數據科學家≠商業數據分析師

來源：《家族企業》雜誌

（微信公眾號ID:jiazuqiyezazhi）

作者： 科妮莉亞·林

成立了近20人的數據科學團隊，企業就能創造更多價值嗎？更常見的情形是，團隊中的數據科學家，與非數據科學背景的人員衝突不斷，數據分析也在商業應用上處處碰到瓶頸。

數據科學家 vs. 項目經理 ，

是誰不專業？

項目經理：「今天的客戶會議，數據科學家又跟客戶起爭執。他認為客戶不夠專業，根本不清楚自己的需求，也無法辨別需要什麼分析類型。我嘗試居間溝通，但是發現自己也沒辦法了解我們數據科學家的思維邏輯，所以覺得似乎該先回內部溝通一下。」

數據科學家則埋怨：「今天面對的客戶根本就不懂數據。」

「他們營銷部門要求做一個模型預估明年營收，但提供的數據不完整，又有一堆假設。我根據這些選擇了三個模型，建模跑出來的結果，就是一個會成長，一個持平，另一個衰退，他們卻指責我的情境分析是做無用功，沒有邏輯可言。但跟他們說明模型的數學公式，他們的表情一個比一個還空白。我覺得有必要跟項目經理討論，真的有數據科學需求的項目，我們才接受。目前的項目經理不合格，無法溝通數據科學的價值，也無法提高顧客對我們產出的了解程度。」

像這樣互相指責，究竟是誰不專業？其實只是雙方缺乏共通語言，對「命題」的定義分歧，團隊才無法有效運作。無數所謂「大數據」分析項目，就像這樣胎死腹中，無法落實商業價值，最後淪為公司的數字化口號，直到下一個經營管理學的時髦辭彙出現。

數據科學與商業應用的命題，

定義不同

實務上，數據科學家（Data Scientist）其實是擁有優異數理等量化技能的「技術專家」。他們最主要的能力，是根據數據、數據上的限制與環境需求，為客戶選擇一個最合適的「計算模型」，解答「數理」問題，讓客戶得以根據該解法，轉譯出背後的商業價值。

舉例來說，一個跨國的汽車工業龍頭，希望運用一年內約莫1500筆大額win/loss交易資訊，分析對比什麼樣的交易情形容易失單，藉此達到兩個目標：一個是希望能夠預估未來潛在訂單的勝算，並編入財務預測；另一個是希望能夠讓業務團隊，針對不熟悉的交易內容與方式，加強協商技能與專業知識。

這是很常見的商業需求，但數據科學家會認為這並非數據科學的命題，因而無法解答。

對於數據科學家來說，他們需要的是：

一、整理過去1500筆交易紀錄，掌握這些數據記錄了什麼欄位、欄位中的數據是什麼型態，以及評估1500筆數據的完整度；

二、請客戶協助定義要將哪些數據欄位納入分析，以預估未來的交易勝算；

三、定義預測的目標數值要以什麼型態呈現，換句話說，決定潛在訂單「勝算」的數學定義。

簡單來說，當數據科學家完成龐雜繁複的數據準備工作，接著選擇、建立合適的模型，再執行模型，預估出勝算後，往往就自認已經達成任務。至於第二個目標，也就是希望加強業務團隊的能力，會自動被數據科學家排除在模型分析之外，因為這不是能夠通過數學定義、模型建構而產生的數值。

「商業數據分析師」扮演轉譯的重要角色

部分跨國企業，在運用數據科學打造商業服務時，從多年的經驗意識到了上述難題，也就是數據科學家與商業團隊的語言鴻溝，導致「大數據分析」的預估產值，往往低於潛在價值。這也造成數據分析服務無法針對商業應用，進行效益最大化與最低投資成本的規劃，因此，所謂「商業數據分析師（Business Data Analyst）」的角色，再度崛起並重新被定義。

商業數據分析師通過多年的業界經驗，累積出所謂「商業洞察」的能力，在接觸一個模糊的商業命題時，能夠精準應對管理層的需求。

面對商業應用的問題探索與定義能力，他的角色更像所謂的「商業數據應用顧問」。

另一方面，商業數據分析師也必須具備與數據科學家溝通的能力，換句話說，他必須嫻熟計量語言，能夠把管理層的商業應用命題，再轉化成數學命題，讓數據科學家有著力點，接手規劃、選擇計量工具。數據科學家完成模型建構、計量解法與模型後，商業數據分析師要再將產出預估結果的過程，轉譯為商業應用。

回到上述跨國汽車工業龍頭的例子，也就是說，商業數據分析師要再將模型產生的數值，轉譯為財務單位能夠納入財務預測模型的變數，滿足財務預測的需求；同時，當模型顯示，某些變數可用來預估訂單勝算，是良好的勝算預估值，商業分析師就要再將這些變數對預估值的影響，轉譯為加強業務單位技能的內容。

現今的商業數據分析師，不再只是傳統認定的基礎數據分析人員，而是結合數據與商業顧問的角色。優秀的商業數據分析師，具備業界資歷、諮詢顧問、以及數據模型能力三種條件，是下一個炙手可熱的領域。

（作者是《經濟學人》智庫「健康醫療管理顧問部門」全球創新數據洞察解決方案總監，曾任飛利浦照明事業總部品牌策略分析總監，也是多家企業的企業營運、新興科技產業應用顧問。）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！