近期“大数据”的爆发催生了三种截然不同的业务模式：1)淹没在数据中的企业；2)在信息孤岛中囤积无用数据的企业；3)利用数据分析进行更明智决策的企业。事实上，所有这三类企业都必须不断改进其数据分析方法，才能充分获得其益处。此外，数据科学、数据分析和人工智能（AI）领域正在解锁我们从未知道的洞察力。企业现在有能力进行数据驱动的决策，使其能够迅速响应不断变化的市场趋势、消费者偏好和竞争动态。
在本文中，我将重点介绍数据科学和数据分析的要点，并了解数据驱动决策所需的步骤。此外，我将研究在这个人工智能和大型数据集主导的时代优化业务决策的优势和挑战。
1.数据科学基础。
数据驱动的决策源于一个不断发展的领域，即数据科学。基本上，数据科学帮助企业利用数据分析从大量数据集中提取有价值的见解。这就是数据驱动决策背后的科学。以下是两个关键定义：
a.数据科学定义。
“数据科学是让数据变得有用的学科。”
卡西·科兹尔科夫，谷歌首席决策科学家
b.数据分析师定义。
“检查大型数据集以识别趋势、开发图表并创建可视化演示（即数据分析），以帮助企业做出更具战略性的决策。”
东北大学
2.使用大数据进行决策。
现在，由于廉价的数据存储、云计算和更快的计算机，大多数企业都可以访问有关其业务和运营流程的大型数据集。反过来，数据科学家构建了数据分析工具，以帮助企业使用这些“大数据”做出决策。因此，数据分析师和业务利益相关者正在增强他们的决策过程，使其以数据为驱动。
a.数据驱动的决策解释。
那么什么是数据驱动决策（DDDM）呢？有很多方法可以描述它，但我喜欢数据驱动决策的定义。
“根据公司的关键绩效指标（KPI）收集数据并将该数据转化为可作的见解的过程。”
因此，企业越来越多地采用数据驱动的方法来改变其决策流程。事实上，使用的数据范围因行业而异，数据量和类型的可用性以及所使用的分析工具也各不相同。此外，决策智能等智能技术也在不断进步。因此，随着时间的推移，自动化的这些进步将减少业务决策所需的人工参与量。有关此主题的详细讨论，请参阅我的文章，《什么是决策智能》。
b.我们如何做出数据驱动决策的示例。
详细介绍一下，以下是企业数据驱动决策过程的典型步骤。在这些步骤中，我强调了人类输入在每个阶段的关键作用，即使在高度自动化的环境中也是如此。
数据驱动决策的示例步骤
1.人类设定目标。
2.人类会发现数据收集机会（至少在最初是这样）。
3.收集并整理所有数据。
4.根据需要检查、解释和总结数据。
5.创建潜在数据驱动作的列表。
6.人类评估选项并做出决策。
此外，对于数据科学家实际进行研究或构建分析软件工具的更高级项目，他们使用一种称为科学方法的决策方法。请参阅我的文章《科学方法示例：数据科学家使用独特的方法实现最佳结果》以获取更多信息。
3.数据驱动决策的主要影响。
事实上，与传统的业务决策相比，企业可以从数据驱动的决策中受益匪浅。此外，数据科学和数据分析工具使企业能够以前所未有的方式从数据中获得见解。要了解详细信息，请参阅下文，了解数据驱动决策特别独特的6大优势。
a.有效处理大型数据集的新功能。
随着大数据的出现，传统的业务决策流程已不足以处理生成的大量数据。现在，企业现在可以使用数据驱动的决策来理解大量数据并识别有用的见解。有关此主题的更多信息，请参阅我的文章，《数据和人工智能如何协同工作以更好地增强分析能力》。
b.能够更好地衡量KPI并与业务目标保持一致。
此外，通过使用数据来衡量业务实践的有效性，组织可以更好地了解哪些有效，哪些无效。此外，通过数据驱动的决策，组织可以跟踪进度并衡量成功，最终改善结果并提高盈利能力。
c.通过数据建模增加预测分析的使用。
事实上，数据驱动的决策允许组织使用历史数据来开发预测模型。因此，这些模型可以帮助他们更好地预测和规划未来。有关预测分析的更多信息，请参阅我的文章《预测分析类型：供应链的最佳机会》。
d.减少决策中的人为偏见和错误。
毫无疑问，人类的决策过程往往在很大程度上受到个人偏见和主观意见的影响。因此，通过数据驱动的决策，有可能减少人为错误并提高效率。有关偏见的示例，请参阅，《偏见与示例–您需要知道的一切》。
e.改进财务、运营和客户洞察。
此外，通过分析来自多个来源的数据，企业可以识别原本可能被忽视的趋势和模式。因此，这使他们能够做出对利润产生积极影响的数据驱动决策。此外，这还提高了运营效率，并增强了客户体验。
f.更好的风险管理和缓解。
最后，通过使用数据识别潜在风险，企业可以制定更有效的风险缓解策略。因此，这使他们能够在潜在风险成为重大问题之前主动识别并解决它们。此外，通过分析数据，企业可以识别可能表明潜在风险领域的模式和趋势。因此，这使他们能够在为时已晚之前采取行动。有关风险缓解的更多信息，请参阅我的文章《供应链风险缓解：如何最好地识别、评估和克服》。
4.数据驱动决策的挑战。
因此，数据驱动的决策比人工决策和传统的流程自动化技术有了显着的改进。然而，仍然存在局限性。下面列出了使用数据驱动决策的局限性。
数据驱动的决策局限性
l 不利用所有数据。作为数据驱动过程的一部分，数据被多次汇总或丢弃。因此，这可能会掩盖“大数据”集中的见解、关系或模式。
l 偏见仍然存在，甚至加剧。汇总数据和数据驱动的建议可能包含隐藏的偏见，即使是经验丰富的决策者也可能没有意识到。
l 使用以应用程序为中心的方法，将数据视为副产品。越来越多的企业正在努力管理大量可用数据。在许多情况下，是他们的遗留应用程序限制了对其数据的访问。这会导致数据孤岛、重复和不准确。需要的是以数据为中心的方法，将数据视为有价值的永久资产。有关更多详细信息，请参阅我的文章，《以数据为中心的业务：实现敏捷、单一真理、简单、技术创新的最佳方式》。
“谎言分为三种类型——谎言、该死的谎言和统计数据。”
本杰明·迪斯雷利
更多关于数据分析和决策的参考资料。
有关数据驱动决策的更多信息，请参阅《数据驱动决策：分步指南》。
此外，本文是AI对业务决策的影响系列的一部分。请参阅以下文章：
《人类解决问题的过程–第1部分》
《过程自动化–第2部分》
《数据驱动的决策（本文）-第3部分》
《人工智能对业务决策的影响–机会–第4部分》
《人工智能对业务决策的影响–局限性–第5部分》
