盤點：8個提高數(shù)據(jù)分析工作效率的技巧

盤點：8個提高數(shù)據(jù)分析工作效率的技巧

聽起來是不是很像你的遭遇？你會不會在得出像樣的答案之前反復(fù)分析很多次？或者一遍又一遍地為類似的活動寫著代碼？如果是這樣的話，這篇文章正好適合你。我會分享一些提高效率和減少不必要的重復(fù)工作的方法。備注：請別誤會。我不是說迭代都不好。這篇文章的重點在于如何識別哪些迭代是必要的，哪些是不必要且需要避免的。什么原因?qū)е铝藬?shù)據(jù)分析中的重復(fù)工作？我認(rèn)為沒有加入新信息，就沒必要重復(fù)分析(后面提到一個例外)。下面這些重復(fù)工作都是可以避免的：1、對客戶問題的診斷有偏差，不能滿足需求，所以要重做。2、重復(fù)分析的目的在于收集更多的變量，而你之前認(rèn)為不需要這些變量。3、之前沒有考慮到影響你分析活動的偏差或假設(shè)，后來考慮到了所以要重做。哪些迭代是必要的呢？下面舉兩個例子，一、你先建立了一個6個月后的模型，隨后有了新的信息，由此導(dǎo)致的迭代是健康的。二、你有意地從簡單的模型開始逐漸深入理解并構(gòu)建復(fù)雜模型。上面沒有涵蓋所有可能的情況，但我相信這些例子足夠幫助你判斷你的分析迭代是不是健康的。這些生產(chǎn)力殺手的影響？我們很清楚一點——沒有人想在分析中出現(xiàn)不健康的迭代和生產(chǎn)力殺手。不是每個數(shù)據(jù)科學(xué)家都樂于一邊做一邊增加變量并反復(fù)運行整個分析過程。分析師和數(shù)據(jù)科學(xué)家會因為不健康迭代和喪失效率而深感挫敗，缺乏成就感。那么讓我們盡一切努力來避免它們吧。小貼士：如何避免不健康迭代并增加效率?技巧1:只關(guān)注重大問題每個組織都有很多可以用數(shù)據(jù)解決的小問題!但雇一個數(shù)據(jù)科學(xué)家的主要目的不在于解決這些小問題。好鋼要用在刀刃上，應(yīng)該選取3到4個對整個組織影響最大的數(shù)據(jù)問題交給數(shù)據(jù)科學(xué)家來解決。這些問題一般具有挑戰(zhàn)性，會給你的分析活動帶來最大杠桿(或者收獲滿滿或者顆粒無收，想象一下借貸炒股)。當(dāng)更大的問題沒被解決時，你不應(yīng)當(dāng)去解決小問題。聽起來沒什么，但實際上很多組織都沒做好這一點!我看到很多銀行沒用數(shù)據(jù)分析去改善風(fēng)險評分，而是去做市場營銷。有些保險公司沒用數(shù)據(jù)分析提升客戶留存率，而是試圖建立針對代理機(jī)構(gòu)的獎勵計劃。?技巧2:一開始就創(chuàng)建數(shù)據(jù)分析的演示文稿(可能的布局和結(jié)構(gòu))我一直這樣做并且受益匪淺。把分析演示稿的框架搭起來應(yīng)該是項目啟動后的第一件事。這聽起來或許有悖常理，然而一旦你養(yǎng)成這個習(xí)慣，就可以節(jié)省時間。?如何搭框架呢？你可以用ppt、word、或者一段話來搭框架，形式是無關(guān)緊要的。重要的是一開始就要把所有可能情況列出來。例如，如果你試圖降低壞賬沖銷率，那么可以像下面一樣布局你的演示文稿：接下來，你可以考慮每個因素如何影響壞賬沖銷率？例如，由于給客戶增加了信用額度導(dǎo)致銀行的壞賬沖銷率增加，你可以：首先，確定那些信用額度沒被增加的客戶并沒有導(dǎo)致此次壞賬沖銷率增加。下一步，用一個數(shù)學(xué)公式來測量這個影響。一旦你把分析中的每一個分支都考慮到了，那么你已經(jīng)為自己創(chuàng)造了一個良好的起點。技巧3:事先定義數(shù)據(jù)需求數(shù)據(jù)需求直接源于最后的分析結(jié)果。如果你已經(jīng)全面地規(guī)劃了要做哪些分析、產(chǎn)生什么結(jié)果，那么你將知道數(shù)據(jù)需求是什么。這里有幾個提示來幫助你:?試著賦予數(shù)據(jù)需求一個結(jié)構(gòu):不單是記下變量列表，你應(yīng)該分門別類地想清楚分析活動需要哪些表格。以上面增加壞賬沖銷率為例，你將需要客戶人口統(tǒng)計表，過往市場營銷活動統(tǒng)計表，客戶過去12個月的交易記錄，銀行信貸政策變更文件等資料。?收集你可能需要的所有數(shù)據(jù):即使你不是100%肯定是否需要所有的變量，在這一階段你應(yīng)該把所有數(shù)據(jù)都收集起來。這樣做工作量大一些，但是與在以后的環(huán)節(jié)增加變量收集數(shù)據(jù)相比，還是更有效率一些。?定義您感興趣的數(shù)據(jù)的時間區(qū)間。?技巧4:確保你的分析可重現(xiàn)這個提示聽起來可能很簡單——但初學(xué)者和高級分析人員都難以把握好這一點。初學(xué)者會用Excel執(zhí)行每一步活動，其中包括復(fù)制粘貼數(shù)據(jù)。對于高級用戶，任何通過命令行界面完成的工作都可能不可重現(xiàn)。同樣，使用記事本(notebook)時需要格外小心。你應(yīng)該克制自己修改以前的步驟，尤其是在前面的數(shù)據(jù)已經(jīng)被后面的步驟使用的情況下。記事本在維護(hù)這種涉及前后數(shù)據(jù)勾稽關(guān)系的數(shù)據(jù)流方面表現(xiàn)地非常強大。但是如果記事本中沒維護(hù)這種數(shù)據(jù)流，它也會非常沒用。?技巧5:建標(biāo)準(zhǔn)代碼庫沒必要為簡單的操作一次又一次重寫代碼。它不僅浪費時間，還可能會造成語法錯誤。另一個竅門是創(chuàng)建常見操作的標(biāo)準(zhǔn)代碼庫并在整個團(tuán)隊中共享。這將不僅確保整個團(tuán)隊使用相同的代碼，而且也使他們更有效率。?技巧6:建中間數(shù)據(jù)集市很多的時候，你會反復(fù)需要同一批信息。例如，你將在多個分析和報告中用到所有客戶信用卡消費記錄。雖然你可以每次都從交易記錄表中提取，但是創(chuàng)建包含這些表的中間數(shù)據(jù)集市，可以有效節(jié)省時間和精力。同樣，市場營銷活動的匯總表也沒必要每次都查詢提取一次。?技巧7:使用保留樣本和交叉驗證防止過度擬合很多初學(xué)者低估了保留樣本和交叉驗證的強大。很多人傾向于認(rèn)為只要訓(xùn)練集足夠大，幾乎不會過擬合，因此沒必要交叉驗證或保留樣本。有這種想法，往往會在最后出岔子。不單我這樣說——可以看一下Kaggle上任意競賽公開或非公開的排行榜。你會發(fā)現(xiàn)前十名中有些人不再過擬合時他們的排名就不再下降了。你可以想象這些都是高級數(shù)據(jù)科學(xué)家。?技巧8:集中一段時間工作并且有規(guī)律地休息對于我來說，最佳的工作狀態(tài)是集中利用2-3小時解決一個問題或項目。作為一名數(shù)據(jù)科學(xué)家，你很難同時完成多項任務(wù)。你需要以自己的最佳狀態(tài)對待一個單獨的問題。對于我來說，2-3小時的時間窗