Pini Raviv,以色列初创公司的软件工程师和前端团队负责人。
数据科学是一个很好的工作领域,但像其他高度专业化的领域一样,你必须处理工作中的挫折。
根据我的经验,工作场所问题的主要来源是业务主管和数据团队之间的脱节。只有能够理解的数据才是有帮助和价值的。数据科学专业人员有时会因忘记这一事实而感到内疚。
沟通很重要,但是应该如何沟通?这里有五个技巧,你可以用来向业务利益相关者传达你想要表达的观点,这也将减少你与他们之间的摩擦。
创建相关的数据可视化
除非你的老板特别要求,否则避免大量的报告。人是视觉生物。我们通过图片来理解结论要比表格容易得多。数据可视化工具可以使您的分析变得生动,但挑战并没有就此结束。您仍然需要确保您的数据易于理解。
数据科学家没有时间来掌握平面设计,但有几个黑客你可以使用。在线工具,如Coolors和Paletton,可以帮助您创建既有吸引力又能解决观众色盲问题的配色方案。一个简单的DIY黑客是在一个在线照片编辑器中像素化你喜欢的图片,并提取那些颜色。
极简主义是通过图表传达你的结论的关键。删除图表中不会给你的广泛结论增加价值的呼出,如果呼出可以更好地传递信息,可以考虑删除X和Y轴标签。明智地选择字体,在整个演示文稿中不要使用两种以上的字体。谷歌免费字体,坚持这个公式。
在您的演示文稿中添加一些花哨的东西(动画、有趣的侧边栏等)是很有诱惑力的,但要避免这些东西,除非它们与您的涉众想要度量的核心相关。一般的业务用户都被数据吓倒了,而您的工作就是为他们简化数据。你的结论越容易理解,你就越不需要向管理层辩护你的工作,你会发现他们更愿意信任他们的数据。
始终提供上下文
在重分析的组织中有一种倾向,崇拜数据,忘记数据不是事实。事实上,数据在有上下文缠绕之前根本不是那么相关的。将数据上下文化是数据科学专业人员工作的一部分。管理层对数据的信任程度越高,就越应该关注数据的偏差、缺陷和完整性。
首先评估您是否从所有相关来源收集了数据。如果您忽略了重要的数据源,您将看到的只是一小部分的难题。始终考虑到您的数据可能存在于您尚未接触过的源中的可能性。
接下来,对数据进行分段,将其分解成小块。数据分割将帮助您对数据进行分类和深入挖掘。如果您的受众是普通的业务用户,那么始终将您的细分与业务目标联系起来,而不是与感兴趣的技术目标联系起来。
记住您的听众
数据科学家常常因为忘记了他们的听众,迷失在他们数据的技术细节中而感到内疚。您可能必须开发创造性的编码解决方案才能得出结论,但如果您的听众不是技术人员,他们可能不会关心。
例如,假设你的经理要求你提供一份报告,列出上个月每个日期销量最高的产品。按日期对最畅销的产品进行分组是很容易的,但你需要做的是只按日期显示性能最好的产品。Postgres和Redshift的窗口函数简化了这一点。
但是,如果您的组织使用MySQL怎么办?您需要使用group_concat将数据滚动到按日期分组的CSV字符串中,然后使用substring_index提取最佳执行者。打得好!然而,你的经理并不关心你的技术魔法。她只想要结果。
关注你的听众可以让你管理他们的期望。数据科学家的一个常见抱怨是,管理层倾向于强加不现实的要求。在业务用户看来微不足道的事情往往需要复杂的技术解决方案。与其深入研究任务的技术细节,不如用业务术语告诉他们后果。
例如,您可以让他们知道他们的请求将需要一周来完成,而不是一天。通过这样的交流,你将会说出他们的语言,而不是给人留下一个技术炫耀者的印象。对于一般业务用户来说,数据是一个黑盒子。你的工作是为他们翻译,而不是教他们需要做什么。
设置期望
管理层经常在最后一分钟添加变量请求,数据建模人员咧嘴笑着承受它们。这些最后一分钟的请求通常需要额外几天的数据收集和清理,并将截止日期推得更远。
另一个常见的情况是处理不合理的请求。您的公司可能只有一个月的数据,但可能需要一年的销售预测。管理层可能听说过ML和统计技术填补数据漏洞的能力,并可能期望您将这些技术插入进来以获得结果。
你必须在每一项任务之前设定期望,以避免接下来的问题。合并可变的提交截止日期和使用业务友好的语言生成数据质量报告通常是设置期望的有效方法。
坚持流程
好的数据分析要求您花时间了解您的数据集并理解它们的来源。在快节奏的环境中,您可能希望匆忙进入分析部分并生成报告。
请记住,您作为数据分析师的职能是为业务目标服务。
产生错误的报告只会削弱组织对你的信任。许多企业经理习惯于依靠自己的直觉,不信任数据。跳过部分流程来生成快速报告不会让他们更信任你。
始终通信
沟通是为组织创造价值的关键。数据科学家可能会陷入技术细节的泥潭,并以对业务不友好的方式进行交流。这些技巧将帮助你避免落入这个陷阱,你将设法为高管提供对他们业务的真正洞察力。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14