回想一下你上学的时候。你会在期末考试前想，“我到底要怎样才能消化一学期的知识才能通过这一次考试呢？”
但你希望你能明白，海量信息必须被分解成更小的类别。如果没有某种组织形式，信息很容易变成信息过载。政府数据分析也是如此，就像小学考试准备一样。
Ascolta（ViON 合作伙伴）首席技术官 Clint Green 和 Information Builders 联邦系统组总监 Denise Flanagan 在 GovLoop 的活动上发表了题为“如何理解政府数据分析”的演讲。他们解释了如何组织和确定机构数据的优先顺序，以便更加以数据为导向。
格林说：“以数据为导向并与数据分析进行互动可以改变你和你的选民的命运。”
一切始于专注于你的首要使命。“你的技术和基础设施不应该决定你的使命。你需要先以使命为先，”格林强调道。从这里开始，格林建议你问自己以下问题：
您是否拥有完成任务所需的数据？换句话说，这些数据是否足够具体和明确，可以完成您正在执行的任务？从简单开始。您可以并且会随着时间的推移添加新的数据集。
您对这些数据有什么疑问吗？这就是领域专业知识的重要性所在。ScienceDirect将领域专业知识定义为“对数据来源和局限性、操作要求和约束以及背景的洞察”。它可以告诉您如何提出明确的问题来开发分析（任务指标、行为模式等）。
您是否有能力根据答案执行？
您可以使用一组数据集得出无数结果和结论。但格林说，只关注那些直接有助于您任务成功的结果。
这些问题还可以帮助您确定哪种类型的数据分析最适合您的情况。Flanagan 解释了四种类型的分析 - 描述性、诊断性、预测性和规范性 - 并提供了它们在各个组织和机构中成功应用的示例。
描述性：这种分析用于定义发生了什么。每个组织都以某种方式使用这种分析（即通过报告和记分卡）。
示例：纽约市卫生局实施了一款描述性分析应用程序，用于跟踪纽约市内餐厅（有超过 40,000 家餐厅）的卫生法规违规情况。这是一款面向公众的应用程序，可让市民了解哪些餐厅存在卫生法规违规行为。在应用程序使用的第一年内，餐厅的卫生法规违规率下降了 30%。
诊断：这种分析通过识别数据中的根本原因和趋势来帮助解释某些事情发生的原因。
示例：路易斯安那州的补充营养援助计划 (SNAP) 需要更好地追踪欺诈行为，因此他们分析了供应商的销售点数据。通过这些发现，该计划的重点从受助人转移到滥用系统 伊朗号码 并进行非法交易的商店老板。该项目为该州节省了数百万美元，使他们能够更好地为未来的欺诈分析流程提供资金，并确保需要补充援助的人确实会得到援助。
预测：这种分析利用评分概率和机器学习来确定可能发生的事情。
示例：一家联邦债务催收机构能够识别最常被催收的债务，并将此信息提供给催收团队。自实施以来，这一新知识使债务催收量增加了 20%。
规范性：这种分析通过提供基于数据的建议、预测结果的相关性和最佳反应来概述我们应该做什么。
示例： Raintree Oncology 收集临床数据，为每位患者制定最佳治疗方案，从而改善患者的治疗效果。
然而，即使您从这些不同的数据应用程序中进行选择，我们的演讲者最后还是鼓励我们在数据分析方面保持灵活和开放的心态。
“数据驱动不是一次性事件。数据不是一次性使用的产品，”格林说。你可以继续使用收集的数据并以此为基础来保持任务成功。
最后，不要忘记将数据转化为行动。“没有行动的可部署分析不会改变组织绩效。将结果部署给能够影响变革的人，”弗拉纳根说。你可以也将会通过适当的数据分析改变人们的生活。
单击此处查看 Flanagan 的幻灯片。单击此处查看 Green 的幻灯片。
艾比 维翁