譯者序

不同于其他講述數據科學的書，本書從非數據科學人員，也就是管理者、投資者甚至工程師等人員的角度，闡述了數據科學這一新興行業（或學科）的基本原理和基礎理念，而這正是本書的驚艷之處。

作為一名數據科學工作者，身處數據科學快速發展的浪潮之中，我近年來參與了多家企業的數據項目。這些企業中雖然很少有像阿里、百度、電信那樣的超大規模公司，卻不乏經營了十幾年或信息化多年的老牌企業，而這些企業希望利用積累多年的經營數據來實現精細化經營。此外，也有很多不同行業的創業公司希望將大數據分析和挖掘作為契機來“撬開”市場。他們（包括我自己）最常遇到的問題，就是難以正確地評估數據的成本和價值以及恰如其分地把握數據項目的路徑和節奏。當“商業智能”“大數據”“數據挖掘”“數據分析”“智慧城市”“智能運營”“增長黑客”“機器學習”“深度學習”“人工智能”等熱門詞語輪番被媒體和業界追捧的時候，技術人員關心如何快速地“掌握”算法包從而提高薪酬，經營者關注如何搭上熱點的快車，卻很少有人冷靜地分析這些熱點背后的實質——數據科學。2018年，我翻譯本書之際，正值信息技術產業遭遇寒流，很多創業公司（特別是一些“數據”“智能”公司）停滯甚至關閉，大量創投遇冷，而本書所述的數據科學的原理和理念或許可以幫助我們理解、反思這些現象。

試舉兩個例子。一家號稱經營“能源智能運維”的企業積累了很多設備數據，希望以此構建故障的預測算法，進而實現提前備件和維護的能力。但是，我們在評估這些數據時，卻發現其中并沒有關于“故障”的清晰、準確的記錄。于是，我們告知企業的管理者他們缺乏有效標注數據（相關概念可以參見本書第3章），希望他們能夠改善數據積累流程，也就是智能運維的數據收集機制。但是該企業堅持認為數據已經足夠多（實際上，數萬臺設備的秒級數據，量的確很大），沒有接受我們的建議。目前這家企業已經轉型做施工了。

另一個案例和一家上市公司與政府合作的PPP新項目有關。上市公司打出大數據驅動的旗號，并聲稱他們將“整合行業資源，利用數據為行業‘賦能’”，一時間備受矚目。然而該項目有一個最大的問題：沒有數據。在項目籌建初期，決策層為了能“漂亮”地亮相，將本應用于工程和數據團隊的預算用在了裝修和高價購買數據上。因此，系統雖然“上線”了，但是其中的數據是“死”的。正是由于上市公司沒能正確地評估數據的價值，積極尋求數據路徑（相關內容參見本書第1、2、13章及附錄），一年之后，該項目依然沒有穩定的數據源。所幸，經過一番人事更迭，兩三年后該項目重回起點，踏踏實實地從頭開始運營，目前已經頗具名氣。

本書第3～12章雖然講了若干基本的數據科學方法，但是視角頗為獨特。本書按照方法的基本原理而非功能（例如回歸分析、分類分析、聚類分析、關聯分析等經典歸類法）來歸類。以我的理解，這是根據數據所蘊含的信息量進行的分類。書中不僅很少有公式，甚至一行代碼也沒有出現，跟任何編程語言都無關。這絕非刻意迎合非技術背景的讀者，而是因為闡述數據科學的原理和理念本就不需要任何代碼，少量的公式只是為了幫助讀者了解確實存在一些確定的方法來量化地表示那些看似模糊的概念（如信息量）。

書中第13章所述案例恰當地指出了數據團隊和經營管理者之間溝通的障礙所在。作者顯然也受過不少“委屈”，書中描述的一些情景似曾相識，讓我在翻譯過程中啞然失笑。但是，這些障礙不能只歸咎于管理人員。第7、8、11章中介紹的一些評估方法，讓我能更多地從經營者和管理人員的視角看待數據問題，因此本書除了面向非數據科學背景的讀者，也絕對適合數據人員。它有助于降低數據團隊內部溝通以及團隊與外部溝通的成本，從而提升數據團隊的價值。

數據科學本身并不是一個非常新的行業或學科。早在20世紀，一些美國電影中就出現過依據數據進行決策的橋段。只不過它在眾多耀眼的近義詞的喧囂中顯得很普通。本書講述了數據科學的原理和方法，并特別強調了CRISP-DM（跨行業數據挖掘標準流程），該流程可以幫助數據項目建立合理的路徑和里程碑，有效控制數據項目的風險。同時本書向我們傳達了數個有關數據科學的理念，例如：“數據和數據分析能力應被視為企業的資產而非成本”。

本書的另一位譯者，管晨女士，是我曾經的學生，也是我現在從事數據驅動運營的同事，我們共同翻譯了本書的每一章。此外，我還要特別感謝王大鵬和張國文在本書翻譯過程中提供的重要意見和建議。兩位都曾上過我的課，現在大鵬是我的同事，也是數據挖掘方面的專家，而國文也活躍在咨詢行業的多個數字化轉型項目中。

圖靈公司的圖書充滿了科技氣息，是我的最愛，我非常榮幸有機會參與到圖靈公司的圖書出版中。最后，特別感謝圖靈公司的編輯朱巍、岳新欣和祁玥以及幕后很多我還不知曉姓名的編輯老師們，他們的辛勤工作和嚴格要求保障了本書的翻譯質量。

郭鵬程

2019年9月于山東濟南