数据科学家变身故事大王的秘诀是……?

大数据 数据分析
讲故事有助于人们更好地感知发生在自己周围以及之前发生的事。讲故事者不仅以此来吸引面前观众的注意,也吸引了后来者的注意。讲故事是一门艺术。随着时间的流逝,用于讲故事的技巧、方法和工具有所改变,但主要思想和目标却没变,即如何有效地吸引观众,让他们明白你讲的故事。

 本文转载自公众号“读芯术”(ID:AI_Discovery)

作为数据科学家,我们也应擅长讲故事。我们经常要向不同的利益相关者展示工作,由于他们的背景不同,所以我们也要相应地变化语调。但在任何情况下保持不变的是,讲故事的那个人是你。

[[390253]]

许多方法有助于讲好故事,让我们一起来研究研究。

尽可能多地交流

交流是有效实现某事的关键。作为数据科学家,尽可能多地与不同的相关者交流就更加重要。我们通常把相关者分为四类:

  • 用户——他们渴望看见经验的最佳解决方法
  • 领域专家——他们有义务用领域的专业知识提供帮助
  • 行政领导——他们对业务和收入更感兴趣
  • 技术人员——他们对技术方面的事最感兴趣

为了有效地与他们交流,需要用他们能理解的方式交谈。用户对于最终解决方案和解决难题的方法更感兴趣;行政领导和经理更倾向于关注收入及相关的事情;领域专家乐于在相关领域用专业知识提供帮助。你需要利用他们的知识为给定的问题构建一个好的解决方案。

以既定事实开头

讲故事要以人们都知道的事实开头。可以是用户每天面对的问题,或是未经优化的、可以智能化的东西,也或许是能为公司创收的东西。若以人们早就知道的事开头,人们就能有更好的理解,因为他们亲身经历过这件事。

通常,对于不直接接触技术的概念的人来说,技术概念抽象模糊又复杂。讲故事包括两部分:

  • 有助支撑论据、易于观众理解后面的故事情节的种种事实。
  • 为了说服观众采取行动、把故事中展示的事与思考内容和思考方式联系起来的叙述

因此,有必要以一种为预期的相关者描绘解决方案的方式来展示事实。

利用视觉化吸引观众

一图值千言。的确如此,仅仅一张图就能展示你想向观众传达的一大堆话。不同的图表、数字、视觉化工具可供选择以让观众更好地理解数据进展、数据趋势以及数据的一般行为。

有时在分析数据或使用不同的统计技术时,可能会遗漏有用信息,此时教具和图表会起作用。它们使你发现之前未注意到的部分、方面以及对加强数据的理解。

视觉化实际上是一个机会,让你用观众理解的事替代故事。例如,如果在一个图表里有许多变量,那么观众可能不易理解,在图表也复杂的情况下。所以,你最好制作简单而直接的视觉图像以便利用它们叙述故事。

使用统计学理解数据

统计学对于理解和解释数据大有裨益。你可以从中推断出许多事实,并利用这些事实来更好地理解它们。

统计学主要可以分为两类,描述统计学和推论统计学。前者描述现有数据而后者展示数据中不同特点和变量的总体关系。通常,使用描述统计学能获得关于当前或可用的一组数据的信息,而使用推理统计不仅仅能基于一个或多个样本使用抽样来概括总体。

根据故事的不同层面选择不同的统计学类型很重要,这可以对现成的数据加以解释,并把结论讲给那些你不了解他们的特点的人。你可以使用这一信息告诉观众你在数据中发现的不同的理解,并相应地建立不同的假说。

解释模型的运作原理

机器学习模型通常被称为“黑盒”。如果你使用过一些高级模型,那么就需要在性能和可解释性之间进行权衡。线性模型,逻辑回归模型和基于树的模型是容易解释的,而非线性模型是很难解释的。

在现实世界,没人想使用自己不理解的东西。而且,在一些领域如银行业、保险业和药业,更需要解释管理过程要求。可解释性的另一层面是对不同利益相关者的终极信任。众人皆知,如果我们清楚地理解一件事的运作原理,那么就会自信地使用它、信任它。

同理,机器学习模型也是如此。如果理解这些技术,人们就会对题目更感兴趣。可解释机器学习模型的技术多种多样。一些现有的技术与统计推断相关,它们可以帮助我们识别关键特征,并从数据中获得有意义的表示。

讲故事涉及多种内容。它是一种艺术,通过实践和学习可以加强讲故事的能力。它可以从原始数据中挖掘出黄金,帮助你和你的用户发现之前可能会遗漏的理解和信息。

希望本文的技巧能帮你修炼成为一个“讲故事大家”。

 

 

责任编辑:华轩 来源: 读芯术
相关推荐

2018-12-24 08:37:44

数据科学家数据模型

2019-12-04 15:02:22

数据科学家故事数据分析

2015-08-25 14:23:07

数据

2017-08-04 15:53:10

大数据真伪数据科学家

2016-11-10 08:44:45

数据挖掘分析

2018-08-01 15:22:36

数据科学家数据科学分析

2015-06-11 10:27:29

数据科学家

2012-12-26 10:51:20

数据科学家

2018-02-28 15:03:03

数据科学家数据分析职业

2018-07-03 11:02:28

数据陷阱经验

2012-12-06 15:36:55

CIO

2018-10-16 14:37:34

数据科学家数据分析数据科学

2015-08-25 13:20:29

数据科学

2020-03-20 14:40:48

数据科学Python学习

2016-04-11 14:15:06

数据科学数据挖掘工具

2012-06-12 09:33:59

2016-08-17 09:50:27

大数据数据科学家

2016-05-11 10:36:16

数据科学家数据科学大数据

2019-07-05 10:29:17

大数据数据科学家

2013-12-18 13:19:43

多核计算
点赞
收藏

51CTO技术栈公众号