對于許多旁觀者而言，傳統(tǒng)數(shù)據(jù)分析、大數(shù)據(jù)和人工智能是全然不同，且毫不相關(guān)的事物。然而，《像數(shù)據(jù)達人一樣思考和溝通》這本書將要匡正這樣的認知，并指出這3個領(lǐng)域事實上是高度相關(guān)的。它們都涉及統(tǒng)計思維，而一些傳統(tǒng)的分析方法，例如回歸分析、數(shù)據(jù)可視化技術(shù)等，對這3個領(lǐng)域同樣適用。統(tǒng)計學中的預測分析與人工智能領(lǐng)域的監(jiān)督式機器學習基本上就是一回事。而且，大多數(shù)的數(shù)據(jù)分析技術(shù)也適用于各種規(guī)模的數(shù)據(jù)集。簡而言之，一位優(yōu)秀的數(shù)據(jù)達人可以高效地處理好這3方面的工作，而花費大量時間去細究它們之間的差異則往往是無用功。固有觀念2: 只有專業(yè)的數(shù)據(jù)科學家才能成為數(shù)據(jù)熱潮中的弄潮兒。
人們有時對數(shù)據(jù)科學家盲目崇拜，認為只有他們才有可能有效地處理和分析數(shù)據(jù)。然而，近來興起了一陣全新的、極為重要的潮流，旨在讓數(shù)據(jù)思維變得更加全民化。越來越多的機構(gòu)開始注重培養(yǎng)普通員工的數(shù)據(jù)思維和數(shù)據(jù)分析能力。自動化機器學習工具使得人們可以更輕松地建立數(shù)學模型，并利用模型出色地完成預測工作。當然，我們?nèi)孕枰獙�業(yè)的數(shù)據(jù)科學家負責開發(fā)新算法，并為那些進行復雜數(shù)據(jù)分析工作的普通員工把關(guān)。但是，一些單位選擇把與數(shù)據(jù)分析相關(guān)的工作交給單位中那些非科班出身的數(shù)據(jù)達人負責，這樣做往往能夠讓數(shù)據(jù)科學家專注更重要的工作。固有觀念3: 數(shù)據(jù)科學家無所不能，他們掌握著從事數(shù)據(jù)活動所需的全部技能。
數(shù)據(jù)科學家是受過專業(yè)訓練，從事模型開發(fā)和代碼編寫工作的人。人們往往想當然地認為，數(shù)據(jù)科學家同樣能夠包攬模型的實際應(yīng)用工作。換句話說，人們認為數(shù)據(jù)科學家是無所不能的。但實際上這樣的人鳳毛麟角。對于一個數(shù)據(jù)科學項目來說，那些不僅了解數(shù)據(jù)科學的基礎(chǔ)知識，而且了解所處行業(yè)、能夠有效地管理項目，并擅長建立業(yè)務(wù)關(guān)系的數(shù)據(jù)達人才是無價之寶。他們不但能夠勝任數(shù)據(jù)科學工作，還能提升數(shù)據(jù)科學項目的商業(yè)價值。固有觀念4: 人們需要具有非常高的數(shù)學天賦，并經(jīng)受大量訓練，才有可能在數(shù)據(jù)和分析方面取得成功。
一個相關(guān)的假設(shè)是，為了從事數(shù)據(jù)科學工作，人們必須在該領(lǐng)域接受過良好的培訓，因此一個數(shù)據(jù)達人也必須非常擅長和數(shù)字打交道。數(shù)據(jù)方面的天賦與訓練固然對從事數(shù)據(jù)科學相關(guān)工作有幫助，但《像數(shù)據(jù)達人一樣思考和溝通》這本書中的一個觀點令我深感認同: 一個擁有動力的學習者能夠掌握數(shù)據(jù)和分析知識，并在數(shù)據(jù)科學項目中貢獻力量。部分原因是，統(tǒng)計分析的基本概念遠沒有那么深奧；同時，想要參與數(shù)據(jù)科學項目，也并不需要極高水平的數(shù)據(jù)和分析能力。與專業(yè)數(shù)據(jù)科學家協(xié)作，或是參與自動化人工智能項目，需要的只是提出關(guān)鍵問題的能力和好奇心、在業(yè)務(wù)問題和定量結(jié)果之間建立聯(lián)系并識別出可疑假說的能力而已。固有觀念5: 如果你在大學或研究生階段的主要研究方向并非定量（quantitative）領(lǐng)域，那么現(xiàn)在學習數(shù)據(jù)和分析方法所需的知識就為時已晚。
這一觀念甚至得到了調(diào)查數(shù)據(jù)的支持: 在Splunk公司于2019年對全球約1300名高管的調(diào)查報告中，幾乎所有受訪者 (98%) 都認為數(shù)據(jù)技能對他們未來的工作很重要。81%的高管認同數(shù)據(jù)技能是成為高級領(lǐng)導者所必需的，而85%的人認為掌握數(shù)據(jù)技能會讓他們在公司中變得更有價值。盡管如此，仍有67%的人表示他們不習慣自己獲取或使用數(shù)據(jù)，73%的人認為數(shù)據(jù)技能相較于其他業(yè)務(wù)技能更難習得，53%的人認為自己年紀太大，已經(jīng)錯過了學習數(shù)據(jù)技能的黃金時期。這種數(shù)據(jù)失敗主義（data defeatism）對個人和組織都是有害的，而本書作者和我都認為這不過是無稽之談。仔細閱讀本書正文，你會發(fā)現(xiàn)其中不涉及任何艱深難懂的知識！
因此，拋開這些固有的觀念吧，讓自己成為一個數(shù)據(jù)達人。你將成為職場上更有價值的員工，并幫助你所在的機構(gòu)變得更加成功。這就是世界的發(fā)展方向，是時候開始加入浪潮，更加深入地了解數(shù)據(jù)及其分析方法了。我相信，閱讀《像數(shù)據(jù)達人一樣思考和溝通》，探索數(shù)據(jù)科學，你將會收獲一段富有價值且充滿樂趣的旅程。前言對于本書的讀者來說，無論主觀意愿如何，數(shù)據(jù)或許已經(jīng)成為你工作中最重要的一部分，沒有之一。而你之所以翻開這本書，大概是因為希望能夠了解數(shù)據(jù)究竟是怎么一回事。
首先，有必要重復一個老生常談的問題: 在這個時代，每個人創(chuàng)造和接收的信息比以往任何時候都多。毫無疑問，現(xiàn)在是一個數(shù)字的時代。而這個數(shù)字時代也催生了一個充斥著承諾、行話和產(chǎn)品的行業(yè)，其中許多是翻開本書的你，你的經(jīng)理、同事和下屬正在或?qū)⒁�接觸的。但是，盡管與數(shù)據(jù)相關(guān)的承諾和產(chǎn)品不斷涌現(xiàn)，數(shù)據(jù)科學方面的商業(yè)項目卻往往會很快就陷入失敗。美國科技博客VentureBeat在2019年進行了一個調(diào)查，其中顯示87%以上的數(shù)據(jù)項目以失敗告終。
這里需要澄清一下，我們并非暗示所有關(guān)于數(shù)據(jù)的承諾都言之無物，或所有的產(chǎn)品都糟糕透頂。相反，要真正了解這個領(lǐng)域，必須首先接受一個基本事實: 事情遠比我們想象的要復雜。從事數(shù)據(jù)方面的工作意味著與數(shù)字、細微差別和不確定性打交道。數(shù)據(jù)至關(guān)重要，這毫無疑問，但與此同時，它并不簡單。然而，有一個行業(yè)卻在試圖讓人們忽視這一點這是一個在不確定的世界中試圖承諾確定性，并利用公司對落伍的恐懼而牟利的行業(yè)。我們在本書中將其稱為數(shù)據(jù)科學工業(yè)復合體（Data Science Industrial Complex）。
數(shù)據(jù)科學工業(yè)復合體
對于身處其中的每個人來說，數(shù)據(jù)科學工業(yè)復合體都是一個有待關(guān)注的問題。企業(yè)不斷買入產(chǎn)品，期待它們能代替自己進行思考；經(jīng)理們雇傭名不副實的專家；各種機構(gòu)都在招聘數(shù)據(jù)科學家，卻并沒有做好迎接他們的準備；高管們不得不聆聽無窮無盡的行業(yè)黑話，并假裝理解。這樣的現(xiàn)狀造成了大量數(shù)據(jù)項目的停滯和資金的浪費。