
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
若不方便扫码,搜微信号:CDAshujufenxi
如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08