数据分析师赋予所有人自信的决策权
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2020-11-16
将有80％的AI项目保持炼金术，由无法在组织中扩展人才的巫师管理
为了弥补数据科学家的短缺并增强对机器学习的作用和收益的信任，公司越来越多地寻求提高员工技能并将分析和数据科学带入其员工队伍的方法，这些公司应该做什么？这里有五个焦点，可以帮助加速数据科学的民主化和成功。
1.理解好的数据胜于更多的数据
如果输入数据的质量很差，那么即使的预测模型也无法获得可靠的结果。不良的结果充其量会导致挫败感，并在坏的情况下会导致对该技术的完全拒绝，作为黄金法则，质量优先于数量优先，好的数据胜于更多的数据，要知道您的数据是否可靠-完整，准确和一致-您需要了解数据在何处以及如何组合在一起。
2.为必要的文化转变做准备
数据素养显然是数字时代的一项基本技能，从董事会会议室到车间，对于组织中的每个人都是如此，提高员工的技能，以便员工可以使用，理解，分析，尤其是问题数据，还需要整个企业的文化转变，工人可能会害怕改变，甚至不愿改变，可能需要让员工放心，工作场所的变更不是取代工作的人工智能（AI）问题，而是支持他们目前的工作，员工可能会担心必须使用新技术，并感到自己不具备应对新挑战的资格，了解AI对特定角色的好处并为变革做好准备至关重要，一旦好处显而易见，并且随之而来的变化变得更加明显，您的企业就需要开放的沟通渠道来获取反馈，以庆祝成功并应对所有挑战。
3.通过（无意地）做事来学习
尽管培训课程在提高技能方面起着重要作用，并且按需在线研讨会，精选博客和视频播放列表等指导性自助服务选项提供了灵活性，但终对新技术的信心来自于手经验，就像没有人需要成为一名电气工程师来使用电力一样，也没有人需要成为一名数据科学家来体验AI的好处，目标不应该是将公司的营销专家或会计师转变为数据科学家，而应使用直观，易于使用的技术来扩大其角色，该技术应该感觉像是完成任务的自然（受欢迎）工具，而不是要掌握的其他任务。
通过增强的分析使整个组织的用户接触AI，将有助于推动接受数据科学所需的文化变革，智能技术可以主动指出企业数据的含义，引起人们对任何异常模式的关注，并有助于减少员工对数据解释的偏见。自然语言处理使用户可以通过类似搜索引擎的体验找到答案。
这些技术提供了即时满足感-一种新的见解，无需用户付出任何努力。它可能只是由机器生成的小型警报，提示他们还需要了解有关他们正在查看的预测或报告的更多信息，但是一旦用户体验了该预测或报告，便会发现其预测是正确的，并从其见解中受益，对技术的信心自然会增强。结果是人们对观看和执行更多操作充满了好奇心。
4.从小处着手并逐步扩大规模
正如表面上的次要功能可以激发对AI驱动的（和启用AI的）见解的更多兴趣一样，相对较小但成功的项目也可以成为要在整个企业范围内扩展的灯塔项目，关键是从小处着手，以具体的用例和对要实现的目标的清晰概述，对于此类初始项目，在团队中拥有合适的员工至关重要，具有科学心态来识别问题和检验假设的人比深刻理解算法的人更有价值，在企业中找到好奇，有上进心并且对不确定性感到满意的用户：愿意经常尝试失败的分析人员，这些特征以及对您业务的良好基础知识将帮助您成功，您的数据拥护者将在您的组织中充当变革推动者，帮助他们为同事破译数据科学的奥秘，并为类似项目提供内部参考。
5.在自动化和可解释性之间取得适当的平衡
数据科学技术既费时又复杂，整个过程的完全自动化将导致黑匣子结果和缺乏信任，而对过程中所有步骤的完全控制只能由数据科学专家来实现，根据您的用例，购买经过预先训练的AI模型可能会满足您的需求，但是要在整个组织中扩展数据科学，您选择的解决方案需要使复杂的流程自动化，同时通知用户正在发生的事情。
正确的解决方案将指导用户完成数据科学过程，提供有关准确性，可靠性以及模型创建过程中考虑哪些因素的透明性，此外不熟悉数据科学的用户需要了解过程中的步骤为何会失败以及如何纠正它们，例如可能需要添加更多数据，或者可能没有检测到明显的模式，提供说明性更正的解决方案将帮助用户消除障碍，并激发他们重试，随着时间的流逝，用户将固有地采用这些做法。
为了弥补数据科学家的短缺并增强对机器学习的作用和收益的信任，公司越来越多地寻求提高员工技能并将分析和数据科学带入其员工队伍的方法，这些公司应该做什么？这里有五个焦点，可以帮助加速数据科学的民主化和成功。
1.理解好的数据胜于更多的数据
如果输入数据的质量很差，那么即使的预测模型也无法获得可靠的结果。不良的结果充其量会导致挫败感，并在坏的情况下会导致对该技术的完全拒绝，作为黄金法则，质量优先于数量优先，好的数据胜于更多的数据，要知道您的数据是否可靠-完整，准确和一致-您需要了解数据在何处以及如何组合在一起。
2.为必要的文化转变做准备
数据素养显然是数字时代的一项基本技能，从董事会会议室到车间，对于组织中的每个人都是如此，提高员工的技能，以便员工可以使用，理解，分析，尤其是问题数据，还需要整个企业的文化转变，工人可能会害怕改变，甚至不愿改变，可能需要让员工放心，工作场所的变更不是取代工作的人工智能（AI）问题，而是支持他们目前的工作，员工可能会担心必须使用新技术，并感到自己不具备应对新挑战的资格，了解AI对特定角色的好处并为变革做好准备至关重要，一旦好处显而易见，并且随之而来的变化变得更加明显，您的企业就需要开放的沟通渠道来获取反馈，以庆祝成功并应对所有挑战。
3.通过（无意地）做事来学习
尽管培训课程在提高技能方面起着重要作用，并且按需在线研讨会，精选博客和视频播放列表等指导性自助服务选项提供了灵活性，但终对新技术的信心来自于手经验，就像没有人需要成为一名电气工程师来使用电力一样，也没有人需要成为一名数据科学家来体验AI的好处，目标不应该是将公司的营销专家或会计师转变为数据科学家，而应使用直观，易于使用的技术来扩大其角色，该技术应该感觉像是完成任务的自然（受欢迎）工具，而不是要掌握的其他任务。
通过增强的分析使整个组织的用户接触AI，将有助于推动接受数据科学所需的文化变革，智能技术可以主动指出企业数据的含义，引起人们对任何异常模式的关注，并有助于减少员工对数据解释的偏见。自然语言处理使用户可以通过类似搜索引擎的体验找到答案。
这些技术提供了即时满足感-一种新的见解，无需用户付出任何努力。它可能只是由机器生成的小型警报，提示他们还需要了解有关他们正在查看的预测或报告的更多信息，但是一旦用户体验了该预测或报告，便会发现其预测是正确的，并从其见解中受益，对技术的信心自然会增强。结果是人们对观看和执行更多操作充满了好奇心。
4.从小处着手并逐步扩大规模
正如表面上的次要功能可以激发对AI驱动的（和启用AI的）见解的更多兴趣一样，相对较小但成功的项目也可以成为要在整个企业范围内扩展的灯塔项目，关键是从小处着手，以具体的用例和对要实现的目标的清晰概述，对于此类初始项目，在团队中拥有合适的员工至关重要，具有科学心态来识别问题和检验假设的人比深刻理解算法的人更有价值，在企业中找到好奇，有上进心并且对不确定性感到满意的用户：愿意经常尝试失败的分析人员，这些特征以及对您业务的良好基础知识将帮助您成功，您的数据拥护者将在您的组织中充当变革推动者，帮助他们为同事破译数据科学的奥秘，并为类似项目提供内部参考。
5.在自动化和可解释性之间取得适当的平衡
数据科学技术既费时又复杂，整个过程的完全自动化将导致黑匣子结果和缺乏信任，而对过程中所有步骤的完全控制只能由数据科学专家来实现，根据您的用例，购买经过预先训练的AI模型可能会满足您的需求，但是要在整个组织中扩展数据科学，您选择的解决方案需要使复杂的流程自动化，同时通知用户正在发生的事情。
正确的解决方案将指导用户完成数据科学过程，提供有关准确性，可靠性以及模型创建过程中考虑哪些因素的透明性，此外不熟悉数据科学的用户需要了解过程中的步骤为何会失败以及如何纠正它们，例如可能需要添加更多数据，或者可能没有检测到明显的模式，提供说明性更正的解决方案将帮助用户消除障碍，并激发他们重试，随着时间的流逝，用户将固有地采用这些做法。
尽管数据科学是基于数学的，但从来没有一个正确的答案，有许多方法可以解决业务问题，数据科学可提供其他见解，以帮助业务用户充满信心地做出决策，关键是要找到合适的解决方案，使每个人（无论他们以前使用这种工具的经验如何）都能通过实验学习并不断改进，公司需要投资以在机器学习模型和业务用户之间建立一种信任文化，终，信心将是不断提供业务认为有价值的信息的副产品。
商业联合会数据分析专业委员会
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
