如何成爲一名合格的數據科學家？這5個要點必定要掌握

做者 | 彭鴻濤 張宗耀 聶磊
來源 | 大數據DT

1、數據科學家的工做模式與組織結構

數據科學家須要與業務專家一塊兒工做才能發揮最大價值。實際工做中兩種角色如何配合，取決因而採用業務驅動的模式仍是數據驅動的模式。

1. 數據驅動仍是業務驅動

業務驅動的特色是業務人員主導數據分析需求的提出、結果的應用，在業務中應用數據洞察；而數據驅動的特色是更看重主動應用數據分析手段，從數據洞察發起業務、改善業務，固然在業務執行時也須要普遍應用數據洞察。在較新的業務領域採用數據驅動比較適合，已有複雜業務則採用業務驅動較好。

然而從自身能力的發展、數據驅動逐漸成爲主要的工做模式的狀況來看，數據科學家須要思考如何將數據驅動的模式作得更好，而且願意承擔更多責任。因此，除了算法、用法等基本技能，還須要考慮如何改善業務。

下圖所示的職責佔比只是示意，其實最核心的是由哪一種角色來主導，在工做中也未見得業務專家不能主導數據驅動的模式。從業務結果的角度來看，所謂業務驅動和數據驅動只是到達一個既定目標時不一樣的工做方式而已。在實際的業務中也不會分工很是明確，即不會限定業務人員只能作什麼或數據科學家只能作什麼，只有相互無縫協做纔是最佳的工做模式。

▲業務專家與數據科學家的兩種配合方式

2. 數據科學家團隊的組織結構

數據科學家團隊的組織結構關係到數據應用的效率、管理的效率、我的的發展等諸多方面，企業在設置這個組織結構時須要認真考慮。每一個企業的實際狀況不一樣，能夠採用不一樣的方法。數據科學家的組織結構通常分兩種，即分散式結構和集中式結構。

分散式結構是數據科學家眷於肯定的業務部門，這樣的組織結構的好處是其能夠緊密地與業務人員合做，將業務問題轉換爲高效的數據分析任務。

可是其也有不足，一方面數據分析的知識積累是在我的身上，而不是在團隊，另一方面就是由於角色的限制使得業務部門內的數據科學家沒有上升空間。業務部門內的數據科學家若要在職業道路上繼續前進，要麼離開，要麼擔任其餘角色。一旦發生數據科學家的人事變化，這對團隊穩定、知識積累等都是不利的。

集中式的數據科學家組織結構就是跨業務條線而成立獨立的專門作數據分析的結構。這樣的組織結構的好處就是團隊相對穩定，給成員提供了不斷成長的空間，也避免了知識積累的流失。

可是其也有不足，因爲數據科學家脫離業務部門而獨立存在，致使團隊成員對業務的理解不夠深刻，模型的產出可能效率低下。業務部門也可能只將其看做支持部門，而不會在實際業務中有太多引入。

企業在構架數據科學家組織架構時，也可採用混合的結構。即便是集中式的組織結構，其彙報的層級也可能不一樣。沒有所謂明確的業界標準的說法，因地制宜的作法纔是最實際的。

2、數據科學家的工做方法要點

數據科學家的核心任務之一是經過數據分析手段將數據洞察應用在實際業務中，並能產生有效的結果。數據科學家在實際工做中須要注意如下要點，以確保上述目標的達成。

1. 開始工做之前確保具有成功要件

在開始一件工做前，最好先明確一下業務場景、數據可得到性、數據質量等重要信息。在不少狀況下，會出現因數據不支持沒法進行細緻分析、模型結果很好可是落地應用時沒有對應的資源支持、數據分析只是探索沒有對應的使用場景等問題。這些因素會嚴重影響數據分析的價值。

筆者做爲顧問給多個客戶實施數據分析項目時，就遇到過上述的問題。從客戶的角度來說，其關心的是業務問題的解決，並不會過多細緻地考慮實施過程的細節。只有努力地嘗試去作，才能發現有些問題會嚴重阻礙數據分析的進行，這也會影響數據分析的最終效果。

2. 同時輸出兩種價值

假設要經過數據分析手段改善某業務問題，如構建預測模型篩選高價值、高響應率的客戶，即便是在目標很是明確的狀況下，數據科學家也要在作的過程當中保證兩種輸出結果。

（1）重要發現

數據分析過程當中勢必要進行數據提取、數據處理、數據探查等一系列基礎工做。在這些基礎工做的過程當中，每每會隱藏着有巨大業務價值的信息。好比，筆者的團隊在給某金融機構構建高端客戶的相關模型時發現一些信息，如「大部分客戶只持有一類理財產品且在半年內沒有交易活動」，這些信息對於後期的營銷策略制定相當重要。

因此，數據科學家在實際工做中需保持「業務敏感性」，對於數據背後的業務故事保持好奇心，同時將一些重要的數據發現協同模型結果一併輸出，這能夠大大提升分析主題的價值。

（2）模型結果

給定分析主題，目標模型結果就能夠基本肯定，如尋找高價值客戶就是模型輸出一個名單，風險預警就是給出風險評分以及緣由。這是模型輸出的最基本形式。

在實際的模型實施應用中，業務人員會常常以挑剔的眼光來看待模型，而且基於模型結果老是有不一樣的疑惑須要數據科學家來解答。典型的疑惑如「聚類分析模型確實將客戶分了幾個類別，可是我仍是不知道該如何營銷這些客戶」「社交網絡分析模型給出了潛在的高價值客戶名單，但這些信息不足以讓營銷人員開展營銷」。

出現這種狀況時，一種簡單的作法就是和業務人員深刻討論，梳理出他們的關注點，而後將對應的指標從數據庫中提取出來，做爲模型輸入的補充一併交給業務人員。

從本質上來說，出現業務人員疑惑的緣由是「業務人員期待模型輸出決策而不是名單」以及團隊缺少將模型輸出轉換爲營銷決策的能力。數據科學家也須要具有將模型結果轉換爲業務決策的能力。

3. 充滿想象力地開展工做

算法能作到什麼是數學範疇的知識，數據科學家的核心工做就是將業務需求轉換爲一系列的數據分析實踐過程。若將各個算法看做一個個組件，那麼用一個算法來解決問題仍是用多個算法的組合來解決問題，須要數據科學家的想象力和不斷嘗試。

筆者的團隊曾給某客戶構建模型時，其需求是「根據客戶持有產品的現狀推薦產品，達到交叉銷售的目的」。這是一個很是不具體的需求，能作的範圍很大，能用的算法工具也不少。

最後咱們採用的是構建「客戶聚類與產品聚類的交叉分佈以及遷移矩陣，並據此來展開不一樣目的營銷」，若向上銷售則可推薦同類產品，交叉銷售則可推薦不一樣類的產品。這種作法以前沒有實施過，可是結果證實其很是有效，僅在一次營銷應用中就帶來數十億的營業額。

4. 按照敏捷的方式來構建模型

數據挖掘過程也能夠看做一個項目過程，從項目管理的角度固然能夠按照敏捷的方式來進行。數據科學家須要積極主動地彙報分析思路、預期結果、進度等重要信息。時刻與業務人員以及管理人員保持溝通，對需求變化保持開放，將對模型的實際應用會有巨大的幫助。

通常狀況下，讓一個對數據和業務都不瞭解的人來構建模型，每每須要數月的時間；但讓一個熟悉數據、業務、算法工具的人來建模，則可能只需幾天就能夠完成。不論哪一種程度的人員來建模，均可以按照敏捷的方式來管理建模過程。

筆者與建模方法論CRISP-DM的提出者之一Julian Clinton一塊兒工做過4年時間，在長期的項目實踐中咱們一直堅持該方法論所倡導的核心要點：緊貼業務、不斷探索、以結果爲導向、模型在應用後仍需不斷調優等。事實證實，這些原則很是有效。CRISP-DM方法論的實施與實施過程當中按照敏捷的方式來管理是相輔相成、相得益彰的。

5. 以業務的成果來衡量本身的工做

模型的效果到底如何？數據科學家不該該基於測試集上優異的模型性能指標而洋洋自得，這沒有任何意義，頂多表明建模的技巧高超。

模型最終帶來的收益是由模型輸出、匹配模型輸出的業務決策、業務決策實施過程當中的資源配置、應用場景的價值大小等綜合因素共同決定的。缺乏任何一環都會使得模型的價值直線降低。

數據科學家須要積極主動地推動這些環節的相關工做，積極收集模型部署後的監測數據，在「建模—業務決策匹配—業務決策實施—效果監控—模型或決策改進—再部署—再監測」的閉環中積極發揮做用。最終得出的業務結果數據，纔是數據科學家真正成就感的源泉。