数据科学管理已成为想要获得竞争优势的公司的基本要素。数据科学管理的作用是将数据分析过程置于战略环境中，以便公司可以在开展数据科学项目的同时利用数据的力量。


数据科学管理强调使项目与业务目标保持一致，并使团队对结果负责。这意味着确保每个团队都到位，无论是在同一办公室下还是作为 分布式团队。它还确保为团队成员提供适当的角色和为项目成功做出贡献的人员。




请记住，数据科学管理是将数据转化为有价值的客户洞察力，并确保组织内所有利益相关者对这些洞察力采取适当的行动。因此，没有有效管理的数据科学就像下棋不知道如何移动你的棋子。


本指南将深入探讨数据科学项目的一些关键重点领域。您将了解不同阶段之间的差异以及如何根据您的项目最终目标有效地解决它们。我们还将介绍一些优化数据科学项目和领域的策略，这些项目和领域可能因其复杂性而被认为具有挑战性。


提供更深入的上下文
在产品定义的早期阶段包括开发人员和设计师，为产品的成功带来最好的想法和结果。将最优秀的人才聚集在同一个保护伞下，可以理解用户、成功、约束、架构选择和解决方法。


然而，使用数据科学进行产品管理总是感觉就像 25 年前与核心开发团队在一起。双方的理解薄弱、专业术语以及“数据科学很容易”等误解是很难处理的。


要在这种情况下处理市场问题，您需要积极地定义以下上下文：


确定数据科学团队的关键约束和详细用例。指出参与者及其在项目中的角色。
分析业务目标和成功指标，以增加新客户的许可收入并降低流失率。确定处理客户服务和提高客户满意度所需的行动。
与团队和组织共享您的用户研究和验证资产。例如，用户抱怨糟糕的用户界面、收入预测以及将团队成员与最终用户联系起来的任何事情。
请记住，数据科学项目是不确定的，我们的判断可能是错误的
在进行前期调查之前，很容易假设结果。在使用机器学习和人工智能模型处理数据集以预测未来时，现实世界以提供脏数据、完全明显的结果和糟糕的预测分数的方式出现。


例如，您希望机器学习模型可以帮助我们根据历史数据和公开披露来预测股市的未来。与其直接向您的董事会提出相同的建议，明智的做法是证明您如何在这一预测上超越营销人员和竞争对手的理论。


选择/访问数据集至关重要
数据科学项目的成败取决于实际的数据集，而不是意图或直觉。有可能某些数据集比其他数据集更好，即更过滤或更易于访问。


此外，组织可能经常将数据隐藏在监管墙后面，您可能无法访问它。因此，在项目开始时，调查组织内部数据的所有权和权限。此外，与可识别的消费者数据和最终用户许可一起可能具有可接受用途的外部资源取得联系。


描述所需的准确性并预期处理“错误”的答案
人们总是说，在任何数据科学项目的一开始，准确性水平都是必不可少的对话。我们花费大量时间和精力来确定“比抛硬币更好”的准确性；然而，当我们在医学预测应用程序中冒着生命危险时，这还不够，而且有很多假阴性。


每个数据科学项目都会有一些让我们感到惊讶的东西，无论答案是完全错误的还是教会了我们一些关于现实世界的新知识。您所需要的只是一个人工审查结果的计划，并在结果似乎不正确时将其上报给人工。


“完成”意味着操作化，而不仅仅是拥有洞察力
当模型满足目标受众和准确性时，来自新学术环境的数据科学家会考虑 产品开发的成功。产品开发的基本思想是可操作化并将模型和见解整合到工作软件中。


在数据科学中进行操作可能是第一次具有挑战性。请记住，产品经理没有必要拥有所有答案，而是在房间里有合适的团队来识别和解决给定的问题和问题。例如，如果交易被怀疑在任何给定时刻受到损害，欺诈检测系统应该实时决定进一步的行动。




编辑推荐
1、2022年300个以上最佳免费数据科学课程
2、大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！
3、机器学习模型方法总结
4、历史最全机器学习/深度学习/人工智能专业术语表中英对照表
5、机器学习如何应用于商业场景？三个真实的商业项目
6、数据工作者的自我修养 | 哪些技能是必不可少的？
7、《汗牛充栋：数据分析书籍分享》CDA网校新课上线
8、文本挖掘常用的107个语料库
9、一图读懂“东数西算”工程
10、零基础转行数据分析，看这篇文章就够了

DA内容精选