Loading [MathJax]/jax/output/CommonHTML/config.js
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >【数据科学】张溪梦:四个案例讲透数据科学与商业结果结合的原力

【数据科学】张溪梦:四个案例讲透数据科学与商业结果结合的原力

作者头像
陆勤_数据人网
发布于 2018-02-26 06:04:27
发布于 2018-02-26 06:04:27
1.1K0
举报

论坛君

9月11日—9月12日,由经管之家(人大经济论坛)主办的“2015中国数据分析师行业峰会(CDA•Summit)”在北京举行。本文是Growing.io创始人张溪梦在峰会上的演讲全文,演讲的主题是“如何将数据科学与商业结合起来”。他认为“一个团队的创造力,一个公司的创造力,一个社会的创造力,是关联科学、商业、艺术、文化等最核心的方面。”

张溪梦,Growing.io创始人

非常感谢有这次机会跟大家分享我在过去十年里面的经验,也非常感谢经管之家组织这次很好的活动。而且前面听到了在座的各位行业专家的分享,其实我今天讲的东西要重复前面几位专家讲的东西。在过去十二年我在美国工作的时间,学到最重要的东西就是数据决策,我们今天做的只是重复古代人的再次决策,使我们的规模变得更大化。

大家想一想最早的数据分析师在什么时候,其实就是我们中国人,那时候姜子牙给周文王讲天下大事,他讲的就是数据分析,通过对很多微妙的信号衍生出来对于未来的判断,然后产生了各种执行力,最后建立了国家。

今天我跟大家分享的题目是“如何将数据科学与商业结合起来”,我个人认为最核心的关联就是一个人的创造力,一个团队的创造力,一个公司的创造力,一个社会的创造力,这种创造力是关联科学、商业、艺术、文化等最核心的方面。

什么是数据?

大家可以看到他们以前的愿景和远见已经变成了事实价值,大家想一想到底什么是数据,我们讲数据、也决策、数据分析,什么是数据。其实数据是非常简单而优美的过程。它关联了四个事物,一是人物,二是地点,三是交互的方法,中间完全关联再一个非常美妙的物理事实上就是时间。每一条数据,都是这种活动最基本的组合。

我们看看再过四年,这个世界会变成什么样的世界。在下面的四年,我们会有40亿人进入到数据的网络之中,这将是一个4万亿美元的市场。我们将产生2500万的各种跟数据有关系的东西。还有将有250亿代设备,连接到通过数序构建的网络里面。大家注意到这不是互联网连接的数据,而是通过数据来连接的世界,刚才几位专家也分享了,工业4.0,很多机器真正连到互联网上去,但是它们内部建造了各种复杂优美的网络,最后就是数据量的问题。

一个数据科学家应该具备的素质

2020年会产生50万亿GB的数据,这是什么概念呢?我想用一些信息来跟大家分享,我之前所在的公司每天生成大约1TB的数据,它是世界上前12最大的网站和手机端。我们怎么做呢?今天大家披露出来的数据,比如说百度,一个数据科学家应该具备什么样的素质。其实这个问题也是我在我原来的公司第一次面试的问题,什么确定了一个好的数据科学家或者是数据分析师他最基本的素质。当时因为在餐馆里面没有笔,也没有纸,后来我们要了一张餐巾纸,拿个笔在餐巾纸上画。

最早的时候,这就是当时在餐巾纸上画的基本元素。首先是所有的环节没有哪个重要,哪个不重要,它是关联在一起的,是同等重要的,也是不可或缺的。比如说统计学,真正好的数据科学家需要很深刻的统计。第二是机器学习的能力。第三是编程,一个好的数据科学家需要有能力用最直观、简单的办法把数据天才展现出来。然后他必须要有商业、运营天然的直觉。他必须要有很深刻的行业知识,不过行业知识是可以跨界的,也是可以复制的。他必须要有很强的数据处理能力,这几个词描述了如何把非结构化、半结构化,甚至是结构化的信息变成我们真正需要的精炼的信息。

我们需要关注的是一个人或者一个组织他有很强的沟通能力,因为好的数据科学家必须要有效率的跟公司的各个工程师进行沟通。最后一点就是运筹学,在美国这个学科已经发展了几十年,包括刚才讲的例子,实际上是在一战、二战发展起来的。包括今天举行的例子像Uber和滴滴,他们用运筹学进行大范围的优化,这个能力也是数据科学家基本的能力。

我记得当时在餐巾纸上写完这些以后,这里面缺太多的东西了,什么能力能让一个好的数据科学家变成非常顶级的数据科学家。我们还缺乏什么样的能力。首先,一个好的数据科学家必须有勇气能够创造别人认为不可能的事情,这种东西是一个创造力最基本的核心。

他必须能够把科学、商业、人文、技术、艺术等各个环节进行统和。因为当大家做数据分析的时候,你会发现上本质这个世界本身是非常高度关联的,是有非常深刻统一性。任何事情都在改变,但是它的本源是关联的,一个好的数据科学家,他必须把数据技术和艺术之间相结合。它必须从很深刻的人文观,而不只是把它变成一种科学来对待。我们必须通过在商业上把它落地,在商业落地的过程中,证明我们各种的理论,我个人认为好的科学家必须有综合的能力。

数据分析方法论和业务的紧密结合

大家会想这是多么有挑战的事情,到底可不可能实现。如何用数据分析和业务紧密结合。大家看一看这五个环,首先是商业本身是一个非常有规律的过程,而不是一个完全随机出现的。

我们看看这五个环,对品牌的认知、市场运营、产品互动、销售线索、客户忠诚和留存。大家想一想这五个环是不是一个商业生命周期从开始到结束,它不断演化,不断进步,最后结出果实。但是核心的是口碑获取、体验、转化、留存这五个字样,它背后缺乏一个东西是什么,是客户,我们要专注客户的口碑,获取更多的客户,增加客户的体验。转化更多的客户为付费的客户,存留更多的客户。大家看一看所有的还是围绕着人来展开的。

通过五个商业步骤,背后的数据分析如何支撑他们。SOV、CPM、CPC,这些非常古怪的缩写可以透视出很多商业意义。你需要知道我们今天发布的信息被多少人知道,比如说PPC,我的朋友跟我说现在世界上最聪明的人都去搞点击率了。最核心的基础就是40%的业务运营,60%的工具使用。比如说注册,CVC客户获取,我们再往下走是用户要使用你的产品,最简单的DAU、MAU每天有多少活跃用户,每个月有多少活跃用户。PPV、UV分析一个月有多少真正的访客,这里面用户看了哪些文章。比如说有多少交易额,我们再看产品的单价,以及整个的销售额,再看MRR,这是衡量SaaS企业最核心的东西。再看客户本身的生命周期值多少钱。然后是用户成功的指针,如何衡量流失,如何衡量客户忠诚。

大家看到每一个商业环节的背后有大量的分析指针,不是从互联网才开始的。在这之前几十年,各种商业理念得到更多的呈现。

应用实例

我今天跟大家分享几个案例,就是说如何用数据分析的方法来增进各个业务环节的过程。比如说获取用户,就是用市场营销的方法。产品互动,分享产品的体验,用产品分析。付费的转化,比如说把一个普通用户变成付费用户。再下面是业务拓展,如果把付费用户变成忠诚用户,而不让他流失。

案例一 获取用户

首先,如何增加信用度,我在领英工作的五年中,第一点,非常精确判断用户从哪个渠道来的,必须要进行衡量。第二个,我们每个渠道的效率是什么样的,我们需要衡量每个渠道的转化率,资源投放率,还有最后的LY。特别社交网络的话,这是一个非常复杂的过程,它也不是非常直接的就可以衡量的,而是非常间接的,有网际效应的迭代。最后下面我们要分析每个客户,这些客户到底买没买,转化没转化,有没有变成我们更有价值的客户,这是大部分互联网公司做的也许并没有那么成熟的一点,就是我们往往我们知道客户从哪个渠道来的,但是是否真正转化了,在哪个点转化了,这方面还是比较模糊的。

再下面,就是客户区隔,我们必须针对不同的人群,不同人自营销方案,获取最高的转化率,用最少的成本。再下面就是我们衡量LY,我们再领英是怎么做的呢?第一,我们帮助我们的企业衡量它在领英平台的广告转化率,或者雇佣人的转化率,然后把LY提炼成一个指标,就是一个公司在领英上面或者在世界上面,它的品牌在雇佣上的指数,这件产品后来变成领英内部一个很好的产品卖给了客户。因为客户需要知道自己的企业在世界竞争格局下的位置。

案例二 产品互动

再下面一点,像网站我们如何能够迅速衡量用户是否在网站有各种摩擦,他是否喜欢这个产品,他用的是否顺畅?非常简单,所有互联网的分析或者APP分析,我们可以非常单纯的理解为它是一个漏斗的转化,我们必须强调在漏斗转化中的无摩擦性,顺畅性,流畅度,从而给用户提供很好的用户体验。再下面一点,就是要完善用户画像,这个用户画像本身不止是地理位置,他的职位,他的收入,他的性别,还包括他的倾向性,他喜欢用什么样的老师,他喜欢读什么样的文章等等,这样我们就不断完善用户的画像。

再下面,我们要理解这个用户的倾向,之前做过一个研究,用户的基础画像提供大约,从数据是15%个点的价值,用户的使用行为提供25%-35%的价值。用户倾向提供数据里剩余的60%左右的价值。大家可以看到用户的倾向性是我们增加转化率的一个核心的分析点。最后一点,就是假设检验,其实这是一个很传统的方式,就是我们要带着问题去做,实际上在今天来说的话,这是我个人的感觉,作为十几年的工作经验,真正的现在来说的话,假设这个检验被大数据开始慢慢的颠覆,因为我们从数据里看到很多新的趋势,是人从来没有想到过的。举个例子,像用领英各种资料图做了一个公司的图,发现公司的组织架构能够通过在领英上人与人的关联抽取出来。这点我个人认为以往是没有想到过的。

另外,通过人的流动图可以看一个公司是否IPO,这个信息也不是人们拍脑袋想出来的,而是从数据抽取出来的,看到的趋势。所以说大数据颠覆我们的传统的概念和分析概念。

案例三 付费的转化

再讲讲销售,首先我觉得这五个步骤不仅仅适用于对企业的销售,像包括建立网站和社区,我们都需要把用户不断的转化。首先,最重要的一点,就是我们有他们多潜在的客户,哪个客户使最重要的,这点可以通过他在网站,APP上蛛丝马迹的行为进行判断。还有一个,以前在公司里需要派哪个客户去跟雅虎或者亚马逊接触。下面还需要通过数据理解这个公司谁是决策人。再接着需要通过内部网络社交关系,哪个人认识决策者,能让他买我们的产品。最后是如何用数据讲一个真实的故事让客户有更高的信息来采购我们的产品。这五个步骤全部可以用数据驱动,而且驱动的速度是以前别人认为可能需要两个星期,三个星期的决策周期,今天我们可以用在一分钟之内就可以实现,这就是数据科学,技术力给我们带来的价值。

案例四 业务拓展

再下面讲讲如何促进用户留存。实际上客户的留存通过他的很多微妙的行为,跟我们讲的很多的很好的故事。我们以前做了很多这样的模型,后来发现真正流失的用户在非常早期就已经释放这种信号。因为用户有几个生命周期,整个流程有生命周期的,往往用户在早期很微妙的行为的加权,就能知道这个客户会在未来哪个时间点会流失。这是我们两三年来做用户的模型,慢慢的把留存的模型的时间线不断的往前提前,最早预算用户流失的时候,立刻发信息。后来发现用户使用好的时候问他怎么用,这样留存率提高了10%。还有在教育的时候是不是要对客户进行培训,各种引导、辅助,后来发现客户的留存度增加了非常非常多。因为这个是领英财报写的,大概从50%流失率降到20%的流失率。这些都是数据和运营相结合的一个很好的过程。

今日大部分企业所处的数据分析阶段

再讲讲现实,一般来说,在一个企业内部,特别是互联网企业,业务端:销售、运营、产品等各种人提出各种需求,雪片般飞来。来到这些部门发现根本没有数据,所以我们需要跟工程人员一起工作把这个数据搜集上来,这是反复迭代,非常缓慢的过程。美国顶级研究机构做了一个调查,只有50%的公司能够在4-5周之内能够把数据搜集上来。注意,是数据搜集上来。只有1%公司能够在一天把这个数据搜集上来,5%的公司能够一周把数据搜集的工作做好,还有剩下50%公司需要花5个星期完成这个搜集循环。再下面我们有分析师,对这些数据进行抽取可视化。最后由科学家、统计学家,战略分析师对数据进行进一步的提炼。这么一个流程就像一个污水处理厂从池子里过滤沉淀、再过滤沉淀,今天可以用比较成熟的新型大数据框架,我们走的还是这个流程。

我们看这张图,这张图反映了当今的互联网企业3%-5%都不到的数据流程,大家想想这是多么复杂,多么昂贵的过程。我们怎么改变它?我只做过一个PPT,这个金字塔的下面大约会消耗人90%的时间。这是一个共识是一个研究机构分析的结果。我们数据工程师只有10%甚至少于10%的时间是真正产生非常大的市场价值。所以说一定要关注技术,争取把决策推广给很多很多人,这就是大数据带给商业价值一个非常简单的方法。

大家想想我们以前工作很长时间,只能产品10%的价值,90%的时间都浪费在数据清洗上面了。今天公司很多人能做到数据决策,能做到这点就需要我们用先进的工具技术,分析理念,结合先进的业务的方法论,把下面的时间尽量的做到全自动化。大家想想我们节省了90%的时间,如果能把这部精力用在金字塔尖上的话,我们产出效益能达到将近10%。实际上在以前的工作经验里看到,当我们用新兴的技术把底部做小,或者用新型的工具、产品把底部的产品做消失,这会给企业提供价值。孙子兵法有一句话,叫庙算胜者,得算多也,庙算不胜者,得算少也,多算胜,少算不胜。就是不去做数据分析,不去做决策,是很难对这种高密度竞争环境下生存。所以我们今天在座的很多都是行业专家,一定要想办法把数据分析做到全自动化。这就是我们今天的发展方向。

最后讲一讲创造力的问题,旁边一个电影是《谍中谍》,旁边另外一个电影是美国的《星球大战》,旁边是他的学生,当时这个场景是在什么样的环境下呢?你能不能把飞船抬起来,后来他抬起来了。大家可以想一想这是科幻电影里面的故事,其实不是,这是现实。当我们认为它不可能的时候,这个事情就变成永久的不可能。

这就是最终的创造力是要基于信念。大家相信数据一定能给很多人带来价值,我相信在座大家的智慧和领导力、创造力一定能把这个变成现实,谢谢大家。

作者:张溪梦,Growing.io创始人

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2015-09-20,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 数据科学与人工智能 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
【纯干货】如何在 2025 年成为前 1% 的TOP数据科学家
ps: 本文为第3弹。原作:Uttam Kumar 标题稍微夸张,但是有干活,国内进BAT、TMD这些大厂的方法类似。
万能数据的小草
2025/06/11
1150
【纯干货】如何在 2025 年成为前 1% 的TOP数据科学家
张溪梦:如何打造高速增长团队,实现快速增长
大数据文摘作品,转载要求见文末 作者 | 刘文清 本文整理自2017年7月11日由清华-青岛数据科学研究院联合大数据文摘举办的《顶级数据团队建设全景报告》发布会上,GrowingIO 创始人&CEO张溪梦所做的以“数据团队的建设现状与建议”为主题的发言。 张溪梦表示,数据受到了很多行业和公司的热捧,但能够真正利用数据产生可衡量的价值的公司凤毛麟角。并为大家分享了数据团队的建设现状,针对如何打造高速增长团队给出了他的建议。 后台回复关键词“清华大数据”,下载完整版PPT。 以下为张溪梦演讲实录: 张溪梦:《
大数据文摘
2018/05/25
8960
独家专访 | 揭秘LinkedIn总部数据科学战队:技术强者常有,顶级团队胜在软实力
作者 | 魏子敏,Yawei Xia 薛娅菲和Aileen对本文亦有贡献 *本文为清华数据科学研究院联合大数据文摘发起的《数据团队建设全景报告》系列专访的第一篇内容。 从某种程度上讲,目前硅谷乃至全球最火爆的职业【Data Scientist】始于LinkedIn。 2008年,LinkedIn的数据科学团队负责人DJ Patil 和Facebook的Jeff Hammerbacher分别建立了全世界前两个真正意义上的数据科学团队,并且开始用“数据科学家(data scientist)这个词来描述他们的工作
大数据文摘
2018/05/23
9680
TA是什么“鬼”?一个优秀数据科学家的主要构成特点
根据三位作者的咨询和研究经验,以及与许多大数据和分析主题的公司合作,了解一个良好的数据科学家具有哪些主要特征。 大数据分析已经满天都是,IBM项目,每天产生2.5兆字节的数据。这意味着90%的数据在过
灯塔大数据
2018/04/10
6460
TA是什么“鬼”?一个优秀数据科学家的主要构成特点
大数据科学家可不是那么好当,不信,泥瞅瞅
大数据科学家有多牛?让我们从有史以来市值最高的科技公司苹果看起。为抢大数据科学家,苹果开出美金16万到20万(约合台币400万到600万)的年薪,以及任何你想得到的好福利:美味员工餐、健身中心、教育津
昱良
2018/04/08
5210
【数据科学家】2015年最热门的职业:关于数据科学家的概念、职责、技能素养和学习资源完全手册
你是精通数学、擅长Python或者R并对某一特定行业有着深入理解的Geek么? 如果你的答案是Yes,不妨考虑一下21世纪最性感的职业——数据科学家。 领英最近评选出了2014年前25大最受欢迎职场技
陆勤_数据人网
2018/02/26
1K0
【数据科学家】2015年最热门的职业:关于数据科学家的概念、职责、技能素养和学习资源完全手册
只懂技术还不够,数据科学家还需掌握这5大商业技能
你擅长数学和统计学,你能熟练使用SQL和Python,具有丰富的数据清理和可视化经验。另外,你对机器和深度学习也并不陌生。
IT阅读排行榜
2019/10/15
5200
只懂技术还不够,数据科学家还需掌握这5大商业技能
5年400倍增长, Airbnb首位数据科学家揭秘他们如何运用大数据
当时人们连公司的名字都不会发音,如果不算正在接受心理咨询的哥们儿,实习生,旁边咖啡店里的咖啡师,团队只有大约七个人。我们的公司就在创始人在SOMA的公寓旁。工作环境也十分简陋。
IT阅读排行榜
2018/08/14
5470
5年400倍增长, Airbnb首位数据科学家揭秘他们如何运用大数据
【数据科学】数据科学家与数据科学
仅仅在几年前,数据科学家还不是一个正式确定的职业,然而一眨眼的工夫,这个职业就已经被誉为“今后十年IT行业最重要的人才”了。 一、数据科学家的起源 "数据科学"(DataScience)起初叫"datalogy "。最初在1966年由Peter Naur提出,用来代替"计算机科学"(丹麦人,2005年图灵奖得主,丹麦的计算机学会的正式名称就叫Danish Society of Datalogy,他是这个学会的第一任主席。Algol 60是许多后来的程序设计语言,包括今天那些必不可少的软件工程工具的原型。
陆勤_数据人网
2018/02/26
1.2K0
【数据科学】数据科学家与数据科学
【深解读】什么是数据科学?如何把数据变成产品?
作者|麦克.罗克德斯(Mike Loukides) 未来属于那些知道如何把数据变成产品的企业和个人。 --麦克.罗克德斯(Mike Loukides) 据哈尔•瓦里安(Hal Varian)说,统计学家是下一个性感的工作。五年前,在《什么是Web 2.0》里蒂姆•奥莱利(Tim O’Reilly)说“数据是下一个Intel Inside”。但是这句话到底是什么意思?为什么我们突然间开始关注统计学和数据? 在这篇文章里,我会检视数据科学的各个方面,技术、企业和独特技能集合。 互联网上充斥着“数据驱动的
大数据文摘
2018/05/24
5930
解开“镣铐”看数据——GrowingIO发布首款实时商业数据分析产品(附张溪梦演讲实录)
需手动埋点、数据采集不全、核心业务数据无法保留、工程量繁重、可视化图表制作耗时漫长、业务人员无法自主按需分析、无法对用户行为进行实时深层分析,数据分析师产品常见的这七大痛点或许将成为历史。 12月8日,商业数据分析公司GrowingIO发布首款实时商业数据分析产品GrowingIO V1.0,该平台同时适用于Web页面、HTML5页面以及iOS/Android客户端的数据分析。 GrowingIO V1.0首次实现了无埋点数据采集、全面收集实时数据、一键出图、实时数据分析等功能,解开了数据的“镣铐”,大大提
CDA数据分析师
2018/02/11
1K0
解开“镣铐”看数据——GrowingIO发布首款实时商业数据分析产品(附张溪梦演讲实录)
GrowingIO创始人张溪梦:企业不再增长,就在死亡
数据猿导读 GrowingIO创始人张溪梦在GrowingIO数据驱动大会上表示,“数据分析不是最重要的,帮助用户实现增长才是最重要的事情。做数据分析的公司有很多,但提出增长概念的公司并不多。而Gro
数据猿
2018/04/20
8430
GrowingIO创始人张溪梦:企业不再增长,就在死亡
互联网大数据背后的秘密 分析创造商业价值
今天很多是创业公司或者BAT公司,大家把时间花在下面,美国做了一个研究,大部分数据分析师和科学家花很多的时间,只有10%时间创造很多的价值。那么势必我们会产生更少的价值,用更多的资源,我觉得企业急需要解决的问题。不应该把时间浪费在下面,要做大规模自动化。
IT阅读排行榜
2018/08/14
7810
互联网大数据背后的秘密 分析创造商业价值
谁是数据科学家
随着我们生活在大数据 时代,数据科学正在成为一个非常有前途的领域,可以利用和处理从各种来源生成的大量数据。数据科学本身就是一门广阔的学科,由统计学,数学,编程,计算机科学等专业技能组合组成。数据科学由多种元素,技术和理论组成,包括数学,统计,预测分析,数据建模,数据工程,数据模拟和可视化。
大数据杂货铺
2020/02/11
5600
谁是数据科学家
大数据入门的四个必备常识
一、大数据分析的五个基本方面 1、可视化分析 大数据分析的使用者有大数据分析专家,同时还有普通用户,但是他们二者对于大数据分析最基本的要求就是可视化分析,因为可视化分析能够直观的呈现大数据特点,同时能够非常容易被读者所接受,就如同看图说话一样简单明了。 2、数据挖掘算法 大数据分析的理论核心就是数据挖掘算法,各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点,也正是因为这些被全世界统计学家所公认的各种统计方法(可以称之为真理)才能深入数据内部,挖掘出公认的价值。另外一个方面也
灯塔大数据
2018/04/09
7470
【数据科学】数据科学家的7种统计学使用场景
原文请见:How do data scientists use statistics? http://datastories.quora.com/How-do-data-scientists-use-
陆勤_数据人网
2018/02/26
9260
简明数据科学(1):啥啥啥?这都是啥?
原文:Data Science Simplified Part 1: Principles and Process 译者:杨德杰 2006年,英国数学家、Tesco Clubcard的架构师Clive
陆勤_数据人网
2018/02/28
7080
简明数据科学(1):啥啥啥?这都是啥?
数据科学:丰满的理想与骨感的现实
免责声明:本文中使用术语“数据科学家”,也包括:机器学习工程师、数据分析师、数据工程师、BI分析师等热门职位,它们可以在这里互换使用。
老齐
2020/05/15
5120
数据科学:丰满的理想与骨感的现实
在Twitter“玩”数据科学是怎样一种体验
作者:Robert Chang 转自:英明泰思基金会(Intetix) ◆ ◆ ◆ 引子 2015年6月17日是我在Twitter工作两周年的纪念日。回想起来,两年间,数据科学在Twitter的应用方式和范围发生了很大变化: 许多Twitter的非机器学习主导的核心产品中,机器学习的比重正在不断增加(例如“While you were away” 功能——Twitter把你下线时可能错过的头条推文推送到你的个人首页)。 工具的智能化上,Pig已经过时了,现在的数据流水线都是用Scalding(建立在串联
大数据文摘
2018/05/24
5150
“首席增长官”诞生记——Growing or Dying | 数据科学50人·张溪梦
3年前网上流传一篇文章,将硅谷华人互联网和科技圈大牛按照金庸的“东邪西毒、南帝北丐”分了一遍,北美互联网界的“南帝”叫张溪梦(Simon Zhang),是位于硅谷最南边Sunnyvale的领英公司的商业分析部高级总监,被媒体Data Science Central评为“世界前十位前沿数据科学家”。
DT数据侠
2018/12/10
1.1K0
“首席增长官”诞生记——Growing or Dying | 数据科学50人·张溪梦
推荐阅读
相关推荐
【纯干货】如何在 2025 年成为前 1% 的TOP数据科学家
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档