作为数据科学家，我们应具备讲故事的能力。我们经常需要把工作成果展示给背景各异的利益相关者，因此需要因对象而调整语气，但始终由你来讲述故事。
有多种方法能帮助你讲好故事，下面一起来梳理。
尽量多沟通
沟通是把事情落地的关键。作为数据科学家，与不同相关者的交流尤为重要。通常我们会将相关者分为四类：
用户——他们关注看到可落地的解决方案与体验；领域专家——他们愿意以专业知识提供帮助；行政领导——他们更关注业务与收入；技术人员——他们对技术细节最感兴趣。
为了实现有效沟通，需要用他们能理解的语言表达。用户更关心最终解决方案及解决问题的方法；行政领导和管理者更关注收入等相关事项；领域专家乐于在专业领域提供帮助。你需要借助他们的知识，为具体问题构建更好的解决方案。
以已知事实开场
讲故事应从人们熟知的事实出发。可以是用户每天面对的问题、尚未优化但具备智能化潜力的事物，或是能为公司创造收入的机会。以熟知的事实开场，可以让听众更易理解，因为他们亲身经历过相关情境。
通常，对不直接接触技术的受众来说，技术概念往往显得抽象、模糊且复杂。讲故事包含两部分：
支撑论据、便于观众理解后续情节的各类事实；以及为说服观众采取行动、将故事中的呈现与思考内容和思考方式联系起来的叙述。
因此，有必要以面向相关者的方式呈现事实，以描绘可行的解决方案。
利用可视化吸引观众
一图胜千言。确实如此，一张图就能传达大量信息。不同的图表、数据和可视化工具可帮助观众更好地理解数据的进展、趋势以及总体行为。
在分析数据或应用不同统计方法时，可能会遗漏有用信息，此时图示和图表就会发挥作用。它们帮助你发现之前未注意的部分，从而增强对数据的理解。
可视化本质上也是一次机会，用观众能理解的事物来讲述故事。比如当一个图表包含过多变量时，观众可能难以理解，这时应尽量打造简单、直观的视觉表达来支撑叙述。
使用统计学理解数据
统计学对理解和解释数据非常有益。你可以从中推断出大量事实，并据此更好地理解数据。
统计学主要分为描述统计和推论统计。描述统计描述现有数据，推论统计揭示数据中不同特征和变量之间的总体关系。通常，描述统计可帮助我们理解当前或可用数据的一面，而推论统计则可基于样本对总体进行推断。
根据故事的不同层面选择合适的统计类型，这点很重要。它可以帮助你对现有数据进行解释，并向不了解相关特征的受众讲清结论。你也可以据此告诉观众你在数据中看到的不同理解，并据此提出不同的假设。
解释模型的运作原理
机器学习模型常被称为“黑盒”。如果你使用过一些高级模型，就需要在性能与可解释性之间做权衡。线性模型、逻辑回归和基于树的模型较易解释，而非线性模型往往较难解释。
在现实世界中，没有人愿意使用自己不理解的工具。尤其在银行、保险和制药等领域，更需要透明的过程与监管要求。可解释性还关系到对不同利益相关者的最终信任。众所周知，若我们清楚了解运作原理，就会更加自信地使用并信任它。
同样，机器学习模型亦然。如果理解了这些技术，人们对相关问题的兴趣也会增加。实现可解释性的技术多样化，一些方法与统计推断相关，能帮助我们识别关键特征，并从数据中提取有意义的表示。
讲故事涵盖多方面，它是一门艺术。通过实践与学习可以提升讲故事的能力，它能够从原始数据中挖掘宝藏，帮助你和你的用户发现此前可能被忽视的理解与信息。
希望这些技巧能帮助你成长为一个善于讲故事的数据科学家。
