然而，可悲的是，只有不到30%的數據科學項目最終實施了。我備受打擊的意識到我的努力被浪費了。但是，我不是唯一的一個。幾乎，每一個分析家都有同樣失望的感覺。

即使在今天，數據科學行業面臨的真正挑戰是企業和分析人員之間缺乏協調。令我驚訝的是，我甚至注意到，這些人更喜歡坐在同一個辦公室里坐在一起。

如果這兩種技能的專業人士很普遍，我們就可以看到一個實施可能性更高的項目。在過去的四年里，我花了很多時間思考使一個項目成功的最佳實踐。

我發現，如果有個對癥的人坐在你的辦公室，他能明確定義業務問題，并且誘導你突破思維定式，你將突破管窺限制。

因此，你在數據科學/分析工作中正在取得成功時，我建議你遵循下面提到的提示。這些都是嘗試和測試的總結。為了獲得最大的利益，我建議你遵守。我從他們身上已經受益。現在輪到你了！

以下是優先順序
 

在你開始解決問題之前請先掌握業務

我知道你是一個數據分析師，所有你關心的都是數字。但是，一個令人敬畏的業務分析師和一般數據分析師有哪些不同呢？那就是他們對業務理解的潛質。你應該在開始你的第一個項目之前試著去了解企業。下面是一些你應該需要探索的東西：

• 客戶信息：活動客戶總數，月客戶流失，業務上的業務組合定義。
• 經營策略：我們如何獲得新客戶，渠道有哪些？我們如何留住有價值的客戶？
• 產品信息：你的客戶如何被你的產品吸引？你如何通過你的產品賺錢？你的產品是直接盈利者還是媒介工具？

[[157994]]

如果你能回答這些問題，你對開始你的第一個項目已入門。
 

想想你是正在解決一個潛在問題，還是只是一個結果

我觀察到，分析師瞄準的甚至不是問題的主要目標。例如，讓我們想象一下，我們發現，一個客戶在撥打客戶服務電話，談話更多的是他在放棄服務。

現在，如果我們開始解決降低客戶服務的呼叫數量的方法，我們可能不會降低流失率。相反，在你沒有過失的情況下，我已經看到你客戶較高的不滿。這可能是一個簡單的致命傷，你會拒絕進入這種簡單的陷阱。但是，現實生活中的問題幾乎難以發現。我想說，解決一個明確的問題要比找到解決問題的正確方法要容易的多。
 

花費更多的時間在找到正確的評估指標和完成工作需要的必備條件

這個可能是對分析師來說是非常容易解決的一個難題，但也是最容易導致失敗的一個陷阱。讓我用幾個簡單例子來做解釋。

假設，你將要建一個營銷活動的目標模型，你將選擇哪個指標來評估你的模型：

• KS正態分布統計
• 等分提升指數
• AUC-ROC曲線
• Log-Likelihood 對數似然數

在這種模型中，我常會選擇KS正態分布曲線。等分提升指數只能給你在某個特定等分的評估，因此，它可能不會幫助我們找到巨大的目標人群和突破點。AUC-ROC曲線可以對整體人群評估，不適合在這個模型中。對數似然數可能是最大的最不適合這個模型，因為所有的事情是順序排名而不是實際概率。

[[157995]]

使用發散-收斂的思維過程，以避免過早收斂

我已經看到這在許多行業是最大的問題。當今的商界領袖在他們所做的一切中尋求創新。

要真正的創新，您可以遵從發散-收斂的系統方法。在某種程度上，你需要對將要到來的進行發散思維，通過這種方法你得到更多的經驗。我們的意思是想所有的可能方式，在可行性、時間發展、傳統方式等各個方面破解難題。但是，你確信你已經發散到足夠大了，你需要立即應用所有的約束條件來縮小方法。

打破行業壁壘想到替代解決方案

分析正在使用在每一個可能的行業中。但是，為什么我們不能超越傳統的方法，在其他行業尋找解決方案？

例如，一個應用于電子商務行業的推薦視頻解決方案可以像Analytics Vidhya公司在博客門戶使用一樣好。唯一的方法就是與其他行業的人進行互動，通過分析來學習他們奮斗的成果。
 

與業務伙伴共同前行

從你的分析事業的第一天起，你應該與業務伙伴進行互動。我常常會看到一件一般會出錯的事，分析師和業務伙伴就解決方案交流很不頻繁，業務合作伙伴想遠離技術細節從業務角度進行分析，這確實對項目不利。在模型實施和模型建模中保持持續的互動是非常重要的。
 

思考最簡單的讓你的想法落地的方案

我知道你是一個數據分析師，喜歡用復雜的想法讓業務人士迷惑。和業務人士使用如此復雜的討論可以幫助你快速結束眼前的談話，但會降低成功實施的可能性

以下是你需要做的：一旦你輸出一個指標，盡量找出一個簡單的方式，可以讓企業更容易理解。讓我給你這個方法的一個例子。我們試圖找出那些一旦有機會，就可以做的非常好的代理商，我們想出不同層次的人群和他們預期的表現。然而，我們不得不選擇一個可以區分人群組合的方式。我們所做的很簡單：我們實施了差別收費策略，以改變申請人的組合和我們群體的組合。
 

當做一個業務組件的時候，確保你把它放到它們的語言場景中

目標指標永遠不是你分析的最終產品。它只是一個業務組件！因此，你需要在使你的想法更清晰和更有效而投入大量的精力。嘗試學習能與你的聽眾更好連接在一起的術語，思考你的商業伙伴想尋找什么，假象你是他們的鞋子。
 

給企業領導做講演的時候學會使用業務語言

我最近開始為我的一個項目學習中文。整個項目都非常簡單，但我發現，即使有一個強大的模型，在銷售它的時候我犯了個錯誤。原因是我對他們內部討論的理解一篇空白。使用你的聽眾的語言是非常重要的。我看到非常簡單的模型被贊賞和最聰明的模型被拒絕。唯一的區別是分析師在介紹他們的模型時使用的業務語言。
 

積極跟進落實計劃

最后來的但不是最不重要的，一旦每個人都相信你的模型的有效性，會發生什么。你的工作還沒有完成。建立每月項目跟進計劃，了解項目如何實施，是否在正常的進行。
 

積極參與數據類的比賽

隨著時間的發展，你會意識到一件事情：分析行業的變化非常快。然而，如果你是喜歡待在自己舒適區的一個人，你很快就會發現你的技能都過時了。我發現一個非常有用的方法就是參與數據類的科學競賽，并與同行競爭/學習。 Kaggle 和Analytics Vidhya就是一些非常好的比賽。
 

通過博客和書本學習關于分析方面的最新工具和技術

《Programming Collective Intelligence》集體智慧編程
《Machine Learning for Hackers》黑客機器學習
《The Elements of Statistical Learning: Data Mining, Inference, and Prediction》統計學習的要素：數據挖掘、推理和預測
《Learning from Data》從數據中學習
《Pattern Recognition and Machine Learning》模式識別與機器學習
 

學習最新的工具，以了解什么是可能的，什么不是

走出你在SAS、R、 編程的安樂窩，試著學習最新的技術來掌握大數據，Spark和java將是我對入手的建議。