-提出好问题的艺术-
《提出好问题的艺术》
答案通常归结于一项关键技能，它将战略数据科学家与战术数据科学家区分开来：不仅能够提出更好的问题，而且能够构建这些问题。
好问题能产生影响力。而这种影响力——不仅仅是技术上的卓越——是你抵御 AI 取代你角色的最佳防御。
《数据科学影响的三级》
在我谈论什么造就了一个优秀的问题之前，我想描述数据科学家三个级别的表现。定义了这些级别之后，我们就能看到为什么更好的提问是跨级别的主要区分因素。
当大多数数据科学家在职业生涯中进步时，他们在产品影响力方面也会提升到不同的级别。较低级别是 AI 可能构成威胁的地方，但高级别则将其视为机遇。
第 1 级：反应性执行者 你在决策做出之后回答问题。你大部分的工作来自 Jira 工单或 Slack 请求。你专注于快速交付清洁的分析，但你很少知道你工作的更广泛的战略背景。
第 2 级：信息丰富的合作者 你参与产品规划会议并运行实验，通过提出澄清问题来更好地理解即时问题。虽然仍然主要是反应性的，但你提供信息而不是构建框架。
第 3 级：战略合作伙伴 你塑造优先事项。你确定在别人想到之前值得解决的问题。你提出战略问题。你的工作直接影响着什么被构建、发布或资助。
提升到第 3 级行为，无论你在组织中的实际资历如何，都能保护你的职业生涯免受潜在 AI 影响（并且还能为你获得强有力的晋升！）。
这里的启示是，在第 1 级，你是在回答别人已经构建的问题。在第 2 级，你是在澄清问题以解决即时问题。但在第 3 级，你是在提出能够重塑整个团队对问题看法的战略问题。
随着你向更高级别发展，你从回答问题转变为提出更好的问题。但什么使一个问题“更好”？什么将常规的数据请求转化为战略洞察？答案在于五个具体的属性，这些属性定义了高杠杆问题。
驱动决策的问题解剖
并非所有问题都同等重要；有些会产生忙碌的工作，有些会揭示洞察，但最好的问题会产生决策。我已经确定了五个属性，这些属性将高杠杆问题与低杠杆问题区分开来，将战略问题与忙碌的工作区分开来：
决策关联性: 伟大的问题与行动有明确的联系。当你回答它们时，有人知道下一步该做什么。
-
而不是: “我们用户群体的参与度是多少？”
-
问: “我们应该针对哪些群体进行保留率活动，我们应该分配多少预算？”
减少模糊性: 它们澄清模糊或风险产品赌注。在聪明人意见不一致的情况下，它们提供了一个前进的框架。
-
而不是: “有多少用户尝试了新功能？”
-
问: “新功能是否正在蚕食我们的核心使用，还是它在扩大整体参与度？”
方向性: 它们不仅描述，还指导。它们指向具体行动并揭示重要的权衡。
-
而不是: “功能使用与保留率之间的相关性是什么？”
-
问: “如果我们专注于这个功能，我们期望的最大保留率提升是多少？”
可扩展性: 他们为解决未来或跨团队中类似问题创建框架，构建组织能力，而不仅仅是个人洞察。
-
而不是: “上周转化率发生了什么变化？”
-
问: “我们应该监控哪些早期指标来预测转化率变化，在它们影响收入之前？”
非显而易见: 它们揭示了未被考虑的权衡，并挑战现有的假设。
-
而不是: “用户是否在使用我们的推荐？”
-
问: “我们的推荐是否使用户更加自主，还是更加依赖我们的平台？”
问题阶梯：你的战略影响之路
现在你已经知道伟大的问题能取得什么成就，你是如何将这一点应用到刚刚从你的产品经理那里收到的请求上的呢？我开发了一系列我喜欢问的问题——无论是仅仅问自己，还是问我的产品经理或工程团队——这有助于我处理战术请求并确保它产生战略性的结果。我把这称为问题阶梯。这是一个实用的工具，它改变了你与利益相关者互动的方式。
在立即进行分析之前，你通过每个阶梯的工作来确保你正在解决正确的问题：
1: 观察: 有所变化，或者有人好奇
2: 明确性: 我们究竟想了解什么？
3: 相关性: 这如何与产品或业务目标相关联？
4: 决策: 这将使什么决策或行动成为可能？
5: 优先级: 这是否值得优先考虑其他工作？
在你通过问题阶梯前进的过程中，请记住上一节中的五个属性。在你问的每个问题之后，使用良好问题的五个属性来确定接下来应该问什么。
这就是它在实践中是如何工作的。产品经理带着看似简单的请求来找你：“你能分析我们的特征采用率吗？”
而不是立即编写查询，你先攀登这个阶梯：
观察：“是什么具体的变化或模式促使了这一请求？”
澄清：“我们是在试图了解哪些功能最受欢迎，哪些用户最活跃，还是哪些功能推动留存？”
相关性：“特征采用如何与我们的当前产品战略相联系？我们是在评估现有功能还是决定下一步要构建什么？”
决策：“关于产品开发的决定有哪些正在等待这个分析？如果采用率远高于或低于预期，我们会做什么？”
优先级：“我们会暂停哪些其他项目来采取这个分析中的见解？我们需要多少信心来改变我们的开发优先级？”
这个过程通常需要 10-15 分钟的对话，但它将一个通用的报告请求转变为具有明确行动含义的战略分析。
从执行者到战略伙伴
问题阶梯还能帮助你识别何时不进行分析。如果你在 4 级和 5 级找不到清晰的答案，那么这是一个强烈的信号，表明分析目前还不值得进行。花时间明确战略背景比产生不会被使用的见解要好。
我看到数据科学家直接从产品经理的请求跳到编写代码，然后 wonder 为什么他们漂亮的分析被忽视了。这个阶梯迫使你在最有价值和最不昂贵的时候做战略工作。
这就是如何从“票务员”转变为战略伙伴。与第 1 级数据科学家和第 3 级数据科学家的一个重要区别是，在第 1 级，你是一个强大的贡献者，但在第 3 级，你是在提升整个团队。使用这个阶梯不仅会改善你的问题，还会改善你的利益相关者的问题。
本文中的框架——三个级别、五个问题属性和问题阶梯——不仅仅是更好的分析工具。它们是转变你作为数据科学家展现方式的关键技能。掌握它们，你会发现正确的问题不仅能提高你的工作，还能提升周围人的水平。
这篇帖子是否激发了你成为更具战略性的数据科学家的好奇心？ 我在我的新书《战略数据科学家：如何在人工智能时代提升自己并茁壮成长》（The Strategic Data Scientist: How to Level Up and Thrive in the Age of AI）中扩展了这些框架——以及许多其他框架。我写这本书是因为在我的整个职业生涯中，我看到了太多的数据科学家在将他们的技术工作与真正重要的业务问题联系起来时遇到困难。如果有一个要点，那就是：对抗 AI 的最佳防御不是更多的代码，而是一种不同的思维方式。
如果您想深入了解，现在就可以在亚马逊购买这本书——并开始将这些框架付诸实践。 平装本和精装本将于 9 月 30 日上市。
浙公网安备 33010602011771号