8个提高数据分析事件功率的技巧
本文摘要:我刚和一位老友恢复了联络。她一直对数据科学很感爱好,但10个月前才涉足这一领域——作为一个数据科学家加入了一个组织。我显着感觉到她现已在新的岗位上学到了很多东西。然而,我们谈天时,她提到了一个至今在我脑海里都挥之不去的事实或者说是问题。她说,

我刚和一位老友恢复了联络。她一直对数据科学很感爱好,但10个月前才涉足这一领域——作为一个数据科学家加入了一个组织。我显着感觉到她现已在新的岗位上学到了很多东西。然而,我们谈天时,她提到了一个至今在我脑海里都挥之不去的事实或者说是问题。她说,不论她体现怎么,每个项目或分析使命在令主管满意之前都要做好屡次。她还提到,往往事后发现原本不需要花这么多时间!

听起来是否是很像你的遭遇?你会不会在得出像样的答案之前重复分析很屡次?或者一遍又一遍地为类似的活动写着代码?假如是这样的话,这篇文章正好合适你。我会分享一些提高功率和减少没必要要的重复工作的方法。

备注:请别误会。我不是说迭代都欠好。这篇文章的重点在于怎么辨认哪些迭代是必要的,哪些是没必要要且需要防止的。

什么原因导致了数据分析中的重复工作?

我认为没有加入新信息,就没必要重复分析(后边提到一个破例)。下面这些重复工作都是可以防止的:

对客户问题的诊断有误差,不能满足需求,所以要重做。 重复分析的意图在于收集更多的变量,而你之前认为不需要这些变量。 之前没有考虑到影响你分析活动的误差或假设,后来考虑到了所以要重做。

哪些迭代是必要的呢?下面举两个例子,一、你先建立了一个6个月后的模型,随后有了新的信息,由此导致的迭代是健康的。二、你有意地从简略的模型开始逐渐深化了解并构建杂乱模型。

上面没有涵盖所有可能的状况,但我相信这些例子足够协助你判断你的分析迭代是否是健康的。

这些出产力杀手的影响?

我们很清楚一点——没有人想在分析中呈现不健康的迭代和出产力杀手。不是每一个数据科学家都乐于一边做一边添加变量并重复运转整个分析过程。

分析师和数据科学家会因为不健康迭代和损失功率而深感挫败,缺乏成就感。那么让我们尽一切努力来防止它们吧。

小贴士:怎么防止不健康迭代并添加功率

技巧1: 只重视重大问题

每一个组织都有很多可以用数据解决的小问题!但雇一个数据科学家的主要意图不在于解决这些小问题。好钢要用在刀刃上,应该选取3到4个对整个组织影响最大的数据问题交给数据科学家来解决。这些问题一般具有应战性,会给你的分析活动带来最大杠杆(或者收获满满或者颗粒无收,想象一下假贷炒股)。当更大的问题没被解决时,你不该当去解决小问题。

听起来没什么,但实践上很多组织都没做好这一点!我看到很多银行没用数据分析去改善风险评分,而是去做市场营销。有些保险公司没用数据分析提高客户留存率,而是试图建立针对代理机构的奖励方案。

技巧2: 一开始就创建数据分析的演示文稿 (可能的布局和结构)

我一直这样做并且获益匪浅。把分析演示稿的框架搭起来应该是项目启动后的第一件事。这听起来或许有悖常理,然而一旦你养成这个习惯,就能够节省时间。

怎么搭框架呢?

你可以用ppt、word、或者一段话来搭框架,形式是可有可无的。重要的是一开始就要把所有可能状况列出来。例如,假如你试图下降坏账冲销率,那么可以像下面一样布局你的演示文稿:

1

频道头条

鎼炲ソ婵槼浼佷笟缃戠珯寤鸿
碎片化浏览的年代,怎么经营好一个企业
机械网站建设:靠谱的微信代运营怎么为
精密化用户增长案例(6):增长黑客北
优惠券营销的十点倡议?(团购网站适用
添加挪动端出售量的10种办法
深度解读:一家卖卫生巾的互联网公司是
王小川:硬件的互联网精力
2015年十大互联网最有用的免费推行方式
微信中的第三方怎么开展壮大?
互金产物经营必知的六大“金字塔”

热门推荐

更多

内容聚焦

月点击排行

热点推荐