当我第一次从金融学过渡到数据科学时,我觉得自己就像站在了世界之巅--我在我梦想的领域找到了一份工作,我的职业轨迹已经确定,我只会低着头努力工作,哪里会出错?嗯,有几件事……在接下来的一年里,作为一名数据科学家,我很高兴我发现自己在职业生涯早期犯了几个错误。这样,我就有时间在为时已晚之前进行反思和纠正。过了一会儿,我意识到这些错误是相当普遍的。事实上,我已经观察到我周围的很多DS仍然在犯这些错误,而没有意识到从长远来看,这些错误可能会损害他们的数据生涯。
如果我的5条麦肯锡教给我的让你成为更好的数据科学家的经验教训是我从最好的方面学到的,那么本文中的经验教训是我辛苦学到的,我希望我能帮助你避免犯同样的错误。
在成长过程中,人们总是根据我们如何遵守规则和秩序来评价我们,尤其是在学校里。如果你遵循课本,练习考试,只要投入艰苦的学习,你就会成为优等生。许多人似乎把这种“步兵”的心态带到了他们的工作环境中。在我看来,正是这种心态阻碍了许多数据科学家最大限度地发挥他们的影响,并从同行中脱颖而出。我观察到很多DS,尤其是低年级的DS,认为他们对决策过程没有什么贡献,宁愿退居二线,被动地执行为他们做出的决策。这引发了一个恶性循环--你对这些讨论的贡献越少,利益相关者就越不可能让你参与未来的会议,你在未来做出贡献的机会也就越少。
让我给你一个具体的例子,在模型开发的情况下,一个步兵和一个思想伙伴之间的区别。在数据收集和功能集思广益会议中,以前的我总是被动地记录涉众的建议,这样我就可以在以后“完美”地实现它们。当有人提出一个特性,我知道我们没有数据,我不会说任何基于假设,他们更资深,他们一定知道一些我忽略了。但你猜怎么着,他们没有。我后来会面临这样的情况,即我们集思广益的50%的特性将需要额外的数据收集,这将危及我们的项目截止日期。结果,我经常发现自己最终处于坏消息传递者的不受欢迎的位置。如今,我努力成为一个思想伙伴,我在谈话的早期就参与进来,并利用我作为最接近数据的人的独特地位。通过这种方式,我可以在早期管理涉众的期望,并提出建议来帮助团队前进。
如何避免这种情况:
我想成为一名数据工程师还是数据科学家?我想处理市场和销售数据还是地理空间分析?您可能已经注意到,到目前为止,我在本文中一直使用术语DS作为许多与数据相关的职业道路(例如,数据工程师、数据科学家、数据分析师等)的通用术语。这是因为在当今的数据世界中,这些标题之间的界限是如此模糊,尤其是在较小的公司中。我观察到许多数据科学家认为自己只是构建模型的数据科学家,而不关注任何业务方面,或者数据工程师只关注数据管道,而不想知道公司正在进行的任何建模。
最好的数据人才是那些能够身兼数职或至少能够理解其他数据角色的流程的人。如果您想在早期阶段或成长阶段的初创企业工作,这尤其方便,因为那里的功能可能还没有那么专业化,而且您需要灵活并涵盖各种与数据相关的职责。即使你在一个明确定义的工作概要中,随着时间的推移,你获得了更多的经验,你可能会发现你有兴趣过渡到一个不同类型的数据角色。如果你不把自己和你的技能归类于一个特定角色的狭隘焦点,这个支点会容易得多。
如何避免这种情况:
自满扼杀生命
每个士兵都知道这一点,每个DS也应该知道。对自己的数据技能沾沾自喜,而不花时间学习新的技能是一个常见的错误。在数据领域这样做比在其他一些领域更危险,因为数据科学是一个相对较新的领域,仍在经历剧烈的变化和发展。不断有新的算法、新的工具,甚至新的编程语言被引入。
如果你不想成为那个在2021年仍然只知道如何使用STATA的数据科学家(他存在,我和他一起工作过),那么你需要跟上该领域的发展。
如何避免这种情况:
如果你只有一把锤子,一切看起来都像钉子。不要成为那个什么都想用ML的DS。当我第一次进入数据科学的世界时,我对我在学校学到的所有花哨的模型感到非常兴奋,迫不及待地想在现实世界的问题上尝试所有这些模型。但现实世界与学术研究不同,80/20规则总是在发挥作用。
在我之前的一篇关于“麦肯锡教给我的5堂课”的文章中,我写到了商业影响和可解释性有时比你的模型的准确性多出几个百分点更重要。有时,假设驱动的Excel模型可能比多层神经网络更有意义。在这种情况下,不要过度弯曲你的分析肌肉,使你的方法矫枉过正。相反,发挥你的商业实力,做一个同样具有商业头脑的DS。
如何避免这种情况:
在我的文章 "建立伟大的数据文化的6个基本步骤 "中,我写到如果公司没有伟大的数据文化,数据科学家的生活可能是可怕的和无益的。事实上,我已经听到很多DS抱怨那些没有生产力的临时数据请求,这些请求应该很容易被利益相关者以自给自足的方式处理(例如,在Looker中把一个汇总从每月改为每天,这简直包括两次点击)。不要认为改变这种文化是别人的工作。如果你想看到改变,就去做吧。毕竟,谁比数据科学家自己更有能力建立数据文化和教育利益相关者了解数据?帮助建立公司的数据文化将使你和你的利益相关者的生活更容易。
如何避免这种情况:
我确实想指出,在你的职业生涯中犯错是可以的。最重要的是从这些错误中吸取教训,并在将来避免它们。或者更好的是,把它们写下来帮助别人避免犯同样的错误。
数据分析咨询请扫描二维码
数据挖掘是现代企业利用数据驱动决策的重要工具。它涉及从大量数据中提取隐藏的、先前未知但潜在有用的信息,依托人工智能、机器 ...
2024-10-23在当前数据驱动的商业环境中,数据分析师的角色变得越来越重要。想要踏入这一领域并取得成功,不仅需要扎实的技术基础,还需要不 ...
2024-10-23数据分析是一个广泛而又精细的领域,它结合了统计学、计算机科学、商业策略以及数据科学等多个学科的知识。这个领域日新月异的发 ...
2024-10-23在现代企业中,数字化管理师扮演着至关重要的角色。他们不仅帮助企业优化资源配置,还推动企业的数字化转型。要成为一名合格的数 ...
2024-10-23大数据专业是一个跨学科的领域,涵盖了数学、统计学、计算机科学与技术等多个学科。随着数据在各个行业中的重要性日益增加,大数 ...
2024-10-23大数据分析师培训教程-2.1 Hadoop入门-Hadoop 1.0 的局限与 Hadoop 2.0(YARN)的革新 Hadoop简介Hadoop 的生态系统HDFS 的原理 ...
2024-10-232024,您是否渴望在数据领域探索更广阔的职业机遇? 数字化时代,数据量级每年都在呈指数级增长。据统计,全球互联网用户每天产 ...
2024-10-21数据科学专业是一门跨学科的综合性学科,涵盖了数学、统计学、计算机科学等多个领域。其核心目标是通过数据的收集、处理和分析来 ...
2024-10-21Python是一种高级解释性编程语言,由Guido van Rossum于1991年创造。凭借其简单易学、代码可读性强和功能强大的特点,Python已经 ...
2024-10-21在当今数据驱动的世界中,选择学习Hadoop已成为许多数据分析师和IT专业人士的必修课。Hadoop不仅是大数据处理领域的核心技术之一 ...
2024-10-21数据开发工程师在当今数据驱动的世界中扮演着至关重要的角色。他们不仅负责数据的采集和处理,还在数据仓库建设、系统开发和数据 ...
2024-10-20在当今快速变化的数字经济时代,数字化转型已经成为企业实现持续增长和竞争优势的关键。数字化转型不仅仅是技术的变革,更是组织 ...
2024-10-19在当今快速发展的科技时代,数字经济已成为全球经济的重要组成部分。选择数字经济专业,不仅能为你打开通往多个行业的大门,还能 ...
2024-10-18学习统计学与大数据分析具有显著的优势,能够帮助你走向高薪岗位。在数字化时代背景下,统计学和大数据分析展现出强大的就业潜力 ...
2024-10-18在当今的数字时代,数据科学与大数据技术专业的就业方向极为广泛,涵盖了多个领域和岗位。随着数据成为企业决策的重要依据,行业 ...
2024-10-18大数据技术与应用领域正在迅速发展,成为现代经济和科技发展的重要驱动力。随着数据量的爆炸式增长,各行各业对大数据专业人才的 ...
2024-10-18在当今数据驱动的商业环境中,数据分析软件已成为企业决策过程中不可或缺的工具。随着数据量的激增和分析需求的复杂化,选择合适 ...
2024-10-18在当今数据驱动的世界中,数据分析已成为许多行业不可或缺的一部分。无论是企业决策、市场营销,还是产品开发,数据分析都能提 ...
2024-10-18数据分析在现代企业中扮演着至关重要的角色,帮助企业在竞争激烈的市场中做出明智的决策。随着数据量的不断增长,企业需要依赖先 ...
2024-10-18CDA(Certified Data Analyst)认证在数据分析领域具有显著的作用,具体包括以下几个方面: 1. 专业技能认可 CDA认证是数据分析 ...
2024-10-17