数据的增长似乎是无可争议的。 2020 年，每人每秒产生 1.7 兆字节的数据，而今天一个人需要 1.8 亿年以上才能下载互联网上的所有数据。
如你所知，技术使我们能够使用这些数据来做出决策，这就是为什么94% 的公司表示数据对其业务增长和数字化转型至关重要。
在这样的背景下，数据科学领域应运而生，其使命是最大限度地利用所产生的数据。但是，您如何管理这么多的数据来为您的业务提供见解和建议呢？
为了回答这个基本问题，人们聘请了数据 芬兰电话号码数据 科学家：美国劳工统计局预测，到 2026 年，数据科学领域的就业岗位数量将增长约 28%。
然而你有没有想过，数据科学家可以研究什么类型的问题呢？
在 Rock Content，我们使用数据来预测客户何时取消合同，以便我们可以在客户做出决定之前使用保留技术。
当我们发现这种可能性时，其他团队就会主动与客户接洽，以挽救这笔收入。
这不是数据科学的唯一应用。从获取新客户的挑战到商业中的交叉销售机会，数据科学家专注于利用数据来解决问题。
数据科学家自然会采用不同的策略来解决此类业务问题。虽然这是很健康的，特别是当一个团队里充满了来自不同背景的专业人士时，但我想讨论一下最成功的团队中的一个特点。
现实生活中的数据科学项目与学习环境或数据竞赛网站（如Kaggle）中的项目并不完全相同。
这并不是说这些数据技能不好，但应对这些挑战并不意味着在现实生活中的项目中会取得同样的成功。
在现实生活中和学习环境中处理数据有何不同？
数据是结果的主要驱动因素，但在日 如何创建电子邮件营销自动化策略 常工作中，您可能没有针对每种情况准备的数据集。
从这个现实来看，有必要强调：数据科学肯定在数据出现之前就已经开始了。
这就是为什么我总是强烈建议数据科学家投入大量精力来定义问题，而不仅仅是考虑最终交付的分析产品。商业理念永远是第一位的。
这与营销人员制定年度计划时的情况非常相似。比如，仅仅因为每个人都在谈论它，你就很容易将自己的存在抛到元宇宙中。
但是，你也应该先问问自己：你为什么想要进入元宇宙？您想解决什么业务问题？记住：战略总是先于战术。
当涉及到数据时，使用相同的方法将确保您在探索真正需要解决的问题之前不会考虑解决方案。对于领导者来说，在流程早期与数据科学家进行接触非常重要。
尽管38% 的数据专业人员参与决策，但他 不丹商业指南 们可能并不认为自己的见解得到了准确考虑。由此可能会引发几个问题，但其中肯定有一组问题与理解数据和理解业务本身之间的差异有关。
考虑到这一点，我们可以探讨一个更深层次的问题：如果数据科学家不深入了解业务，他们如何思考业务问题？
我同意数据科学项目不是一项个人活动，但是，我坚信数据科学家可以为假设设计做出贡献。
值得一提的是，在人才缺口较大的领域，行业知识和硬数据技能之间的平衡对于项目的成功至关重要。
数据可能只是冰山一角
深入研究业务理解不应被视为数据科学家超越了其职责描述。这不是事实。
这种行为启发我们最终设计数据科学项目所需的数据集，并开始对其他技术挑战做出另一次努力。
请记住，数据只是冰山一角，还涉及对业务目标的更深层次的思考。如果您不深入参与，您可能会错过成千上万的机会。
努力构建业务问题可能是我在不同背景的各种数据科学家身上注意到的最明显的特征。
当然，这不仅取决于数据科学家，还取决于领导层，以将他们带入决策阶段。
结论：召集数据科学家讨论业务
总而言之，有讨论称数据科学家的角色可能会被能够自动应用机器学习的新工具所取代。
我完全不同意。这些工具可能正在消除角色并编写未解释的代码，即仅处理冰山一角。
那些能够深入海洋的人也许很难被取代。它需要在数据产生之前就发挥作用的多种技能的组合。数据科学不仅仅是讨论算法和调整模型。
这就是理解为什么我们有如此多的数据科学家做着伟大的工作并且来自科学、技术、工程和管理以外的不同领域的答案：这是关于探索和使用硬技能作为学习工具，以帮助促进业务的改进。
在考虑了所有这些要点之后，一个很好的建议是确保数据专业人员在处理技术问题之前了解业务本身。
产品曝光是领导者可以给予数据科学家的最伟大的礼物之一，而且这种努力往往会在不久的将来带来宝贵的见解并加速项目的进展。技术团队越接近产品，他们肯定能看到越多的机会。
另一方面，请记住，数据整理的魔力仅仅是“如何”实现业务目标。通过了解这一点，我们可以推断，没有什么比业务专家更能支持数据驱动项目了。
我邀请您思考什么样的数据科学家可以对您的业务产生真正的积极作用，同时我也邀请您订阅我们的时事通讯，以便您随时了解与营销和业务相关的新主题。