读商战数据挖掘：你需要了解的数据科学与分析思维11经营战略
<p><img alt="读商战数据挖掘：你需要了解的数据科学与分析思维11经营战略" loading="lazy" src="https://img2024.cnblogs.com/blog/3076680/202506/3076680-20250627102416724-490616190.png" class="lazyload"></p><h1 id="1经营战略">1. 经营战略</h1>
<p>1.1. 仅仅拥有数据，并不能保证数据驱动决策的成功</p>
<p>1.2. 企业管理层必须具有数据分析思维</p>
<ul>
<li>
<p>1.2.1. 并不意味着管理层必须是数据科学家，但要求他们必须充分理解基本原则，从而预见和/或领会数据科学所带来的机遇，为数据科学团队提供合适的资源，并乐于在数据和实验方面投入</p>
</li>
<li>
<p>1.2.2. 除非企业管理层中有一位经验丰富且注重实干的数据科学家，否则管理层必须仔细地引导数据科学团队，才能保证团队不会偏离通往有效的最终商业解决方案的路线</p>
</li>
<li>
<p>1.2.3. 管理者还应具备向数据科学家提出探索性问题的能力，因为后者往往会困在技术性细节中</p>
</li>
</ul>
<p>1.3. 企业管理层必须创造出一种有利于数据科学和数据科学家健康发展的文化</p>
<ul>
<li>1.3.1. 为获取竞争优势，我们的竞争者要么不能拥有某种资产，要么没有从该资产中获取同样价值的能力</li>
</ul>
<p>1.4. 确保自己取得成功的最佳方法是通过许多例子来学习数据科学在商业问题中的应用</p>
<h1 id="2数据分析式思维">2. 数据分析式思维</h1>
<p>2.1. 不能指望管理者一定有很深的数据科学专业知识一样zzzz</p>
<p>2.2. 不能指望数据科学家一定具备很深的商业解决方案专业知识</p>
<p>2.3. 一个高效的数据科学团队一定是双方的合作的产物，而且任意一方都必须对对方领域的基本内容有所了解</p>
<p>2.4. 管理一个完全不懂基本商业概念的数据科学团队纯属徒劳，同样，数据科学家在完全不懂数据科学基本原则的管理层手下干活也会非常痛苦，甚至毫无成效</p>
<p>2.5. 数据科学家经常遇到一些仅能（有时很模糊地）看到预测建模的潜在效益，却不能意识到要对合适的训练数据或评估程序进行投资的管理人员</p>
<p>2.6. 驱动力既来自于经验丰富且能着眼于商业问题的数据科学家，也来自于精通数据科学的管理者和企业家</p>
<ul>
<li>2.6.1. 他们在学术界和商业界的文献中看到了数据科学发展所带来的机会</li>
</ul>
<h1 id="3用数据科学取得竞争优势">3. 用数据科学取得竞争优势</h1>
<p>3.1. 企业越来越多地开始考虑是否能从数据和/或数据科学能力中取得竞争优势</p>
<ul>
<li>3.1.1. 一种重要的战略思维，不能浅尝辄止</li>
</ul>
<p>3.2. 数据和数据科学能力是（互补的）战略资产</p>
<p>3.3. 竞争优势的先决条件是，资产必须在我们的战略条件下有价值</p>
<ul>
<li>3.3.1. 竞争优势的先决条件是，资产必须在我们的战略条件下有价值</li>
</ul>
<p>3.4. 与某善用数据的竞争对手平起平坐时，也对称地适用</p>
<h1 id="4用数据科学保持竞争优势">4. 用数据科学保持竞争优势</h1>
<p>4.1. 如果对手能轻而易举地复制我们的资产和能力，那么我们的优势将很快消失</p>
<p>4.2. 如果竞争对手有比我们更丰富的资源，那么他们只要采取我们的战略，就能很快超过我们</p>
<p>4.3. 一个基于数据科学的竞争战略是，在竞争中始终领先一步，持续地投资新的数据资产、开发新技术和能力</p>
<p>4.4. 必须笃定自己手下的数据科学团队是最优秀的，因为数据科学家的效率也存在较大差异，最好的会比一般水平的更有天赋</p>
<p>4.5. 如果你的团队很优秀，你就会愿意相信自己处于领先地位</p>
<p>4.6. 在竞争中领先的方式，是通过使竞争者无法复制己方的数据资产或数据科学能力（或复制成本高昂）而保持竞争优势</p>
<p>4.7. 令人敬畏的历史优势</p>
<ul>
<li>
<p>4.7.1. 历史环境可能会使我们的公司处于优势地位，而且竞争者取得同样地位的成本会非常昂贵</p>
</li>
<li>
<p>4.7.2. 数据产品本身就可以提高竞争者复制数据资产的成本</p>
</li>
<li>
<p>4.7.3. 当数据采集直接与数据产生的价值挂钩时，其所产生的良性循环就会让竞争者进入一个进退维谷的局面：他们既需要客户来获取必要的数据，又需要数据来提供等价服务，吸引客户</p>
</li>
</ul>
<p>4.8. 独一无二的知识产权</p>
<ul>
<li>
<p>4.8.1. 可能拥有独一无二的智力成果</p>
</li>
<li>
<p>4.8.2. 数据科学中的智力成果包括挖掘数据或使用模型的新技术，它们既可以是取得专利的，也可以是商业机密</p>
</li>
<li>
<p>4.8.3. 竞争者要么无法（合法地）复制解决方案，要么因成本过高而难以复制解决方案</p>
</li>
<li>
<p>4.8.4. 在数据科学解决方案方面，其实际的机制往往是隐藏的，只有结果可见</p>
</li>
</ul>
<p>4.9. 独一无二的无形抵押资产</p>
<ul>
<li>
<p>4.9.1. 竞争对手可能无法得知如何应用解决方案</p>
</li>
<li>
<p>4.9.2. 对成功的数据科学解决方案而言，模型性能高的实际原因可能是不清晰的</p>
</li>
<li>
<p>4.9.3. 就算公开算法的所有细节，要使实验室方案在实际生产中起作用，其关键也可能在于应用中的细节</p>
</li>
<li>
<p>4.9.4. 竞争优势的基础也可能是无形资产，比如那种特别适合部署数据科学解决方案的公司文化</p>
</li>
</ul>
<p>4.10. 优秀的数据科学家</p>
<ul>
<li>
<p>4.10.1. 我们的数据科学家可能比竞争对手的更好</p>
</li>
<li>
<p>4.10.2. 数据科学家的质量和能力存在较大差别，即使在接受过最上乘训练的数据科学家中，也会有人同时具备天生的创造力、敏锐的分析能力、商业意识和耐心，并因此能比其他人提出更好的解决方案，这是数据科学圈子普遍认可的事实</p>
</li>
<li>
<p>4.10.3. KDD Cup是数据挖掘比赛的鼻祖，自1997年开始每年举办一次</p>
<ul>
<li>4.10.3.1. 即使是最拔尖的数据科学家，其能力也存在巨大差异，KDD Cup大赛的“客观”结果也显示了这点</li>
</ul>
</li>
<li>
<p>4.10.4. 最好的数据科学家可以根据薪资、公司文化、发展机会等方面按照他们的意愿来选择就业机会</p>
</li>
<li>
<p>4.10.5. 培养出强大的数据科学能力的企业，就会比聘请不到数据科学家的竞争对手拥有更显著、更持久的优势</p>
</li>
<li>
<p>4.10.6. 顶尖的数据科学家会互相吸引，这能进一步加强我们的优势</p>
</li>
<li>
<p>4.10.7. 顶尖的数据科学家还必须有强大的专业网络</p>
<ul>
<li>
<p>4.10.7.1. 高效的数据科学家应该与数据科学圈子里的其他数据科学家有着深厚的联系</p>
</li>
<li>
<p>4.10.7.2. 数据科学家会互相求助来引导自己寻找正确的解决方案</p>
</li>
<li>
<p>4.10.7.3. 专业交际网络越强大，解决方案就越优秀</p>
</li>
<li>
<p>4.10.7.4. 最优秀的数据科学家往往也有最好的人脉</p>
</li>
</ul>
</li>
<li>
<p>4.10.8. 数据科学的领域过于广大、内容过于丰富，个人无法全部精通，而顶尖的数据科学家却往往精通某些技术，并且熟知许多其他技术</p>
</li>
<li>
<p>4.10.9. 不要犯“百样通，无一精”的错误</p>
</li>
<li>
<p>4.10.10. 数据科学在某种程度上是一种手艺</p>
<ul>
<li>4.10.10.1. 分析方面的专业知识需要花时间习得，单是读书或看视频课程并不能让人精通它们</li>
</ul>
</li>
</ul>
<p>4.11. 优秀的数据科学管理</p>
<ul>
<li>
<p>4.11.1. 要想在业务中成功应用数据科学，更关键的因素可能是对数据科学团队的高水平管理</p>
</li>
<li>
<p>4.11.2. 真正理解和领会业务需要，而且应该有能力预测业务需要，从而可以在与职责不同的同伴的相互交流中，产生有关数据科学新产品和新服务的思路</p>
</li>
<li>
<p>4.11.3. 与搞技术的和搞业务的都能顺畅沟通，且得到他们的尊重</p>
<ul>
<li>4.11.3.1. 能把数据科学术语转化成业务术语，反之亦然</li>
</ul>
</li>
<li>
<p>4.11.4. 协调在技术上很复杂的活动</p>
<ul>
<li>4.11.4.1. 要求数据科学管理者理解业务的技术结构</li>
</ul>
</li>
<li>
<p>4.11.5. 能预见数据科学项目的结果</p>
<ul>
<li>
<p>4.11.5.1. 研究人员以前的成功经历</p>
</li>
<li>
<p>4.11.5.2. 有的人就是能凭直觉看出项目会不会成功</p>
</li>
</ul>
</li>
<li>
<p>4.11.6. 均需在公司文化之下培养</p>
</li>
<li>
<p>4.11.7. 我们可以雇用更优秀的数据科学家和数据科学管理者</p>
</li>
</ul>
<h1 id="5吸引和培养数据科学家及其团队">5. 吸引和培养数据科学家及其团队</h1>
<p>5.1. 最善于雇用数据科学家的企业是IBM、微软、谷歌这一类的企业，他们用各种方式清楚地显示对数据科学的重视，包括工资、津贴和/或无形资产</p>
<p>5.2. 企业如果希望在雇用数据科学家方面具有优势，就必须创造出适合数据科学和数据科学家的企业环境</p>
<p>5.3. 科学是一项社会性事业，优秀的数据科学家经常会通过发表其工作进展来参与社区活动</p>
<p>5.4. 最好的安排是将数据、资金和有趣的商业问题相结合</p>
<p>5.5. 聘请一位或多位顶尖数据科学家作为科学顾问</p>
<p>5.6. 雇用第三方来处理有关数据科学的问题</p>
<ul>
<li>
<p>5.6.1. 有专门从事商业分析的大型公司（如IBM），</p>
</li>
<li>
<p>5.6.2. 有专业数据科学咨询公司（如Elder Research），</p>
</li>
<li>
<p>5.6.3. 有仅帮助少数客户发展他们的数据科学能力的精品数据科学公司（如Data Scientists, LLC）</p>
</li>
<li>
<p>5.6.4. 可以在KDnuggets上找到大量数据科学服务公司以及各种其他数据科学资源</p>
</li>
<li>
<p>5.6.5. 在寻找数据科学咨询公司时请注意，他们的利益与其客户的利益并不是始终一致的</p>
<ul>
<li>5.6.5.1. 并非每个人都明白这一点</li>
</ul>
</li>
</ul>
<p>5.7. 一位首席科学家或一位得到授权的管理者，通常可以为一个项目组建一个比大多数公司所能雇用到的团队更强大、更多样化的团队</p>
<h1 id="6接受来源各异的创意">6. 接受来源各异的创意</h1>
<p>6.1. 一旦各方都理解了数据科学的基本概念，各种关于问题解决方案的创新概念就会开始从四面八方涌入</p>
<p>6.2. 可以来自发现了新业务线的执行官</p>
<p>6.3. 可以来自负责处理损益责任的主管</p>
<p>6.4. 可以来自负责管理业务流程的管理人员</p>
<p>6.5. 可以来自详细了解具体业务运作流程的一线员工</p>
<p>6.6. 鼓励数据科学家在整个业务过程中和员工保持交流，而且他们的绩效评估在某种程度上应该基于他们用数据科学创造的新思路是改进业务的效果</p>
<p>6.7. 管理者通常不知道他们也可以获取一些数据—那些不需复杂的数据科学知识就能直接帮助管理者的数据</p>
<h1 id="7企业的数据科学成熟度">7. 企业的数据科学成熟度</h1>
<p>7.1. 如果一个公司想切实地推行数据科学计划，那么坦率而理性地说，该公司需要评估自身的数据科学成熟度</p>
<p>7.2. 成熟度评估范围的一个极端是，公司的数据科学流程完全是随机的</p>
<p>7.3. “不成熟”并不表示公司必定会失败，而是指公司取得成功的变数很大</p>
<p>7.4. 不成熟的公司可能会大规模地应用不那么复杂的数据科学解决方案，或者小规模地应用复杂的数据科学解决方案，却很少能大规模地应用复杂的数据科学解决方案</p>
<p>7.5. 中等成熟度的公司会雇用训练有素的数据科学家，也会雇用理解数据科学基本原则的业务经理与其他利益相关者</p>
<p>7.6. 成熟度最高的公司会持续改进其数据科学流程（而不只是解决方案）</p>
<p>7.7. 数据科学既非运营亦非工程</p>
<ul>
<li>
<p>7.7.1. 把数据科学成熟度与软件工程的能力成熟度模型相类比其实不太恰当，因为这样的类比可能流于表面</p>
</li>
<li>
<p>7.7.2. 那些适用于软件工程，甚至适用于制造或运营的流程，在数据科学领域并不奏效</p>
</li>
</ul>
<p>7.8. 解决问题的关键是要理解数据科学流程和做好数据科学工作的方法，并努力建立一致性，努力获取支持</p>
<p>7.9. 在不成熟的公司里，擅长分析的员工（有可能）会根据他们在客户流失管理方面的直觉，实施临时拼凑的解决方案</p>
<p>7.10. 中等成熟的公司会在尽可能模拟实际商业环境的条件下，用定义明确的框架来测试不同的备选方案，然后仔细考虑其中的成本和收益</p>
<p>7.11. 高度成熟的公司可能会用和中等成熟的公司完全相同的方法来判断最有可能离开的用户，甚至判断离开后会使公司蒙受最大期望损失的用户</p>
<p>7.12. 虽然对数据科学成熟度进行坦率的自我评估并不简单，但是关键的是，要充分利用当前的能力，并进一步提高自己的能力</p><br><br>
来源：https://www.cnblogs.com/lying7/p/18951630
頁:
[1]