海外就业经验：数据专业高手&新手？避免这些不专业的行为 (下)

上一篇文章中，我们了解了2种不合时宜的数据分析习惯：过度解读结果并试图从虚无中编造故事，以及在使用之前不对数据/查询进行质量检查。今天，我们继续给大家分享数据分析注意事项。

3.过度设计

我仍然记得在了解了Random Forest或XGBoost等花哨模型后的兴奋：当你有一把锤子，尤其是一把闪亮炫酷的锤子时，一切看起来都像钉子。但实际上，除非你是机器学习工程师，否则你在日常数据工作中很少需要10层神经网络。当一个简单的线性回归就足够了时，使用花哨的机器学习模型不仅效率低下，而且会适得其反。

正如我在关于我从麦肯锡工作中学到的数据科学课程的文章中提到的那样，对行业产生影响是作为数据科学家工作的首要目标，而不是炫耀你拥有多少机器学习知识。过度设计模型和分析是使自己成为人们希望避免与之合作的不受欢迎且无效的数据合作伙伴的可靠方法。 

不妨试试这个：从简单开始，只有在真正需要时才应用更复杂的方法。对你在分析中使用的方法做出非常有意识的决定，并应用 80/20 规则以避免不必要的努力，因为额外的努力即使有用的话，也只会带来更低的边际收益。

4.过度使用流行词 

这在刚进入数据世界的人中很常见。与出于对新建模技能的兴奋而倾向于过度设计模型类似，许多新的数据从业者喜欢尽可能使用他们学到的所有新概念和新词。在交流时，我们倾向于弥补我们对复杂事物的理解不足——一个人在谈论机器分析和分析时使用的流行词越多，通常，他/她知道对分析的理解就越少。

经验丰富的数据从业者应该能够用简单的英语解释方法和分析细节。如果某人对数据工作的解释像阅读维基百科页面一样难以理解，那可能是因为他们也只是在维基百科上读到了它。 

建议你试试这个：当学习一个新的分析概念时，试着真正去理解它，以至于你可以很容易地用简单的英语向你不是数据科学家的朋友解释它。这种理解水平还将帮助你决定何时应用花哨但复杂的方法以及何时使用高效的经典线性回归。

5.创建数据产品时忽略利益相关者的需求 

偶尔我会遇到新的数据从业者，他们不仅有前述问题，而且过分热心，以至于在工作中创建除了他们自己以外没人有兴趣欣赏的数据项目。

不要误会我的意思，我认为应该鼓励对数据的所有热情，这类项目很有趣，有助于培养技能……只是在你的日常工作中，企业指望你使用数据来推动公司和产品所带来的影响。 

数据产品（例如仪表板）就像任何其他产品一样，它们的首要设计规则应该是以用户为中心。他们应该是出于需求……而不仅仅是激情。 

试试这个：在构建任何数据产品之前与你的利益相关者交谈。了解当前阶段的业务需求：如果它是一家初创公司，我敢打赌，你的利益相关者不会太在意您构建的数据可视化的格式和颜色，而是希望关注可视化背后数据的准确性和他们的见解。

同样，真正了解受众和用例；例如，如果数据产品旨在由非技术受众定期使用，您将花更多时间在精美且简单的用户界面上。

你可以同时开发自己喜欢的项目，因为说不定哪天他们就能派上用场。只是不要让他们妨碍你成为有效且讨喜的数据合作伙伴。