热线电话:13121318867

登录
首页精彩阅读数据科学家自述:真正工作之后我才深刻认识到这五点
数据科学家自述:真正工作之后我才深刻认识到这五点
2018-11-20
收藏


作者: Admond Lee
编译: Mika
CDA 数据分析师原创作品,转载需授权

 

我从事数据科学工作了已经将近半年了,我一路上成长了很多,也犯了很多错误,并在这一过程中从学习了很多。

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。我们该做的就是继续努力,不断学习和改进。

通过这段时间的学习历程,我发现在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需要注意的五点,希望能帮助你更好地进行数据科学之旅,让我们开始吧!


1. 业务领域知识

在刚开始从事数据科学工作时,这一点让我最印象深刻。一开始我并没有意识到领域知识的重要性。相反,我花了大量时间用于提高技术知识,而且是在不真正了解业务需求的情况下构建复杂的模型。

如果不彻底了解公司业务,你的模型很可能不会为公司增加任何价值,因为它无法满足公司的商业目的,无论你的模型有多精确。

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

与此同时,你需要关注公司的业务,因为你的工作就是通过数据帮助公司解决问题。问问自己,你是否对公司目前的业务感兴趣。

仅仅了解业务本身是不够的,你还需要阐述自己的想法,并把相关内容用容易理解的术语表达给其他公司高层以及同事。

换句话说,不要只用其他人不熟悉且晦涩难懂的专业术语,这样只会引起不必要的误解。

有时尽管你的分析见解是正确的,但也可能受到他人的质疑,因此在展示如何用数据解决业务问题之前,建议你先表明自己对整个业务的了解,然后确定问题可用现有数据进行回答。


2. 细致的思维模式和工作流程

做到就像侦探一样,你需要注重细节。这在数据清理和转换过程中尤为重要。现实世界中的数据很混乱,你必须能够在数据的汪洋大海中找到所需的数据进行分析处理。

因此,具有以细节为导向的思维模式和工作流程对于在数据科学领域取得成功至关重要。如果没有一丝不苟的心态和严谨的工作流程,你可能会在探索数据的过程中失去方向。

你可能会在进行了一段时间探索性数据分析后,但仍未获得任何见解;你可能会不断地用不同参数训练模型,希望得到改进;你可能好不容易完成数据清理,而实际上数据却不够干净,无法提供给模型。

曾经我也经历过这些过程,后来我意识到自己缺乏结构良好的工作流程,而且内心急于求成。

最后我所做的是退后一步,从全局把握问题。并且重新梳理想法和工作流程,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

系统的工作流程能够为整个数据科学系统提供宏观的角度; 实验是工作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,从中你能获得训练数据并开始构建模型。

然而在现实情况比较复杂,你需要通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,你的任何结论都需要事实和数据的支持,永远不要没有验证其有效性的情况下得出结论。


4. 沟通技巧

如果本文只能强调一点,那么我希望你能提高自己的沟通技巧。无论你是数据科学的初学者,还是数据科学专家。

当在表达自己看法的同时,你需要聆听他人的意见,并且能够接受批评和反馈。

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一样,如果缺乏这点会降低与团队成员的沟通效率,因为他人可能很难理解你想表达的内容。

更糟糕的是,缺乏沟通技巧会让领导层难以理解你的分析结果。即使你的分析很复杂,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

数据科学不仅仅是进行数据处理和建模模。凭借能够满足业务需求的出色模型,你最终目标应该是通过数据讲故事,把分析结果传达给公司领导层,当中需要能回答以下问题:

* 为什么我们要分析它?
* 我们可以从结果中获得什么见解?
* 我们可以做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,有时即使是出色的模型和分析见解,也会因为糟糕的展现形式而变得毫无用处。这实在太可惜了!

想象一下你是公司领导,当数据科学家给你展现了能够出色解决业务问题的模型,而不做进一步解释。你可能会想,这很厉害,模型很在赞。那然后呢?

问题在于,模型结果和行动计划之间没有联系起来。即使你展示了高度精确的模型预测,而其他人却不知道该做什么。我们必须从他们的角度来思考,而不是仅仅满足业务目标。

有许多方法能够改善这一情况,我将简要介绍两种方法,它们可以提供启发性的见解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,需要基准让我们知道模型是否达标。

如果没有基准,那么是不够的,容易出现质疑:怎样才能被认为是足够好?我为什么要相信你的结果?

风险管理

这一点尤为重要,因为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,因为公司高层希望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。

因此,风险管理不仅会使你的结果更具吸引力,而且还会提高公司利对你的信心。

谢谢你的阅读,希望这五点能够对你的数据科学之旅中有所帮助。


数据分析咨询请扫描二维码

最新资讯
更多
客服在线
立即咨询