为什么数据建模还不够
摘要
文章指出数据科学项目高失败率源于模型与业务决策脱节,主张用决策科学将数据分析与业务目标对齐,从建模数据转向建模决策。
核心要点
- 研究显示60%至85%的数据科学项目以失败告终,失败主因通常不是算法差或数据科学家无能,而是模型与管理者所需信息脱节。
- 数据科学家被训练关注预测和准确性指标,管理者则关注成本、市场份额、利润等业务指标,沟通鸿沟使模型纸上优雅却实践闲置。
- 作者对比数据科学与决策科学的硕士课程和招聘广告发现:数据科学更强调编码、预测和机器学习,决策科学更强调用数据直接建模决策与逻辑。
- 决策科学通过建模管理者必须做出的决策,将数据模型分析与业务目标直接挂钩,避免只依赖“便利数据”。
- 文章引用专家观点称,数据科学项目失败的首要原因是业务人员与数据科学家没有理解真正的业务问题。
原文佐证
- Studies suggest that 60% to 85% of data science projects end in failure.
- The models predict demand but do not tell management what to do with those predictions.
- If your analytics investments are not delivering ROI, stop modeling just your data and start modeling your decisions.
AI 洞察
企业AI落地常把“预测准确”误当成“业务价值”,真正的瓶颈在决策层而非算法层。决策科学把模型输出翻译成可执行选择,可能成为AI产品设计与数据团队转型的关键环节。对从业者而言,理解业务决策比提升模型分数更能决定项目成败。