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。我從他們身上已經受益�，F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？
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。
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�？臁Ｈ欢�，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。
互聯網 
2015-11-27 09:56:04