從事數(shù)據(jù)分析師的工作，做好自己的數(shù)據(jù)分析師職業(yè)規(guī)劃，是非常有必要的，它是我們不斷向前進取的動力和方向，也是支撐我們堅持下去的理由和需要。一個良好而客觀可行的數(shù)據(jù)分析師職業(yè)規(guī)劃，對于一個人的成長和晉升是必不可少的。不過在進行數(shù)據(jù)分析師職業(yè)規(guī)劃的同時，我們千萬不能因為自身一些錯誤或原因而使得我們的數(shù)據(jù)分析師職業(yè)規(guī)劃受到阻礙或必須修改。為此，在我們的數(shù)據(jù)分析師崗位上，我們一定要多多留意在數(shù)據(jù)分析師工作中可能會出現(xiàn)或常犯的一些錯誤。下面就來很大家講講數(shù)據(jù)分析工作常見七種錯誤及其規(guī)避方法，為你的數(shù)據(jù)分析師職業(yè)規(guī)劃道路掃清障礙。



“錯誤是發(fā)現(xiàn)的入口?！薄狫ames Joyce (著名的愛爾蘭小說家)。

這在大多數(shù)情況下是正確的,但是對于數(shù)據(jù)科學家而言,犯錯誤能夠幫助他們發(fā)現(xiàn)新的數(shù)據(jù)發(fā)展趨勢和找到數(shù)據(jù)的更多模式。說到這兒,有一點很重要:要明白數(shù)據(jù)科學家有一個非常邊緣的錯誤。數(shù)據(jù)科學家是經(jīng)過大量考察后才被錄用的，錄用成本很高。組織是不能承受和忽視數(shù)據(jù)科學家不好的數(shù)據(jù)實踐和重復錯誤的成本的。數(shù)據(jù)科學的錯誤和不好的數(shù)據(jù)實踐會浪費數(shù)據(jù)科學家的職業(yè)生涯。數(shù)據(jù)科學家追蹤所有實驗數(shù)據(jù)是至關(guān)重要的,從錯誤中吸取教訓,避免在未來數(shù)據(jù)科學項目中犯錯。

福爾摩斯有一句名言是如何定義偵探的,而數(shù)據(jù)科學家在商業(yè)中的角色就類似偵探。

“我是福爾摩斯，我的工作就是發(fā)現(xiàn)別人不知道的?！?br />
企業(yè)要想保持競爭力,它必須比大數(shù)據(jù)分析做的更多。不去評估他們手中的數(shù)據(jù)質(zhì)量，他們想要的結(jié)果,他們預計從這種數(shù)據(jù)分析中獲得多少利潤， 這將很難正確地找出哪些數(shù)據(jù)科學項目能夠盈利,哪些不能。當發(fā)生數(shù)據(jù)科學錯誤時——一次是可以接受的——考慮到有一個學習曲線,但是如果這些錯誤發(fā)生在兩次以上,這會增加企業(yè)成本。

在Python中學習數(shù)據(jù)科學，成為企業(yè)數(shù)據(jù)科學家。



避免常見的數(shù)據(jù)科學錯誤：

1、相關(guān)關(guān)系和因果關(guān)系之間的混亂

對于每個數(shù)據(jù)科學家來說，相關(guān)性和因果關(guān)系的錯誤會導致成本事件，最好的例子是《魔鬼經(jīng)濟學》的分析,關(guān)于因果關(guān)系的相關(guān)性錯誤，導致伊利諾斯州給本州的學生發(fā)書，因為根據(jù)分析顯示家里有書的學生在學校能直接考的更高分。進一步分析顯示,在家里有幾本書的學生在學業(yè)上能表現(xiàn)的更好,即使他們從來沒有讀過這些書。

這改變了之前的假設和洞察：父母通常買書的家庭，能營造愉快的學習環(huán)境。

大部分的數(shù)據(jù)科學家在處理大數(shù)據(jù)時假設相關(guān)關(guān)系直接影響因果關(guān)系。使用大數(shù)據(jù)來理解兩個變量之間的相關(guān)性通常是一個很好的實踐方法,但是,總是使用“因果”類比可能導致虛假的預測和無效的決定。要想實現(xiàn)利用大數(shù)據(jù)的最好效果,數(shù)據(jù)科學家必須理解相關(guān)關(guān)系和根源的區(qū)別。關(guān)聯(lián)往往是指同時觀察X和Y的變化，而因果關(guān)系意味著X導致Y。在數(shù)據(jù)科學，這是兩個完全不同的事情,但是許多數(shù)據(jù)科學家往往忽視了它們的區(qū)別?；谙嚓P(guān)性的決定可能足以采取行動,我們不需要知道原因,但這還是完全依賴于數(shù)據(jù)的類型和要解決的問題。

每位數(shù)據(jù)科學家都必須懂得——“數(shù)據(jù)科學中相關(guān)關(guān)系不是因果關(guān)系”。如果兩個關(guān)系出現(xiàn)彼此相關(guān)的情況,也不意味著是一個導致了另一個的產(chǎn)生。

2、沒有選擇合適的可視化工具

大部分的數(shù)據(jù)科學家專心學習于分析的技術(shù)方面。他們不能通過使用不同的可視化技術(shù)理解數(shù)據(jù)，即那些可以令他們更快獲得洞察力的技術(shù)。如果數(shù)據(jù)科學家不能選擇合適的可視化發(fā)展模型，監(jiān)控探索性數(shù)據(jù)分析和表示結(jié)果，那么即使是最好的機器學習模型，它的價值也會被稀釋。事實上,許多數(shù)據(jù)科學家根據(jù)他們的審美選擇圖表類型,而不是考慮數(shù)據(jù)集的特征。這個可以通過定義可視化的目標避免。

即使數(shù)據(jù)科學家開發(fā)了一個最優(yōu)秀和最好的機器學習模型，它也不會大叫說“尤里卡”——所有這些所需要的是結(jié)果的有效可視化，可以理解數(shù)據(jù)模式的不同，和意識到它的存在可以被利用來獲得商業(yè)成果。常言道“一張圖片勝過1000個單詞?！薄獢?shù)據(jù)科學家不僅要熟悉自己常用的數(shù)據(jù)可視化工具,也要理解數(shù)據(jù)有效可視化的原理，用令人信服的方式獲得結(jié)果。

解決任何數(shù)據(jù)科學問題的至關(guān)重要一步,就是要獲得該數(shù)據(jù)是關(guān)于什么的洞察力,通過豐富的可視化表達，可以形成分析基礎和建立相應模型。



3、沒有選擇適當?shù)哪Ｐ?驗證周期

科學家認為，建立了一個成功的機器學習模型，就是獲得了最大程度的成功。但是，這只是成功了一半，它必須要確保模型的預測發(fā)揮作用。許多數(shù)據(jù)科學家經(jīng)常忘記或者傾向性的忽視這樣的事實，就是他們的數(shù)據(jù)必須在指定的時間間隔進行反復驗證。一些數(shù)據(jù)科學家經(jīng)常犯的一個普遍性錯誤：如果和觀察到的數(shù)據(jù)吻合，就認為預測模型是理想的。已建立的模型的預測效果可以因為模型的關(guān)系在不斷變化而瞬間消失。為了避免這種情況,數(shù)據(jù)科學家最好的解決方式就是每個小時都對含有新數(shù)據(jù)的數(shù)據(jù)模型進行評分，或者基于模型的關(guān)系變化快慢逐日逐月評分。

由于幾個因素，模型的預測能力往往會變?nèi)?因此數(shù)據(jù)科學家需要確定一個常數(shù)，用以確保模型的預測能力不能低于可接受的水平。有實例即數(shù)據(jù)科學家可以重建數(shù)據(jù)模型。能建立幾個模型和解釋變量的分布總是更好的，而不是考慮單個模型是最好的。

為了保留已建模型的預測效果和有效性，選擇迭代周期是非常重要的，如果做不到，可能會導致錯誤的結(jié)果。

4、無問題/計劃的分析

數(shù)據(jù)科學協(xié)會主席Michael Walker說： “數(shù)據(jù)科學的最高級用途就是設計實驗,提出正確的問題和收集正確的數(shù)據(jù)集,一切工作都要根據(jù)科學的標準。然后你將獲得結(jié)果，并解釋它?！?br />
數(shù)據(jù)科學是一個結(jié)構(gòu)化的過程,以明確的目標開始，隨后出現(xiàn)一些假設的問題,最終實現(xiàn)我們的目標。數(shù)據(jù)科學家往往站在數(shù)據(jù)之上而不考慮那些需要分析回答的問題。數(shù)據(jù)科學項目必須要有項目目標和完美的建模目標。數(shù)據(jù)科學家們?nèi)绻恢浪麄兿胍裁础罱K得到的分析結(jié)果將會是他們不想要的。

大多數(shù)數(shù)據(jù)科學項目最終是回答“是什么”的問題,這是因為數(shù)據(jù)科學家通過手頭的問題作分析而不遵循做分析的理想路徑。數(shù)據(jù)科學是使用大數(shù)據(jù)回答所有關(guān)于“為什么”的問題。數(shù)據(jù)科學家應該通過整合以前未被整合的數(shù)據(jù)集，主動分析給與的數(shù)據(jù)集，回答以前沒人解答的問題。

為了避免這種情況,數(shù)據(jù)科學家應該集中精力獲得正確的分析結(jié)果，這可以通過明確實驗，變量和數(shù)據(jù)準確性和清晰明白他們想要從數(shù)據(jù)中獲得什么實現(xiàn)。這將簡化以往通過滿足假設的統(tǒng)計方法來回答商業(yè)問題的過程。引用伏爾泰的一句話——“判斷一個人，是通過他的問題而不是他的答案?！薄却_定明確的問題是及其重要的，能夠?qū)崿F(xiàn)任何企業(yè)的數(shù)據(jù)科學目標。

5、僅關(guān)心數(shù)據(jù)

根據(jù)博思艾倫咨詢公司的數(shù)據(jù)科學家Kirk Borne，“人們忘記在數(shù)據(jù)的使用，保護以及統(tǒng)計產(chǎn)生的問題如認為相關(guān)關(guān)系就是因果關(guān)系會產(chǎn)生倫理問題。人們忘記了如果你處理的數(shù)據(jù)足夠長，它就會告訴你任何事，如果你有大量的數(shù)據(jù)，那么你就可以找到相關(guān)關(guān)系。如果人們擁有大數(shù)據(jù)他們會相信他們看到的任何事情”。

數(shù)據(jù)科學家常常因為得到來自多個數(shù)據(jù)源的數(shù)據(jù)而興奮,并開始創(chuàng)建圖表和可視化來做分析報告，忽視發(fā)展所需的商業(yè)智慧。這對任何組織來說都是危險的事情。數(shù)據(jù)科學家經(jīng)常給與數(shù)據(jù)太多決策制定的權(quán)力。他們不夠重視發(fā)展自身商業(yè)智慧，不明白分析如何令企業(yè)獲益。數(shù)據(jù)科學家應該不僅僅讓數(shù)據(jù)說話，而且善于運用自身的智慧。數(shù)據(jù)應該是影響決策的因素而不是數(shù)據(jù)科學項目決策制定的最終聲音。企業(yè)雇傭的數(shù)據(jù)科學家應該是可以將領(lǐng)域知識和技術(shù)特長結(jié)合起來的，這是避免錯誤的理想情況。



6、忽視可能性

數(shù)據(jù)科學家經(jīng)常傾向性忘記方案的可能性，這將導致作出更多的錯誤決策。數(shù)據(jù)科學家經(jīng)常犯錯，因為他們經(jīng)常說，如果企業(yè)采取了X操作一定會實現(xiàn)Y目標。對于特定的問題這沒有唯一的答案，因此要確認數(shù)據(jù)科學家從不同可能性中所做的選擇。對指定問題存在不止一個可能性，它們在某種程度是不確定的。情景規(guī)劃和可能性理論是數(shù)據(jù)科學的兩個基本核心，不應該被忽視，應該用以確認決策制定的準確性頻率。

7、建立一個錯誤人口數(shù)量的模型

如果一個數(shù)據(jù)項目的目的是建立一個客戶影響力模式的模型，但是他們僅僅考慮那些具有高度影響力的客戶的行為數(shù)據(jù)，這不是對的做法。建立該模型不僅要考慮那些具有高度影響力的客戶的行為數(shù)據(jù)，也要考慮那些不怎么有影響力但是具有潛在影響力的客戶的行為數(shù)據(jù)。低估任何一邊人口的預測力量都可能導致模型的傾斜或者一些重要變量的重要性下降。

這些都是數(shù)據(jù)科學家在做數(shù)據(jù)科學時常見的錯誤。如果你能想到的任何其他常見的數(shù)據(jù)科學錯誤,我們很樂意在下面的評論聽到你的想法。