Mene ne data-driven decision making? Data-driven decision making shine aikin ɗaure yanke shawara a kan shaidar — abubuwan da aka kulla, mita, da takardu masu rubutu — maimakon saƙo, tsarin gudanarwa, ko muryar da ta fi kowa. Ya ɗaure ra'ayin ɗan adam a cikin shaidar da za a iya tabbatar da ita don haka shawara za ta iya bayyana da kare.
Data-driven decision-making cycle yana gudana a mataki: ƙayyade shawara da tambayar da ta yanke; tattara bayanan da shaidar da suka dace; canja shaidar zuwa hujjoji masu bayyana ga kowa da kowa; kimanta hujjoji kan inganci da nauyi; yanke shawara kan goyon baya; da rubuta shawara tare da shaidar da take gudana don haka sakamako za a iya sake duba shi daidai da abin da aka tabbatar. Data-driven decisions suna barin shaidar ya jagoranci, yayin da data-informed decisions ke ganin data a matsayin ɗaya daga cikin shigarwa tare da wurin aiki. Data-driven decisions har yanzu suna kasa nasara lokacin da data ake amfani da shi don tabbatar da sakamakon da aka riga an yanke, lokacin da hujjar da ke haɗa data da shawara ba a ta rubuta, ko lokacin da shaidar ta bata bayan taron — Argumentree ke goyon bayan data-driven decision making ta hanyar tsarin hujjoji da shaidar da suka dace cikin pro/con argument trees, nishadantar da hujjoji daga takardun da rubutun taro tare da AI, barin ƙungiya ƙidaya da ƙima kowace hujja don haka sakamako ya bi shaidar; kimanta goyon baya a matsayin hierarchical consensus scores, da kuma riƙe rubutun dukkan shawara da shaidar da take gudana — a duk faɗin 66 harsuna.
Mene ne Data-Driven Decision Making?
Data-driven decision making naɗa yanke shawara kan shaidar da takardu masu rubutu — ba saƙo, tsarin gudanarwa, ko muryar da ta fi kowa — don haka kowa shawara za ta iya bayyana da kare.
An sabunta ta karshe: 2026-07-02
TL;DR
Data-driven decision making (DDDM) naɗa yanke shawara a kan shaidar da aka ƙulla da hujjoji masu bayyana maimakon saƙo. Ba ya maye gurbin ra'ayi — ya jarabce ra'ayi da shaidar da za a iya tabbatar da ita, don haka shawara ta bi shaidar da ta fi kowa da kuma ta dore bayan an yanke ta.
Data-Driven Decision-Making Cycle
- 1
Ƙaddara yanke shawara
Ka bayyana tambayar da bayanai ya kamata su amsa da zaɓuɓɓukan da ake da su.
- 2
Tarar da shaida
Tattafa da ma'auni, gaskiya, da tushen da ke da alaƙa da kowane zaɓi.
- 3
Canja shaida zuwa jayayya
Juza bayanan raw zuwa dalilai na farko da kuma na adawa - bayanai suna da amfani kawai idan ya zama jayayya wanda mutum zai iya yin la'akari.
- 4
Gudanar da bincike da auna
Ka ƙima kowane jayayya akan daidaito da mahimmanci, don haka shaida mai ƙarfi ya fi na rauni daraja.
- 5
Yanke shawara kan tallafi gaba ɗaya
Ka cimma zaɓin da shaida mai auna ya fi goyon baya.
- 6
Riƙo da bincika
Ka riƙe yanke shawara tare da shaidar sa, sannan ka duba sakamakon akan abin da bayanai suka yi hasashen.
Data-Driven vs. Data-Informed
Yanke Shawara ne bisa bayanan
Shaida ce ke jagorantar. Ma'auni da jayyoyin da aka rubuta sune babban tushen zaɓi - tunani yana cike waƙoƙin da bayanai suka bar.
Yanke Shawara ne bisa bayanan
Bayani ɗaya daga cikin muhimman abubuwan shigar tare da ƙwarewa da yanayin. Yana iyakance kuma yana gwada tunanin maimakon maye gurbinsa. Yawancin yanke shawara masu ƙarfi suna nan.
Abokin Gaba na Data: HiPPO
Lokacin da babu data, ƙungiyoyi suna biyayya ga HiPPO — ra'ayin mutum da albashinsa ya fi kowa. Sunan an fi sani dashi a shekara ta 2006 ta masanin ilmin lissafi Avinash Kaushik, kuma ƙungiyar bincike ta Microsoft ta fi son shi har ta raba da dama dubban HiPPO stress toys don nuna dalili: ku bar saƙo ya yi ragadi kan shaidar.
Misalin tarihin ya fito daga Amazon. Wani injiniya ya ƙirƙiri nuna masu shawarwari na kayayyaki a kan abin da ke cikin cart ɗin siya. Babban jami'i — HiPPO — ya tsoro cewa zai rufe mutane daga siya kuma ya umarce a kashe shi. Jarabawar da aka yi ta nuna cewa shi ne abin alheri, kuma aka siyar da shi. Darasin da ya gina al'ada: barin data ya yi ragadi kan HiPPO.
Ba ya nan da al'ada — ya nuna a cikin lambobi. Wani bincike na 179 kamfanoni masu girma na jama'a da Brynjolfsson, Hitt & Kim (2011) ya gano cewa waɗanda suka ɗauki data-driven decision-making suna da aikin da aka fi kowa da samarwa kimanin 5–6% fiye da na sauran kasuwancinsu.
Me Yasa Data-Driven Decisions Har Yanzu Suna Kasa Nasara
Bayanan da aka zaɓa
An zaɓi shaida don tabbatar da kwatancen da aka riga an cimma.
Dalili ba a rubuta shi ba
Alaƙar daga bayanan zuwa yanke shawara tana cikin tunanin wani, don haka ba za a iya bincika ta ba.
Shaida an rasa bayan taron
Babbu wanda zai iya yin bincike akan yanke shawara saboda bayanan da jayyoyin sun ƙare.
Lokacin da Data ke Kasa: 4 Traps
"Data-driven" only helps if the data is telling the truth. Four ways it quietly doesn't: "Data-driven" ba zai taimaka ba idan data bata yi magana da gaskiya ba. Hanya huɗu da yake ƙarƙashin ƙasa bata yi magana:
Bais din Survivorship
A yakin duniya na biyu, masanin kididdiga Abraham Wald aka nuna inda ya kamata a kara kawar da bomaki, bisa ga inda jiragen saman da suka dawo suka fi samun harbi. Hakikinsa: ku kara kawar da wurare inda wadanda suka tsira babu harbi — jiragen da aka harbo a wajen ba su dawo ba. In ka duba kawai bayanan da suka "tsira" zai nuna maka kisa ga komai.
Mummunar Simpson
Trend din da ake gani a kowace kungiya zai iya juya lokacin da kungiyoyi suka hadu. Wani magani zai iya zama mafi kyau ga maza da kuma mafi kyau ga mata, amma mafi muni gaba daya — kawai saboda yadda kungiyoyi suka girma. Ku tarwatsa kawai kuma adadin zai juya a gare ka.
Kididdigar kishi
Lambar da ake iya dogara da ita kuma ta sa kowa ya farin ciki — jimillar suna shiga, ra'ayoyi na shafin — amma ba ta da alaka da shawara. Idan kididdiga ba ta iya canza abin da za ka yi, ita zogo ce, ba shaida ba.
Alaƙa ba tare da sababbi ba
Layin biyu suna tashi tare suna jawo labari na sababbi. Siyar da ice-cream da nutsewa a ruwa suna tashi a lokacin rani; daya ba ya sababta na karo. Aikatawa ne akan alaƙa kamar yadda ta ke sababbi shi ne yadda shawarwari masu karfin gwiwa, "da bayanai" har yanzu suka ci zamo.
Gyaran ba shi ne ƙarancin data — shi ne karamin aikin tambaya game da kowace lamba: wa ke ɓata waɗanda ba su cika ba, me ke haɗuwa tare, da shin za ta canza shawarar mu?
Yadda Argumentree Ya Sa Data-Driven Decisions
Data ya dace da shawara dai dai lokacin da ya zama hujja da za a iya ƙidaya da rubuta. Argumentree ya canja shaidar zuwa tsarin hujjoji, a kan argument mapping:
AI na cirewa daga takardu
Ciro jayyoyi da shaida mai goyon baya daga rahotanni, rubutu, da takardu - don haka bayanan da ke cikin ɗakin ya zama abin shigar da aka tsara, ba ƙwaƙwalwar da ta lalace ba.
Shaida a cikin itatuwan 'pro/con'
Kowane ɓangaren shaida yana zaune a matsayin jayayya a ƙarƙashin zaɓin da yake goyon baya ko ya yi adawa, don haka dukkan bayanan suna nan kuma an tsara su.
Ka ƙima, ka auna, kuma ka ba lodi
Membobin sun ƙima jayyoyi akan daidaito da mahimmanci; ƙimar na haɗuwa zuwa saman itatuwan zuwa ƙarar amincewa gaba ɗaya, don haka kwatancen ya bi shaida mai auna maimakon tabbatarwa.
Binciken baya zuwa bayanan
Sigar jayyoyi da tsarin rayuwar yanke shawara suna riƙe kowane zaɓi tare da shaidar da ke bayan sa - ana iya kare shi watanni daga bisani, a cikin harsuna 66.
Wani ɓangare na aikin yanke shawara da hujjoji na yanke shawara; duba yadda ƙungiyoyi ke ƙidaya shaidar tare a yanke shawara tare.
Me Yasa Ya Dace
Yanke Shawarar da za a iya kare
Kowane zaɓi ya koma zuwa shaida da jayyoyi da ke bayan sa.
Ƙarancin ɓatanci
Bayyanawa da ƙima na jayyoyi yana iyakance zaɓe da HiPPO (ra'ayin mutum mafi tsadar) sakamako.
Kogon koyo
Dalilin da aka riƙo ya ba ka damar kwatanta sakamakon da hasashen kuma yanke shawara mai kyau a karon gaba.
Al'adun Tambayoyi
Menene yanke shawara ne bisa bayanan?
Yanke Shawara ne bisa bayanan (wanda a wasu lokuta ana taƙaitar da DDDM) shine al'ada na dogaro da zaɓe akan shaida - gaskiya, ma'auni, da jayyoyi da aka rubuta - maimakon tunani, jerin gwagwarmaya, ko murya mafi ƙarfi. Ba ya cire tunanin ɗan adam; yana sanya tunanin a cikin abubuwan shigar da za a iya tabbatarwa don yanke shawara kuma ana iya kare shi.
Menene matakan yanke shawara ne bisa bayanan?
Ƙungiya na al'ada: (1) ƙaddara yanke shawara da tambayar da ya kamata ya amsa; (2) tattaro bayanan da shaida mai dacewa; (3) juza wannan shaida zuwa jayyoyi na farko da kuma na adawa ga kowane zaɓi; (4) gudanar da bincike akan jayyoyin a kan inganci da nauyi; (5) yanke shawara bisa tallafi gaba ɗaya; da (6) riƙo da yanke shawara da shaida don an iya yin binciken sakamakon akan abin da aka hasasa.
Menene bambancin tsakanin yanke shawara ne bisa bayanan da kuma yanke shawara ne bisa bayanan?
Yanke Shawarar ne bisa bayanan ya bar shaida su jagoranta - lambobin da jayyoyi da aka rubuta sune babban tushen zaɓi. Yanke Shawara ne bisa bayanan yana ɗaukar bayani a matsayin ɗaya daga cikin muhimman abubuwan shigar tare da ƙwarewa da yanayi. A aikace, yawancin yanke shawara masu kyau suna da bayani: bayanin yana iyakance kuma yana gwada tunanin maimakon maye gurbinsa.
Me ya sa yanke shawara ne bisa bayanan har yanzu ba su yi nasara?
Suna kasa lokacin da aka yi amfani da bayanan a hanyar da ake zaɓe don tabbatar da kwatancen da aka riga an cimma, idan dalilin da ke haɗa bayanan zuwa yanke shawara ba a rubuta shi ba, ko idan an rasa shaida bayan taron don ba a iya yin bincike akan yanke shawarar. Bayani kawai yana inganta yanke shawara idan jayyoyin da aka gina a kansu an bayyanasu, an yi musu la'akari a bainar fage, kuma an riƙo su.
Yaya software ke tallafa wa yanke shawara ne bisa bayanan?
Software na yanke shawara yana juza shaida mai raw zuwa tsarin da za ka iya yin tunani a kanshi: ya tsara jayyoyi da bayanan da ke goyon baya a cikin itatuwan 'pro/con', ya ba ƙungiya damar ƙima da auna kowane jayayya, ya auna tallafi gaba ɗaya don kwatancen ya bi shaida, kuma yana riƙe bincike mai nuna alaƙa tsakanin yanke shawara zuwa bayanan da ke bayan sa. Argumentree na ƙara cire AI na jayyoyi daga takardu da rubutu, tare da tallafin harshe 66.
Manazarta & Karatu na Gaba
Brynjolfsson, E., Hitt, L. M., & Kim, H. H. (2011). Karfi a cikin Adadi: Yadda Ayyuka na Shiri na Data ke Tasiri ga Ayyuka na Kamfanoni? SSRN Working Paper.
Karatu a kan kamfanoni 179 masu girma wanda aka gano ~5-6% karin fita da samarwa ga wanda ya karbi DDDM.
View source →Kaushik, A. (2007). Web Analytics: Sa'a Daya a Rana. Sybex.
Ya yaɗa HiPPO - Ra'ayin Mafi Alhakin Mace.
Kohavi, R., Tang, D., & Xu, Y. (2020). Gwaji mai Amana a Yanar Gizo. Cambridge University Press.
Yadda gwaji mai kunshe ke mulkin HiPPO, daga shugaban gwaji a Microsoft da Amazon.
View source →Provost, F., & Fawcett, T. (2013). Kimiyyar Data don Kasuwanci. O'Reilly Media.
Game da haɗin data da shawara - bambancin tsakanin data-driven da data-informed.
Mangel, M., & Samaniego, F. J. (1984). Aikin Abraham Wald akan Aircraft Survivability. Journal of the American Statistical Association, 79(386), 259-267.
Hukuncin asali game da WWII bomber-armor analysis behind survivorship bias.
View source →Simpson, E. H. (1951). Tsarin Tsarin Tsarin a cikin Contingency Tables. Journal of the Royal Statistical Society: Series B, 13(2), 238-241.
Asalin Simpson's paradox.
View source →Ɗaure shawararku a kan shaidar
Canja takardun, rubutun taro, da mita zuwa hujjoji masu tsari da ƙungiyarku za su iya ƙidaya da tabbatar. Fara yanke shawara tare da data a Argumentree.
Fara Kyauta