数据驱动决策的思考（数据应用辅助决策和数据驱动）

数据应用是数据产生价值的出口，前期所有的数据动作都为后期的价值输出做准备。数据应用层按数据发挥价值的能动性强弱分为辅助决策应用和数据驱动应用。

辅助决策即决策支持，它是以决策主题为中心，借助计算机相关技术辅助决策者通过数据、模型、知识等进行业务决策，以达到帮助、协助和辅助决策者的目的。

根据数据建议的明确性不同，辅助决策可分为执行性辅助决策和启发性辅助决策。

执行性辅助决策

执行性辅助决策是指面对某一决策主题，可以用确定的语言进行描述，并通过特定的方法和模型进行分析挖掘，以直接的数据记录、行动规则等辅助决策方开始业务动作。

执行性辅助决策的特征是：具有明显的决策目的，数据结果明确且直接，业务决策方可直接采用其结果并落地到业务执行。举例：某业务需要针对部分客户进行大型活动以实现促销，此时需要确定促销客户名单，如果数据从业者提供了客户名单、样本抽取规则等，可以直接帮助业务确定发送对象。

启发性辅助决策

启发性辅助决策相对于执行性辅助决策而言，可能没有面对某一决策主题，也可能是面对某一决策主题时没有明确的结果论断，但提供了间接的数据相关论证、规则、描述等，需要业务自身根据这些信息进行自我判断和决策。

启发性辅助决策的特征是：决策主题不明确或在明确的决策主题下没有明确的业务落地点，决策方无法直接开展业务活动。举例：日常的统计性数据报告、面向市场研究类的宏观报告都属于此类范畴。

辅助决策的步骤通常分为4步：

1）建立决策主题。业务方基于需求或问题形成决策主题，包括问题组成、决策方向、决策方法、实施周期、效果评测等，这是决策活动的起点。

2）分析决策主题。数据从业者利用相关数据知识、工具、技能来定性分析和挖掘决策主题，并得出可供决策方应用的描述或结果。

3）评估决策建议。决策方根据个人才能、经验、流程以及所处环境条件等因素对描述或结果进行评估，从而确定最优方案。

4）决策实施。决策方落地决策建议并开展业务动作。辅助决策往往不是一次性工作，而是一个迭代优化的过程。每一次决策实施既是上一次辅助决策的终点又是下一次辅助决策的开始。

辅助决策应用的数据来源广泛，可能包含数据源层、数据处理层、数据计算层等的原始数据、过程数据和结果数据。辅助决策应用是目前数据发挥价值的主流方式，包括报表支持、数据挖掘模型封装、业务分析系统和临时分析等。

• Dashboard。数据驾驶舱是获得数据洞察和结论概况的常用方式。
• 数据报表。数据报表根据数据结果的延迟性分为即席报表（实时报表）和普通报表，这是最基础的数据应用形式。
• 文本查询。在大数据平台中除了可以检索和查询结构化数据外，还可以针对非结构化的文本进行检索查询。
• OLAP。联机分析处理（OLAP）可以提供快速、大量数据的复杂查询处理，并以查询结果进行返回，是复杂场景下分析操作的重要方式。
• 数据挖掘模型封装。业务分析过程中成熟的数据挖掘模型会封装到固定系统内，形成单独的挖掘模块，以便节省业务建模过程中的复杂工作，例如库存预测模型、流失预警模型等。
• 业务分析系统。业务分析系统包括流量分析系统、客户分析系统、销售分析系统等，分析系统是相对完善的分析体系，相较于报表具备更多分析和挖掘类功能。

数据驱动是指整个业务运作流程以数据结果为运作目标，以关键数据为触发方式，借助计算机相关技术结合企业内部流程和机制形成数据一体化工作流程。

按照自动化程度不同，数据驱动分为自动化数据驱动及半自动化数据驱动。

自动化数据驱动

自动化数据驱动指数据业务流程，从确定决策目标、决策分析、决策评估到决策执行过程都是完全自动化的驱动方式。

自动化数据驱动的核心是整个过程除了人为调参优化或加入人工干预规则之外，不需要借助其他业务方的参与。举例：常见的站内个性化推荐系统是自动化数据驱动的典型应用，站内个性化推荐系统实现了数据自我决策实施的整个过程，除了调优和人工干预规则外，无需人工介入执行。

半自动化数据驱动

相对于自动化驱动过程，半自动化数据驱动需要人工介入，主要介入点是人工代替机器或系统触发业务动作，但业务方的角色是仅作为实施方介入，不参与决策过程。

举例：大多数电子商务网站都有基于加入购物车事件的触发机制，当登录或注册的用户将商品加入购物车但放弃购买后，自动会发送短信或邮件提醒用户继续购买，并附以折扣、限时、优惠券等措施刺激用户完成订单。部分公司由于整个系统并未完全打通，因此其中的客户名单需要人工梳理后录入发送平台，进而完成整个提示过程。

数据驱动的步骤与辅助决策相同，只不过在建立决策主题、分析决策主题、评估决策建议和决策实施过程中都是由数据配合开发的自动化系统完成，整个决策的载体是自动化数据 业务系统（IT是载体），核心是数据本身。

目前，数据驱动应用的数据大多来源于计算层的实时计算和临时计算结果，对于时间性要求不强的场景主要调用离线计算数据结果。

数据驱动需要借助技术手段实现，通常是建立在数据事件触发或数据结果触发基础上的自动化运行机制。

• 智能广告类：包括RTB、个性化EDM、程序化购买、精准营销系统等。
• 智能网站管理类：包括站内个性化推荐系统、个性化着陆页、智能资源循环与利用、基于用户事件或时间的触发等。
• 智能客服类：自动问答系统、基于语言的自助业务办理系统、智能呼叫、聊天机器人、自动知识管理等。
• 智能调度类：智能调价、智能资源分配、智能负荷管理、最优规划管理、动态优化配比等。❑智能工厂类：智能化生产控制、智能化执行过程控制、智能生产线、智能仓储和物流运输体系、智能设备检测与维护、智能环保管理等。
• 智能生活类：包括智能家居、智能家电、智能穿戴、智能移动、智能社交、智能购物、智能办公等。
• 其他智能应用：智能交通、自动驾驶、智能会议系统、机器人等。

辅助决策和数据驱动是两个层次的数据应用，数据驱动相对于辅助决策的实现难度更高、数据价值体现更大。但很多时候往往难以分清楚二者的区别，二者的差异点在于辅助决策为业务决策方服务，整个过程都由业务人员掌控，数据是依存和辅助的角色；而数据驱动的过程由数据掌控，数据是主体，实现该过程需要自动化系统、算法等支持，因此，数据驱动具有自主导向性、自我驱动性和效果导向性的特征。由于数据本身会存在缺陷以及业务需求，需要在数据运作过程中加入人工干预因素。但数据作为数据驱动的核心不变，数据即决策本身。