如何與高權(quán)重網(wǎng)站進(jìn)行互動(dòng)

Intetix Foundation（英明泰思基金會(huì)）由從事數(shù)據(jù)科學(xué)、非營利組織和公共政策研究的中國學(xué)者發(fā)起成立，致力于通過數(shù)據(jù)科學(xué)改善人類社會(huì)和天然環(huán)境。通過聯(lián)絡(luò)、動(dòng)員中美最頂尖的數(shù)據(jù)科學(xué)家和社會(huì)科學(xué)家，以及分布在全球的志愿者，我們創(chuàng)造性地踐行著我們的使命：為夸姣糊口洞見數(shù)據(jù)價(jià)值。

原作者: Robert Chang

2015年6月17日是我在Twitter工作兩周年的紀(jì)念日。回想起來，兩年間，數(shù)據(jù)科學(xué)在Twitter的應(yīng)用方式和范圍發(fā)生了很大變化：

·   工具的智能化上，Pig已經(jīng)由期了，現(xiàn)在的數(shù)據(jù)流水線都是用Scalding(建立在串聯(lián)之上的Scala領(lǐng)域特定語言，便于具體描述Hadoop MapReduce任務(wù)——譯者注)編譯的。

·   組織結(jié)構(gòu)上，數(shù)據(jù)科學(xué)家和產(chǎn)品經(jīng)理、工程師的工作環(huán)環(huán)相嵌，合作之緊密親密史無前例。

以上只是眾多改變中的一小部門。拿我來說，我的研究領(lǐng)域最近從Growth延伸到PIE (Product產(chǎn)品, Instrumentation實(shí)施, and Experimentation實(shí)驗(yàn)) ，工作是研究Twitter自家開始的A/B測(cè)試平臺(tái)上的統(tǒng)計(jì)學(xué)方法。

在Twitter工作真的很刺激。在這里，我能直接觀察學(xué)習(xí)一個(gè)大型科技公司是如何使用數(shù)據(jù)與數(shù)據(jù)科學(xué)來創(chuàng)造競爭上風(fēng)的。

與此同時(shí)，人們對(duì)于數(shù)據(jù)科學(xué)的需求與渴想在不斷攀升。

“大數(shù)據(jù)就像青春期的性：每個(gè)人都在討論，但鮮有人在行，大家覺得所有人都在做，所以大家都聲稱自己在做。”——Dan Ariely（行為經(jīng)濟(jì)學(xué)大牛，著有《怪誕行為學(xué)》—譯者注）

關(guān)于如何成為一名數(shù)據(jù)科學(xué)家的討論有良多良多。盡管這些探討信息量都很大（我便是眾多受益者之一），人們老是傾向于過分夸大技術(shù)、工具和技巧的重要性。我認(rèn)為，對(duì)于那些有志成為數(shù)據(jù)科學(xué)家的人來說，充分了解數(shù)據(jù)科學(xué)家的實(shí)戰(zhàn)操縱是怎樣一番體驗(yàn)，是平等重要的。

因此，在我在Twitter工作兩周年之際，我但愿以這次回顧為契機(jī)來分享我的個(gè)人經(jīng)歷，同時(shí)但愿數(shù)據(jù)科學(xué)行業(yè)的同事們也能加入到這個(gè)行列中！

來Twitter之前，我認(rèn)為數(shù)據(jù)科學(xué)家都是“珍稀動(dòng)物”——做數(shù)學(xué)/統(tǒng)計(jì)/計(jì)算機(jī)/機(jī)器學(xué)習(xí)/ 算法/數(shù)據(jù)可視化等等出身。另外，寫作技巧和溝通能力與專業(yè)技能平等重要。進(jìn)一步講，在執(zhí)行任務(wù)的過程中，理清項(xiàng)目環(huán)節(jié)中的輕重緩急、領(lǐng)導(dǎo)團(tuán)隊(duì)、治理項(xiàng)目的能力是最最重要的。除此以外，你還應(yīng)該向大眾傳播一下由數(shù)據(jù)驅(qū)動(dòng)的文化是多么夸姣。Good luck!

在Twitter工作了幾個(gè)月后，我發(fā)現(xiàn)“珍稀動(dòng)物”們確實(shí)存在，但對(duì)于大多數(shù)努力躋身于“珍稀動(dòng)物”行列的數(shù)據(jù)工作者來說，一下子把握那么多學(xué)科是不現(xiàn)實(shí)也不可能的。也就是說，幾乎所有和數(shù)據(jù)沾邊的東西都和“數(shù)據(jù)科學(xué)”這個(gè)概念是相關(guān)的。那時(shí)，仍是菜鳥一枚的我，尋找自己定位的時(shí)候感覺怯生生的。

久而久之，我意識(shí)到數(shù)據(jù)科學(xué)家可以被分為對(duì)立的兩類。這種分類有些過于簡樸粗暴，卻十足精準(zhǔn)。Quora用戶Michael Hochster將我想表達(dá)的這種分類方法漂亮地總結(jié)如下：

A型數(shù)據(jù)科學(xué)家：A，即Analysis（分析）。分析型數(shù)據(jù)科學(xué)家主要致力于尋找數(shù)據(jù)背后的含義，或是以一種靜態(tài)的方式使用這些數(shù)據(jù)。分析型數(shù)據(jù)科學(xué)家類似于統(tǒng)計(jì)學(xué)家（他們很可能本來就是搞統(tǒng)計(jì)的），但他們還懂得統(tǒng)計(jì)課程里不涉及的與數(shù)據(jù)工作相關(guān)的詳細(xì)的實(shí)際操縱，好比數(shù)據(jù)清理、大型數(shù)據(jù)集、數(shù)據(jù)可視化、對(duì)某一領(lǐng)域的深度了解和如何用數(shù)據(jù)講一個(gè)漂亮的故事，等等。

B型數(shù)據(jù)科學(xué)家：B，即Building（構(gòu)建）。構(gòu)建型數(shù)據(jù)科學(xué)家和分析型分局科學(xué)家的共同點(diǎn)是都有統(tǒng)計(jì)學(xué)背景，但前者仍是編程高手，抑或是練習(xí)有素的軟件工程師。構(gòu)建型數(shù)據(jù)科學(xué)家的關(guān)注點(diǎn)是把數(shù)據(jù)“投入出產(chǎn)”。他們建立的模型通常以“推薦”的方式與用戶互動(dòng)，好比產(chǎn)品、你可能熟悉的人、廣告、片子、搜索結(jié)果等。

真但愿自己早些知道這兩種數(shù)據(jù)科學(xué)家的分別。假如你想成為一名數(shù)據(jù)科學(xué)家，注意這種分別——這對(duì)你選擇職業(yè)道路以及做取舍長短常有匡助的。

個(gè)人而言，我是學(xué)數(shù)學(xué)、操縱研究和統(tǒng)計(jì)出身的。我以為我是一名分析型數(shù)據(jù)科學(xué)家，但我非常享受用到編程設(shè)計(jì)的構(gòu)建型項(xiàng)目！

在初期創(chuàng)業(yè)公司、成長期創(chuàng)業(yè)公司和具有一定規(guī)模的公司擔(dān)任數(shù)據(jù)科學(xué)家，工作異同有哪些？

技術(shù)型人才找工作時(shí)往往要考慮，是去大企業(yè)任職，仍是加入小型企業(yè)。固然關(guān)于這種選擇的討論有良多，但針對(duì)數(shù)據(jù)科學(xué)家的討論就很少了——即，企業(yè)的發(fā)展階段與規(guī)模各有不同，那么數(shù)據(jù)科學(xué)家在這些企業(yè)里扮演的角色會(huì)有什么不同呢？

處于不同發(fā)展階段的企業(yè)所產(chǎn)生的數(shù)據(jù)的速度、種類和量級(jí)是不同的。對(duì)于一個(gè)正在探索產(chǎn)品定位的創(chuàng)業(yè)公司，他們多半用不到Hadloop這樣的軟件，由于這種公司并沒有那么多數(shù)據(jù)可處理。成長性創(chuàng)業(yè)公司通常會(huì)產(chǎn)生更密集的數(shù)據(jù)，但對(duì)他們來講，PostgreSQL和Vertica這樣的數(shù)據(jù)庫治理系統(tǒng)就足夠了。但是像Twitter這種規(guī)模的公司，就必需使用Hadoop和MapReduce來處理數(shù)據(jù)了。

我在Twitter學(xué)到了重要的一課——數(shù)據(jù)科學(xué)家從數(shù)據(jù)中提煉、創(chuàng)造價(jià)值的能力與企業(yè)數(shù)據(jù)平臺(tái)的成熟度是高度相關(guān)的。假如你想保證達(dá)到企業(yè)和個(gè)人之間雙向選擇的最優(yōu)化，做到以下是機(jī)智而樞紐的：搞清自己到底想做什么類型的數(shù)據(jù)科學(xué)工作，然后下功夫衡量這個(gè)企業(yè)的體系體例舉措措施能不能幫你實(shí)現(xiàn)你的目標(biāo)。

發(fā)展初期的創(chuàng)業(yè)公司：數(shù)據(jù)分析主要致力于執(zhí)行記實(shí)(log)，建立ETL過程（Extract-Transform-Load 的縮寫，用來描述將數(shù)據(jù)從來源端經(jīng)由抽�。╡xtract）、轉(zhuǎn)換（transform）、加載（load）至目的真?zhèn)�過程——譯者注），模擬數(shù)據(jù)，設(shè)計(jì)一個(gè)框架來追蹤并儲(chǔ)存數(shù)據(jù)。這種公司的工作重點(diǎn)在于打好分析數(shù)據(jù)的基礎(chǔ)，而不是分析數(shù)據(jù)本身。

發(fā)展中期的創(chuàng)業(yè)公司：企業(yè)在成長，相應(yīng)地，企業(yè)的數(shù)據(jù)也會(huì)增長。數(shù)據(jù)平臺(tái)需要適應(yīng)增長的數(shù)據(jù)，但因?yàn)閿?shù)據(jù)的“地基”已經(jīng)建好了，公司會(huì)天然地從單純收集數(shù)據(jù)轉(zhuǎn)向從數(shù)據(jù)中形成觀點(diǎn)、提煉價(jià)值。除非這個(gè)企業(yè)本來對(duì)數(shù)據(jù)的戰(zhàn)略用途就長短常規(guī)的，大多數(shù)分析型工作主要涉及定義樞紐績效指標(biāo)、促進(jìn)業(yè)績?cè)鲩L、尋找增長的下個(gè)契機(jī)。

達(dá)到一定規(guī)模的公司：企業(yè)規(guī)模增長，數(shù)據(jù)規(guī)模會(huì)隨著增長。這時(shí)，企業(yè)需要利用數(shù)據(jù)創(chuàng)造或保持它的競爭上風(fēng)，好比：搜索結(jié)果要更加優(yōu)化、推薦內(nèi)容的相關(guān)性要更高、物流與企業(yè)運(yùn)作要更加高效。機(jī)器學(xué)習(xí)工程師、企業(yè)運(yùn)營優(yōu)化專家、實(shí)驗(yàn)設(shè)計(jì)者之類的專家能夠有效匡助企業(yè)實(shí)現(xiàn)以上各種訴求。

我入職的時(shí)候，Twitter的數(shù)據(jù)平臺(tái)已經(jīng)非常成熟了，基礎(chǔ)舉措措施也非常不亂。數(shù)據(jù)倉庫干凈而不亂，ETL過程可以日常性、毫無壓力地處理無數(shù)MapReduce任務(wù)。最重要的是，在這里，有一群優(yōu)秀的數(shù)據(jù)科學(xué)家們致力于數(shù)據(jù)平臺(tái)、產(chǎn)品的洞悉、Growth、實(shí)驗(yàn)、檢索/相關(guān)性以及許很多多其他方面的工作。

我是第一個(gè)專攻Growth的數(shù)據(jù)科學(xué)家。告訴你一個(gè)真實(shí)的故事：產(chǎn)品部分、工程部分和數(shù)據(jù)科學(xué)部分花了好幾個(gè)月才共同熟悉到數(shù)據(jù)科學(xué)在Growth中扮演著至關(guān)重要的角色。根據(jù)與產(chǎn)品部分緊密親密合作的經(jīng)歷，我的工作內(nèi)容可以分為以下四大類：

產(chǎn)品洞見

數(shù)據(jù)流水線

A/B測(cè)試

建模

下面我會(huì)分別我做這幾類工作的經(jīng)歷與心得。    

產(chǎn)品洞見

在消費(fèi)者技術(shù)公司做數(shù)據(jù)科學(xué)有個(gè)獨(dú)特之處：我們可以利用數(shù)據(jù)來理解并推測(cè)用戶的意見和偏好。當(dāng)用戶與產(chǎn)品互動(dòng)時(shí)，我們能記實(shí)到有價(jià)值的數(shù)據(jù)與元數(shù)據(jù)（描述其他數(shù)據(jù)并提供相關(guān)信息的數(shù)據(jù)集），把它們儲(chǔ)存起來以便日后分析。

這個(gè)過程叫做“記實(shí)日志”或“丈量”，而且在不斷進(jìn)級(jí)。數(shù)據(jù)科學(xué)家們常常會(huì)由于數(shù)據(jù)不正常、數(shù)據(jù)不匹配或數(shù)據(jù)缺失而難以開展某一項(xiàng)分析。這時(shí)候，和工程師建立良好的工作關(guān)系就顯得很重要了：數(shù)據(jù)科學(xué)家可以匡助工程師識(shí)別系統(tǒng)中的bug和意外行為。反過來，工程師可以幫數(shù)據(jù)科學(xué)家縮小數(shù)據(jù)斷層，讓數(shù)據(jù)變得更豐碩、相關(guān)性更強(qiáng)、更精確。

以下是我在Twitter做的幾個(gè)典型的產(chǎn)品分析：

推送動(dòng)靜分析——多少用戶合用推送動(dòng)靜？這個(gè)比例是用戶組維度的嗎？仍是客戶端維度？各種類型的推送動(dòng)靜點(diǎn)擊率是多少？

短信投放率——如何計(jì)算不同移動(dòng)運(yùn)營商下Twitter的短信投放率？新興國家用戶的投放率更低嗎？如何進(jìn)步這一比率呢？

多個(gè)賬戶——為什么某些國家的用戶擁有多個(gè)Twitter號(hào)的比例更高？人們使用多個(gè)Twitter號(hào)的念頭是什么？

詳細(xì)分析形式多種多樣——對(duì)簡樸的數(shù)據(jù)行為（推送分析）給出直白的解釋；創(chuàng)造新生（卻重要的）業(yè)務(wù)指標(biāo)的計(jì)算方法；最后，你可能會(huì)負(fù)責(zé)深入分析用戶行為（小號(hào)）。

通過產(chǎn)品分析進(jìn)而形成洞見是一個(gè)迭代過程。想做到這一點(diǎn)，你需要質(zhì)疑以上題目的謎底，理解產(chǎn)品所處的業(yè)務(wù)環(huán)境，找到合適的數(shù)據(jù)集來解決題目。久而久之，你將能夠純熟地定位你需要的那組數(shù)據(jù)并對(duì)其含義了如指掌。你將能夠正確地估算做一項(xiàng)分析需要多長時(shí)間。更重要的是，你會(huì)逐漸從被動(dòng)轉(zhuǎn)為主動(dòng)，提出新奇有趣的分析角度——產(chǎn)品負(fù)責(zé)人可能都沒想到，由于他們根本不知道某組數(shù)據(jù)的存在，抑或是不知道截然不同的數(shù)據(jù)源可以以某種方式互補(bǔ)結(jié)合。

涉及的技能：

?  記實(shí)日志和丈量。識(shí)別數(shù)據(jù)斷層。與工程師建立良好的工作關(guān)系。

?  定位、識(shí)別并使用相關(guān)數(shù)據(jù)集。

?  理解類型的分析，正確估算各種分析的耗時(shí)或難易程度。

?  玩轉(zhuǎn)查詢語言。能用R或Python做典型的數(shù)據(jù)處理。

數(shù)據(jù)流水線

固然分析型數(shù)據(jù)科學(xué)家不怎么寫直接面臨用戶的代碼，為了處理數(shù)據(jù)流水線，我們?nèi)允菚?huì)常常向代碼庫貢獻(xiàn)一些代碼。

假如你對(duì)Unix公司的Pipe（一個(gè)運(yùn)行一系列指令的操縱）有所耳聞，數(shù)據(jù)流水線就很好理解了——不外是一系列操縱，整合在一起以后能夠自動(dòng)捕獲數(shù)據(jù)，輪回地處理并整合數(shù)據(jù)。

我在Twitter以前的公司任職時(shí)，所做的分析工作大多是Ad-Hoc(Ad-Hoc結(jié)構(gòu)是一種省去了無線中介設(shè)備AP而搭建起來的對(duì)等網(wǎng)絡(luò)結(jié)構(gòu))。我一般只在自己的電腦上跑程序，也就跑個(gè)一兩次、兩三次。幾乎沒有人來檢查我的代碼寫的怎么樣；運(yùn)行的時(shí)候也不會(huì)控制代碼的版本。寫數(shù)據(jù)流水線的時(shí)候，一系列題目就泛起了：依靠關(guān)系治理、計(jì)劃鋪排、資源配置、監(jiān)測(cè)、錯(cuò)誤講演，甚至還有警報(bào)。

下面是創(chuàng)建數(shù)據(jù)流水間的典型過程示例：

首先，你熟悉到，輪回性地出產(chǎn)數(shù)據(jù)集將會(huì)是一件功德無量的事。

確認(rèn)了這個(gè)需求以后，你先設(shè)計(jì)出終極產(chǎn)品，例如設(shè)計(jì)輸出數(shù)據(jù)集的數(shù)據(jù)架構(gòu)。

根據(jù)數(shù)據(jù)所在環(huán)境用Pig, Scalding或SQL寫代碼。

把代碼提交至code review（代碼評(píng)審），預(yù)備改代碼。也許你的貿(mào)易邏輯有題目，或者你的代碼沒能做到速度與效率的最優(yōu)化。

也許你需要測(cè)試程序，空運(yùn)行（不帶數(shù)據(jù)跑代碼——譯者注）一下，看看代碼是否運(yùn)行正常。

整合代碼。把代碼配置好，鋪排好每一個(gè)事項(xiàng)。

設(shè)置監(jiān)控、錯(cuò)誤講演、警報(bào)機(jī)制，以防代碼運(yùn)行犯錯(cuò)。

數(shù)據(jù)流水線顯然比臨時(shí)性分析復(fù)雜得多，但數(shù)據(jù)流水線的好處是，它可以自動(dòng)運(yùn)轉(zhuǎn)，出產(chǎn)出來的數(shù)據(jù)可以被儀表板所利用，這樣更多的用戶就可以使用你的數(shù)據(jù)或結(jié)果。更重要（但往往被忽視）的一點(diǎn)是，簡歷數(shù)據(jù)流水線的過程是個(gè)軟件工程實(shí)操的絕佳機(jī)會(huì)。你可認(rèn)為日后建立專業(yè)化流水線打好基礎(chǔ)，好比機(jī)器學(xué)習(xí)模型（本文最后一部門會(huì)對(duì)此進(jìn)行具體說明）、A/B測(cè)試平臺(tái)。

涉及的技能：

?  版本控制。一般來講，最常用的工具是Git（軟件開發(fā)時(shí)用到的源代碼治理系統(tǒng)——譯者注）。

?  學(xué)會(huì)做code review，迅速地給出反饋。

?  程序犯錯(cuò)時(shí)，知道該怎么測(cè)試、空運(yùn)行、找bug。

?  把握依靠治理、計(jì)劃鋪排、資源配置、監(jiān)測(cè)、錯(cuò)誤講演，以及給出提示信息。

A/B測(cè)試

此時(shí)此刻，你用的Twitter APP很有可能和我的有所不同，很可能你有的功能我沒有。從內(nèi)部工作職員的角度講，Twitter的用戶非常多，因此Twitter可以抽出一小部門流量來體驗(yàn)尚未面世的新功能，以便將這部門實(shí)驗(yàn)組用戶對(duì)新功能的反饋情況與控制組用戶（即未體驗(yàn)新功能的用戶——譯者注）作對(duì)比——這就是A/B測(cè)試，即用來測(cè)試變量A與變量B哪個(gè)效果更好。

個(gè)人以為，A/B測(cè)試是在大型消費(fèi)者技術(shù)公司工作的特殊福利。數(shù)據(jù)科學(xué)家可以通過使用真實(shí)隨機(jī)樣本的控制實(shí)驗(yàn)來研究因果關(guān)系（用觀測(cè)值是很難做到這一點(diǎn)的）。在Twitter，“幾乎天天都要做至少一個(gè)實(shí)驗(yàn)——Alex Roetter，高級(jí)工程師”。A/B測(cè)試已經(jīng)深深烙在Twitter的數(shù)據(jù)科學(xué)家心里，也是產(chǎn)品開發(fā)環(huán)節(jié)不可或缺的一環(huán)。

典型的A/B測(cè)試過程是這樣的：收集樣本-用戶分組-開始測(cè)試-衡量結(jié)果-對(duì)比分析。聽上去很簡樸對(duì)吧？然而，我以為A/B測(cè)試是最被低估、相稱棘手的分析工作，而且學(xué)校一般不教你這種技能。為了說明這一點(diǎn)，讓我們往返顧一下一上五個(gè)步驟以及實(shí)戰(zhàn)過程中的常見題目：

?  收集數(shù)據(jù)：樣本量需要多少？每組應(yīng)該分配多少用戶？能不能保證明驗(yàn)效果足夠顯著？

?  用戶分組：哪些用戶合用于這個(gè)測(cè)試？應(yīng)該在程序的哪個(gè)階段開始分組并對(duì)用戶展示測(cè)試的新功能？這種分組是否會(huì)造成數(shù)據(jù)稀釋（好比某些測(cè)試組的用戶在使用過程中根本用不到我們測(cè)試的新功能）？

?  開始測(cè)試：有沒有其他項(xiàng)目組和我們用統(tǒng)一批樣本做測(cè)試？假如和他們發(fā)生樣本沖突，如何確保我們的數(shù)據(jù)沒有被污染？

?  衡量結(jié)果：實(shí)驗(yàn)結(jié)果的預(yù)期是什么？衡量實(shí)驗(yàn)成功與否的尺度是什么？衡量尺度可追蹤嗎？如何追蹤？需要額外記實(shí)哪些信息？

?  對(duì)比分析：如果在線用戶激增，這是來自其他變量的干擾嗎？如何判定結(jié)果是否統(tǒng)計(jì)明顯？假如確實(shí)是統(tǒng)計(jì)明顯的，實(shí)際上用戶組之間的差別真的顯著嗎？

處理好以上題目需要很強(qiáng)的統(tǒng)計(jì)學(xué)功底。即使你自己設(shè)計(jì)實(shí)驗(yàn)的時(shí)候思維足夠嚴(yán)謹(jǐn)，你的隊(duì)友也有可能掉鏈子。產(chǎn)品經(jīng)理會(huì)比較喜歡對(duì)數(shù)據(jù)先睹為快，或者挑幾個(gè)自己想要的結(jié)果（這是人的天性）。工程師可能會(huì)健忘記實(shí)數(shù)據(jù)科學(xué)家用來計(jì)算成敗指標(biāo)的某些數(shù)據(jù)，或者實(shí)驗(yàn)代碼“姿勢(shì)”分歧錯(cuò)誤，造成偏誤。

對(duì)于數(shù)據(jù)科學(xué)家來說，故意唱唱反調(diào)、匡助團(tuán)隊(duì)完善實(shí)驗(yàn)是極其重要的，由于鋪張?jiān)谶\(yùn)行設(shè)計(jì)不公道的測(cè)試上的時(shí)間會(huì)一去不復(fù)返。更有甚者，根據(jù)不良數(shù)據(jù)做出的不良決議計(jì)劃會(huì)造成非常嚴(yán)峻的后果。

涉及的技能：

?  假設(shè)檢修：統(tǒng)計(jì)檢修、p值、統(tǒng)計(jì)明顯、統(tǒng)計(jì)力、效應(yīng)值、多重檢修

?  實(shí)驗(yàn)缺陷：滯后效應(yīng)、指標(biāo)選擇、數(shù)據(jù)稀釋、分組異常

猜測(cè)模型與機(jī)器學(xué)習(xí)

我在Twitter做的第一個(gè)大型項(xiàng)目是對(duì)現(xiàn)有的郵箱通知產(chǎn)品增設(shè)一套繁瑣的規(guī)則，進(jìn)而減少對(duì)用戶的騷擾。固然這一舉措十分圣母，我們實(shí)在也清晰郵件通知是留住用戶的最有效的手段之一（我們?cè)鴮?duì)此進(jìn)行試驗(yàn)，驗(yàn)證了這一點(diǎn)），所以找到一個(gè)合適的度是樞紐。

針對(duì)這個(gè)樞紐點(diǎn)，我旋即決定研究觸發(fā)性郵件——當(dāng)用戶在Twitter上有流動(dòng)時(shí)，這種郵件會(huì)像雪片一樣飛進(jìn)用戶的郵箱。作為一個(gè)正在努力證實(shí)自己的價(jià)值的野心勃勃的新晉數(shù)據(jù)科學(xué)家，我決定建立一個(gè)高端機(jī)器學(xué)習(xí)模型來猜測(cè)用戶水平上的郵件點(diǎn)擊率。我用Pig收集了一大堆用戶特征，建立了隨機(jī)森林模型來猜測(cè)郵件點(diǎn)擊率。我的思路是，假如一個(gè)用戶的點(diǎn)擊率長期保持在很低的值，我們就可以安心撤銷該用戶的觸發(fā)性郵件。

其他的都好說，只有一個(gè)題目——我的程序都是用本地電腦上的R寫的。別人承認(rèn)我很努力，但他們無法利用我的模型來創(chuàng)造價(jià)值，由于我的沒有被產(chǎn)品化，公司的組織架構(gòu)無法和我的局部模型交互。多么慘痛的教訓(xùn)！

一年后，我得到了與兩名來自Growth的數(shù)據(jù)科學(xué)家一起建立顧客流失猜測(cè)模型的寶貴機(jī)會(huì)。這一次，有了足夠的建立數(shù)據(jù)流水線的經(jīng)驗(yàn)，我知道建立機(jī)器學(xué)習(xí)流水線實(shí)在是類似的——在練習(xí)階段，我們可以用Python在線下做輪回模型更新；在猜測(cè)部門，我們可以逐日收集用戶特征，用猜測(cè)公式（大多數(shù)只是“點(diǎn)產(chǎn)品”）天生每個(gè)用戶的流失率評(píng)分。

我們花了幾個(gè)星期建起來流水線，確認(rèn)其具有良好的猜測(cè)能力，全面部署，將用戶流失率評(píng)分輸入到Vertica、Hadoop文件分散系統(tǒng)，以及我們的內(nèi)部鍵值存儲(chǔ)“Manhattan”。我們把這些scores涉及的非常便于分析師、數(shù)據(jù)科學(xué)家和工程師查詢。這一點(diǎn)大大匡助我們宣傳并促進(jìn)這個(gè)模型的使用。這是我在建造出產(chǎn)模型時(shí)學(xué)到的最重要的一課。

我故意沒有提及建立機(jī)器學(xué)習(xí)模型的步驟——建立題目框架，定義標(biāo)簽，手機(jī)練習(xí)數(shù)據(jù)，設(shè)計(jì)特征，建立樣品，客觀地測(cè)試模型的可行性。這些步驟顯然都很重要，但我以為這些步驟前人都已經(jīng)講得很明白了，無需我來提供相關(guān)建議。

我覺得大多數(shù)優(yōu)秀的數(shù)據(jù)科學(xué)家，特別是分析型數(shù)據(jù)科學(xué)家，都不存在不會(huì)建模的題目。他們的困惑在于，知道該怎么建模，但不清晰怎么把自己的模型融入到整體生態(tài)環(huán)境里。我對(duì)此的建議是，多和經(jīng)驗(yàn)豐碩的構(gòu)建型數(shù)據(jù)科學(xué)家交流，搞清你需要把握什么技能，潛心修煉，屆時(shí)天然能得心應(yīng)手地接管相關(guān)項(xiàng)目。 請(qǐng)用許我引用以下這段話來為本章畫上句號(hào)：

“機(jī)器學(xué)習(xí)并不等同于R編程。機(jī)器學(xué)習(xí)是以數(shù)學(xué)為根基，用代碼表達(dá)，整合到軟件里的。你需要把握電腦工程師的技能，學(xué)著寫可讀、可重復(fù)使用的代碼：別人讀你的代碼的次數(shù)將遠(yuǎn)遠(yuǎn)多于你自己，所以你要寫得能讓別人看懂。”——Ian Wong，于哥倫比亞大學(xué)數(shù)據(jù)科學(xué)課程客座講座

說得非常好。

這里所涉及的技能：

? 模式識(shí)別：識(shí)別可以用模型解決的題目。

? 建模和機(jī)器學(xué)習(xí)的基本功：探索式數(shù)據(jù)分析、簡歷特征、特征選擇、模型選擇、練習(xí)/驗(yàn)證/測(cè)試、模型評(píng)估

? 出產(chǎn)化：把握上文提到和數(shù)據(jù)流水線相關(guān)的一切知識(shí)。建立索引標(biāo)志以便他人查詢。

一些感想

數(shù)據(jù)科學(xué)家的工作確實(shí)非常令人高興，那種突然窺到天機(jī)的高興感堪比腎上腺素爆發(fā)。從零開始構(gòu)建數(shù)據(jù)管道和機(jī)器學(xué)習(xí)模型會(huì)令你成就感滿滿，做A/B測(cè)試時(shí)，那種翻手為云覆手為雨的上帝姿態(tài)也非常有樂趣。數(shù)據(jù)科學(xué)家這條路有苦又累，沿途九九八十一難，但智慧努力的人會(huì)迅速克服的。

任重而道遠(yuǎn)，同道仍需努力。Good luck各位，更為重要的是享受這其中的樂趣！