数据科学家自述：真正工做以后我才深入认识到这五点

做者: Admond Lee
编译: Mika
CDA 数据分析师原创做品，转载需受权

我从事数据科学工做了已经将近半年了，我一路上成长了不少，也犯了不少错误，并在这一过程当中从学习了不少。

不存在没有失败，只有反馈。而现实世界就是一种反馈机制。

是的，学习之旅并不容易。咱们该作的就是继续努力，不断学习和改进。

经过这段时间的学习历程，我发如今从事数据科学领域时，大多数初学者可能会遇到一些常见的陷阱。在本文中我总结出了当中最须要注意的五点，但愿能帮助你更好地进行数据科学之旅，让咱们开始吧！

1. 业务领域知识

在刚开始从事数据科学工做时，这一点让我最印象深入。一开始我并无意识到领域知识的重要性。相反，我花了大量时间用于提升技术知识，并且是在不真正了解业务需求的状况下构建复杂的模型。

若是不完全了解公司业务，你的模型极可能不会为公司增长任何价值，由于它没法知足公司的商业目的，不管你的模型有多精确。

提升模型精度的最经常使用技术是网格搜索，用于搜索模型的最佳参数。可是，只有在了解业务需求，并添加相关功能训练模型的前提下，这样才能显著提高模型性能。同时，功能工程也很是重要，网格搜索只是改善模型的最后一步。

与此同时，你须要关注公司的业务，由于你的工做就是经过数据帮助公司解决问题。问问本身，你是否对公司目前的业务感兴趣。

仅仅了解业务自己是不够的，你还须要阐述本身的想法，并把相关内容用容易理解的术语表达给其余公司高层以及同事。

换句话说，不要只用其余人不熟悉且晦涩难懂的专业术语，这样只会引发没必要要的误解。

有时尽管你的分析看法是正确的，但也可能受到他人的质疑，所以在展现如何用数据解决业务问题以前，建议你先代表本身对整个业务的了解，而后肯定问题可用现有数据进行回答。

2. 细致的思惟模式和工做流程

作到就像侦探同样，你须要注重细节。这在数据清理和转换过程当中尤其重要。现实世界中的数据很混乱，你必须可以在数据的汪洋大海中找到所需的数据进行分析处理。

所以，具备以细节为导向的思惟模式和工做流程对于在数据科学领域取得成功相当重要。若是没有一丝不苟的心态和严谨的工做流程，你可能会在探索数据的过程当中失去方向。

你可能会在进行了一段时间探索性数据分析后，但仍未得到任何看法；你可能会不断地用不一样参数训练模型，但愿获得改进；你可能好不容易完成数据清理，而实际上数据却不够干净，没法提供给模型。

曾经我也经历过这些过程，后来我意识到本身缺少结构良好的工做流程，并且心里急于求成。

最后我所作的是退后一步，从全局把握问题。而且从新梳理想法和工做流程，努力使一切都标准化和系统化。最终这奏效了！

3. 实验设计和逻辑

系统的工做流程可以为整个数据科学系统提供宏观的角度; 实验是工做流程中不可或缺的一部分，它包括假设测试和建模的过程。

Kaggle竞赛等机器学习问题比较直接，从中你能得到训练数据并开始构建模型。

然而在现实状况比较复杂，你须要经过构建逻辑和设计实验来测试你的假设，并使用合适的指标评估模型。

在实验结束时，你的任何结论都须要事实和数据的支持，永远不要没有验证其有效性的状况下得出结论。

4. 沟通技巧

若是本文只能强调一点，那么我但愿你能提升本身的沟通技巧。不管你是数据科学的初学者，仍是数据科学专家。

当在表达本身见解的同时，你须要聆听他人的意见，而且可以接受批评和反馈。

在与公司领导层和同事沟通业务时，要用简单易懂的语言。这与第一点提到的业务领域知识同样，若是缺少这点会下降与团队成员的沟通效率，由于他人可能很难理解你想表达的内容。

更糟糕的是，缺少沟通技巧会让领导层难以理解你的分析结果。即便你的分析很复杂，但始终要用简单的方式传达你的想法和建议。

5. 用数据讲故事

数据科学不只仅是进行数据处理和建模模。凭借可以知足业务需求的出色模型，你最终目标应该是经过数据讲故事，把分析结果传达给公司领导层，当中须要能回答如下问题：

• 为何咱们要分析它？
• 咱们能够从结果中得到什么看法？
• 咱们能够作出哪些决策或行动计划？

用数据讲故事既简单又复杂。在数据驱动的分析中，有时即便是出色的模型和分析看法，也会由于糟糕的展示形式而变得毫无用处。这实在太惋惜了！

想象一下你是公司领导，当数据科学家给你展示了可以出色解决业务问题的模型，而不作进一步解释。你可能会想，这很厉害，模型很在赞。那而后呢？

问题在于，模型结果和行动计划之间没有联系起来。即便你展现了高度精确的模型预测，而其余人殊不知道该作什么。咱们必须从他们的角度来思考，而不是仅仅知足业务目标。

有许多方法可以改善这一状况，我将简要介绍两种方法，它们能够提供启发性的看法并更好地制定行动计划。

设置比较基准

良好的模型没有对比是不够的。换句话说，须要基准让咱们知道模型是否达标。

若是没有基准，那么是不够的，容易出现质疑：怎样才能被认为是足够好？我为何要相信你的结果？

风险管理

这一点尤其重要，由于它将决定你的模型是否会投入生产。这意味着你必须从模型性能中显示最佳和最差的案例场景。

这就是风险管理的用武之地，由于公司高层但愿知道模型的局限在哪儿，当模型投入生产时公司要承担多大的风险，这最终会影响行动计划。

所以，风险管理不只会使你的结果更具吸引力，并且还会提升公司利对你的信心。

谢谢你的阅读，但愿这五点可以对你的数据科学之旅中有所帮助。