Цикл принятия решений на основе данных проходит поэтапно: определите решение и вопрос, который оно должно решить; соберите соответствующие данные и доказательства; преобразуйте эти доказательства в явные аргументы за и против каждого варианта; оцените аргументы по качеству и весу; принимайте решение на основе общего веса; и запишите решение вместе с его доказательствами, чтобы результат можно было проверить по сравнению с тем, что было предсказано. Принятие решений на основе данных позволяет доказательствам руководить, в то время как принятие решений на основе данных информирует данные как один из входных данных вместе с опытом. Принятие решений на основе данных все равно проваливается, когда данные используются избирательно для обоснования уже достигнутого вывода, когда логика, связывающая данные с решением, никогда не записывается, или когда доказательства теряются после встречи. Argumentree поддерживает принятие решений на основе данных, организуя аргументы и их подтверждающие доказательства в деревьях «за/против», извлекая аргументы из документов и протоколов встреч с помощью AI, позволяя группе оценивать и взвешивать каждый аргумент, чтобы вывод следовал доказательствам, измеряя общий вес как иерархические коэффициенты согласия, и сохраняя полный журнал аудита, который связывает каждое решение с данными, на которых оно основано — по 66 языкам.

Принятие решений на основе данных основано на доказательствах и документированных аргументах — а не на интуиции, иерархии или голоса, который громче всех — так, чтобы каждое решение можно было объяснить и защитить.
Последнее обновление: 2026-07-02
Принятие решений на основе данных (DDDM) обосновывает выбор в измеримых доказательствах и явных аргументах, а не на интуиции. Это не заменяет суждение — оно тестирует суждение на проверяемые входные данные, так, чтобы решение следовало сильнейшим доказательствам и оставалось обоснованным долгое время после принятия.
Укажите вопрос, на который должна ответить данная информация, и варианты, которые есть в наличии.
Соберите метрики, факты и источники, которые имеют отношение к каждому варианту.
Данные имеют значение только тогда, когда они преобразованы в явные причины за и против.
Оцените каждую аргументацию по точности и актуальности, чтобы сильные доказательства считались важнее слабых.
Приходите к выводу о том, какой вариант поддерживает взвешенные доказательства.
Сохраняйте решение, связанное с доказательствами, а затем проверяйте результат в сравнении с тем, что предсказывала данная информация.
Доказательства ведут. Метрики и документированные аргументы являются основным основанием для выбора — суждение заполняет пробелы, оставленные данными.
Данные являются одним из важных входных данных, помимо опыта и контекста. Они ограничивают и проверяют суждение, а не заменяют его. Большинство сильных решений находятся здесь.
Когда нет данных, группы отдают приоритет HiPPO — высшему платному лицу. Термин был популяризирован в 2006 году экспертом в области аналитики Авинашем Каушиком, и исследовательская группа Microsoft так понравилась, что они раздали тысячи игрушек HiPPO, чтобы подчеркнуть важность: не давайте высшему платному лицу преобладать над доказательствами.
Классический пример — Amazon. Инженер прототипировал демонстрацию рекомендаций товаров на основе того, что есть в корзине покупателя. Высшее руководство — HiPPO — опасалось, что это отклонит людей от оформления заказа и приказало убрать его. Простое контролируемое испытание показало, что это было wildly успешно, и оно было отправлено. Урок, который построил культуру: давайте доказательствам преобладать над HiPPO.
Это не только культура — это и показывает в цифрах. Исследование 179 крупных общественных компаний Бриньольфссоном, Хитом и Кимом (2011) показало, что те, кто принимает решения на основе данных, имели выход и производительность примерно на 5–6% выше, чем ожидалось, учитывая их другие инвестиции.
Доказательства выбираются для обоснования уже достигнутого вывода.
Связь между данными и решением существует в голове человека, поэтому ее невозможно проверить.
Никто не может проверить решение, потому что данные и аргументы исчезли.
"Данные-ориентированный" подход помогает только в том случае, если данные говорят правду. Четыре способа, которыми они тихо не соответствуют действительности:
В ВМВ статистик Абрахам Уолд был попрослен указать, где добавить броню к бомбардировщикам, основываясь на том, где возвращающиеся самолеты были наиболее часто поражены. Его прозрение: бронировать места, где у выживших не было попадания — самолеты, пораженные в этих местах, никогда не возвращались. Смотрение только на данные, которые "выжили", указывает вам точно в неправильном направлении.
Тренд, видимый в каждой подгруппе, может обратиться, когда группы объединяются. Лечение может выглядеть лучше для мужчин и лучше для женщин, но хуже в целом — чисто из-за того, как размерируются группы. Слияние бездумно и цифра переворачивается на вас.
Цифры, которые надежно растут и делают всех чувствовать себя хорошо — общее количество регистраций, просмотров страниц — но не связаны с принятием решений. Если метрика не может изменить то, что вы бы сделали, это украшение, а не доказательство.
Две линии, движущиеся вместе, заманивают к причинной истории. Продажи мороженого и утопления оба растут летом; ни одно не вызывает другое. Действие на корреляцию как если бы она была причиной — это то, как уверенные, "обоснованные данными" решения все равно идут не так.
Исправление не в меньшем количестве данных — а в дисциплине задавать вопрос о каждом числе: кто отсутствует в нем, что объединяется, и изменило бы это наше решение?
Данные улучшают решение только тогда, когда они становятся аргументом, который можно взвесить и записать. Argumentree преобразует доказательства в структурированное рассуждение, построенное на картах аргументов:
Вытягивайте аргументы и их подтверждающие доказательства прямо из отчетов, протоколов и документов — так, чтобы данные в комнате становились структурированным вводом, а не потерянной памятью.
Каждое доказательство находится как аргумент под вариантом, который оно поддерживает или противоречит, так чтобы вся база доказательств была видима и структурирована.
Участники оценивают аргументы по точности и актуальности; оценки agregiruyutsya вверх по дереву в общую оценку, так чтобы заключение следовало взвешенным доказательствам, а не утверждению.
Версия аргументов и жизненный цикл принятия решений сохраняют каждое решение, связанное с доказательствами за ним — обоснованное через несколько месяцев, на 66 языках.
Является частью более широкой практики принятия решений и анализа данных для принятия решений; также см., как команды совместно оценивают имеющиеся данные в процессе совместного принятия решений.
Каждый выбор отслеживается до доказательств и аргументов, которые его подтверждают.
Отображение и оценка аргументов помогает избежать выбора на основе личных мнений и эффекта HiPPO.
Записанная логика позволяет сравнивать результаты с прогнозами и принимать более обоснованные решения в будущем.
Принятие данных-ориентированных решений (иногда сокращается до DDDM) — это практика принятия решений на основе доказательств — измеренных фактов, метрик и документированных аргументов — а не на основе интуиции, иерархии или голоса, который шумит наибольшей. Это не исключает человеческий фактор; оно основано на проверяемых входных данных, чтобы решение можно было объяснить и защитить.
Обычный цикл: (1) определите решение и вопрос, который оно должно решить; (2) соберите соответствующие данные и доказательства; (3) превратите эти доказательства в явные аргументы за и против каждого варианта; (4) оцените аргументы по качеству и весу; (5) принимайте решение на основе общего веса; и (6) запишите решение и его доказательства, чтобы результат можно было проверить на соответствие предсказанным результатам.
Данные-ориентированные решения позволяют доказательствам вести — числа и документированные аргументы являются основным основанием для выбора. Данные-ориентированные решения рассматривают данные как один важный входной параметр вместе с опытом и контекстом. На практике большинство хороших решений являются данными-ориентированными: данные ограничивают и проверяют суждение, а не полностью его заменяют.
Они проваливаются, когда данные используются для обоснования уже достигнутого вывода, когда логика, соединяющая данные с решением, никогда не записывается, или когда доказательства теряются после встречи, чтобы решение не могло быть проверено. Данные улучшают решения только в том случае, если аргументы, построенные на них, surface, оцениваются открыто и записываются.
Программное обеспечение принятия решений преобразует raw данные в структуру, которую можно рассуждать: оно организует аргументы и их поддерживающие данные в деревья за/против, позволяет группе оценивать и взвешивать каждый аргумент, измеряет общую поддержку, чтобы вывод следовал доказательствам, и сохраняет журнал аудита, связывающий решение с данными, которые его поддерживают. Argumentree добавляет AI-выделение аргументов из документов и транскриптов, а также поддержку 66 языков.
Brynjolfsson, E., Hitt, L. M., & Kim, H. H. (2011). Сила в цифрах: Как влияет принятие решений на основе данных на результаты деятельности фирм? SSRN Working Paper.
Изучение 179 крупных фирм, в результате которого было обнаружено увеличение на ~5-6% выхода и производительности для принявших DDDM.
View source →Kaushik, A. (2007). Веб-аналитика: один час в день. Sybex.
Популяризировал HiPPO - мнение самого высокооплачиваемого человека.
Kohavi, R., Tang, D., & Xu, Y. (2020). Надежные онлайн-контролируемые эксперименты. Cambridge University Press.
Как контролируемые эксперименты отменяют HiPPO, от лидера экспериментирования в Microsoft и Amazon.
View source →Provost, F., & Fawcett, T. (2013). Наука о данных для бизнеса. O'Reilly Media.
О соединении данных с решениями - разница между данными, управляемыми данными, и информированными данными.
Mangel, M., & Samaniego, F. J. (1984). Работа Абрахама Вальда по выживаемости самолетов. Journal of the American Statistical Association, 79(386), 259-267.
Авторитетный отчет об анализе бомбардировщиков Второй мировой войны, лежащий в основе предвзятости выживаемости.
View source →Simpson, E. H. (1951). Интерпретация взаимодействия в таблицах сопряженности. Journal of the Royal Statistical Society: Series B, 13(2), 238-241.
Происхождение парадокса Симпсона.
View source →Переведите отчеты, транскрипты и метрики в структурированные аргументы, которые ваша команда может взвесить и проверить. Начните принимать решения с помощью данных на Argumentree.
Начать Бесплатно