資料科學家的工作日常3 - 建立資料團隊的文化與程式規範

這是〈資料科學家的工作日常〉系列的第三篇文章。第一篇文章是比較總覽型的文章；第二篇討論數據團隊可能的組織編制，以及每一種編制下的優缺點。這篇文章會著墨在更技術面與實務面的內容，像是不好的coding style可能會造成什麼樣的風險，甚至進一步對公司造成什麼樣的傷害。

對於資料科學家和數據分析師來說，雖然他們也寫程式，但他們寫程式的習慣和一般認知的工程師不太相同，甚至有些人對於寫code的背景知識明顯不足。或許你會說，「因為現在很多做數據分析的都不是本科系，理論知識當然不會那麼紮實」，我認同這是個可能的原因，但我也認為這不能當成藉口，一個專業工作者本來就應該補足自身的不足。我知道軟體工程師中也有類似的問題存在，但我畢竟對於資料科學界比較熟悉，因此只在我熟悉的領域內作評論。

舉個我親眼見證的例子。我們數據團隊有一台Server，可以用來運算較大量的資料。在Server上通常可以開多個帳號，每個人在自己的帳號底下作業，偶爾也會為了某些業務新增獨立的帳號，所有的程式碼與運算結果就放在這個帳號底下。另外，數據團隊也經常需要排程執行某些運算，像是每個月初會預測即將流失的顧客，並與行銷部門合作，針對這些顧客進行挽回的行銷活動。

我曾經在Server上發現一個很少人使用的帳號，根據團隊的說明文件，這個帳號會在每天執行某些檢查，並判斷是否需要進行運算及資料更新。當我登入這個帳號的時候，發現它的自動排程不是使用Linux的crontab執行，而是寫一個for迴圈，每天在固定時間點檢查是否需要進行運算，不需要的話就等24小時候再檢查。當我發現這支驚為天人的code時，它已經不眠不休的跑了兩年，程式的撰寫者早已離職，而且這支程式占用了一顆CPU 99.8%的效能，極度荒謬。

另一個例子，是我發現竟然有人會在code裡面使用中文作為變數名稱，這在技術面上可能可行，但有一定的風險，因為中文字會牽涉到編碼問題，當同樣一份檔案換到另一台電腦執行時，可能會因為電腦系統的設定不同，或是編輯器(IDE)的設定不同，導致無法正常運作。如果要寫中文，強烈建議還是寫在註解裡面就好。

先說一下什麼是function。function是程式設計中常見的技巧，把一些會重複使用到的程式碼寫成特定格式，這些程式碼可能有數十或數百行，當需要使用到這些程式碼的時候，只需要花短短的幾行呼叫這個function即可，這樣的效果與多次複製貼上那數百行程式碼的效果是完全相同，但後者在維護性上明顯不佳。

我發現做資料科學圈中，不論使用R語言或Python，很多人都不喜歡寫function，但是寫function的好處顯而易見，不論對提升工作效率、程式維護性、資料正確性來說都是，因此，這樣的現象讓我非常難以理解。而我的同事也曾經不能理解，為什麼我偏執的想把這麼多東西寫成function。事實上，我更偏執的認為，codebase，也就是function的集合體，是數據團隊的資產，是可以重複使用、快速使用的工具組，這樣的資產某種程度上反應了這個團隊的戰力。每個團隊成員手上都會有不同的專案，每個專案都會有不同的目標，雖然專案可能會結束，但在專案中寫出來的function會被納到codebase中，讓團隊越來越強大。

如果你在一間接案型的公司，這樣的需求可能沒有那麼強烈，因為每一次客戶給的資料格式可能都不太一樣；相反，如果你是In-House的分析師，強烈建議你開始建立自己的分析架構，因為內部資料再怎麼用就是那些，不需要每次都重新造輪子。

對於某些經常執行的動作，或經常抓取的資料，只要寫成function，並且把可能會調整的部份寫成參數(argument)，就可以保持一定的彈性，不需要每次都重頭來過。我看過許多人抓資料時，都從第一行的SQL開始寫，或是將舊有的code複製貼上，這不只降低效率，在維護性上也是一大硬傷。

舉例來說，如果你需要計算公司每一張的訂單明細，並帶出訂單中的商品資料，這裡面至少會需要join兩張資料表。把這些程式碼function化，並將日期區間設成參數，這就是一支容易理解，而且可以重複使用的function。

除了使用方便外，這在開發速度上也有絕對的好處。延續上面的例子，如果你需要用訂單明細及商品資料，計算過去一年每個商品分類在每個月的營收及毛利，並且還要跟前一年作比較，計算業績成長率。可想而知，這會是一支篇幅與計算量都滿大的程式，如果你用hard code的方式，也就是把全部的參數都寫死在程式中，這在開發及debug時都相當不方便。

更好的方法是把日期設為function的變數，在開發及debug時可以只用一個月或一周的資料量計算。在正常情況下，如果這支function能夠正確計算一個月的資料，理所當然也可以計算一年的資料。

數據團隊的重大挑戰有兩個，一個是要保證每次提供出去的數據都是對的。巴菲特曾經形容衍生性金融商品是大規模毀滅性武器，數據團隊也有等值的破壞力，亦正亦邪。只要寫程式的人不小心手滑，多敲了一個零，執行出來的結果可能天差地遠。如果這個錯誤讓整支程式掛掉，那還算是不幸中的大幸，最怕的是看起來很正常，但事實上一團亂的結果。如果更不幸地，使用者也沒有看出其中的錯誤，進一步拿去做出重大但錯誤的商業決策時，數據部門很容易會被認為是競爭對手派來搞破壞的臥底。這樣的錯誤在一流的跨國公司中也可能出現，像是Facebook在2016年出的包，〈【廣告商哭了】Facebook 承認演算法錯誤，影片效果被嚴重高估〉。

第二個是要讓使用者聽懂你的分析流程，即使他們不懂統計、不會寫code、不熟悉演算法，但數據部門的使命之一就是將複雜的計算邏輯簡單說。當使用者認同你的分析流程後，才會放心使用你產出的結果，因為沒有人會完全信任你的報告，尤其錯誤的決策可能會影響他們的個人績效時。但究其根本，我認為第一個原因才是重中之重。

提供正確的數字，這聽起來很簡單，但卻是許多數據團隊真實面臨的挑戰。因為沒有制式的、嚴謹的驗證機制，導致產出錯誤的資料，而錯誤的資料會傷害使用者對於數據團隊的信賴感，最後可能的情況是使用者對於與數據團隊合作感到興趣缺缺，數據驅動(Data-Driven)的文化也就沒辦法在公司內部推行，大家還是使用舊有的方法和習慣在做事。

為了避免資料錯誤，我認為解決方法有兩個，一個是從程式碼著手，將常用功能function化，並內建檢查機制；第二個是從團隊文化著手，建立code review。這兩者可以同時並行，但應該以前者為優先，因為在程式撰寫階段就先排除大部份錯誤，可以有效降低後續code review的時間和人力成本。

舉個例子，在沒有function化之前，一樣都是計算業績，但同事A和同事B算出來的業績可能就是不一樣。喔，可能因為同事A排除了退貨，也就是業績為負值的部份，但在商業邏輯及公司慣例上，退貨到底該不該排？然後大家就開始熱烈討論，甚至詢問相關部門。然而，這樣的情況經常會發生，大家可能在一個月後就會忘記今天的討論結果，同樣的錯誤、同樣的戲碼會再度上演。更別說團隊可能有新人加入，新人可能會因為對公司業務的不熟悉，一樣計算出錯誤的數據結果。

既然知道會有這樣的情況發生，為什麼不要把定義和篩選條件寫成function，並在function內留下註解就好了？甚至可以把幾月幾號，問了哪個部門的誰都寫進去，因為商業環境快速變動，今天的定義可能在幾個月後就會修正。對於修正定義的部門來說，沒有人知道你Data Team會用到這些資料，所以當定義變動的時候，理所當然沒有人會去通知你。

直接把說明內容寫在註解中有另一個好處，團隊成員不需要再花很多時間寫說明文件。大家都知道說明文件很重要，但大家也都會說自己沒空寫文件，或是文件太多找不到，乾脆重新用問的。當然有些時候還是必須有獨立的說明文件，但在大多數情況中，把說明文件與function結合，不論在撰寫上或取用上都有一定的正面影響。

另一個程式設計面的大重點，是將驗證機制寫在程式中，像是確認資料筆數有沒有因為錯誤的join方式而爆增，或是可以用另一個資料源驗證產出結果的正確性等。至於程式錯誤時的處理方式，可以直接停止執行，如果是在Server上的自動化排程，則可以寄mail給團隊成員，告知哪一支程式出現錯誤。

到ARON HACK網站看完整文章〈資料科學家的工作日常3 — 建立資料團隊的文化與程式規範〉