本文转载自公众号“读芯术”(ID：AI_Discovery)
作为数据科学家，我们也应擅长讲故事。我们经常要向不同的利益相关者展示工作，由于他们的背景不同，所以我们也要相应地变化语调。但在任何情况下保持不变的是，讲故事的那个人是你。
许多方法有助于讲好故事，让我们一起来研究研究。
尽可能多地交流
交流是有效实现某事的关键。作为数据科学家，尽可能多地与不同的相关者交流就更加重要。我们通常把相关者分为四类：
用户——他们渴望看见经验的最佳解决方法 领域专家——他们有义务用领域的专业知识提供帮助 行政领导——他们对业务和收入更感兴趣 技术人员——他们对技术方面的事最感兴趣
为了有效地与他们交流，需要用他们能理解的方式交谈。用户对于最终解决方案和解决难题的方法更感兴趣;行政领导和经理更倾向于关注收入及相关的事情;领域专家乐于在相关领域用专业知识提供帮助。你需要利用他们的知识为给定的问题构建一个好的解决方案。
以既定事实开头
讲故事要以人们都知道的事实开头。可以是用户每天面对的问题，或是未经优化的、可以智能化的东西，也或许是能为公司创收的东西。若以人们早就知道的事开头，人们就能有更好的理解，因为他们亲身经历过这件事。
通常，对于不直接接触技术的概念的人来说，技术概念抽象模糊又复杂。讲故事包括两部分：
有助支撑论据、易于观众理解后面的故事情节的种种事实。 为了说服观众采取行动、把故事中展示的事与思考内容和思考方式联系起来的叙述
因此，有必要以一种为预期的相关者描绘解决方案的方式来展示事实。
利用视觉化吸引观众
一图值千言。的确如此，仅仅一张图就能展示你想向观众传达的一大堆话。不同的图表、数字、视觉化工具可供选择以让观众更好地理解数据进展、数据趋势以及数据的一般行为。
有时在分析数据或使用不同的统计技术时，可能会遗漏有用信息，此时教具和图表会起作用。它们使你发现之前未注意到的部分、方面以及对加强数据的理解。
视觉化实际上是一个机会，让你用观众理解的事替代故事。例如，如果在一个图表里有许多变量，那么观众可能不易理解，在图表也复杂的情况下。所以，你最好制作简单而直接的视觉图像以便利用它们叙述故事。
使用统计学理解数据
统计学对于理解和解释数据大有裨益。你可以从中推断出许多事实，并利用这些事实来更好地理解它们。
统计学主要可以分为两类，描述统计学和推论统计学。前者描述现有数据而后者展示数据中不同特点和变量的总体关系。通常，使用描述统计学能获得关于当前或可用的一组数据的信息，而使用推理统计不仅仅能基于一个或多个样本使用抽样来概括总体。
根据故事的不同层面选择不同的统计学类型很重要，这可以对现成的数据加以解释，并把结论讲给那些你不了解他们的特点的人。你可以使用这一信息告诉观众你在数据中发现的不同的理解，并相应地建立不同的假说。
解释模型的运作原理
机器学习模型通常被称为“黑盒”。如果你使用过一些高级模型，那么就需要在性能和可解释性之间进行权衡。线性模型，逻辑回归模型和基于树的模型是容易解释的，而非线性模型是很难解释的。
在现实世界，没人想使用自己不理解的东西。而且，在一些领域如银行业、保险业和药业，更需要解释管理过程要求。可解释性的另一层面是对不同利益相关者的终极信任。众人皆知，如果我们清楚地理解一件事的运作原理，那么就会自信地使用它、信任它。
同理，机器学习模型也是如此。如果理解这些技术，人们就会对题目更感兴趣。可解释机器学习模型的技术多种多样。一些现有的技术与统计推断相关，它们可以帮助我们识别关键特征，并从数据中获得有意义的表示。
讲故事涉及多种内容。它是一种艺术，通过实践和学习可以加强讲故事的能力。它可以从原始数据中挖掘出黄金，帮助你和你的用户发现之前可能会遗漏的理解和信息。
希望本文的技巧能帮你修炼成为一个“讲故事大家”。
