- 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。 步骤5：将信息转化为行动 你采用什么样的呈现方式来展示从数据中收集的信息将决定能从中获得多少收益。 有多种商业智能工具可以将复杂的数据集合在一起，并以一种让决策者更易理解的方式呈现数据。
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。
1.4K10发布于 2020-01-15 - 来自专栏木东居士的专栏
决策树5：剪枝与sklearn中的决策树
0x01 剪枝 当训练数据量大、特征数量较多时构建的决策树可能很庞大，这样的决策树用来分类是否好？答案是否定的。 划分后：划分后的的决策树为： ? 则验证集在这颗决策树上的精度为：5/7 = 71.4% > 42.9%。泛化性能得到了提升，因此，用“脐部”进行划分。 dt_clf5 = DecisionTreeClassifier(max_leaf_nodes=4)dt_clf5.fit(X,y) plot_decision_boundary(dt_clf5, axis 再来拟合决策树模型效果会好。 推荐多用决策树的可视化，同时先限制决策树的深度，这样可以先观察下生成的决策树里数据的初步拟合情况，然后再决定是否要增加深度。 如果输入的样本矩阵是稀疏的，推荐在拟合前调用csc_matrix稀疏化，在预测前调用csr_matrix稀疏化。
4.7K21发布于 2019-12-23 - 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？
在5月16日的 nEqual “智者同行，‘智’达于心”企业数字化智能实践分享会上，纷析数据 创始人 宋星说道。 ? 纷析数据 创始人 宋星 在宋星看来，一切数字化转型都离不开数据。 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。
62940发布于 2018-07-27 数据集成平台怎么选？5步避坑指南助你精准决策！
说白了，数据整合效率直接决定了决策速度和市场反应能力。 这时如果底层有个靠谱的数据集成平台当“交警”，让ETL流程自动化跑起来，你的数据可视化才能真正活起来。然而，市场上的数据集成平台琳琅满目，要选出适合自己企业的平台并非易事。 接下来，我将为大家提供一个 5 步避坑指南，帮助你精准决策一、明确企业的数据集成需求1. 梳理业务流程与数据来源企业在选择数据集成平台之前，首先要对自身的业务流程进行全面梳理。 比如，对于一个拥有海量交易数据的金融企业来说，数据集成平台需要在短时间内将这些数据抽取并加载到分析系统中，以便进行实时的风险评估和决策。2. 它提供了可视化的操作界面，用户可以通过简单的配置完成数据集成任务。
23400编辑于 2025-07-015个决策帮助选择合适的YashanDB数据库配置
随着企业数据量的快速增长与业务复杂度的提升，数据库面临性能瓶颈、数据一致性维护和高可用保障等多方面挑战。 本文面向数据库管理员、系统架构师及技术决策人员，结合YashanDB数据库的架构特性及部署方式，从五个核心决策维度展开技术分析，帮助选择最适合业务需求的数据库配置方案。1. 数据库的备份支持全库备份和多层增量备份，结合归档日志实现灵活的基于时间点恢复（PITR）。合理规划周期性备份、增量备份和归档存储策略，保障数据恢复能力和最小化数据丢失风险。4. 5. 依据安全及合规需求设计访问控制和数据加密方案安全管理是数据库配置的重要维度。YashanDB支持基于角色（RBAC）和基于标签（LBAC）的访问控制机制。 结论随着数据规模的持续增长和业务多样性的不断演进，基于YashanDB灵活的部署架构和丰富的技术特性，通过科学的配置决策能够实现性能与安全的最佳平衡。
16510编辑于 2025-10-15- 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 , 确定一组参数值 , 使评分函数最优 , 这是优化问题 ; ② 结构不确定 ( 搜索问题 ) : 搜索 既需要确定 模型 ( 模式 ) 的结构 , 又需要确定其参数值 , 这种类型是搜索问题 ; 5 | 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
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
34210编辑于 2025-08-21- 来自专栏AI机器学习与深度学习算法
机器学习入门 9-5 决策边界
上一小节使用我们自己封装的逻辑回归算法对鸢尾花数据集进行分类实验，实验中的鸢尾花数据集我们只选取了前两个0,1类别（逻辑回归算法只能解决二分类问题），与此同时，只用了样本的前两个特征（为了方便后续的可视化 第四章提到过当使用sklearn构造kNN模型的时候默认参数k为5，也就是看样本点周围最近的5个样本点，对于kNN算法来说，参数k值越小，对应模型本身也就越复杂。 通过可视化的方式看到了这个复杂的含义，也就是过拟合模型的决策边界非常的不规整，所以接下来尝试一下给k值设置一个比较大的值50，来具体的看一下此时的决策边界是什么样子的？ 相比于k为5时候的决策边界要规整很多，整体分成三个大块，非常清晰。通过这样的一个例子，再次样本了对于kNN算法来说，k值越大相应的模型越简单，对应到决策边界上，决策边界整体上越规整，分块越明显。 通过可视化的方式看到了对于kNN算法来说，模型复杂和简单意味着相应的决策边界的不同。 下一小节将尝试使用多项式回归的思路，改进现有的逻辑回归算法，使得逻辑回归算法能够针对非线性的数据进行更好的分类。
3.1K20发布于 2020-02-26 - 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 - 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。
943100发布于 2018-02-08 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。 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？ 5. 非结构化数据如何在协作看板中进行可视化？通过将非结构化数据转化为图表、流程图等可视化形式，团队可以更直观地理解数据背后的趋势
23610编辑于 2025-07-24- 来自专栏优雅R
「R」数据可视化5 : 气泡图
本文作者蒋刘一琦 在生物信息领域我们常常使用R语言对数据可视化。在对数据可视化的时候，我们需要明确想要展示的信息，从而选择最为合适的图突出该信息。 从上述例子中可以发现用气泡图我们能展示更多的数据信息。随着多组学研究的涌现，我们急需在同一张图表来展现多维的数据，气泡图就是一个不错的选择。 怎么做气泡图 1）需要什么格式的数据 根据最终想要在气泡图上展示数据的维度以确定数据的格式。本次用一个来自于GOplo包的数据EC，该数据为RNA-seq的下游分析数据。 circ数据 由于本次将使用两个包，一个是GOplot专门用于转录组数据的下游展示，还有一个是我们常用的画图包ggplot2。 首先我们要对数据处理一下，剔除一些不必要的信息： circ2<-circ[!
4K30发布于 2020-07-06 - 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。
92940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
2.8K70发布于 2018-04-27 - 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！） plt.figure(figsize=size, dpi=300) for idx, tree in enumerate(clf.estimators_): ax1 = fig.add_subplot(5, 参考：https://mp.weixin.qq.com/s/uIazCL9SjNDguu59up5KjA
1.1K20编辑于 2022-02-21 - 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
1.9K50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
28410编辑于 2025-12-02
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