數據科學領域的每個人都遇到了要求獨角獸的工作清單：編程語言和計算機科學，統計和計量經濟學以及商業領域的專家。如果您也可以進行引人注目的數據可視化，那就太好了。可能會有一些人結合了所有這些特征，但它們之間相差無幾。隨著該領域的發展，職位描述已變得更加具體于其中一個領域，而最成功的數據科學團隊正是受益于專業化和協作。工程師可能負責收集，清理和維護數據。統計員或經濟學家可能正在對數據進行分析，例如預測模型。可能會有一位可視化專家來弄清楚如何最好地交流模型所產生的見解，并由一位業務負責人來指導感興趣的問題。在所有這些級別上，都是人，他們對所收集的數據，所提出的問題以及所提供的見解做出決策。

數據科學團隊之所以成功，是因為每個成員都將自己的培訓，經驗和觀點帶到了餐桌上。顯而易見，擁有多種技能可以解決更多創造性問題，但是通常并不能進一步推斷結論，以認識到多種多樣的生活經驗也可以增強團隊精神。

算法和模型塑造了我們的世界，吸收數據并以驚人的速度收集見解。根據數據建模的結果確定從電視節目更新到本地商店的所有雜貨的所有內容。這些都是相對無害的結果，但是數據建模還確定了警察資源的分配方式以及被定罪的個人是否有可能再次犯罪。在一個完美的世界中，數據沒有偏見并且模型不需要人工輸入，這可能會導致最佳結果，但是我們并不生活在那個世界中。模型僅與其設計者一樣好，數據不知道它還沒有看到什么。

從根本上說，正是數據科學家在框定非常值得通過數據探索的問題。

從這種角度看，數據科學家具有很大的影響力，如果數據科學家是具有相似背景和興趣的同質群體，那么它將縮小我們探索的世界，并限制了我們從數據中得出的見解的有效性。

同質性不僅限于教育或技術背景。相關專業人表示數據科學家中有85%是男性，而預測分析師中有74%是男性。考慮到構成這些專業的領域，這種聯系變得更加明顯：根據美國國家教育統計中心的數據，2016年只有18%的計算機科學學士學位授予了女性。統計數據確實好，幾乎43%的女性和經濟學落在某處大約31%，但考慮到整體，女性收入的57%都授予學士學位。鑒于教育中的數字十分明顯，在數據科學和預測分析行業中女性人數不足的不足為奇。當然，缺乏代表性意味著我們提出的問題，我們在模型中使用的變量，甚至我們對這些模型的解釋都因我們行業內的選擇偏見而歪曲。

最近被提醒了這一點：在花費大量時間和金錢嘗試使用AI來改善他們的聘用方式之后，他們發現，該模型經過對由他們過去成功聘用的人員構成的令人難以置信的偏見數據進行了訓練，將會發現更加微妙的方法。過濾掉女人。亞馬遜的觀點是了解其算法的局限性，但是有多少公司以一種毫無希望的偏見方式應用了數據科學卻從未見過?或者，如果算法的預測準確，但應用該知識卻沒有考慮潛在的負面結果，該怎么辦？目標幾年前，這種情況發生了，當時其數據科學團隊能夠根據客戶的購買歷史準確預測客戶何時懷孕，并使用該信息向客戶推銷與懷孕和嬰兒相關的物品。他們沒有考慮的是，這些營銷通告是針對家庭而不是個人，并且懷孕的人可能不希望共享這些信息，例如，一個十幾歲的女孩尚未告知父母其計劃外的懷孕。正如當時的許多所指出的那樣，如果一名婦女因遭受暴力侵害而隱瞞自己的懷孕，那可能是一個災難性的后果。在這種情況下，擁有更廣泛生活經驗的更加多樣化的團隊可能已經注意到應用其見解的潛在危險。

沒有寬廣的視野，您最終會不可避免地遭受想象力的失敗。這就是為什么像DSSe這樣的旨在提高女性在數據科學領域工作的計劃如此重要的原因。

在數據科學領域擁有更多的女性會影響到所有問題，從我們提出的問題到我們使用的工具再到我們探索的技術。通過提出我們的觀點，我們可以創建更好的模型并回答更有意義的問題。

例如，英特爾致力于實施一項雄心勃勃的計劃，以在2015年提高其員工隊伍的多樣性。近三年后，他們將婦女和少數族裔群體中的代表性提高了63%，并且在不以任何方式犧牲盈利能力的情況下做到了這一點-不足為奇，據摩報告顯示，性別高度多元化的公司可以在波動性較小的情況下獲得更高的回報。數據科學還很年輕，我們有機會塑造這個領域，以反映它所探索的世界。它現在可能會偏向男性，但是通過DSSe等計劃，該領域女性之間的指導以及考慮到從事數據科學職業的年輕女性的有針對性的鼓勵，很快，數據科學將擁有可以真正提升該領域的多種視角。

上述就是關于從女性角度看數據的全部內容介紹，想了解更多關于大數據的信息，請繼續關注中培偉業。