让我们玩一个快速的益智游戏。
问题：为公司命名。
线索 1：这家公司与亚马逊、苹果和谷歌一起，是全球四大科技公司之一。
线索 2：它在2004年萌芽。
线索 3：截至2018年，该公司全球收入为558亿美元。
那应该是小蛋糕！（我没有给你的礼物，虽然：/）。
答案：脸谱网 .
除了这些关于Facebook的众所周知的事实，我想带你回到几年。
2004年，马克·祖克伯格和他的四个哈佛大学朋友创立了Facebook。两年过去了，团队竭尽全力发展他们的公司。2006 年， Zuckerburg 聘请了第一位数据科学家——杰夫·哈默巴赫，一个刚从大学毕业的数学书。他被授予一个研究科学家的王子头衔，他的职责主要是了解人们如何使用社交网络服务。
您可能还喜欢：使用 Python 进行实用数据挖掘。
在彭博社的采访中，杰夫分享了他在处理数据和构建一门新的分析技术方面的经验，当时Facebook还没有工具来做到这一点。后来，他在离开facebook后通过分析大型生物数据集，将他的数据科学能力引导到提供更好的癌症治疗。
所有数据科学家（如 Jeff）最终都花费大量时间用于数据准备，而不是将时间和技术诀窍投入到建模、计算和培训中。
为什么错误的数据让你的城堡变得与众不同
数据准备是一项繁琐的任务。它需要大量的时间和精力，需要无错误才能做出巧妙的发明。数据科学正朝着数据在基础设施、交通、环境、医学和许多其他重要领域进行改造，实现更好和高级生活的方向。
今天，我将带您完成某些常见的数据准备错误，这些错误代价高昂，并造成严重影响，如错误的见解和策略、复杂模型的迭代和分析模型功能障碍。
您需要摆脱的五个数据准备模糊
1. 丢失用例上下文 – 为什么偏差是危险的
IT 部门拥有的技术专长使数据准备得以操作和实施
完全由 IT 部门实施的数据准备缺乏对用例的业务理解，因此在流程中失去了上下文。
在不考虑上下文的情况下，公司会花费大量资金、时间和精力来准备数据，从而导致重复的迭代周期和不需要的输出水平。准确了解需求是什么，并深入了解这些需求有助于企业最大化分析结果。
2. 遗漏质量规则 – 脏数据等同于错误见解
在准备数据时，关注信息质量起着巨大的作用。数据质量是 B2B 世界中的一个大问题，需要处理各种数据质量问题。数据可能过时、丢失、容易出错、不完整等。现在，当数据质量差时，由此产生的见解和分析也会很差。例如，假设我们正在为电子邮件市场活动准备营销数据。
有一个基本的数据点，例如，缺少联系人的地理位置（不完整数据的情景）。现在，当数据被推送到进一步处理时，而不纠正错误或丰富信息，它可以对输出产生巨大的影响。在这种情况下，只有丰富了有关联系人的地理位置的数据，才能进一步加强和个性化市场活动信息。
3. 黄金法则：不要吞噬数据科学家的时间。而是雇佣一个团队
数据科学家在分析、数据建模和设计程序方面拥有很高的实力，为项目带来巨大价值。另一方面，数据工程师在提供干净、可用和经过良好处理的数据（通常称为数据准备或数据争用）方面辛辛苦以工作。
数据科学家将 80% 的时间用于数据准备。作为将数据转化为洞察力的策划者，你可能会认为谁比数据科学家更适合这个？
作为数据门卫，数据科学家应该有时间和空间来巩固他们的知识，从事更复杂的工作。但是，严酷的普遍现实是，他们的做法正好相反。这样做的不利结果是，他们每天为实际工作而减少工作时间，从而延长获得见解和取得切实项目成果的时间。
有什么解决办法？有成百上千的数据准备服务提供商可以帮助您完成此过程，使数据科学家能够利用他们的时间做他们需要做的事情。
4. 这是自动化的时代。逐步淘汰古代手工方法
最近的一项研究分享了他们关于公司用来准备数据的工具的发现，结果令人震惊。电子表格应用程序高达 75%，这表明分析和从数据派生的见解范围受到限制，因为电子表格不能像自动化工具那样帮助数据转换和分析。复杂的自动化工具可以处理大量数据，而电子表格几乎不支持数据准备功能。
由 AI 提供支持的数据准备过程的自动化将实现高效、高质量的准备。数据准备不仅涉及数据的集成，还将其转换为可分析的格式。自动化有助于关键地识别数据质量问题、丰富数据、确保安全性和数据关系。自动化应替换电子表格以执行此类高级任务。
下面是一篇关于机器学习数据准备的文章，它将帮助您了解数据准备中不同步骤的基本情况。
5. 什么要求放大镜深入挖掘数据 – 命名约定和人口大小问题，它是
命名约定必须设置简单，因为在准备过程中正在处理大量数据。保持简单明了，以便那些进行分析的人可以理解。这些可以全局为整个组织设置，也可以是特定于项目的。
建模数据集至少应具有 1，000 条记录，至少三年，以便实现范围或数据波动，从而产生重要的比较见解。更大的人口规模提供了更广泛和更深入的见解。
那么，你有什么借口？
数据准备绝不是一帆风顺的。无论是facebook、亚马逊还是谷歌的数据科学家——如果没有坚实的基础，他们就无法建造他们梦想中的分析城堡。对于一位数据科学家来说，在大胖白板上集思广益的Linux集群和Gnarly c代码，在准备数据时发生的一个青少年错误已经足够有可能完全减少创新。
BARC 的 BI 调查团队最近进行的一项研究，研究当今数据准备的使用方式、需要克服哪些挑战以及在哪个组织框架中进行。它有趣地发现公司在准备数据时所面临的各种问题，这些数据在输出中具有令人讨厌的结果。这些原因可能就是这些错误发生的原因。
运气或摇摆不定的修复不完全是你需要避免这种致命的瘟疫。您所需要的只是一套正确的预防措施，以彻底根除这种情况的发生，如果您只需要伸出援助之手，并具备准备准确数据集的合适专业知识。