我身為統計學家，很欣賞應用統計學先驅威廉．愛德華茲．戴明（W. Edwards Deming）說的話：“我們相信上帝。但上帝之外的任何人都必須憑資料說話?！辈贿^我也是社會科學家，因此必須警告你，許多決策者過度熱切尋求數據資料，從一無所知出發(fā)，持續(xù)尋求資料，但從未能改善他們的決定。是否有方法可以在兩個極端之間找到最恰當的位置？有的，第一步就是建立一個簡單的決策習慣：提前做出預設決定。
決策的關鍵，是在你尋求資料之前先架構決策環(huán)境；可惜，資料科學課程通常沒有教授這種技能。要學習它，你必須注意社會科學和管理科學。遺憾的是，在我們最需要這種技能的地方，也就是作為領導和管理資料科學計劃的一項技能，我們傳授的還不夠。甚至在統計學方面（這是在不確定情況下作出決定的學科），學生面對的大多數練習，都已預先架構好背景環(huán)境。你的教授通常會為你建立假設和／或架構問題，這樣就只有一個正確答案。只要有正確答案，決策者就已經把通往決策的路鋪好了。
許多決策者認為，當他們檢視數字、形成意見、執(zhí)行決策時，就算是資料驅動的做法?？上?，這樣的決定充其量只是“資料啟發(fā)”（data-inspired）。資料啟發(fā)的決策方式，就是我們在一些數字中四處游走，最終達到一個情緒轉折點，然后作出決定。在那個決定附近的某處有一些數字存在，但那些數字并沒有驅動那個決定。那個決定完全來自其他地方，它一直存在于決策者的無意識偏誤中。
如果在嘗試使用資料進行決策時缺乏紀律，你的方法很容易就受到認知偏誤的影響。
資料啟發(fā)決策的一個主要問題是確認偏誤，這種偏誤會影響決策者，如何根據他們已經相信的事物來看待事實。如果你發(fā)現資料落在哪里之后，可以自由改變球門（目標），那么你就會在無意識之下這么做。解決方法是預先設定目標，并克制住不要在稍后移動那個目標。
正因如此，行為經濟學家接受的訓練，就是要在使用資訊之前設定決策標準。這么做最能改正確認偏誤，因此許多人都讓這種做法根深柢固成為一種習慣。例如，在我們查詢機票價格之前，我們會不由自主地詢問購買機票需要支付的最高金額。
如果讓決策標準保持開放，你就可以選擇性地與資料互動，以確認你早已在心中做出的選擇。你只是使用這些資料，讓你對自己無論如何都會去做的事情感到好過一些。大多數人都這么做，根本沒注意到自己是如此。
要避免的另一個人性缺點是宜家效應（Ikea effect）。這種效應是指，你因為對某件事情付出努力而高估了它的價值。簡單來說，人們花時間從事某一項專案，就可能會愛上它，即使他們建立的是一堆有毒的垃圾，而且這會改變他們對它的看法。他們會開始和自己討價還價說：“噢，但我的新原型在效能上并沒有那么糟，我還是可以推出這個東西……。”就是因為這樣，才會有人強行推出可怕的東西到這個世界上。
為避免受到這些效應的影響，而成為真正的資料驅動，順序是很重要的！你必須預先架構決策的環(huán)境條件。這個流程的第一部分是，在沒有進一步資料的情況下，決定你準備要做什么。（你的預設行動是購買／推出／治療／繼續(xù)進行，或是不購買／不推出／不治療／不繼續(xù)進行？）。這稱為預設行動，而你要在不知道到任何資訊的情況之下，判斷哪一種行動的害處較小，因而會設定這項預設行動。
不習慣有預設行動的決策者，會很難選出一項預設行動。你問自己：“如果我在已經看過的資料之外沒有看到額外資料，那么我會做什么？”若要回答這個問題，你必須發(fā)揮堅強的性格，也就是不能把問題踢給資料。你真的必須考慮那個待解決的商業(yè)問題，并誠實回答這個問題：“如果我現在就必須做出決定，我要選擇哪一項行動？”
例如，“這是一種新藥或新機器學習系統。我不知道它是否有效。如果要設定一個預設行動，我應該設為推出這項新產品，還是不推出？”（大多數人可能會選不推出，除非有些人覺得機器學習系統在履歷上看起來很棒，才會預設為要推出。）
一旦你指定了預設行動，就可以開始考慮資料。但即使在這個時候，第一步并不是收集或分析資料。你在沒有新資訊之下決定預設行動之后，應考慮在取得資料時，要如何處理那些資料。那些資料應該具備什么形式，才足以說服你放棄預設行動？要回答這個問題，你需要有能力想像世界的不同狀態(tài)，確認你的預設行動是否在每一種狀態(tài)下都是正確的行動，然后建立一個衡量指標，它可以告訴你，你居住的是這些世界中的哪一個。最后，你應考慮需要多大規(guī)模的證據，才能說服你不采取預設行動，以及你對風險的容忍度為何。到了這個時候，你才應該開始研究資料。