1.4.4 工程化思維

工業大數據分析項目是工程項目，需要在嚴謹與實用之間均衡。需要注意幾個工程性原則。

1.實用主義與全局視野

盡可能抓住主要矛盾和核心要素，不要過分糾結細節，形成相對精準的直覺判斷力，對工作的側重點有一個合理的安排。在建模時，在保證基本面的情況下，盡量用簡單的模型，特別是可解釋性強、可操作性強的模型。為了細微的性能提升，采用高復雜度的模型不是一個好習慣。盡量利用領域專家的先驗信息，而不是從零開始挖掘。

在數據分析中，注意迭代速度，通過迭代，將領域專家、業務負責人緊密融入項目中。特別是第一次數據探索的時候，對于數據質量問題，做到清楚基本面，不要在細節上花太多時間（例如，缺失數據用非常嚴謹的態度去修正）。第一次探索要的是快速掌握基本面，找出具體問題請教領域專家，在模型可能精度和適用范圍的研判基礎上，與業務負責人開始探討，這樣數據分析師也可能更深入地了解領域，同時讓各方都有個正確的期望。在迭代中，不斷提高數據處理和模型的嚴謹程度。

2.系統化思維與主動思考

分析課題不是封閉的考題，數據分析師要有主動思考的習慣，不要盲信他人圈定的范圍，使用數據集的維度可以擴充，甚至要解決的問題也是可以重新定義的。

對業務問題最好有個層次化的分解（可以在推進過程中不斷優化），放在業務上下文去思考，這樣容易建立起項目團隊的共同的理解，數據分析師不要變成被動響應需求的“報表師”。另外，要注意文檔的邏輯性，總結文檔是一段工作的歸納，不是數據探索過程的流水賬。

3.大膽嘗試，小心求證

保持必要的好奇心，把所有的想法和假設都記錄下來并進行檢驗，這樣才可能在現有領域專家工作成果的基礎上更進一步。對于分析結果，堅持因果邏輯檢驗，避免辛普森悖論、幸存者偏差、賭徒謬論等統計陷阱[40] 。

同時，對于數據分析模型和結果保持嚴謹態度，盡可能去實際生產環境中驗證，發現潛在的風險，清晰闡述模型的適用范疇。對于應用效果，要客觀審視提升的原因，避免夸大數據分析的作用。