起点学院课程

硅谷产品集团(SVPG):如何利用数据科学?

0 评论 5245 浏览 4 收藏 8 分钟
15天0基础极速入门数据分析,掌握一套数据分析流程和方法,学完就能写一份数据报告!了解一下>>

数据科学是通过我们收集的数据,使用特定的统计技术来得出以前没有的分析结果。那么该如何利用数据科学呢?

大数据话题一直火热。在过去几年中,许多前沿公司已成功地将数据科学整合到产品运作中,并获得了收益。但对于大多数公司来说,这些技术仍然是陌生的和具有威胁性的。其中一些公司的领导者虽然了解这项技术的潜力,但却不知道如何将这种技术整合到公司。然而,大多数人对此仍然保持观望。

数据科学是通过我们收集的数据,使用特定的统计技术来得出以前没有的分析结果。这些技术超越了传统的数据分析,因为他们提供的结果往往更加关注预测未来。许多数据科学技术,如集群、回归和机器学习其实并不是新出现的技术,但现在因为与大数据工具相结合,而变得非常强大。

在构建数据科学能力方面,首先我们需要认识到,有两个主要途径可以将数据科学利用到公司产品技术中:内部洞察和客户价值。

内部洞察与数据科学

数据科学技术可以帮助公司调整他们产品或业务。数据科学建立在传统数据能力的基础上,提供的通常是有预测性的见解。

例如,具有免费增值业务模式的公司可以使用回归和聚类分析来划分哪些用户会成为付费客户,这种可能性有多大。

最初,产品团队并不知道哪些用户特征或行为是与期望结果相关的,但是现在只要给出足够的数据,通过回归和聚类分析可能就会发现它们之间的关系。有了这些信息,产品团队可以根据用户群的细分为每个用户定制用户体验或营销信息,以便吸引更多的用户产生使用需求。

客户价值与数据科学

数据科学逐渐在帮助公司在产品中提供更加实际的面向客户的价值(满足客户实际需求的产品)。统计与大数据往往是实际产品体验分析的一部分,数据科学通过提供统计功能和大数据功能来增强公司的工程能力。使用历史数据和匹配技术来提供高质量、个性化产品内推的引擎就是一个例子。另一个例子是使用深度学习技术(deep learning)来分类电子邮件的反垃圾邮件产品。

在建立新的数据科学能力时,请注意以下几点:

  • 在组织架构上,数据科学家可以被安排在任何部门。两个最常见的部门一个是数据分析部门,一个是工程部门。
  • 就内部洞察来说,数据科学基于数据分析。如果没有基础数据架构和分析能力(数据仓库、产品检测仪器、数据分析),你要在考虑数据科学之前先考虑这些问题。你有可能已经漏掉了一些不需要数据科学专业知识、技术或数据量的真知灼见和基本报告。
  • 就客户价值来说,如果你认为产品可以利用数据科学技术,但却不清楚应该采取哪些措施,请尽快地将专业知识引进公司。这种技术已经迅速在各种各样的产品中变得重要,如果你还没有制定整合计划,那么可能已经落后于竞争对手。
  • 在招聘新的数据科学岗位时,至关重要的是应聘者要对他们正在解决的产品或业务问题表现出浓厚的兴趣。对于任何产品,设计角色或高级工程角色都应如此,但考虑到数据科学的高度技术性,有时又晦涩难懂,你可能倾向雇佣一个只懂数学的人。你的确需要一个懂技术的人,但如果他们不热衷于解决业务或产品问题,那么最终可能会无法提供有用的见解或能分析客户价值的高精度模型。
  • 不一定要专门聘请数据科学家。这些技能可以由数据分析师、工程师或产品经理等其他角色来学习。也就是说,接受过数据科学培训的人都将对这些工具和技术有广泛了解,并且能发现其他人未能发现的机会。
  • 数据科学家和数据基础架构工程师之间是有区别。虽然早期可以雇用一个人来做这两项工作,但这些角色通常是分开的。数据科学家创建统计模型和实现代码。数据基础架构工程师维护用于操作模型的大数据存储和工具(例如Hadoop,Hive)。数据基础架构工程师通常是站点运营组织的一部分,因为他们的工作涉及正常运行时间、安全性、访问权限等。
  • 不要以职能为导向建立数据科学能力。无论以怎样的形式将数据科学引进组织,要找到在整个产品组织中贯穿数据科学思维的方式,避免谷仓效应。公司的任何人都可以使用数据科学,这是一种可以在报告、专题座谈中使用或嵌入跨职能团队的专业知识。我们应该抵制“数据科学是一个服务团队”的理念,推动整个组织应用“数据智能”思想。

以上是将数据科学引进公司的最重要的考虑因素。希望能对你有所启发。

拓展阅读

数据科学(Data Science)是从数据中提取知识的研究,关键是科学。数据科学集成了多种领域的不同元素,包括信号处理,数学,概率模型技术和理论,机器学习,计算机编程,统计学,数据工程,模式识别和学习,可视化,不确定性建模,数据仓库,以及从数据中析取规律和产品的高性能计算。数据科学并不局限于大数据,但是数据量的扩大使得数据科学的地位越发重要。数据科学的从业者被称为数据科学家。数据科学家通过精深的专业知识在某些科学学科解决复杂的数据问题。

转自知乎 作者:Han Hsiao

 

翻译:盯裆猫

原文作者:Chris Jones, 硅谷产品集团(SVPG)合作伙伴

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

本文由 @盯裆猫 翻译发布于人人都是产品经理。未经许可,禁止转载。

题图来自Pixabay,基于CC0协议

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
起点学院课程
评论
评论请登录
  1. 目前还没评论,等你发挥!