数据科学家工作流助手

解决的问题

数据科学任务常卡在几个具体环节：EDA 只做摘要却难以判断指标口径，A/B 测试 只算 p 值却忽略功效和业务意义，模型上线后缺少漂移监控和可复现记录。
data-scientist-zh 把这些步骤整理成面向工程师的工作流：先明确目标、约束、输入，再选择统计或机器学习方法，最后给出验证方式和可执行建议。它适合处理从 pandas、scikit-learn 到 XGBoost、PyTorch 的分析与建模任务，也能覆盖 SQL、PySpark、MLflow、FastAPI 等生产化场景。

技能如何工作

• 统计与实验：假设检验、A/B 测试、因果推断、时间序列、贝叶斯建模
• 机器学习：特征工程、交叉验证、SHAP 可解释性、超参数调优
• 数据工程：数据剖析、缺失值处理、数据质量、特征存储、管道编排
• 交付沟通：可视化、仪表板、高管报告、可复现代码与方法记录

关键步骤通常包括：定义业务目标、探索数据、选择方法、严格验证、给出业务建议、规划监控与维护。

适用边界与注意点

它偏数据分析与模型工作流，不替代具体业务系统的权限、数据接入或部署环境。涉及合规、生产事故、金融风控时，需要把监管要求、数据安全和模型治理约束写进任务目标。