Ano ang pagpapasya sa datos? Ang pagpapasya sa datos ay ang praktykang nakabatay sa mga ebidensya — mga katibayan na matematikal, mga katibayan, at mga dokumentadong mga argumento — sa halip na sa pakiramdam, sa hiyerarhiya, o sa pinakamalakas na tinig. Nagpapalubha ito sa mga pagpapasya ng tao sa mga katibayan na maaaring tinukoy at tinutukoy.
Ang siklo ng pagpapasya sa datos ay sumasailalim sa mga hakbang: itaguyod ang pagpapasya at ang tanong na dapat sagutin; maghanap ng mga katibayan at mga ebidensya na may kinalaman; isalin ang mga ebidensya sa mga dokumentadong mga argumento para at laban sa bawat opsyon; pagsabihan ang mga argumento sa kalidad at timbang; desisyunan sa pamamagitan ng suporta sa net; at maglahad ng pagpapasya at ang mga ebidensya nito upang ang resulta ay maaaring isang ulit na tinutukoy laban sa mga inaasahang resulta.
Ano ang Pagpapasya sa Datos?
Ang pagpapasya sa datos ay nakabatay sa mga ebidensya at mga dokumentadong mga argumento — hindi sa pakiramdam, sa hiyerarhiya, o sa pinakamalakas na tinig — upang ang bawat pagpapasya ay maaaring tinukoy at tinutukoy.
TL;DR
Ang pagpapasya sa datos (DDDM) ay nagpapalubha sa isang pagpapasya sa pamamagitan ng mga katibayan na matematikal at mga dokumentadong mga argumento sa halip na sa pakiramdam. Hindi ito naglalayong tanggalin ang pagpapasya ng tao — ito ay tinest ang pagpapasya ng tao sa mga katibayan na maaaring tinukoy at tinutukoy, upang ang pagpapasya ay sumunod sa pinakamalakas na mga ebidensya at nananatiling maaaring tinukoy at tinutukoy matapos itong gawin.
Ang Siklo ng Pagpapasya sa Datos
- 1
Tukoy ang desisyon
I statement ng tanong ang kailangan sagutin ng datos at mga opsyon sa talaan.
- 2
Magkolekta ng ebidensya
Kumolekta ng mga metriko, katotohanan, at mga pinagmumulan na may kinalaman sa bawat opsyon.
- 3
Pagsasalin ng ebidensya sa mga argumento
Pagsasalin ng mga datos sa mga eksplisitong dahilan para at laban — ang datos ay may kahalagaan lamang kapag naging isang argumento na maaaring pagtantiya.
- 4
Pagsusuri at pagpapahalaga
Pagsusuri ng mga argumento sa pagkakataong at pagpapahalaga, kaya ang mahusay na ebidensya ay may halaga kaysa sa mahina.
- 5
Pagpasya sa suporta sa neto
Pagkakaroon ng pagkakaisa sa opsyon na pinoprotekta ng ebidensya na pinakamahusay.
- 6
Pagrekord at pagpapabatid
Pangangalaga ng desisyon na nauugnay sa kaniyang ebidensya, at pagpapabatid ng resulta laban sa kung ano ang inaasahang nangyari.
Pagpapasya sa Datos vs. Pagpapasya sa Datos
Dedependente sa datos
Ang ebidensya ang humahawak. Ang mga metriko at mga dokumentadong mga argumento ang pangunahing batayan para sa pagpili — ang pagtantiya ang pumupuno sa mga pagkakataong hindi inaayos ng datos.
Dedependente sa datos
Ang datos ay isang mahalagang input kasama ang karanasan at konteksto. Ang datos ay humahadlang at tumutest sa pagtantiya kaysa sa pagbabawasan nito. Ang mga mahusay na desisyon ay nasa lugar na ito.
Ang Katapat ng Datos: ang HiPPO
Kapag walang datos, ang mga grupo ay sumusunod sa HiPPO — ang 'Pinakamataas na Bayarin ng Tungkulin ng Pagpapasya.' Ang termino ay pinopopular nang 2006 ng eksperto sa analytics na si Avinash Kaushik, at ang isang grupo ng pananaliksik ng Microsoft ay nagustuhan ito nang sapat upang magbigay ng libu-libong mga toy ng HiPPO upang magtayo ng punto: huwag mong pahintulutan ang katayuan ng senioridad na pumalubha sa mga ebidensya.
Ang klasikong halimbawa ay nagmula sa Amazon. Ang isang inhinyero ay nag-prototype ng pagpapakita ng mga rekomendasyon ng produkto batay sa mga nasa shopping cart. Ang isang senior executive — ang HiPPO — ay nag-alala na ito ay magpapalubha sa mga tao mula sa pagpapakita ng mga produkto at nag-utos na ito ay tanggalin. Ang isang kontroladong pagtatasa ay nagpapakita na ito ay napakalaki, at ito ay naitala. Ang leksyon na nagtayo ng kultura: huwag mong pahintulutan ang mga ebidensya na pumalubha sa HiPPO.
Hindi ito lamang kultura — ito ay lumilitaw sa mga numero. Ang isang pagtatasa ng 179 malalaking pampublikong kompanya ng Brynjolfsson, Hitt & Kim (2011) ay nagpapakita na ang mga kumpanya na nagpapasya sa datos ay may output at produktibidad na 5–6% mas mataas kaysa sa inaasahang batayan sa iba pang mga pagkakautang.
Kung Bakit Ang Pagpapasya sa Datos Pa Rin ay Nagkakasakit
Ang datos ay pinili
Ang ebidensya ay pinili upang magbigay ng isang pagtatapos na nangyari na.
Ang pagtantiya ay hindi naitala
Ang link mula sa datos hanggang sa desisyon ay nasa ulo ng tao, kaya hindi ito maaaring tinignan.
Ang ebidensya ay nawala pagkatapos ng pagpupulong
Walang makakapag-audit ng desisyon dahil ang datos at mga argumento ay nawala.
Kung Paano Ang Argumentree ay Nagpapalubha sa Pagpapasya sa Datos
Ang datos ay nagpapalubha sa isang pagpapasya lamang kapag ito ay naging isang argumento na maaaring tinukoy at tinutukoy. Ang Argumentree ay nagpapalubha sa mga ebidensya sa isang pagpapasya sa pamamagitan ng pagtatayo ng mga argumento at mga katibayan sa mga pro/con argument trees:
Ang pag-extract ng AI mula sa mga dokumento
Ang mga argumento at kanilang mga ebidensya ay inilalabas nang diretso mula sa mga ulat, mga transkrip, at mga dokumento — kaya ang datos sa loob ay naging isang strukturang input, hindi isang nawawalang alaala.
Ang mga ebidensya sa mga punong kontra
Ang bawat bahagi ng ebidensya ay nasa isang argumento sa ilalim ng opsyon na sinusuportahan o tinutol.
Ang pagpapahalaga, pagpapahalaga, at pagpapahalaga
Ang mga partisipante ay nagpapahalaga ng mga argumento sa pagkakataong at pagpapahalaga; ang mga pagpapahalaga ay nagag aggregate sa punong neto ng mga konsensya, kaya ang kinalabasan ay sumusunod sa ebidensya, hindi sa pagtantiya.
Ang audit trail mula sa datos
Ang pagbabago ng mga argumento at ang buhay ng desisyon ay nagpapangalaga ng bawat pagpili na nauugnay sa kaniyang ebidensya — mapanatili ang desisyon sa loob ng ilang buwan.
Bahagi ng mas malawak na praktis ng pagsasagawa ng desisyon at kaalaman sa desisyon; tingnan din kung paano ang mga pangkat nagpapahalaga ng ebidensya sa pagsasama ng desisyon.
Kung Bakit Ito ay Worth It
Ang mga desisyon na mapanatili
Ang bawat pagpili ay nagpapakita ng kaniyang ebidensya at mga argumento.
Ang pagkawala ng bias
Ang pagpapakita at pagpapahalaga ng mga argumento ay nagpapabawas sa pagpili ng datos at sa mga epekto ng HiPPO (ang pinakamataas na pinili ng tao).
Ang loop ng pagtuturo
Ang pagrekord ng pagtantiya ay nagpapahintulot sa pagkumpara ng mga kinalabasan sa mga inaasahang nangyari at pagpapasya ng mas magandang pagpili sa susunod.
Ang Mga Katanungan na Madalas Na Tinatanong
Ano ang data-driven decision making?
Ang data-driven decision making (mga pagpili na may datos) ay ang pagpapasya ng mga pagpili sa ebidensya — ang mga katotohanan na mabatay, mga metriko, at mga dokumentadong mga argumento — kaysa sa pagtantiya, hierarkiya, o sa pinakamalakas na boses. Hindi ito nagpapalayo sa pagtantiya; ito ay nagpapalayo sa pagtantiya sa mga pinagmumulan na maaaring tinignan.
Ano ang mga hakbang ng data-driven decision making?
Ang isang karaniwang siklo: (1) tukoy ang desisyon at ang tanong na kailangan sagutin; (2) magkolekta ng mga datos at ebidensya na may kinalaman; (3) pagsalin ng mga ebidensya sa mga eksplisitong mga argumento para at laban sa bawat opsyon; (4) pagsusuri ng mga argumento sa pagkakataong at pagpapahalaga; (5) pagpasya sa suporta sa neto; at (6) pagrekord ng desisyon at kaniyang ebidensya upang ang kinalabasan ay maaaring pagtignan laban sa kung ano ang inaasahang nangyari.
Ano ang pagkakaiba sa pagitan ng mga desisyon na may datos at may datos na pinagpapalagay?
Ang mga desisyon na may datos ay nagpapalayo sa ebidensya — ang mga metriko at mga dokumentadong mga argumento ay ang pangunahing batayan para sa pagpili. Ang mga desisyon na may datos na pinagpapalagay ay nagtuturing ng datos bilang isang mahalagang input kasama ang karanasan at konteksto. Sa praktika, ang mga mahusay na desisyon ay nasa lugar na ito.
Bakit ang mga desisyon na may datos ay nangangailangan pa rin ng pagkawala?
Ang mga desisyon na may datos ay nangangailangan pa rin ng pagkawala kapag ang datos ay pinili upang magbigay ng isang pagtatapos na nangyari na, kapag ang pagtantiya ay hindi naitala, o kapag ang ebidensya ay nawala pagkatapos ng pagpupulong. Ang datos ay nagpapabuti sa mga desisyon lamang kapag ang mga argumento na itinataguyod nito ay pinapakita, pinagsusuri, at naitala.
Paano ang software ay sumusuporta sa data-driven decision making?
Ang software ng desisyon ay nagpapalayo ng mga datos sa isang strukturang maaaring tinignan: ito ay nagpapalayo ng mga argumento at kaniyang mga ebidensya sa mga punong kontra, nagpapahalaga ng mga argumento sa pagkakataong at pagpapahalaga, nagpapabuti ng mga neto ng mga konsensya upang ang kinalabasan ay sumusunod sa ebidensya, at nagpapangalaga ng audit trail na nagpapakita ng kaniyang ebidensya. Ang Argumentree ay nagpapalayo ng pag-extract ng AI ng mga argumento mula sa mga dokumento at mga transkrip, pati na rin ang suporta sa 66 wika.
Igwa ng mga pagpapasya sa datos sa mga ebidensya
Isalin ang mga dokumento, mga transcript, at mga katibayan sa mga argumento na maaaring tinukoy at tinutukoy ng inyong pangkat. Magsimula ng pagpapasya sa datos sa Argumentree.
Magsimula ng Libre