白癜风趁早治疗 http://disease.39.net/bjzkbdfyy/171003/5739869.html“哪些业务需求可以数字化?”
“数据科学只是单纯的技术问题？”
“数据科学家的最大的挑战是什么？”
第四次工业革命来临，许多企业已经意识到了要利用数据科学能力推动商业模式的创新，尝试将经营中产生的数据转化为适配业务需求的决策模型，由原本依靠经验的“人治”变为“数治”。
数据科学的应用领域同数据科学领域本身一样多样化，但成功突围的却是少数。“数据智能项目很难达到目标，90%的立项，最后只能草草收场。”
越是艰难，越是能让这些项目形成企业能力上的核心资产。任何企业都会产生数据，但数据本身不是万灵丹，它只是加速器，方向盘仍旧掌握在人的手中。
截至年，和鲸已经帮助了七个行业的Top3客户完成了数据智能的价值落地。将协同能力的内核落实到数据科学开发的全流程中，和鲸的经验或许能帮助大家揭开数据科学的图景。我们邀请了和鲸科技创始人兼CEO范向伟先生，对大家常提出的问题进行了统一回答。
和鲸科技创始人范向伟
01数据智能项目的两个挑战
问：过去5、6年，大数据经历了一个高峰，也经历了一个低谷。高峰期在16-17年，市面上最贵的工程师都投身于人工智能，而低谷也就是过去两年，人工智能主流的公司在上市过程中遇到了很大的挑战。一个现象就是，大部分人工智能项目都赚不到钱，对此您怎么看？
范向伟：现象确实存在。无论是在乙方还是在甲方内部，目前人工智能相关项目评估下来的ROI都很低。数据智能项目普遍达不到立项的目标，这个比例在90%，相信接触过相关项目的小伙伴都会有一些比较感同身受的经历。
和鲸作为数据科学平台，其实也做过各方面调研，我们归纳下来认为，大部分数据智能项目都面临着两个挑战，是导致项目失败的常见原因。
一个在供给侧，一个在需求侧。
供给侧，为企业数据能力负责的数据工程师或者算法科学家，都会去构建一个基础设施的金字塔结构，也就是保证底层的技术平台尽可能稳固、标准、可拓展，从而可以处理更多数据，产生更高计算效率。然后再一层层往上叠，将这个能力转化为更低的服务成本，去支撑更多需求场景。这是对数据工程师的挑战。
而需求侧，目前几乎所有可以用KPI描述业务的部门，都会给数据部门提需求，需求场景是指数级上升的。但个需求场景中，合理的比例，可能只有10%，剩下的90%，是因为他缺乏业务的思路，单纯想看到更多数据报表，这就会导致需求描述不清楚。所以这是对业务人员的挑战。
这样的结构，导致数据智能项目，往往很难让做数据的人和用数据的人看到进展，因为它是一个非线性爬坡的过程，你不知道是在哪里被卡住了。需求本身不确定，用什么样的数据也不确定，往往还不知道自己哪里做错了，项目就被叫停了。
供给与需求的结构性矛盾
这两个挑战带来的结果是什么？
一个是更高的工程成本，或者说指数级的工程成本。要搭建起金字塔结构，工程师将面临着大量跟机器学习、数据分析无关的基础工作、协调工作要处理，需要大量时间投入。与此同时，系统搭建起来后跑模型，模型结果不好的原因也有很多，而且相互影响、相互嵌套，导致排查、调试的时间成本是指数级上升的。
另一个结果，可以概括为更不确定的业务需求。既然业务链条中的各种问题都会找到数据部门，那数据部门到底怎么设计数据平台的架构、怎么积累算法模型的能力、怎么安排时间，就类似于是个风险投资问题了。数据智能项目的ROI符合幂律分布（PowerLaw）——极少数项目产生的价值非常大，而大部分项目几乎不产生价值。它就要求数据科学家一定要非常慎重地去做需求分析，如果业务方无法清晰地陈述自己的需求，就很可能是伪需求。
所以这两个挑战直接导致企业中供给和需求存在着结构性的错配，数据部门跟业务部门常常相互不满意。业务部门想要提需求，但很难把数据智能的需求说清楚，数据权限都拿不到，或者找不到合适的数据。又因为需求不清楚，成功率不高，企业不愿意投入资源，拿不到资源，也很难完成模型的打磨。数据智能的落地，就陷入了需求不清晰、供给低质量的恶性循环。
02从数据到业务应用的反馈闭环
问：既然供给侧和需求侧存在着错配，那让它重新形成回路是不是就能解决这些问题了。放到实际工作场景中，供需双方该如何去做呢？可以通过彼此多“沟通”解决吗?
范向伟：如何去做，基本原则很简单，就是按照敏捷开发的原则，把大回路拆成小回路，最重要的是，要跟业务部门掰扯清楚，业务到底想回答什么问题，要搞清楚这个事情到底有没有价值。
这是一门很大的学问，我们观察下来，大部分数据工程师都不喜欢干这个事情，不喜欢进行需求的争论和探究。但这件事又很重要，我们自己认为，一个项目70%的成败与否都取决于这个需求是不是一个真实的需求、重要的需求。
因为和工程相关的工作，在过去几年已经越来越成熟了，包括现在也出现了大模型，自动化调参、分布式训练的方案，这里面的平均水准越来越高。更大的问题还是在于，大部分业务需求的质量还是很低，很少有业务人才能够把自己的数据需求、算法需求给理清楚。
一个是需求的质量，一个是数据的质量，这两块现在在AI的实践中问题很大。不管多优秀的算法科学家，在这两段都容易掉到坑里面去。我们能建议的，就是在实战中，数据工程师可以更多地去
