时间: 2021-07-30 10:57:42 人气: 17 评论: 0
文章更分享了关于数据分析的31个秘诀，希望能够给你带来帮助。
或许你的数据分析团队不够成熟，或许公司管理层与数据分析团队经常出现分歧，或许你的数据分析师正疲于为推进工作处理各种公司政治，而非集中精力处理各种分析问题。
最近看了一些外国数据分析文章，挑选一些新鲜且前沿的内容分享。今天分享的是31个能够将让其在项目过程中更为成功的秘诀。在2018年，或许给你带了新的启发。
公司推进任何项目的都是为了让高管买账。无论你是数据科学团队负责人、项目负责人、数据科学家，都应该让公司高管充分信任你的项目，让他们看到数据项目对公司战略起到了积极的推动作用，如此你才能获得更多的资源。否则你的团队将陷入“巧妇难为无米之炊”的困境。
你的领导都是普通人，只能通过处理有限的数据并且从中发现有限的关联性。而一个数据科学家，则可通过专业知识和工具处理比他们高100倍的数据并且准确无误的发现其中的相关性。
面对普通人，你不妨给领导做个大胆的展示，告诉他们是“错误的”。这不是说让你做一个坏人，因为正确的分析结果**帮他们实现更出色的年度汇报，那时他们**感谢你的。
当我们用数据帮助其他团队的时候，我们发现很多产品经理并不相信数据。他们吐槽仪表板不好看，希望能提供一个新的仪表**；吐槽数据科学团队不够专业……以至于你都开始怀疑你的数据。
如果你关注夏洛克福尔摩斯（Sherlock Holmes），你一定**记得他说过：数据是构建思维的基石。建立在数据基础上的房子，你不应该怀疑你房子的坚固性。要让别人相信你和你的数据！
公司内部每个人都希望成为下一个谷歌，掌握Facebook的算法。的确它们很酷、**级强大，且每年能赚上数十亿美元。即使你的团队刚刚起步，你也希望有个成功的开始。
你要知道，哪怕只是做好最简单的事情也可能**产生不可逾越的价值。一旦你赢得了第一场胜利，你**迎来更多的领导的“请求轰炸”。所以先推进一个简单的项目，然后不断复制，你的项目**持续进行的。
数据科学还是个新鲜事物，公司大多管理人员并不知道什么情况下、在哪里使用它。你要像销售一样“安利”你项目的价值，你的安利**给你的项目带来资金支持、资源等等。
数据科学的从业者**接触许多很酷的技术和工具，这些工具让我们有更深刻的见解，但这并不是个“软件工程”的活儿。
如果没有流程，您的项目**逐渐落后，出现项目的“内部故障”，分析结果“劣质”，最终无法顺利完成项目。这意味着您需要将您的项目流程化，从项目一开始就制定标准化的科学分析过程，别认为这是在浪费时间。
别把你团队的能力局限在你所知道的范围内，去挑战他们，相信他们，经常询问他们的想法和意见。不要总想着把他们的思路“拽回来”，传递你的信任，数据科学家是聪明人，信任很重要。
如果有什么我们从我们不同的经历和项目中学到的东西。你需要计划。这确保您不**离开范围，这确保您能够获得所有数据源的良好处理，以及需求，并确保您成功。
然而，事情在今天的商业中变化很快。所以你不能用1年的时间来规划一个项目。当项目进入管道时，您需要跳转到获得需求。不要把所有的时间都花在计划上，也不要去发展。
每个项目的推进都是一项“团队运动”，它**涉及财务、**计、运营、销售等其他你需要合作的其他部门。为推进项目顺利进行，你需要每个部门的“数据仓库”。
如果你运气够好，**有人专门为你提供这些数据，并帮助你获得各部门的专业知识。当然，在你获得帮助的同时，各部门都**对你提出要求。无论如何，你和其他团队要“好好玩”。
与第9点一致，你希望从各部门中获得尽可能多的专业知识。因为数据科学家不是药剂师、医生、**计师、财务经理等。因此你需要从更多人、项目、中小企业中不断获得业务或主题的见解。当启动一个新项目时，列出你需要的主题和数据，去主动寻找那些符合你需求的人。
在你拿到一些意见后，注意不要让他们思想上的偏见阻碍你的新观点。偏见很常见，例如公司的高管、经理和其他团队成员，经常**认为：驱动就是执行“XYZ”。
然而你的团队很可能产生一个全新的结果，毕竟项目的最终目并不是给经理做事。不要因为你的项目结果**违背现状，就埋葬新的观点。莫忘记，你的工作就是挑战现状。
作为一个数据科学家，你的手头总是有很多数据。这意味着，你有“数据”的撑腰——当你认定自己是对的时候，你一定是对的。
所以不要害怕，别被你领导的思维改变你的想法。坦白说，他们也希望你能给他们一些信息，他们要通过这些信息去理直气壮地说服自己的老板。因此，用数据巧妙地挑战你的老板的意见。
数据就是力量，这不是什么新想法。人们一直都在用数据来证明，科学一直也依靠数据来反复证明**的真伪。包括每一项行动和决策都要经历这个过程。总之，数据是最好的驱动力。
搭建一个用户购买原型(当然,在python中)，并向你的团队和领导展示它能做什么，相比**和语言，大家更需要切实的行动。
搭建这个模型后，不断获取真实的数据，若不能为你的模型注入数据，你要确保它功能的存在，逐渐让它变得有形、互动和可操作！
这一点如何强调都不足为过。你要确保所构建的任何仪表板、所设置的流程或开发的算法都是可维护的。如果你明天离开公司，要确保数据项目仍然正常运转，否则**有人问“诅咒”你。很认真地说，如果你要离开，你要留下文档说明，并共享代码，保证其他人能够正常使用。
别再做无聊的数据处理和纯人工的Q&A工作！ 在你第一次设计你的分析系统时，尽量让大部分的枯燥、基础工作都自动化。企业内的数据科学项目接踵而至，基础的东西还是交给机器来做，比如你每周花2个小时来上传数据等。
有许多数据科学咨询公司**有一份数据科学指南（手册）。该指南（手册）用于评估数据科学团队的状态，发现项目推进过程中的问题，以保证高效工作。
然而，通常情况下，许多公司的数据科学团队都**省去这一步骤，事实上指南（手册）引入外部帮助和监管是十分有必要的。
也许你的团队里有一个了不起的数据科学家，他或她身兼数职，并能够为团队编撰一本很**的工作手册，包括代码、编码实践、系统文档等。
走进一家公司没有什么比获得文件更有用的了。你可以提前了解到项目的历史，针对此开发一个新的解决方案并快速推进，如此可以节省公司资金，也是一件让数据科学顾问兴奋的事。
20位分析师，花费1个月的时间，将5万个单位的数据完成分类，很糟糕，这是对资源和资金的严重浪费。
当你刚开始一个数据分析项目时，尝试开发一种不需要分析人员的数据分类方法，以及在吸引公众的意见、提供服务、设计一个新产品等方面，都尽量避免让你的团队参与到枯燥的工作中去。
从头开始一个新的项目并参与其中，是一件很幸运的事情。
数据系统可能在6个月内收集数据，并在你脑中形成雏形：你要考虑一下你希望未来如何使用数据，以及它与其他系统的交互与打通等。这不仅仅构建一个功能系统，正确收集数据是第一要务，并要随着业务发展不断增加数据采集组件。
数据有不同来源，包括内部数据仓库、外部API 等，尽可能多地收集数据，并确保它是可管理、干净的。
作为一名数据科学家，我们都有老板，我们必须说服老板自己是对的。这个故事怎么讲呢？你告诉他们一堆百分比和标准偏差，讲着讲着就发现他们的目光变得呆滞了。
为了让领导快速买账，你应该传递枯燥数字之外的东西，比如一个信息图的展示等，并为你的观点注入些许激情。
数据科学具有影响客户和雇员的能力。告诉你的领导，数据将如何运作以及数据的价值。你可能觉得我说的有点重复。
然而，你能与管理层沟通的角度越多，你的项目就越能省钱。数据科学家喜欢谈论算法是如何计算出“一个人在浏览Facebook时正在挠鼻子的概率的”。然而业务团队只关心他们能从这些结论中赚到多少钱……正确认识数据价值，靠你去传递。
你的团队需要知道项目管理应如何推进，比如，经历多少个部门，他们的沟通频次，他们日常看什么数据？当你越了解高层管理的工作，你就越能帮助他们在正确的方向上推动项目进程。同时获得资金和项目的难度也**降低。
每个高管都处在公司的政治之中，他们做每个决定都有自己的流程和策略，而普通员工并不知道“关着的门”后面究竟发生了什么。
我们要在数据科学家和高管之间，或者说是一群高管之间创造更为广泛的讨论，当你更充分地了解更高层次上的关注点，项目开始与推进变得更加容易。
在数据科学领域，失败总是发生的。你要告诉领导失败的原因，以便在你需要的时候寻求帮助。否则你可能**束缚在一个需要外接干预的小问题上，而导致项目只完成一半，造成团队的损失。
有时寻求外部干预是必要的。这意味着雇佣一个顾问团队，或者雇佣新员工。有时候**增加项目，这需要临时的人员流入。在一个可以拯救数百万人的项目上多投入一点是有意义的，让一些临时工来满足时间安排并不是件坏事。
太多的外部消息**使思想陷入困境。因为你的项目可能不像其他行业巨头那样，所以这可能让你害怕落后。不要对此担心，当你读更多的书、获取更多的外部新闻，你**被激励以继续向前进，并获得灵感。
如果你的领导带着一个项目来找你，他得到了公司资深的VP或高管的支持。你不应该盲目接受，而应该要质疑：为什么要这样做？谁是项目的受益者？它**节省多少资金成本？找到这些答案只能靠你自己，在项目开始前要确保你知道答案。否则，您可能正在研究一个即将死去的项目。
这点听起来是陈腔滥调，但是很真实。如果你是一个数据科学项目经理，**很容易失去信心，因为你的团队所带回的见解不是很有价值，也许他们根本一无所获。令你想不到的是，这比你想象的要普遍得多。不是每个项目都能带来立竿见影的效果。要有耐心，要有积极的态度。如果您的数据是干净的，并且您的数据科学实践是可靠的。有些东西最终**被打破。
不要忘记你是一个科学家，你有数据，这意味着你可以自信地做出结论。你可以 这样说：“最好的决定是……”、“我建议我们……”、“我知道……”，“我们来试试X的解决办法”。
译者：乔一鸭，神策数据运营一枚
编译自：Top 30 Tips To Ensure Data Science Team Success – Data Consulting
本文由 @乔一鸭 翻译发布于人人都是产品经理。未经许可，禁止转载。
题图来自unsplash，基于CC0协议
