DataCamp 的数据科学家与教育者 Hugo Bowne-Anderson 博士近日举办了一场主题为商业领袖需要了解的五件数据战略要事的网络研讨会。继续阅读以获取要点摘要，或按需观看完整回放。
1. 数据科学中的 80/20 法则
80/20 法则，也称帕累托法则，指出在许多事件中，大约 80% 的结果来自 20% 的原因。例如，2018 年美国约有 80% 的税收由收入排名前 20% 的人缴纳。应用于数据科学，帕累托法则意味着用 20% 的时间完成的工作能产生 80% 的成果。因此，在为您的数据战略确定优先级时，务必要聚焦真正创造价值的工作。
聚焦能真正撬动增长的事项
商业领袖往往容易被深度学习、机器学习（ML）和 AI 等热词吸引。但首先应关注一些更基础却能带来巨大收益的领域，例如：
描述性分析为企业带来 80% 的价值
您可能会问：“我应当优先关注哪类商业分析？”帕累托法则可以帮助您判断：
- 描述性分析，或商业智能（BI），对许多企业而言贡献了 80% 的价值。其重点是将您公司已有的数据，以可被消费和利用的形式，送达合适的人手中，形式包括仪表板、报告和邮件。我们鼓励所有希望真正撬动增长的公司，聚焦五个能够辅助决策的描述性分析项目，并按重要性排序。
- 预测性分析，或 ML，是通过预测将要发生的事情来为未来做准备。机器学习作为预测性分析的一个分支，利用精简的统计算法基于已有信息预测未来，识别关系和洞见——例如 Netflix 的推荐引擎。
- 规范性分析，或决策科学，是商业分析的最后阶段，提前判断何时、为何会出现特定结果——并据此决定应如何行动。它将数据应用于决策过程。我们在 DataFramed 播客中邀请了 Google Cloud 首席数据科学家 Cassie Kozyrkov，解读了决策智能与数据科学之间的联系。
2. 为什么“大数据”并不那么“大”
用小数据获得更大成果
关于大数据有很多种定义。Hugo 给出了一个实用的工作定义：
大数据是远超出笔记本或单一硬盘可存储容量的数据：必须分布在计算机集群上才能进行存储、处理、传输和分析。
像 Google 这样的公司有效利用了大数据，也因此带来了大量热议。但 Hugo 认为，小数据同样能够产出非常好的结果，我们无需被“大数据”的热潮所裹挟。
一种理解大数据的方式是参考 Gartner 的技术成熟度曲线。如果以 Google 趋势作为预期的代理，我们已越过“期望膨胀顶峰”，正下行至“幻灭低谷”。
那么问题来了：小数据是否足够？Hugo 认为答案是肯定的。关键不在于数据量山积，而在于小而精准的数据。比如，丹麦天文学家第谷·布拉赫仅收集了约 2000 个数据点，就为约翰内斯·开普勒的三大行星运动定律奠定了基础，而这又启发了牛顿的万有引力理论。民调机构也能通过大约 1000 名公民的统计学代表性样本，在约 3% 的误差范围内预测结果。
比大数据更重要的：多样性
Hugo 更进一步指出：数据的多样性比规模更重要。将定性数据，或称厚数据，纳入数据集会带来更好的结果。厚数据一词借自社会学与人类学，主要偏描述性；与之相对的薄数据则以数字为主。
3. 数据工作的未来为何是“点一点、拖一拖”
用图形界面完成数据工作
如何让缺乏技术型数据专长的人也能获取商业智能，并用 ML 辅助决策？答案不是让每位员工都会写代码，而是借助将数据分析产品化的厂商或工具。Hugo 预测，未来大部分数据工作将通过图形用户界面（GUI），也就是拖拽式、点选式界面来完成。
顶尖科技公司已注意到这一趋势。近年来，商业智能工具的大额收购频登新闻。就在去年，Salesforce 收购了 Tableau；而几周前，Google 以 26 亿美元完成对 Looker 的收购，后者是一款广受欢迎的 BI 工具。
预测性分析工具也在将 ML 产品化。Google AutoML 让非数据科学家也能构建诊断与预测分析模型；Microsoft Azure 现已提供自动化 ML 工具，让建模变得像导入数据集并告知服务要预测的数值一样简单。
使用数据产品时保持自省
这类工具使非技术员工也能“有点杀伤力”地使用数据。但关键在于能否以正确方式使用数据。Hugo 对那些能帮助人们识别自身偏见结果的产品尤感兴趣。他建议体验一下Survival of the Best Fit，这是一款关于 AI 招聘偏见的教育游戏。
4. 数据战略意味着数据文化
实际用了多少数据？
我们已讨论过，相比收集成山的数据（大数据），收集关键且相关的数据（小数据）更为重要。在研讨会期间的一项投票显示，53% 的受访者仅使用了其所收集数据的一半以下。目标当然是让更多数据为您所用。这需要健全的数据战略，以及健全健康的数据文化。
如何构建数据战略
在我们 DataFramed 播客第 30 期中，当时任麦肯锡高级分析经理的 Taras Gorishnyy 指出了构建数据战略所需的关键要素：
- 制定与公司战略一致的分析愿景
- 建立强有力的高层支持，例如倡导、资金与热情
- 尽早从至少若干个用例中提取价值
- 实施流程重塑与文化变革，确保公司范围内具备合理组合的数据技能
- 构建稳固的数据基础，提供一体化、可信、及时的数据
数据流程重塑与文化变革的必要性
DataCamp 在全球范围内普及数据技能的使命，与上述第四点——帮助公司打造强大的数据流利文化——密切相关。然而，我们在 2019 年对 300 多家机构的调研发现，仅有 39% 的数据流利度成熟公司在数据方面实施了流程重塑与文化变革，而数据流利度不成熟的公司中这一比例仅为 7%。
提升技能而非招聘，才是通往数据流利的路径
每家公司都希望招募顶尖人才，但按照 80/20 法则，多数公司难以如愿。与需要完成的大量数据工作相比，人才供给短缺；围绕“招到独角兽”来制定数据战略并不现实。替代方案？在公司内部营造学习型环境，通过提升与再培训现有员工，建立数据文化。
5. 数据战略的核心其实是同理心
考虑您的利益相关方
Hugo 认为，数据战略与其他任何商业战略一样，需要仔细权衡您影响到的人，以及不同利益相关方的需求。公司的数据战略决定了其如何构建产品、并在大规模上落实业务决策。因此，在使用数据时，务必记住每一个数据点都代表着一个人或一群人。毫无疑问，数据能在规模上帮助公司——但同样也可能带来伤害。
一个典型案例：几个月前有消息称，Apple Card 在信用申请上对女性存在“性别歧视”。尽管 Apple 或许并无意在申请流程中破坏公平，但最终却面临巨大公关危机与更严格的监管审查。算法并非天然可信——必须以同理心的视角进行评估。
正视您的盲点
在我们 DataFramed 播客第 50 期中，《数学破坏性武器》作者 Cathy O’Neil 表示：“数据科学不只是预测未来。它还塑造未来。”
在规模上打造产品与制定大规模数据战略的公司，不仅要列出他们认为的利益相关方，更要尽可能广泛地征询意见，因为不可避免地会有被忽视却受影响的群体，正如 Apple 的遭遇所示。
坦诚面对哪些任务将被自动化
许多人担心机器会取代他们的工作。但随着技术进步，对员工而言更大的挑战并非岗位自动化，而是任务自动化。某些工作内容的部分环节可能会被自动化替代。因此，雇主面临的挑战在于，如何在自动化背景下帮助这些员工提升与再培训，并将其转型至更高层次的工作。
想进一步了解这些主题，请按需观看 Hugo 的研讨会。
DataCamp 的数据科学家与教育者 Hugo Bowne-Anderson 博士近日举办了一场主题为商业领袖需要了解的五件数据战略要事的网络研讨会。继续阅读以获取要点摘要，或按需观看完整回放。
1. 数据科学中的 80/20 法则
80/20 法则，也称帕累托法则，指出在许多事件中，大约 80% 的结果来自 20% 的原因。例如，2018 年美国约有 80% 的税收由收入排名前 20% 的人缴纳。应用于数据科学，帕累托法则意味着用 20% 的时间完成的工作能产生 80% 的成果。因此，在为您的数据战略确定优先级时，务必要聚焦真正创造价值的工作。
聚焦能真正撬动增长的事项
商业领袖往往容易被深度学习、机器学习（ML）和 AI 等热词吸引。但首先应关注一些更基础却能带来巨大收益的领域，例如：
描述性分析为企业带来 80% 的价值
您可能会问：“我应当优先关注哪类商业分析？”帕累托法则可以帮助您判断：
2. 为什么“大数据”并不那么“大”
用小数据获得更大成果
关于大数据有很多种定义。Hugo 给出了一个实用的工作定义：
像 Google 这样的公司有效利用了大数据，也因此带来了大量热议。但 Hugo 认为，小数据同样能够产出非常好的结果，我们无需被“大数据”的热潮所裹挟。
一种理解大数据的方式是参考 Gartner 的技术成熟度曲线。如果以 Google 趋势作为预期的代理，我们已越过“期望膨胀顶峰”，正下行至“幻灭低谷”。
来源：Wikipedia
那么问题来了：小数据是否足够？Hugo 认为答案是肯定的。关键不在于数据量山积，而在于小而精准的数据。比如，丹麦天文学家第谷·布拉赫仅收集了约 2000 个数据点，就为约翰内斯·开普勒的三大行星运动定律奠定了基础，而这又启发了牛顿的万有引力理论。民调机构也能通过大约 1000 名公民的统计学代表性样本，在约 3% 的误差范围内预测结果。
比大数据更重要的：多样性
Hugo 更进一步指出：数据的多样性比规模更重要。将定性数据，或称厚数据，纳入数据集会带来更好的结果。厚数据一词借自社会学与人类学，主要偏描述性；与之相对的薄数据则以数字为主。
3. 数据工作的未来为何是“点一点、拖一拖”
用图形界面完成数据工作
如何让缺乏技术型数据专长的人也能获取商业智能，并用 ML 辅助决策？答案不是让每位员工都会写代码，而是借助将数据分析产品化的厂商或工具。Hugo 预测，未来大部分数据工作将通过图形用户界面（GUI），也就是拖拽式、点选式界面来完成。
顶尖科技公司已注意到这一趋势。近年来，商业智能工具的大额收购频登新闻。就在去年，Salesforce 收购了 Tableau；而几周前，Google 以 26 亿美元完成对 Looker 的收购，后者是一款广受欢迎的 BI 工具。
预测性分析工具也在将 ML 产品化。Google AutoML 让非数据科学家也能构建诊断与预测分析模型；Microsoft Azure 现已提供自动化 ML 工具，让建模变得像导入数据集并告知服务要预测的数值一样简单。
使用数据产品时保持自省
这类工具使非技术员工也能“有点杀伤力”地使用数据。但关键在于能否以正确方式使用数据。Hugo 对那些能帮助人们识别自身偏见结果的产品尤感兴趣。他建议体验一下Survival of the Best Fit，这是一款关于 AI 招聘偏见的教育游戏。
4. 数据战略意味着数据文化
实际用了多少数据？
我们已讨论过，相比收集成山的数据（大数据），收集关键且相关的数据（小数据）更为重要。在研讨会期间的一项投票显示，53% 的受访者仅使用了其所收集数据的一半以下。目标当然是让更多数据为您所用。这需要健全的数据战略，以及健全健康的数据文化。
如何构建数据战略
在我们 DataFramed 播客第 30 期中，当时任麦肯锡高级分析经理的 Taras Gorishnyy 指出了构建数据战略所需的关键要素：
数据流程重塑与文化变革的必要性
DataCamp 在全球范围内普及数据技能的使命，与上述第四点——帮助公司打造强大的数据流利文化——密切相关。然而，我们在 2019 年对 300 多家机构的调研发现，仅有 39% 的数据流利度成熟公司在数据方面实施了流程重塑与文化变革，而数据流利度不成熟的公司中这一比例仅为 7%。
来源：Don’t Wait: What 300+ L&D Leaders Have Learned About Building Data Fluency
提升技能而非招聘，才是通往数据流利的路径
每家公司都希望招募顶尖人才，但按照 80/20 法则，多数公司难以如愿。与需要完成的大量数据工作相比，人才供给短缺；围绕“招到独角兽”来制定数据战略并不现实。替代方案？在公司内部营造学习型环境，通过提升与再培训现有员工，建立数据文化。
5. 数据战略的核心其实是同理心
考虑您的利益相关方
Hugo 认为，数据战略与其他任何商业战略一样，需要仔细权衡您影响到的人，以及不同利益相关方的需求。公司的数据战略决定了其如何构建产品、并在大规模上落实业务决策。因此，在使用数据时，务必记住每一个数据点都代表着一个人或一群人。毫无疑问，数据能在规模上帮助公司——但同样也可能带来伤害。
一个典型案例：几个月前有消息称，Apple Card 在信用申请上对女性存在“性别歧视”。尽管 Apple 或许并无意在申请流程中破坏公平，但最终却面临巨大公关危机与更严格的监管审查。算法并非天然可信——必须以同理心的视角进行评估。
正视您的盲点
在我们 DataFramed 播客第 50 期中，《数学破坏性武器》作者 Cathy O’Neil 表示：“数据科学不只是预测未来。它还塑造未来。”
在规模上打造产品与制定大规模数据战略的公司，不仅要列出他们认为的利益相关方，更要尽可能广泛地征询意见，因为不可避免地会有被忽视却受影响的群体，正如 Apple 的遭遇所示。
坦诚面对哪些任务将被自动化
许多人担心机器会取代他们的工作。但随着技术进步，对员工而言更大的挑战并非岗位自动化，而是任务自动化。某些工作内容的部分环节可能会被自动化替代。因此，雇主面临的挑战在于，如何在自动化背景下帮助这些员工提升与再培训，并将其转型至更高层次的工作。
想进一步了解这些主题，请按需观看 Hugo 的研讨会。