經常有新手同學問：數據分析到底是怎麼驅動決策的？今天用一個通俗的例子，讓大家看清楚數據驅動決策全流程。通過對比，你能發現：為啥你做不出驅動決策的分析結果。
某天，我餓了想吃飯。如果這一天毫無波瀾，我會下班徑直回家煮一鍋麵吃，我不需要任何人給我意見。
但是某天，我來廣州出差了。我不熟悉這個城市，我又很想嘗試點新東西，這就有了獲得意見的需要。這就是數據驅動的第一定律：熟練、簡單、毫無意外的業務，很少需要數據分析的支持；有挑戰的、有變化的、全新的業務，更需要數據支持。
於是我問本地的朋友「我想吃飯，有啥好吃的呀？」朋友反問「你想吃啥？」
這是數據驅動的第一步：提出決策目標。如果我說「隨便~~~」我的朋友會劈頭蓋臉「丟雷啊！隨便乜隨便！這是因為沒有目標的情況下，是根本沒法提建議的，決策目標是第一重要的。
可是我真的不熟悉本地，於是我問：「有什麼特色介紹呢？」朋友問了幾個問題，從大到小幫我圈定了範圍（如下圖）
這是第二步：清晰決策目標。
注意！清晰決策目標是數據分析的重大作用，很多時候，最初的業務目標可能是很模糊的，比如「有特色」。只有梳理清楚，落實到一個具體指標/標籤上，才好執行。
第三步：提出約束條件。
要吃飯，就得考慮下述因素：
1、幾個人吃
2、人均多少錢
3、有多長時間吃
4、環境要高大上還是接地氣
這些會影響到目標的達成和方案的選擇，必須要提前說清楚。限制條件一般都是和資源投入、完成時間、技術能力等等有關的變量。
第四步：羅列潛在方案。
現實世界中，潛在方案都是有限的。並且提約束條件的時候，「且」字越多，潛在方案越少。我想要一個超級美味且環境優雅且收費低廉且服務良好且就開在樓下的飯店，估計只有夢裡有。
因此做決策前，得先了解有哪些潛在方案。常見的有2種：
1、歷史經驗：「上次去過一家A飯店，很好吃」
2、市面了解：「看看大眾點評，發現還有BCD」
這一步非常重要！很多數據分析師不知道咋提決策建議，其實是因為他壓根就不知道業務是咋做的，也不知道有多少種做法。光看這結果數據，說：「收入低了，建議搞高」，肯定不是啥好建議。
第五步：選擇優化方案。
根據備選項的不同，篩選方案的方式有不同。
1、如果僅是ABCD四個飯店四選一，那麼這是典型的綜合評估問題。需要列評估指標，賦權重，收集評分，求解綜合得分。
2、如果是ABCD四條生產線，需要看怎麼分配資源產出最大，這是典型的優化求解問題，可以用線性規劃方法。
3、如果是ABCD四個營銷方案，以前都沒幹過，不確定哪個好，那麼得做測試。通過試點測試收集數據，這是一個測試問題。
三種思路對比如下圖：
這一步是極其需要數據輔助的，通過精細的計算，挑選一個最優方案再開始。
第六步：設定後備方案。
我們馬上要出門，發現天陰得厲害。這是考慮：
1、如果出門時不下雨，繼續去A飯店
2、如果出門時下雨，改去B飯店
3、如果出門走到一半下雨，改去C飯店
這樣設定好後邊方案，能更好應對變化。如果歷史數據積累多的話，還可以提前預判機率，選擇更好的方案（比如我朋友說「冇事慨，呢滴天氣無雨落慨」）
這一步不是必須的，只有很謹慎的，需應對較大不確定性的，長周期執行的項目（比如新車、新藥研發），才會有這麼詳細的準備。這麼干也非常燒錢，需要積累很多歷史數據，也需要不斷動態收集數據，判斷走勢。
這樣完成1到6步，就完成了決策制定的過程，後邊就是
第七步：過程監控
第八步：異常識別
第九步：問題分析
第十步：優化建議
整個數據驅動決策過程如下圖所示：
那麼，為什麼很多同學覺得自己沒做過呢？
一方面，可能是公司不行：領導喜歡拍腦袋，不懂科學方法，缺少數據積累，沒有測試意識，平時不讓數據參與，遇到麻煩才指望一個神奇模型一模把問題都解決了。
另一方面，可能是數據分析水平不行，不懂業務，不會溝通，不知道區分目標/限制條件/潛在方案，不會選擇合適的分析方法。
總之，兩頭有一頭出問題，都會導致數據驅動做不下去。