人人都在談資料驅動，如資料化管理、資料驅動的運營、或者資料驅動的測試等，關於資料驅動的應用的討論很多，但關於資料驅動基本原理的討論較少，本文試圖追根溯源，談一談資料驅動的基本原理：資料如何驅動？能夠驅動什麼？

談原理之前，先說一個我個人的經歷。

有一次我老婆從首都機場T3航站樓回家，我幫她叫了一個滴滴，後來我看到賬單顯示是80多元，路程是20多公里，而我家離機場不過7-8公里，一般滴滴專車的費用是40多元，顯然司機是繞路了，滴滴的APP上同時也顯示了一條資訊，大致意思是：車費異常，是否需要申訴？

我點選了“需要申訴”，滴滴APP立刻彈出一個介面，大意是：您有很好的信譽記錄，接受您的申訴，此次收費按42元計算（具體數字忘了，反正是按正常的計費水平）。

當時覺得，哇，滴滴這個功能太牛了，給客戶的體驗太好了！

試想一下，在滴滴之前打出租車，類似狀況是完全不同的場景：

1，  你可能根本不知道司機繞路了

2，  你事後發現司機繞路了，但你下車時忘了要票據，無法舉證

3，  你當時就發現司機繞路了，跟司機要了票據，但票據上只有里程和時間，而沒有出發地點、目的地和行車路線，你無法證明司機繞了路

而滴滴則徹底改變了這一狀況：主動提醒你是否需要投訴，你提出申訴後，立刻就做出令你滿意的處理！

滴滴的投訴處理如此貼心而智慧，它是怎麼做到的呢？如果我們對資料，以及資料與資訊、知識和人工智慧的關係有一些基本的瞭解，就能理解滴滴這種投訴處理的運作機制。

資料金字塔可以幫助我們理解資料與資訊、知識和人工智慧的關係。

資料本身是沒有意義的，如果它不能轉化為資訊和知識的話；但如果沒有資料，或者資料匱乏，資訊和知識的產生也就成了無水之源。

• 如果你經歷了某件事，把它記錄下來。

• 如果你記錄了某件事，把它上傳。

• 如果你上傳了某件事，分享它。

這意味著每個人都成為資料的採集、處理和分享者。

在上述滴滴的例子裡，滴滴顯然做到了這一點：乘客的所有用車經歷都由系統做了記錄、上傳和分享。

企業在資料層面存在的兩個問題

1. 資料存在缺失：

比如我所服務的一家網際網路公司，他們就沒有關於客戶推薦的資料（有多少客戶向他人推薦了產品），這是一個很小的例子，但資料缺失是企業普遍存在的現象，原因在於目前企業所擁有的資料主要來自於各業務系統, 如 CRM 和 ERP 等，而業務系統是為完成特定業務而設計的，資料只是副產品而已，必然導致決策所需的一些資料是缺失的；

2. 資料採集的無效性：

傳統企業很重視資料的採集，例如他們會要求門店的員工將接待客戶的相關資訊記錄下來，但所記錄的資料質量不高，用途極有限，這裡面原因有二：

一是採用紙筆或者Excel來記錄，過程比較麻煩

二是他們只是單純的資料採集、處理和分享，但資料的應用卻基本和他們無關，員工採集資料只是應付了事，缺乏內在的動力。

網際網路公司也同樣存在資料採集無效的情況，如一家網際網路公司通過QQ和潛在客戶溝通，他們所瞭解到的客戶需求資訊記錄都在QQ裡，如果要想過一段時間再跟進某個客戶，往往很難找到這個客戶的相關資訊，QQ裡記錄的這些資料實際上無法為業務所用。

要解決企業在資料層的這兩個問題，需要企業基於經營決策需要，對資料進行統一的規劃：需要哪些資料？如何採集？以什麼方式記錄？

比如上面所說的網際網路公司，如果一開始就有關於潛在客戶開發需要哪些資料支援的規劃，就有可能設計出一個結構化的需求溝通工具，既可以有效記錄客戶的需求資訊，又利於後期的資料分析。

如果沒有對資料的統一規劃，企業的資料將很可能會處於“ROT垃圾狀態”，即冗餘（Redundant）、過時無用 (Obsolete)和瑣碎（Trivial）。

資訊：是被組織起來的資料，是為了特定目的對資料進行處理和建立內在關聯，從而讓資料具有意義，它可以回答誰（who）、什麼（what）、哪裡（where）、什麼時候（when）的問題，對於企業經營而言，資訊的作用在於過程管理和績效評估。

在上述例子裡，滴滴的系統將時間、出發地、目的地、行駛路線、會員等資料整合起來，就形成了一條完整的乘客乘車資訊，從而實現了對司機服務過程的監控和管理。

將資料轉化為資訊的階段，企業存在兩個問題： 

1. 缺乏有效的資料分析工具：

少數大型企業（如銀行和電信公司）一般擁有BI系統可以實現將不同源的資料進行整合、並支援線上分析處理和報表，但很多企業還是依靠Excel進行分析和報表，比如一家擁有上百家門店的中型珠寶公司，老闆很重視資料，強呼叫資料說話，每次開經營分析會，大區經理就要熬夜用Excel來做各種分析報表，效率很低，也很讓區域經理窩火：我是帶兵打仗的，卻需要我做這麼多案頭工作！

2. 缺乏將資料轉化為資訊的分析能力：

有一定規模的企業現在都擁有大量的資料，例如我們從一家網際網路公司各業務系統匯出來的資料，就達數千萬行之多，如何從這些資料裡看到資料之間的聯絡，將他們組織成有意義的資訊，無疑是一個挑戰，一般的企業不具備既瞭解業務又會資料分析的人才。

這導致企業所擁有的資料裡，只有很少一部分得到了有效處理，變成了有價值的資訊，而大部分資料停留在其原始狀態：只是一個無意義的客觀存在。

知識：對資訊的總結和提煉。是基於資訊之間的聯絡，總結出來的規律和方法論，主要用於回答為什麼（why）和怎麼做（how）的問題，在企業裡的應用包括問題診斷、預測和最佳做法。

舉個例子，北京夏季高溫多雨，8月份溫度在20-36度之間，平均降水天數12天，這是根據多年資料總結出來的北京氣候的規律，這個知識有三個作用：

1，  問題診斷（回答為什麼），如這個知識解釋了北京今年8月份為什麼下了那麼多雨

2，  預測：明年8月份北京很可能溫度還在20-36度之間，平均降水天數12天

3，  最佳做法：8月份來北京旅遊穿短袖衣服即可，體弱者要帶長袖，最好帶傘。

滴滴的系統裡應該有一個關於如何處理司機繞路問題的知識庫，否則就不會這麼智慧化地完成投訴處理了。

大多數企業在知識層面做得較差，一些企業雖然建立了知識管理系統，但並沒有一個有效的知識生成、應用和更新機制；更多的企業沒有知識管理的體系，這些企業存在大量隱性知識，比如企業裡總有一些銷售高手，他們憑直覺或經驗能夠取得突出的銷售業績，他們也許說不清楚，但他們知道怎麼篩選潛在客戶、知道何時跟進、知道何時應該促成，這就是所謂“隱性知識”，隱性知識顯得如此神祕，導致很多管理者認為銷售高手是天生的，是無法複製的。

有效的資料驅動機制將能實現企業裡隱性知識顯性化，顯性知識結構化，從而讓企業裡的每個人可以隨時隨地獲取相關知識進行業務操作。

以銷售為例，克隆一個銷售高手或許不可能，但從資料的角度來看，如果銷售人員的銷售行為資料都能夠得以完整記錄，並得到有效整理和總結，就可以提煉出銷售的最佳做法，從而讓每個銷售人員都可以在銷售中運用這些做法。（對這個議題感興趣的可以看看Jenny Dearborn所著《銷售的革命》，它以講故事的方式闡述了資料如何幫助銷售管理者進行問題診斷、預測以及銷售最佳做法總結）

人工智慧：機器對資訊和知識的自主應用

人工智慧是系統基於資料、資訊和知識，形成類似於人腦的思維能力（包括學習、推理、決策等）。

在資訊和知識層面，資料都是提供決策支援作用，而到了人工智慧階段，則是系統模仿人類應用資訊和知識進行自主決策了。

我所經歷的滴滴司機繞路的例子，就是滴滴的系統根據我的乘車資訊，以及滴滴系統裡的知識庫，由系統而非滴滴員工完成了一個投訴處理過程。

實際上，這樣的應用早已很普遍，亞馬遜著名的推薦機制也是類似的，系統代替了員工，不厭其煩地向顧客推薦他可能感興趣的商品。

不少人認為，資料金字塔的頂端是智慧而非人工智慧，對此我有不同看法：智慧不是建立在知識基礎上的，知識不是智慧的必要條件，很多高僧很有智慧，但並沒有很多的知識，比如六祖慧能從小不識字，卻能聞經解義。

原因在於，知識來源於經驗（資料），來源於人類對這個三維世界的觀察，而智慧可以無需通過經驗，有可能通過與高維度建立連線而獲得（北大的劉豐教授有一個演講，名字叫《開啟你的高維智慧》，大家可以參考）

而人工智慧則一定要建立在資料基礎之上，沒有資料，無論是專家演算法還是深度學習都無用武之地，有了資料，計算機才有可能通過專家演算法或深度學習形成知識，進而具備類似人類頭腦的思維能力。

從這個意義上來說，人工智慧永遠無法超越人類的智慧。由此我們也可以看到資料的侷限性：它可以將人類的理性發揮到極致，但它只會模仿卻無法創造，它無法替代人類的感性和直覺，而正是這份感性和直覺，讓生命多了一些有趣和柔軟，真正的創造也由此發生！