这就是数据科学家在沟通或讲述他们的见解时需要像行为经济学家或心理学家一样思考的原因。这有助于公司采取具体和无偏见的决策来获取客户，留住员工并与组织内的经理打交道。
想象一下这种情况：有两家投资公司各自推出了竞争产品。两家公司都收集了有关其客户的信息，并正在尝试对其进行分组，以便将这些新产品与客户的需求精确匹配。如果公司不能提供合适的产品或者使用非目标消息传递而烦恼，那么失去客户的风险很高。此外，其中一家公司希望利用这些数据来改变当前的内部流程，通过提高竞争力来增加价值，这不仅是因为新产品的引入，还因为整个公司的重塑。
公司A一直在使用先进的聚类算法来识别不同的客户档案，以试图瞄准新客户提供这些新的金融工具。虽然公司一直小心翼翼地收集这些新客户的相关行为概况信息，但他们也一直小心翼翼地满足IT部门的需求，并保持从交易，社交媒体行为，客户需求和生活目标等方面收集数据。尽可能少地存储。
与此同时，B公司采用了不同的方法。它知道行为是混乱的，即使看似无关紧要的数据也可能变得非常具有说服力。因此，该公司收集尽可能多的合法存储费用，并且他们的IT部门也已经找到了如何处理大量数据的方法。该公司还在不同时间点收集有关旧产品发展历程的行为，流程和绩效数据，并将其与客户相关的行为数据合并。
虽然A和B公司在新版本中都取得了成功，但B公司的客户流失率较低，因为他们能够概述客户的主要关注点。例如，根据收集的数据和分析，他们知道哪些客户在周末检查他们的帐户，因此可以指导他们的客户服务团队。
这使得公司能够根据客户的实际需求在市场上推出新产品，而不仅仅是“直觉”。此外，该公司能够有效地为客户服务部门配备人员，并引入了收益分享机制，以促进所有部门对客户的开放和奉献。这改善了客户的旅程，并设定了改变和改变与客户有接触点的不同部门的行为的步伐。
在此，实际例子中，只有一个多成分添加-客户能够从一开始就选择加入知道谁，以及如何为他们的数据使用的是什么，其减少客户流失，并以坚定的B.增加了他们的意愿和参与什么我们在这里看到的是，行为很重要，当与数据相关联时，它可以完全改变游戏规则，包括参与，客户和公司。重要的是要仔细考虑数据位如何以某种方式揭示客户或员工行为的违反直觉或意外方面。
这是一个明确的例子，说明用于支持和促进变革的数据如何需要深入了解其背后的人类方面。技术和数据可以使公司更加智能，但人类科学和行为将使他们与其他公司区别开来，使变革和转型变得更加容易。如果需要改变思维方式将传统公司转变为以数据驱动决策为核心的数字化公司，那么数据科学需要满足社会科学的要求，不仅要更广泛地考虑公司的经济背景，还要考虑公司的经济背景。它的人文维度第一。
以下是现代数据科学家需要考虑的三个关键行为观点：
行动并不总是遵循数据
数据应该是客观的，因为它可能会告知已经发生的事实。问题是我们如何将数据转化为信息和信息，以便我们的决策过程和行动在以后进行。人类的大脑需要处理信息以做出日常业务判断和决策，并且正是在这一点上，另一种偏见（和强烈的偏见）发挥作用 - 认知偏差。默认情况下，这是人类不可分割的特征，如果我们坐在镜子前面，或者当他们在没有询问的情况下盯着某个地方时模仿电梯中的其他行为，我们就会少吃。
这是数据科学家在想要提供可操作的数据见解时必须具备的行为方面。当他们沟通或讲述他们的见解时，他们需要像行为经济学家或心理学家一样思考。在这种情况下，了解一个观众是关键。他们需要跳出来，不仅要考虑从他们的数据中得出结论的不同方式，而且他们需要了解管理者的思想，他们将这些见解用作决策过程中的输入和他们的最终的行动。这将允许他们协调行为和数据，以避免管理者可能经常成为可能的确认偏差。
良好的数据来源 - 战略数据预见
如本文开头提到的示例所示，需要从多个来源（例如社交媒体，Net Promoter Score调查等）收集数据，并且不仅应关注当前需求。需要进行成本效益分析，以确定和确定将收集的数据的大小。我们只是想要销售新产品还是成为新产品的畅销产品？我们可以看到的数据越多，未来的进一步发展将不仅决定我们成功提供可行的见解，还要确定公司内部采集 - 分析 - 决策 - 行动周期的需求和可靠性。
此外，从我们决定这种分析对我们能够得出结论的时间有用的时间点来看，有一段时间的流逝。这种延迟要求我们事先考虑实验设计，未来假设以及可以产生差异的行为数据中的细微差别。
举例来说，回想一下1975年斯坦福大学的一项实验，其中一组学生必须对自杀笔记的真实性进行分类。形成两组并在实验后进行; 根据他们从假笔记中选择实际笔记的能力，两组都被分配了高或低的分数。然后两组都被告知他们整体表现平均。尽管如此，获得高分的团体仍然认为他们可以准确地从假钞中挑选实际票据，并且获得低分的团体认为他们无法准确地从假票中挑选实际票据。这表明他们的感知基于他们指定的分数而不是呈现给他们的实际“事实”。
利用视觉感知的力量
数据科学家在企业日常工作中的一个重要部分是强调可行的数据洞察力，这些洞察力将推动变革。通过一系列无代码即插即用解决方案和新工具，编码变得“更容易”。由于这一点，数据科学的民主化正在将分析的力量带给更多人，因此需要可视化来传达对不太深入的数据分析师的真实见解。同样，行为在这方面发挥了重要作用。理解视觉感知方面的需求对于需要设计仪表板和工具以将其发现转化为管理语言并弥合数据分析背后的复杂抽象思维与潜在需求之间差距的数据分析和商业智能专业人员变得至关重要。组织变革。
结论
这些 是只是行为和数据密切相关的三个例子。随着更多公司在决策过程中采用健全的数据分析，这种趋势将继续存在并将会增长。在数据科学的新现实中，数学/统计学，编码和IT并不是成为数据科学家变革成功者所需的唯一因素。从数据收集到可视化的行为是每个数据科学家在其工具箱中应具备的关键工具。我们肯定处于行为和数据之间的十字路口，在这些交叉点中，成功将前者纳入其分析的人将通过更好地了解他们的客户以及组织的思维方式而获得优势。
