對於我們大多數人來說，制定數據驅動的業務決策是一個四步過程。首先，您收集數據。接下來，你“挖掘”它，這只是意味著工具和數據科學家的某種組合尋找不同類型數據之間的模式和相關性。第三，這些發現被注入到管理人員可以看到的儀表板和可視化中。從那裡，由經理來解釋儀表板告訴他們的內容並做出決定。
問題在於您收集的數據，以及您的工具和數據科學家發現的模式，現在定義了您可以做出的決定。一個簡化的例子：假設 PCMag 收集了大量關於哪些文章在特定文章或文章組獲得的點擊次數方面表現最佳的數據。然後我們的數據庫引擎開始運轉，將最好的文章組合在一起，並構建漂亮的可視化效果，以便我們了解所發現的內容。我們正在查看的內容讓我們看到了迄今為止最成功的文章。然後，我們可以通過在給定的數據樞軸上寫更多這樣的文章來複製這種成功，比如主題、文章類型甚至作者。所以我們正在做的是使用我們的數據來複製我們過去的成功。當然是一種有效的做法。
但如果我們扭轉局面呢？
與其用我們收集的數據來限制自己，不如從問我們真正想要回答的問題開始：未來什麼樣的文章對我們最有利？如果我們從那裡開始，我們需要一個流程，不僅要發現我們需要提出的問題以獲得答案，還要發現我們需要收集的數據來支持這些查詢。但是我們得到的是一組更有價值的答案，可以用來做出我們的編輯決定。
這是下一代業務分析工具中出現的更令人興奮的新方法之一，它被稱為“決策智能”（DI）。下面，我們將更詳細地描述 DI，並討論您需要了解哪些內容才能使其適用於您的組織。
什麼是決策智能？
谷歌首席決策科學家 Cassie Kozyrkov 將 DI 描述為一種通過社會科學、決策理論和管理科學來增強數據科學的方法。這種組合更有效地幫助人們實際使用 BI 數據做出更好的決策。她將數據科學和 DI 之間的區別描述為製造微波爐的人和使用微波爐的廚師之間的區別。
DI 源於軟件工程努力構建改進的最佳實踐決策並大規模這樣做。據專家稱，它已經足夠成熟，應該會在 Microsoft PowerBI 或 Tableau 等流行雲 BI 工具的下一次迭代中開始影響甚至中小型企業 (SMB)。
“決策智能將人工智能和人類決策聯繫起來，形成更智能的結論，從而帶來更有利的結果，”定制軟件開發公司 Future Processing(Opens in a new window) 的高級助理 Jack Zmudzinski 說。 “因此，與其說是人類做出的決定，也不是由計算機做出的決定，而是兩全其美。”
（來源：Quantellia）
決策智能顛覆了企業通常使用其數據所做的事情。在大數據方法中，通常選擇分析工具和查詢來擬合數據。對於 DI，最優先考慮的是正在尋求的決定。然後構造查詢，並根據與問題的相關性選擇數據。因此，在做出數據驅動的決策時，數據扮演的是支持角色，而不是主角。
專家將決策智能定義為一種方法論，但它並不是一個單一的綜合過程。您如何進行 DI 將取決於您的業務、您收集的數據以及您的分析工具集的功能。但是，基本思想始終是相同的：使用一種可視化方法，從所需的決策開始，然後向後確定需要哪些數據以及如何獲取這些數據。
為什麼需要 DI
如果您認為這一切聽起來像是一個大企業或企業問題，請再想一想。即使是小型企業和“個體創業者”也將很快使用這些技術，他們將能夠以很少的努力、以合理的成本管理這些技術，並憑藉自己的知識和才能取得成功。底線：如今，即使是小型企業領導者也使用擁有大量數據和可靠分析的複雜雲數據庫。他們缺乏的是關於如何使用這些信息做出現實世界決策的任何真正指導。對於小公司來說尤其如此，而這正是 DI 正在解決的問題。
“算法和數據擅長告訴我們‘這是觀察結果或數據，以及可以得出什麼結論。’它們不擅長告訴我們需要做出什麼樣的決定，”ZS Associates 的副負責人 Gopi Vikranth 說。全球諮詢和專業服務公司。在 2019 年加入 ZS 之前，他曾擔任新濠博亞娛樂大數據和營銷分析副總裁，以及凱撒娛樂營銷分析副總裁。
“另一方面，決策智能回答了[問題]'如果你要採取行動 X，現實世界中的結果會是什麼？'這對企業來說至關重要，因為很少有完美信息的情況，”維克蘭特說。
他將一家中型企業描述為一個典型的例子。假設這家公司有客戶忠誠度計劃。人工智能的任務是提高商業利潤，因此它可以在數學上找到改變或消除客戶福利或提高價格以優化利潤的方法。但是，儘管這些結論在客觀上是“正確的”，但這樣的決定很可能會引起客戶和影響者的強烈反對，最終導致長期的忠誠度損失，從而導致收入損失。
軟件工作室 Myplanet 的首席執行官 Jason Cotrell 列舉了以下作為決策智能的潛在用例：
個性化軟件的前端組件（自適應 UI）。
產品推薦。
客戶流失預防。
針對交易量大的業務（例如航空公司或製藥業）進行價格優化。
“不要說‘我需要什麼數據才能做出這個決定？’而是說‘我該如何做出這個決定？哪些部分需要數據分析，哪些部分可以自動化？這樣，您將更好地利用您的分析和自動化，”“數字決策：使用決策管理從 AI 提供業務影響”一書的作者 James Taylor 解釋說，決策管理解決方案首席執行官。
即將推出：決策智能工具
如果您是一家涉足大數據的小型企業，那麼您當前的平台可能已經擁有開始使用 DI 所需的工具。專家說你甚至可能不需要那個。
“你可以只用鉛筆和紙來使用 DI 方法，或者最近我使用 Lucidspark(Opens in a new window) 應用程序來協作繪製行動到結果圖 (CDD)，”遷移學習的發明者 Lorien Pratt 說對於機器，決策智能先驅，以及機器學習和決策智能公司 Quantellia 的首席科學家和聯合創始人。她認為 DI 正在迅速成熟，很快這種類型的數據建模將適用於任何規模的企業。
根據 Pratt 的說法，即將推出的通用商業智能平台迭代將支持 DI。 “在下一個複雜級別，您將能夠將 DI 模型嵌入到現有工具中，例如 [Microsoft] Excel 或 PowerBI，”她說。但是，對於不太複雜的工具，此過程可能會受到限制，因為這些用戶將無法即時更改他們的模型。
但是，雖然小型企業可以期待雲中簡化的 DI 平台，但企業將需要更多的火力。
“最大的問題是投資方法，”普拉特說，這意味著大型企業需要將決策放在首位。這在大型組織中可能會變得複雜。您不僅需要弄清楚需要做出什麼樣的決策，以及如何捕捉這些需求。
“對於某些決策，現有的 BI 堆棧就足夠了，”Taylor 說，“但對於其他人來說，[企業] 可能會發現他們需要投資更先進的技術，例如預測分析和機器學習工具。”此外，他建議對於公司需要經常或快速做出的決策，部署業務規則管理系統，例如來自 Agiloft（在新窗口中打開）或 IBM（在新窗口中打開）的系統，可以使流程自動化並更好地利用您的機器學習算法。
對於小型企業來說，這可能是矯枉過正。尤其是因為下一代云分析服務應該提供 SMB 所需的所有 DI 肌肉，而且部署和學習的麻煩更少。但是，如果您仍然想在 DI 上進行 DIY，這是 Taylor 所說的典型企業所需要的：
我們的編輯推薦
用於進行需求收集和數據建模的決策建模軟件。
業務規則管理軟件，用於開發您的決策規則（除非您做出相對較少的決策並允許較長的結果時間）。
某種機器學習堆棧，用於開發您需要的算法。
一個數據平台，可以讓您創建算法並管理事務數據交付，最好是實時的。
一種數據可視化工具，尤其是當您的最終決定仍包含重要的人為因素時。
模式對比直覺
機器將問題和模式視為明確定義：黑色與白色。另一方面，人們會看到細微差別、潛在的替代含義、選項以及通往其他想法的橋樑。任何問題的清晰性通常是直覺智力的功能，而不是學術訓練。人類可以同時使用這兩種能力，而 DI 旨在擴展這些能力。
匹茲堡大學斯旺森工程學院電氣與計算機工程和智能係統副教授 Ervin Sejdic 說：“決策智能基於這種想法，即嘗試採用模擬人類決策的現實方法。”而在典型的AI，你基本上只是設置了機器學習的規則：如果是紅色的，就是這個，如果是藍色的，就是那個。”
Sejdic 以購買汽車為例。 “如果您要購買汽車，並且設置了某些標準，例如每加侖英里數或特定品牌，那麼算法會為您找到汽車。但我們會試駕汽車，看看它的感覺和駕駛方式，這些是難以硬編碼的軟輸入，”他解釋道。 “出於這些原因，決策智能試圖對我們做出的較軟的決策進行編碼，而這些事情與典型的人工智能不同。”
Sejdic 指出，如果成功，DI 可以應用於任何事物。決定在哪裡使用它的方法是找到您想知道最適合您採取什麼行動的區域。
“大多數分析和商業智能都是描述性的。您記錄發生的情況，然後在圖表中繪製數字。它會告訴您剛剛發生的事情，以便您嘗試理解。其他形式是預測性的。它們就像天氣預報。他們會告訴你即將發生的事情。” Pathmind 的首席執行官 Chris Nicholson 解釋說，該公司是一家專注於工業運營和供應鏈的人工智能公司。
ZS Associates 的 Vikranth 說：“決策智能有定量和定性的一面，企業需要將兩者都考慮在內。”他解釋說，在定量方面，是數據收集、三角測量和工程、人工智能和數據科學基礎設施以及編程人才。這方面的關鍵是準確的數據。任何規模的企業都需要投入時間和精力來定義績效指標，並確保他們正在收集正確的數據，並以一種可供其 DI 堆棧使用的方式存儲這些數據。
Vikranth 說，在定性方面，企業需要合適的人才來將洞察力、結論或輸出轉化為決策和行動。這些需要針對他們的業務進行背景化。假設和測試和學習工具可以極大地幫助這個過程。
“雙方結合在一起就是決策智能，”維克蘭斯說，“這樣，人工智能就不會把人類排除在等式之外。”維克蘭斯認為這很重要，因為數學算法，尤其是在處理不完善的數據時，不能得出任何一種最優決策。
數據科學家的演變
舊的數據庫管理員催生了商業智能分析師和傳統的數據科學。DI 正在幫助該學科發展成為一個新的、更有效的角色，即數據科學翻譯。根據 Vikranth 等專家的說法，這些人將使用 DI 來獲取企業的假設場景，並通過 AI 堆棧對其進行處理，以了解企業需要採取哪些行動以及這些行動可以提供什麼樣的結果。
決策智能讓技術和人們各自做他們最擅長的事情。分析和人工智能等技術可以快速找到龐大數據池中的聯繫和模式，但這只是旅程的一半。DI 可以使用這些信息並幫助您應用更無形的人為因素，例如直覺智力、創造力、經驗以及成功駕馭細微差別的能力。這使得 DI 成為一種強大的新型混合分析模型，即使對於小型組織也是如此，而且這種模型在規模上特別有效。
