一句话回答
数据智能是把数据变成人们可以信任并据此行动的结论的做法:先弄清有什么数据、来自哪里、质量如何,再用它做决策,并检查结果。
什么是数据智能?
数据智能(data intelligence)是把数据变成人们可以信任、并据此行动的结论的做法。这个词没有统一的定义,已发布的定义各自强调它的一半:
- 理解这一半。 IBM 把数据智能描述为把数据和元数据管理,与 AI、机器学习等工具结合起来,帮助组织「理解企业数据是如何产生和使用的」。它的核心职能是元数据管理、数据血缘、数据治理、数据质量和数据集成。这里的问题是:我们有什么数据,从哪来,能不能信?
- 决策这一半。 另一些厂商用同一个词描述这样的过程:收集、准备和分析数据,产生洞察,然后采取行动并从结果中学习。这里的问题是:我们该做什么,有没有效果?
本页两半都用:数据只有在你能信任它、并且它走到了决策那一步时,才算「智能」。一块没人信任的看板,或者一个被信任却没人据此行动的数字,都不是数据智能。
数据智能与数据分析、商业智能的对比
| 回答的问题 | 典型产出 | 谁在用 | |
|---|---|---|---|
| 数据分析 | 发生了什么,为什么? | 图表、模型、一个发现 | 分析师 |
| 商业智能 | 对照目标我们做得怎么样? | 看板、定期报表 | 管理者 |
| 数据智能 | 我们能信这个数据吗,该据此做什么? | 可信、有文档、和行动相连的指标 | 所有用数据决策的人 |
| 产品智能 | 人们怎么使用我们的产品,该改什么? | 面向产品团队的行为洞察 | 产品、增长 |
IBM 把分析和商业智能描述为数据的「使用方式」,数据智能通过帮助人们找到并理解合适的数据集,来支撑两者。区别在于范围,不是高低:分析和商业智能是数据智能的使用者。
数据智能循环的五个步骤
- 收集和集成。 把各来源的数据汇到一处,并采用一致的定义。
- 清洗和描述。 修复重复和缺失;记录每个字段的含义、负责人和来源(元数据和血缘)。
- 分析。 用查询、漏斗、分群或模型找规律和原因。
- 把结果变成建议。 发现要点出一项改动才算洞察:「把运费放到购物车页」。
- 行动并衡量。 做出改动,再看指标有没有动。衡量的结果回到第 1 步。
第 1、2 步是「可信」那一半,第 4、5 步是「决策」那一半。团队常常停在第 3 步。
算例:把循环闭合
示例数据:一家网店在两周内有 10,000 名访客。
| 漏斗步骤 | 用户数 | 相对上一步的比率 |
|---|---|---|
| 访问 | 10,000 | |
| 加入购物车 | 4,200 | 4,200 ÷ 10,000 = 42% |
| 开始结账 | 1,260 | 1,260 ÷ 4,200 = 30% |
| 已付款 | 630 | 630 ÷ 1,260 = 50% |
洞察。 相对损失最大的是从购物车到结账:70% 的购物车没有开始结账。行动之前先查数据:「开始结账」事件在每种设备和浏览器上都到了吗?如果有 3% 的手机会话从不发送这个事件,那么部分「流失」其实是测量问题。这就是可信那一半。
行动。 在购物车页显示运费。再过两周后的结果:36% 的购物车开始结账,付款率仍是 50%。
| 指标 | 之前 | 之后 | 计算 |
|---|---|---|---|
| 购物车 | 4,200 | 4,200 | |
| 开始结账 | 1,260 | 1,512 | 4,200 × 36% |
| 已付款订单 | 630 | 756 | 1,512 × 50% |
| 每 10,000 名访客的订单 | 630 | 756 | |
| 变化 | +126 单,+20% | 126 ÷ 630 |
循环之所以闭合,是因为最后一行是团队事先决定要看的数字。如果访客数或季节也变了,这种前后对比分不清各自的影响;要用对照组或实验才能分清。
数据智能的底层需要什么
| 需要 | 含义 | 没有它会怎样 |
|---|---|---|
| 共同的定义 | 每个指标有一个书面含义,比如「活跃用户」 | 两个团队对同一件事报出两个数 |
| 质量检查 | 必填字段齐全,数量在正常范围 | 决策建立在缺失或重复的事件上 |
| 血缘 | 一个数从哪来,被什么改变过 | 没人能解释某个数字为什么变了 |
| 归属和权限 | 每个数据集有明确的负责人和规则;见数据治理 | 敏感数据扩散,或有用的数据被锁起来 |
| 通往行动的路径 | 有人或有系统负责对发现采取行动 | 洞察堆在一份演示文稿里 |
给你自己团队的五问自测
选一个你每周都在报的指标,依次回答下面几题。每个「否」就是循环断开的地方。
- 它的定义写下来了吗,有负责人吗?
- 你能说出这个数字来自哪里、什么会改变它吗?
- 有没有一个检查,能在底层事件停止到达时告诉你?
- 当它超出设定范围时,有没有指定的人要去行动?
- 上一次行动之后,有没有人做过前后对比?
四到五个「是」,说明这个指标在本文的意义上算数据智能。两个或更少,说明它只是报表,有用,但只是循环的一半。
常见误区
- 先买工具,后定问题。 数据目录或 AI 层不会告诉你数据该支持哪个决策。
- 把 AI 的回答当事实。 回答的可靠程度,只取决于背后的数据和定义。
- 停在看板。 如果没人对行动负责,循环就是断开的。
- 跳过质量检查。 建立在缺失事件上的自信洞察,代价最高。
- 把报表叫数据智能。 报表回答「发生了什么」;这个词意味着可信和决策。
- 事后什么都不衡量。 没有前后对比的数字,就分不清是好决策还是运气好。
TapCub 里的数据智能
拿上面的网店例子来说。对行为数据,TapCub 覆盖前四步,不替你做行动。
- 定义要采集什么。 在 全端分析 › 数据管理 › 埋点方案 里,记录每个打算采集的事件及其属性、平台、负责人和状态,让「开始结账」有一个书面含义。洞察怎么在此基础上建立,见数据洞察。
- 检查数据到没到。 打开实时验证(近 24 小时),看每个事件的到达数和必填属性的完整度。新事件会先进 全端分析 › 数据管理 › 事件收件箱,有人认领后才算数,属性字典则记录每个属性。
- 找到下跌的位置。 在 全端分析 › 行为分析 › 行为分析 里建漏斗,看用户在哪一步离开。
- 用日常语言提问。 全端分析 › 智能运营 › AI 助手 用图表回答问题,数字来自对你项目数据跑的查询;它的变化归因会按渠道、来源域名、国家、设备或着陆页,拆解某个数字为什么变了。
- 看结果,行动靠你自己。 全端分析 › 智能运营 › 监控 里的监控可以在指标越过阈值时通知你。TapCub 只通知。它不会修改你的运费页面,也不会运行实验;行动和决策仍然在你的团队手里。
资料来源
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
