在过去的十年里，我在一些公司担任分析角色，从德国一家小型金融科技初创公司到高增长的IPO前公司（波动）和大型科技公司（Uber，Meta）。
每家公司都有独特的数据文化，每个角色都有其自身的挑战和一系列难以获得的经验教训。以下是我在过去十年中学到的十个重要教训，其中许多在公司、产品或商业模式的不同阶段都是正确的。
1. 你需要用数据讲故事。
考虑一下你的听众是谁。
如果你在一个专注于研究的组织工作，或者你主要向技术利益相关者（例如工程师）进行演示，那么学术论文风格的分析可能是合适的方式。
但如果你的听众是非技术的商业团队或高管，你会想确保你专注于关键见解，而不是深入技术细节，并将你的工作与其应影响的商业决策联系起来。如果你过于关注分析的技术细节，你会失去听众；职场沟通不是你觉得有趣的分享，而是听众需要听到的内容。
这种信息见解的最著名的沟通方式是自上而下的金字塔原则，由麦肯锡顾问芭芭拉·敏托开发。查看最近的TDS文章，了解如何利用它更好地以DS的形式进行沟通。
2. 强大的商业敏锐度是优秀数据科学家与卓越数据科学家之间最大的区别。
如果你是一个高级DS在一家高标准的公司，你可以期待所有同事都有强大的技术技能。
你不会通过逐步提高你的技术技能来脱颖而出，而是通过确保你的工作为你的利益相关者（例如：产品、工程、商业团队）带来最大影响。
这就是商业敏锐度发挥作用的地方：为了最大化你的影响，你需要深刻理解商业的优先事项和你的利益相关者所面临的问题，并3)以你的听众能够理解的方式传达你的见解和建议（见上面的第1点）。
有了商业敏锐度，你也将能够检验你的工作，因为你将拥有商业背景和判断力来理解你的分析结果或建议是否有意义。
商业敏锐度不是在学校或DS训练营中教授的；那么你如何发展它呢？以下是一些具体的建议：
- 在公司所有会议和小组讨论中关注战略优先事项的讨论
- 练习将这些优先事项与团队的工作联系起来；在周期规划过程中或当新项目出现时，问自己：这与高层商业优先事项有什么关系？如果你无法建立联系，请与经理讨论这个问题
- 当你进行分析时，始终问自己“那么呢？”一个数据点或见解只有在你能够回答这个问题并清楚说明为什么人们应该关心它时才变得相关和有影响力。他们应该基于这些数据做出什么不同的事情？
这里的最终目标是从接受请求和处理JIRA票据的状态转变为成为思考伙伴，与利益相关者共同塑造分析路线图。
3. 成为一个客观真相的追求者
许多人会选择数据来符合他们的故事。这是有意义的：大多数组织奖励人们达成他们的目标，而不是最客观的人。
作为数据科学家，你有奢侈的机会抵制这种情况。数据科学团队通常不直接拥有商业数据，因此相比于销售等团队，他们面临的短期目标压力较小。
利益相关者有时会施加压力让你找到支持他们先前构建的故事的数据。虽然迎合这种需求可能会在短期内为你赢得一些分数，但从长远来看，帮助你的是成为一个真相的追求者，并宣传数据真正支持的故事。
即使在此时这可能会让人感到不舒服（因为你可能在推动一个人们不想听的故事），这将帮助你脱颖而出，并将你定位为高管在需要无偏见和公正的视角时会接触的人。
4. 数据 + 主要研究 = ❤
人们通常对轶事证据皱眉，但这对于严格的定量分析是一个必要的补充。
进行实验和分析大型数据集可以为你提供有意义的统计见解，但你通常会错过那些未达到足够规模以在你的数据中显示的信号，或者未被结构化数据所选择。
深入研究已关闭的交易笔记，与客户交谈，阅读支持票等，有时是探索某些问题（或真正理解根本原因）的唯一方法。
例如：假设你在一家B2B SaaS企业工作。你可能会在数据中看到企业交易的价格正在下降，甚至可能将其缩小到某种特定的客户类型。
但要真正理解发生了什么，你需要与销售代表交谈，深入研究他们的交易笔记，与潜在客户交谈等。开始出现；而且很可能，这种模式不会在你正在跟踪的任何标准指标中显示。
5. 如果数据看起来太好以至于不真实，它通常就是
当人们看到某个指标的强劲增长时，他们往往会感到兴奋，并将这种变化归因于他们所做的某件事，例如最近的功能发布。
不幸的是，当某个指标的变化看起来可疑地积极时，通常是由于数据问题或一次性效应。例如：
- 最近阶段的数据不完整，指标将在所有数据点到位后上升
- 有一次性的风潮不会持续（例如：你在1月初看到销售额的增长；而不是销售业绩的可持续改善，这只是假期结束时的积压）
不要被对指标增长的兴奋所驱动。你需要适度的怀疑、好奇心和经验，以避免这些陷阱并产生强有力的见解。
6. 对改变你的想法保持开放
如果你在处理数据，定期改变你的观点是很自然的。例如：
- 你为一位高管提出了一个行动方案，但由于你获得了更多数据而失去了信心，这不是正确的道路
- 你以某种方式解释了一个指标的变化，但你进行了额外的分析，现在你认为发生了其他事情
然而，大多数分析师都不愿意回顾他们过去所做的声明，因为害怕看起来不够有能力或惹恼利益相关者。
这是可以理解的；改变你的建议通常意味着利益相关者需要额外的工作来适应新的现实，结果可能会让他们感到不快。
然而，你不应该仅仅因为害怕失去面子而坚持之前的建议。当你对某个观点失去信心时，你将无法很好地捍卫它。像杰夫·贝索斯这样的领导者认识到在面对新信息时或仅仅是从不同角度看待问题时改变想法的重要性。只要你能够清楚地说明为什么你的建议发生了变化，这就是力量和智力严谨的标志，而不是弱点。
改变你的想法是非常重要的。你永远不应该让任何人用你过去所说的任何事情来束缚你。 - 杰夫·贝索斯
7. 你需要务实
在分析领域工作时，很容易发展出完美主义。你接受了科学方法的培训，并为知道理想的分析或实验方法而感到自豪。
不幸的是，经营企业的现实往往对我们施加了严重的限制。我们需要比实验能够提供有意义的统计结果更快的答案，我们没有足够的用户来进行适当的无偏分割，或者我们的数据没有回溯到足够远的时间来建立我们想要查看的时间序列样本。
你的工作是帮助运营团队（那些运输产品、完成交易等）完成工作。如果你强调完美的方法，企业很可能会继续运作而不需要你和你的见解。
与许多事情一样，完成比完美更好。
8. 不要通过特殊要求来烧掉你的数据科学家
雇佣全职数据科学家来构建仪表板或进行特殊数据调查和研究整天是烧掉他们并将他们推向团队的可靠方法。
许多公司，特别是高增长的初创公司，在雇佣专门进行数据调查和构建仪表板的分析师时犹豫不决。任务受到限制，管理者希望他们的团队在可以处理的事务上保持灵活，因此他们雇佣全面的数据科学家，并计划定期为他们提供调查仪表板或数据调查的任务。
然而，在实际操作中，这通常超出了比例，数据科学家在这些任务上花费了不成比例的时间。他们在这些琐碎的任务中淹没，迅速询问（从来没有像最初那样迅速）累积以填满整天，导致难以推进更大战略项目的并行进展。
幸运的是，有一些解决方案：
- 实施一个可以回答简单数据问题的AI聊天机器人
- 对相关团队进行基本SQL培训（每个团队至少1名分析师2名）以使他们更独立。通过SQL助手或BigQuery中的Gemini支持，不再需要完全的SQL知识来获取数据并生成深刻见解
- 使用自助BI工具为用户提供自主权和灵活性，以获取他们所需的见解。近年来已经取得了很多进展，像Omni这样的工具正在将我们带入一个自助分析成为现实的世界
9. 不是所有事情都需要一个受欢迎的Tableau仪表板
公司往往将数据从电子表格提取到BI解决方案视为成熟、强大的数据文化的标志。
尽管仪表板被组织中的许多利益相关者使用，并作为重要、难以逆转的决策的基础，但在像Tableau这样的管理工具中生活，许多情况下Google Sheets可以帮助你更快地获得所需的内容，而无需花费几天或几周的时间来构建一个强大的仪表板。
事实是，团队将始终利用他们每天使用的软件（例如：Salesforce）的分析能力以及电子表格，因为他们需要快速移动。鼓励这种快速、去中心化的分析，而不是强迫所有内容通过BI工具的瓶颈，可以帮助你节省数据科学团队的资源（见上面的第8点），并为团队提供他们成功所需的工具（基本SQL培训、数据建模和可视化最佳实践等）。
10. 在整个公司中拥有完美标准化的指标是一个空想
正如上面第9点所讨论的，整个公司的团队将始终通过在BI工具之外进行hacky分析来解锁自己，这使得共享数据模型的执行变得困难。在快速发展的初创公司中，如果你想确保团队仍然能够快速移动并完成工作，就无法实施完美的治理。
尽管当指标定义不匹配时，这给数据科学家带来了许多噩梦，但实际上这并不是世界末日。往往，数字之间的差异足够小，以至于不会改变整体叙述或建议结果。
只要重要报告（任何进入生产、到华尔街等的内容）以严格的方式处理并遵循标准化定义，整个公司的数据稍微混乱也没关系（即使感觉不舒服）。
最后的思考
上述一些观点起初可能会让人感到不舒服（例如：抵制选择性故事，采取务实的方法而不是追求完美等）。但从长远来看，你会发现这将帮助你脱颖而出，并将自己确立为真正的思考伙伴。
要获取更多实用的分析建议，请考虑在Medium上关注我，在LinkedIn或替代品上关注我。