成为靠谱的数据科学家——从提出正确的问题开始

作者 | Admond Lee
翻译 | Mika
CDA 数据分析研究院原创作品，转载需授权

作为一名数据科学家，在我们讨论如何通过正确的提问对问题进行定义前，让我们首先看到为什么提出正确的问题是如此重要。

在我的第一份数据科学实习中，我对这个项目非常兴奋，只是想尽快动手，而没有弄清楚全局情况。

我首先试着弄清楚我要解决的问题，但却没有深入细节确定具体的目标。更糟糕的是，我没有质疑所要分析和预测的数据集。最终经过两周的数据清理和分析，我才意识到我对数据做出了错误的假设。所有这些都是因为我对问题和数据缺乏了解。

这就是我的故事。

我认为提出正确的问题和定义问题陈述是许多数据科学初学者（包括我）面临的一项挑战。

提问很容易，每个人都会提问。但是提出正确的问题就不容易了，因为我们不知道哪些问题才是正确的。

在本文中，我将与你分享作为数据科学家，该如何提出正确问题并定义问题陈述。希望能够帮助你应对数据科学生涯中的这些挑战。

让我们开始吧！

如何通过提出正确的问题来定义问题陈述？

不管你是否承认，定义问题陈述（或数据科学问题）是数据科学管道中最重要的步骤之一。

在下面的部分中，我们将通过四个步骤来定义问题陈述。

1.理解需要解决的问题

需要确定的机会是什么？你的受众所面临的痛点是什么？

通常情况下，Kaggle竞赛中的问题陈述都是明确定义的。我们可以放心使用给出的数据集，而不必担心问题陈述给其他人带来的问题，或如何获取数据等。

但是，实际工作环境中的问题并没有被定义，有些问题很暧昧，很模糊。

大多数时候，公司领导层只会给我们一个问题：我有这个“问题”，你能帮我解决这个问题吗？仅此而已。

我们的任务是帮助他们将问题构建成数据科学问题，从他们的角度看问题。

换句话说，我们需要有同理心。

这时我们需要从领导层的角度，将我们的技术知识与数据结合起来，提出一个促进商业价值的解决方案。

2.根据问题评估情况

在构建了数据科学问题之后，接下来就需要根据问题对形势进行评估。

这意味着我们需要谨慎分析风险、成本、收益、突发事项、法规、资源和需求。

为了进一步说明，这里可以大致分为以下几个问题：

这个问题有什么要求？

有哪些假设和约束条件？

有哪些资源？这里指的是人员和资金，计算机系统（GPU，可用的CPU），仪器等。

3.了解项目的潜在风险和收益

这个步骤是可选的，具体取决于项目的大小和规模。

有些项目可能只处于探索阶段，因此如果项目投入生产，潜在风险可能会降低，且未来收益会更大。

这个项目相关的主要成本是多少？

有哪些潜在的收益？

有哪些潜在的风险？

潜在风险中会有哪些突发情况？

回答这些问题有助于更好地了解情况，并了解项目涉及的内容。对项目有深入的了解有助于评估之前定义问题陈述的有效性。

4.定义评估项目成功的指标

这个很重要。你不能只有需要解决的问题，而没有任何指标来评估项目是否成功。

这归结为一个简单的问题：你希望在项目结束时实现什么目标？

成果应该是可衡量的，而不是无法量化的。某些指标可能无法立即使用，因此还需要进行数据收集和预处理。

你必须与领导层讨论要使用的指标，并且在提出正确问题的早期就应该进行讨论。

定义成功标准非常重要，因为这有助于你在项目整个生命周期内对其进行评估。

结语

我们的最终目标是提出更好的问题和定义明确的问题陈述，从而用数据科学方法进行解决，并生成业务见解和可操作的计划。

谢谢你的阅读。希望本文能够让你理解提出正确问题以及如何构建问题陈述的重要性。