《哈佛商业评论》近期发表了知名学者 Joel Shapiro 的一篇文章，标题叫做 4 Skills the Next Generation of Data Scientists Needs to Develop。尽管说的是数据科学家，但文章中的观点可以说是面向所有数据分析的从业者的，这些观点和我在我即将出版的商业数据分析一书中也比较接近，因此特别在这里做个分享。
这个能力代表的是能基于业务（和对顾客的理解）看到数据之外的问题，比如文中所给的案例：
一家中档酒店连锁店的客户关系主管因为入住过程的评分低而受到高层管理的指责。调查显示，客人认为办理入住手续管理不善，时间过长，没有提供他们想要的结果，即无缝愉悦的体验。管理层还发现，评价入住不好的人住店的频率更低。客户关系部门联系数据分析团队，以找出入住问题的根源。即使他们查看了客户人口统计学数据、所需房间类型以及是否在前台、自助机或手机上办理入住手续，以及白天、晚上、客户是否参加忠诚计划等方面的数据，数据团队也无法找出潜在原因。然后一名员工建议他们查看已经收集到的离店客户客户调查。一些自然语言文本分析揭示了一些主题——即酒店基础设施不够完善。客人可能会遇到 Wi-Fi 问题、房间钥匙偶尔无法使用、家具损坏或房间在他们到达时没有清洁。这些问题与入住无直接关联，但客人将它们归因于入住手续，因为对他们来说这是整个“入住过程中”存在的问题。
这个能力提示我们的是，过于关注眼前的问题可能会错过帮助企业在其他方面改进的机会。我们应该拥抱更宏观视角，挖掘数据中背后的问题，识别这些其他人忽略的问题就能为自己的分析工作增加价值。
这个技能是将宽泛的商业问题转变为实际可执行的分析问题，比如业务着眼于“我们正在努力实现客户满意度目标——我们需要聚焦我们的市场推广策略”，但数据科学家能理解的是“想要能够识别哪些客户有低净推荐人得分（NPS）风险，以便我们可以干预并改善他们的体验”。这就是将一个商业问题转变成为 data science 问题的例子
在 HBR 的这篇文章中介绍了作者的角色扮演游戏，由学生扮演数据科学家的角色，练习问澄清问题的问题——也许从“你所说的‘对齐’是什么意思？”和“我们如何衡量客户满意度目标？”和“哪些措施表明我们已经成功（或失败）？” 作者发现，在首席分析官与客户合作的工作中，工作中最重要（也是最具挑战性）的部分之一是将业务领导人头脑中的内容转化为范围明确的业务问题。我有一个探究问题的检查清单，例如： 我们正在尝试解决什么问题？ 如果改进了哪些结果，将表明问题实际上已经得到解决？ 理想情况下可用于解决问题的数据是什么，实际上可用的数据是什么？ 分析将如何导致解决方案？
其中回答最后一个问题可以说是最重要的部分，因为它将确定适当的分析技术——例如，一些简单的见解或更正式的预测或因果推断模型。在这里，分析团队应该与业务团队运行许多“如果”情景；例如，“如果结果显示这个或那个怎么办？那么它将如何帮助您做出更好的决策？”通常，业务领导人会试图推迟这个问题，建议我们可以在分析结果可用时考虑行动。这是一个错误——知道分析将如何转化为解决方案是制定分析计划的关键部分。 要想在范围划分方面取得成功，数据领导者需要良好的沟通技巧，与业务领导人讨论问题，以达到必要的具体性，使数据分析工具和概念能够有意义地为业务做出贡献。只有这样才能将问题交给数据团队进行分析.
很多时候一旦问题被确定并确定范围，许多数据分析师就会进入孤立状态，只有在找到解决方案后才会出现。HBR 的这篇文章，作者对这种做法提出了质疑，他认为应该在分析进行的过程也保持和业务的对焦。例如，“业务团队对这些初步结果感兴趣吗？”和“我们是否正确定义术语？”从一次更新到下一次更新，结果将随着连续更新而汇总，直到项目结束。 这种方法与一些数据科学家喜欢的工作方式相反。
作者认为这样可以避免数据科学家对自己解决问题技巧的过度迷恋。抛出一个业务方完全不理解的黑盒模型是非常容易受到挑战的，如果正在进行分析的数据团队不提前披露和讨论他们的假设——而是等到最后——业务团队将会提出更多问题并挑剔弱点。然而，通过在决策过程中将业务团队纳入其中，他们将对模型的结果表示出信任。简而言之，在解决问题的过程中不要试图“憋大招”，
数据团队不仅需要确定最终答案，还必须提供可理解且因此可操作的解决方案。 这不仅仅是将数据放在图表或其他可视化显示中。相反，解决方案 – 无论是数据洞察还是模型建议的新行动方案 – 必须用业务团队可以理解的语言传达。
作者推荐的方法是“两页数据分析备忘录”，通过限制长度可以避免沉迷于数据分析的细节，并鼓励关注正在进行的建议和证据。亚马逊创始人杰夫·贝佐斯要求高管用六页备忘录（而不是幻灯片演示）呈现他们的想法，以便易于消化和讨论。 通过使用简单语言，同时不损害复杂性，擅长这一领域的数据领导者可以提供相当于电梯演讲的内容，以便用引人注目且易于理解的解决方案吸引业务领导者。 随着数据和分析越来越多地嵌入业务决策和解决方案中，数据团队必须远远超出仅解决分配给他们的问题。
