如果模型没有帮助提升业务效益的话，数据科学家建立分析模型对组织来说就没有多大帮助。本文将提供一些方法帮助企业有效应用数据科学模型。 数据科学家将机器学习和人工智能算法应用于不断增长的数据中，试图梳理出可以用于商业利益的黄金信息。不过，尽管有些公司吹嘘自己的分析成就，但或许有人会关心，这些公司的数据科学实践是多么成功。 2016年12月《哈佛商业评论》的一篇题为《为什么你没有从数据科学中获得价值》的文章中，作者Kalyan Veeramachaneni分享了一个关于组织利用他们的数据科学模型和程序的故事。 Veeramachaneni说，在机器学习的小组讨论中，他首先问了150位观众是否建立了机器学习模式，大约三分之一的人举手表示肯定。然后他问到有多少人通过使用模型产生了商业价值，就没有人举手了。他的解释是，分析专家通常将大部分时间花在工作建模和调优模型上，而不是分析如何解决具体的业务问题。 回想起来，这种操作模式也很常见。如果我们把数据科学、分析、机器学习和人工智能的引用替换为任何其他新兴技术，都可能会出现类似的结果。技术人员专注于使用技术，而不是专注于如何使用技术实现业务价值。 Veeramachaneni是麻省理工学院信息和决策系统实验室的研究科学家，他为应用数据科学模型实现商业利益提供了一些建议。他们把重点放在更简单的模型上，以及扩展分析团队探索业务问题的数量，并试图从数据样本中收集有用的信息，而不是整个数据集。除此之外，他们还自动化可重复的数据处理步骤，以减少构建模型所需的时间。

如何在数据科学中得到回报

这些建议都指向了一种促进数据科学有效性的潜在策略。在这种情况下，很大一部分潜在收益来自于投入时间和精力较少的单个分析项目。以下意见可以作为应用数据科学模型的参考： 提前对分析项目进行分类。根据分析应用程序可能产生的积极影响，设计一种识别、分类和评估业务问题的方法。这将有助于找到并优先考虑从数据科学计划中获取真正商业利益的机会。 关注可度量的业务目标。对于每个选定的业务问题，为分析工作旨在帮助实现的业务改进或流程优化指定可量化的目标。比如增加收入、提高销售利润率、降低成本和加快商业周期。更具体的方法可能包括提高在线广告的效果，或者更好地细分客户进行个性化营销。 在建立数据科学模型方面是可行的。不要把所有的时间都花在创建更复杂的分析算法或者扩展预测模型上以适应大量的数据，而是要集中在更简单的模型如何能更快地应用到更多的问题上。从三个分析项目中获得合理的收益可能比从一个分析中获得完美的结果要好得多。 将分析结果应用到不同的业务部门。与预期从分析中受益的业务团队建立工作关系，然后设计出正确的方法，为每个业务团队提供分析结果，以帮助激发更明智的业务决策，从而产生预期的业务收益。如果生成的结果不可操作，那么它们实际上是没有价值的。 知道什么时候做什么事。使用可度量的度量标准作为对时间和资源的持续投资的度量标准。如果你没有得到有用的结果，那就放弃努力吧。如果你获得可操作的结果，但是没有看到业务成果将达到预期目标的方式，或者不知道业务用户如何确信实施结果，那么也要做同样的事情。 为了有效地应用数据科学技术，分析管理人员需要将数据科学家的技能与分析工具的功能结合在一起，创建一个工厂，生成数据科学模型，这些模型可以快速地投入到生产环境中，并实现业务效益。但是，必须通过适当的监督来维持对数据科学工厂的控制，并确保它不会螺旋下降到一个无生产的过程，产生几乎没有业务影响的模型。