优化影响-如何领先于通用人工智能并作为数据科学家取得成功
优化影响：如何领先于通用人工智能并作为数据科学家取得成功
这篇文章是我新书的一个节选，书中讲述了数据科学家如何不仅能够生存于人工智能浪潮中，而且能够利用它来提升自己的职业生涯。如果您想了解更多信息，请点击此处查看!
大多数数据科学家仍在优化准确性
固守你熟悉的流程不仅效率低下，而且很快将成为职业风险。当你正在完善你的 pandas 语法时，你的同行们正在学习提出更好的问题、影响真正的商业决策、优化影响。他们不是试图逃避机器人；他们正在做机器人无法做的事情。
大多数数据科学家都接受了学术严谨性的训练。在学校或 Kaggle 竞赛中，我们得到了整洁有序的数据集，并着手构建越来越精确的机器学习模型。我们被训练去追求干净的答案、统计显著性以及低错误率。一旦我们开始了第一份工作，我们就发现干净的数据很少存在，每个项目的头 90%时间都花在了数据设置上。
通用人工智能（Gen AI）正在迫使数据科学家进行另一次思维方式的转变。我们一直以来赖以为生的许多工作现在都可以由人工智能完成；也许不如我们做得那么好，但肯定足够好，而且速度要快得多。这并不是一个威胁，而是一个机会。你的经理，或者可能是你经理的经理，认为业务影响大于技术精度。仅仅交付完美的可视化或洞察力已经不够了。如果你不能推动决策，那么你就可能被取代。
从输出到结果的转变
在这个新的 AI 时代中，数据科学家必须变得更加战略性地思考。他们必须开始像产品经理一样思考。这就是我所说的“优化影响”。从决策开始，而不是从交付成果开始，然后逆向工作。即使牺牲了全面性，也要关注可操作性。在每个工作成果中传达权衡、解释和建议。
产品经理从业务目标开始，然后开始朝着决策努力。作为一名数据科学家，我经常从数据开始，问自己可以用它回答什么问题——这不再是前进的方式了。产品经理是一个无情的优先级排序者：什么实际上推动了指针？如果我们花时间在这上面，什么不会完成？产品经理从权衡、约束和杠杆的角度思考；他们更关心影响而不是优雅。数据是工具，而不是目的地。
我已经确定了每个数据科学家都可以从产品经理那里学习的五个具体的心态转变。一个在这些技能上变得熟练的数据科学家将能够抵御 AI 的侵犯。这不一定是一个晋升到 Staff+级别的剧本（尽管它可以——有很多重叠），而是一个利用 AI 弱点的框架。
五项战术行动以开始优化影响
1. 从决策开始，而不是从数据开始
大多数数据科学家通过拉取数据集来开启一个新项目。在数字中摸索，探索数据的形状，看看会出现什么有趣的趋势，这让人感到安慰（或者更准确地说，是进步的错觉），尤其是在一个模糊的项目开始时。但这就是你如何结束于无人关注的仪表板和从未被使用的模型。如果你想让你的工作有意义，你需要从以下三个问题开始：
-
这将提供什么决策？
-
它可能会改变什么行动？
-
如果我们什么都不做会发生什么？
想象一下，有人要求你分析用户流失漏斗。一个初级数据科学家可能会构建一个漂亮的漏斗图表，按平台和地区分解，甚至可能按月度群体进行细分。但接下来呢？这项分析支持什么决策？团队可以采取什么行动？可能更好的问题是：“如果我们了解到安卓用户流失更多，我们会做些什么不同的事情？”可能正确的决策是是否投资工程时间来修复安卓的注册流程。这是你在写第一行 SQL 之前需要的业务背景。
在你运行第一个查询之前，与你的利益相关者就他们试图做出的决策达成一致。如果你的分析没有导致决策，那就是浪费时间。从结果开始，逆向工作。关键是可操作性。
为什么它使你与 AI 区分开来： LLMs 可以分析数据，但它们无法理解组织动态，预测政治阻力，或选择哪些战斗值得打。这是判断——人类的领域。
2. 优先考虑推动路线图的项目
数据科学家经常陷入追逐有趣问题的陷阱。但有趣并不等同于重要。我曾经花了两周时间写了一份 50 页的分析报告，记录了用户在新兴行为线上的活动；尽管组织中的每个人都阅读了它，但没有人为此采取任何行动。我为这个结果感到自豪，但它没有可操作性。这是一个警钟。
如果你想变得不可或缺，就要靠近路线图。公司这个季度要下注的 2-3 个赌注是什么？产品经理在为什么事情失眠？哪个未解决的问题阻碍了下一个重大举措？将你的项目锚定在这些点上。如果你的工作直接与团队的目标相关联，那么它更有可能推动行动——并且更有可能被领导层看到。
战略项目有五个关键特征：
第一，它影响了一个关键的产品或业务决策。这不仅仅是提供数据来告知决策，而是提供实际改变决策的数据。战略项目揭示的见解使利益相关者思考：“我们需要重新考虑我们的方法。”
第二，它与路线图规划或资源配置相关联。战略工作融入季度规划周期、年度预算流程或重大产品发布。这是在团队决定下一步要构建什么时，领导层会议中引用的分析。
第三，它揭示了产品方向中的权衡或不确定性。战略项目不仅确认了大家已经相信的事情，还揭示了隐藏的假设，量化了困难的权衡，或暴露了团队思维中的盲点。它们使无形的东西变得可见。
第四，它产生了可重用的成果。战略项目创建了指标、模型、框架或见解，这些被其他团队或未来的决策所利用。它们不是一次性分析，而是消失在虚空中。
第五，它提高了他人决策的上限。战略工作将对话从战术层面（“我们应该改变按钮颜色吗？”）提升到战略层面（“用户参与度对我们业务实际上意味着什么？”）。
聪明的数据科学家不仅回答有趣的问题，还回答有价值的问题。初级分析师和战略数据科学家之间的区别在于他们识别真正重要工作的能力；那些影响决策、改变思维并推动业务向前发展的工作。
为什么它使你与 AI 区分开来：AI 可以揭示见解，但只有你能看到产品格局，权衡利弊，并在真正有影响力的地方战略性地定位自己。
3. 定义反映业务并激励正确行为的指标
每个指标都编码了假设、优先级和权衡。问题不是“我们能测量什么？”而是“我们应该优化什么？”这种区别将战略数据科学家与战术数据科学家区分开来。战术数据科学家将指标视为既定事实。“营销想提高转化率？太好了，让我们测量转化率。”战略数据科学家提出更深层次的问题：“业务实际上关心的是什么？我们想鼓励哪些行为？如果我们优化这一点，可能会产生什么反效果？”许多臭名昭著的订阅服务（in)famously）试图通过使取消变得更困难来降低取消率……这并不是见解，而是不匹配的激励措施。
你的工作是定义指导良好决策的指标。这意味着从业务目标开始，逆向工作。成功实际上是什么样子？我们希望鼓励什么行为？我们可以使用什么领先指标来早期发现问题？以及优化这个指标可能有什么负面影响？
将你的指标分为四个层次。北极星指标定义了长期成功并使整个公司保持一致——比如 YouTube 跟踪每周活跃创作者，以将他们的使命集中在内容生产上。支持性指标分解并推动北极星指标的发展，揭示战略行动最需要的地方——比如创作者留存率或每位创作者的上传量。护栏指标在优化过程中防止意外损害，确保质量和信任即使在激进的增长下也能保持完整。而运营指标保持系统日常运行——对于执行至关重要，但战略并不在这里。
大多数数据科学家将设计支持性指标——这些是提供实验信号的指标。一个出色的支持性指标做三件事：反映现实、影响行为，并对变化敏感。做对这件事意味着与产品经理、工程师和运营团队紧密合作，以了解整个系统。
为什么它使你与 AI 不同：AI 可以优化一个数字，但只有你可以质疑这个数字是否正确。定义成功是一个政治、战略和人类行为，受到你特定业务细微差别的 影响。
4. 将分析方法与决策风险和价值匹配
在你编写任何代码或制定实验设计之前，退后一步并问四个战略问题：我们需要多快得到答案？我们承担得起多大的错误？我们面临什么约束？以及这项分析取决于什么决策？这些问题——时间表、精度、可行性和影响力——形成了一个心理模型，用于选择适合当前情况的分析方法。
时间表通常是主要的约束条件。如果领导要求周五做出决定，你并不是在进行一个金标准的实验。你是在使用历史数据、描述性指标或合成比较来快速做出明智的决策。
精度关乎风险承受能力：涉及公司命运的决定需要严格的测试和大量样本；按钮颜色的改变可能只需要一个方向性的信号。当风险较低时不要过度设计，而当风险较高时不要低估设计。
可行性提醒我们，现实世界的分析是在约束条件下进行的——流量、工具、组织政治、数据访问。但这些约束并不是障碍；它们是设计参数。你的解决方案可能成为你的竞争优势。
最后，影响力关乎无情的优先级排序。你最复杂的方法应该支持你最重要的决策。如果一项分析不会影响建设、资助或取消的项目，那么你要么是在浪费时间，要么是在避免一场更艰难的对话。
在抽象意义上，没有“最佳”方法。最佳方法是适合你的限制并推动决策向前发展的方法。为了使方法与时刻相匹配，问问自己：假阳性的成本是多少？假阴性的成本是多少？这项分析将告知什么决策，这个决策的可逆性如何？单行门需要严谨。双行门需要速度。如果是百万美元的赌注，就获得紧密的估计。如果是 UX 调整，就发货并在接下来的一个星期或两周内进行监控。
优秀的分析不仅仅是准确的——它还需要适合支持决策的范围。
为什么它能让你与 AI 区分开来： AI 可以计算统计显著性，但它无法权衡商业风险或调整所涉及的内容。你不仅仅是运行测试，你还需要管理后果，并且你需要从你的经验中获得商业背景。
5. 将洞察转化为行动，而不仅仅是理解
数据科学中最大的罪过不是错误——而是无关紧要。一个巧妙的模型或丰富的洞察力，如果它不改变业务下一步的行动，就没有任何意义。我犯过这个错误：展示一个精炼的分析，得到礼貌的点头，然后离开，认为我已经完成了我的工作。但真正的考验是，你的工作是否促使某人采取行动。
这意味着你的工作需要带有观点。如果你只是展示发生了什么，那么你就没有完成这项任务。你还需要建议下一步该做什么。明确权衡、风险和信心水平。展示这一洞察如何与团队目前面临的决策联系起来。更好的是，在与利益相关者打开幻灯片之前，与他们共同制定行动计划。
一个技巧：在开始分析之前先写好建议幻灯片。如果你无法想象你的工作会产生什么行动，就不要做。数据科学的价值仅在于它所启用的决策。
为什么它能让你与 AI 区分开来： AI 可以发现模式。你将它们与战略、紧迫性和所有权联系起来——然后让人们真正采取行动。这就是推动影响力的原因。
战略是你的新工作
你有一个选择要做。你可以继续做你一直做的相同类型的工作，希望有人能认识到你的价值，给你提供战略影响的机会。或者你可以主动发展战略能力，为自己定位高影响力工作，并帮助定义数据科学的未来。
第一条路径很舒服但很危险。第二条路径具有挑战性但很值得。
我们讨论的五种心态转变不仅仅是生存策略。它们是职业加速器。掌握这些技能的数据科学家不仅成为 AI 免疫的，他们还成为不可或缺的战略合作伙伴，推动真正的业务成果（以及主要的晋升候选人！）。
从小处着手，但立即开始。选择本季度的一个项目并应用决策优先框架。选择你目前正在跟踪的一个指标，并问自己：这个指标是否在推动正确的行为。选择你已完成的一个分析，并问自己：“基于这个分析，我们应该采取什么行动？”
建立战略能力需要时间。你不可能一夜之间成为战略数据科学家，也不应该有这样的期望。但每个月你投入于培养商业洞察力，每个季度你投入于构建跨职能关系，每年你投入于承担更多战略工作，这些都将不断累积。
人工智能革命已经到来。问题不在于你的角色是否会改变，而在于你是否会引领这种改变，还是让它发生在你身上。你的技术基础已经稳固。现在是你建立战略思维的时候了。未来属于那些能够做到这两点——并且未来从你的下一个项目开始。
这篇帖子是否点燃了你成为更具战略性的数据科学家的好奇心？ [购买 《战略数据科学家：在人工智能时代提升自己并茁壮成长》(https://amzn.to/470s3YN) 在亚马逊上。学习战略数据科学家用来驱动影响而不管理人员的框架、思维方式和策略；并了解如何与人工智能作为战略副驾驶合作，而不是替代者。
浙公网安备 33010602011771号