A Day In The Life Of A Data Analyst 3 - Build A Team Culture And Programming Guideline

數據分析師的工作日常3 – 建立資料團隊的文化與程式規範

目錄

    原始文章

    數據分析師的工作日常3 – 建立資料團隊的文化與程式規範


    這是〈數據分析師的工作日常〉系列的第三篇文章。第一篇文章是比較總覽型的文章;第二篇討論數據團隊可能的組織編制,以及每一種編制下的優缺點。這篇文章會著墨在更技術面與實務面的內容,像是不好的coding style可能會造成什麼樣的風險,甚至進一步對公司造成什麼樣的傷害。

    完整的背景知識

    對於資料科學家和數據分析師來說,雖然他們也寫程式,但他們寫程式的習慣和一般認知的工程師不太相同,甚至有些人對於寫code的背景知識明顯不足。或許你會說,「因為現在很多做數據分析的都不是本科系,理論知識當然不會那麼紮實」,我認同這是個可能的原因,但我也認為這不能當成藉口,一個專業工作者本來就應該補足自身的不足。我知道軟體工程師中也有類似的問題存在,但我畢竟對於資料科學界比較熟悉,因此只在我熟悉的領域內作評論。

    舉個我親眼見證的例子。我們數據團隊有一台Server,可以用來運算較大量的資料。在Server上通常可以開多個帳號,每個人在自己的帳號底下作業,偶爾也會為了某些業務新增獨立的帳號,所有的程式碼與運算結果就放在這個帳號底下。另外,數據團隊也經常需要排程執行某些運算,像是每個月初會預測即將流失的顧客,並與行銷部門合作,針對這些顧客進行挽回的行銷活動。

    我曾經在Server上發現一個很少人使用的帳號,根據團隊的說明文件,這個帳號會在每天執行某些檢查,並判斷是否需要進行運算及資料更新。當我登入這個帳號的時候,發現它的自動排程不是使用Linux的crontab執行,而是寫一個for迴圈,每天在固定時間點檢查是否需要進行運算,不需要的話就等24小時候再檢查。當我發現這支驚為天人的code時,它已經不眠不休的跑了兩年,程式的撰寫者早已離職,而且這支程式占用了一顆CPU 99.8%的效能,極度荒謬。

    另一個例子,是我發現竟然有人會在code裡面使用中文作為變數名稱,這在技術面上可能可行,但有一定的風險,因為中文字會牽涉到編碼問題,當同樣一份檔案換到另一台電腦執行時,可能會因為電腦系統的設定不同,或是編輯器(IDE)的設定不同,導致無法正常運作。如果要寫中文,強烈建議還是寫在註解裡面就好。

    模組化 / Function化

    先說一下什麼是function。function是程式設計中常見的技巧,把一些會重複使用到的程式碼寫成特定格式,這些程式碼可能有數十或數百行,當需要使用到這些程式碼的時候,只需要花短短的幾行呼叫這個function即可,這樣的效果與多次複製貼上那數百行程式碼的效果是完全相同,但後者在維護性上明顯不佳。

    我發現做資料科學圈中,不論使用R語言或Python,很多人都不喜歡寫function,但是寫function的好處顯而易見,不論對提升工作效率、程式維護性、資料正確性來說都是,因此,這樣的現象讓我非常難以理解。而我的同事也曾經不能理解,為什麼我偏執的想把這麼多東西寫成function。事實上,我更偏執的認為,codebase,也就是function的集合體,是數據團隊的資產,是可以重複使用、快速使用的工具組,這樣的資產某種程度上反應了這個團隊的戰力。每個團隊成員手上都會有不同的專案,每個專案都會有不同的目標,雖然專案可能會結束,但在專案中寫出來的function會被納到codebase中,讓團隊越來越強大。

    如果你在一間接案型的公司,這樣的需求可能沒有那麼強烈,因為每一次客戶給的資料格式可能都不太一樣;相反,如果你是In-House的分析師,強烈建議你開始建立自己的分析架構,因為內部資料再怎麼用就是那些,不需要每次都重新造輪子。

    高效率

    對於某些經常執行的動作,或經常抓取的資料,只要寫成function,並且把可能會調整的部份寫成參數(argument),就可以保持一定的彈性,不需要每次都重頭來過。我看過許多人抓資料時,都從第一行的SQL開始寫,或是將舊有的code複製貼上,這不只降低效率,在維護性上也是一大硬傷。

    舉例來說,如果你需要計算公司每一張的訂單明細,並帶出訂單中的商品資料,這裡面至少會需要join兩張資料表。把這些程式碼function化,並將日期區間設成參數,這就是一支容易理解,而且可以重複使用的function。

    用參數加速開發流程

    除了使用方便外,這在開發速度上也有絕對的好處。延續上面的例子,如果你需要用訂單明細及商品資料,計算過去一年每個商品分類在每個月的營收及毛利,並且還要跟前一年作比較,計算業績成長率。可想而知,這會是一支篇幅與計算量都滿大的程式,如果你用hard code的方式,也就是把全部的參數都寫死在程式中,這在開發及debug時都相當不方便。

    更好的方法是把日期設為function的變數,在開發及debug時可以只用一個月或一周的資料量計算。在正常情況下,如果這支function能夠正確計算一個月的資料,理所當然也可以計算一年的資料。

    減少錯誤

    數據團隊的重大挑戰有兩個,一個是要保證每次提供出去的數據都是對的。巴菲特曾經形容衍生性金融商品是大規模毀滅性武器,數據團隊也有等值的破壞力,亦正亦邪。只要寫程式的人不小心手滑,多敲了一個零,執行出來的結果可能天差地遠。如果這個錯誤讓整支程式掛掉,那還算是不幸中的大幸,最怕的是看起來很正常,但事實上一團亂的結果。如果更不幸地,使用者也沒有看出其中的錯誤,進一步拿去做出重大但錯誤的商業決策時,數據部門很容易會被認為是競爭對手派來搞破壞的臥底。這樣的錯誤在一流的跨國公司中也可能出現,像是Facebook在2016年出的包,〈【廣告商哭了】Facebook 承認演算法錯誤,影片效果被嚴重高估〉

    第二個是要讓使用者聽懂你的分析流程,即使他們不懂統計、不會寫code、不熟悉演算法,但數據部門的使命之一就是將複雜的計算邏輯簡單說。當使用者認同你的分析流程後,才會放心使用你產出的結果,因為沒有人會完全信任你的報告,尤其錯誤的決策可能會影響他們的個人績效時。但究其根本,我認為第一個原因才是重中之重。

    提供正確的數字,這聽起來很簡單,但卻是許多數據團隊真實面臨的挑戰。因為沒有制式的、嚴謹的驗證機制,導致產出錯誤的資料,而錯誤的資料會傷害使用者對於數據團隊的信賴感,最後可能的情況是使用者對於與數據團隊合作感到興趣缺缺,數據驅動(Data-Driven)的文化也就沒辦法在公司內部推行,大家還是使用舊有的方法和習慣在做事。

    為了避免資料錯誤,我認為解決方法有兩個,一個是從程式碼著手,將常用功能function化,並內建檢查機制;第二個是從團隊文化著手,建立code review。這兩者可以同時並行,但應該以前者為優先,因為在程式撰寫階段就先排除大部份錯誤,可以有效降低後續code review的時間和人力成本。

    從程式碼著手

    舉個例子,在沒有function化之前,一樣都是計算業績,但同事A和同事B算出來的業績可能就是不一樣。喔,可能因為同事A排除了退貨,也就是業績為負值的部份,但在商業邏輯及公司慣例上,退貨到底該不該排?然後大家就開始熱烈討論,甚至詢問相關部門。然而,這樣的情況經常會發生,大家可能在一個月後就會忘記今天的討論結果,同樣的錯誤、同樣的戲碼會再度上演。更別說團隊可能有新人加入,新人可能會因為對公司業務的不熟悉,一樣計算出錯誤的數據結果。

    既然知道會有這樣的情況發生,為什麼不要把定義和篩選條件寫成function,並在function內留下註解就好了?甚至可以把幾月幾號,問了哪個部門的誰都寫進去,因為商業環境快速變動,今天的定義可能在幾個月後就會修正。對於修正定義的部門來說,沒有人知道你Data Team會用到這些資料,所以當定義變動的時候,理所當然沒有人會去通知你。

    直接把說明內容寫在註解中有另一個好處,團隊成員不需要再花很多時間寫說明文件。大家都知道說明文件很重要,但大家也都會說自己沒空寫文件,或是文件太多找不到,乾脆重新用問的。當然有些時候還是必須有獨立的說明文件,但在大多數情況中,把說明文件與function結合,不論在撰寫上或取用上都有一定的正面影響。

    另一個程式設計面的大重點,是將驗證機制寫在程式中,像是確認資料筆數有沒有因為錯誤的join方式而爆增,或是可以用另一個資料源驗證產出結果的正確性等。至於程式錯誤時的處理方式,可以直接停止執行,如果是在Server上的自動化排程,則可以寄mail給團隊成員,告知哪一支程式出現錯誤。

    從團隊文化著手

    這裡的團隊文化指的是code review的文化。對軟體工程師來說,正式上code之前通常都會經過code review的過程,通常會由較資深的同事協助確認程式的邏輯及品質。但我認為code review可以細分成兩個層次,一個是軟體面,一個是文化面。

    常見code review的方式必須透過軟體來進行。由於業務性質不同,軟體公司通常願意投資這類軟體,但如果你是在金融業、製造業、零售業這種應用性質的產業,公司不一定會願意花錢買license。

    如果你的團隊沒有code review軟體,但你寫完的code會請同事到你的位子上幫你檢查,雖然聽起來有點愚蠢,但這正是code review文化的精髓,大家要習慣且樂意做這件事,也相信code review對於個人能力的成長,以及團隊戰力的提升都有正面幫助。老實說,我也還在摸索該怎麼建立這個文化,建議參考Google釋出的說明文件Google’s Engineering Practices documentation

    降低協作的困難度

    先說說Coding Style

    很多寫程式的人多少都有點小潔癖,不論是軟體工程師或是數據分析師。因為每個人習慣的coding style不同,接手別人的code時,經常心裡面冒出OS,「我要改他的東西,還要先搞懂他的邏輯,倒不如整個打掉重練比較快」。

    所謂的coding style也不是非黑即白的規則,中間還是有很多模糊地帶,像是Python的coding style就有官方的〈PEP 8 — Style Guide for Python Code〉,也有Google大神的〈Google Python Style Guide〉。我沒有仔細比較過兩者的差異,但隨著團隊的核心理念(Philosophy)不同,會長出不一樣的coding style也是相當合理。像是Facebook強調產品的快速迭代,而Google強調高品質的程式碼。

    雖然coding style有很多流派,但其中許多的根本性原理是相同的,像是不要把一個變數從頭用到尾,不停的覆寫它,這是相當常見的壞習慣。因為正常人寫出來的code不會一次完美到位,中間一定會有修修改改的過程,如果你把一個變數從頭用到尾,代表你沒辦法同時將計算結果與原始資料print出來相互比對,這會大幅拉長開發所需要時間。

    通常使用這種寫法的人,他們的回答會是「大量的變數會增加記憶體用量」。我承認,這確實是個潛在的缺點,但我也不相信他們的每一支程式都會計算這麼龐大的資料量。以顯而易見的開發效率為代價,去預防不一定會發生的風險,我不認為這是個聰明的作法。

    在每個coder的學習之路上,我認為只要挑一個具有代表性的coding style,模仿它,學習它,先讓自己不寫出爛code。當哪天需要和不同style的人合作時,可以禁得起檢驗,有自信的說出「雖然我們的風格不一樣,但不代表我的比較差」。

    把function作為協作的斷點

    如前面所說,因為coding style不同,所以很多寫程式的人不喜歡接別人的code。也確實,即使團隊制定了明確的coding style,成員們還是或多或少會在小地方維持自己的個人習慣,因為人畢竟不同於機器,這樣的不確定性是人之常情,也是建立團隊文化時必須要有的基礎認知。

    然而,這樣的不確定性也讓function文化有了發揮的空間。即使你再怎麼不能忍受別人寫的程式,只要它夠正確、夠穩定,你就放心的使用它吧,完全不需要管function裡面的程式寫成什麼樣子。這樣的認知非常重要,只有接受了這個工作模式,數據團隊才可以站在前人的肩膀上,持續壯大,也就是下一段的重點。

    站在前人的肩膀上

    數據分析案的兩種類型

    我通常會將數據分析案分成兩種類型,一種是找條件,一種是找原因,也就是所謂的根本原因分析(Root Cause Analysis);前者比較容易,後者比較難。

    什麼是找條件?舉例來說,如果你是IKEA的數據團隊,要找出近期可能要入住新家的消費者,並給予他們特定優惠,這就是找條件。條件的依據來源可能是過往的消費記錄、網站的瀏覽記錄,或是網站上儲存的願望清單,透過各種條件篩選出一批人,進一步計算購買機率、預估消費金額、投資報酬率等,然後依照行銷預算,決定要將促銷訊息傳達給多少潛在消費者。

    從商品面來說,如果IKEA要淘汰一些舊產品,並引進新商品,哪些舊產品需要被淘汰,又應該以多少的價錢出清才不至於虧本。或是廚具區的陳列面積是不是需要縮小,玩具區的面積是不是需要擴大,這都是找條件的例子之一。

    另外,找條件的分析其實是有方法可以偷懶的,直接套用80/20法則就對了,因為這是個知名、容易理解、容易實行,且普遍被接受的原則。有些公司會應用這個原則,將80%的資源用於鞏固既有顧客,20%的資源開發新顧客;或是保留業績占比前80%的商品,淘汰其餘的20%。我不認為無腦套用80/20法則是個好方法,但確實在商業環境中,很難在每個決策之前都執行完整的分析研究,所以80/20法則還是有一定的實用價值。

    至於找原因的案例,如果你曾經被問過「可以幫我分析為什麼這一季的沙發業績衰退嗎」,這就是典型的找原因的案例。找條件通常會在公司既有的資料框下的作分析,這也是我認為難度較低的理由;但找原因可能會有無限多個可能性,而且非常有可能要結合外部資料,可能是競爭對手大規模殺價促銷;或是房價持續攀升,買房的人越來越少,連帶影響傢俱需求減少;或是去年的產品品質不佳,有不少網友在各大論壇發文抱怨,造成今年的業績不佳。以上每一項原因都有點道理,而且每一條都需要結合外部資料才能進行分析。然而,能否取得所需的外部量化資料是一回事,最慘的情況是潛在原因只能用質化的方式進行研究;而外部資料需要時間導入又是另一回事,但通常找原因的時候都是業績衰退的時候,老闆可能沒這麼多時間讓你慢慢來。

    用Function來累積內部變數

    在Toward Data Science的Medium上有一篇文章〈How to conduct a proper root cause analysis〉,裡面提到,要找Root Cause的時候必須要收集很多的資料,並分析每一個潛在原因的影響性。我認為它最終的結果會是一條迴歸方程式,以係數大小來判斷哪些是真正的Root Cause。之所以說「哪些」,因為現實世界總是複雜且環環相扣,業績的好壞不可能是單一因素造成的。

    這樣的分析架構即使收集公司的內部資料作為變數,那也是個浩大的工程。像是業績受影響是不是因為沒有促銷,或是用了一個沒這麼有效的行銷手法促銷;也可能是因為供貨量不足,導致業績衰退;甚至是顧客通常希望看到客廳的家具風格有一致性,所以會同時購買沙發和桌子,是桌子缺貨連帶影響沙發的業績。

    在理想架構下,行銷手法的有效性會是一支function,判斷是否有足夠庫存是一支function,沙發與桌子之間的業績是否有相關性是一支function。唯有團隊持續累積程式碼、累積智慧,才有可能面對這樣分析案。

    相反,如果團隊過去沒有累積function的習慣,這時一定會疲於奔命,一邊思考潛在的原因,一邊開始從第一行code開始寫;或是過去可能在其他專案中寫過類似的程式,又花了一些時間在電腦中翻箱倒櫃,可能找不到,或是找到了卻發現不能用。如果你是現役的數據分析師,對這樣的情境一定會有滿滿的既視感。

    結論

    以上是我在工作中得到的一些經驗與啟發,希望對於大家提升工作效率或是建立團隊文化能有所幫助。

    補充說明一點,在物件導向的程式語言中,除了function之外,也可以寫成類別(class)。以我目前的專案經驗,不論使用R語言或Python,我暫時不認為有非寫class不可的理由,硬要寫的話當然可以,但似乎又有點矯枉過正。如果你有其他的想法,歡迎留言告訴我。

    線上學習資源

    如果你對於資料科學有興趣,在國內外都有不少優質的線上教學平台,像是台灣的Hahow或美國的Udemy。Udemy的課程內容雖然以英文為主,但陸續也有不少中文課程上架。另外,也有一些專門做程式設計教學的平台,使用者可以直接在網站上練習寫程式,如DataCamp,可以參考〈在DataCamp學Python和R語言,快速入門資料科學〉



    推薦文章

    A
    Aron

    工業設計系畢業,曾任職知名品牌行銷企劃,做點設計,寫文案也寫網站;目前擔任零售業數據分析師。最近開始練格鬥和Python量化投資。

    Content Protection by DMCA.com

    發佈留言

    • * 表示必填欄位
    • 您填寫的電子郵件不會被公開
    • 請確認您的電子郵件正確無誤,當您的留言收到新的回覆時,我們會寄送通知信件給您

    發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *