数据分析本身的目标是使企业能做出更好的决策。数据科学家的产品，要使得这些数据被组织中的所有人更好地使用，在每个部门和层级中，都可以作出受数据驱动的决策。
从自动收集、清洗和分析的数据产品中，可以捕获数据价值链，为执行仪表盘或报告提供信息和预测。新数据的产生使得分析工作可以自动地、连续地运行。
价值链中的一些步骤基本是固定的：
1、确定目标：获取数据之前，数据价值链上的第一步就是业务部门确定数据科学团队的目标。通常，这些目标的取得需要进行大量的数据收集和分析。因为我们研究的是驱动决策的数据，所以需要一个可衡量的方式，以此判断业务是否正想着目标前进。并且，关键权值或性能指标都应该及早发现。
2、明确业务手段：提高关键指标或达到业务目标的手段应该是业务的改变，但若是没有可以改变的，无论手机和分析多少数据都不可能有进步。在项目中越早确定目标、指标以及业务手段，越能能为项目指明方向，避免无意义的数据分析。例如，以提高客户滞留度为目标，那么其中一个指标可以是客户更新他们订阅的百分比，业务手段则可为更新页面的水，提醒邮件的时间和内容以及特别的促销活动。
3、收集数据：数据的收集需要广撒网，获取更多的数据，尤其是不同来源的数据，这能使得数据科学家能找到数据之间更好的相关性，建立模型找到更多的可行性见解。很多时候，大数据经济意味着个人记录基本是无用的，拥有可供分析的所有记录才能产生真正的价值。公司通过检测它们的网站来密切跟踪用户的点击及鼠标移动，商店通过在产品上附加RFID来跟踪用户的移动。
4、清洗数据：数据价值链中最关键的步骤是提高数据质量。数据科学家要纠正拼写错误，处理缺失以及清除无意义的信息。即便是最好的分析，也有可能产生错误的结果，甚至舞蹈业务本身。尤为重要的是，这一步规模化的执行是必须的，因为连续数据价值链要求传入的数据会立即被清洗，且清洗频率十分高。这一过程通常是自动执行，但并不意味着不需要人的参与。
5、数据建模：提出关于在第一部中确定的业务手段变化的建议，前提是数据科学家构建模型，关联数据与业务成果。数据科学家必须有良好的统计学和机器学习背景，才能构建出科学、精确的模型，避免无意义的相关性以及模型陷阱。这些模型依赖于现有的数据，但对于未来的预测是无用的。除此之外，数据科学家还需要很号的了解业务。
6、优化和重复：数据价值链其实是一个可重复的过程，能够对业务和数据价值链本身产生连续的改进。基于模型，业务将根据驱动手段作出改变，数据科学团队来评估结果。在此结果的基础上，企业可以决定下一步计划，而数据科学团队继续进行数据收集、数据清理和数建模。企业重复这个过程越快，就能越早修正发展方向，越快得到数据价值。
网友评论