你們公司怎能沒有“數據科學家”？

界面網

本文是“數據型公司”系列報道的第二篇，研究成果來自紅杉美國數據科學團隊。

數據科學到底是什么？數據科學是一門求真的學科，它利用數據提取知識，獲得行業洞見。數據科學的應用范圍不斷擴大，為各個行業創造了巨大的價值。

但和其他尚在發展的領域一樣，數據科學仍處在起步階段。最重要的是為這一學科留下發展的空間，而不是糾結于它的分類——是數據驅動型（Data-driven），還是數據知情型（Data-imformed）。

為什么數據科學如此重要？

今天，由于互聯互通程度的加深、云儲存和計算成本的下降，創建一個科技公司的難度也隨之降低。因此，產品月活躍用戶人數破億所需的時間也大大縮短。

2013年，iTunes 的月活躍用戶人數破億花了100 個月，而游戲《Pokemon Go》只用了短短幾天。

互聯網產品數量的增多和人們在線時間的延長，使得用戶交互數據激增。通過挖掘這類數據發現行業洞見，從而構建偉大產品，激發了人們極大的興趣。企業能否對來源多樣、海量雜亂的數據進行有效分析和利用，推動產品創新，成為衡量企業競爭力的新標尺。

對于數據型公司的產品團隊來說，數據分析的關鍵作用集中在以下四點：

1.評估健康程度

對企業產品或企業本身進行健康分析和評估，是數據分析的重要作用之一。確立了產品成功的標準后，接下來就是對相應標準進行監督，確保方向正確和目標達成。

2.打造正確的產品和功能

數據分析的另一個重要作用就是確保打造出正確的產品和功能。通常，數據科學家會幫忙設計實驗，提出假設，借助數據信息，指導產品團隊不斷優化產品。

3.預測結果，為產品系統賦能

數據科學家可以借助人工智能或機器學習來構建產品原型/模型，為產品系統賦能，比如，通過對某一機器學習模型進行訓練，來預測前景和趨勢。

4.為產品制定流程和策略

對用戶軌跡和某些現象的深入分析，能夠帶來關鍵的行業洞見，幫助公司制定產品流程和策略，這也是世界級產品分析團隊最重要的作用。

數據科學家的職責

數據科學家本身涵蓋了多個角色，在不同的公司、行業，具體的角色也天差地別，但一般可以分為以下兩類：

1.產品分析師

產品分析師的職責是交付數據知情型內容，用于產品或策略的改進。

2.算法開發員

算法開發員的職責是將數據驅動型功能融入到產品中，例如，優化推薦內容或搜索結果。

產品分析師側重于制定目標，提供產品流程和策略。他們的主要工作通常是給產品團隊提供一份文件，其中有可量化的問題、已識別的機會，以及基于數據的建議和解決方案。

算法開發員的主要工作是利用數據來優化產品性能。他們為工程團隊提供原型代碼和資源文件，并與工程團隊進行緊密合作，將這些方案應用到生產中。

這兩種數據科學家的能力相似，都要能夠進行分析預測和數據量化。但算法開發員需要擁有更多復雜的技術知識（如機器學習、人工智能），而產品分析師則需要有更多解決問題的能力，包括能與相關管理者有效溝通。

一般來說，產品分析師屬于數據知情型，而算法開發員屬于數據驅動型。并不是所有企業都需要算法開發員，但所有企業（尤其是那些用戶基礎雄厚的企業）都需要產品分析師，因為他們可以解決產品的問題，提高產品競爭力，幫助企業更好地應對戰略上的挑戰。

數據科學的演變

試想這樣一個世界，機器知道你喜歡的事物，了解你的選擇偏好，不用具體詢問就知道該為你購買哪些東西，可以幫助你做很多決定，包括幫助你規劃人生。

這樣的世界在短期內可能還無法實現，它存在于人工智能成為我們的“生活大管家”的未來，那時可能大部分事務由AI 負責。為了朝著這一夢想邁進，我們需要在數據驅動上更進一步。

在一個機器擁有完備信息的世界中，AI清楚地知道你行為背后的原因，以及各種原因之間的相互作用機制，這需要數據驅動與數據知情的結合。

在純粹使用數據驅動方式決策時，數據是唯一的重要因素。而使用數據知情方式決策時，數據是一個重要因素，但不是唯一的。

當未來越來越多的流程實現自動化，相比于數據知情，世界將更偏向于數據驅動。然而，在近幾十年，數據知情還將持續占據十分重要的地位，而數據驅動的發展進步則要靠數據知情型人才來推動。

下列例子最能說明數據知情和數據驅動在決策方式上的區別。

1.設定目標

目標的確定和追蹤將日益向數據驅動的方向靠攏。例如，Facebook 對活躍用戶的追蹤可能是一個全自動化的過程，是純粹的數據驅動。但在制定恰當的季度和年度活躍用戶數量目標和收益目標時，可能就不再是全自動化了，其中摻雜了數據知情型的方法。

2.確立流程和戰略

流程和戰略的制定是難以量化的，因此需要采用數據知情的方法。一個好的流程路線圖會考慮到相關目標、這些目標的驅動因素、產品團隊手中的杠桿，以及可行的行動方案。

3.結果預測

結果預測主要為數據驅動型。例如，要確定是否要推送某個內容，需要考慮用戶點擊或閱讀該內容的概率等多種因素。在進行結果預測時，企業通常會進行模型開發，并不斷對模型進行迭代。

4.為產品系統賦能

對于PayPal 這類公司來說，對每筆交易都進行詐騙活動的人工審核，成本高昂。因此，它們多依靠機器學習來增強產品系統的能力，實現審核的自動化和概率評估的自動化。然而，對于那些概率評估置信水平較低的領域，決策方式就可能更偏向數據知情型。