12 篇博文 含有标签「数据分析」

引子​

“据不完全统计，数据从业者的白头发占比高于同年龄段的平均值”---某数据从业者

数据（Data），这个对不少人来说熟悉而神秘的词语，似乎已成为各行各业都在追捧的图腾。管理者们喜欢看到五颜六色的炫酷报表，数据分析师们热衷于构建专业复杂的概率模型，业务员们将数据仪表盘作为自己能否完成业绩目标的指南针。最近十几年，数据行业飞速发展，诞生了大量让人望而生畏的专业名词，例如大数据（Big Data）、数据科学（Data Science）、数据湖（Data Lake）、数据网络（Data Mesh）、数据治理（Data Governance）；当然，那些“传统”的专业词汇也让人头疼，例如数据仓库（Data Warehouse）、商业智能（Business Intelligence）、数据集市（Data Mart）、数据挖掘（Data Mining）；而更可怕的事实，很多人可能还不清楚这些名词跟最近大火大热的人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）有什么联系。这些火热的名词背后，都是数据领域野蛮发展的必然结果。

专业医生还是算命先生？​

多年前，互联网行业蓬勃发展，而数据行业的泡沫也日益增长。数据作为互联网应用的副产物，容量巨大而又丰富，很多互联网企业一门心思想要从中获取进一步增长，这是因为很多企业家将其视为金矿，进而也让数据挖掘工程师们成为了炙手可热的明星职业。之后，更火的职业应运而生，数据科学家（Data Scientist）被称为 21 世纪最性感的职业。

数据科学家职业的火爆是由于它要求多方面的经验能力：

• 编程能力：至少要用 Python 或 R 进行数据清洗、分析、建模
• 数理统计：熟练掌握概率论、微积分、离散数学等专业学科知识
• 业务知识：对相关业务领域的市场、流程、宏观趋势有深刻理解
• 沟通能力：能将分析结果以普通人类能够理解的方式表达出来

前言​

A bad plan is better than no plan.

坏计划也好过没有计划。--彼得·蒂尔《从0到1》

在软件开发工程中，很少会有单打独斗的程序员。这是因为现代较常见的软件项目通常都非常复杂，所要求的人力、资源、时间也比较多，仅由一个开发者来完成大型软件项目无异于 “愚公移山”。因此，软件开发通常离不开团队协作和项目管理。所谓项目管理（Project Management），简单来就是有序的组织、规划、执行并完成项目中各个任务的一种方法论。当然，实际项目管理的范畴还远不止这些，通常还会涉及资源调配、优先级制定、进度追踪等。它是工业革命的产物，也是现代管理学的分支，它能够大幅提高工程完成效率以及成功率。本文讨论的主要是软件项目管理，相较于传统的建筑工程、机械工程等项目管理有很大的不同。早期的 IT 项目管理来自于建筑工程等传统项目管理方法论，在信息时代早期扮演了重要的角色，大幅提高了软件开发和协同效率。然而，随着 IT 行业高速发展，消费者产品需求瞬息万变，市场形势变得越来越不确定（Volatile），传统的软件项目管理模式已经不能再满足软件开发需求。因此，现代软件开发模式，例如敏捷开发（Agile Development），应运而生，成为了很多互联网企业的首选。

传统项目管理模式（例如瀑布流）有什么弊端？现代项目管理模式（例如敏捷）又有什么改进？我们是否应该完全摈弃瀑布流模式，全面拥抱敏捷开发？作为一个程序员，是否应该掌握一些项目管理知识以及相关工具？作为一个团队领导，应该如何制定项目管理流程保证开发效率和质量？如果读者有类似上述问题的疑惑，本篇文章将为您详细分析和解答。

传统方法论​