[[156055]]

本文由ChrisMu翻譯向36大數(shù)據(jù)投稿，并經(jīng)由36大數(shù)據(jù)編輯發(fā)布，原文作者Kunal Jain。任何不標明來源36大數(shù)據(jù)及本文鏈接http://www.36dsj.com/archives/37108  均為侵權。

前言

我剛和一位老友恢復了聯(lián)系。她一直對數(shù)據(jù)科學很感興趣，但10個月前才涉足這一領域——作為一個數(shù)據(jù)科學家加入了一個組織。我明顯感覺到她已經(jīng)在新的崗位上學到了很多東西。然而，我們聊天時，她提到了一個至今在我腦海里都揮之不去的事實或者說是問題。她說，不論她表現(xiàn)如何，每一個項目或分析任務在令經(jīng)理滿意之前都要做好多次。她還提到，往往事后發(fā)現(xiàn)原本不需要花這么多時間！

聽起來是不是很像你的遭遇？你會不會在得出像樣的答案之前反復分析很多次？或者一遍又一遍地為類似的活動寫著代碼？如果是這樣的話，這篇文章正好適合你。我會分享一些提高效率和減少不必要的重復工作的方法。

備注：請別誤會。我不是說迭代都不好。這篇文章的重點在于如何識別哪些迭代是必要的，哪些是不必要且需要避免的。

什么原因導致了數(shù)據(jù)分析中的重復工作？

我認為沒有加入新信息，就沒必要重復分析（后面提到一個例外）。下面這些重復工作都是可以避免的：

1、對客戶問題的診斷有偏差，不能滿足需求，所以要重做。

2、重復分析的目的在于收集更多的變量，而你之前認為不需要這些變量。

3、之前沒有考慮到影響你分析活動的偏差或假設，后來考慮到了所以要重做。

哪些迭代是必要的呢？下面舉兩個例子，一、你先建立了一個6個月后的模型，隨后有了新的信息，由此導致的迭代是健康的。二、你有意地從簡單的模型開始逐漸深入理解并構建復雜模型。

上面沒有涵蓋所有可能的情況，但我相信這些例子足夠幫助你判斷你的分析迭代是不是健康的。

這些生產(chǎn)力殺手的影響？

我們很清楚一點——沒有人想在分析中出現(xiàn)不健康的迭代和生產(chǎn)力殺手。不是每個數(shù)據(jù)科學家都樂于一邊做一邊增加變量并反復運行整個分析過程。

分析師和數(shù)據(jù)科學家會因為不健康迭代和喪失效率而深感挫敗，缺乏成就感。那么讓我們盡一切努力來避免它們吧。

小貼士：如何避免不健康迭代并增加效率

技巧1: 只關注重大問題

每個組織都有很多可以用數(shù)據(jù)解決的小問題!但雇一個數(shù)據(jù)科學家的主要目的不在于解決這些小問題。好鋼要用在刀刃上，應該選取3到4個對整個組織影響最大的數(shù)據(jù)問題交給數(shù)據(jù)科學家來解決。這些問題一般具有挑戰(zhàn)性，會給你的分析活動帶來最大杠桿（或者收獲滿滿或者顆粒無收，想象一下借貸炒股）。當更大的問題沒被解決時，你不應當去解決小問題。

聽起來沒什么，但實際上很多組織都沒做好這一點!我看到很多銀行沒用數(shù)據(jù)分析去改善風險評分，而是去做市場營銷。有些保險公司沒用數(shù)據(jù)分析提升客戶留存率，而是試圖建立針對代理機構的獎勵計劃。

技巧2: 一開始就創(chuàng)建數(shù)據(jù)分析的演示文稿 (可能的布局和結構)

我一直這樣做并且受益匪淺。把分析演示稿的框架搭起來應該是項目啟動后的第一件事。這聽起來或許有悖常理，然而一旦你養(yǎng)成這個習慣，就可以節(jié)省時間。

如何搭框架呢？

你可以用ppt、word、或者一段話來搭框架，形式是無關緊要的。重要的是一開始就要把所有可能情況列出來。例如，如果你試圖降低壞賬沖銷率，那么可以像下面一樣布局你的演示文稿：

接下來，你可以考慮每個因素如何影響壞賬沖銷率？例如，由于給客戶增加了信用額度導致銀行的壞賬沖銷率增加，你可以：

首先，確定那些信用額度沒被增加的客戶并沒有導致此次壞賬沖銷率增加。

下一步，用一個數(shù)學公式來測量這個影響。

一旦你把分析中的每一個分支都考慮到了，那么你已經(jīng)為自己創(chuàng)造了一個良好的起點。

技巧3: 事先定義數(shù)據(jù)需求

數(shù)據(jù)需求直接源于最后的分析結果。如果你已經(jīng)全面地規(guī)劃了要做哪些分析、產(chǎn)生什么結果，那么你將知道數(shù)據(jù)需求是什么。這里有幾個提示來幫助你:

• 試著賦予數(shù)據(jù)需求一個結構: 不單是記下變量列表，你應該分門別類地想清楚分析活動需要哪些表格。以上面增加壞賬沖銷率為例，你將需要客戶人口統(tǒng)計表，過往市場營銷活動統(tǒng)計表，客戶過去 12 個月的交易記錄，銀行信貸政策變更文件等資料。

• 收集你可能需要的所有數(shù)據(jù): 即使你不是 100%肯定是否需要所有的變量，在這一階段你應該把所有數(shù)據(jù)都收集起來。這樣做工作量大一些，但是與在以后的環(huán)節(jié)增加變量收集數(shù)據(jù)相比，還是更有效率一些。

• 定義您感興趣的數(shù)據(jù)的時間區(qū)間。

技巧 4: 確保你的分析可重現(xiàn)

這個提示聽起來可能很簡單——但初學者和高級分析人員都難以把握好這一點。初學者會用Excel執(zhí)行每一步活動，其中包括復制粘貼數(shù)據(jù)。對于高級用戶，任何通過命令行界面完成的工作都可能不可重現(xiàn)。

同樣，使用記事本（notebook）時需要格外小心。你應該克制自己修改以前的步驟，尤其是在前面的數(shù)據(jù)已經(jīng)被后面的步驟使用的情況下。記事本在維護這種涉及前后數(shù)據(jù)勾稽關系的數(shù)據(jù)流方面表現(xiàn)地非常強大。但是如果記事本中沒維護這種數(shù)據(jù)流，它也會非常沒用。

技巧5: 建標準代碼庫

沒必要為簡單的操作一次又一次重寫代碼。它不僅浪費時間，還可能會造成語法錯誤。另一個竅門是創(chuàng)建常見操作的標準代碼庫并在整個團隊中共享。

這將不僅確保整個團隊使用相同的代碼，而且也使他們更有效率。

技巧6: 建中間數(shù)據(jù)集市

很多的時候，你會反復需要同一批信息。例如，你將在多個分析和報告中用到所有客戶信用卡消費記錄。雖然你可以每次都從交易記錄表中提取，但是創(chuàng)建包含這些表的中間數(shù)據(jù)集市，可以有效節(jié)省時間和精力。同樣，市場營銷活動的匯總表也沒必要每次都查詢提取一次。

技巧7: 使用保留樣本和交叉驗證防止過度擬合

很多初學者低估了保留樣本和交叉驗證的強大。很多人傾向于認為只要訓練集足夠大，幾乎不會過擬合，因此沒必要交叉驗證或保留樣本。

有這種想法，往往會在最后出岔子。不單我這樣說——可以看一下Kaggle上任意競賽公開或非公開的排行榜。你會發(fā)現(xiàn)前十名中有些人不再過擬合時他們的排名就不再下降了。你可以想象這些都是高級數(shù)據(jù)科學家。

技巧8: 集中一段時間工作并且有規(guī)律地休息

對于我來說，最佳的工作狀態(tài)是集中利用2-3小時解決一個問題或項目。作為一名數(shù)據(jù)科學家，你很難同時完成多項任務。你需要以自己的最佳狀態(tài)對待一個單獨的問題。對于我來說，2-3 小時的時間窗口最有效率，你可以依據(jù)個人情況自行設定。

后記

上面這些就是我提高工作效率的一些方法。我不強調非要第一次就把事情做好，但是你必須養(yǎng)成每一次都能做好的習慣——這樣你才能成為一個專業(yè)的數(shù)據(jù)科學家。

你有什么提高工作效率的好方法嗎？有的話請在下面的評論中留言。