“数据科学家” 这个名号总让人联想到一个孤独的天才独自工作，将深奥的公式应用于大量的数据，从而探索出有用的见解。但这仅仅是数据分析过程中的一步。数据分析本身不是目标，目标是使企业能够做出更好的决策。

数据科学家构建出的产品，必须使得组织中的每个人更好地使用数据，使得每个部门、每个层级可以做出受数据驱动的决策。

在自动收集、清洗和分析数据的产品中，可以捕获数据价值链，为执行仪表盘或报告提供信息和预测。随着新数据的产生，分析工作可以自动地、连续地运行。数据科学家可以根据业务不断改进模型，提高预测精度。虽然每个公司都是针对自己的需求和目标创建数据产品，但价值链中的一些步骤是一致的：

01 决定目标

在获取数据之前，数据价值链的第一步要先决定目标：业务部门要决定数据科学团队的目标。这些目标通常需要进行大量的数据收集和分析。因为我们正在研究那些驱动决策的数据，所以需要一个可衡量的方式，判断业务是否正向着目标前进。数据分析过程中，关键权值或性能指标必须及早发现。

02 确定业务手段

应该通过业务的改变，来提高关键指标和达到业务目标。如果没有什么可以改变的，无论收集和分析多少数据都不可能有进步。在项目中尽早确定目标、指标和业务手段能为项目指明方向，避免无意义的数据分析。例如，目标是提高客户滞留度，其中一个指标可以是客户更新他们订阅的百分比，业务手段可以是更新页面的设计，提醒邮件的时间和内容以及特别的促销活动。

03 数据收集

数据收集要尽量广撒网。更多的数据—-特别是更多的不同来源的数据—-使得数据科学家能找到数据之间更好的相关性，建立更好的模型，找到更多的可行性见解。大数据经济意味着个人记录往往是无用的，拥有可供分析的每一条记录才能提供真正的价值。公司通过检测它们的网站来密切跟踪用户的点击及鼠标移动，商店通过在产品上附加RFID来跟踪用户的移动，教练通过在运动员身上附加传感器来跟踪他们的行动方式。

04 数据清洗

数据分析的第一步是提高数据质量。数据科学家要纠正拼写错误，处理缺失数据以及清除无意义的信息。这是数据价值链中最关键的步骤。垃圾数据，即使是通过最好的分析，也将产生错误的结果，并误导业务本身。不止一个公司很惊讶地发现，他们很大一部分客户住在纽约的斯克内克塔迪，而该小镇的人口不到70000人。然而，斯克内克塔迪的邮政编码是12345，由于客户往往不愿将他们的真实信息填入在线表单，所以这个邮政编码会不成比例地出现在几乎每一个客户的档案数据库中。直接分析这些数据将导致错误的结论，除非数据分析师采取措施来验证和清洗数据。

尤为重要的是，这一步将规模化执行，因为连续数据价值链要求传入的数据会立即被清洗，且清洗频率非常高。这通常意味着此过程将自动执行，但这并不意味着人无法参与其中。

05  数据建模

数据科学家构建模型，关联数据与业务成果，提出关于在第一步中确定的业务手段变化的建议。数据科学家独一无二的专业知识是业务成功的关键所在，就体现在这一步—-关联数据，建立模型，预测业务成果。数据科学家必须有良好的统计学和机器学习背景，才能构建出科学、精确的模型，避免毫无意义的相关性及一些模型的陷阱。这些模型依赖于现有的数据，但对于未来的预测是无用的。但只有统计学背景是不够的，数据科学家还需要很好地了解业务，这样他们才能判断数学模型的结果是否有意义，以及是否具有相关性。

06 培养一个数据科学团队

数据科学家是出了名的难雇用，所以最好自己构建一个数据科学团队，让团队中那些在统计学方面有高级学位的人专注于数据建模和预测，而其他人—-合格的基础架构工程师，软件开发人员和ETL专家—-构建必要的数据收集基础设施，数据管道和数据产品，使得结果数据能够从模型中输出，并以报告和表格的形式在业务中进行展示。这些团队通常使用类似Hadoop的大规模数据分析平台自动化数据收集和分析工作，并作为一个产品运行整个过程。

07 优化和重复

数据价值链是一个可重复的过程，能够对业务和数据价值链本身产生连续的改进。基于模型的结果，业务将根据驱动手段做出改变，数据科学团队将评估结果。在结果的基础上，企业可以决定下一步计划，而数据科学团队继续进行数据收集、数据清理和数据建模。企业重复这个过程越快，就会越早修正发展方向，越快得到数据价值。理想情况下，多次迭代后，模型将产生准确的预测，业务将达到预定的目标，结果数据价值链将用于监测和报告，同时团队中的每个人将开始解决下一个业务挑战。

08 附 

以下是大致是所有从底层数据工作者往上发展的基本路径。往数据发展的基本学习路径可以概括为以下内容：

1）EXCEL、PPT（必须精通）

数据工作者的基本姿态，话说本人技术并不是很好，但是起码会操作；要会大胆秀自己，和业务部门交流需求，展示分析结果。技术上回VBA和数据透视就到顶了。

2）数据库类（必须学）

初级只要会RDBMS就行了，看公司用哪个，用哪个学哪个。没进公司就学MySQL吧。

NoSQL可以在之后和统计学啥的一起学。基本的NoSQL血MongoDB和Redis（缓存，严格意义上不算数据库），然后（选学）可以了解各类NoSQL，基于图的数据库Neo4j，基于Column的数据库BigTable，基于key-value的数据库redis/cassendra，基于collection的数据库MongoDB。

3）统计学（必须学）

如果要学统计学，重要概念是会描述性统计、假设检验、贝叶斯、极大似然法、回归（特别是广义线性回归）、主成分分析。这些个用的比较多。也有学时间序列、bootstrap、非参之类的，这个看自己的意愿。其他数学知识：线性代数常用（是很多后面的基础），微积分不常用，动力系统、傅里叶分析看自己想进的行业了。

4）机器学习（数据分析师要求会选、用、调）

常用的是几个线性分类器、聚类、回归、随机森林、贝叶斯；不常用的也稍微了解一下；深度学习视情况学习。

5）大数据（选学，有公司要求的话会用即可，不要求会搭环境）

hadoop基础，包括hdfs、map-reduce、hive之类；后面接触spark和storm再说了。

6）文本类（选学，有公司要求的话会用即可）

这部分不熟，基本要知道次感化、分词、情感分析啥的。

7）工具类

语言：非大数据类R、Python最多（比较geek的也有用julia的，不差钱和某些公司要求的用SAS、Matlab）；大数据可能还会用到scala和java。可视化（选学）：tableau、http://plot.ly、d3.js、echarts.js，R里面的ggplot、ggvis，Python里的bokeh、matplotlib、seaborn都不错
数据库语言：看你自己用啥学啥
其他框架、类库（选学）：爬虫(requests、beautifulsoup、scrapy)，日志分析（常见elk）

End.

转自：人工智能和大数据生活

来源：伯乐在线/知乎