知道你是一個數據分析師，喜歡用復雜的想法讓業務人士迷惑。和業務人士使用如此復雜的討論可以幫助你快速結束眼前的談話，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，盡量找出一個簡單的方式，可以讓企業更容易理解。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期的表現。然而，我們不得不選擇一個可以區分人群組合的方式。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群體的組合。

當做一個業務組件的時候，確保你把它放到它們的語言場景中

目標指標永遠不是你分析的最終產品。它只是一個業務組件！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。嘗試學習能與你的聽眾更好連接在一起的術語，思考你的商業伙伴想尋找什么，假象你是他們的鞋子。

給企業領導做講演的時候學會使用業務語言

我最近開始為我的一個項目學習中文。整個項目都非常簡單，但我發現，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。唯一的區別是分析師在介紹他們的模型時使用的業務語言。

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。

積極參與數據類的比賽

隨著時間的發展，你會意識到一件事情：分析行業的變化非?？?。然而，如果你是喜歡待在自己舒適區的一個人，你很快就會發現你的技能都過時了。我發現一個非常有用的方法就是參與數據類的科學競賽，并與同行競爭/學習。 Kaggle 和Analytics Vidhya就是一些非常好的比賽。

通過博客和書本學習關于分析方面的最新工具和技術

《Programming Collective Intelligence》集體智慧編程

《Machine Learning for Hackers》黑客機器學習

《The Elements of Statistical Learning： Data Mining， Inference， and Prediction》統計學習的要素：數據挖掘、推理和預測

《Learning from Data》從數據中學習

《Pattern Recognition and Machine Learning》模式識別與機器學習

學習最新的工具，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，試著學習最新的技術來掌握大數據，Spark和java將是我對入手的建議。

本文鏈接http：//www.36dsj.com/archives/37512