菗煙9087982
如果这两种技能的专业人士很普遍，我们就可以看到一个实施可能性更高的项目。在过去的四年里，我花了很多时间思考使一个项目成功的最佳实践。
我发现，如果有个对症的人坐在你的办公室，他能明确定义业务问题，并且诱导你突破思维定式，你将突破管窥限制。
因此，你在数据科学/分析工作中正在取得成功时，我建议你遵循下面提到的提示。这些都是尝试和测试的总结。为了获得最大的利益，我建议你遵守。我从他们身上已经受益。现在轮到你了！
以下是优先顺序
在你开始解决问题之前请先掌握业务
我知道你是一个数据分析师，所有你关心的都是数字。但是，一个令人敬畏的业务分析师和一般数据分析师有哪些不同呢？那就是他们对业务理解的潜质。你应该在开始你的第一个项目之前试着去了解企业。下面是一些你应该需要探索的东西：
客户信息：活动客户总数，月客户流失，业务上的业务组合定义。
经营策略：我们如何获得新客户，渠道有哪些？我们如何留住有价值的客户？
产品信息：你的客户如何被你的产品吸引？你如何通过你的产品赚钱？你的产品是直接盈利者还是媒介工具？
如果你能回答这些问题，你对开始你的第一个项目已入门。
想想你是正在解决一个潜在问题，还是只是一个结果
我观察到，分析师瞄准的甚至不是问题的主要目标。例如，让我们想象一下，我们发现，一个客户在拨打客户服务电话，谈话更多的是他在放弃服务。
现在，如果我们开始解决降低客户服务的呼叫数量的方法，我们可能不会降低流失率。相反，在你没有过失的情况下，我已经看到你客户较高的不满。这可能是一个简单的致命伤，你会拒绝进入这种简单的陷阱。但是，现实生活中的问题几乎难以发现。我想说，解决一个明确的问题要比找到解决问题的正确方法要容易的多。
花费更多的时间在找到正确的评估指标和完成工作需要的必备条件
这个可能是对分析师来说是非常容易解决的一个难题，但也是最容易导致失败的一个陷阱。让我用几个简单例子来做解释。
假设，你将要建一个营销活动的目标模型，你将选择哪个指标来评估你的模型：
KS正态分布统计
等分提升指数
AUC-ROC曲线
Log-Likelihood 对数似然数
在这种模型中，我常会选择KS正态分布曲线。等分提升指数只能给你在某个特定等分的评估，因此，它可能不会帮助我们找到巨大的目标人群和突破点。AUC-ROC曲线可以对整体人群评估，不适合在这个模型中。对数似然数可能是最大的最不适合这个模型，因为所有的事情是顺序排名而不是实际概率。
使用发散-收敛的思维过程，以避免过早收敛
我已经看到这在许多行业是最大的问题。当今的商界领袖在他们所做的一切中寻求创新。
要真正的创新，您可以遵从发散-收敛的系统方法。在某种程度上，你需要对将要到来的进行发散思维，通过这种方法你得到更多的经验。我们的意思是想所有的可能方式，在可行性、时间发展、传统方式等各个方面破解难题。但是，你确信你已经发散到足够大了，你需要立即应用所有的约束条件来缩小方法。
打破行业壁垒想到替代解决方案
分析正在使用在每一个可能的行业中。但是，为什么我们不能超越传统的方法，在其他行业寻找解决方案？
例如，一个应用于电子商务行业的推荐视频解决方案可以像Analytics Vidhya公司在博客门户使用一样好。唯一的方法就是与其他行业的人进行互动，通过分析来学习他们奋斗的成果。
与业务伙伴共同前行
从你的分析事业的第一天起，你应该与业务伙伴进行互动。我常常会看到一件一般会出错的事，分析师和业务伙伴就解决方案交流很不频繁，业务合作伙伴想远离技术细节从业务角度进行分析，这确实对项目不利。在模型实施和模型建模中保持持续的互动是非常重要的。
思考最简单的让你的想法落地的方案
我知道你是一个数据分析师，喜欢用复杂的想法让业务人士迷惑。和业务人士使用如此复杂的讨论可以帮助你快速结束眼前的谈话，但会降低成功实施的可能性
以下是你需要做的：一旦你输出一个指标，尽量找出一个简单的方式，可以让企业更容易理解。让我给你这个方法的一个例子。我们试图找出那些一旦有机会，就可以做的非常好的代理商，我们想出不同层次的人群和他们预期的表现。然而，我们不得不选择一个可以区分人群组合的方式。我们所做的很简单：我们实施了差别收费策略，以改变申请人的组合和我们群体的组合。
当做一个业务组件的时候，确保你把它放到它们的语言场景中
目标指标永远不是你分析的最终产品。它只是一个业务组件！因此，你需要在使你的想法更清晰和更有效而投入大量的精力。尝试学习能与你的听众更好连接在一起的术语，思考你的商业伙伴想寻找什么，假象你是他们的鞋子。
给企业领导做讲演的时候学会使用业务语言
我最近开始为我的一个项目学习中文。整个项目都非常简单，但我发现，即使有一个强大的模型，在销售它的时候我犯了个错误。原因是我对他们内部讨论的理解一篇空白。使用你的听众的语言是非常重要的。我看到非常简单的模型被赞赏和最聪明的模型被拒绝。唯一的区别是分析师在介绍他们的模型时使用的业务语言。
积极跟进落实计划
最后来的但不是最不重要的，一旦每个人都相信你的模型的有效性，会发生什么。你的工作还没有完成。建立每月项目跟进计划，了解项目如何实施，是否在正常的进行。
积极参与数据类的比赛
随着时间的发展，你会意识到一件事情：分析行业的变化非常快。然而，如果你是喜欢待在自己舒适区的一个人，你很快就会发现你的技能都过时了。我发现一个非常有用的方法就是参与数据类的科学竞赛，并与同行竞争/学习。 Kaggle 和Analytics Vidhya就是一些非常好的比赛。
通过博客和书本学习关于分析方面的最新工具和技术
《Programming Collective Intelligence》集体智慧编程
《Machine Learning for Hackers》黑客机器学习
《The Elements of Statistical Learning: Data Mining, Inference, and Prediction》统计学习的要素：数据挖掘、推理和预测
《Learning from Data》从数据中学习
《Pattern Recognition and Machine Learning》模式识别与机器学习
学习最新的工具，以了解什么是可能的，什么不是
走出你在SAS、R、 编程的安乐窝，试着学习最新的技术来掌握大数据，Spark和java将是我对入手的建议。
原文标题：13 Tips to make you awesome in Data Science / Analytics Jobs
