它与现实生活和学习环境中处理数据有何不同？ 在日常生活中的现成数据集。如果是的话，也许你可以考虑反思一下。当然，这将是您交付结果的主要驱动力。关于这一点的思考是：如果你没有处理过，你如何回答你的主驱动器的结果？ 从这个问题来看，有必要强调一下：数据科学肯定是在数据出现之前就开始的。我强烈鼓励数据科学家将大量精力投入到问题定义上，而不仅仅是考虑最终将交付的分析产品。生意是第一位的。总是。 例如，这与营销人员制定年度计划时非常相似。
觉得自己的见解得到了准确的考
例如，仅仅因为每个人都在谈论，就很容易在虚拟宇宙中出现。但是，等等：你为什么想进入虚拟宇宙？您想解决什么业务问题？请记住：战略永远先于战术。 当我们谈 电话清单 论数据时，使用相同的方法将确保在探索真正可能解决的问题之前不会考虑解决方案。领导者应尽快与数据科学家接触。 尽管事实上有38% 的数据从业者参与了决策，但他们可能并不虑。由此可能会产生几个问题，但其中一组肯定与理解数据与理解业务本身之间的差异有关。 考虑到这一点，我们可以探讨一个更深层次的问题：如果数据科学家对业务不了解的话，如何反思业务问题？我绝对同意数据科学项目不是个人活动，但我坚信数据科学家可以为设计假设做出贡献。
识和硬数据技能之间的平衡
需要指出的是，在人才缺口的领域，行业知对于项目的成功 GT 列表 至关重要。 数据可能只是冰山一角 对业务理解的深入研究不应被视为数据科学家超出了他的工作范围。这不是真的。这种行为为最终设计数据科学项目所需的数据集提供了灵感，也为应对其他技术挑战发起了另一项努力。 请注意，数据只是冰山一角，涉及对业务目标的更深入反思。当你认为你的工作是从冰山一角开始时，你一定已经失去了成千上万的机会。 构建业务问题的努力可能是我在来自不同背景的多个数据科学家中注意到的最明显的特征。当然，这不仅仅取决于数据科学家，还取决于将他们带入决策阶段的领导力。
