大数据文摘作品，转载要求见文末
原作者 |
Roosevelt Bowm
an
编译 | 璐，大饼，Aileen
考虑一下这个问题：尽管对于数据科学的热情不断攀升并且像《点球成金》这样的电影票房大卖，但是在全美橄榄球联盟（NFL）和全美篮球协会（NBA）里依然看不到数据分析师的身影。
对于一些了解数据科学的人，把数据科学用在赛场博弈决策和球员挑选上的潜在好处是非常明显的，但在非数据科学行业，情况却并非如此。
为什么呢？最主要的原因是“数据科学”这个词汇并没有被广泛理解。对于非专业人士而言，数据科学是一个会引起恐慌（甚至恐惧）的词汇。“数据”和“科学”会召唤出一幅对绝大部分人都不愉快的景象，即高中时代折磨我们的复杂的数学和科学问题。
数据科学家的实际工作内容也确实不怎么好理解。根据维基百科的定义：
“数据科学”是一个跨学科的领域，即使用科学的方法、过程和系统从结构化或者非结构化数据中抽象出知识或者观点，与数据库中的知识发现（KDD）类似。”
大部分人在读完定义的前五个词之后都不会再读下去了。
退一步讲，即使一个公司的管理层了解数据科学的巨大作用，其绝大多数的员工却并不一定有此认识。结果是孤立的数据科学团队的建议总是被忽视（因为激励目标不一致）或者被否定（因为分析结果不被信任）。
所有上述的内容意味着，对一个事业刚起步的数据科学家来说，在她能产生重要的影响之前，她需要让同事相信她的研究是有价值的。
作为一个过来人，下面有一些小建议，可以帮助你有效的与他人合作。
人们通常并不信任局外人能够“魔法般的”解决长期存在的问题。化解这个问题最好的方式是了解过去的来龙去脉和老员工收集的数据。
我们应当对于数据科学能做到什么保持谦虚的态度，但是给他们展示一些用数据驱动的方法能够实现类似目标的场景。
我遇到过的一个常见的误解是数据科学会得出一个唯一答案同时排除其他的可能性。我花了很大功夫来解释数据科学的局限性，并且专注于成为现行方法的补充。
人们经常在尝试理解数据科学是如何运行的以及为什么数据科学很重要的时候卡壳。
为了防止陷入关于数据科学方法的优点的无效争论中，我尝试关注于我们共同的目标。
我尝试建立一个关于某方案会如何影响团队或公司盈利的共识，并且用这个共识来保证团队间的互相认同。
很多公司会把他们的数据科学团队放在信息技术或者工程部门—距离团队需要影响的业务决策非常远。没有整合在一起的数据科学团队价值更可能被质疑。例如，每次团队给股东提出建议，他们就不得不解释他们做了什么，展示过去的成功案例，来让大家认可他们的用处。但是有一两位数据科学家的跨职能的小组往往对数据科学的流程更熟悉，并且能更积极的采纳建议。
对一些年轻的数据科学家，这个建议看起来违反常理。
不论如何，一旦在一个高效益的项目里面显示了你的价值，之后你就能快速说服别人采纳你的建议。
比如，在开始工作不久，我发起了一个使用机器学习技术帮助总结研究报告的项目。我公司里的大部分员工都被海量的研究报告淹没了，阅读所有的报告要耗费大量的时间。我的项目能够精选出报告中最重要的部分，最终这个项目极大的帮助了整个公司，也让我得到了关注。
最后，在各行业和工作职能中数据科学都需要被规范化。
数据科学的思想能够防止验证偏差，加强理性思维，并且让社会整体收益。虽然竞争和开放市场会加快数据科学被接纳的速度，我们也需要尽自己的努力来教育人们数据科学的价值。
来源：https://medium.springboard.com/getting-non-data-scientists-to-understand-the-value-of-data-science-f04609cbf1ce
如需转载，请在开篇显著位置注明作者和出处（转自：大数据文摘 | bigdatadigest），并在文章结尾放置大数据文摘醒目二维码。无原创标识文章请按照转载要求编辑，可直接转载，转载后请将转载链接发送给我们；有原创标识文章，请发送【文章名称-待授权公众号名称及ID】给我们申请白名单授权。未经许可的转载以及改编者，我们将依法追究其法律责任。联系邮箱：[email protected]。
研究了数千个在线课程，我整理了一份数据科学入门课清单
