何时应该以数据为驱动，何时数据驱动只会成为阻碍。
当Covid-19来袭时，我正在Airbnb担任数据科学家的职位。正如你所预料的那样，对于一个依赖于善意的人际互动的业务来说，Covid-19是一种特殊的残酷。当世界形成封闭的社交圈时，很难让任何人留在陌生人的房子里。因此，正如你所预料的那样，我们的指标下降了 – 我们的核心指标下降到了单个数字的同比增长率。没有人再预订Airbnb，当然也没有人想要成为新的Airbnb房东。
当我们面临着指标的陡峭下滑时，我们的CEO布莱恩迅速做出了令人钦佩的回应。当我们都在建立家庭办公室、囤积卫生纸和来自Costco的罐装食品时，布莱恩召开了一次紧急全员会议。他明确告诉我们：“旅行就像我们所知道的那样已经结束了。”他对我们下一步该做什么没有明确的答案，但在风暴中仍然有一个像灯塔一样的指引：停止一切非关键的工作，想办法在大流行中生存下来。
之后发生的事情令人印象深刻。公司成功地进行了转型，这在规模如此庞大的公司中是一件令人兴奋的事情。我们以创纪录的速度推出了在线体验项目。以“近在咫尺”为新口号，我们精心策划并引导人们前往那些在大流行期间成为避难所的地方。那些明显不符合未来发展的新项目被关闭了（我曾经是一个名为“社交住宿”的团队的一员，尽管投入了大量成本，但我们迅速终止了这个项目）。我们进行了新的融资，对公司进行了重组。公司每天做出了数百甚至数千个决策，结果以你所能希望的那样灵活地度过了大流行期间的最困难时刻。
话虽如此，尽管业务上的变化很有趣，但我实际上更想在这篇文章中谈谈在这段时间内数据的作用以及我们可以从中获得的经验教训。我最令人震惊的认识是：数据，直到那时几乎在每一次战略对话中都是一个关键驱动因素，一夜之间变得次要了。在那个时候，为了争取“以数据为驱动的决策”，简直是可笑的 – 不是因为数据在这个过渡期间没有用，而是因为在危机时刻数据不应该驱动决策。接下来，我将讨论这种心态转变的根本原因：紧迫性。让我们考虑不同的决策情境，然后讨论我们应该如何利用其中的数据。现在是时候谈谈“以数据为驱动”到底应该意味着什么了。
决策分割
你可以通过两个维度来清晰地划分决策：决策的紧迫性和决策的重要性。根据你的决策在Punnett方格中的位置，分析的参与程度可以有所不同，也应该有所不同。
低紧迫性，高重要性
一方面，当一个决策非常重要但不是特别紧迫时，我们可以按照我们理想的方式进行分析 – 与利益相关者密切合作，以更好地导航可能行动的空间。例如，想象一下，你公司的高管想要彻底改变你的首页，但他们希望你在决定放什么内容时给予支持。你团队的机器学习软件工程师提出了一种卡片排序的解决方案，但你和利益相关者知道，更关键的决策是是否要首先应用这种排序解决方案。
当前的首页工作得很好，所以期望的改变并不紧迫，但决策具有很大的影响力 – 你的改变将影响每个访问者的体验。因此，应该利用分析来更好地导航决策空间：你可以筛选过去的实验并整理出对当前决策有所启示的经验教训；你可以进行小规模的机会大小检查，看看任何改变的界限可能是什么；你可以提供人口统计/渠道/其他分布数据，以更好地了解你可能从中受益最大的方面。
利益相关者必须浏览各种各样的选择，您可以帮助他们以一种有节制、基于假设的方式进行选择。您正在购买一辆汽车。花一些时间四处逛逛是一个很好的投资。
高紧急性、高重要性
另一方面，让我们重新考虑上面的Covid-19 Airbnb情况。该公司处于危机模式，领导层已经确定了前进的最佳方案：我们需要确定一些市场，以推动吸引人们寻找Covid避难所。您可以像前面的例子一样采取相同的方法，仔细分析各个细分市场、筛选过去的实验等。但是，每一天您推迟选择，您都会损失两件事情：
- 利用新市场的机会。
- 进行测试并学到一些东西的机会。
因此，您提出了一个简单的假设：如果您选择一些与主要城市相对接近的地区，那么您将最大化预订，因为客人既会感到足够隔离以防止Covid，又足够靠近以便在紧急情况下返回家与朋友和家人见面。您在几个小时内回复高管，他们启动了这些倡议，您发现其中一些工作效果比其他工作更好，从而为您的第二批选择提供了信息。
在此情况下，分析的最佳参与方式与低紧急性情况有所不同——您仍然帮助利益相关者在思路迷宫中导航，但所做的决策主要是凭直觉，因此您的参与是必然较浅的。这并不意味着您应该盲从，加强对反应性的先例——仍然要理解为什么，但接受您的参与将不太结构化、不太严格的事实。然后，尽管您有足够的时间可以帮助利益相关者做出更好的决策，但您没有足够的时间，而现在80％正确的决策比明天90％正确的决策更有价值。
您遭遇了一次车祸。获取一些数据以评估您的健康状况、对方驾驶员的健康状况以及前往最近医院的最佳路线是有用的，但您可能不应该花几个小时阅读医院评论。
低重要性
最后，有时候决策实际上并不那么重要。您将一个按钮移到用户支持页面上，实验没有收敛，但您的利益相关者想知道结果的真相。这就是您进行反驳的地方——分析确实可以在这里提供答案，但结果会导致哪些行动发生变化？您会学到什么？利益相关者已经知道这是更好的体验，他们要求确认，但您知道在这种实验暴露的水平上，确定性是不可能的。
如果我们的数据工作不会改变决策，或者至少，我们不会从探索数据中学到东西，那么我们可能根本不应该进行这项工作。学会预测您的工作可能产生的影响——如果您帮助做出这个决策，会有什么潜在的提升？——然后相应地行动。
最后的评论
明确一点，我在这里并不是倡导严格的截止时间，而是认为在选择正确的分析任务时应考虑速度和重要性。当决策紧急时，数据几乎总是要让位于直觉。当决策非常重要时，应更加认真地使用数据来验证假设并控制直觉。当决策并不重要时，您不应该花费很多时间担心决策，因此在进行任何分析工作之前应该重新考虑。
👋 你好！我是Robert，Hyperquery的首席产品官和前数据科学家+分析师。本文最初发表在Win With Data上，我们每周讨论如何最大化数据的影响。如果您想了解更多有关Hyperquery如何帮助您最大化影响的信息，请随时联系。您可以在LinkedIn或Twitter上找到我。