0
雷鋒網 AI 研習社按：本篇是來自 Schibsted 多媒體組的數據科學經理 Alex 發布于 Medium 上的一篇文章，作者結合自身四年的行業經驗，詳細介紹了實際的數據科學工作，以及如何管理好數據科學團隊，雷鋒網 AI 研習社對原文進行了編譯整理。
本文為上篇，主要講了實際的數據科學工作。下篇講了如何管理好數據科學團隊。
2014 年我加入 Schibsted 傳媒集團的一個小團隊，當時是第六位數據科學家。這些年，我在這家公司研究了許多數據科學方法，目前該公司已經有 40 多名數據科學家了。在這篇文章中，我將回顧過去四年所學到的經驗-——首先是作為數據科學家的經驗，然后是作為數據科學管理者的經驗。
這篇文章仿效 Robert Chang「在推特搞數據科學」一文，他的那篇文章非常有價值。我希望能為世界各地的數據科學家和數據科學管理人員提供同樣有價值的思考。
這篇文章分為兩部分：
第一部分：數據科學家的實際工作
第二部分：如何管理數據科學家團隊
第一部分著重于描述數據科學家要做的實際工作，而第二部分則討論如何管理數據科學團隊以獲得最大的影響力。我認為這兩個部分對科學家和管理者來說是相互聯系的。
我不會花很多時間來界定怎樣才算或不算數據科學家?，網上已經有很多文章來討論這一點了。
關于 Schibsted：這是一家在全球 20 多個國家擁有用戶和市場的媒體公司，我主要負責市場業務。如果你想看幾個 Schibsted 數據科學工作的一些具體案例，這里有 3 個選擇：
說完這些，讓我們進入正題吧！
充滿雄心壯志，在一家公司當數據科學家，這真的很讓人興奮，但也會讓人望而生畏。比如：周圍人對自己的期望是什么？同齡人有什么技能？應該怎樣工作才能對公司有用？
作為一位被吹得天花亂墜的數據科學家，有時很難覺得自己不是騙子。
由于擔心被認為是在做一些容易的事情，數據科學家常常被迫選擇首先關注更復雜的情形。這就引出了第一課。
他們聘請了一名數據科學家，所以這個問題肯定很復雜，對吧？
不要被復雜的事物所誘惑
這種假設常常會使你誤入歧途，從而不能成為一名真正的數據科學家。
首先，你在行業中遇到的問題通?？梢杂孟喈敽唵蔚姆椒▉斫鉀Q。
其次，重要的是要記住太復雜會增加成本。一個復雜的模型可能需要更多的工作，具有更高的錯誤風險，更難向股東解釋清楚。因此，你首先應該采取最簡單的方法。
那么，怎么知道最簡單的方法是否足夠好呢？
如果沒有比較模型性能的基準，那么你的評估指標可能毫無意義。
我們建立了一個模型（保留模型，retention model）來預測用戶回到我們網站的概率?；谟脩舻男袨?，我們的模型大約有15個特征，ROC-AUC 在 0.8 左右。與隨機性能的 0.5 相比，我們對這個結果相當滿意。
但當我們把模型分解為兩個最有預測能力的特征：recency（最近訪問的那一天）和 frequency（過去訪問的天數），通過這兩個變量的 logistic 回歸，ROC-AUC 達到了 78% 。換句話說，我們可以扔掉多余 85% 的特征來達到超過 97% 的性能。
我有很多次看到數據科學家基于復雜的模型報告離線實驗結果，沒有任何比較基準。每當你看到這種情況，你都應該問：我們能用一個更簡單的模型取得同樣的結果嗎？
一天，我和一名數據工程師、一名數據科學家共進午餐。這位科學家談到，只要他有 X，Y，Z 的數據，就能做出令人驚奇的事情。他的眼神都在發光。但工程師突然說道：“你們數據科學家總是在談論你獲取了實際獲取不到的數據時能做什么。那么就你所擁有的數據你能做些什么呢？！”
這聽起來很刺耳，但工程師表達了一個重要的真理：永遠也不會有完美的數據集，而且總會有你可以使用的數據。在大多數情況下，你可以用你的數據做點什么。
與上述觀點相關的是，數據質量和完整性幾乎總是同一個問題。你需要去獲取你需要的數據，而不是坐在那里等待某人把數據給你。
我不是在討論數據治理模型中的真正所有權。我的意思是擴展你的角色，幫助你找到自己需要的數據。
這可能有助于數據收集的模式和格式，這可能意味著查看 Web 應用程序前端執行的 JavaScript 代碼，以確保在合適的時候才觸發事件?；蛘哌@可能意味著建立數據管道——不要期望數據工程師來為你做好一切。
這似乎與我上面說的一切相矛盾，非常重要的一點是不要太受束縛于手頭的數據。
空白的黑板
當出現一個新問題時，首先應該嘗試忘記數據。為什么？現有的數據會限制你想出更多的解決辦法，它會分散你尋找最佳方法的注意力。你會陷入局部最優，只在手頭已有數據的基礎上思考問題（開發勝于研究）。
我們都知道相關性并不意味著存在因果關系。問題在于，許多數據科學家都止步于此，并回避做出因果聲明。
懦夫對因果關系的探討
為什么那是個問題？因為產品經理、營銷團隊、CEO，或者和你一起工作的人都不在乎相關性。他們更關心因果關系。
產品經理希望當她決定推出這個新功能時，有信心將訂單量提高 10%。營銷團隊希望知道，電子郵件數量從每周 2 封增加到 4 封不會導致人們退出郵件列表。CEO 想知道，投資于更精準的功能可以帶來廣告收入的增加。
那么有折中辦法嗎？似乎有兩個。
最著名的是在線實驗?；旧夏銜M行隨機試驗?——?A/B 測試是最常見的。想法很簡單，隨機選擇目標群體和對照組，如果發現兩組之間有統計學上的顯著差異，我們所采用的辦法就被認為是因果參數。
另一個不太有名的因果關系推斷方法是因果模型。這里的想法是，你假設世界的因果結構，然后你使用觀察（非實驗）數據來檢驗這些假設是否與預測數據一致，或者估計不同因果效應的強度。Adam Kelleher寫了一系列很好的因果數據科學文章，我推薦閱讀下。除此之外，因果關系分析的圣經數據是 Judea Pearl 的因果關系（Causality）。
根據我的經驗，大多數數據科學家在構建機器學習模型和離線評估方面有豐富的經驗。而在在線評估和實驗方面有經驗的數據科學家要少得多。原因很簡單：你可以從 Kaggle 上下載一個數據集，訓練一個模型，并在幾分鐘內對它進行線下評估。另一方面，對該模型進行在線評估，需要訪問真實世界。即使你在一家擁有數百萬用戶的互聯網公司工作，你也常常需要越過層層關卡找到一個針對當前用戶的機器學習模型。
現在，很少有數據科學家有廣泛的在線評估以及因果模型推斷的經驗，出現這一現象的原因有很多。其中一個原因是大多數因果關系的文獻都是相當理論性的，對于如何在現實世界中構建因果模型并沒有實際的指導意義。我預測在未來幾年我們會看到更多關于因果建模的實用指南。
形成微妙的因果關系觀意味著你可以給股東提供可行的建議，同時也能保證科學性。
via：4 Years of Data Science at Schibsted Media Group，雷鋒網 AI 研習社編譯整理。
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
