数据产品利用数据科学来提升产品表现。它们依赖一种良性循环，产品收集的数据能够改进算法，而算法的改进又会提升用户体验。

在你收集到这些数据前会发生什么呢？产品的最初版本必须解决数据科学所谓的“冷启动”问题——它必须提供“足够好的”体验来开启数据收集和数据驱动的良性循环。要拿出这种足够好的解决方案，我们要依赖产品经理和工程师。

举例来说，当Instacart的用户访问网站时，我们的应用会在“再次购买”标签下展示其最近购买的商品。这是一项用户喜欢的功能，但它几乎不需要用到数据科学——或者大量数据。当我们希望向用户推荐他们之前没有买过的产品时，数据科学就有了用武之地。这需要分析所有用户的购买行为，找出哪些用户是相似的，最终基于相似用户的购买记录来推荐产品。这就是数据科学的舞台，利用数据创造价值，让用户能够轻易发现自己可能忽视的新产品。

为了提升产品，数据科学家必须跟工程师长期密切合作。你还需要决定，是让数据科学家独自完成产品的提升，还是让他们与工程师合作。两种方式都可以，但最好将之规范化，并在整个公司内形成一种预期。否则，产品改进将难以应用到生产中，而且你会失去那些有才华的数据科学家，因为他们感到劳无所获，遭到轻视。

利用数据科学做出更好的决策

决策科学利用数据分析和可视化技术来为业务和产品决策提供信息支持。决策者可能身在公司的任何位置——可能是需要确定优先事项的产品经理，也可能是负责公司战略决策的高管团队。

决策科学涵盖的范围很广，但它们往往具有几个共性：它们是公司之前没有遇到过的新问题；它们往往是主观性的，需要数据科学家应对未知变量和缺失的背景信息；它们是复杂的，涉及大量缺乏明确因果关系的不确定因素。与此同时，决策科学又至关重要——决策的结果是具体的，对业务有着重大影响。

以上所说的可能很像是数据分析，实际上，数据分析与决策科学之间的差异并不总是很明显。尽管如此，决策科学不应该仅仅只是制作报表和指示板，数据科学家所做的工作不应是那种可以利用现成商业工具便可完成的工作。

LinkedIn的高管团队利用决策科学做出了一项关键的业务决策，即让用户资料出现在搜索结果中。以往情况下，只有付费用户才可以看到自己网络中所有人的完整资料。可见性的规则很复杂，LinkedIn希望简化它们——但使用的方法不能损害公司营收。这里面的赌注是巨大的。

LinkedIn提出的可见性模式是对非付费用户的每月用量进行限制，超出用量即停止服务。该公司的决策科学家模拟了这一改动带来的影响，他们利用历史行为数据来预测营收和用户黏性可能受到的影响。分析结果表明，公司可以走出这一步。

结果，新模式不仅对公司业务产生了积极影响，也令数百万用户拍手称赞，不仅如此，它还消除了产品开发过程中的一大难题。有些人对用量限制发出抱怨，但这部分人正是LinkedIn认为应该付费的用户。

并非所有的决策都需要运用决策科学。有些决策太过琐屑，运用数据科学所产生的成本并不值当。其他决策可能很重要，但公司可能缺乏能够进行有效分析的数据。在这些情况下，公司需要依靠直觉和实验来进行决策。优秀的决策科学家了解自身的局限性，并可以判断自己的努力是否会徒劳无功或适得其反。

虽然决策科学和数据产品需要某些相同的技能，但很少有数据科学家能够同时擅长两个领域。决策科学依靠的是业务和产品意识、系统思维以及强大的沟通能力。而数据产品则要求机器学习知识和生产层面的工程学技能。如果你有一支小型数据科学团队，你可能需要找到同时擅长这两个领域的优秀人才。不过，随着团队规模的扩大，你将从专业分工中受益。