营销数据科学家每天都在和谁斗智斗勇？

原创：MarTechApe

——提示：不是编程

现在数据科学家的JD越来越注重技术技能了，比如说，机器学习，编程，软件和统计领域的相关技能。求职者为了匹配JD的要求，不断地在简历中加上每个自己知道的数据科学术语，以便提高简历被招聘公司的简历筛选系统选中的机会，但这非常的讽刺。

以我作为数据科学领域从业人员的有限经验来看，我发现最难完成的任务，不是选择建模方法，不是编写适合模型的代码，也不是获得可视化的结果。而是需要你运用一套完全不同的能力，找到一个可以使项目成功的机会。

那么，成为市场营销的数据科学家都会遇到哪些困难呢？

提出商业问题

对于那些从事这个行业已经有一段时间的人来说，这一点显而易见。和商业人士一起启动项目的时候，没必要提出这些问题，比如说：

假设是什么？
最终用例是什么？
根据分析，我们可以提出什么建议？

品牌经理，规划师和策略师通常会提出特定要求。对于他们来说，内容、业务目标以及达到想要的结果的方法可能很清楚。也许可能不是。无论如何你的队友是哪种情况，你都需要根据实际情况，重复理解业务上要解决的问题，并把它作为引领整个项目的指南。迄今为止，这一点是数据科学项目成功的最关键步骤。至少，它最大程度地减少了不相关的内容。最好的情况是，这样做可以极大地改善工作氛围。以待解决的商业问题作为项目指南，可以使项目人员的态度大为转变，从回复“哦，谢谢，知道了”，到回复 “这太棒了！我们又在这里学到了新东西~”。可以看到两种反应截然不同。

整合数据

行业小白可能会觉得，找到构建模型的理想数据仅需一个sql查询，或者可以使用API一键下载，又或者是教授在布置作业时发给大家的附件内容。根据数据质量、市场营销、消费者洞察力进行评级，整合数据是数据科学家为分析师准备的最难的工作之一。我虽然觉得说这种话有点自怜自艾，但我有充分的理由。

理由1：数据从哪来？

与科研项目不同，数据管道的所有者通常不是营销部门的数据用户。如果幸运的话，你的工位可能和他们很近（就像我一样），但是优先级仍然不同。如果不幸的话，你可能只拿得到每月汇总的数据，也就是只有12个数据点，鬼知道能用12个数据点做出什么洞察！如果你真的很倒霉的话，你会听到一个神话，那就是你项目的所需完美数据确实存在，但是它们深埋在客户端企业环境（通常是第一方数据捕获器）的一个被遗忘的部分中，你得先发送200封邮件，以及无尽且反复的游说，才能得到你想要的数据。

当你来到这个领域，谷仓效应（指企业内部缺少沟通，部门各自为政）使得你每天要处理的问题变得非常琐碎而又无比现实。

理由2：层次和分类法

市场营销用例需要从各种来源（第一方 vs 第三方，实时 vs 历史，问卷调查 vs 广告服务器）收集数据，这些来源往往没有通用键。营销领域里并没有一个统一的分类可以让我们加入各种不同的数据集：从一个行业到其顶级类别到子类别品牌和其子类——每个数据供应商/内部团队都遵循不同的惯例，而这些各不相同的数据惯例让数据整合变得难上加难。因为对于不同种类，品牌及其产品没有一个的等级参照，所以对于如何比较两种事物也没有单一的定义。只有在内部用户（就是看你的数据分析报告的人）同意的情况下，才能进行比较。

当然，我们也可以避免这种情况发生。只是这意味着需要花费大量的项目组织工作和时间来重新收集数据集以计算指标。这件事情有时需要几天，几周甚至几个月。你唯一能做的就是从时间的角度上注重实效性。这就引出了作为一名数据科学家在尤其是市场营销领域的下一个困难之处。

正确的时机和范围

我称这点之为“分析的流沙”。这又回到了完美与实用之间的矛盾。在紧张的办公室环境中，数据科学家的声音往往是最低分贝的，要在这样的环境中使用不那么完美的数据集，并试图产生与商业相关的见解，这本身就是一个重大挑战。在这种情况下，运用判断力并与其他利益相关者沟通来了解你需要做多少工作才能使它产生影响是最重要的。回到那句谚语，一个合理的近似值比一个姗姗来迟的完美答案更有价值。

下面有几个小技巧可以帮助你避免分析的流沙：

在整个追踪过程中，始终关注根本问题和用例，并基于得到答案所需的内容减少数据的大小。
为项目明确一个向下追踪的结构：即基于每个分析阶段的发现的决策树。虽然这听起来很简单，但我们经常跳过这一步。这样的结果就是：过多的时间被花在研究细小的分支上，而这并不能帮助我们更好地回答商业问题。一个简单的思维实验是这样的：

- 在大方向上，你希望通过数据分析找到什么？
- 根据笼统的发现，你需要往哪个方向做更深入细致的研究？
- 如果调查发现与假设不符会发生什么？
- 什么时候修改研究方向或停止项目？

在最初的数据探索之后的某个时候，按照与客户讨论的范围，编辑一个框架演示或故事板来帮助分析。

当然，工作时还会遇到其他一些困难的事情，比如选择正确的分析框架、模型和统计方法、参数调整、解释结果、在编码过程中遇到的挑战、使用无数的API和复杂的SQL、在不适合内存的大型数据集上进行扩展、整理输出、生成可重用代码、在linux命令行上做工作等等。所有的这些和其他类似的困难都还可以通过许多参考书、博客、公共GitHub资源库、导师、ML API和训练营来克服。

但对于我之前提到的，经验、判断力和优秀的管理者是关键。我想给那些希望在市场营销行业工作的数据科学家的建议是：不断更新编码和专业技能，但更重要的是，学会讲营销行业术语，学会问正确的商业问题，且通过组织结构的实践以识别和获取正确的数据。这些往往被忽视的技能在现在会更好地为我们服务，但从长远来看更重要。你同意吗？

如果你想快速渗透营销行业，成为与时俱进、身怀绝技的数据科学家，如果你想在实操中积累实战经验、了解面对现实中的数据分析难题应当如何解决，那就千万不要错过MarTechApe的宝藏项目《营销组合建模企业级实战训练营》，一个专门培养优秀数据分析师/数据科学家的企业级别实战项目，拥有企业真实数据（改编）与行业标准流程。项目经历可成为简历上的履历！项目正在预约优惠中哦！

训练营的学员收获了:

真正意义上的“用数据和模型解决营销中最重要的问题”的经历。
熟练掌握SQL、R、Tableau等时下最流行的数据处理语言，并用这些技能解决实际问题。
大大提高Media/Advertising Industry的商业意识，熟悉不同媒介渠道的广告活动对不同商业指标的不同回报率（ROI）与有效性（Effectiveness），学会用“营销效果”的视角看待营销活动，理解各大公司市场营销部门、消费者洞察部门的痛点。
跳出学校作业的框架，上手真正商业情境中、实际工作中的实战案例。让校园与实际工作无缝衔接。将学到的Analytics思维方式泛化到其他应用场景，面对Case Study建立系统性解决思路。
提升项目演示Presentation技能，学会如何从原始数据中挖掘具有意义的故事。为客户解决实际问题，提高Business KPI。
完成项目后，辅导老师将帮助你利用这一个惊艳的项目背景打造最引人注目的简历；所有学员获得内推机会，优秀学员获得一对一面试辅导。