近年来，互联网产品月活跃用户人数破亿已经不再是什么大新闻，而且用户破亿所花的时间也越来越短。2013年iTunes花了100个月，而游戏《PokemonGo》只用了短短几天。用户交互数据的激增，让很多人看到了通过挖掘数据可以获得行业洞见，从而构建伟大产品的可能。在这个过程中，数据科学家将发挥更大的作用，数据科学家们正在影响企业的关键产品策略，并通过改进算法来优化决策方式。

 

数据科学到底是什么？数据科学是一门求真的学科，它利用数据提取知识，获得行业洞见。数据科学的应用范围不断扩大，为各个行业创造了巨大的价值。但和其他尚在发展的领域一样，数据科学仍处在起步阶段。最重要的是为这一学科留下发展的空间，而不是纠结于它的分类——是数据驱动型（Data-driven），还是数据知情型（Data-imformed）。

 

为什么数据科学如此重要？

 

今天，由于互联互通程度的加深、云储存和计算成本的下降，创建一个科技公司的难度也随之降低。因此，产品月活跃用户人数破亿所需的时间也大大缩短。通过挖掘这类数据发现行业洞见，从而构建伟大产品，激发了人们极大的兴趣。企业能否对来源多样、海量杂乱的数据进行有效分析和利用，推动产品创新，成为衡量企业竞争力的新标尺。

对于数据型公司的产品团队来说，数据分析的关键作用集中在以下四点：

评估健康程度

对企业产品或企业本身进行健康分析和评估，是数据分析的重要作用之一。确立了产品成功的标准后，接下来就是对相应标准进行监督，确保方向正确和目标达成。

打造正确的产品和功能

数据分析的另一个重要作用就是确保打造出正确的产品和功能。通常，数据科学家会帮忙设计实验，提出假设，借助数据信息，指导产品团队不断优化产品。

预测结果，为产品系统赋能

数据科学家可以借助人工智能或机器学习来构建产品原型/模型，为产品系统赋能，比如，通过对某一机器学习模型进行训练，来预测前景和趋势。

为产品制定流程和策略

对用户轨迹和某些现象的深入分析，能够带来关键的行业洞见，帮助公司制定产品流程和策略，这也是世界级产品分析团队最重要的作用。

数据科学家的职责

数据科学家本身涵盖了多个角色，在不同的公司、行业，具体的角色也天差地别，但一般可以分为以下两类：

产品分析师

产品分析师的职责是交付数据知情型内容，用于产品或策略的改进。

算法开发员

算法开发员的职责是将数据驱动型功能融入到产品中，例如，优化推荐内容或搜索结果。

产品分析师侧重于制定目标，提供产品流程和策略。他们的主要工作通常是给产品团队提供一份文件，其中有可量化的问题、已识别的机会，以及基于数据的建议和解决方案。

算法开发员的主要工作是利用数据来优化产品性能。他们为工程团队提供原型代码和资源文件，并与工程团队进行紧密合作，将这些方案应用到生产中。

这两种数据科学家的能力相似，都要能够进行分析预测和数据量化。但算法开发员需要拥有更多复杂的技术知识（如机器学习、人工智能），而产品分析师则需要有更多解决问题的能力，包括能与相关管理者有效沟通。

一般来说，产品分析师属于数据知情型，而算法开发员属于数据驱动型。

并不是所有企业都需要算法开发员，但所有企业（尤其是那些用户基础雄厚的企业）都需要产品分析师，因为他们可以解决产品的问题，提高产品竞争力，帮助企业更好地应对战略上的挑战。

数据科学的演变

试想这样一个世界，机器知道你喜欢的事物，了解你的选择偏好，不用具体询问就知道该为你购买哪些东西，可以帮助你做很多决定，包括帮助你规划人生。

这样的世界在短期内可能还无法实现，它存在于人工智能成为我们的“生活大管家”的未来，那时可能大部分事务由AI负责。为了朝着这一梦想迈进，我们需要在数据驱动上更进一步。

在一个机器拥有完备信息的世界中，AI清楚地知道你行为背后的原因，以及各种原因之间的相互作用机制，这需要数据驱动与数据知情的结合。

在纯粹使用数据驱动方式决策时，数据是唯一的重要因素。而使用数据知情方式决策时，数据是一个重要因素，但不是唯一的。

当未来越来越多的流程实现自动化，相比于数据知情，世界将更偏向于数据驱动。然而，在近几十年，数据知情还将持续占据十分重要的地位，而数据驱动的发展进步则要靠数据知情型人才来推动。

下列例子最能说明数据知情和数据驱动在决策方式上的区别。

设定目标

目标的确定和追踪将日益向数据驱动的方向靠拢。例如，Facebook对活跃用户的追踪可能是一个全自动化的过程，是纯粹的数据驱动。但在制定恰当的季度和年度活跃用户数量目标和收益目标时，可能就不再是全自动化了，其中掺杂了数据知情型的方法。

确立流程和战略

流程和战略的制定是难以量化的，因此需要采用数据知情的方法。一个好的流程路线图会考虑到相关目标、这些目标的驱动因素、产品团队手中的杠杆，以及可行的行动方案。

结果预测

结果预测主要为数据驱动型。例如，要确定是否要推送某个内容，需要考虑用户点击或阅读该内容的概率等多种因素。在进行结果预测时，企业通常会进行模型开发，并不断对模型进行迭代。

为产品系统赋能

对于PayPal这类公司来说，对每笔交易都进行诈骗活动的人工审核，成本高昂。因此，它们多依靠机器学习来增强产品系统的能力，实现审核的自动化和概率评估的自动化。然而，对于那些概率评估置信水平较低的领域，决策方式就可能更偏向数据知情型。