数据驱动的团队，是个多么有吸引力的名词，
数据驱动型团队建设
。然而，说说总是比做到困难的多，在前往数据驱动的道路上，最可怕的不是数据及时性不足，亦非数据的分辨率过低，而是被表面上数量化掩盖住了数据建设的长期规划。这种情况比比皆是，当通过数据测度，将若干关注的指标能够通过数据精确的表达出来之后，所谓的数据驱动假象就开始逐渐扩散，越来越多天马行空的需求不断提出。“既然已经有了数据和专门做数据的人，那么一切数据的获取成本都可以接受”的思想开始蔓延。久而久之，一种不考虑成本情况下希望快速获得目标数据，而不是考虑最终结论/推断的“数据贪心”心理将会对数据驱动型团队建设毁灭性的打击。即便满足了所有的数据需求，那也仅仅是通过满足需求而将问题所掩盖，长期来看，数据工作就像是订外卖一样，按照需求来下单。然而，成为营养师，才应该是数据驱动的目标。
个人看来，提供数据，仅是数据驱动型团队建设过程中的一个结果，远远不是目的。一个成熟、良好、高效的数据驱动型团队的数据建设，宜从如下三个层面深入发展：
1. 数据测度化：也就是有数据，让目标指标测度化，用数据进行量度，并将数据存入数据库，供任何时刻的应用，同时将尽可能多的维度加入其中，经过ETL，以实现理论上的多维度查询和无限度的钻取或切片。有了数据，团队所面临的最紧迫问题也有了答案。（当然，不要忽视数据的检验这一最关键的工作环节）而后，基于团队的规模，对数据进行适当的积累，让数据足以反映现状。对于数据的测度化，这些就足矣。如果在测度化上投入精力过多，比如把理论下的Cube OLAP实时查询，实现最高分辨率的了解数据当作一个目标，那么必然会将有限的资源投入到其中，使得无从进行更为重要的数据探索，进而对N维的数据无从做起维规约，极大降低数据获取和分析效率，让绝大部分精力集中在效果有限的高分辨率的具体数据查询上。届时，数据建设就真成了可悲的外卖，你点什么送什么。虽然能够果腹，但长远来看，却牺牲了数据建设。
2.数据探索及可视化：数据探索是指了解测度化的数据（存储于数据库中的数据）。与不断接受需求来实现了解数据不同的是，数据探索注重的是“聚合”，而非“细化”；而数据需求多为零散而细节的要求，两者恰恰相反。后者虽然能了解到数据的细节，但往往会因分辨率太高，而忽视了整体，
管理资料
《数据驱动型团队建设》(https://www.unjs.com)。在数据探索中，首先宜用一些描述统计对可测测度的数据进行了解，如求和、均值、方差、众数、各级分位数等等。我们通过求和知道了数据规模，通过均值了解平均水平，通过方差认识到波动水平，通过各级分位数明确了数据的大体分布情况，峰度和偏度则佐证了这个变量的正态性如何。通过这样的“聚合”，数据已经变得心中有数。
其次，在充分了解了数据整体情况后，要对数据中众多的维度进行规约。一种崇拜多维度下交叉分析的情况在数据分析过程中越发明显，多维度分析当然没错，但是教条的多维度分析则是错误的做法。高相关性（无论正、负）的维度变量，应该尽早通过线性组合来实现降维，及早的降维会让日后的工作事半功倍。
最后，在了解了数据总体情况，并将数据的维度减少之后，对全新的数据就要开始可视化的操作了—-将我们已经熟悉的数据通过图形化变现出来，图形是锁在人类内心深处的基础技能，因此，可视化能让数据的阅读门槛大大降低，并提高监控效率。我们的不断努力，就是要将辛苦得来的数据让人无障碍的阅读。复杂的报表，会让人阅读起来无比头痛，进一步致使数据工作人员要不断的进行解读。出于数据工作的整体战略和资源（往往是稀缺的）考虑，为了进一步专题的分析数据和数据挖掘，数据统计结果越能自助处理越好。可视化数据要重点体现的成果是：矩阵散点图来表述不同维度间变量（指标）的分布；柱状图来表达某一个变量（指标）的积累分布情况……
数据驱动型团队需要取舍，就像一切的工作一样。多维度、高分辨率的实时查询诚然有用，但并非在建立数据驱动型团队初期的目标。通过上述三个方面的努力，在数据饥渴的团队中，可以最大程度的满足需求，并不妨碍整个数据战略——去实现数据驱动，用数据来评估运营、市场、产品、人力资源。因此，完成了数据驱动型团队的第一步之后，接下来要用不同的主题分析来对前述情况进行支持。
最后，用一个例子来结束这篇博文：当航船找到一块新的陆地（旨在数据驱动的团队），尽管了解这块土地的一切（数据驱动）是终极目标，但在生存的压力（资源有限）下，首先要登陆（测度数据），并了解这块土地上的大致地貌地形（探索并聚合），其次，对这块土地进行探索，对这块按照特点陆地分区（降维），进一步绘出地图（可视化），让所有的船员都能“按图索骥”去生存下来。