当前位置:CIO技术探讨 → 正文

数据驱动决策的9个最佳实践

责任编辑:cres 作者:Andy Patrizio |来源:企业网D1Net  2021-04-21 11:07:05 原创文章 企业网D1Net

“数据驱动决策”这一短语在数据分析领域很流行,但似乎有些多余。毕竟,几乎所有的数据分析都是由大数据驱动的,否则行业组织就不会在遍布全球的公共或私有数据中心拥有PB级的数据库。
 
那么,“数据驱动”到底意味着什么?这很简单。数据驱动决策(DDDM)是基于实际数据分析而不是凭直觉、轶事或观察做出组织决策的过程。
 
商业智能(BI)是另一个流行的数据术语,是完全由数据驱动的决策。使用企业数据分析应用程序(如TeraData或Microsoft Power BI),IT经理和业务人员可以处理数据,从数据中提取事实、信息和模式,并根据分析出的见解而不是直觉做出决策。
 
数据驱动决策是一门艺术和科学,它利用事实、指标和其他数据来指导战略业务决策,以实现组织的目标。数据驱动决策可以帮助组织做出更好的业务决策,并发现战略机遇。
 
那么,组织如何正确执行数据驱动决策?首先要使其成为规范。组织需要制定数据驱动决策的标准操作程序。当然,还有一些直觉,但首先需要一种分析文化。这就是为什么分析技术在技术中变得如此重要的原因。随着数据呈爆炸式增长,无论是通过商业智能、大数据、数据仓库还是数据湖,组织都有机会从这些数据中获得洞察力。
 
数据挖掘的结果通常分为两种截然不同的类型:定性分析和定量分析,这两者对于做出以数据为依据的决策都具有同等的价值。
 
定量数据分析是数据驱动决策的核心。它是一种测量分析,着重于数字和统计数据以及其他元素,例如中位数和标准差。定性分析的重点是不以数字或指标定义的数据,例如图像、视频和社交媒体。
 
定性数据分析是观察性的,而定量数据分析是事实性的。定性数据和定量数据都应进行分析,以制定更明智的数据驱动型业务决策。
 
好消息是,组织的所有员工都可以参与数据驱动决策。尽管一些神秘的数据科学由数据科学家研究和探索,但从Microsoft Excel开始,很多人就采用了大量与数据驱动决策相关的业务应用程序。
 
数据驱动决策的最佳实践
 
除了应用程序之外,组织还必须通过实践来培养数据技能,通过最佳实践和商业模式来开发应用程序,并通过安全和治理来监控事情。为了有效利用数据,专业人员必须采取以下几个步骤:
 
1.了解最终目的
 
如果不知道目的地,那么怎么到那里?这应该是实施任何数据驱动决策方案中的第一步:你要问自己需要解决的问题,最终确定并理解自己的目标。在开始收集数据之前,需要执行这一操作,以确定要收集哪些数据以及不要收集哪些数据。
 
为了充分利用数据,组织应该在开始分析之前确定其目标。组织需要制定策略,通过关键绩效指标(KPI)作为衡量成败的指标,制定避免落入陷阱的策略。
 
2.团队之间的协调
 
组织的数据驱动决策项目将至少涉及两个利益相关者:寻求洞察力的业务部门和负责计算的IT人员。但可能还有其他人也会有既得利益。其他部门或部门主管可能也想知道结果。增加新员工可能意味着所收集数据的变化,有了新的利益相关者也可能意味着将新的数据变量添加到组合中。
 
3.使进程实现民主化
 
人们都有一些无意识的偏见和盲点。因此,通过团队合作可以为项目带来多方面的关注。当然每个人会有自己的偏见,但这些偏见可能并不相同。
 
调研机构麦肯锡公司在2010年进行的一项针对1000多项主要业务投资的研究表明,当组织致力于减少决策流程中的偏见影响时,它们的回报率最高可以提高7%。通过消除偏见,组织可以发现更多机会。
 
4.清理和整理数据
 
根据Gartner公司的调查,数据科学家通常需要花费79%的时间来收集、清理和组织数据,而只有20%的时间实际进行分析。毫不奇怪,这是数据科学家工作中最不喜欢的工作,但必须做到这一点。
 
“数据清理”是指通过删除或纠正不正确、不完整或不相关数据来准备原始数据以供分析的过程。在数据仓库中,这称为“写入模式”,在存储数据之前采用此类过滤器。该过程涉及创建数据字典和数据表,其数据表定义了每个变量,并将其转换为在这个特定数据库的场景中意味着什么。一旦有了字典,就可以在其他项目上重用它。
 
5.查找解决这些问题所需的数据
 
查看已经收集的数据,并尝试着眼于理想的数据,这将帮助回答所要提出的问题。在确定所需数据之后,需要检查是否已拥有此数据,或者是否需要设置一种收集或从外部获取数据的方法。
 
6.进行基本统计分析
 
如果你是分析和数据驱动决策的新手,那么在第一个项目中加入数PB的数据库确实不是一个好主意。应该从头开始学习,需要测试模型以查看它们是否提供了所需的答案。测试不同的模型,如线性回归、决策树、随机森林建模等,可以帮助你确定采用哪种方法最适合自己的数据集。
 
从那里,可以提出三种类型的报告:
 
•描述性:仅限于事实。
 
•推论:事实以及提供场景的解释。
 
•预测性:基于结果的推论。
 
7.得出结论
 
数据驱动决策的最后一步是根据发现得出一个或多个结论。组织从分析中得出的结论将帮助做出明智的业务决策并规划未来的战略。数据驱动决策的最后一步始终是人为因素。
 
8.以有意义的方式呈现数据
 
挖掘数据是计算机的工作,但是人们想要的不仅仅是一行行数字,而是更直观清晰的结果。借助出色的数据可视化应用程序,能够以有意义的方式向技术水平较低的人们展示数据。Databox、Zoho Analytics、T​​ableau、Infogram、ChartBlocks、Datawrapper等应用程序提供了易于使用的GUI环境来讲述数据故事。
 
9.重新审视、审查、修订和重新评估
 
在放置好模型和数据字典之后,需要重新思考你的决定,查看模型以对它们进行修改,并反思自己如何才能更好地做到这一点?优化始终是可能的,并且没有任何一个事物不会出现错误。你所做的工作只是不断进行修改,并使其变得更好。
 
版权声明:本文为企业网D1Net编译,转载需注明出处为:企业网D1Net,如果不注明出处,企业网D1Net将保留追究其法律责任的权利。

关键字:CIO大数据数据驱动

原创文章 企业网D1Net

x 数据驱动决策的9个最佳实践 扫一扫
分享本文到朋友圈
当前位置:CIO技术探讨 → 正文

数据驱动决策的9个最佳实践

责任编辑:cres 作者:Andy Patrizio |来源:企业网D1Net  2021-04-21 11:07:05 原创文章 企业网D1Net

“数据驱动决策”这一短语在数据分析领域很流行,但似乎有些多余。毕竟,几乎所有的数据分析都是由大数据驱动的,否则行业组织就不会在遍布全球的公共或私有数据中心拥有PB级的数据库。
 
那么,“数据驱动”到底意味着什么?这很简单。数据驱动决策(DDDM)是基于实际数据分析而不是凭直觉、轶事或观察做出组织决策的过程。
 
商业智能(BI)是另一个流行的数据术语,是完全由数据驱动的决策。使用企业数据分析应用程序(如TeraData或Microsoft Power BI),IT经理和业务人员可以处理数据,从数据中提取事实、信息和模式,并根据分析出的见解而不是直觉做出决策。
 
数据驱动决策是一门艺术和科学,它利用事实、指标和其他数据来指导战略业务决策,以实现组织的目标。数据驱动决策可以帮助组织做出更好的业务决策,并发现战略机遇。
 
那么,组织如何正确执行数据驱动决策?首先要使其成为规范。组织需要制定数据驱动决策的标准操作程序。当然,还有一些直觉,但首先需要一种分析文化。这就是为什么分析技术在技术中变得如此重要的原因。随着数据呈爆炸式增长,无论是通过商业智能、大数据、数据仓库还是数据湖,组织都有机会从这些数据中获得洞察力。
 
数据挖掘的结果通常分为两种截然不同的类型:定性分析和定量分析,这两者对于做出以数据为依据的决策都具有同等的价值。
 
定量数据分析是数据驱动决策的核心。它是一种测量分析,着重于数字和统计数据以及其他元素,例如中位数和标准差。定性分析的重点是不以数字或指标定义的数据,例如图像、视频和社交媒体。
 
定性数据分析是观察性的,而定量数据分析是事实性的。定性数据和定量数据都应进行分析,以制定更明智的数据驱动型业务决策。
 
好消息是,组织的所有员工都可以参与数据驱动决策。尽管一些神秘的数据科学由数据科学家研究和探索,但从Microsoft Excel开始,很多人就采用了大量与数据驱动决策相关的业务应用程序。
 
数据驱动决策的最佳实践
 
除了应用程序之外,组织还必须通过实践来培养数据技能,通过最佳实践和商业模式来开发应用程序,并通过安全和治理来监控事情。为了有效利用数据,专业人员必须采取以下几个步骤:
 
1.了解最终目的
 
如果不知道目的地,那么怎么到那里?这应该是实施任何数据驱动决策方案中的第一步:你要问自己需要解决的问题,最终确定并理解自己的目标。在开始收集数据之前,需要执行这一操作,以确定要收集哪些数据以及不要收集哪些数据。
 
为了充分利用数据,组织应该在开始分析之前确定其目标。组织需要制定策略,通过关键绩效指标(KPI)作为衡量成败的指标,制定避免落入陷阱的策略。
 
2.团队之间的协调
 
组织的数据驱动决策项目将至少涉及两个利益相关者:寻求洞察力的业务部门和负责计算的IT人员。但可能还有其他人也会有既得利益。其他部门或部门主管可能也想知道结果。增加新员工可能意味着所收集数据的变化,有了新的利益相关者也可能意味着将新的数据变量添加到组合中。
 
3.使进程实现民主化
 
人们都有一些无意识的偏见和盲点。因此,通过团队合作可以为项目带来多方面的关注。当然每个人会有自己的偏见,但这些偏见可能并不相同。
 
调研机构麦肯锡公司在2010年进行的一项针对1000多项主要业务投资的研究表明,当组织致力于减少决策流程中的偏见影响时,它们的回报率最高可以提高7%。通过消除偏见,组织可以发现更多机会。
 
4.清理和整理数据
 
根据Gartner公司的调查,数据科学家通常需要花费79%的时间来收集、清理和组织数据,而只有20%的时间实际进行分析。毫不奇怪,这是数据科学家工作中最不喜欢的工作,但必须做到这一点。
 
“数据清理”是指通过删除或纠正不正确、不完整或不相关数据来准备原始数据以供分析的过程。在数据仓库中,这称为“写入模式”,在存储数据之前采用此类过滤器。该过程涉及创建数据字典和数据表,其数据表定义了每个变量,并将其转换为在这个特定数据库的场景中意味着什么。一旦有了字典,就可以在其他项目上重用它。
 
5.查找解决这些问题所需的数据
 
查看已经收集的数据,并尝试着眼于理想的数据,这将帮助回答所要提出的问题。在确定所需数据之后,需要检查是否已拥有此数据,或者是否需要设置一种收集或从外部获取数据的方法。
 
6.进行基本统计分析
 
如果你是分析和数据驱动决策的新手,那么在第一个项目中加入数PB的数据库确实不是一个好主意。应该从头开始学习,需要测试模型以查看它们是否提供了所需的答案。测试不同的模型,如线性回归、决策树、随机森林建模等,可以帮助你确定采用哪种方法最适合自己的数据集。
 
从那里,可以提出三种类型的报告:
 
•描述性:仅限于事实。
 
•推论:事实以及提供场景的解释。
 
•预测性:基于结果的推论。
 
7.得出结论
 
数据驱动决策的最后一步是根据发现得出一个或多个结论。组织从分析中得出的结论将帮助做出明智的业务决策并规划未来的战略。数据驱动决策的最后一步始终是人为因素。
 
8.以有意义的方式呈现数据
 
挖掘数据是计算机的工作,但是人们想要的不仅仅是一行行数字,而是更直观清晰的结果。借助出色的数据可视化应用程序,能够以有意义的方式向技术水平较低的人们展示数据。Databox、Zoho Analytics、T​​ableau、Infogram、ChartBlocks、Datawrapper等应用程序提供了易于使用的GUI环境来讲述数据故事。
 
9.重新审视、审查、修订和重新评估
 
在放置好模型和数据字典之后,需要重新思考你的决定,查看模型以对它们进行修改,并反思自己如何才能更好地做到这一点?优化始终是可能的,并且没有任何一个事物不会出现错误。你所做的工作只是不断进行修改,并使其变得更好。
 
版权声明:本文为企业网D1Net编译,转载需注明出处为:企业网D1Net,如果不注明出处,企业网D1Net将保留追究其法律责任的权利。

关键字:CIO大数据数据驱动

原创文章 企业网D1Net

电子周刊
回到顶部

关于我们联系我们版权声明隐私条款广告服务友情链接投稿中心招贤纳士

企业网版权所有 ©2010-2024 京ICP备09108050号-6 京公网安备 11010502049343号

^