开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 三种数据思维：数据驱动、数据通知、数据启发 -> 正文阅读

[人工智能]三种数据思维：数据驱动、数据通知、数据启发

希望我可以帮助揭示点东西，在我10年的分析团队工作和现在的产品团队工作中，为了能通过数据来战略性地指导产品，我已经能够理解并阐明这些短语之间的差异了。
首先，它们的含义是什么？数据驱动，数据通知和数据启发描述了如何使用数据。

如果您是数据驱动的，那么您拥有做出决策所需要的准确数据。您会同意“它将告诉您关于下一步该做什么需要知道的答案”的说法。
数据通知意味着为了让决策最优化，每个人都知晓当前的变现以及为什么产品的绩效会这样。
数据启发意味着预测趋势。需要通过不同的数据源把故事拼在一起，因为只有单一数据源很难预测未来的客户期望。

在这里插入图片描述

最好的情形是您的团队已经理解这三种不同的数据分析模式，并且知道何时利用每个用例，因为：

正确使用这些方法可以消除团队之间的摩擦，因为这些方法指导如何获得所需的数据输出。
它们可以确保您的团队正确使用数据，您不希望陷入使用数据启发式方法来回答数据驱动问题的情况，反之亦然。

数据驱动

数据驱动意味着您拥有确定未决决策结果的数据，当有人使用这个术语时，意味着与数据通知或数据启发相比，他们要求的是最具体的信息类型。
这是数据中最严格的数据思维方式：

必须在需要数据之前通过度量计划预先确定，以确保数据得到正确应用。
需要预先确定样本量(通常相当高)，以确保发现足够稳定，可以复制。
需要参与的团队成员具有统计方法知识。

i. 何时需要数据驱动？
数据驱动结果的两个最佳用例是回答业务问题和确保对任何产品上的更改不会对业务产生负面影响。
以下是数据驱动问题的示例：

何时是发布X或者促销Y的最好时间？
什么设计性能更好，版本A或B或N ？
什么个性化的方法表现更好？
我们下个月或下一年将赚取多少钱来计划预算？
添加新特征/类型的用户会对产品产生什么影响？

ii. 如何响应数据驱动的请求

进行A/B测试确保设置的用户属性能捕捉每个测试组中的用户属性。在测试完成后，使用事件分割来显示哪个组在预先确定的度量计划中指定的成功度量具有更高的转化率。
运行回归模型时，务必探索分析哪些操作彼此高度相关以及哪些与期望的结果高度相关，并注意哪些功能会影响其他功能，这可以帮助您发现由于某个功能更改而导致的收入上升/下降。

iii. 数据驱动的局限性
对于这种类型的请求，数据旨在回答一个非常具体的问题。这意味着您无法从同样的数据中获得其他见解，这些数据有一维的用途。如果您看到其他人使用来自数据驱动请求的数据来回答一个无意回答的问题，那么这将抵消数据驱动的工作。这个用例不应指导新的策略或设计思维过程，而是应该用来验证解决方案。

数据通知

数据通知意味着团队了解KPI绩效、下降率、以及任何给定产品中的用户路径。他们能够发现普遍的性能上升或下降现象，并能说明可能发生这种情况的原因。要成为一个数据通知的团队，您需要知道是什么和为什么。团队还必须准备使用这些信息来改进和告知他们未来的策略，用这些数据指导未来的操作将使您的团队获得数据通知能力。

i. 何时需要数据通知
激活数据通知流程的主要原因是：

制定有关产品变更和优化策略时；
为积压的功能安排优先级。

该小组需要执行两个流程：

使用假设驱动的方法来解释您认为策略可行的原因
向所有团队传达策略和发布日期，确保每个人都了解情况

ii. 如何响应数据通知的请求
团队获得数据信息时应该包括诸如路径查找器、事件分割、漏斗分析和生命周期等报告。
注意包含以下细节：

KPI和度量的定义解释了为什么 KPI/度量标准被用于该报告；
有关如何解释数据的信息；
关于哪些策略对这些仪表板创造了影响或改变的注释，这样人们可以理解探索性研究出现中的趋势。

iii.数据通知的局限性
与数据驱动不同，数据通知分析不应该直接告诉您应该做什么。它应该有助于解释过去的失败和成功，从而推动新的战略。
团队必须能够清楚地传达他们正在制定的策略为什么会奏效的假设，如果他们不这样做，那么就无法分析过去的策略。如果无法分析过去的策略，那么团队就永远无法理解为什么会发生某些事情，因此也就永远无法实现数据通知的团队。

数据启发

数据启发通常对结果没有要求或期望，它本质上是探索性的。三种分析类型的结果将不同数据源的数据糅合在一起，并在数据源之间产生有趣的共性。理解数据启发的关键是通过识别看似无关的数据源来激发新想法，从而帮助克服数据难题。
关于这个分析，这样做的人是依靠直觉和推理，而不是具体的、统计上合理的方法。坦白说，这是一件好事，您希望在混合中进行此类分析。

数据的问题在于，它只能描述过去发生的事情，并根据过去的趋势预测未来可能发生的事情。它不能很好地提出新的、创新的想法，因为这些新想法没有先例。数据启发可以通过识别看似无关的数据源来激发新想法，从而帮助克服数据难题。

i. 何时需要数据启发

应用数据启发思维的最佳位置是:

在确定产品创新方向的战略阶段；
在设计思维作业期间。

数据永远不会告诉您如何进行设计或策略，但是它会告诉您这是一些有趣的并发趋势，因此提供了比其他方法论更广泛的信息。

ii. 如何响应数据启发的请求
这些关键的探索性报告是:

人物角色：识别行为相似/不相似的用户群。针对每个群组定制产品，或者找出如何让那些参与度较低的群组投入更多。
参与矩阵：哪些操作对回访有价值，哪些操作没有价值。该报告非常适合识别低频但高价值的行为。一旦发现了这些行为，就会假设为什么这个行为对于那些做这件事的人很重要，以及您如何能帮助更多的人从这个行动中找到同样的价值。
粘性：显示人们回访时有价值行动的频率。一旦您从契约矩阵中了解了少量高价值的操作，请使用粘性报告为每次访问中执行此操作的人员构建自定义群组，并与只执行一次或根本不执行此操作的群组进行比较。

iii. 数据启发局限性
这些数据永远不应该被称为具体数据。每个人都应该意识到出现的数据趋势可能是假的交互数据趋势（看似相关的交互实际上并不相关），只要每个人都知道从这些数据中得出具体结论是有风险的，就值得冒这个风险，因为这些数据可以揭示之前未知的笼罩在黑暗中的区域。