- 综合排序
- 最热优先
- 最新优先
- 来自专栏乔新亮
数据化决策
2014年读过的一本好书，才发现这本书对自己的影响深远，自己的很多决策和管理都深受此书影响。 大数据时代，我们能够获得的数据越来越多，这些数据的价值在哪里？ 答案是帮助做更有效的决策。 数据化决策 一书给出了量化不确定性、风险和数据价值的方法，一切都可量化。 如果一项量化工作至关重要，那是因为它会对决策和行为产生一些可感知的效果；如果一项量化工作不能影响或改变决策，那它就没有价值。 减少风险是计算量化价值的基础，也是选择量化什么以及如何量化的基础。 我们来看看书中数据化决策分析的一个问题： 顾客等待商家支持热线的时间越久，挂电话的概率就越高，这给业务造成了多少损失？ 一切皆可量化，包括幸福、健康和人生有关的价值。 一切兼是概率，一切都可数据化决策！ 大数据时代，开始我们的数据化决策旅程吧！
1.2K40发布于 2020-05-15 - 来自专栏JonChen的专栏
商业决策的数据驱动化
怎样提高你的决策过程？在如今这个信息爆炸的社会，想单纯的依靠直觉本能来保持竞争力已经远远不够了。越来越多的机构组织开始意识到，数据才是组织决策的核心。 当然，你不一定非得成为一名数据科学家才能获得这些优势，通过简单的几步你一样可以让你的商业决策过程更加的数据驱动化。 数据直觉：从数据驱动的决策中获得什么 今天，世界各地的顶级公司都使用数据来做出其业务决策。 5个步骤让你更加“数据驱动化” 牢记这几点，让我们变得更加的数据驱动化！ 步骤1：策略 数据驱动的决策制定始于最重要的策略。这点有助于通过清除所有对商业无用的数据来集中你的注意力。 这当然不是只是展示一些生动的图片，而是以一种相关的方式将发掘的信息可视化，从而更容易决定需要采取的行动以及最终如何在业务中使用这些信息。
1.4K30发布于 2018-05-28 - 来自专栏一个会写诗的程序员的博客
【企业数字化转型】决策革命：基于数据+算法的决策
决策革命：基于数据+算法的决策 基于数据+算法的决策 决策革命简而言之就是基于数据+算法的决策。 “数据+算法=服务”实现分四个环节：一是描述，在虚拟世界描述物理世界发生了什么；二是洞察，为什么会发生，事物产生的原因；三是预测，研判将来会发生什么；四是决策，最后应该怎么办，提供解决方案。 在上述的描述、洞察、预测、决策之后，可能都需要人来参与决策，但是人参与决策越来越少，而系统参与的决策越来越多。就好像无人驾驶一样，从开始完全依赖人的驾驶到最后无人驾驶。 在不确定性的环境中进行决策是企业面临的巨大挑战，从基于经验的决策到基于数据+算法的决策，是企业数字化转型的基本模式。 我们把规律模型化、模型算法化、算法代码化、代码软件化，再用软件化去优化物理世界。我们构建了三个世界，物理世界、意识世界、数字世界。
1.3K10发布于 2020-01-15 - 来自专栏互联网数据官iCDO
数据催化商业决策变革 企业数字化转型何去何从？
最初企业决策完全靠经验，而现在企业决策由数据催化而产生。 “ nEqual 作为赋能智慧商业的数据智能技术提供商，也是企业决策的数据‘大脑 ’。 ”，负责管理数据并从中提炼出与用户沟通的决策依据，而“手”则是多个细分渠道工具，帮助企业与消费者连接，比如管理不同媒体端的智能广告投放； 第二，数据连接：数据连接能力，把企业散落在搜索渠道、CRM、社交网络 、购买决策路径等全面认知，最大化企业数据的商业价值； 第三，咨询服务：数据咨询、管理服务帮助企业完善内部的协同作用，消除信息、技术不对称所产生的阻碍。 “数字化改革是一场战争，数据能力是筹码，数字化战场，数据化制胜。要利用好数据科技和人工智能为整个互联网营销创造更好的价值。不要等待，在讨论大数据价值的时候，数据已经在创造价值。”杨纯最后强调。
60540发布于 2018-07-27 - 来自专栏韩曙亮的移动开发专栏
【数据挖掘】数据挖掘总结 ( 数据挖掘特点 | 数据挖掘组件化思想 | 决策树模型 ) ★
文章目录 一、 数据挖掘特点 二、 数据挖掘组件化思想 三、 决策树模型 1、 决策树模型创建 2、 树根属性选择 一、 数据挖掘特点 ---- 1 . , 如金融领域数据挖掘结果 , 只能在金融领域及相关领域使用 ; 参考博客 : 【数据挖掘】数据挖掘简介 ( 数据挖掘引入 | KDD 流程 | 数据源要求 | 技术特点 ) 二、 数据挖掘组件化思想 | 评分函数 | 搜索和优化算法 | 数据管理策略 ) 【数据挖掘】数据挖掘算法 组件化思想 示例分析 ( 组件化思想 | Apriori 算法 | K-means 算法 | ID3 算法 ) 三、 : 开始决策时 , 所有的数据都在树根 , 由树根属性来划分数据集 ; ③ 属性离散化 : 如果属性的值是连续值 , 需要将连续属性值离散化 ; 如 : 100 分满分 , 将 60 分以下分为不及格数据 ( 特征 ) , 信息增益就很大 ; 参考博客 : 【数据挖掘】决策树算法简介 ( 决策树模型 | 模型示例 | 决策树算法性能要求 | 递归创建决策树 | 树根属性选择 ) 【数据挖掘】决策树中根据
1.5K00编辑于 2023-03-28 YashanDB如何支持企业数字化转型及数据驱动决策
随着企业业务的数字化进程不断加快，数据规模呈指数级增长，高性能、强一致性、智能优化及高可用的数据库系统成为支撑企业数字化转型的关键基础设施。 YashanDB作为一款高性能、分布式和共享集群兼容的关系型数据库，通过其先进的体系架构及丰富的技术栈，能够有效支持企业实现数字化转型目标，促进数据驱动的智能决策。 本文将从数据库架构、存储引擎、事务管理、SQL优化及高可用能力等方面，深入分析YashanDB如何满足企业需求，提升业务效率和决策质量。 基于多版本并发控制的事务及一致性保障企业数字化转型中，业务系统多用户并发访问和数据一致性的需求异常关键。 未来，随着人工智能、实时大数据分析等技术发展，对数据库的性能和智能优化提出更高要求，YashanDB将持续演进，深化智能调优和多场景融合，为企业提供更强大的数据驱动力，持续推动数字化转型与精准数据驱动决策
31610编辑于 2025-08-21- 来自专栏CDA数据分析师
数据化决策如何更靠谱？来自唯品会的分享
数据化决策对任何一个企业来讲，带来的都是全新的痛苦的变革。其实说大数据，数据用来做什么？数据首先是用来做决策的。 人在做很多决策的时候，总是会面对理智跟非理智不同的情形跟场景。 就算说数据反映的用户行为决策都是理性的，也还有问题。谈到数据来供我们做决策的时候，不仅仅量化的，还有一些语意化的东西。 关于建立数据文化与数据化决策的几点分享与建议 第一个英文里面叫Hippo，意思是河马，指的是公司里面最高的决策层。在数据化决策里面首先要改变的就是管理者本身、机制的本身。 第五，在数据化决策的过程中，流程比分析更重要。有很多一流的分析师或者是BI团队作出了非常有洞见的一个结果，但是缺乏一个有效的决策流程的话，可能会毁了这一切。 所以在这个过程中，需要组织的力量构建有效的流程，去约束在这个决策环节上所有的参与者，才能够帮助这个企业在数据化决策的过程中，不断的成熟，不断的进步。
899100发布于 2018-02-08 - 来自专栏数据科学与人工智能
决策树结果可视化
问题提出： 决策树是一种优秀的机器学习算法，具有很好模型可解释性，有着广泛地应用。如何对决策树模型的结果做可视化分析，以便于更多人理解决策树做决策的机理？ 解决方案： 1 安装graphviz 2 使用Python的pandas, scikit-learn, pydotplus 参考代码如下： 1）数据导入 ? 2）从数据集中提取因变量和自变量 ? 3）数据集划分和模型构建 ? 4） 模型性能评估 ? 5） 决策树结果可视化分析 方式一：图形展示 ? 方式二：保存为PDF格式 ? 思考题： 1 如何利用决策树模型对变量的重要性作分析？ 2 如何调整决策树模型的超参数？
1.3K20发布于 2019-12-04 非结构化数据协作看板：提升团队数据协作与决策效率的关键
传感器数据：来自物联网设备的原始数据，可能包含多个格式，需要进一步解析。非结构化数据的重要性随着大数据技术的发展，非结构化数据在商业决策、客户服务和产品创新等方面扮演着越来越重要的角色。 在数据分析中的作用通过智能化分析，非结构化数据能够揭示出传统结构化数据无法发现的模式或趋势。通过对非结构化数据的提炼和整合，企业能够做出更精准的市场预测和决策。 如何通过协作看板增强数据可视化在协作看板中，非结构化数据可以通过图表、流程图等方式可视化，帮助团队更清晰地了解数据的结构和趋势。通过高级的分析工具，团队可以轻松识别出重要信息，提升决策效率。 未来展望：非结构化数据与协作看板的结合人工智能与机器学习的影响未来，人工智能和机器学习将使非结构化数据协作看板更加智能化，通过自动化分析，识别出关键趋势和模式，帮助团队做出更加精准的决策。 非结构化数据协作看板是一种可视化管理工具，帮助团队处理、展示和分析非结构化数据，提升团队协作和决策效率。2. 非结构化数据如何影响企业运营？
20110编辑于 2025-07-24- 来自专栏机器学习与统计学
属实逼真，决策树可视化！
同学们好 决策树的可视化,我以为之前介绍的方法已经够惊艳了（决策树可视化，被惊艳到了！）
1.1K20编辑于 2022-02-21 - 来自专栏计算机魔术师
【深度学习 | 数据可视化】 视觉展示分类边界: Perceptron模型可视化iris数据集的决策边界
希望大佬带带） 该文章收录专栏 [✨— 《深入解析机器学习：从原理到应用的全面指南》 —✨] 决策边界可视化 Perceptron 在训练好高精度的模型，我们可以通过有效的可视化直观看到分类效果， 通过使用plt.contourf()函数，您可以以视觉方式展示二维数据的分布情况，并更好地理解和呈现数据。 总结 总体而言，整个可视化原理也比较清晰明了。 大概流程如下： 根据对应的数据数组特征的Min和Max确定对应的数据范围（Arrange) 根据数据范围通过meshgrip生成对应表格二维数组（返回每一个点的x和y的值（shape (len(x) ,len(y)) 对数据进行铺平操作（np.ravel())和拼接成数组(np.c_)对作为特征数据进行预测网格的每一个点。 通过plt.contourf对网格点的每一个预测结果作为其属性画不同颜色等高线实现决策边界的绘制。
86240编辑于 2023-10-18 - 来自专栏杂七杂八
python决策树GraphViz可视化
安装完成后，将bin目录加入到系统path环境变量中 安装graphviz的python库 使用conda install python-graphviz命令安装即可 生成可视化文件 import graphviz # doctest: +SKIP from sklearn import tree print(data.columns) #ID3为决策树分类器fit之后得到的模型，注意这里必须在fit后执行，在predict
2.7K70发布于 2018-04-27 - 来自专栏技术汇总专栏
从数据到行动：如何利用智能体模型进行自动化决策
从数据到行动：如何利用智能体模型进行自动化决策在现代人工智能（AI）的应用中，智能体模型（Agent-based Model, ABM）作为一种重要的工具，已广泛应用于各个领域，如自动化决策、智能推荐、 智能体模型的核心思想是模拟具有自主决策能力的智能体（agent），通过与环境的交互来完成特定任务，从而实现自动化决策。在本文中，我们将深入探讨智能体模型如何从数据中获取信息，并将其转化为可执行的行动。 智能体模型在自动化决策中的应用2.1 自动化决策的核心问题自动化决策系统的目标是通过算法和模型，替代或辅助人类进行决策，尤其是在复杂且动态的环境中。 智能体模型的优势与挑战4.1 优势适应性强：智能体能够根据环境变化调整决策策略，实现高度灵活的自动化决策。数据驱动：智能体通过与环境的交互，不断学习和优化策略，从而实现数据驱动的自动化决策。 这种特性使得智能体在自动化决策领域中，尤其是实时决策和应急响应场景中，表现出色。数据驱动决策：智能体的决策完全基于与环境的交互数据。
1.2K20编辑于 2025-03-19 - 来自专栏Banber可视化云平台
Banber智慧园区可视化决策平台
Banber智慧园区可视化决策平台，打造一个涵盖展示、监控、运营、决策等层面的多维一体的园区智能运营管理可视化平台，从中获取最新数据支撑决策，相较传统管理方式，高效管理备受瞩目。 园区运营管理数据分析决策 园区的管理和经济发展是持续不断的，会有大量的数据产生，而这些数据会反映出园区发展过程中的特点、规律和变化。 通过对这些数据的分析，可以为园区的智慧化以及精细化管理提供决策依据，还能够为智慧园区的服务系统提供新的洞察力。 ? 对各能源系统运行状态进行实时监测，帮助管理者实时了解园区能耗状况，为资源合理调配、园区节能减排提供有力的数据决策依据。 园区综合治理可视化 平台提供园区人员及企业管理、人员轨迹刻画、访客智能预约、流动人员进出监控、车辆进出、智能联动报警等丰富可视化应用，实现数据的集中呈现与全局掌控,业务数据、报警事件、分析结果等一目了然
1.8K50发布于 2021-07-06 论大数据处理、数据存储范式与可视化如何共塑决策智能
这一转化过程，离不开三大核心技术支柱：大数据处理框架（如 Hadoop 与 Spark）、灵活的数据存储模型（SQL 与 NoSQL），以及高效的数据可视化能力。 二、数据存储的双轨制：SQL 与 NoSQL 的协同之道面对多样化的数据形态与访问模式，单一数据库早已力不从心。 数据可视化的本质，是降低认知门槛，将复杂指标转化为直观的视觉叙事。 但可视化绝非“图表越多越好”。真正的价值在于聚焦业务问题：是想看用户留存趋势？还是实时监控欺诈交易？抑或是预测库存需求？每一幅图表都应服务于一个明确的决策目标。 ：处理后的结果按用途分流——结构化指标入 SQL 数仓，原始事件存 NoSQL，特征向量送入向量数据库；消费与洞察层：BI 工具从 SQL 源拉取数据，生成可视化报告；数据科学家则直接查询 NoSQL
23610编辑于 2025-12-02- 来自专栏数据森麟
Python数据科学：决策树
剪树，去掉决策树中噪音或异常数据，在损失一定预测精度的情况下，能够控制决策树的复杂度，提高其泛化能力。 在剪树步骤中，分为前剪枝和后剪枝。 / 02/ Python实现 惯例，继续使用书中提供的数据。 一份汽车违约贷款数据集。 读取数据，并对数据进行清洗处理。 , target, test_size=0.2, train_size=0.8, random_state=1234) 初始化一个决策树模型，使用训练集进行训练。 此外决策树模型的变量重要性排序为「FICO打分」、「信用卡授权额度」、「贷款金额/建议售价*100」。 通过安装graphviz和相应的插件，便能实现决策树的可视化输出，具体安装过程不细说。 graph.write_png(r'pang.png') # 将决策树模型输出为PDF graph.write_pdf('tree.pdf') 可视化结果如下。
1.1K20发布于 2019-09-27 - 来自专栏数据科学与人工智能
【数据】数据驱动决策的13种思维
小编邀请您，先思考： 1 如何让数据驱动决策？ “数据驱动决策”，为了不让这句话成为空话，请先装备以下13种思想武器，相信将来你一定能用上！ 1. 没有这个思维，决策者很有可能在数据中迷失。 信度与效度的概念最早来源于调查分析，但现在我觉得可以引申到数据分析工作的各方面。 所谓信度，是指一个数据或指标自身的可靠程度，包括准确性和稳定性。 随着维度的下钻和上卷，数据会不断细分和汇总，在这个过程中，我们往往能找到问题的根源。 下钻和上卷并不是局限于一个维度的，往往是多维组合的节点，进行分叉。逻辑树引申到算法领域就是决策树。 现在数据获取越来越方便，在保证数据质量的前提下，希望大家多做实验，多去发现规律。 13. 指数化思维 指数化思维，是指将衡量一个问题的多个因素分别量化后，组合成一个综合指数（降维），来持续追踪的方式。 指数化的好处非常明显，一是减少了指标，使得管理者精力更为集中；二是指数化的指标往往都提高了数据的信度和效度；三是指数能长期使用且便于理解。
965100发布于 2018-03-27 AI自动化评价分析系统：让数据说话，让决策更智能
在用户体验至上的商业环境中，评价数据已成为企业决策的核心依据，但传统分析模式面临“处理效率低、洞察深度不足、客观度欠缺”等痛点——据艾瑞咨询调研，人工处理万条评价平均耗时72小时，且分析覆盖率不足30% 本文结合腾讯云AI与大数据技术栈，详解AI自动化评价分析系统的技术架构、核心能力实现及行业落地案例，为企业级评价数据分析提供可复用的技术方案。 一、系统技术架构：企业级评价智能分析体系AI自动化评价分析系统采用“数据接入-处理-分析-应用”的四层架构，基于腾讯云智能云平台构建，严格遵循《数据安全法》与《个人信息保护法》，实现评价数据全链路安全可控与高效分析 ），预处理准确率≥98%安全存储：使用腾讯云KMS密钥管理系统对评价数据加密存储，结合对象存储COS实现海量非结构化数据（评价图片/语音）的分布式存储，数据可用性达99.99%2. ，预警及时数据安全 | KMS+COS | 评价数据加密存储，符合合规要求可视化 | DataV | 分析结果可视化，决策支撑直观未来，系统将深化与腾讯云多模态大模型融合，实现图片/视频评价的深度语义理解
53100编辑于 2025-10-16能力深化：从 “规则化自愈” 到 “智能化决策”
能力深化：“从‘规则化自愈’到‘智能化决策’”，是测试体系迈向“质量自治”的关键跃迁。 这不仅是技术工具的升级，更是测试范式从“人工驱动 + 规则响应”向“数据驱动 + AI预测 + 自主决策”的根本性变革。 二、目标架构：AI驱动的“智能化测试决策引擎” ┌──────────────────────┐ │ 历史测试数据仓库 │ ← 积累数万+测试执行记录、缺陷 阶段1：数据奠基（1~2个月）建立“测试数据湖”：收集至少6个月的历史执行数据（含日志、截图、性能指标、缺陷记录）数据标准化：统一字段命名、失败原因标签体系（如 NETWORK, UI_ELEMENT 到“自治化”“规则化自愈”是肌肉反应，“智能化决策”是大脑思考。
46510编辑于 2025-09-17- 来自专栏一个会写诗的程序员的博客
战略决策 , 战术决策 与 业务决策
按决策的范围和决策的重要性划分，可以分为战略决策、战术决策、业务决策。 战略决策是解决全局性、长远性、战略性的重大决策问题的决策。 决策的分类 1、按决策范围分为 战略决策、战术决策和业务决策； 2、按决策性质分为程序化决策和非程序化决策； 3、按决策主体分为个人决策和群体决策； 4、按决策问题的可控程度分为确定型决策、不确定型决策和风险型决策 战术决策：为了实现战略决策、解决某一问题做出的决策，以战略决策规定的目标为决策标准。 战略决策是关系企业全局和长远发展的重大问题的决策。是非程序化的、带有风险性的决策。 大多是重复发生的，具有一定确定性的程序化决策。如定额的制定，生产任务的分配，人力、物资的调度，设备维修等。 2、战术决策调整在既定方向和内容下的活动方式，解决如何干的问题，是执行性决策。 3、业务决策大多是重复发生的，具有一定确定性的程序化决策。如定额的制定，生产任务的分配，人力、物资的调度，设备维修等。
4.3K20发布于 2020-04-01
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号