为什么很多公司（这些公司既包括谷歌、领英、滴滴这样的大公司，也包括很多创业的中小公司）需要数据科学来解决营销问题？

拿计算机经销商为例，它们希望通过专注于更有可能达成的交易使销售团队更有效率，建立了内部模型以获得潜在客户并缩短销售周期。数据科学在为销售团队提供优势方面发挥了关键作用。

当电子商务时尚品牌想提高其网站的转化率时，它会建立基于过去购买数据的推荐系统，这其中，数据科学在提高ROI上同样发挥了关键作用。

就像这些实例所展示的这样，数据科学能解决很多营销问题——这意味着营销人员必须了解数据科学方法的基础，以及如何最好地将数据科学家跟自己的团队和项目联系起来。

Gartner 负责营销的研究副总裁 Martin Kihn 指出：“许多营销人员被要求掌握基本的数据科学方法，与数据科学家和分析团队进行沟通，评估项目和机会。”

Kihn提出了下面的数据科学基础知识框架，来帮助营销人员改善与数据科学家的协作和结果产出。

数据科学基础

营销中的数据科学是一个混合学科它涵盖了统计学，数学和计算科学，甚至包括了网络理论，地理和神经科学的要素。数据科学的存在是为了解决业务问题，在营销背景下，它要求对业务需求的深刻理解。这种技术使得营销人员能够从任何形式和规模大小的数据中获得有用的洞察。数据科学跟大数据不一样的地方在于，大数据侧重于基础设施，存储和处理。

数据科学家们做什么

一般来说，数据科学家探索数据，进行预测和体系研究。营销数据科学家的典型任务提供包括：

衡量：确定营销和广告活动的影响

优化：提供战术或支出更改建议以改善结果

实验：设计并执行测试来发现瓶颈

分割：识别客户和潜在客户的群组以及子群组

模型：构建预测性的计算机模型来提高响应速率

表达：传达来自数据的消息，以激励更好的决策

数据科学家在三个领域工作。

数据探索是指数据科学家使用统计和可视化技术来寻找数据中的模式，而可视化、图表和仪表盘是营销人员的探索方式。

数据实验应用实验设计方法在受控条件下开发并测试假设，A/B测试和多变量测试是常见的数据实验。

最后，机器学习是应用算法来建立模型并进行预测。预测模型和聚类是机器学习的实例。

如何与数据科学家一起工作

要记住定量分析技能，行业知识，尤其是好奇心是一名优秀的营销数据科学家的特质。为数据科学家提供在工作中学习的机会，探索挖掘利用他们的好奇心的方法。不要把数据科学家拖进不明确的问题里，市场分析师需要协助权衡并定义精确的业务需求。

跟公司内部和代理机构的分析师和数据科学家建立开放和协作的关系，来确保他们了解你尝试解决的问题。在越来越依赖于数据驱动决策的世界里，要关注分析师提出的警告，他们通常知道建议的可靠与否。

“继续加深对数据科学的潜力和局限性的欣赏，” Kihn 说“它将提高你的计划的有效性和效率。”
本文由吆喝科技编译自：http://www.gartner.com/smarterwithgartner/does-your-marketing-team-need-a-data-scientist/