在“实现数据驱动”这一难以企及的目标驱动下，组织一直在不懈地积累数据、构建基础设施并吸引高技能人才。鉴于数据常被视为解决诸多问题的“银弹”，这些组织无疑走在正确的方向上。
然而，拥有合适的工具与人才并不意味着公司就天然是数据驱动的。迈向数据驱动的最大障碍在于构建数据文化——让每个人都将数据科学视为解决业务问题的方法论。事实上，任何立志成为数据驱动的组织，都需要先培育数据文化，推动全组织的数据素养，让每个人都具备完成其岗位所需数据任务的能力。这种根本性的思维转变对组织的目标而言是个不小的挑战。实际上，依据2018 年 Gartner 首席数据官调研，有 35% 的 CDO 认为低数据素养是规模化从数据中提取价值的最大挑战。
成为数据驱动并在规模上运用数据科学的益处众多且有据可查。下文概述了组织可以迅速采用、以便开始从数据中提取价值的四个数据科学领域，并辅以具体用例。
1. 通过数据可视化快速而简明地传达复杂洞见
交互式数据仪表板日益普及，因为它们让相关方可以轻松获取最新信息。
仪表板极其多变：既可以是公司长期“北极星”指标的望远镜，也可以是聚焦短期运营细节的显微镜。无论何种方式，它们都能帮助组织在更大范围内实现数据驱动决策。如今，许多零代码商业智能工具，如Tableau和Power BI，都具备直观的拖放式界面，便于构建强大的仪表板。另一方面，基于主流编程语言的开源包，如Python 的 plotly和R 的 Shiny，也为组织打造高度自定义的交互式可视化提供了低门槛。
2. 通过分析历史数据做出更优决策
数据驱动的公司会描述、归纳并理解其历史表现，并据此指导决策，以便强化有效做法并纠正无效方向。德勤的一项调查发现，约有一半公司认为分析带来的最大好处是促进更好的数据驱动决策。同时，62% 的公司认为数据对于推动业务战略至关重要。显而易见，数据正成为企业工具箱中愈发不可替代的利器。
数据驱动决策能够帮助组织维持并增强其竞争优势。举例而言，购物篮分析可助力实体零售商更好地优化线下空间布局，并为顾客创造更佳购物体验。营销人员可以分析历史邮件点击率，评估电子邮件营销活动的成效。财务分析师则可以将时间序列分析应用于历史数据，以优化预算规划。
当数据量较小时，此类历史数据分析可高效地在 Microsoft Excel 和 Google 表格等电子表格工具中完成。随着数据增长，使用R和Python等开源编程语言进行分析将更为高效。
3. 以统计思维补充现有领域专长
统计学可以简明扼要地概括大量数据。其最基础的是用于表示平均水平（如均值、众数和中位数）及偏离平均的程度（如标准差和方差）的汇总统计。这些汇总统计是箱线图等工具与相关系数等指标（用于衡量两个变量之间关系强度）的构建基石。例如，零售商可以计算不同商品购买之间的相关性，以优化交叉销售活动。市场研究人员可以利用联合分析，在推出新功能或调整产品定价之前确定理想的客户偏好组合。
对照实验可以帮助公司隔离变更的影响，在两个指标之间建立清晰的因果关系，并据此做出更好的决策。以统计为基础的对照实验，为验证或推翻领域专家的直觉提供了一种相对简单但严谨的方法。一个简单的例子是对电子邮件主题行进行A/B 测试，并选择点击率最高的版本。在 AirBnB，只有当实验确凿显示调整最高价格筛选器会提升转化率时，该变更才会向所有用户发布。在 Shutterstock，当实验提供了有力证据表明在搜索页图片上去除水印会降低转化率时，这一想法被否决。
4. 通过机器学习进行预测并发现新知识
公司可以利用历史数据，通过机器学习对未来进行预测。比如，借助监督学习（使用带标签数据训练算法以对数据进行分类或预测结果），组织可以基于客户的历史行为预测哪些客户最有可能流失。交易公司则可以使用股票的历史价格，在金融建模中预测未来价格。
与监督学习相对，非监督学习适用于对原始数据集了解不多的公司，用于探索数据——即便并不明确在寻找什么。聚类就是一种非监督学习算法示例，它会将数据归入非预先设定的类别。比如，一家电信公司拥有关于其客户的宝贵数据，但尚未找到细分客户的方法，此时可以使用非监督学习来识别具有不同特征的客户群。
非监督学习在发现关联关系方面也非常出色。在电商场景中，“喜欢商品 X 的人也喜欢商品 Y”这类推荐，往往是非监督学习技术揭示隐藏联系的结果。这类推荐可以成为有效交叉销售策略的基石。
构建数据驱动型组织
显然，迈向数据驱动能够为组织解锁诸多潜在收益。各职能团队可以从许多“低垂的果实”型数据用例入手，只要具备必要的入门技能即可实施。这正是DataCamp 企业版为需要提升员工数据技能的公司提供交互式学习平台的原因。其主题涵盖数据素养、数据科学、数据工程与机器学习，已有超过 1,600 家公司信赖 DataCamp 企业版以提升人才技能。
在“实现数据驱动”这一难以企及的目标驱动下，组织一直在不懈地积累数据、构建基础设施并吸引高技能人才。鉴于数据常被视为解决诸多问题的“银弹”，这些组织无疑走在正确的方向上。
然而，拥有合适的工具与人才并不意味着公司就天然是数据驱动的。迈向数据驱动的最大障碍在于构建数据文化——让每个人都将数据科学视为解决业务问题的方法论。事实上，任何立志成为数据驱动的组织，都需要先培育数据文化，推动全组织的数据素养，让每个人都具备完成其岗位所需数据任务的能力。这种根本性的思维转变对组织的目标而言是个不小的挑战。实际上，依据2018 年 Gartner 首席数据官调研，有 35% 的 CDO 认为低数据素养是规模化从数据中提取价值的最大挑战。
成为数据驱动并在规模上运用数据科学的益处众多且有据可查。下文概述了组织可以迅速采用、以便开始从数据中提取价值的四个数据科学领域，并辅以具体用例。
1. 通过数据可视化快速而简明地传达复杂洞见
交互式数据仪表板日益普及，因为它们让相关方可以轻松获取最新信息。
仪表板极其多变：既可以是公司长期“北极星”指标的望远镜，也可以是聚焦短期运营细节的显微镜。无论何种方式，它们都能帮助组织在更大范围内实现数据驱动决策。如今，许多零代码商业智能工具，如Tableau和Power BI，都具备直观的拖放式界面，便于构建强大的仪表板。另一方面，基于主流编程语言的开源包，如Python 的 plotly和R 的 Shiny，也为组织打造高度自定义的交互式可视化提供了低门槛。
2. 通过分析历史数据做出更优决策
数据驱动的公司会描述、归纳并理解其历史表现，并据此指导决策，以便强化有效做法并纠正无效方向。德勤的一项调查发现，约有一半公司认为分析带来的最大好处是促进更好的数据驱动决策。同时，62% 的公司认为数据对于推动业务战略至关重要。显而易见，数据正成为企业工具箱中愈发不可替代的利器。
数据驱动决策能够帮助组织维持并增强其竞争优势。举例而言，购物篮分析可助力实体零售商更好地优化线下空间布局，并为顾客创造更佳购物体验。营销人员可以分析历史邮件点击率，评估电子邮件营销活动的成效。财务分析师则可以将时间序列分析应用于历史数据，以优化预算规划。
当数据量较小时，此类历史数据分析可高效地在 Microsoft Excel 和 Google 表格等电子表格工具中完成。随着数据增长，使用R和Python等开源编程语言进行分析将更为高效。
3. 以统计思维补充现有领域专长
统计学可以简明扼要地概括大量数据。其最基础的是用于表示平均水平（如均值、众数和中位数）及偏离平均的程度（如标准差和方差）的汇总统计。这些汇总统计是箱线图等工具与相关系数等指标（用于衡量两个变量之间关系强度）的构建基石。例如，零售商可以计算不同商品购买之间的相关性，以优化交叉销售活动。市场研究人员可以利用联合分析，在推出新功能或调整产品定价之前确定理想的客户偏好组合。
对照实验可以帮助公司隔离变更的影响，在两个指标之间建立清晰的因果关系，并据此做出更好的决策。以统计为基础的对照实验，为验证或推翻领域专家的直觉提供了一种相对简单但严谨的方法。一个简单的例子是对电子邮件主题行进行A/B 测试，并选择点击率最高的版本。在 AirBnB，只有当实验确凿显示调整最高价格筛选器会提升转化率时，该变更才会向所有用户发布。在 Shutterstock，当实验提供了有力证据表明在搜索页图片上去除水印会降低转化率时，这一想法被否决。
4. 通过机器学习进行预测并发现新知识
公司可以利用历史数据，通过机器学习对未来进行预测。比如，借助监督学习（使用带标签数据训练算法以对数据进行分类或预测结果），组织可以基于客户的历史行为预测哪些客户最有可能流失。交易公司则可以使用股票的历史价格，在金融建模中预测未来价格。
与监督学习相对，非监督学习适用于对原始数据集了解不多的公司，用于探索数据——即便并不明确在寻找什么。聚类就是一种非监督学习算法示例，它会将数据归入非预先设定的类别。比如，一家电信公司拥有关于其客户的宝贵数据，但尚未找到细分客户的方法，此时可以使用非监督学习来识别具有不同特征的客户群。
非监督学习在发现关联关系方面也非常出色。在电商场景中，“喜欢商品 X 的人也喜欢商品 Y”这类推荐，往往是非监督学习技术揭示隐藏联系的结果。这类推荐可以成为有效交叉销售策略的基石。
构建数据驱动型组织
显然，迈向数据驱动能够为组织解锁诸多潜在收益。各职能团队可以从许多“低垂的果实”型数据用例入手，只要具备必要的入门技能即可实施。这正是DataCamp 企业版为需要提升员工数据技能的公司提供交互式学习平台的原因。其主题涵盖数据素养、数据科学、数据工程与机器学习，已有超过 1,600 家公司信赖 DataCamp 企业版以提升人才技能。