但是，等等：你为什么想进入虚拟宇宙？您想解决什么业务问题？请记住：战略永远先于战术。 当我们谈论数据时，使用相同的方法将确保在探索真正可能解决的问题之前不会考虑解决方案。 领导者应尽快与数据科学家接触。 尽管事实上有38% 的数据从业者参与了决策，但他们可能并不觉得自己的见解得到了准确的考虑。由此可能会产生几个问题，但其中一组肯定与理解数据与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：如果数据科学家对业务不了解的话，如何反思业务问题？我绝对同意数据科学项目不是个人活动，但我坚信数据科学家可以为设计假设做出贡献。 需要指出的是，在人才缺口的领域，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 对业务理解的深入
研究不应被视为数据科学家超出了他的工作范围。这不是真的。这种行为为 俄罗斯电话号码 最终设计数据科学项目所需的数据集提供了灵感，也为应对其他技术挑战发起了另一项努力。 请注意，数据 只是冰山一角，涉及对业务目标的更深入反思。当你认为你的工作是从冰山一角开始时，你一定已经失去了成千上万的机会。 构建业务问题的努力可能是我在来自不同背景的多个数据科学家中注意到的最明显的特征。当然，这不仅仅取决于数据科学家，还取决于将他们带入决策阶段的领导力。 总结：将数据科学家聚集在一起讨论业务 总而言之，有一些讨论涉及数据科学家的角色被可以自动应用机器学习的新工具所取代。
我强烈不同意这些工具可能正在扼杀
那些只编写代码而不进行解释的角色，或者只处理冰山一角的 ASB 目录 角色。 那些能够深入海洋的人可能不容易被替代。 它需要多种技能，在数据之前就付诸行动。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这么多数据科学家做得非常出色并且来自科学、技术、工程和管理以外的不同领域的答案：这一切都是为了探索和使用硬技能作为可学习的工具，这将有助于交付业务改进。 在所有这些要点之后，一个重要的建议是确保数据从业者在处理技术问题之前了解业务本身。 与产品的接触是领导者可以送给数据科学家的最好礼物之一，大多数时候，这种努力将在不久的将来带来有价值的见解并加快项目进度。
