高管层中没有人关心工程师和数据科学家选择了哪种编程语言——直到这个决定影响到公司利润。
虽然很多人已经论证了低代码非常适合数据科学家，但我认为，为业务部门带来的好处同样有很强的论证理由。
数据科学是一门协作的艺术——它需要数据和商业洞察力的结合。然而现实中，这两个部门却相距甚远。当数据科学家担心特征选择和模型精度时，他们的商业伙伴却在考虑客户留存和产品质量。当数据科学家关注分类时，商业人士则关心资产负债表。
为数据科学选择低代码软件，是在数据科学家和业务部门（即“最终用户”）之间建立共同基础的投资——这是更高效的工作组和知识共享与技能提升的投资。最重要的是，这是投资于让数据能够快速为组织中的更多决策提供支持。
每个数据科学家都渴望“啊哈！”的时刻。这是他们理解数据并利用这种新发现的意义去创造更大的价值，比如预测未来的购买习惯的时刻。这个啊哈时刻也是组织其他成员开始看到并理解数据科学价值的时候。
组织内任何一个人理解数据价值（啊哈时刻）所需的时间越长，数据科学团队的工作就越困难。他们浪费时间去解释、记录和推广自己的工作，而项目则被延误、阻止或取消。
另一方面，业务用户接触不到足够的问题，不知道该问什么问题，或者这个功能是否真的有价值。
换句话说，短的啊哈时刻是现代企业扩展数据科学功能的关键。当在整个企业中采用低代码工具时，它会产生两个积极的影响。
首先，组织内更多人了解数据能做什么，因此更清楚可以向数据提出哪些问题。其次，组织内更多人获得能力自行执行基本的数据科学任务。
使用低代码工具，我们不再仅仅谈论一个能高效帮助数据科学家完成工作的工具。我们现在谈论的是一个能提升企业基本数据理解、并使最复杂技术的使用变得透明的工具——包括那些众所周知模糊不清的机器学习能力。
理解产生的级联效应
要全面展示理解数据科学的效果，将其沿两个轴展开思考是有帮助的：
横向来看：数据科学组之外的其他团队“理解”数据科学团队的工作以及他们如何优先处理项目。这包括销售和营销团队、财务团队、运营团队等。
这些团队通常是公司收集的数据最接近的人，因此能够很好地向其提出问题。他们与高效的数据科学团队合作得越多，他们的问题就越定制化。
垂直方向上：同样，数据将开始被人们在不同层级所理解。不仅仅是数据团队，还包括团队负责人、经理、副总裁、高管（CxO），一直往上到首席执行官和董事会。
由于这些人与数据录入点相距较远，他们需要找到一种方式来保持与数据前线的联系。了解哪些见解需要筛选以支持创新、风险缓解和成本节约的决策，可以迅速形成竞争优势。
采取行动的级联效应
让组织中的更多人参与“做”数据科学，当然也会对组织产生影响。通过提升制造者的技能，组织突然间将其数据科学能力提升了 100 倍（或更多）。
拥有博士学位或具备 10 年以上数据挖掘经验的人才并非唯一能从数据中获取洞察的人。有些人可能会称之为数据素养——或者创建“公民数据科学家”。
这个主题需要一个重要的澄清。你们组织中的每个人都不会成为数据科学家——数据科学很复杂。相反，低代码为定制数据科学提供了更广泛的访问途径。
如果你根据复杂性来考虑数据科学，可能会将其排名如下：
- Level 4: Artificial intelligence and machine learning
第四级：人工智能和机器学习 - Level 3: Predictive analytics
第三级：预测分析 - Level 2: Visualizations and data exploration
二级：可视化和数据探索 - Level 1: Data wrangling
第一级：数据整理
当今的数据科学家往往在 1 级和 2 级上花费了过多的时间。当组织中有更多的人能够理解如何进行低级别的分析时，数据科学家就能被解放出来，推动团队采用更前沿的方法。方法论的门槛在底层降低，在顶层提升，面向普通人和专家。
当然，对数据科学平台如何运作的普遍理解并不会真正导致数据科学工作分配的清晰划分。在许多情况下，数据科学家仍然会帮助处理基本问题。
然而，当最终用户从 1 级开始而不是从 0 级开始时，他们能够参与该过程。他们可以提供反馈，在某些情况下，还可以重用和调整过去的流程来解决未来的问题。
低代码有助于打破数据理解的障碍
数据科学的应用场景远远超出了任何企业数据科学团队的带宽，然而即使是简单的自动化和 ETL 项目也需要花费数月才能实现。虽然人们很容易将责任归咎于变革管理和公司内部的繁文缛节，但数据科学成功的真正障碍是缺乏对数据的理解。
低代码不仅非常适合数据科学编程，而且非常适合拉近业务部门与数据科学团队之间的距离。