公共政策中的數據驅動決策
2022/06/29閱讀時間約 2 分鐘
Update !!
我們生活的時代，這個“信息時代”，正在肆無忌憚地產生海量數據。在許多創新技術和技術工具的幫助下——包括廣泛的數學技術、數據分析技術、可視化技術、雲計算和模糊集和系統——這些數據可以被詳細描述以構建令人興奮的數據集，這些數據集可以通過以下方式訪問全部。這些越來越大的數據集包含從不同來源更快獲得的高度詳細信息，將基於交易的傳統數據與自動收集的數據（如手機和網絡連接發出的信號）或自願收集的數據相結合，如我們在社交媒體上發布的材料。
數據科學——創新地使用“分析”從這些多種多樣的數據集中提取信息和見解的總稱——最初是為商業目的而開發的。端到端分析數據的最常見方法是 CRISP-DM。
用於數據挖掘的 CR oss 工業標準過程 (CRISP-DM )是一個具有六個階段的過程模型，自然地描述了數據科學生命週期。它就像一組護欄，可幫助您計劃、組織和實施您的數據科學（或機器學習）項目。以下是 6 個 CRISP-DM 階段：
- 業務理解——業務需要什麼？
- 數據理解——我們擁有/需要什麼數據？乾淨嗎？
- 數據準備——我們如何組織數據進行建模？
- 建模——我們應該應用哪些建模技術？
- 評估——哪種模型最能滿足業務目標？
- 部署——利益相關者如何訪問結果？
回到前段的主題，數據科學用於支持公共部門的決策，幫助我們更深入、更透明地了解我們的世界，同時改進我們識別和組合人們做出的選擇的方式當面臨許多可能的選擇時。分析信息的可用性和使用可以幫助，特別是實現：_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
- 在規劃和實施公共政策方面提高效率和有效性，因為越來越容易理解每個用戶的期望是什麼，從而“針對”任何倡議。
- 更迅速地了解社會中正在發生的現像如何需要特殊干預，例如，通過測量當地或全國的人口情緒或對特定病理學如何通過 DDD（數字疾病檢測）傳播進行實地觀察。
當我上週在上面了解到時，我最喜歡的圖片是西爪哇政府根據交通、人口密度、擁擠點、貧民窟定居點和確診病例分析 Covid-19 傳播的潛力和風險的案例。
留言0
查看全部