数据驱动的分析框架是什么样的？

想了解相关问题，可以下载报告《中国企业数字化转型白皮书：成就数据驱动型企业》查看，以下内容都是根据该报告总结的，仅供参考。

1.服务对象覆盖各层级管理决策人员

服务对象即“人机协同”中的人。数据驱动的服务对象既包括企业高层决策者，包括从集团到部门的中层管理人员，又包括销售、 生产、采购、研发、质控等各个经营环节的业务执行人员，这些服务对象既是数据的使用者又是提供者，以自身不同的关注点对系 统提出需求，通过需求传导，在具体场景形成基本的人机互动，并逐步上升到人机协同和人机融合。

2. 以需求动机作为人机协同传导链条

与服务对象相对应，需求动机分为企业决策层的战略需求、管理层的管理需求以及执行层解决具体业务问题的需求。需求作为人机 协同的传导链条，不同层次的需求动机将对应不同层次的数据驱动应用场景。事实上，在数据驱动发展至今的过程中，低层级的需 求一直存在，只是逐步向高层级发展，这就要求在构建数据驱动概念时，应持有发展动态的原则，结合人机协同的发展，尽可能完 整体现数据驱动的全貌。

3.匹配不同层次的数据驱动应用场景

找到高价值的应用场景是数据驱动的前提和核心。数据驱动的应用场景，实际上对应的是服务对象不断发展的从低到高的需求，层 级的高低则是由人机协同的程度来体现。具体而言：

第一层是呈现，核心是要你看见，即将数据结果呈现给用户，只反应客观事实，不做判断，典型应用场景如数据报表。在这个层 级上的数据驱动未形成人机协同，仅有简单的人机交互；

第二层是预警，核心是助你分辨，即基于数据判断好坏优劣，典型应用场景如红绿灯、仪表盘，在这一层级上系统已开始进行数 据的处理分析，并能协助用户进行数据判断，人机交互程度进一步提高，但数据分析判断过于简单，仍未达到人机协同的程度；

第三层是建议，核心是帮你抉择，即基于数据做出行动建议，如商品选择、抖音推荐，这一级在一定程度上已经开始出现人机 协同，与传统的工具不同，信息系统可以运行设定好的模型算法，针对用户的输入执行相应的命令，做出预设性的建议，人与数 字系统的交互是双向、多重的，并且可以形成多轮开放式对话，但做最终决策的仍然是人，系统仍处在被动地位；

第四层是决策，核心是替你决断，即基于数据自动决策和执行，如银行贷款等，依托智能系统，数据驱动场景正式进入人机协同 阶段，智能系统具有情境感知、自适应学习、自主决策及主动交互与协同等关键特征，人开始选择性的将经营管理事务交由系统 自动决策和执行，在此过程中，人和系统互相双向学习，推动着人机交互向人机智能协同发生深刻的转变；

第五层是融贯，核心是虚实合一，即将虚拟与实际打通，在人机智能得到充分融合的条件下，人机协同将向人机融合转变，人与 机器的共生关系将在信息传递、信息处理及决策执行等方面都得到全方位的充分体现。此时，数据驱动下的决策也将难分是完全 由机器做出还是由人做出，机器和数据已经成为现实中人不可分割的部分。

4.构建自动优化的AI模型和业务模型

数据驱动的不同层次场景、人机协同的不同程度，都需要依靠模型来构建。企业数据驱动场景下的模型主要有两类，一类是AI模 型，包括线性回归、逻辑回归、线性判别分析、决策树、学习矢量量化、深度神经网络等，为解决各类数据处理问题提供科学的算 法，并可以基于机器人的自适应学习机制持续自主地进行模型更新。另一类是业务模型。基于数据+算法+算力，企业通过将业务过 程抽象化、数据化，开展数据建模，形成覆盖从研发、制造、供应链、物流、市场、销售等环节的全链路的多维业务模型。这些模 型沉淀在系统中成为知识，多向共享赋能不同业务场景中的数据应用，并在此过程中自动进行优化和迭代。

5.夯实海量实时多维共享的数据基础

数据是物理世界在数字化世界中的投影，是数据驱动的基础，也是使机器获得智能的钥匙。数据信息日益丰富，甚至日益广泛且 深入地渗透进我们的生活中。数据量的提升、数据时效性的加强、数据来源复杂化、数据维度多元化、数据共享化，为数据驱动 提供了大量、实时、多维、贯通和定制化的生产要素，让数据驱动向全场景渗透。