一、背景与研发者
数据驱动分析方法（Data-driven Analysis for studying the influence mechanism of Complex factors, DAC）是由华侨大学李海林教授课题组研发，面向复杂系统影响机制研究的一套数据分析方法，综合了定量和定性研究的优势，通过机器学习的方法研究复杂系统关键核心因素的机制，分别使用基于云模型的数据校准、聚类、决策树、贝叶斯网络等数据挖掘任务对复杂因素影响机制分析过程中的数据预处理、多元情境识别与分析、影响因素分析和目标提升路径进行研究，进而实现复杂系统影响因素机制研究。该方法体现了管理学、统计学与计算机科学等相关学科的交叉融合，创新发展了传统管理研究范式。
二、方法特点
- 综合性：DAC综合了定量和定性研究的优势，通过机器学习的方法研究复杂系统关键核心因素的机制。
- 机器学习：DAC分别使用基于云模型的数据校准、聚类、决策树、贝叶斯网络等机器学习与数据挖掘任务对复杂因素影响机制分析过程中的数据预处理、多元情境识别与分析、影响因素分析和目标提升路径进行研究。
- 应用广泛：DAC已被有效地应用于工商管理、管理科学与工程、经济与金融等学科中的复杂系统影响机制的问题，为相关专业的本科生和研究生学位论文的相关主题研究提供可行方法。
三、原理与优势
- 系统论与信息论原理：DAC依托于系统论、信息论和控制论原理，将系统的演变视为多个不同因素的综合作用。
- 大数据算法：DAC借助数据挖掘算法找到系统内样本的异质性特征，结合关注的管理决策问题实现不同样本空间内影响因素的决策规则提取。
-
多学科融合：DAC体现了管理学、统计学与计算机科学等相关学科的交叉融合，降低了知识获取的复杂程度。
-
决策问题导向：DAC以决策问题为导向、以数据挖掘算法为技术支撑，为挖掘海量数据背后的重要知识和管理启示提供了一套行之有效的“工具箱”。
- 易理解和操作：设计开发了DAC便捷式系统，快速注册，无需编程便可完成相关数据分析任务，数据运行结果与可视化效果易获得。
四、应用与效果
- 新方法与新思路：DAC方法为复杂管理问题的解决提供了新方法和新思路，尤其在大数据时代下经济、管理等学科中复杂因素影响机制研究提供了新的研究路径。
- 非线性与异质性：DAC能从数据挖掘角度深入剖析复杂变量间的非线性、异质性等交互效应关系、联动作用机理和目标变量提升路径。
- 预测性与可解释性：DAC不仅能实现样本内的数据拟合，亦能对样本外数据进行精准预测，并通过可视化手段增强理论模型的可解释性和预测性。
- 科学化、严谨化与精细化：DAC方法通过数据驱动和机器学习使研究更科学化和严谨化，同时异质性对象分析、决策规则分析以及目标对象的贝叶斯网络分析使得研究更深入更精细，帮助管理者对问题做出科学决策。
五、研究框架
DAC研究框架如图1所示，主要分为数据采集与预处理、指标构建与量化、聚类分析、决策树分析、贝叶斯网络分析等几大模块。具体使用DAC系统，可访问本站主页：链接。
