经常有新手同学问：数据分析到底是怎么驱动决策的?今天用一个通俗的例子，让大家看清楚数据驱动决策全流程。通过对比，你能发现：为啥你做不出驱动决策的分析结果。

某天，我饿了想吃饭。如果这一天毫无波澜，我会下班径直回家煮一锅面吃，我不需要任何人给我意见。

但是某天，我来广州出差了。我不熟悉这个城市，我又很想尝试点新东西，这就有了获得意见的需要。这就是数据驱动的第一定律：熟练、简单、毫无意外的业务，很少需要数据分析的支持;有挑战的、有变化的、全新的业务，更需要数据支持。

于是我问本地的朋友“我想吃饭，有啥好吃的呀?”朋友反问“你想吃啥?”

这是数据驱动的第一步：提出决策目标。如果我说“随便~~~”我的朋友会劈头盖脸“丢雷啊!随便乜随便!这是因为没有目标的情况下，是根本没法提建议的，决策目标是第一重要的。

可是我真的不熟悉本地，于是我问：“有什么特色介绍呢?”朋友问了几个问题，从大到小帮我圈定了范围(如下图)。

这是第二步：清晰决策目标。

注意!清晰决策目标是数据分析的重大作用，很多时候，最初的业务目标可能是很模糊的，比如“有特色”。只有梳理清楚，落实到一个具体指标/标签上，才好执行。

第三步：提出约束条件。

要吃饭，就得考虑下述因素：

1、几个人吃

2、人均多少钱

3、有多长时间吃

4、环境要高大上还是接地气

这些会影响到目标的达成和方案的选择，必须要提前说清楚。限制条件一般都是和资源投入、完成时间、技术能力等等有关的变量。

第四步：罗列潜在方案。

现实世界中，潜在方案都是有限的。并且提约束条件的时候，“且”字越多，潜在方案越少。我想要一个超级美味且环境优雅且收费低廉且服务良好且就开在楼下的饭店，估计只有梦里有。

因此做决策前，得先了解有哪些潜在方案。常见的有2种：

1、历史经验：“上次去过一家A饭店，很好吃”

2、市面了解：“看看大众点评，发现还有BCD”

这一步非常重要!很多数据分析师不知道咋提决策建议，其实是因为他压根就不知道业务是咋做的，也不知道有多少种做法。光看这结果数据，说：“收入低了，建议搞高”，肯定不是啥好建议。

第五步：选择优化方案。

根据备选项的不同，筛选方案的方式有不同。

1、如果仅是ABCD四个饭店四选一，那么这是典型的综合评估问题。需要列评估指标，赋权重，收集评分，求解综合得分。

2、如果是ABCD四条生产线，需要看怎么分配资源产出最大，这是典型的优化求解问题，可以用线性规划方法。

3、如果是ABCD四个营销方案，以前都没干过，不确定哪个好，那么得做测试。通过试点测试收集数据，这是一个测试问题。

三种思路对比如下图：

这一步是极其需要数据辅助的，通过精细的计算，挑选一个最 优方案再开始。

第六步：设定后备方案。

我们马上要出门，发现天阴得厉害。这是考虑：

1、如果出门时不下雨，继续去A饭店

2、如果出门时下雨，改去B饭店

3、如果出门走到一半下雨，改去C饭店

这样设定好后边方案，能更好应对变化。如果历史数据积累多的话，还可以提前预判概率，选择更好的方案(比如我朋友说“冇事嘅，呢滴天气无雨落嘅”)

这一步不是必须的，只有很谨慎的，需应对较大不确定性的，长周期执行的项目(比如新车、新药研发)，才会有这么详细的准备。这么干也非常烧钱，需要积累很多历史数据，也需要不断动态收集数据，判断走势。

这样完成1到6步，就完成了决策制定的过程，后边就是

第七步：过程监控

第八步：异常识别

第九步：问题分析

第十步：优化建议

整个数据驱动决策过程如下图所示：

那么，为什么很多同学觉得自己没做过呢?

一方面，可能是公司不行：领导喜欢拍脑袋，不懂科学方法，缺少数据积累，没有测试意识，平时不让数据参与，遇到麻烦才指望一个神奇模型一模把问题都解决了。

另一方面，可能是数据分析水平不行，不懂业务，不会沟通，不知道区分目标/限制条件/潜在方案，不会选择合适的分析方法。

总之，两头有一头出问题，都会导致数据驱动做不下去。