# FDE 先读这本：一本不讲算法的数据科学书

> Provost 和 Fawcett 教人用数据思考，FDE 在客户现场写代码前就该具备这种能力。

原文: https://fdetimes.net/zh/books-courses/data-science-for-business-fde-review/

这本书的官方页面开头就说得很直白：这不是一本讲算法的书。对一本封面上印着“数据挖掘”的 O'Reilly 图书来说，这话有些反常。但对前线部署工程师（FDE）来说，这正是值得读它的理由。

这本书名为 *Data Science for Business*，副标题提到数据挖掘和数据分析思维。作者是 Foster Provost 和 Tom Fawcett，2013 年由 O'Reilly Media 出版。

它脱胎于 Provost 在 NYU 开设的一门选课人数极多的课程。据 NYU Stern 介绍，八个国家的十几所大学已将它选作教材，Fortune 也把它列入 MBA 必读书单。

一本出版了 13 年的书，对 2026 年的 FDE 有什么用？在客户现场，最难的环节很少是选模型，而是把客户模糊的说法变成一个可衡量的问题。

两位作者的目标是讲清从数据中提取有用知识的基本原则。这本书也写给那些不亲自动手、但想提升数据分析思维的读者。

## 客户带来的是担忧，不是问题

设想一家订阅制公司对你说：“我们想降低客户流失。”这还算不上数据问题。它没说谁来行动、在多长时间内行动，也没说怎样算成功。

多问几句就会发现，客服团队每月只有人手给 10,000 名订阅用户中的 500 人打电话。问题这才清楚：按未来 30 天内流失的可能性给 10,000 名用户排序，再挑出最值得打电话的 500 人。

这个问题有明确的决策（给谁打电话）和可衡量的目标（接到电话的人中有多少留下），也说明了需要哪些数据（订阅历史、谁流失了、何时流失）。

**要点:** 客户很少带来数据问题，他们带来的是业务上的担忧。

书中把这种思维称为“数据分析思维”。据出版社介绍，书中每条原则都用真实的业务问题来说明。所以和客户打交道的人会觉得，它比数学教材更贴近自己的工作。

## 观点一：原则比算法更长久

算法每年都在变。但“有了这个答案，哪个决策会因此改变？”这个问题始终不变，不管你用的是 2013 年的决策树，还是 2026 年基于 LLM 的智能体。这本书选择讲不变的部分。

MIT Sloan 教授 Sinan Aral 评价说，在面向商业的应用数据科学领域，没有哪本书能像它这样既权威又易懂。

对 FDE 来说，易懂马上就能派上用场：它给了你一套说法，向运营总监解释为什么“预测流失”和“选择给谁打电话”是两个不同的问题。

客户提出需求时，第一件事是写下这项分析会影响哪个决策。如果这句话还写不出来，现在打开 notebook 就为时过早。

## 观点二：数据挖掘靠流程，不靠运气

Provost 把数据挖掘称为一门手艺：它需要技巧，不是按个按钮就能完成。据 O'Reilly 的发布介绍，这门手艺有一套定义清晰的流程，能提高成功的概率。这对 FDE 很重要，因为它打破了“有数据加模型就会自动出结果”的想法。

流程也是可以从一个客户带到下一个客户的东西。在订阅公司的例子里，路径是：明确决策，定义“流失”，找到数据，再恰好在这 500 通电话上衡量结果。换成银行或物流公司，步骤相同，只是名词变了。

把你的流程写成一份简短的检查清单，在每次需求调研中使用。做过三个客户之后，你就能看出失败的项目通常错在哪一步。

## 观点三：数据是资产，资产要花钱

出版社这样概括书中的一条经验：把数据当作业务资产，它需要精心投入才能产生真正的价值。在客户那里，这常常意味着一场尴尬的谈话：告诉对方，他们现有的数据不够用。

回到前面的例子：假设公司没有记录用户退订的日期，只记录了当前状态。那么现在还没法建模。

第一项工作是建议客户投入资源记录这类数据，并讲清楚需要多少工作量。能在第一周就把这话说出来的 FDE，可以免去三个月的空头承诺。

## 哪道面试题能看出候选人怎么思考？

出版社介绍中提到一个很少有人注意的用途：面试数据岗位候选人时运用数据科学原则。FDE 经常要评估客户的数据团队，或帮自己团队招人，所以这是一项真正用得上的能力。

设想把上面的订阅场景抛给候选人：“公司想降低流失，你从哪里入手？”较弱的回答直接奔向模型：试几种算法，比较准确率，选最好的。听起来很技术，但候选人对客户一个问题都没问。

好的回答先反问：谁会根据结果采取行动，每月能打多少电话，“流失”怎么定义，系统里有没有存退订日期。

在得知客服团队能打 500 通电话之后，候选人才谈排序，以及恰好在这群人身上衡量效果。这样一道题，比任何算法谜题都更能说明问题。

## 谁该读，什么时候读

如果你是正在转做 FDE 的软件工程师，先读这本书，再读技术类 ML 书。如果你已经是 FDE，就重读那些与客户最常提出的问题相关的章节。

这项能力也应该体现在简历上。与其写“构建了流失预测模型”，不如写下最初的业务问题、你如何重新定义问题，以及衡量结果的数字。这样一行字能让读者看到你怎么思考，而不只是你会用哪些工具。

模型还会变很多次。到了客户那里，第一个要问的仍然是：“哪个决策会改变？”

**本周动手试试:**

- 拿出最近一个客户需求，用四行重写：要做的决策、谁来行动、目标怎么衡量、数据在哪里。
- 列出客户在这个问题上还缺哪些数据，并估算每一项需要多少工作量才能拿到。
- 按这个格式改写简历中的一行：什么业务问题、你把它变成了什么问题、结果如何衡量。

## 信源

- [Data Science for Business: What You Need to Know About Data Mining and Data-Analytic Thinking (NYU Stern)](https://www.stern.nyu.edu/experience-stern/faculty-research/provost-data-science-business.md)

- [Data Science for Business (official book site)](https://www.data-science-for-biz.com/)

- [Data Science for Business (Apple Books, publisher description)](https://books.apple.com/nz/book/data-science-for-business/id679926216)

- [O'Reilly news: Data Science for Business](https://app.oreilly.com/pub/pr/3197)
