一、核心概念：什么叫数据驱动
数据驱动决策·把决策建立在可验证的证据链上：先有假设，再找数据验证，最后决策并复盘。核心是「用数据校准经验」，而不是拍脑袋，也不是唯数据论。
数据和经验不是对立面。经验负责提出假设和解释异常，数据负责证伪和校准。只有经验会固步自封，只有数据会盲人摸象——最好的决策者让两者互相找茬。
虚荣指标·看着漂亮但与业务结果无关的数字：注册量、点击量、总浏览时长。它和「可行动指标」（复购率、转化率、单位经济）的区别是：它涨了，你也不知道该做什么。
二、分析能力的四个台阶
| 台阶 | 回答什么问题 | 典型工具 |
|---|---|---|
| 描述分析 | 发生了什么 | 报表、看板、同比环比 |
| 诊断分析 | 为什么发生 | 下钻、漏斗、相关性分析 |
| 预测分析 | 将会发生什么 | 回归、机器学习预测模型 |
| 处方分析 | 该怎么做 | 模拟、优化算法、实验推荐 |
多数公司的卡点在第二级：报表一大堆，没人回答「为什么」。诊断能力是数据驱动的分水岭——能把「销量掉了」拆成「价格、渠道、产品、竞争」四个可验证的假设，才算入门。
数据本身也要被怀疑。真实世界的财务与业务数据常有水分，审计里甚至有专门的统计规律来识别异常（比如数字分布偏离常识规律就高度可疑）。用数据之前，先检验数据。
三、怎么用：决策落地的操作清单
把问题写成假设
「转化率低是因为落地页太慢」是假设，「转化率低」只是抱怨。可证伪，才能被数据检验。
选最小充分证据
先问现有数据能否回答，再考虑新埋点和调研。别为一个小决策建一套数据仓库。
做对照实验
A/B 测试是金标准；做不了实验就找对照组，用前后对照、分组对照逼近因果。
检验数据质量
统一口径、查异常值、警惕幸存者偏差和被平均。数据打架时，先对口径再争论结论。
决策并留痕
写清「基于什么证据、赌了什么、什么情况算输」，复盘时才有据可依，组织才会积累判断力。
四、AI 时代：数据决策的双刃剑
大模型让「取数」不再是稀缺技能：用自然语言查报表、自动生成分析报告、异常自动预警，业务人员第一次可以绕过排队找数据分析师的瓶颈。数据消费的门槛塌了，数据治理的门槛升了。
- 1AI 是勤奋的分析师：擅长汇总、对比、找异常，一天出过去一周的报告。
- 2AI 会一本正经地编数：幻觉和口径混淆是常态，关键结论必须回到原始数据核验。
- 3AI 放大数据质量：口径混乱的公司，AI 生成的错误结论会以更快速度传播。
所以 AI 时代的排序是：先治理、再智能。数据字典、口径统一、质量责任这些笨功夫，决定了 AI 是帮手还是麻烦制造者。
五、组织保障：让数据说了算
数据驱动做不下去，八成是组织问题：数据没人负责、口径各部门打架、决策不看数据也没人追问。解法朴素但有效：设数据责任人、把数据质量纳入考核、让「用数据改了什么」成为例会固定议题。
数据文化不是墙上标语，是三个习惯：结论必附证据、口径必有归属、复盘必有下文。