數(shù)據(jù)科學的5個常見誤解，看完想走彎路都難

盡管大數(shù)據(jù)、機器學習和預測分析帶來了巨大的好處，但數(shù)據(jù)科學對于各種規(guī)模的企業(yè)來說，仍然是一個的敏感話題。很多人不僅不愿意采用相關的系統(tǒng)和硬件，而且在轉(zhuǎn)型時，在收集信息這一步上就落后了其他人。

美國的企業(yè)、組織和政府的混亂數(shù)據(jù)每年為美國經(jīng)濟帶來高達3.1萬億美元的負擔。更糟糕的是，14.9%的營銷人員聲稱他們根本不知道什么是大數(shù)據(jù)。數(shù)據(jù)顯示群眾對大數(shù)據(jù)和數(shù)據(jù)科學方面知識匱乏。學習如何使用這些數(shù)據(jù)是這個行業(yè)的一部分，似乎同時也成了一個巨大的障礙。

你可能會問：關于數(shù)據(jù)科學的錯誤概念是什么?項目管理人員和業(yè)務經(jīng)理需要注意什么?讓我們一起仔細探討一下。

1. 數(shù)據(jù)量決定準確性

如果打算開始收集大量信息，然后使用現(xiàn)代化的系統(tǒng)和工具來分析這些信息，那么這個觀點這是需要馬上消除的一個誤解。大量的數(shù)據(jù)并不一定意味著高精度，也不意味著能從數(shù)據(jù)中獲得更多的價值，某些數(shù)據(jù)本身就毫無價值。

在收集數(shù)據(jù)之后，應該通過一系列步驟對數(shù)據(jù)進行篩選。

1. 了解你需要分析哪些數(shù)據(jù)集，以及如何才能最完美的完成任務。

2. 從數(shù)據(jù)中提取有用的信息或可操作的見解。

3. 運用這些見解來完善流程。

4. 微調(diào)以上的流程，創(chuàng)建一個流暢的數(shù)字數(shù)據(jù)機器。

以上每一個步驟不僅需要您了解相關數(shù)據(jù)，并且需要了解如何使用這些數(shù)據(jù)，沒有任何一個步驟與數(shù)據(jù)量有關。數(shù)據(jù)量不重要。重要的是如何利用數(shù)據(jù)，以及如何正確應用到您的業(yè)務中去。

2. 數(shù)據(jù)科學就是商業(yè)智能

商業(yè)智能和數(shù)據(jù)科學經(jīng)常被混淆，那些不那么熟悉這個行業(yè)的人更是感到迷茫。它們并不是同義詞。商業(yè)智能涉及數(shù)據(jù)，但更多的是關于組織的運營等。這個過程你需要回答諸如what、when、who和how等問題。數(shù)據(jù)科學是與預測分析相關。目標是收集足夠的信息，以建立可識別的模式和見解。此外，數(shù)據(jù)科學更多的是與數(shù)據(jù)挖掘、統(tǒng)計和定量分析有關，對于預測建模、多變量測試和流程計劃有著非常關鍵的作用。不要把數(shù)據(jù)科學和商業(yè)智能這兩個概念混淆。

3.數(shù)據(jù)量決定一切

許多中小型企業(yè)認為大數(shù)據(jù)技術就一定需要大量的數(shù)據(jù)。事實并非如此，批量數(shù)據(jù)是目標，但是也不是說需要數(shù)百萬的客戶來提取見解。

IBM將數(shù)據(jù)科學定義為由四個基本的“V”組成 --- 數(shù)量、速度、品種和準確性。如果您可以把您的數(shù)據(jù)結構化到這些類別或概念中，對大數(shù)據(jù)分析很有價值。除了數(shù)量之外，當前數(shù)據(jù)的真實性，多樣性和傳入數(shù)據(jù)的速度都是有差別的。

4. 資質(zhì)王牌人才和經(jīng)驗

深入觀察任何一個職位董事會，會看到許多企業(yè)對統(tǒng)計學、機器學習甚至數(shù)學博士學位的數(shù)據(jù)科學家的渴求。

數(shù)據(jù)科學領域，人才和經(jīng)驗同樣重要。實際上，擁有多年從事經(jīng)驗的人可能會比剛畢業(yè)的高學歷學生有更高的聲望。我們并不是在引導您如何選擇員工，在數(shù)據(jù)行業(yè)，通過優(yōu)先考慮人才和經(jīng)驗，能為企業(yè)抓更多的機會。

5. 數(shù)據(jù)科學家會寫代碼

雖然有很多數(shù)據(jù)科學家也了解編程，知道如何編寫和使用計算機語言。景觀如此，這并不意味著他們就是編程方面的專家。本質(zhì)上他們只關注一兩種技能，其中最相關的就是數(shù)據(jù)科學和分析，編碼可能只是他們的附加技能。

數(shù)據(jù)科學并不神奇

很多外界人士都神話了數(shù)據(jù)科學，或者至少是在一些方面盲目崇拜這種形式的科學。數(shù)學、統(tǒng)計和分析工具這些都是必備的，但是數(shù)據(jù)科學更多的是一門藝術。提取現(xiàn)代企業(yè)和組織需要的有用信息，這既需要技巧，也需要人才，更需要經(jīng)驗。雖然機器學習和預測工具可以替代這些，但不能根本解決底層的需求。仍然需要實際的數(shù)據(jù)科學家來完成大量的工作。

在實際實施之前謹記這些提示，才能確保進行您的研究是有意義的。