所有的数据趋向型职能的最核心功能就是通过从数据中撷取知识来解决问题。一名优秀的数据科学家首先会努力地理解手中的问题，然后确定想要解决这些问题的需求是什么，最后才会去决定最适合这个任务的相关处理工具和技术。在大多数商业案例中，你所接触的利益相关者不会在意你用的是什么工具，他们只会在乎对于困难问题的解答以及解决问题的方案。了解如何选择，使用并且学习工具和技术是成为数据科学家的最低要求。然而一名优秀的数据科学家一定明白，理解一个商业案例的主要支架结构和基础核心思想是成功完成一个数据科学project的重中之重。

说了这么多，其实最想要提出的建议是：不要过度思考和过度解读问题。相对的，你应该做的是分阶段地完成分析或者分阶段给工作过程建模，并且经常性的向问题提出者汇报并且得到他们的一些反馈。这样的过程可以尽量地保证整个工作的过程是持续性的；并且这样的工作模式会使得你的通过数据分析后的最终解决方案在每次迭代反复中有所提升。

当数据科学家和利益相关者一起琢磨一个问题或者交流一些自己的初始发现的时候，把所有的论述尽可能详尽直接地说出来是非常重要的，不要假设利益相关者会和你有一样多的相关背景知识。这一点在数据科学家有数量很大的假设和潜在方案的时候会变得非常难做到。

这个工作过程中最大的风险在于当利益相关者向数据科学家极简短地描述了问题；而这个数据科学家没有提出足够多的有效问题并且还鲁莽地对问题作出了自己的假设。如果发生这样的情况，数据科学家就会构建一个看上去解决了（利益相关者描述的）问题的解决方案。缺少了疑问和过多的假设会导致最终结果实际上解决的并不是之前被提出的问题，甚至会给出相反的建议和结论的情况。优秀的数据科学家从来不会在他们没有做深度分析前假设他们知道什么。他们知道目前的假设中哪些点是需要通过继续提问来决定是被确认或者否认的，所以哪怕他们对于自己的假设有99.9%的把握，他们也会问出很多的问题来做最后的判断。