数据科学的3个阶段

各地的企业正在竞相从他们的数据中提取有意义的见解。许多组织都在研究数据科学团队和攻击问题（有些人比其他人更成功）。然而，确定组织内当前的数据科学阶段是其中的挑战之一。下一步是确定数据科学的预期阶段。

以下是真正成熟的数据科学的3个阶段。

1. 仪表盘（Dashboards）

数据科学的初始阶段就是dashboards。这是关于回答“多少？”和“发生了什么”，通过查看历史数据所得出的报告。如果做的好的话，它甚至可以帮助组织报告出为什么会发生。许多组织将这一阶段称为商业智能。

Dashboard阶段对于组织来说还是很昂贵的，耗费的人力、时间和资金还是相当大的，通常它涉及的投资有：

1．数据仓库或者其他存储环境，用于数据存储以便于报告
2．ETL (提取转换负载) 工具，用于操纵、合并和移动数据到数据仓库
3．报告工具 ，用于展示结果并允许用户“挖掘”数据

以下是传统仪表盘可展示的常见问题：

1. 每个地区有多少用户?

2. 黑色星期五的销售额是多少?

3. 上个月有多少人去医院看病?
   

正如你所见， 只有这个阶段可以获取到大量的数据价值。企业要去了解历史业绩这个点非常重要，但这个阶段是大部分企业停止的阶段。

2. 机器学习（Machine Learning）

数据科学的真正“科学”直到第二阶段的机器学习才开始。它专注于不能直观获取数据的估计，也就是可以根据现有数据分析隐藏数据。这可能是用户喜欢的某个电影，公司明天的股价，或特定广告活动的因果影响。机器学习用第一阶段的数据，并应用统计学或其他方法来分析出更多的见解内容。

目前机器学习思考如下问题:

1. 当客户出门了，他/她会去五金店消费吗？
   

2. 当信用卡购买时，收费是欺诈的概率是多少？
   

3. 预计新用户会存在多久？
   

4. 如果飓风来临，用户会购买什么？ (蛋挞？很有可能哦)
   

注意起因和结果之间的关系。机器学习的价值内容是来自于估计潜在事物的因果。这个阶段充满了术语如：机器学习，数据挖掘和数据建模等术语。机器学习阶段是在分析潜在可能发生的事情，是未来的展望。

3. 执行（Actions）