2019/12/02
《增强型分析-AI驱动的数据分析、业务决策与案例实践》读书笔记
《No.1: p1~p12》第1章 数据科学家的成长之路

1        何谓数据科学家: 能做数据分析并将数据价值发挥出来的人。
1.1        室外数据科学家: 算法使用者偏重工程，数据挖掘者，这本书的数据科学家，主要讲的是 “室外数据科学家”
1.2        室内数据科学家: 算法开发者偏重科学，算法工程师
2        数据科学家是人工智能时代最重要的部份
3        数据科学、人工智能、机器学习等学科的关系，很难厘清，就不用太纠结了。
4        数据分析能力
4.1        描述性分析(事后诸葛)
4.2        诊断性分析(事后诸葛、有所洞见)
4.3        预测分析(有所洞见、洞烛先机)
4.4        (Prescriptive analytics)指示性分析 or 处方性分析 or 规范性分析(洞烛先机)
4.5        哈佛大學教授湯馬斯．戴文波特（Thomas H. Davenport）則再根據以上的基礎，再最後加入了「自動化分析（Automating Analytics）」，發展出五種分析方式（Five types of analytics of things）
5        数据科学家成长的阶段
5.1        算法: 如何构建模型
5.1.1        有监督学习、无监督学习
5.1.2        对算法有一个体系化的学习，才能灵活运用。
5.1.2.1        如何找到潜在有价值客户
5.1.2.1.1        响应预测模型
5.1.2.1.2        聚类分析
5.1.2.1.3        社交网络分析
5.1.3        需掌握参数调优的技能
5.1.3.1        Grid Search工具可帮助找出合适的超参数
5.2        用法: 如何回头看模型
5.2.1        模型验证
5.2.2        数据科学家需了解两种指标
5.2.2.1        模型性能指标(提升度、准确性、稳定性)
5.2.2.2        业务指标(评估收益或避免多少损失)
5.3        业务: 如何产生更大价值
5.3.1        数据科学家需深度融入业务，引领数据驱动的业务发展。
5.3.2        以客户旅程地图为例，说明不同的业务场景需要相应的模型
5.4        战略: 如何更广
5.4.1        企业应制定数字化转型战略
5.4.2        数据科学家应深度参予战略的制定等工作
6        数据科学的工作模式与组织架构
6.1        工作模式
6.1.1        数据驱动模式
6.1.1.1        较新业务领域采用
6.1.1.2        渐渐成为主要工作模式
6.1.1.3        业务专家也可以主导数据驱动模式
6.1.2        业务驱动模式
6.1.2.1        适合复杂业务
6.2        组织架构
6.2.1        分散式: 隶属业务部门
6.2.1.1        优点: 与业务紧密结合
6.2.1.2        缺点:
6.2.1.2.1        数据分析累积在个人，非团队上
6.2.1.2.2        没有上升空间
6.2.2        集中式: 独立专门的数据分析部门
6.2.2.1        优点: 团队稳定，有成长空间
6.2.2.2        缺点: 与业务脱节
6.2.3        混合模式:因地制宜
7        数据科学家的工作方法要点
7.1        准备工作
7.1.1        确认业务场景、数据可获得性、数据质量等
7.2        同时输出两种价值
7.2.1        重要发现
7.2.2        模型结果
7.3        充满想象力的工作
7.4        依照敏捷方式构建模型: 依照CRISP-DM方法论实施
7.5        以业务成果来衡量自己的工作