數(shù)據(jù)科學(xué)是通過我們收集的數(shù)據(jù)，使用特定的統(tǒng)計技術(shù)來得出以前沒有的分析結(jié)果。那么該如何利用數(shù)據(jù)科學(xué)呢？

大數(shù)據(jù)話題一直火熱。在過去幾年中，許多前沿公司已成功地將數(shù)據(jù)科學(xué)整合到產(chǎn)品運作中，并獲得了收益。但對于大多數(shù)公司來說，這些技術(shù)仍然是陌生的和具有威脅性的。其中一些公司的領(lǐng)導(dǎo)者雖然了解這項技術(shù)的潛力，但卻不知道如何將這種技術(shù)整合到公司。然而，大多數(shù)人對此仍然保持觀望。

數(shù)據(jù)科學(xué)是通過我們收集的數(shù)據(jù)，使用特定的統(tǒng)計技術(shù)來得出以前沒有的分析結(jié)果。這些技術(shù)超越了傳統(tǒng)的數(shù)據(jù)分析，因為他們提供的結(jié)果往往更加關(guān)注預(yù)測未來。許多數(shù)據(jù)科學(xué)技術(shù)，如集群、回歸和機器學(xué)習(xí)其實并不是新出現(xiàn)的技術(shù)，但現(xiàn)在因為與大數(shù)據(jù)工具相結(jié)合，而變得非常強大。

在構(gòu)建數(shù)據(jù)科學(xué)能力方面，首先我們需要認識到，有兩個主要途徑可以將數(shù)據(jù)科學(xué)利用到公司產(chǎn)品技術(shù)中：內(nèi)部洞察和客戶價值。

內(nèi)部洞察與數(shù)據(jù)科學(xué)

數(shù)據(jù)科學(xué)技術(shù)可以幫助公司調(diào)整他們產(chǎn)品或業(yè)務(wù)。數(shù)據(jù)科學(xué)建立在傳統(tǒng)數(shù)據(jù)能力的基礎(chǔ)上，提供的通常是有預(yù)測性的見解。

例如，具有免費增值業(yè)務(wù)模式的公司可以使用回歸和聚類分析來劃分哪些用戶會成為付費客戶，這種可能性有多大。

最初，產(chǎn)品團隊并不知道哪些用戶特征或行為是與期望結(jié)果相關(guān)的，但是現(xiàn)在只要給出足夠的數(shù)據(jù)，通過回歸和聚類分析可能就會發(fā)現(xiàn)它們之間的關(guān)系。有了這些信息，產(chǎn)品團隊可以根據(jù)用戶群的細分為每個用戶定制用戶體驗或營銷信息，以便吸引更多的用戶產(chǎn)生使用需求。

客戶價值與數(shù)據(jù)科學(xué)

數(shù)據(jù)科學(xué)逐漸在幫助公司在產(chǎn)品中提供更加實際的面向客戶的價值（滿足客戶實際需求的產(chǎn)品）。統(tǒng)計與大數(shù)據(jù)往往是實際產(chǎn)品體驗分析的一部分，數(shù)據(jù)科學(xué)通過提供統(tǒng)計功能和大數(shù)據(jù)功能來增強公司的工程能力。使用歷史數(shù)據(jù)和匹配技術(shù)來提供高質(zhì)量、個性化產(chǎn)品內(nèi)推的引擎就是一個例子。另一個例子是使用深度學(xué)習(xí)技術(shù)（deep learning）來分類電子郵件的反垃圾郵件產(chǎn)品。

在建立新的數(shù)據(jù)科學(xué)能力時，請注意以下幾點：

• 在組織架構(gòu)上，數(shù)據(jù)科學(xué)家可以被安排在任何部門。兩個最常見的部門一個是數(shù)據(jù)分析部門，一個是工程部門。
• 就內(nèi)部洞察來說，數(shù)據(jù)科學(xué)基于數(shù)據(jù)分析。如果沒有基礎(chǔ)數(shù)據(jù)架構(gòu)和分析能力（數(shù)據(jù)倉庫、產(chǎn)品檢測儀器、數(shù)據(jù)分析），你要在考慮數(shù)據(jù)科學(xué)之前先考慮這些問題。你有可能已經(jīng)漏掉了一些不需要數(shù)據(jù)科學(xué)專業(yè)知識、技術(shù)或數(shù)據(jù)量的真知灼見和基本報告。
• 就客戶價值來說，如果你認為產(chǎn)品可以利用數(shù)據(jù)科學(xué)技術(shù)，但卻不清楚應(yīng)該采取哪些措施，請盡快地將專業(yè)知識引進公司。這種技術(shù)已經(jīng)迅速在各種各樣的產(chǎn)品中變得重要，如果你還沒有制定整合計劃，那么可能已經(jīng)落后于競爭對手。
• 在招聘新的數(shù)據(jù)科學(xué)崗位時，至關(guān)重要的是應(yīng)聘者要對他們正在解決的產(chǎn)品或業(yè)務(wù)問題表現(xiàn)出濃厚的興趣。對于任何產(chǎn)品，設(shè)計角色或高級工程角色都應(yīng)如此，但考慮到數(shù)據(jù)科學(xué)的高度技術(shù)性，有時又晦澀難懂，你可能傾向雇傭一個只懂數(shù)學(xué)的人。你的確需要一個懂技術(shù)的人，但如果他們不熱衷于解決業(yè)務(wù)或產(chǎn)品問題，那么最終可能會無法提供有用的見解或能分析客戶價值的高精度模型。
• 不一定要專門聘請數(shù)據(jù)科學(xué)家。這些技能可以由數(shù)據(jù)分析師、工程師或產(chǎn)品經(jīng)理等其他角色來學(xué)習(xí)。也就是說，接受過數(shù)據(jù)科學(xué)培訓(xùn)的人都將對這些工具和技術(shù)有廣泛了解，并且能發(fā)現(xiàn)其他人未能發(fā)現(xiàn)的機會。
• 數(shù)據(jù)科學(xué)家和數(shù)據(jù)基礎(chǔ)架構(gòu)工程師之間是有區(qū)別。雖然早期可以雇用一個人來做這兩項工作，但這些角色通常是分開的。數(shù)據(jù)科學(xué)家創(chuàng)建統(tǒng)計模型和實現(xiàn)代碼。數(shù)據(jù)基礎(chǔ)架構(gòu)工程師維護用于操作模型的大數(shù)據(jù)存儲和工具（例如Hadoop，Hive）。數(shù)據(jù)基礎(chǔ)架構(gòu)工程師通常是站點運營組織的一部分，因為他們的工作涉及正常運行時間、安全性、訪問權(quán)限等。
• 不要以職能為導(dǎo)向建立數(shù)據(jù)科學(xué)能力。無論以怎樣的形式將數(shù)據(jù)科學(xué)引進組織，要找到在整個產(chǎn)品組織中貫穿數(shù)據(jù)科學(xué)思維的方式，避免谷倉效應(yīng)。公司的任何人都可以使用數(shù)據(jù)科學(xué)，這是一種可以在報告、專題座談中使用或嵌入跨職能團隊的專業(yè)知識。我們應(yīng)該抵制“數(shù)據(jù)科學(xué)是一個服務(wù)團隊”的理念，推動整個組織應(yīng)用“數(shù)據(jù)智能”思想。

以上是將數(shù)據(jù)科學(xué)引進公司的最重要的考慮因素。希望能對你有所啟發(fā)。

拓展閱讀

數(shù)據(jù)科學(xué)(Data Science)是從數(shù)據(jù)中提取知識的研究，關(guān)鍵是科學(xué)。數(shù)據(jù)科學(xué)集成了多種領(lǐng)域的不同元素，包括信號處理，數(shù)學(xué)，概率模型技術(shù)和理論，機器學(xué)習(xí)，計算機編程，統(tǒng)計學(xué)，數(shù)據(jù)工程，模式識別和學(xué)習(xí)，可視化，不確定性建模，數(shù)據(jù)倉庫，以及從數(shù)據(jù)中析取規(guī)律和產(chǎn)品的高性能計算。數(shù)據(jù)科學(xué)并不局限于大數(shù)據(jù)，但是數(shù)據(jù)量的擴大使得數(shù)據(jù)科學(xué)的地位越發(fā)重要。數(shù)據(jù)科學(xué)的從業(yè)者被稱為數(shù)據(jù)科學(xué)家。數(shù)據(jù)科學(xué)家通過精深的專業(yè)知識在某些科學(xué)學(xué)科解決復(fù)雜的數(shù)據(jù)問題。

轉(zhuǎn)自知乎 作者：Han Hsiao

翻譯：盯襠貓

原文作者：Chris Jones， 硅谷產(chǎn)品集團(SVPG)合作伙伴

原文：https://svpg.com/leveraging-data-science/

本文由 @盯襠貓 翻譯發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Pixabay，基于CC0協(xié)議