Pini Raviv，以色列初創公司的軟件工程師和前端團隊負責人。

數據科學是一個很好的工作領域，但像其他高度專業化的領域一樣，你必須處理工作中的挫折。

根據我的經驗，工作場所問題的主要來源是業務主管和數據團隊之間的脫節。只有能夠理解的數據才是有幫助和價值的。數據科學專業人員有時會因忘記這一事實而感到內疚。

溝通很重要，但是應該如何溝通？這里有五個技巧，你可以用來向業務利益相關者傳達你想要表達的觀點，這也將減少你與他們之間的摩擦。

創建相關的數據可視化

除非你的老板特別要求，否則避免大量的報告。人是視覺生物。我們通過圖片來理解結論要比表格容易得多。數據可視化工具可以使您的分析變得生動，但挑戰并沒有就此結束。您仍然需要確保您的數據易于理解。

數據科學家沒有時間來掌握平面設計，但有幾個黑客你可以使用。在線工具，如Coolors和Paletton，可以幫助您創建既有吸引力又能解決觀眾色盲問題的配色方案。一個簡單的DIY黑客是在一個在線照片編輯器中像素化你喜歡的圖片，并提取那些顏色。

極簡主義是通過圖表傳達你的結論的關鍵。刪除圖表中不會給你的廣泛結論增加價值的呼出，如果呼出可以更好地傳遞信息，可以考慮刪除X和Y軸標簽。明智地選擇字體，在整個演示文稿中不要使用兩種以上的字體。谷歌免費字體，堅持這個公式。

在您的演示文稿中添加一些花哨的東西（動畫、有趣的側邊欄等）是很有誘惑力的，但要避免這些東西，除非它們與您的涉眾想要度量的核心相關。一般的業務用戶都被數據嚇倒了，而您的工作就是為他們簡化數據。你的結論越容易理解，你就越不需要向管理層辯護你的工作，你會發現他們更愿意信任他們的數據。

始終提供上下文

在重分析的組織中有一種傾向，崇拜數據，忘記數據不是事實。事實上，數據在有上下文纏繞之前根本不是那么相關的。將數據上下文化是數據科學專業人員工作的一部分。管理層對數據的信任程度越高，就越應該關注數據的偏差、缺陷和完整性。

首先評估您是否從所有相關來源收集了數據。如果您忽略了重要的數據源，您將看到的只是一小部分的難題。始終考慮到您的數據可能存在于您尚未接觸過的源中的可能性。

接下來，對數據進行分段，將其分解成小塊。數據分割將幫助您對數據進行分類和深入挖掘。如果您的受眾是普通的業務用戶，那么始終將您的細分與業務目標聯系起來，而不是與感興趣的技術目標聯系起來。

記住您的聽眾

數據科學家常常因為忘記了他們的聽眾，迷失在他們數據的技術細節中而感到內疚。您可能必須開發創造性的編碼解決方案才能得出結論，但如果您的聽眾不是技術人員，他們可能不會關心。

例如，假設你的經理要求你提供一份報告，列出上個月每個日期銷量最高的產品。按日期對最暢銷的產品進行分組是很容易的，但你需要做的是只按日期顯示性能最好的產品。Postgres和Redshift的窗口函數簡化了這一點。

但是，如果您的組織使用MySQL怎么辦？您需要使用group_concat將數據滾動到按日期分組的CSV字符串中，然后使用substring_index提取最佳執行者。打得好！然而，你的經理并不關心你的技術魔法。她只想要結果。

關注你的聽眾可以讓你管理他們的期望。數據科學家的一個常見抱怨是，管理層傾向于強加不現實的要求。在業務用戶看來微不足道的事情往往需要復雜的技術解決方案。與其深入研究任務的技術細節，不如用業務術語告訴他們后果。

例如，您可以讓他們知道他們的請求將需要一周來完成，而不是一天。通過這樣的交流，你將會說出他們的語言，而不是給人留下一個技術炫耀者的印象。對于一般業務用戶來說，數據是一個黑盒子。你的工作是為他們翻譯，而不是教他們需要做什么。

設置期望

管理層經常在最后一分鐘添加變量請求，數據建模人員咧嘴笑著承受它們。這些最后一分鐘的請求通常需要額外幾天的數據收集和清理，并將截止日期推得更遠。

另一個常見的情況是處理不合理的請求。您的公司可能只有一個月的數據，但可能需要一年的銷售預測。管理層可能聽說過ML和統計技術填補數據漏洞的能力，并可能期望您將這些技術插入進來以獲得結果。

你必須在每一項任務之前設定期望，以避免接下來的問題。合并可變的提交截止日期和使用業務友好的語言生成數據質量報告通常是設置期望的有效方法。

堅持流程

好的數據分析要求您花時間了解您的數據集并理解它們的來源。在快節奏的環境中，您可能希望匆忙進入分析部分并生成報告。

請記住，您作為數據分析師的職能是為業務目標服務。

產生錯誤的報告只會削弱組織對你的信任。許多企業經理習慣于依靠自己的直覺，不信任數據。跳過部分流程來生成快速報告不會讓他們更信任你。

始終通信

溝通是為組織創造價值的關鍵。數據科學家可能會陷入技術細節的泥潭，并以對業務不友好的方式進行交流。這些技巧將幫助你避免落入這個陷阱，你將設法為高管提供對他們業務的真正洞察力。