數(shù)據(jù)如今已經(jīng)體現(xiàn)出巨大的價值——企業(yè)通過數(shù)據(jù)分析來為包括市場支出、員工決策到產(chǎn)品開發(fā)等所有事情提供參考性建議，而這也意味著，數(shù)據(jù)科學家在工作中的價值正變得越來越突出。

隨著人工智能的發(fā)展，數(shù)據(jù)科學家開始越來越受歡迎。與此同時，數(shù)據(jù)科學家確保自身能夠持續(xù)地提升自我價值，以及通曉如何利用數(shù)據(jù)科學最佳實踐是很重要的。這篇文章中列舉了五個數(shù)據(jù)科學家可能常犯的誤區(qū)，并對如何防止這些失誤的出現(xiàn)給出了一定的建議。

誤區(qū)1：專注于電腦，而不是同事

在數(shù)據(jù)科學初學者之中有一個常見的誤解，即在實際工作中他們的工作主要是編寫技術代碼，而另有他人將向業(yè)務相關者展示他們的發(fā)現(xiàn)。但事實遠非如此，數(shù)據(jù)科學家的工作是發(fā)現(xiàn)有助于業(yè)務增長的信息。

首先，數(shù)據(jù)科學家必須能夠與業(yè)務人員交流，共同探討他們發(fā)現(xiàn)的信息如何在更大程度上對業(yè)務產(chǎn)生影響;其次，他們必須知道到哪里尋找這些信息。第二部分是至關重要的：一個整天坐在辦公桌前的數(shù)據(jù)科學家，可能永遠不會意識到銷售團隊正面臨著客戶流失的問題，或者營銷團隊正在為轉化率的事焦頭爛額。

業(yè)務運營中總會存在各種各樣的問題，數(shù)據(jù)科學家可以幫助解決很多問題。不要只看數(shù)據(jù)，離開你的辦公桌去了解公司的日常工作，這樣你就能知道如何提供更大的價值。

誤區(qū)2：忽略業(yè)務領域的大環(huán)境

除了定期與業(yè)務部門的同事溝通之外，花時間了解你所在行業(yè)的大環(huán)境也很重要。如果你正在為一家零售公司制定解決方案，花點時間開車去他們的實際地點，觀察他們是如何運作的——銷售人員在做什么、購物空間的設計、經(jīng)理的工作內容，等等。

更全面地理解業(yè)務環(huán)境，對于提供業(yè)務洞察和數(shù)據(jù)科學最佳實踐至關重要。如果你不了解企業(yè)是如何運作的，就不可能幫助它更好地運作。數(shù)據(jù)科學家必須理解數(shù)據(jù)代表什么，否則，您將會遇到這樣的情況：根據(jù)您的模型，一切都應該完美地工作——但是仍然存在一些現(xiàn)實問題，您只能通過觀察業(yè)務的實際情況來了解這些問題。

當您對業(yè)務的大環(huán)境有了一定的了解之后，就可以找到失效的流程，查看數(shù)據(jù)，并推測出了什么問題，在對您的假設進行測試并確認之后，做出相應的改進。

誤區(qū)3：只注重理論而忽視實踐

與許多領域一樣，數(shù)據(jù)科學往往是實踐重于理論。問題是，數(shù)據(jù)科學的實踐是學不到的，你必須在真實的環(huán)境中運行。

在企業(yè)中，數(shù)據(jù)科學家必須經(jīng)受各種壓力，包括：

與其他部門和團隊協(xié)調。有時可能會隨著內部優(yōu)先級的變化而從一個項目跳到另一個項目，或者當您的主要解決方案不能按照建議實現(xiàn)時，需要尋找替代解決方案。

代碼集成的挑戰(zhàn)。有時，您的代碼不能輕松地與現(xiàn)有代碼集成，這意味著您必須找到對應解決方案。

預算限制。在實際工作中，每個項目都有預算限制。弄清楚如何在有限的預算下，獲得足夠好的（而不是完美的）解決方案，這是數(shù)據(jù)科學家有效工作的關鍵部分。

雖然關注最新的文章、博客和前沿技術也很重要，但在這份工作中，有些部分你只能邊做邊學。一個具備高工作效率的數(shù)據(jù)科學家，應知道如何平衡他們的專業(yè)發(fā)展。

誤區(qū)4：從不問為什么

要成為更好的數(shù)據(jù)科學家，只需問一問為什么。這個問題有助于消除數(shù)據(jù)科學家和公司其他部門同事之間的溝通障礙。

想象一下，一家零售公司的營銷主管要求建立一個數(shù)據(jù)模型，該模型能夠顯示有多少消費者產(chǎn)生購買行為的原因是與他們訪問網(wǎng)站的渠道相關的。在創(chuàng)建模型之前，你可以先問問為什么。是為了了解哪些客戶是最有價值的，這樣他們就能知道從哪里可以獲得更高的轉化率？是為了幫助銷售團隊優(yōu)先考慮渠道嗎？他們有辦法衡量新老客戶嗎？他們會將產(chǎn)品收益作為考慮因素嗎？

為了建立一個真正有用的模型，你必須理解你的同事希望用它去解決的問題——當你這樣做的時候，你可能比你最初預想的更容易解決它，這對每個人都有好處。

誤區(qū)5、假設您的數(shù)據(jù)是干凈的

在許多情況下，數(shù)據(jù)科學家80%的工作是清理數(shù)據(jù)——最后20%的工作是運行機器學習或深度學習模型，以獲取數(shù)據(jù)洞察。

接收數(shù)據(jù)集時要做的第一步是辨認有多少數(shù)據(jù)是直接可用的，第二步是確定如何讓獲得一個完全可用的數(shù)據(jù)集。

數(shù)據(jù)從來都不是完美的——如果是的話，數(shù)據(jù)科學家就不會有工作了。我們必須使不完美的數(shù)據(jù)變得可用，這要求我們理解業(yè)務的大環(huán)境——您不需要哪些信息？哪些是關鍵任務？

人們很容易陷入一種現(xiàn)代思維模式，即數(shù)據(jù)是企業(yè)中所有意義和價值的來源（尤其是如果你是一名數(shù)據(jù)科學家）。但如果我們想要繼續(xù)為我們工作的公司帶來價值、發(fā)揮數(shù)據(jù)科學的最佳實踐效果，我們必須承認只有當我們的工作是整個商業(yè)生態(tài)系統(tǒng)中的一部分時，我們的工作才最有價值——這取決于數(shù)據(jù)科學家本身與生態(tài)的協(xié)作。