企业官网建设流程全解析

用数据讲故事：Data-Science-For-Beginners 第 16 课 "Tell a Story" 沟通作业实战指南

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners

数据科学离不开讲故事。在 Data-Science-For-Beginners 项目中，数据科学生命周期的第三个主题专门探讨如何围绕数据展开沟通，其中第 16 课 16-communication 的课程作业 Tell a story 要求你选取任意数据集，撰写一篇一页纸的短文，把数据背后的故事讲清楚。本文将以该作业为骨架，完整解析作业要求与评分标准，并结合本课的方法论（受众分析、五种讲故事策略、单向/双向沟通）和仓库内可直接使用的数据集与测验题，给出从选题、探查数据、组织叙事到成文提交的完整实战方案。

作业任务解读：数据科学就是讲故事

作业原文要求（见 assignment.md）：

Data Science is all about storytelling. Pick any dataset and write a short paper about a story you could tell about it. What do you hope your dataset can reveal? What will you do if its revelations prove problematic? What if your data doesn't easily unlock its secrets? Think of the scenarios your dataset might present and write them down.

拆解后，作业要求你完成四件事：

1. 选择数据集：从任意来源挑选一个数据集（仓库 data/ 目录下已备有多种可选手数据集，见下文）；
2. 撰写短文：围绕"这个数据集能讲述什么故事"写一篇短文；
3. 预判洞见：说明你希望从数据中揭示什么（hoped-for insights）；
4. 应对意外：写出如果数据揭示的结论与预期不符（revelations prove problematic）、或者数据并不容易显露出模式（doesn't easily unlock its secrets）时，你打算如何处理——把数据集可能呈现的各类场景逐一写下来。

换句话说，这个作业的核心不是"跑出多好看的图表"，而是提前想清楚数据的多种可能性，并在论文中诚实记录。这与课程中"以终为始但绝不 cherry-picking（只挑支持自己观点的数据）"的原则一脉相承（见 16-communication/README.md）。

为什么"讲一个数据故事"而不是"报一串数字"

在动手写作前，先理解课程给出的核心立场：沟通（to communicate）是传递或交换信息，而数据沟通的目标不是把数字原样抛给听众，而是讲述一个由数据支撑的故事。听众更容易记住一个故事，而不是一个孤立的数字。

课程区分了两种沟通类型，你的作业提交形式取决于你如何设想受众：

• 单向沟通（One-Way Communication）：发送方只传递信息、不求反馈，例如群发邮件、新闻播报、大会演讲。若你的短文面向这种场景，就必须在文内给出足够上下文，让读者不需要提问也能看懂。
• 双向沟通（Two-Way Communication）：双方互为发送方与接收方，例如小组讨论、与利益相关方开会。若你设想作业会被讨论、被质疑，写作时就要预埋"可追问的细节"，并准备好回应。

五种受众：决定你的叙事密度

课程引述了 Jim Stikeleather 提出的五类受众（详见 16-communication/README.md 第 1 节），写作业前先选定你假想的读者属于哪一类，这直接决定文章的信息密度：

在作业开篇用一句话声明"本文面向 X 类读者"，既能让评分者看到你有受众意识，也让后文的叙事密度有据可依。

五种讲故事策略：作业写作的方法论骨架

课程给出了五种讲故事策略，作业正文的组织可直接套用：

1. 了解受众、渠道与沟通方法

写作前想清楚读者是谁、通过什么渠道阅读（纸质文档 / 幻灯片 / 邮件）、是单向还是双向沟通。这一点已在上节展开，作业中体现为"开头即交代受众假设"。

2. 以终为始（Begin with the End in Mind）

动笔前先写下你希望读者带走的关键结论（takeaways），然后每写一段就问自己："这段内容是否服务于我要讲的故事？"但要注意：不能只挑支持结论的数据。如果收集到的数据里有一部分与你的结论相悖，你应当如实呈现，并正面说明为什么仍然坚持原故事——这正好呼应作业中 "What will you do if its revelations prove problematic?" 的要求：诚实地讨论"意外发现"，而不是隐藏它。

3. 像真正的故事一样组织情节

传统故事的五阶段——铺垫（Context）、冲突（Conflict）、高潮（Climax）、收束（Closure）、结论（Conclusion）——可以平移为论文结构：

• Context：交代背景，让读者站在同一页面上（为什么要选这个数据集？）；
• Conflict：指出问题（当初为了回答什么才收集这些数据？）；
• Climax：展示数据本身——数据是什么、意味着什么、指向什么解决方案；
• Closure：重申问题与提出的方案；
• Conclusion：总结关键结论与建议的下一步行动。

作业的篇幅要求（一页纸）正好适合这个五段式结构。

4. 使用有意义的词语，而不是模糊措辞

"我们的用户 onboarding 耗时很长"到底有多长？一小时还是一周？改用"用户平均花费 3 分钟完成注册与 onboarding"才是清晰的数据沟通。写作时把模糊词替换为具体数字：

• 不要写"我们度过了令人印象深刻的一年"（有人理解为收入增长 2%～3%，有人理解为 50%～60%），要给出具体增长率；
• 不要写"成功率大幅提升"，要给出提升的百分点；
• 不要写"这项工作需要巨大努力"，要给出工时、成本等量化口径。

模糊词可以作为引入或总结的过渡，但正文的每个关键论断都必须清晰到读者不会产生歧义。

5. 使用情感（适度且诚实）

情感能帮助读者共情、记忆并采取行动。课程建议三种手法：引用证言与个人故事（在定量数据之外收集定性素材，让数字背后有"人"）；使用意象（让读者代入情境）；使用颜色（注意文化差异：蓝色常唤起平静与信任，绿色关联自然与环境，红色关联激情与兴奋，黄色关联乐观与快乐）。作业中可以在数据案例之外加入一段真实的用户/受访者证言，让故事更立体，但前提是数据真实、来源可查。

案例研究：Emerson 怎么把数据讲砸了，又怎么讲好

课程给出了一个贯穿全文的案例，可直接作为作业的范本与反例（见 16-communication/README.md 的 Communication Case Study 一节）。

反例：产品经理 Emerson 发现用户周末提交的投诉与 bug 报告多 42%，且投诉 48 小时未获回应的用户给应用打 1～2 星的概率高 32%。在 30 分钟的会议上，Emerson 花 5 分钟讲低评分的坏处、10 分钟讲研究过程、10 分钟逐条念用户投诉、最后 5 分钟草草带过两个解决方案。结果：一位负责人只记住了投诉内容，一位只记住了研究过程，第三位记住了方案却不知道如何落地——讲的内容与听众带走的结论严重错位。

正例（Context–Conflict–Climax–Closure–Conclusion）：Emerson 重构会议为——先用 5 分钟给出背景（当前应用评分 2.5，评分影响 App Store 搜索可见度，进而影响收入）；再用 5 分钟讲冲突（42% 的周末投诉增量、48 小时未回应与低评分的关系，以及把评分提升到 4 分预计可提升 20%～30% 的可见度、约 10% 的收入，且这些数字都有据可查）；接着用 5 分钟到高潮（介绍两个方案：周末增派客服、采购可按等待时长排序投诉的新工单系统，并给出实施路径、成本、ROI、界面草图以及超 48 小时未获回应的用户证言、一线客服的反馈）；再用 5 分钟收束（重述问题、回顾方案、说明为何这是正确选择）；最后留 10 分钟给双向沟通——答疑澄清。

这个案例演示了：结构即说服力。写作作业时，把案例中的"5 分钟"替换为"一段话"，就是你的文章大纲。

从仓库中选择数据集并完成作业

作业要求"选择任意数据集"。仓库 data/ 目录已提供多个与本课程配套的数据集，且均被各章课程与 notebook 实际使用过，来源与用法都有据可查：

选题建议：优先选择你能完整讲清"数据从哪来、字段是什么、故事是什么"的数据集。评分标准明确要求数据要被解释（explained）、被记录（documented）、被署名（credited），所以提交前务必写清楚数据集来源、字段字典要点与处理步骤。

探查数据的小技巧（衔接上一课"分析"阶段的方法）：先用 Pandas 的describe()获得数值列的计数、均值、标准差与分位数，判断数据量是否足够；用sample()随机抽样快速建立直觉；用query()定向检索特定子集（详见 15-analyzing/README.md）。当数据"不容易解锁它的秘密"（doesn't easily unlock its secrets）时，可以补充可视化探索——3-Data-Visualization 章节提供了直方图、箱线图、散点图等现成方法与 notebook 可参照。

评分标准逐项解析

作业附带的评分表（见 assignment.md 的 Rubric）只有三档，写作时可对照自查：

"Exemplary"的四个硬性检查点：① 一页纸篇幅（可交付）；② .doc 格式（注意课程指定的交付格式）；③ 数据集 explained + documented + credited（这是数据伦理与可复现性要求，也与 02-ethics 课程一脉相承）；④ 用数据中的详细示例支撑连贯故事（不能只给结论，要给出具体的行、数字或样本）。

用课程测验自查理解

仓库的测验应用 quiz-app 中收录了与本课配套的测验题，可用于检查你是否真正掌握了"数据沟通"的核心概念（见 quiz-app/src/assets/translations/en/group-4.json）：

• "当面向受众沟通数据时，最佳实践是只关注数字而不关注故事" —— 这是错误说法，数据沟通应以故事为核心；
• 双向沟通的定义是"演讲者向受众展示并开放提问与反馈"；
• 单向沟通中，受众是信息的接收者；
• 颜色可以用于唤起受众情绪；
• 面对 Executive 受众，应选择能快速传达结论与意义的策略。

这些题目直接复用了本课的受众分类、单向/双向沟通、颜色情感等概念。完成作业后自测一遍，相当于给文章做了概念层面的校对。

结语

"Tell a story"作业的最终交付物虽然只有一页纸，但它是一次完整的数据沟通演练：从 16-communication/README.md 的方法论（受众分析、以终为始、五段式叙事、清晰措辞、情感表达），到 data/ 中的真实数据集，再到评分表的四个硬性检查点——每一步都对应真实的数据科学沟通场景。按照本文给出的五段式结构组织你的短文，在文中诚实地讨论"数据揭示的意外结论"，并为数据集写清来源与字段说明，你就能产出一篇经得起评分表检验、也经得起真实读者追问的数据故事。

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners