TDS-通讯-如何通过引人入胜的数据故事促进更好的商业决策
TDS 通讯：如何通过引人入胜的数据故事促进更好的商业决策
原文：
towardsdatascience.com/tds-newsletter-how-compelling-data-stories-lead-to-better-business-decisions/不要错过《变量》每周通讯的新版本，我们的通讯包含编辑精选、深度分析、社区新闻等内容。
数据叙事在今天是否仍然重要？在一个快速提示就能生成千张图表，AI 代理能在几秒钟内生成详细报告的世界里，这个概念甚至还有相关性吗？
我们本周突出的文章响亮地回答了“是的”。数据驱动的叙事始终是一个永恒的工具，因为它体现了一种独特的人类思维和推理方式。它们将事实、观点、趋势和直觉融合成一个连贯的故事，使团队和组织能够做出更好的决策，并以更创造性和创新的方式思考。
超越数字：如何人性化你的数据和数据分析
在海量数据和不断增长的工具库来处理和分析这些数据的背景下，从业者越来越意识到数据可用性和其有用性之间存在的巨大差距。Michal Szudejko 认为，回归正确道路的方法是通过数据人性化：一种旨在“将数据从被动的电子表格转变为引人入胜的故事，从而促使利益相关者采取行动”的新思维方式。
构建我的第一个仪表板教会了我关于数据叙事的哪些知识
那个没有人使用的悲伤仪表板长期以来一直是数据科学的一个陈词滥调。Benjamin Nweke 超越了陈词滥调，并剖析了让人们看到你首先在数据中看到的内容的持久斗争。关键是什么？记住，对受众的同情是第一位的。
为什么数据叙事对商业和数据分析师来说很重要
不要错过 Rashi Desai 对如何“超越电子表格和图表，以构建更强大的商业案例、提高敏捷性和促进团队间一致性的方式来呈现数据”的反思。
本周最受欢迎的故事
从 NumPy 到多模态 RAG，不要错过过去一周引起最大轰动的文章。
《NumPy 入门：基于项目的数据分析方法》，作者 Ibrahim Salami
[《NumPy 入门：基于项目的数据分析方法》(https://towardsdatascience.com/numpy-for-absolute-beginners-a-project-based-approach-to-data-analysis/)]
《从来源构建能够以文本、图像和表格响应的多模态 RAG》，作者 Partha Sarkar
[《从来源构建能够以文本、图像和表格响应的多模态 RAG》(https://towardsdatascience.com/building-a-multimodal-rag-with-text-images-tables-from-sources-in-response/)]
《如何在 RAG 管道中评估检索质量（第二部分）：平均倒数排名（MRR）和平均精度（AP）》，作者 Maria Mouschoutzi
[《如何在 RAG 管道中评估检索质量（第二部分）：平均倒数排名（MRR）和平均精度（AP）》(https://towardsdatascience.com/how-to-evaluate-retrieval-quality-in-rag-pipelines-part-2-mean-reciprocal-rank-mrr-and-average-precision-ap/)]
其他推荐阅读
这周为什么不尝试拓展到其他几个主题呢？这些文章是我们最近最强劲的增补之一。
- 《多智能体 SQL 助手，第二部分：构建 RAG 管理器》，作者 Alle Sravani
[《多智能体 SQL 助手，第二部分：构建 RAG 管理器》(https://towardsdatascience.com/multi-agent-sql-assistant-part-2-building-a-rag-manager/)]
- 《用 AI 和 Python 训练类人机器人》，作者 Mauro Di Pietro
[《用 Python 进行机器人学：类人机器人》(https://towardsdatascience.com/train-humanoid-robots-with-ai-and-python/)]
- 《2025 年要阅读的 AI 论文》，作者 Ygor Serpa
[《2025 年要阅读的 AI 论文》(https://towardsdatascience.com/ai-papers-to-read-in-2025/)]
- 《强化学习手册：基础问题指南》，作者 Avishek Biswas
[《强化学习手册：基础问题指南》(https://towardsdatascience.com/the-handbook-of-reinforcement-learning-guide-to-the-foundational-questions/)]
- 由 Sara Nobrega 撰写的《基于 AI 的时间序列分析》
[《基于 LLM 的时间序列分析》(https://towardsdatascience.com/llm-powered-time-series-analysis/)]
欢迎我们的新作者
我们希望您花些时间探索 TDS 最新一批贡献者的优秀作品：
- Mohannad Elhamod 挑战了这样一个传统观念：更多的数据必然等同于更好的模型性能。
[《更多的数据是否总是带来更好的性能？》(https://towardsdatascience.com/does-more-data-always-yield-better-performance/)]
- Sam Arrington 推出了一个以营销为背景的关于统计学的系列。
[《营销中的功效分析：动手入门》(https://towardsdatascience.com/power-analysis-in-marketing/)]
我们热爱发布新作者的文章，所以如果你最近撰写了一篇有趣的项目演练、教程或对我们核心主题的理论反思，为什么不与我们分享呢？
我们期待您的反馈，作者们！
你是现有的 TDS 作者吗？我们邀请你填写一份 5 分钟的调查问卷填写调查问卷，以便我们改进所有贡献者的出版流程。
订阅我们的时事通讯
浙公网安备 33010602011771号