Data Driven

解决什么问题：让决策基于事实而非感觉—— 没有数据驱动 = 凭经验 / 谁嗓门大谁说了算；有了数据驱动 = "数据说了什么"比"我觉得"更重要。

它是什么

数据驱动（Data Driven） 是决策基于数据而非直觉的方法论—— 包括数据采集、指标体系、分析方法、决策流程。

数据驱动 ≠ 看见数据就完事

完整循环：
  假设 ──→ 实验 ──→ 数据 ──→ 分析 ──→ 决策 ──→ 行动
    ↑                                                    │
    └──────────────── 学习（反馈回假设）──────────────────┘

EDM Ch 17（"Conclusion: The Data-Driven Future"）： "The data communication layer extends the power of an organization's data to any service or team that requires it... data-driven architectures are not optional — they are the foundation of modern engineering decisions."

V2 视角（V2 B2 + B5）：数据驱动是"接受现实校正"的工程化—— V2 B2 说"模型不是现实"，数据驱动就是让模型持续被现实打脸、修正、再打脸。

关键属性

属性	值/含义
数据可获得	决策所需的数据必须能拿到（采集 + 存储 + 查询）
指标体系	核心指标清晰、可量化、可分解
因果分析	区分相关 vs 因果（最难的部分）
可证伪	假设必须能用数据证伪
可重复	同一份数据，不同人能得出相同结论
时效	数据从产生到分析 < 决策容忍周期
可行动	分析结果能转化为具体行动
诚实	不喜欢的结论也接受（最难的文化）

怎么用

场景 1：建立数据驱动的决策流程

1. 提出假设：
   "我相信新首页会提升 5% 转化率"

2. 设计实验 / 观测：
   - A/B 测试（首选）
   - 或对照分析（次选）

3. 收集数据：
   - 用户行为埋点
   - 业务事件流

4. 统计分析：
   - 显著性检验（p < 0.05）
   - 效应量（提升 ≥ 5%）

5. 决策：
   - 假设成立 → 全量发布
   - 假设不成立 → 重新提假设
   - 数据不足以判断 → 扩大样本 / 延长实验

6. 行动后验证：
   - 全量后实际效果是否与实验一致？

场景 2：从"凭感觉"到"凭数据"的常见迁移

凭感觉决策                          数据驱动决策
─────────────────────────────────────────────────────
"用户喜欢这个功能"        →         "使用率 35% / 留存率 60%"
"这个 bug 很小"           →         "影响 2% 用户 / 转化率 -1%"
"再加个人手"               →         "人均产出 30 故事点 / 月"
"系统还行"                →         "P99 延迟 180ms / 错误率 0.05%"
"用户体验好"              →         "NPS 42 / 7 日留存 65%"
"上线没问题"              →         "灰度 1% → 5% → 20% 数据无异常"

关键：数据驱动不是说"感觉不重要"—— 是把感觉变成可验证的假设，让数据裁决。

场景 3：常见的数据分析陷阱

陷阱 1：相关性 ≠ 因果
  现象：首页改版后转化率提升 5%
  但：可能是双 11 大促造成的，不是改版
  解法：控制变量 / A/B 测试

陷阱 2：辛普森悖论
  现象：整体转化率下降
  但：分群看，每群都提升
  解法：分群分析 / 明确定义分群

陷阱 3：幸存者偏差
  现象：投诉工单减少
  但：用户流失了（不走投诉直接走）
  解法：结合活跃用户数 / 留存率一起看

陷阱 4：只看平均值
  现象：平均延迟 100ms
  但：P99 是 2s（用户体验差）
  解法：用分位数，不用平均数

场景 4：数据驱动 ≠ 数据说了算

数据告诉你的           数据告诉不了你的
─────────────────────────────────────────────────
"X 更好"               "我们应不应该做 X"
"用户喜欢 Y"            "用户长期会不会厌倦 Y"
"Z 能提升 5%"          "Z 的成本是否值得 5%"
"现状是 A"             "A 是否是合理的目标"
"实验有效果"            "效果能否持续 / 可复现"

原则：数据驱动决策，不是数据替代决策—— 涉及价值判断、长期影响、用户情感的部分，必须有人来定。

常见误区

"数据越多越好"——错。数据质量 > 数据量——噪声数据越多，决策越差
"指标体系一次建好"——错。V2 B7：业务演化 → 指标定义演化
"数据驱动 = BI 报表"——错。BI 报表是看数据的工具，数据驱动是决策方法论
"数据说了算 = 工程师没用了"——错。提出假设、设计实验、解读数据都需要工程师
"数据驱动 = 慢"——错。好的数据基础设施让决策更快—— 没有数据时，决策靠争论（更慢）

关键洞察

数据驱动 = 把"感觉"变成"可验证的假设"，让数据裁决。
它不是"取消人的判断"，而是让人的判断建立在可验证的基础上。 数据驱动的反义词不是"经验驱动"，是"假设不验证"—— 经验丰富的人提的假设更准，但他们仍然用数据验证。

Data Driven ​

它是什么 ​

关键属性 ​

怎么用 ​

场景 1：建立数据驱动的决策流程 ​

场景 2：从"凭感觉"到"凭数据"的常见迁移 ​

场景 3：常见的数据分析陷阱 ​

场景 4：数据驱动 ≠ 数据说了算 ​

常见误区 ​

关键洞察 ​

相关链接 ​