企业要想保持竞争力，必须比大数据分析做的更多。不去评估他们手中的数据质量，他们想要的结果，他们预计从这种数据分析中获得多少利润， 这将很难正确地找出哪些数据科学项目能够盈利，哪些不能。
常见的数据科学错误：
1、相关关系和因果关系之间的混乱
大部分的数据科学家在处理大数据时假设相关关系直接影响因果关系。使用大数据来理解两个变量之间的相关性通常是一个很好的实践方法,但是,总是使用“因果”类比可能导致虚假的预测和无效的决定。要想实现利用大数据的好效果,数据科学家必须理解相关关系和根源的区别。关联往往是指同时观察X和Y的变化，而因果关系意味着X导致Y。
2、没有选择合适的可视化工具
解决任何数据科学问题的至关重要一步,就是要获得该数据是关于什么的洞察力,通过丰富的可视化表达，可以形成分析基础和建立相应模型。
鳄鱼网(2CP)，专注数据分析！
3、没有选择适当的模型-验证周期
科学家认为，建立了一个成功的机器学习模型，就是获得了大程度的成功。但是，这只是成功了一半，它必须要确保模型的预测发挥作用。
为了保留已建模型的预测效果和有效性，选择迭代周期是非常重要的，如果做不到，可能会导致错误的结果。
4、无问题/计划的分析
“数据科学的用途就是设计实验,提出正确的问题和收集正确的数据集,一切工作都要根据科学的标准。然后你将获得结果，并解释它。”大多数数据科学项目终是回答“是什么”的问题,这是因为数据科学家通过手头的问题作分析而不遵循做分析的理想路径。
为了避免这种情况,数据科学家应该集中精力获得正确的分析结果，这可以通过明确实验，变量和数据准确性和清晰明白他们想要从数据中获得什么实现。这将简化以往通过满足假设的统计方法来回答商业问题的过程。
|
|