[ 编者按 ]以数据分析驱动决策，是企业数智化进程中关键的一环，也是其终极目标之一。想要依靠数据做出明智的决策？你不仅需要准确可靠的数据源，还需要一套强大的分析工具来助力。而这样一套能够用来有效分析实践所需的系统工具，需要将诸多因素都容纳在其构架原则之中。

(资料图片)

本文将与大家一起围绕九项数据驱动决策的原则进行详细讨论，并以此作为一套完整的框架，阐述如何将其应用到具体的分析项目中。相信在读完本文后，你将对数据驱动型决策掌握更为深度，这些原则将帮助你在日新月异的数据驱动技术中走向成功。

每期监测和精编全球高价值情报，为你提供先人一步洞察机会的新鲜资讯，为你提供升级思维方式的深度内容，是为 [ 红杉汇内参 ] 。

01

明确定义问题

●

在开始分析数据或做出决策之前，明确定义手头的问题非常重要。确保你已经了解需要解决的问题以及问题的目标和制约。

给问题下定义是明智决策的第一步，也是最关键的一步。此举可以确定分析的范围、找到衡量成败的关键指标，并确保所有利益相关者达成一致。

例如，一家电商企业想要通过数据驱动销售收入增长，它第一步要明确的定义问题包括：

• 目前的收入是多少、目标是多少？

• 哪些产品或服务占收入的大部分？

• 目标顾客是谁？

• 阻止顾客购买更多产品的挑战是什么？

• 竞争对手做了哪些不同的事？

清楚了解问题后，就可以开始分析数据了。在这个情景中，相关负责人需要查看销售报告、顾客反馈、网站流量数据和竞对分析等。通过清晰定义问题，企业可以专心寻找有助于制定有效策略的相关对策，例如优化定价、改进产品推荐、提升用户体验、瞄准特定客户群或加大营销等。

总之，定义问题非常关键，因为这是所有分析工作的基础。 清楚地理解问题，可以确保团队能有重点地分析、设置可衡量的目标，并找到切实有效的解决方案。

02

收集高质量数据

●

准确和完整的数据对于做出准确的决策至关重要。需要确保收集与问题相关的所有数据，并证实数据的完整性和可靠性。

收集相关数据，指的是 收集那些对解决已定义的问题来说非常重要的信息。 若想收集高质量的数据，首先要确定使用哪些数据源。必须确保收集的数据没有任何诸如数据缺失或重复的错误。

确定数据源后，需要验证数据的完整性和可靠性。 一种方法是执行探索性数据分析（EDA） ，这可以帮您识别数据中的异常、矛盾和模式。 另一种方法是借助数据验证技术 ，如交叉检查数据点、统计测试或机器学习算法。

总之，收集高质量的数据非常关键，因为这是分析的基础，能确保得出的结论基于准确可靠的信息。

03

全面分析数据

●

使用高级分析工具和技术（如统计分析、机器学习算法和数据可视化）来分析数据。寻找那些不那么显而易见的趋势、模式和变量之间的关系。

收集了高质量的数据以后，下一步是利用高级分析工具和技术（如统计分析、机器学习算法和数据可视化）对其进行分析。这一步有助于 识别不那么显而易见的趋势、模式和变量间的关系。 举例来说，机器学习算法建立模型可以预测客户的增减情况，并且为其画像；可视化工具（柱状图、散点图等）可以用来识别变量之间的关系，从而提升模型的准确性。

除了识别变量间的关系外，全面的数据分析还包括测试假设和运行实验。 例如，进行A/B测试以验证不同网页布局对转化率的影响，或者测试不同营销活动能否有效提高销售收入。

通过全面分析数据，就可以得出关于如何优化业务流程、改善客户体验和增加收入的结论，进而做出明智的决策。这条原则可确保分析基于准确且相关的信息，从而让分析师以最合适的分析工具和技术得出有意义的见解。

04

考虑价值观影响

●

进行决策时，考虑每个选择的价值观影响也很关键。应确保你的决定符合个人价值观和企业社会责任。

随着数据在决策过程中的使用越来越普遍，必须确保这些决策符合法律和道德规范，并遵守企业社会责任。

例如，涉及分析个体数据以得到改善方式而进行的数据分析，必须考虑个体数据的隐私和保密性以及数据收集或分析过程中的潜在偏见。应确保数据用于预期目的，且分析结果不会侵犯个体权利。

再比如利用机器学习算法来做出招聘决策。虽然算法不存在人类的主观性，可以减少决策中的偏见，但如果用于训练机器的数据本身存在偏见，算法则会延续现有的偏见。此外，仅仅基于算法做出的决策可能无法全面考虑大的背景或细微差别。因此，使用此类算法时，道德影响非常重要，要确保它们不会导致对特定群体的歧视。

05

评估选择

●

根据分析结果，评估可以解决问题或做出决策的所有选项。需考虑成本、可行性和潜在影响等因素。

完成数据分析后，针对已定义的问题可能会有多种解决方案。 根据成本、可行性和潜在影响等因素详尽评估每个选择非常重要。

即便我们找到了需要改进的要点，但每个选择都会涉及一系列权衡，所以在评估过程中必须考虑在内。例如，改进产品推荐可能意味着需要大量投资来发展机器学习模型，而加快送货速度可能会提高运输成本。

在评估选择时，既要考虑对利益相关者的潜在影响，还要考虑所有的资源或技术限制 ，评估每个选项的可行性和成功的可能性。

另外，要考虑每种做法的长期影响。 这个选择会带来长期的竞争优势吗？是否符合公司的整体战略和目标？

彻底评估所有选项后，可以选择最符合目标、约束和价值观的那一项。此原则能够确保决策过程是数据驱动且客观的，并且在做出最终决定前已考虑过所有可用选项。

06

选择最佳选项

●

完成评估后，选择符合目标和约束且成功概率最高的选项。如有需要，主动向他人寻求建议，并承担预期的风险。

经过仔细评估后，应选择符合目标的、满足限制条件的且成功概率最高的选项。必要时，愿意向他人寻求建议并承担预期的风险，这一点很重要。

面对决策的潜在风险，还可以制定计划来减轻风险，比如进行小规模测试或者采取措施监控其有效性并按需调整。

在某些情况下，可能需要承担预期的风险才能达到期望的结果。例如，可能需要投资新技术或雇用额外的员工来实施新策略。在这种情况下，仔细权衡潜在收益与成本并做出明智的决定非常重要。

07

监测与评估

●

监测决策的执行情况并定期评估结果。如有必要，做好准备来调整实施计划。

选择最佳选项后，监测实施情况并定期评估结果至关重要，这样有助于判断决策是否有效，以及找出需要改进之处。如有必要，应做好准备对实施计划进行调整。

监测和评估还包括发现决策的意外结果或未预期的后果。 例如，如果新的营销活动吸引了大量新客户，可能会增加对客服团队的需求。 重要的是做好调整的准备以解决这样的问题，并确保整体实施成功。

监测和评估决策的实施，可以让数据分析始终跟得上实际发展情况，也让决策持续与目标保持一致。

08

保持学习

●

通过阅读研究论文、参加会议、在线课程和持续学习，了解数据科学和机器学习领域的最新发展。

数据科学和机器学习领域的发展日新月异，因此及时了解最新发展以保持竞争力和有效性非常重要。可以通过阅读研究论文、参加会议、在线课程和持续学习来达到这一点。

持续学习也能让您发现解决问题或改进业务流程的新机会。 例如，你可能会了解到一种新的分析工具，可以更好地分析客户数据或改进检测。紧跟最新发展的步伐，可以增强竞争优势。

除了技术方面， 继续教育还可以培养软技能，如沟通、领导力和解决问题的能力等。 提升整体技能组合可以让组织更有效地协作和决策。

09

有效沟通

●

将决定和理由有效传达给利益相关者、团队成员和其他相关方，让他们知晓进度、变化和潜在影响。

做出决定后，务必向利益相关者、团队成员和其他相关方清楚地传达决定和理由。这会确保所有相关人员都了解决策过程，并与目标保持一致。

除了传达决策之外，让利益相关者了解进度、变化和潜在影响也很重要。定期更新状态能让每个人都了解实施过程中出现的任何变化或问题。

有效沟通还包括向不同的受众传达合适的信息。例如，技术团队可能需要得知决策所用的基础算法或数据源的详细信息，而业务方面的利益相关者则可能对收入或客户满意度的整体影响更感兴趣。

有效沟通有助于在组织内建立信任和透明度，并确保每个人都了解项目的目标和制约。此原则可确保所有利益相关方都能很好地理解决策，也有利于在决策的整体实施过程中打造开放的沟通渠道。