数据科学的核心不在于算法调参或模型部署，而在于如何基于业务创建分析型数据集。事务数据库为应用性能而设计，难以直接用于建模；分析数据库则需按研究目标（如客户流失、产品推荐）对数据进行特定聚合。
将事务数据转为可分析数据，需深入理解业务，并具备批判性思维。这通常是一个长期调研过程，而非即插即用。
目标定义常遇挑战
事务库通常无现成目标变量。数据探索中常见问题包括：分析师分类标准不一、行为描述理解模糊、收集流程中途变更、填写流于形式导致偏见等。这些都可能使已有数据不可用。
示例：信用违约预测分析库的构建
假设需预测客户未来是否会拖欠发票，过程如下：
定义目标
分析逾期天数分布（如75%发票在到期后17天内支付），结合业务容忍度设定阈值（如逾期30天以上即视为“坏客户”）。这需要业务判断，而非纯统计。
确定时间窗口
定义观察期（如过去12个月）和绩效期（如未来6个月），以此划定数据集范围。窗口过短增加方差，过长可能过时。
创建目标变量
在绩效期内，若客户最大逾期天数≥30天，则标记为“坏”（0），否则为“好”（1），目标为预测“好”的概率。
排除不合理样本
如剔除观察点无信用额度、已严重逾期或从未交易的客户。
构建特征
按客户分组，生成描述观察期行为的变量，如年龄、额度使用率、采购总额、逾期天数等。
建模与解释
基于构建的分析库应用逻辑回归，输出客户在未来6个月内为好付款人的概率。评分越高，违约风险越低。
结论
数据科学远不止于模型拟合，关键在于正确界定问题、设计分析视图，并构建有意义的特征与目标。这项能力在课程中鲜有教授，却是区分优秀数据科学家的核心。
