數(shù)據(jù)科學(xué)能力是否能夠靠培訓(xùn)課程培養(yǎng)？這一話題正在近期被火熱討論。

資深數(shù)據(jù)從業(yè)者、Taxify(一家歐洲打車軟件公司)數(shù)據(jù)科學(xué)家Maksim Butsenko就這一問(wèn)題采訪了數(shù)百人，并得到一個(gè)結(jié)論，即使是那些具有強(qiáng)大技術(shù)背景的人，也往往缺乏一些基本技能。

在本文中，我們將討論，那些你在機(jī)器學(xué)習(xí)課程中學(xué)不到的東西。

定義數(shù)據(jù)科學(xué)家的角色

科技行業(yè)已經(jīng)或多或少懂得如何讓工程師和業(yè)務(wù)人員一起工作。我們有多種產(chǎn)品開(kāi)發(fā)方法可供選擇——你的團(tuán)隊(duì)自行設(shè)置Scrum（敏捷軟件開(kāi)發(fā)的框架），Kanban（看板管理）或XP（極限編程）工作流程。

人們知道如何將這些方法融入組織中，你也可以找到許多關(guān)于如何高效應(yīng)用這些方法的建議。然而，大多數(shù)人沒(méi)能理解數(shù)據(jù)科學(xué)家應(yīng)如何融入這一場(chǎng)景。他們算是那一部分-技術(shù)人員還是業(yè)務(wù)人員？你是放手讓他們發(fā)現(xiàn)未知的見(jiàn)解？還是要求他們回答一個(gè)非常具體的問(wèn)題或者改善你業(yè)務(wù)中的一個(gè)具體領(lǐng)域？

Asko Seeba非常清楚地解釋了企業(yè)如何看待數(shù)據(jù)科學(xué)項(xiàng)目的過(guò)程，并認(rèn)為它主要就是一個(gè)研究項(xiàng)目?？紤]到即使是業(yè)內(nèi)人士仍然試圖理解如何以最高效的方式利用數(shù)據(jù)科學(xué)家的專業(yè)知識(shí)，那么新加入者怎么知道他們應(yīng)該關(guān)注哪些技能？

建立團(tuán)隊(duì)

一年前，我們開(kāi)始在Taxify建立一個(gè)頂級(jí)數(shù)據(jù)科學(xué)團(tuán)隊(duì)。考慮到我們的快速增長(zhǎng)（去年Taxify乘客數(shù)量增長(zhǎng)了十倍，我們?yōu)槿虺^(guò)1500萬(wàn)名乘客和500,000名駕駛員提供服務(wù)）以及運(yùn)輸領(lǐng)域數(shù)據(jù)相關(guān)的挑戰(zhàn)數(shù)量，只雇用少數(shù)優(yōu)秀的數(shù)據(jù)科學(xué)家是不夠的。我們正在考慮在明年為我們的團(tuán)隊(duì)增加幾十位數(shù)據(jù)科學(xué)家。

但我們究竟要找誰(shuí)？數(shù)據(jù)科學(xué)中嚴(yán)格意義上的學(xué)位課程剛剛興起，行業(yè)本身尚未完全確定如何定義數(shù)據(jù)科學(xué)家的完美簡(jiǎn)歷。

事實(shí)上，數(shù)據(jù)科學(xué)家?guī)炷壳坝删哂胁煌尘暗膫€(gè)人組成。我們的團(tuán)隊(duì)中有人擁有計(jì)算機(jī)科學(xué)和人工智能的背景，但也有來(lái)自信號(hào)處理，計(jì)量經(jīng)濟(jì)學(xué)，化學(xué)，復(fù)雜系統(tǒng)，社會(huì)學(xué)等領(lǐng)域的人。

我們的共同點(diǎn)是通常對(duì)科學(xué)方法和實(shí)驗(yàn)設(shè)計(jì)的良好理解。獲得技術(shù)技能要簡(jiǎn)單得多。但是，由于我們來(lái)自各個(gè)領(lǐng)域，因此我們對(duì)提供基于數(shù)據(jù)的產(chǎn)品的流程的理解可能會(huì)有所不同。需要花費(fèi)一些精力來(lái)整合所有這些經(jīng)驗(yàn)并提供強(qiáng)大的團(tuán)隊(duì)成果，這就是我們?nèi)绾翁幚磉@個(gè)問(wèn)題的辦法。

數(shù)據(jù)科學(xué)卓越計(jì)劃

我們啟動(dòng)了一項(xiàng)內(nèi)部計(jì)劃，旨在為團(tuán)隊(duì)發(fā)布專注于直接產(chǎn)品影響的自動(dòng)預(yù)測(cè)鋪平道路。我們稱之為“數(shù)據(jù)科學(xué)卓越計(jì)劃”，它的目的是收集我們已經(jīng)建立的團(tuán)隊(duì)和我們正在努力實(shí)現(xiàn)的最佳實(shí)踐并應(yīng)用之。

它有助于新團(tuán)隊(duì)成員簡(jiǎn)化模型開(kāi)發(fā)過(guò)程并避免常見(jiàn)陷阱，這樣我們就可以更快地前進(jìn)。在我們能夠產(chǎn)生有價(jià)值的東西之前，不必檢查本指南中的每一條，但是大多數(shù)要點(diǎn)都是為了確保結(jié)果的質(zhì)量，并避免代價(jià)高昂的錯(cuò)誤。

我在這里談?wù)撐覀兊臄?shù)據(jù)科學(xué)卓越指南的原因是：它給出了對(duì)發(fā)布數(shù)據(jù)產(chǎn)品的要領(lǐng)的深刻理解。雖然大部分內(nèi)容對(duì)于經(jīng)驗(yàn)豐富的數(shù)據(jù)科學(xué)家來(lái)說(shuō)都是不言而喻的，但你無(wú)法從機(jī)器學(xué)習(xí)（ML）課程或書(shū)籍中了解它，因此這對(duì)于任何剛畢業(yè)或從其他領(lǐng)域轉(zhuǎn)移到數(shù)據(jù)科學(xué)的人都很有用。

通過(guò)進(jìn)行面試和審查測(cè)試任務(wù)，我們經(jīng)?？吹皆S多具有很強(qiáng)的技術(shù)技能和對(duì)ML充分了解的初學(xué)者沒(méi)能提出正確的問(wèn)題或者也不知道如何在現(xiàn)場(chǎng)測(cè)試他們的模型。這時(shí)候我們的數(shù)據(jù)科學(xué)卓越指南就可以為他們提供幫助。

問(wèn)題陳述

首先定義你要解決的問(wèn)題。

如果可能的話用數(shù)學(xué)符號(hào)描述它（不需要太嚴(yán)格，但有助于確保定義是正確的）。通過(guò)定義問(wèn)題，我們可以開(kāi)始概述解決方案的可能方法。這是一個(gè)迭代過(guò)程，回到問(wèn)題陳述并驗(yàn)證——我們問(wèn)了自己正確的問(wèn)題嗎？我們可以對(duì)市場(chǎng)上已有且可重用的解決方案進(jìn)行文獻(xiàn)探討和研究，重點(diǎn)在于它們對(duì)我們的問(wèn)題的作用。

目標(biāo)和指標(biāo)

根據(jù)項(xiàng)目的目標(biāo)，提出可以標(biāo)示目標(biāo)達(dá)到的指標(biāo)。

在開(kāi)始研究原型之前，先問(wèn)問(wèn)自己：

你的模型對(duì)于產(chǎn)品和其使用人員有多少實(shí)際價(jià)值？

有什么影響？它會(huì)影響10％的用戶群還是40％？

你如何計(jì)劃在產(chǎn)品級(jí)別上衡量模型的效率？

收集和衡量你可以想到的所有KPI和指標(biāo)是一種很好的做法。主要目標(biāo)的積極影響可能會(huì)對(duì)其他領(lǐng)域產(chǎn)生負(fù)面影響。

時(shí)間規(guī)劃

探索數(shù)據(jù)，嘗試不同的特征工程和構(gòu)建模型的方法是一項(xiàng)持久戰(zhàn)?；ㄙM(fèi)大量時(shí)間在這上面也可能會(huì)讓你在Kaggle比賽中獲得巨大的勝利。然而，在快速發(fā)展的公司中仍有許多與數(shù)據(jù)相關(guān)的挑戰(zhàn)等待解決。

例如，預(yù)測(cè)駕駛員到達(dá)乘客打車地點(diǎn)的時(shí)間（預(yù)計(jì)到達(dá)時(shí)間- ETA）是我們服務(wù)的關(guān)鍵要素。我們發(fā)布了成功的預(yù)測(cè)模型，與現(xiàn)有解決方案相比，平均絕對(duì)預(yù)測(cè)誤差得到了顯著改善，在這之后我們還得問(wèn)自己繼續(xù)努力將誤差進(jìn)一步減少或者多次迭代是否還值得。我們知道這將需要大量的工作，并且無(wú)法預(yù)先估計(jì)可能的改進(jìn)量。

考慮到這一點(diǎn)，無(wú)論是在進(jìn)行探索性分析還是優(yōu)化現(xiàn)有模型方面，我們都致力于為我們的工作限定時(shí)間。我們?yōu)樘囟ㄈ蝿?wù)設(shè)置了有限的時(shí)間，并嘗試在此時(shí)間段內(nèi)提供結(jié)果，即使這意味著放棄最可用的模型或省略一些有趣的功能設(shè)計(jì)創(chuàng)意。時(shí)間限定在構(gòu)思階段也很有用，例如，為了評(píng)估可能的工作區(qū)域，我們每天對(duì)一個(gè)想法以快速雙人編程馬拉松的模式來(lái)弄明白其可能的結(jié)果，我們能夠多快生成可部署的模型以及它對(duì)項(xiàng)目最初基線的改善程度。

工具

只有當(dāng)數(shù)據(jù)科學(xué)家獨(dú)自工作時(shí)才不需要考慮代碼的可重用性。你可以以最快最喜歡的方式得到想要的結(jié)果。但團(tuán)隊(duì)合作需要考慮到如何使整個(gè)團(tuán)隊(duì)前進(jìn)的更快一點(diǎn)，即便這意味著增加了個(gè)人的工作量。

例如，將包含地理信息的熱圖進(jìn)行比較的方法可能在他人的分析中也用得上，那么花一些時(shí)間對(duì)函數(shù)進(jìn)行整理概括并將其作為內(nèi)部數(shù)據(jù)堆棧庫(kù)的一部分就是有意義的，這有助于提升團(tuán)隊(duì)整體的速度。并且以可讀且易于重用的方式所構(gòu)建的代碼或使用手冊(cè)將有益于所有人。

總的來(lái)說(shuō)，我們的目標(biāo)是為數(shù)據(jù)科學(xué)家和工程師提供最好的工具。構(gòu)建必需的核心部分，其他的能買則買。

代碼檢查

代碼檢查是軟件開(kāi)發(fā)標(biāo)準(zhǔn)流程的基礎(chǔ)環(huán)節(jié)。但對(duì)于許多數(shù)據(jù)科學(xué)家來(lái)說(shuō)就不那么受用了，部分原因在于他們中的許多人并沒(méi)有計(jì)算機(jī)科學(xué)的相關(guān)學(xué)位，并且不太理解軟件的最佳規(guī)范。這就是為什么檢查機(jī)器學(xué)習(xí)代碼如此重要，尤其是將要轉(zhuǎn)化為產(chǎn)品的代碼。同時(shí)需要注意的是，檢查為建立模型而做出的假設(shè)也是不可或缺的一個(gè)環(huán)節(jié)。

例如，在與我們的領(lǐng)域相關(guān)的任務(wù)中，你可能想要討論諸如“如何定義客戶需求？”、“為什么缺失的乘車價(jià)格字段被平均價(jià)格代替？”等問(wèn)題。這意味著軟件開(kāi)發(fā)人員沒(méi)有充分了解數(shù)據(jù)科學(xué)的過(guò)程，就無(wú)法評(píng)估代碼的整體功能，也不會(huì)留意到（數(shù)據(jù)模型相關(guān)的）假設(shè)的錯(cuò)誤。

因此，需要將代碼檢查分為兩個(gè)階段（軟件/模型）或者啟用同時(shí)具備兩個(gè)領(lǐng)域相關(guān)知識(shí)的人才。代碼審查也是提升團(tuán)隊(duì)內(nèi)部知識(shí)共享的一種有效方法，特別是當(dāng)團(tuán)隊(duì)成員分散在各自的項(xiàng)目上時(shí)。

AB檢驗(yàn)

當(dāng)模型準(zhǔn)備好了，并且誤差在合理范圍內(nèi)，經(jīng)過(guò)代碼審查并準(zhǔn)備就緒，你希望它能夠?qū)I(yè)務(wù)產(chǎn)生積極影響。那么你怎樣實(shí)際驗(yàn)證模型是否具有預(yù)期的作用呢？實(shí)際上的數(shù)據(jù)的模糊性和不確定性，成為我們工作中的難點(diǎn)之一。我們是全世界發(fā)展最快的行業(yè)，同時(shí)也擁有最復(fù)雜的市場(chǎng)和眾多競(jìng)爭(zhēng)對(duì)手。我們獲得的數(shù)據(jù)不僅取決于自身，還受到城市社會(huì)活動(dòng)和競(jìng)爭(zhēng)對(duì)手的促銷等因素的影響。

考慮到這一點(diǎn)，AB檢驗(yàn)則是可以可靠地（如果使用得當(dāng)）測(cè)量特征影響的工具。在這里，AB檢驗(yàn)意為實(shí)驗(yàn)設(shè)置隨機(jī)分配到對(duì)照組和實(shí)驗(yàn)組。然而，有些實(shí)驗(yàn)立刻會(huì)對(duì)整個(gè)城市產(chǎn)生影響，（例如改進(jìn)調(diào)度算法），此時(shí)AB檢驗(yàn)便不能有效進(jìn)行。對(duì)于這類情況，我們的模擬引擎能夠很好地掌控。同時(shí)運(yùn)行多個(gè)實(shí)驗(yàn)則是另一個(gè)要考慮的復(fù)雜因素。

解決方案是構(gòu)建一個(gè)復(fù)雜的AB檢驗(yàn)引擎來(lái)跟蹤所有實(shí)驗(yàn)，處理實(shí)驗(yàn)和對(duì)照組中的隨機(jī)分配，收集觀察統(tǒng)計(jì)數(shù)據(jù)，并計(jì)算出相應(yīng)的p值。然而，即使是最復(fù)雜的引擎也無(wú)法解決在實(shí)際測(cè)試設(shè)置中產(chǎn)生的誤差。因此，必須在公司內(nèi)部共享最佳規(guī)范。

可見(jiàn)度和團(tuán)隊(duì)溝通

團(tuán)隊(duì)越壯大，越要保證所有事情都得到溝通，各方的意見(jiàn)都要照顧到，所有的成員都知道別人在做什么。

基于各種原因，溝通可見(jiàn)性十分重要：

每個(gè)人都應(yīng)該清楚團(tuán)隊(duì)里的其他人在做什么，并且知道該找誰(shuí)尋求建議或合作

多人做同一個(gè)任務(wù)時(shí)要減少“重復(fù)工作”的可能性

共享你知道的信息（對(duì)于非技術(shù)領(lǐng)域相關(guān)的模型尤為重要，運(yùn)營(yíng)團(tuán)隊(duì)可能會(huì)有更多專業(yè)知識(shí)）

雖然聽(tīng)起來(lái)有些反直覺(jué)，但溝通的可見(jiàn)性減少了對(duì)相同事件的重復(fù)解釋及溝通誤解。

持續(xù)的跟蹤和多渠道分享進(jìn)度也是非常重要的，因此我們明確定義了分享工作成果的一些好方法：

Slack：項(xiàng)目狀態(tài)在相應(yīng)渠道的定期更新。

每周和每月例會(huì)：與團(tuán)隊(duì)和干系人討論并確定工作優(yōu)先級(jí)。時(shí)時(shí)刻刻地進(jìn)行優(yōu)先級(jí)再評(píng)估，因?yàn)槊恐芤淮翁恕?/p>

研究筆記：數(shù)據(jù)科學(xué)家跟蹤項(xiàng)目狀態(tài)主要是為了自己，比如重大發(fā)現(xiàn)和計(jì)劃。 研究筆記是收集主要發(fā)現(xiàn)的好方法，以便日后通過(guò)其他途徑，幻燈片或會(huì)議來(lái)分享。

當(dāng)談到團(tuán)隊(duì)的溝通時(shí)，少絕對(duì)不比多好。 過(guò)度分享通常不是一個(gè)大問(wèn)題，但是分享不足會(huì)嚴(yán)重阻礙團(tuán)隊(duì)的進(jìn)步。

講故事的能力

講故事的能力對(duì)于在團(tuán)隊(duì)中工作的數(shù)據(jù)科學(xué)家來(lái)說(shuō)，和掌握過(guò)度擬合，或者知道應(yīng)該選擇卡方檢驗(yàn)還是t檢驗(yàn)一樣重要。這包含了向負(fù)責(zé)人表達(dá)和展示成果的能力。你不應(yīng)該花五分鐘來(lái)解釋圖表上的內(nèi)容及其重要性。

你想說(shuō)的大部分內(nèi)容應(yīng)該很直白地展現(xiàn)在圖表里，并通過(guò)選擇圖形，顏色，圖例，軸標(biāo)簽來(lái)傳達(dá)信息。

總結(jié)

一個(gè)影響深遠(yuǎn)的數(shù)據(jù)科學(xué)項(xiàng)目遠(yuǎn)遠(yuǎn)不止一個(gè)工作模型那么簡(jiǎn)單。特別是當(dāng)我們要構(gòu)建一個(gè)影響全球幾百萬(wàn)人日常生活的的產(chǎn)品時(shí)，需要一支具備各行業(yè)專業(yè)知識(shí)的團(tuán)隊(duì)。

在Taxify，我們通過(guò)創(chuàng)建數(shù)據(jù)科學(xué)卓越計(jì)劃，使這一過(guò)程更加透明，統(tǒng)一和高效-它有助于我們圍繞最佳規(guī)范開(kāi)展工作。同時(shí)，與新加入的數(shù)據(jù)科學(xué)團(tuán)隊(duì)成員分享最佳規(guī)范對(duì)公司和新人都是有益的。 最后，我們希望這些規(guī)范能夠幫助任何人開(kāi)始他們的數(shù)據(jù)科學(xué)之旅。

關(guān)于作者

Maksim Butsenko是Taxify的數(shù)據(jù)科學(xué)家。 他的主要職責(zé)包括構(gòu)建數(shù)據(jù)和機(jī)器學(xué)習(xí)產(chǎn)品，以確保公司的可持續(xù)發(fā)展，并且?guī)椭占屯茝V團(tuán)隊(duì)和公司內(nèi)部的最佳數(shù)據(jù)科學(xué)規(guī)范。Maksim是從學(xué)術(shù)界轉(zhuǎn)行過(guò)來(lái)的，他有統(tǒng)計(jì)信號(hào)處理的研究背景。