从医药到营销：我如何从博士后转型电商数据科学家？

原创： MarTechApe MarTechCareer

今天我们采访的MarTechApe老师是一位很特别的老师——她在美国念了医药领域的PhD、博士后之后，转型进入Industry，成为美国最大家具电商Wayfair的数据科学家。

下面六个关键词，全都是她的标签！

学术界⇌科技公司

医药⇌营销

博士后⇌数据科学家

我们对她充满了好奇，只想问她：How did you make it?

所以，赶紧来听听她的故事吧！

1.你是怎么从学术领域跳到数据科学的？

我觉得所有的科学都是数据科学，因为不管做什么研究都是从数据里找规律。

但经常我被问到的是，我是怎么从医药背景转型到Marketing Analytics。这个真是说来话长，我尽量长话短说。

我之前做的是生命技术、医学相关的，尤其是博士后做的药物设计。因为我从小想做治病救人的工作。但说实话我在这条路上走得越长我越意识到，我做的研究到底有多大意义呢？设计出来的药物即使在实验室里很有效，但最后会有各种原因让一个药物没法走到最后去治病救人（比如，可能副作用太大等）。而且药物就算设计出来也是在疾病发生以后，但相比治病，其实更应该做的是预防。所以在各种纷杂的思绪下，我经历了一段迷茫期，当时也挺自我怀疑的——我做的研究没有用，那我去干嘛呢？

我相信有很多博士都有这样的“至暗时刻”。

2013年左右是我最迷茫的一段时间，那时我经常去网上搜各种求职机会，还去了很多career events，后来有机会参加了一个关于Data Science的项目。这个项目帮我建立了和很多公司的联系，当时就认识了Wayfair的一些人，其中也包括我现在的老板，我就被他们做的项目和公司文化吸引了。我当时除了Wayfair，手上其他几个job offer都是医药相关的，也有很吸引人的健康数据科学职位，但是我就想，如果继续在医药健康领域走下去，也许会很成功，但可能永远没有机会尝试一些不一样的东西，于是我就加入了Wayfair的Marketing Data Science Team。

虽然医药和数据科学看起来很不一样，但其实大道相通，研究方法思路很相像。

2.你的主要工作内容是什么？

我主要是带领团队和Marketing部门合作，用uplift modeling的方法来看广告的lift effect，决定去target哪些用户。

一般对广告效果的测量都是用传统的response model，这些模型只能预测哪些人可能会买，在我进Wayfair之前，Wayfair也是这样。但是这样的方法总是伴随着花销上的浪费。

什么意思呢？我们先想一下消费者有哪几种类型。

其实任何领域的公司都有4种消费者：

sure thing（忠实顾客）
lost cause（怎么着都不会买你产品的人）
influencable customers（可以影响的人）
sleeping dog（请勿打扰的顾客）

对于那些忠实的顾客，他们不看广告也会买。而对于第二种用户，他们看了广告也不会买你的产品的。所以给这两种人打广告，就会有waste。对于sleeping dog，他们本来可能要买，但被我们的广告打扰了之后反而不买了，所以对于这群人，我们反而不应该去打广告。

我们应该去target一些本来不会买、但看到了广告就会来买我们产品的人。这有一个因果关系在里面——广告使得他们购买。这个就是uplift modeling，它可以帮我们找出的人群，而且还可以告诉我们广告对这些人的增量是多少。

像Marketing Mix Modeling里面也会分析很多不同的广告战役——电视广告、数字广告——每个渠道都希望去提升incremental revenue，但其实渠道越多的情况越难去提升每一分钱带来的incremental revenue。比如说，一个用户可能在电视里看到了Wayfair的广告，这个广告可能已经足以让他发生购买行为了，那即使他没有被推荐数字广告，他也是会购买的。所以，在类似这种的情况下，我们就想找到，具有哪些特征的人群是容易被我们影响的。如果每一个渠道都去做这个uplift modeling的分析、都去找incremental customers，那整个公司的效益——ad cost/incremental revenue（ACIR）*——就会更好。

*ACIR：对于一个发展趋势健康的公司，Revenue总会增长（即使不做广告），所以我们需要甄别出哪一些revenue的增长是因为广告带来的（也就是所谓的incremental revenue），这样才能提高广告的效益。

所以我们团队就查了很多文献，uplift modeling在academy里面相对于其他的machine learning algorithm来说是相对新鲜的方法。最后我们就决定试一试，后来发现效果很好，所以就一直用了下去。现在主要是一些线上的渠道在用，希望可以把这个方法延伸到其他渠道里面。

3. Wayfair除了Uplift Modeling，还有哪些模型、分析方法也是Data Science部门用来支持营销决策的？

我们在一些场合仍然会使用传统的response modeling，response modeling和uplift modeling的区别就是没有control group（控制组），它只是去预测一个用户看到广告后购买的可能性是多少。

我们也经常需要融合不同的分析方法、具体问题具体分析。比如我们需要根据有没有control data、data是否clean、test和control是否randomized等等问题来根据现实情况挑选最适合的方法。

我们还有另外一个Data Science部门的团队是专门做Marketing Mix Modeling和Attribution的，它们就看的不是单纯一个渠道，而是所有营销渠道，也会测量渠道之间的相互影响。这个团队在我们公司也有越来越多的人加入。

4.在Wayfair，你觉得哪些地方可以延续你对科研的兴趣；哪些地方是以前学术届不曾带给你的、但Wayfair带给你的新的激发和收获？

我从小想做科学家，就是觉得可以不停地探索未知的东西。所以我以前进入学术界的原因就是，学术界有这个自由去探索，还可以一边学习一边拿薪水。这两点在Wayfair都继续得到了满足，而且薪水更高（大笑）。

其次，作为数据科学家，我们最感兴趣的是数据，但很多其他公司拿数据是很麻烦的事（要得到很多approval），但Wayfair最吸引我的一点就是非常data driven，整个公司用数据说话。我们有很多PhD背景的人，平时和来自Marketing部门的不同背景的人讨论，大家debate起来都很激烈，但不会take it personal，只要数据是这么告诉我的，那就算我的观点错了我也会承认。

我觉得工作中最有趣的是和marketing部门的人讨论campaign performance，根据不同情况做不同的predictive modeling。当然会有很多challenge，比如你作为数据科学家，你希望数据要怎么怎么好，但实际情况中，永远不可能满足各种各样的条件，然后你又要根据不同的条件去调整你的模型策略。看到自己自己的model可以drive business value肯定是最开心的。

我觉得Wayfair带给我的、以前在学术界不曾有的收获是在management方面。在管理上，Wayfair给我提供很多的职业支持，还有一些全公司的课程，你的manager也会帮助你更加成功。我现在作为一个manager，有自己的团队，我在团队里支持、帮助每一个人取得成功，也让我觉得非常开心。

5. 你招聘的时候，喜欢什么样的候选人？

首先我觉得要准备充分，我们问“为什么加入wayfair”，有一些候选人就会给一些很general的答案。我觉得如果你去一个公司面试，你一定要首先做好你的功课，看一下这个公司做的research是什么样的。比如最后每个interviewer都会问你，do you have any questions for me, 如果你能问一些很深思熟虑的问题的话也能为你加分。

还有就是，自信但是不自负。有些候选人在Resume里列了很多东西，那在面试官问到的时候，你就得对你列出来的每一项都有答案。如果和面试官有different opinion的话，你一定要懂得去理解别人的观点，就算反驳也要有条理且polite一些。

最重要的一点就是coachable，我们不能期待每一个候选人知道所有东西，但是，哪怕一个问题没有见过，你能够通过你的思考、去问一些问题去clarify，根据面试官的指导去一步一步解决。很多case interview其实不是看你是否能解决，而是想看你怎么思考，看你在不知道的情况下如何去跟别人合作。其实这些很重要。

6.你开设了一门《Uplift Modeling》的课程，你能简单地介绍谁适合来上这门课吗？

Uplift Modeling就是用来做因果关系的modeling。比如在Marketing里面我们想给用户发广告，但我们知道有些用户对广告不感冒，有些看了反而不会买，有些看了才会买。我们找出哪些用户是能被广告吸引去买的。Uplift Modeling就是用one technique来找到找到这些用户，告诉你哪些用户值得去target。

很多公司都是近两年开始用uplift modeling，这是一个非常前沿的领域。我去了很多conference，发现各个公司，尤其是科技公司，都在最近两年开始用这个方法来support marketing，其中Wayfair当然是比较pioneer的。

所以，如果你是想从事Marketing Analytics的，或者是想进入Data Science部门去support marketing的，你都非常适合来学习这门课。如果你对进入科技公司感兴趣，你也应该关心一下科技公司里这个用来支持营销决策的最前沿的方法。

当然，如果你也和以前的我一样，想从科研领域转型到工业界，但找不着方向的，也欢迎来报名这门课，我们可以交流一下。

如果你想要深入了解在商业应用的实际操作中如何一步一步地建立Uplift Modeling增量模型、如何使用Python的Pylift来实现模型、以及增量模型和传统预测模型的效果比较，就请来报名在3月2日即将开班的《营销分析专项系列课程：教你学会美国营销分析的五大做法》：

开班时间：3月2日

营销分析专项系列课程内容

课程1 分析营销渠道、优化广告预算的宏观方法：营销组合模型（Marketing Mix Modeling）

Marketing Mix Modeling （MMM）是一个在各行各业都广泛应用的营销统计工具，通过统计与计量经济模型来揭示不同营销活动对销售额、品牌、客户增长带来的不同影响。美国大型公司都通过营销组合模型的结果调整营销策略，最大化广告营销的回报。

任职于全球最大的媒介管理公司GroupM的营销分析经理，开设的《营销组合模型入门》，一步步详解模型背后的做法、原理以应用，全方位解析营销组合模型。

课程2 为每一次转化科学分配功劳：营销归因（Attribution）

绝大多数企业都采用Multi-Channel Marketing的营销模式。而在纷繁复杂的多渠道面前，大家都面临着同样的问题，那就是如何确定产生最终销量的流量来自哪里？这个问题的不同答案将直接导致企业在不同渠道上的投资和营销战略的调整等。如果你能搞明白哪些营销活动是有效的，你就能集中资源来获得新的用户，还能合理地规划和预测未来的增长。

任职于共享民宿独角兽硅谷总部的营销科技经理开设的《Attribution营销归因》，详细讲解了最前沿的Attribution模型原理、分析方法和应用场景，教会你拨开迷雾，学会解决营销中最核心的问题。

课程3 广告营销中的A/B测试（A/B Testing）

A/B Testing是一个强大且应用广泛的实验方法。在工作中非常容易遇到。即使你在统计课上学过假设检验，但是实际工作中的A/B Test还是与书本里教的不同。

在Media Advertising Industry，像A/B Testing这样的方法被称为Media Test & Learn。测试的对象不仅仅是产品的特征属性，还涉及广告的Frequency、Flighting、Channel、Target等等广告业独有的属性。那有没有一门课，可以系统性地讲解A/B Testing以及它在Advertising领域的应用呢？

前Ebay高级商业分析师、现美国第二大游戏公司EA的高级营销科学分析师开设了《A/B测试》一课，教你学会A/B Testing原理、实验设计方法、A/B Testing前沿应用。

课程4 帮你找到目标客户，进行精细运营的增量模型（Uplift Modeling）全新上线！

增量模型是常见的测量市场营销战役对消费者行为的影响的预测模型。它在追加销售（up-sell）、交叉销售（cross-sell）和留存（retention）模型中都有广泛的应用。

任职于美国家具电商的领军企业——Wayfair——的数据科学经理为大家开设《增量模型在营销中的应用》，她在课程中由浅入深地介绍Uplit Modeling的原理和做法，并以实操案例介绍Uplift R Package。

课程5 对用户进行分类和预测的随机森林模型在营销中的应用（Random Forest)

作为在市场营销领域中新兴起的、高度灵活的一种机器学习算法，随机森林（Random Forest，简称RF）拥有广泛的应用场景，既可以用来做市场营销模拟的建模，统计客户来源、保留和流失，又可以预测销售额、电影票房。近年来，更是和Marketing Mix Modeling双剑合璧，各有所长地解决不同的营销问题。

美国电信巨头Verizon的营销效果经理开设的《随机森林模型在营销领域的应用》，在R语言环境中介绍随机森林模型的原理与应用场景。

明星老师团

GroupM美国营销分析经理
独角兽公司（共享民宿）硅谷总部的营销科技经理
前Ebay高级分析师，现美国第二大游戏公司EA的高级营销科学分析师
美国家具电商领军企业Wayfair数据科学经理
美国电信巨头Verizon营销效果经理

升级的课程体验，防止你买了课却囤着不听

1. 班主任

来自Google美国的运营分析师会担任班主任，负责为所有学员规划学习进程，布置作业与deadline。

2. 助教团

助教团的助教老师们会nice地提醒大家交作业，并进行作业答疑以及批改反馈。

3. 课程视频

专项课程共持续10周。每周解锁3个课程视频（每周时长1.5小时左右）。

4. 作业

每周一次作业，将课程所学应用到新的案例中。花费时间15-30分钟。所有作业均有助教团及老师耐心批改并给予反馈。

5. 课程测试

每门课程历时两周（共5门课程）。在每门课程结束后，学员完成该课程的测试。助教团和老师对测试题目进行讲解。

6. 专项大证书

当所有课程全部完成后，学员进行期末测试，获得70分（满分100分）以上的学员，就可以拿到Marketing Analytics营销分析这个专项的大证书：

7. 任课老师直播答疑

最后，五门课程的任课老师会在最后一周举办线上讲座，帮大家融会贯通你学的五门课，教你这五个领域如何有机结合，教你如何把学到的东西和自己的职业完美结合，如何游刃有余地选择用什么武器解决什么问题。

上课流程

报名成功

添加学习助理微信进入班级学习群

每周解锁三章课程内容

（每门课程有6-7章课程内容）

每周作业巩固所学知识

每周班主任与学习助理点评作业

每两周一次测试检验学习效果

完成所有课程并通过所有测试的学员，获得专项大证书

7	专项课程任课老师线上讲座

报名方式

如果你从未买过上面任何一门课，请遵循以下优惠原则：

前20位报名学员：立减¥400，仅需¥999（相当于每门课7折优惠）
21-40位报名学员：立减¥200，仅需¥1199（相当于每门课85折优惠）
41位以后的报名学员：恢复原价¥1399

*我们提供标准Invoice，可用于企业报销

如果你曾购买过本专项中任意一门课程，请咨询小助手获得购买方式（如果你买的课程不在这五门之列，请勿扰）

小助手

Q & A

1. 如果我已经买过其中的某些课程怎么办？

完全没关系，我们考虑到了有不少用户已经单独购买过专项中的个别课程。但是我们有让你满意的解决方案！事实上，我们鼓励已经买过部分课程的同学来参与这个专项学习，尤其是买了课却还没有完课的同学。我们想让你看到自己认真上完课程后的改变！

请联系小助手购买课程：

2. 请问课程是在手机还是在桌面上观看？

所有学员既可以获得手机课程通道，又可以获得桌面课程通道！
如果你更喜欢在轻便的手机上学习，那当然可以使用手机登陆课程！
如果你身处海外，不满意跨境服务器的加载速度，不用担心，我们有网速无敌的视频平台，可以在桌面直接看视频！
总之，不论是大屏还是小屏，不论你身在世界的哪里，都会爱上我们全新升级的课程体验！

3. 我的公司非常支持员工上课，你们的课可以报销吗？

我们提供标准Invoice，已有多位学员成功报销。

4. 单独买专项内的课程和买专项有什么区别吗？（当然有啦！）

差别一：从价格上，单独买这些课总价需要¥1399，但专项课前40位学员有优惠，最低立减¥400，40名以后恢复到原价¥1399.
差别二：课程体验上，单独买课没有作业、证书、直播答疑、学习规划，一切需要靠你自学，而很多同学最后都把课囤着没有上完。但专项系列课配备全套运营服务，升级了课程体验，确保你完成课程！
差别三：单买课程并不能知道各种分析方法之间的联系与区别，不知道在什么场合用什么方法。专项课程有专门的直播环节帮大家建立联系，并教大家如何把所学与工作面试相联系。

如果你还有任何疑虑，不妨咨询小助手：

我们的课堂，期待你的到来！