
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
若不方便扫码,搜微信号:CDAshujufenxi
2025被称为“AI元年”,而AI,与数据密不可分。网易公司创始人丁磊在《AI思维:从数据中创造价值的炼金术》一书中指出:AI思维, ...
2025-07-17数据分析师的技能图谱:从数据到价值的桥梁 在数据驱动决策的时代,数据分析师如同 “数据翻译官”,将冰冷的数字转化为清晰的 ...
2025-07-17Pandas 写入指定行数据:数据精细化管理的核心技能 在数据处理的日常工作中,我们常常需要面对这样的场景:在庞大的数据集里精 ...
2025-07-17解码 CDA:数据时代的通行证 在数字化浪潮席卷全球的今天,当企业决策者盯着屏幕上跳动的数据曲线寻找增长密码,当科研人员在 ...
2025-07-17CDA 精益业务数据分析:数据驱动业务增长的实战方法论 在企业数字化转型的浪潮中,“数据分析” 已从 “加分项” 成为 “必修课 ...
2025-07-16MySQL 中 ADD KEY 与 ADD INDEX 详解:用法、差异与优化实践 在 MySQL 数据库表结构设计中,索引是提升查询性能的核心手段。无论 ...
2025-07-16解析 MySQL Update 语句中 “query end” 状态:含义、成因与优化指南 在 MySQL 数据库的日常运维与开发中,开发者和 DBA 常会 ...
2025-07-16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