共话“数字重庆” | 第四篇：“数字重庆”建设中的数据驱动决策

引言

　　在数字重庆建设中，数据如何使用一直是关注的焦点。为了数据能被更好的使用，数字重庆建设方案中规划了一体化智能化公共数据平台(负责为全市非涉密应用开发和运维提供统一支撑的集成运行平台)和一体化数字资源系统IRS(负责将相对离散的应用系统、能力组件、数据、云网等数字资源综合集成为一个有机整体的系统)。其中IRS除了拥有充分汇聚、整合、推送各类数据资源的能力，还可为建立健全大数据辅助决策体系提供强有力的支撑。那么为何要通过数据辅助决策，而数据在实战中又是如何提升辅助决策水平的呢，本文将一一为您解答。

01 “数据驱动决策”与“数字重庆”的关系

　　在数字重庆中，数据驱动的理念已融合在各个系统的设计中。数字重庆建设按照“1361”的整体框架布局，在数字党建、数字政务、数字法治等系统的设计中均提到需要通过数据提升辅助决策水平，建立健全大数据辅助决策的机制。在一体化数字资源系统(IRS)设计中也明确提出需要将大数据、云计算、人工智能等技术融合应用，全面提升科学分析、智能决策等综合管理能力。可见设计者在设计时已将数据驱动决策的理念植入整体框架布局中。

02 为什么数字重庆中的决策通过“数据驱动”

　　“传统”决策和“数据驱动”决策之间存在许多重要的区别，如上图，主要体现在决策基础、决策过程、决策准备、风险管理、决策结果和实时决策六个方面，不难发现，数据驱动的决策会更加科学和客观，可以提高决策的准确性和效率。但与此同时，数据驱动决策也需要耗费更多的成本在数据收集和分析上。在实际应用中，我们会根据问题的复杂程度选择决策方法。

　　通常情况下，“做决策”是一个多维度、多层次的过程，依赖于许多相互关联的因素，包括但不限于：目标、价值观、利益相关方、多个可选择的方案、时间和其他资源的约束等。其中每个因素都能影响最终决策的制定，但在政府端，为了更好地履行职责、管理资源，提供更高质量的公共服务，提高透明度和加强问责制，政府会更加倾向于通过数据驱动作为主要决策制定依据，推动工作高效地运作。

　　在政府工作中，使用数据驱动决策有其明显的3个优点，也是数字重庆倾向使用数据驱动决策的原因：

　　（1）提高决策精度

　　政府在各个领域均需要处理各种复杂的问题，这些问题涉及到许多变量和不确定性，在数据驱动下决策者可以通过历史趋势、关联关系、模式和异常情况等信息，更加全面的理解问题，并作出更细致的决策，提高决策精度，从而提高整体决策的公信力。

　　例如，在城市治安管理中，可以通过各区治安报告、监控录像图像识别数据、人流量数据、不同地区的报警数量和时间分布数据进行不同程度治安资源的配置，事故较少的地方灵活部署治安资源，事故多的地方加大治安资源的投放，精确合理部署治安力量。

　　（2）提高决策效率

　　数据驱动的决策过程可以帮助政府快速掌握各类数据，制定各种政策方案并作出选择，节省决策时间，特别是在处理紧急问题时，优势明显。

　　例如，当突发公共事件——山火时，无人机可以提供实时的高清视频和图像，用来监控火势的实时变化，了解火源和燃烧状况;卫星遥感可以提供更广阔区域的监测，捕捉火势的整体态势和环境变化，如风向、湿度等。收集以上相关数据后，可以通过图像识别技术自动分析，识别火源、火线和热点区域，甚至预测火势可能的发展方向，进而提高政府的响应速度与决策效率。

　　（3）评估政策效果

　　数据驱动决策除了帮助制定规则，还能对已有规则进行“售后服务”。实施政策后，政府可以通过收集和分析数据来评估政策是否达到预期的效果。

　　例如，政府采取了一系列措施以达到城市碳排放量降低20%的目标，包括提高公共交通的使用率、鼓励使用电动车、推广绿色能源等。后续政府可通过数据客观地评估这些政策是否达到了预期效果，从而对政策进行及时调整，确保政策目标的实现。

03 方法：数据驱动决策是如何练成的!

　　Step 1：拆解指标赋权并量化

　　如果要对某领域进行全方位的评估，首先需要对该领域进行拆分，并对各部分进行赋权，直至拆分的指标可以量化为止，详细方法可参考同系列《共话“数字重庆” | 第三篇：“目标拆解”破局战略实现困境》一文，以详细分析并指导决策制定。

　　Step 2：数据收集与整理

　　随着重庆数字化建设的日益成熟，数据将更容易且更高质量地获得。如果数据是通过人工填报的，为了保证数据质量，还需要对数据进行审查和整理，包括但不限于进行现场检查、查阅相关文件等操作。甚至还可以通过与其他机构进行数据交叉核查(例如，通过与税务数据进行对比检查收入数据)以进一步确认数据的准确性，获得高质量数据。

　　Step 3：数据分析与洞察

　　当我们拥有了一组高质量的数据，那么可以分析的地方就非常多了，分析方向可以从两个思路进行：

　　一、当数据有明确的分析方向时，可以针对需求选取合适的分析方法。例如，如果我们想知道每个区在整个市相较于中心位置的偏离度表现，可以用均值、方差、正太分布等基本统计分析方法进行分析;想要知道数据和数据之间的关联关系，我们就可以用相关性分析和回归分析。

　　二、当不清楚这组数据应该如何分析时，可以采用“探索性数据分析法”，探索性数据分析是指在进行正式统计推断之前，对数据集进行初步的探索性分析。探索性数据分析的目标是通过可视化和摘要统计等手段，发现数据中的模式、趋势、异常和潜在关系，帮助数据分析者深入了解数据，为后续的统计分析和建模做准备。

　　Step 4：制定策略

　　数据分析结果的出炉就像矿石的提炼，只有把它转化成策略的强大推动力，才能实现其真正价值。这是一个需要综合考虑分析结果、实际情况、可行性等多个因素的复杂过程。

　　首先，我们需要基于数据分析结果，识别出主要的问题和挑战。这包括理解数据反映出的问题的根本原因、确定问题的优先级，以及预测问题可能的发展趋势。

　　然后，我们要制定应对策略。策略的制定需要根据问题的本身属性，有的问题有标准的政策工具，或成功案例进行参考，但有的问题是新时代下产生的独有的问题，需要创新性的方案，我们需要综合考虑各种可能的解决方案，并选择最适合的那一个。

　　其次，我们需要深入研究策略实施可能遇到的困难和问题，如资源配置、行动阻力等，以充分准备和解决。

　　最后，我们需要设定实施策略的具体时间表和任务分解表，让每一个参与部门都清楚自己的责任和期望，形成一个有效的实施团队。

　　Step 5：跟踪和评估

　　跟踪和评估也是数据分析的重要环节，它在策略实施后提供了对效果的反馈，让我们有机会以数据为基础进行调整和改善。

　　跟踪是指在策略实施的过程中，实时监控各项关键指标的动态变化，如市场反馈、数值变化等，这些数据会反映策略执行的现状，帮助我们及时发现问题，调整优化策略。

　　评估则是在策略执行一段时间后，对实施效果进行全面深入的分析。将预期目标与实际执行结果进行对比，找出偏差，并探索其根源。这需要涉及到一些深度的数据分析方法，可参考Step 3，在其中选取合适场景的分析方法，甚至在一些复杂场景下，可能需要使用到机器学习等更先进的技术。评估的结果可以帮助我们进一步优化策略，提高决策效率。

　　总体来说，数据驱动决策的思维方式让我们更容易洞察真相，避免了作为决策者的主观偏差和盲目猜测，同时数据驱动也是数字重庆重要的组成部分。基于数据分析的策略制定，可以提高决策的准确性和成功率，降低风险，同时也要认识到这是一个持续学习和进步的过程，需要在实践中不断尝试和改进。希望我们逐步培养数据驱动决策的思维方式，在日常工作中尝试并实践数据驱动的方法，用数据说话，用事实作决策，让工作和生活因此而变得更“有理有据”。