大部分資料科學家看AI的角度，或者說切入問題的角度跟商業落差都很大，走的是純粹的優化，走的是嚴謹，有時候模型很準，但是難以落實行動，比如金融模型常常就是殺進殺出，倒貼交易手續費還賠上時間。
有時候做模型的成本太高，解一個問題就燒了不知道多少經費的雲端運算資源………但是商業世界不是實驗室，沒有倒退重來這回事，而是小心翼翼往前爬，會退後只是其中一個已經被規劃好的路線，到了停損點，就直接認列沈沒成本。
商業資料科學，就是認清手上有多少資源，產出最大效益。
除非有過深厚實務經驗、或者受過進階商管訓練的人，否則一個純粹從理論爬上來的資料科學家，如果沒有一個好的商業顧問或者專業背景的合作夥伴，是很難帶好一項企業級的資料科學專案的。因此雇用、組建一個資料科學團隊，身為管理者，有五點不可不知的迷思需要先認清：
一、資料科學家是很厲害的魔術師
首先，不是所有的產業都適合AI化的，甚至一個專業也不是完全適用AI，以財務管理為例，理財規劃可以，現在有許多FinTech公司乃至服務都圍繞著理財機器人、專屬理專……比如下圖這個《股感》的理財機器人科普示意圖：
它可以依照自己的策略、風險忍受度、理財預算來協助打理個人財務，但是「 公司併購 」本身不行，因為牽涉到太多複雜的估值、財務建模，以及無形資產、企業文化這種難以量化的評價，而公司併購在學科上常常被歸類在財管的範疇（財管教科書有半本都在教各式各樣的現值評價模型）。
要一個資料科學家協助「做個Alpha XX來幫公司賺錢」，還不如說他/她頂多能把「機器/深度學習問題」轉化為「商業問題」。
本身不能當作AI問題的題目，可以用別的方式來解，比如公司併購可以請顧問、請投資銀行、財務部門，但是請不要直接丟給資料科學團隊，可能他們與其他部門存在好的合作模式，但是並不是什麼棘手的問題都適合用黑盒子裝一裝就蹦出一個解答。
二 、 AI套用到商業上，必須請一票理工博士
AI不論是技術還是商轉都很難，是否數學、電腦科學背景的博士才能駕馭大數據、Top 100 MBA的學生才能談論商業應用？我想不是的，其實難易度這麼玄的東西還是蠻主觀的，又不是一張考卷可以直接評分、調查大部分人的感受。
可實際上，它真的不是很複雜，學一門程式語言、有AI演算法的統計軟體，實際拿資料操作看看，如果結合本身強大的領域知識，會發現一些自己以前看不到的東西，而善用這種視角洞察事務的人，其實也是個AI的受惠者以及使用者。
你會發現這很容易就可以開始了，一台筆電、網路就足夠做準備，剩下的就是「要解決什麼樣的問題？」
AI不是一個自問自答的智慧體，只是一個很好的解題者，我們就是老師，如果連自己的商業問題都不了解，那先不用談AI，必須親自下第一線、業務面好好深入了解目前的瓶頸是什麼，才方便讓自己跟著AI解決問題。
有時候這是很簡單的，因為如果有一個長久以來很棘手的問題，好好拆解看看能不能讓AI解決，如果不知道問題在哪裡，推薦您從這篇文章中參考如何正確拆解問題。
三 、 不夠大的數據就不智能
首先這句話就蠻矛盾的，第一個，大數據到底要怎麼定義，有人說是思維、也有人說是資料量必須達到 X（這個X眾說紛紜，反正一直更新，我也不想追逐這樣說不清楚的變數，在這裡不是重點），雖然說資料量真的相當重要，可以相對應抵銷掉一些小樣本偏誤、讓我們看得更加全面，但說真的，既然真的要大數據，未來的資料一定更多對嗎？
每過一秒，我們的資料就快速增長，如果今天告訴你：「等長大一點比較聰明」，您會等到長大才開始學習嗎？這樣的決策本身「聰明」嗎？
現在的新創公司很強調「精益創業」，也就是推出一個最小可行性產品（MVP）來快速適應市場，並且不停優化，資料科學的實作精神也 強調先做出一個baseline，再慢慢針對問題優化。
所以別等了， 以前的市場可能就是做調研、專家訪談、客戶評鑑才開始研發產品，現在完全反過來了，先做再說，什麼客戶訪談、調查研究、更改UI、UX都是產品推出後一邊改一邊做的，計劃很重要，但是什麼都不做的計畫，就只是空談、無法落地的紙飛機。Airbnb甚至在只有5萬筆資料的時候就開始做商業應用的模型了，而且這是一個非常具有商業效益的專案，有興趣的人可以看這篇文，我覺得作者對機器學習在Airbnb的增長案例寫得很清楚。
四 、 專家才可以用機器學習
有些公司會將業務人員跟資料團隊分開，當然這樣做也有好處，人員可以更專業在報表的建立、數據指標一致性以及資料品管上，但這麼做其實是有風險的，就是資料人員無法透徹了解業務人員以及最近的第一手資料變動，導致「我早知道了，做什麼分析！」的尷尬情況。
我覺得，資料科學團隊就像是一個小團隊的數字顧問，出報表、協助分析、整理資料與資料品質的把控，都是一個小團隊必須配備的。
反過來說， 並不是只有專家才能用機器學習 ，一位業務人員也可以自告奮勇擔當「小資料科學家」，多練習量化分析與善用自己的業務知識梳理分析脈絡。另外在商品、品類管理層面的資料，其實不會到很大，可能用Excel、PowerBI或者Tableau就可以做一份很完整的分析了，所以多練習數據思維是比較重要的，而資料科學家就相反，多練習站在業務人員角度思考、不懂就提問會學習得快速一些。
有關資料科學團隊的組織架構並不是本文的重點，不過卻是企業在商業轉型上很重要的規劃，這個影響程度其實從企業併購也可以看出來，組織的人以及企業文化往往是最難磨合的，「轉型」就類似於內部的人事重整。
五 、 我還是不知道該怎麼開始
其實開始做一件事情之前，比較優先的事情就是 「思考自己的優勢在哪裡？」 ，結合感性一點的「喜歡這件事情嗎？」來做評估。喜歡在企業上也很重要，因為如果主管「不喜歡」，那其實很難做，不只思考優勢，全面一點我們也可以借用商管人士常用的SWOT分析（強弱危機分析）：
- 自己的優勢？（團隊有高手）
- 弱勢？（不知如何結合）
- 機會（但是同業中有成功案例，說明可以借鑑）
- 威脅（同業的發展速度超乎想像，關鍵點是？）
分析完之後，我們可以截長補短，看看能不能做出一些改變。
那第一步，如果覺得專案太重、太龐大，怎麼辦呢？
我們來想想哦，如果今天自己的書房「太亂、太龐大」，不知道怎麼整理（過年大掃除）通常會怎麼辦呢？其實就是「從小到大」、「一塊一塊拼起來」，你總得收拾出一個「立足點」，挪出一塊空地讓自己做分類。
資料科學也一樣，既然做AI需要用到的就是「資料」，我們必須讓資料保持乾淨，維持資料的品質！
沒做好資料品管會發生什麼狀況？
以下這些案例是我有親自碰過的，笑笑就好：
程式跑一跑報錯，發現是 大小寫問題 （Lily變成lily，程式會當作不同人）、模型跑一跑Error，發現是 資料檔名或資料庫資料表存放位置不一致 、檔名不一致（比如8月的銷售資料可以叫做0826_sales，也可以叫826_sales、sales_826…..）、好不容易跑完模型，發現結果很驚人，一問之下是大家對 資料指標的定義不夠明確 ，比如財務報酬率有人用幾何報酬、有人用算數報酬，跑出來的金融模型看起來很賺錢卻是一個亂七八糟的東西………
其實這樣一想，我碰過的資料很多都被自己或者別人 搞髒 過（尤其剛開始在報表新手村的時候，犯過很多低級錯誤）。
雖然有回到raw data、從資料庫重新整理、撈資料的大絕招，但是這樣反覆重來，不只浪費時間，也會磨掉一些對數據的熱情（即使喜歡，碰到那麼大量的資料、數字、英文，其實長時間「反覆」做很底層的事情會讓資料分析師嘆氣的！）
所以，掌握資料品管真的很重要 ， 建立乾淨的報表（數字正確、好看且容易傳達）、管理資料庫以及同仁取得資料方式（要簡單，但是不失資安），區分好資料庫架構（數據指標體系）、資料分類（比如電商的大型campaign通常就會獨立）、存儲方式，就是第一步該做的！ 接下來就是利用前面產生的報表來試著利用數字做決策，不拍腦袋，善用數據告訴您的事情。
雖然以上部分看起來偏向「資料工程師」的工作，但其實也是早期「資料庫管理工程師」，現代「商業智慧」的專家在做的事情，為什麼我們講BI常常聯想到報表？因為沒有乾淨、嚴謹的資料管理，其實是難以產生有價值的Business intelligence的，更遑論做資訊管理以及建立知識圖譜呢！
那麼以上，就是這次的AI to business，管理者必須先體認到的五個迷思，其實還有許多細節可以補充，比如資料科學組織架構、角色分配、業務人員的量化訓練，這些留待以後分享，雖然自己的業界經驗不夠充分，但是我通常是綜合多本書、學校、業界、雜誌、專訪，結合自己的資料科學經驗與工作心得來得出一些洞察，並且產生出以上這些觀點，有什麼錯誤或者補充歡迎留言！
本文轉載自《medium.com》
作者介紹 |
Dennis Dsh
