对营销人员而言,数据科学是战友不是敌人

来源:创略科技 时间: 2018-10-24

我在推特上看过许多人谴责一篇主题为“营销人员应该使用数据科学”的文章。

这篇文章有点艰深难懂,其中主旨是,数据科学能让营销人员对自己提出的策略更有信心,同时提升他们的表现。

我觉得,数据科学除了能提升营销之外,还是一个可用于其他领域的技能,营销人员学习它可以终身受益。

数据科学这个术语之所以让营销人员不快,可能是因为他们宁愿把营销视作一种艺术,一种让我们能发挥创造性的东西。但事实上,数据科学的严格性有其独特价值,数据科学可以验证创造性,就像揭露错误行为一样。

针对那些对数据科学仅有宏观概念的人来说,以下会详细探讨这个学科包含四个方面,希望能帮助打消你们对该学科的顾虑。

数据科学是一个过程 

数据科学不仅仅是关于算法和高性能计算机。数据科学的核心是遵循一系列步骤以确保从业人员或团队进行彻底的数据分析。

理解数据科学过程首先是熟悉一般科学的过程:收集观察,建立假设,检验,相应地修正,清洗和重复。

典型数据科学工作流程图(UPX学院)

有条不紊地执行这些步骤可以获得许多价值,是数据科学带来惊喜的地方。

它是一套技能

数据科学不仅仅是科学方法还是一套成熟的技能。

微软云博客中的“数据科学生命周期图”提供了一些数据科学技能以及它们之间如何协同工作,简言之,数据科学家通常具有:

  • 对所研究业务领域有深入的了解;

  • 数据管理能力(类似数据库);

  • 数据模型建立能力;

  • 通过数据分析平台、Web应用、甚至excel表格部署模型能力;

数据科学生命周期(微软云博客)

数据科学不等于高等数学

对于那些刚刚熟悉数据科学的人来说,“建模”技能通常是一个绊脚石,因为这个术语似乎暗示您需要能够使用充满希腊字母的数学方程来生成一些看起来很奇怪的3D图。

但是,建模只是正确地准备历史数据或“训练”数据,为您正在寻找的结果选择最佳算法,并使用您的数据训练算法,以便从训练数据集之外的未来数据中获得有用的信息。

机器学习训练流程(来自英伟达)

大多数数据科学需要掌握的算法很少,比如线性回归,是数据科学的基石,只需在电子表格上点击几下就可以完成,现在许多其他技术内置到各式易于访问的数据科学平台中。

无可否认,数据科学算法是由专家编写的复杂的后台,但实际上任何人都可以使用它们来分析数据。

数据科学具有学习曲线

使用数据科学作为业务决策过程,其部分的困难在于决定使用哪种算法作为模型。当您用数据进行优化时,数据的差异可能会引起学习的难度。

网络里许多人都在宣传能帮助你选择正确的算法。但过程种最重要的部分是了解你所拥有的数据以及明确你想寻找的结果。如果没有一个清晰的计划,你将难以做出正确选择,可能会花费大量时间测试不适合你的数据算法。

如果你是一个更注重实践的人,那么我会告诉你,数据科学已经被用于市场营销。

基本的回归分析可以解决各种基本的营销难题,比如广告的排名是如何影响谷歌广告上的每次点击费用。

来自《Search EngineLand

正确使用无监督学习,可以有效识别消费者行为并将其区分和聚类。通过专业指导,你可利用数据科学来建立实时竞价机器人。

在进入数据科学领域之前,营销人员首先需要认识到,正确使用数据能够极大地帮助营销,任何人只要用心就能掌握数据科学的算法,用来提高他们的营销力。(本文来自econsultancy.com)