1.2.3 业务——如何产生更大价值

业务问题的解决，可以从一处痛点开始突破，也可以按照体系化的方法整体解决。比如，银行对理财产品的营销，若只关注具体产品的销售，则简单的产品响应预测模型即可解决；若只关注一批产品的销售，则也可以通过构建多输出预测模型（我们在后面的章节中重点介绍）预测每一个产品的购买概率来生成推荐列表；若关注客户旅程地图（Customer Journey Map）而确定营销时机，则需要一批模型；若关注客户体验的提升，需要的就不是一批模型，而是一个体系化的平台加大量模型才能达到预期效果。

大多数情况下，数据科学家应当在具体的业务背景下展开工作。比如，若业务部门按照客户旅程地图的方法来分析客户特征、了解客户需求、并适时推荐产品（如图1-6所示），则数据挖掘的模型是服务于一个个业务场景，在整体客户关系管理的框架下发挥价值的。

图1-6 以客户旅程地图为例说明不同的业务场景需要相应的模型

数学科学家的工作需要深度融入业务，甚至引领数据驱动的业务发展。此时，数据科学家的定位不应该仅仅是构建模型者，还应该是数据驱动业务这种新模式的搭建者。这种角色变化就要求数据科学家深刻理解具体的业务、新的数据驱动模式的运作方式，围绕数据驱动模式而展开各种活动的意义。

在这种情况下，数据科学家在构建模型时需要明确：该模型在数据驱动业务的新模式中在哪个阶段发挥什么作用？如何构建一个模型组来协同工作？有了这些模型后数据驱动业务模式能够做到什么程度？