从产品开发和营销到人员指出决策,企业正在使用数据来燃料几乎每决定。这意味着数据本身比其他任何事情更有价值 - 从而使数据科学成为当今商业世界的突出焦点。

有了这一点,数据科学家在最佳数据实践方面必须小心,因为制造一些常见的错误可以危及您的业务的整体结果。以下是有可能导致问题的数据科学家制作的一些最常见的错误:

  • 忘记了更大的图片 - 重要的是数据科学家总是记得花时间充分了解他们正在工作的更大规模的业务。了解数据的完整背景不仅是顶级数据科学最佳实践之一,而且对提供关键业务见解至关重要。如果您不完全了解公司如何工作,您无法完成工作以帮助其乐趣更好:不仅仅是理解数据,您必须了解它代表的内容。如果没有这种基本的理解,你的完美数据模型仍将遇到真实的问题,这将抛出一切。
  • 忽视实践 - 随着忘记更大的画面,数据科学家必须记住,数据科学的实际方面就像理论一样。数据科学家必须准备好平衡工作的双方,同时保持其工作中最相关的技术。毕竟,只有通过经验学习的工作的某些方面,每个数据科学家都必须实现这一目标。
  • 俯瞰同事 - 有时只是询问“为什么”可以帮助更好的数据科学家和其他部门之间的通信。通过了解请求背后的动机,您将能够建立一个真正有用的模型,可以帮助其他员工更轻松地解决他们的问题。这种开放式沟通水平有助于每个人都更好地完成工作。有时数据科学家可以在他们工作的技术方面进行包裹,并忘记这种数据需要呈现给另一个人,以帮助业务增长和改善。虽然技术技能令人难以置信的胜利,如这些,所以更为“传统的软技能”,如沟通和演示技巧。
  • 假设完美 - 许多数据科学家声称,他们的大多数工作包括清理数据,只有少量实际上包括使用机器学习创建模型等。接收数据集时,您必须决定您可以依赖它以及必须做些什么来使其可用。虽然数据永远不会真正完美,但仍然可以使用不完美的数据,并帮助您实现目标。

由于数据科学在当今商业世界的重要性和用例中继续增长,我们只能通过错误的美丽来了解如何更好地提升这些角色的更多信息。

数据科学家:您在角色中取得了什么样的错误并从您的角色中学到了?让我们在下面的评论中了解。

资源: //logicaloperations.com/insights/blog/2020/01/27/813/4-costly-data-science-mistakes/