
TED演讲-数据科学家最重要的技能是什么
对于数据科学家来说,最重要的技能究竟是什么呢?在本期的TEDx演讲中,你一定会找到相应的答案。
主讲人
Alto Data Analytics的总经理Jose Miguel Cansado曾在IMB Watson和 Alcatel-Lucent工作,曾担任亚太地区媒体和移动通信负责人。Jose是一名通讯工程师,拥有欧洲工商管理学院的营销硕士学位,以及西班牙企业商学院的MBA学位。
中英双字视频如下:
针对不方便打开视频的小伙伴,CDA字幕组也贴心的整理了文字版本,如下:
我希望你们闭上眼睛,想象一下数据科学家的形象。你们想到了什么?
当人们想起数据科学家,人们常常会想到一个穿着实验服的人,在进行人工智能、应用算法、分析数据,为行业或商业的用途提供分析见解。
但在现实中,数据科学家需要掌握大量的技术,需要掌握各个不同领域的专业知识,需要具有企业家的精神,以及达芬奇般的想象力。
在2006年,谷歌的前CEO Eric Schmidt曾说,"自人类诞生到2003年以来,仅产生了5艾字节的数据,如今我们每两天就能产生同样大小的数据"。
这意味着大量的数据。但好消息是,如今的科技水平能够让我们处理、分析这大量的信息。
得益于机器学习中人工智能的帮助,大数据被用于许多方面。比如更好地分析用户;进行个性化推荐;改善医疗和诊断水平;预测政治革命;防止犯罪;甚至艺术创作。显而易见,大数据提高了人类的潜力。
在Alto Data Analytics,我们帮助大型组织从各种数据中得出可行的方案,做出改变。
政治争论分析
在英国退出欧盟的几个月后,出现了广泛的社会争论。我们可以对当中的数据进行分析,从而理解并标注社会争论发生在哪儿;产生了哪些社区;投反对票的人群是如何进行反对的;媒体是如何保持中立的;技术社区里人们是如何讨论当中的经济、社会和政治影响的。
我们可以看到许多新兴社区的诞生。比如苏格兰人更倾向于不脱离欧盟,美国共和党人更倾向英国脱离欧盟。
我们还可以分析和弄清哪些人在这场争论中最具有影响力以及媒体的立场,甚至预测哪些想法会取胜。
电影分析
对于电影来说,比起分析家和评论家,我们可以分析更多的内容。
小李子主演的纪录片《洪水泛滥之前》,该影片的目的在于提高大众对气候变化的认知。我们捕捉了当中全部的物影摄影(photograms),从而进行分析当中有多少出现了小李子,多少出现了决策人,理解气候的哪些方面改变了,从而带来讨论。或者还能明白哪些画面被分享在社交媒体上。
流行趋势分析
我们还可以预测流行趋势。
通过分析人们Instagram上分享并附有标签"今日穿搭"的照片。通过收集成百上千的照片,我们可以分析人们分享这些照片所带来的潜在影响。因为我们可以看到哪些人进行了互动,从而发现那些影响力的人分享的照片中存在哪些穿搭模式。
思维模式转换
这是思考模式的转化。
之前我们大多根据直觉和猜测进行决策,而如今我们根据数据。我们可以转变为数据驱动的决策。
管理学大师Peter Drucker曾说,"你不能管理你不能测量的事物"。如今没有借口可找,你可以测量也可以管理。
如果没有人工智能、机器学习以及所有大数据科技的帮助,我们将无法掌控如今的数据变革。但话又说回来,从数据中得到见解的最重要的因素,也就是让数据科学家无可取代的因素,即人的因素。
关键因素: 好奇心
将数据转化为分析见解的关键在于,我们人类能做而机器不能做的事,即好奇心。
我们都用谷歌搜索,谷歌上有数以亿计的的数据点,但是你的好奇心决定了你是否去学习、去搜索,以及你是否会去过滤和如何发现哪些信息是无关的。
还有同理心。
同理心是与他人联系,以及理解他人需要什么的关键。Henry Ford(美国汽车工程师与企业家,福特汽车公司创始人)曾说"如果我去问人们需要什么,他们会说需要更快的马力”。
同时想象力也是必不可少的盟友。
还有创造力。创造力是进行创新,并得出方案解决问题的关键。
沟通力是说服和影响他人的关键,从而传播理念而带来改变。
领导力是凝聚起他人采取行动的关键所在。
这些因素当中的关键是好奇心。
因为对情感的好奇会驱动同理心;对想法的好奇会驱动想象力;对解决方案的好奇会驱动创造力;对影响力的好奇会心驱动沟通交流;对结果的好奇最终会驱动领导力。
数据科学家最重要的技能是,对数据问适当的问题。
数据科学家的好奇心会引出适当的问题,从而理解人们面对的问题,想象可能的情况,创建明确的方案,用合适的方式传达信息和见解,并让其可行。
这些关键的因素让数据转换为有价值的内容,这一系列的技能是人工智能还不能媲美的。这是技术与人文艺术的交叉点,当中会出现奇迹。
如果说14到17世纪的文艺复兴是让人类从中世纪转变为现代的文化力量,那么大数据复兴已经在通过数据的力量,揭开各种可能,从而推动人类前进。这取决于我们想让数据和机器为我们做什么。
记住,手上有工具的愚者还是愚者。
大数据并不仅是关于技术,大数据需要智者,大数据需要具有好奇心的艺术家来做出改变。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10