Data Science for Business

简介

《Data Science for Business: What You Need to Know About Data Mining and Data-Analytic Thinking》(中文译名《商业数据科学》)是 O’Reilly Media 2013 年出版的经典之作,作者 Foster Provost 与 Tom Fawcett 都是数据挖掘领域的老手。它不是一本编程手册,而是一本写给”要做判断的人”的数据思维启蒙书:用金融、电商、电信、医疗的真实商业案例,把监督学习、过拟合、特征工程、模型评估这些概念一个个讲清楚,几乎不要求高等数学。全书反复强调一个判断:数据科学的起点不是算法,而是业务理解与问题定义;一个模型在技术上有多准,不等同于它在商业上有多值钱。书里给出的期望价值框架(Expected Value Framework),只要在纸上列两行数字——收益与成本各自乘以概率再相减,就能把”我觉得这个模型不错”翻译成”它能带来多少净收益”。在 AI 推理成本一路下探的今天,这套”把业务问题翻译成数据问题、再算清价值”的能力,恰好是白领最硬的护城河。读英文原版,既拿到一手方法,又顺带把这一行的通用术语过一遍。

三大核心观点

1. 业务问题必须先翻译成数据问题,再谈算法:同一个”提升销量”的目标,可以拆成完全不同的任务——是找出最可能响应营销的人,还是预测每个人的价格敏感度?任务定义错了,后面再好的模型都是在精确地答错题。这一步翻译,是 AI 时代最贵的手艺。
2. 技术指标不等于商业价值,评估必须回到成本收益:准确率 95% 的模型,如果它拦掉的是高价值客户,给公司带来的可能是负收益;准确率只有 70% 的模型,如果抓住的是最贵的那批流失,反而值钱。书里推荐用提升度曲线与成本收益分析,把”预测对的收益”和”预测错的代价”分别标上金额。
3. 特征和数据准备,往往比选模型更重要:同样的算法,喂进去的特征不同,效果天差地别。数据质量与特征质量,决定了模型效果的上限。放到今天的生成式 AI 上同样成立——你给的上下文,决定了它输出的天花板。

适合谁读

• 产品经理、运营与业务负责人:需要在没有数据团队兜底时自己做判断的人;
• 刚入门数据科学、希望先建立系统认知框架再学工具的学习者;
• 数据分析师与工程师:想理解业务价值、模型评估与数据思维的人;
• 需要与数据团队高效协作的非技术管理者;
• 想读英文原版、在学方法的同时打磨职场英语的读者。

获取方式

需要本书英文原版 PDF / EPUB,请到获取方式页面,通过邮箱 / 微信 / WhatsApp 联系。