抽时间将数据驱动的一些内容进行了总结，先整理下面五篇，后续将不断完善。
概述
随着互联网的快速发展和广泛普及，产生的数据也在呈几何倍数增长。数据成了企业至关重要的资源，企业产生、收集和分析的数据也达到了前所未有的规模。从而，进一步加速了大数据技术的快速发展。
近几年，出现了各种驱动技术，包括产品驱动、技术驱动、政策驱动等，大数据也不甘寂寞，于是乎“数据驱动”一词也渐渐热了起来。那么到底什么是数据驱动呢？在讨论数据驱动前，先看几个不同领域的场景：
- 运营场景：当你在下午五点来到商场时，口碑或者美团自动给你推送“XX火锅优惠券”，正好这就是你非常喜欢吃的火锅店，于是你毫不犹豫地选择去消费。
- 出行场景：当打滴滴快车出行，到达目的地后发现比预计费用多了一倍，此时滴滴自动提醒你司机是否绕道，点击“是”后自动把你多付的钱退了回来。
- 运维场景：当系统或者业务在运行过程中出现问题时，自动根据历史数据和当前数据识别该故障故障，并快速止损。
- 客服场景：当你在支付宝咨询智能客服时，根据你的提问，并结合你的历史操作，给出最佳解答。
数据驱动是指，以公司内部数据（业务数据、系统数据）和公司外部数据为基础，对数据进行组织形成信息，之后利用规则、算法、机器学习、深度学习等手段进一步处理信息，最终形成自动化的决策模型，同时还要形成闭环，自动调整决策模型。当新的情况发生时，系统利用前面建立的决策模型，以人工智能的方式，对新数据进行处理，得到决策结果。
数据金字塔
为了更好地理解数据驱动，我们引入数据分析模型——数据金字塔理论。数据本身是没有意义的，如果它不能转化为信息和知识的话；但如果没有数据，或者数据匮乏，信息和知识的产生也就成了无水之源。数据金字塔理论可以帮助我们理解数据、信息、知识和人工智能的关系。
在数据金字塔(即 DIKW pyramid)体系中，每一层比下一层赋予某些特质。数据层是最基本的，信息层加入内容，知识层加入“如何去使用”，智慧层加入“什么时候才用”。
- 信息：是被组织起来的数据，是为了特定目的对数据进行处理和建立内在关联，从而让数据具有意义，它可以回答谁（who）、什么（what）、哪里（where）、什么时候（when）的问题。
- 知识：对信息的总结和提炼。是基于信息之间的联系，总结出来的规律和方法论，主要用于回答为什么（why）和怎么做（how）的问题，在企业里的应用包括问题诊断、预测和最佳做法。
- 人工智能：机器对信息和知识的自主应用。人工智能是系统基于数据、信息和知识，形成类似于人脑的思维能力（包括学习、推理、决策等）。在信息和知识层面，数据都是提供决策支持作用，而到了人工智能阶段，则是系统模仿人类应用信息和知识进行自主决策了。
总之，DIKW理论是一个数据分析模型，由下往上依次递进，其递进关系需要借助数据驱动技术实现。
数据驱动型应用
数据驱动型应用是数据驱动的体现形式。从数据到应用，它是一个不断进化的过程。如下图，主要包含这四步：数据获取、数据应用、效果评估、算法挖掘。通过数据采集得到日志数据、关系型数据、事件数据。基于决策模型和算法，形成具体的应用和产品，包括可视化类、推荐类、客服类、风控类、保险类等产品。再通过效果评估和算法挖掘形成的闭环，自动调整模型、改进结果。
数据驱动型应用功能抽象
每个智能应用都可以分解为感知器（眼）、决策器（手）、执行器（脑）。如下图，基础能力层提供这3类基础能力，智能应用层使用这3类基础能力，快速组装成需要的各种智能应用。
- 感知器是智能应用的眼睛。就像人有两只眼睛一样，智能应用可以基于有向无环图DAG获取多种数据源的数据，甚至可以将多个数据源数据进行聚合，比如同时获取消息数据和数据库数据。这些数据可以通过推和拉两种方式，提供给智能应用。
- 决策器是智能应用的大脑。决策器是整个智能应用的核心所在，主要提供规则决策、决策树、统计类算法、AI等决策能力。规则决策是基于简单规则的决策，决策树提供有优先级的复杂决策。统计类算法提供概率统计相关的一些算法，包括同比类算法、环比类算法、时间序列算法等。AI主要针对复杂场景，并且有足够的数据量，可以提供机器学习、深度学习能算法能力。
- 执行器是智能应用的手。执行器主要用来执行任务，将执行过程抽象为工作流。将各种执行能力不断积累下来，从而方便智能应用的快速实现。
小结
本文首先介绍了数据驱动的基本概念和相关理论，然后引出了数据驱动型应用的基本思想和功能抽象。下一篇文章将主要介绍数据驱动的整体架构。
