数据驱动决策是最近几年的热点研究问题，也是一种新兴的管理科学研究方法。传统上根据问题直接建模方法的缺点是通常无法直接将模型应用到实际问题中，而管理科学的研究越来越强调应用性，研究的成果需要能在实际中有切实的应用。另一方面由于大数据时代的崛起，全球都非常重视数据带来的影响，管理科学的研究也开始探索如何通过数据来建模，进而提供管理决策支持。虽然数据驱动决策是近几年来管理科学刚开始探索的研究方法，目前已发表在期刊的文章也十分有限。但在今天数据丰富的世界里，学术界和工业界对数据、机器学习和人工智能的重视已达到前所未有的高度。因此，管理科学的研究涉及相关领域也是大势所驱，管理科学中数据驱动决策的研究会在未来越来越普遍。在此基础上，本文的研究内容以数据驱动决策为核心，探索了数据驱动决策的理论基础，并且将该研究方法应用到一家实际企业的数据中。具体而言，本文的主要内容分为如下部分：　　1.本文介绍了管理科学领域一种较新的研究方法，即数据驱动决策，并且本文详细介绍了数据驱动决策的理论依据，以及数据驱动决策各组成部分方法论的理论依据。　　2.本文详细阐述了数据驱动决策中预测分析的理论，并且阐述了模型选择理论在预测分析理论的重要性。预测分析是数据驱动决策中的重要部分，在这部分需要引入机器学习中的学习理论作为预测分析的理论依据。本文详细阐述了模型选择理论和机器学习中的学习理论的区别和联系。　　3.本文将数据驱动决策研究方法应用到一家快速时尚企业中，快速时尚企业产品的特征是样式多、生命周期短。快速时尚企业满足了客户对普惠个性化快时尚的需求，个性化产品是未来零售业的发展趋势。本文提出了多种需求预测方法，以及相应的模型选择方法，通过实验表明模型选择不仅能删除预测模型中冗余的变量，以避免模型过拟合问题，同时还能提高模型的预测性能。在预测分析中，通过实验证明，引入与预测目标相关的因子能提高预测性能，但更重要的是根据问题的特殊性开发相应的函数来描述因子与预测目标的关系，否则该因子数据就会成为模型的噪声数据，造成模型过拟合问题。接下来本文对于历史销售数据极少的产品，提出了一种集成的灰色预测模型进行需求预测，对于历史销售数据较多的产品，提出了一个动态神经网络模型进行需求预测，由于销售周期较长的产品含有更多的零需求，本文提出多种措施来减少零需求对模型训练的影响。并且在集成灰色模型和动态神经网络模型中都包括模型选择的思想，实验结果均表明了所提出模型的先进性。　　4.数据驱动决策是一种比较灵活的管理科学研究方法，本文选取其中一种方法论应用到实际的数据中，即把预测分析的输出当作规范分析的输入。本文根据预测的需求，然后将预测的需求用于满足各个零售店的请求。本文采用车辆路径优化的方法优化配送路径，将产品快速配送到各个零售店中，从而加速库存周转。