1.4.4 工程化思维

工业大数据分析项目是工程项目，需要在严谨与实用之间均衡。需要注意几个工程性原则。

1.实用主义与全局视野

尽可能抓住主要矛盾和核心要素，不要过分纠结细节，形成相对精准的直觉判断力，对工作的侧重点有一个合理的安排。在建模时，在保证基本面的情况下，尽量用简单的模型，特别是可解释性强、可操作性强的模型。为了细微的性能提升，采用高复杂度的模型不是一个好习惯。尽量利用领域专家的先验信息，而不是从零开始挖掘。

在数据分析中，注意迭代速度，通过迭代，将领域专家、业务负责人紧密融入项目中。特别是第一次数据探索的时候，对于数据质量问题，做到清楚基本面，不要在细节上花太多时间（例如，缺失数据用非常严谨的态度去修正）。第一次探索要的是快速掌握基本面，找出具体问题请教领域专家，在模型可能精度和适用范围的研判基础上，与业务负责人开始探讨，这样数据分析师也可能更深入地了解领域，同时让各方都有个正确的期望。在迭代中，不断提高数据处理和模型的严谨程度。

2.系统化思维与主动思考

分析课题不是封闭的考题，数据分析师要有主动思考的习惯，不要盲信他人圈定的范围，使用数据集的维度可以扩充，甚至要解决的问题也是可以重新定义的。

对业务问题最好有个层次化的分解（可以在推进过程中不断优化），放在业务上下文去思考，这样容易建立起项目团队的共同的理解，数据分析师不要变成被动响应需求的“报表师”。另外，要注意文档的逻辑性，总结文档是一段工作的归纳，不是数据探索过程的流水账。

3.大胆尝试，小心求证

保持必要的好奇心，把所有的想法和假设都记录下来并进行检验，这样才可能在现有领域专家工作成果的基础上更进一步。对于分析结果，坚持因果逻辑检验，避免辛普森悖论、幸存者偏差、赌徒谬论等统计陷阱[40] 。

同时，对于数据分析模型和结果保持严谨态度，尽可能去实际生产环境中验证，发现潜在的风险，清晰阐述模型的适用范畴。对于应用效果，要客观审视提升的原因，避免夸大数据分析的作用。