那么，“數據驅動”到底意味著什么?這很簡單。數據驅動決策(DDDM)是基于實際數據分析而不是憑直覺、軼事或觀察做出組織決策的過程。
商業智能(BI)是另一個流行的數據術語，是完全由數據驅動的決策。使用企業數據分析應用程序(如TeraData或Microsoft Power BI)，IT經理和業務人員可以處理數據，從數據中提取事實、信息和模式，并根據分析出的見解而不是直覺做出決策。
數據驅動決策是一門藝術和科學，它利用事實、指標和其他數據來指導戰略業務決策，以實現組織的目標。數據驅動決策可以幫助組織做出更好的業務決策，并發現戰略機遇。
那么，組織如何正確執行數據驅動決策?首先要使其成為規范。組織需要制定數據驅動決策的標準操作程序。當然，還有一些直覺，但首先需要一種分析文化。這就是為什么分析技術在技術中變得如此重要的原因。隨著數據呈爆炸式增長，無論是通過商業智能、大數據、數據倉庫還是數據湖，組織都有機會從這些數據中獲得洞察力。
數據挖掘的結果通常分為兩種截然不同的類型：定性分析和定量分析，這兩者對于做出以數據為依據的決策都具有同等的價值。
定量數據分析是數據驅動決策的核心。它是一種測量分析，著重于數字和統計數據以及其他元素，例如中位數和標準差。定性分析的重點是不以數字或指標定義的數據，例如圖像、視頻和社交媒體。
定性數據分析是觀察性的，而定量數據分析是事實性的。定性數據和定量數據都應進行分析，以制定更明智的數據驅動型業務決策。
好消息是，組織的所有員工都可以參與數據驅動決策。盡管一些神秘的數據科學由數據科學家研究和探索，但從Microsoft Excel開始，很多人就采用了大量與數據驅動決策相關的業務應用程序。
數據驅動決策的最佳實踐
除了應用程序之外，組織還必須通過實踐來培養數據技能，通過最佳實踐和商業模式來開發應用程序，并通過安全和治理來監控事情。為了有效利用數據，專業人員必須采取以下幾個步驟：
1.了解最終目的
如果不知道目的地，那么怎么到那里?這應該是實施任何數據驅動決策方案中的第一步：你要問自己需要解決的問題，最終確定并理解自己的目標。在開始收集數據之前，需要執行這一操作，以確定要收集哪些數據以及不要收集哪些數據。
為了充分利用數據，組織應該在開始分析之前確定其目標。組織需要制定策略，通過關鍵績效指標(KPI)作為衡量成敗的指標，制定避免落入陷阱的策略。
2.團隊之間的協調
組織的數據驅動決策項目將至少涉及兩個利益相關者：尋求洞察力的業務部門和負責計算的IT人員。但可能還有其他人也會有既得利益。其他部門或部門主管可能也想知道結果。增加新員工可能意味著所收集數據的變化，有了新的利益相關者也可能意味著將新的數據變量添加到組合中。
3.使進程實現民主化
人們都有一些無意識的偏見和盲點。因此，通過團隊合作可以為項目帶來多方面的關注。當然每個人會有自己的偏見，但這些偏見可能并不相同。
調研機構麥肯錫公司在2010年進行的一項針對1000多項主要業務投資的研究表明，當組織致力于減少決策流程中的偏見影響時，它們的回報率最高可以提高7%。通過消除偏見，組織可以發現更多機會。
4.清理和整理數據
根據Gartner公司的調查，數據科學家通常需要花費79%的時間來收集、清理和組織數據，而只有20%的時間實際進行分析。毫不奇怪，這是數據科學家工作中最不喜歡的工作，但必須做到這一點。
“數據清理”是指通過刪除或糾正不正確、不完整或不相關數據來準備原始數據以供分析的過程。在數據倉庫中，這稱為“寫入模式”，在存儲數據之前采用此類過濾器。該過程涉及創建數據字典和數據表，其數據表定義了每個變量，并將其轉換為在這個特定數據庫的場景中意味著什么。一旦有了字典，就可以在其他項目上重用它。
5.查找解決這些問題所需的數據
查看已經收集的數據，并嘗試著眼于理想的數據，這將幫助回答所要提出的問題。在確定所需數據之后，需要檢查是否已擁有此數據，或者是否需要設置一種收集或從外部獲取數據的方法。
6.進行基本統計分析
如果你是分析和數據驅動決策的新手，那么在第一個項目中加入數PB的數據庫確實不是一個好主意。應該從頭開始學習，需要測試模型以查看它們是否提供了所需的答案。測試不同的模型，如線性回歸、決策樹、隨機森林建模等，可以幫助你確定采用哪種方法最適合自己的數據集。
從那里，可以提出三種類型的報告：
•描述性：僅限于事實。
•推論：事實以及提供場景的解釋。
•預測性：基于結果的推論。
7.得出結論
數據驅動決策的最后一步是根據發現得出一個或多個結論。組織從分析中得出的結論將幫助做出明智的業務決策并規劃未來的戰略。數據驅動決策的最后一步始終是人為因素。
8.以有意義的方式呈現數據
挖掘數據是計算機的工作，但是人們想要的不僅僅是一行行數字，而是更直觀清晰的結果。借助出色的數據可視化應用程序，能夠以有意義的方式向技術水平較低的人們展示數據。Databox、Zoho Analytics、T??ableau、Infogram、ChartBlocks、Datawrapper等應用程序提供了易于使用的GUI環境來講述數據故事。
9.重新審視、審查、修訂和重新評估
在放置好模型和數據字典之后，需要重新思考你的決定，查看模型以對它們進行修改，并反思自己如何才能更好地做到這一點?優化始終是可能的，并且沒有任何一個事物不會出現錯誤。你所做的工作只是不斷進行修改，并使其變得更好。
版權聲明：本文為企業網D1Net編譯，轉載需注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。
京公網安備 11010502049343號